Przejdź do treści
niedziela, 22 listopada 2026
Tenesys AI News
Subskrypcja

Wszystkie wiadomości

TENESYS AI NEWS śledzi najważniejsze wiadomości o AI i wyjaśnia, co się zmieniło, dlaczego to ważne i czy technologię warto przetestować.

#Reasoning — 12 artykułów ✕

Modele· Ważne· 🧪 Warte przetestowania

RadixArk wydaje DaisyRose-27B – model zoptymalizowany pod zadania agentowe

RadixArk wprowadził DaisyRose-27B, model o 27 miliardach parametrów oparty na Qwen3.8-27B, specjalnie dostrojony do złożonych, długoterminowych zadań agentowych z wykorzystaniem uczenia przez wzmacnianie. Model wykazuje znaczny wzrost wydajności w testach rozumowania i kodowania, szczególnie w automatyzacji terminala.

Hugging Face
Modele· Ważne· 🧪 Warte przetestowania

Nowy model 1B skoncentrowany na rozumowaniu matematycznym

Naukowcy udostępnili Limite 1B - Violetto, kompaktowy model o 1 miliardzie parametrów, zaprojektowany do rozwiązywania problemów matematycznych. Obsługuje okno kontekstowe o długości 131 tys. tokenów i jest udostępniony na licencji Apache 2.0.

arXiv cs.CL
Agenci· Ważne· 🧪 Warte przetestowania

System Trident poprawia wydajność agentów LLM poprzez ewolucję w czasie testów

Naukowcy wprowadzili Trident, system zaprojektowany w celu usprawnienia pracy agentów opartych na LLM poprzez rozwiązanie trzech problemów: nieefektywnego pobierania informacji, redundancji zachowań oraz ryzykownego nadpisywania całej logiki agenta. Dzięki zastosowaniu inteligentnego czytania pamięci, routingu opartego na różnorodności oraz aktualizacji przez wstawianie, Trident przewyższa obecne metody refleksji i pamięci.

arXiv cs.CL
Badania· Ważne· 🧪 Warte przetestowania

Nowa metoda szkolenia 'Self-Disagreement' wzmacnia rozumowanie modeli

Naukowcy zaproponowali nową metodę szkolenia o nazwie Self-Disagreement, która poprawia zdolność modelu do oceny własnych argumentów. Zamiast polegać na opiniach ludzi czy zewnętrznych modelach nagród, agent generuje własne kontrargumenty i uczy się poprzez ich weryfikację.

arXiv cs.CL
Modele· Ważne· 🧪 Warte przetestowania

Moonshot AI wprowadza Kimi K3.1 Pro Highspeed w Amazon Bedrock

Moonshot AI udostępniło Kimi K3.1 Pro Highspeed w Amazon Bedrock, model zoptymalizowany pod kątem złożonych zadań agentowych i programowania. Model ten oferuje 2–3-krotnie większą prędkość generowania niż wersja standardowa, posiada konfigurowalne możliwości wnioskowania, obsługę wywołań narzędzi oraz funkcję „explicit prompt caching” dla optymalizacji kosztów.

AWS Machine Learning
PilneModele· 🧪 Warte przetestowania

Google udostępnia Gemini 4 Carbon do zaawansowanego wnioskowania i zadań agentowych

Google wprowadziło Gemini 4 Carbon, nowy model klasy frontier zaprojektowany do złożonego, wieloetapowego wnioskowania, inżynierii oprogramowania i zadań z zakresu cyberbezpieczeństwa. Model jest już dostępny poprzez API oraz w Google Antigravity, oferując lepszą wydajność w procesach agentowych i efektywność kosztową.

Google DeepMind
Modele· Ważne· 🧪 Warte przetestowania

Anthropic prezentuje Claude Fable 5.2 z lepszym wnioskowaniem i trybem Fast Mode

Firma Anthropic wprowadziła modele Claude Fable 5.2 oraz Claude Mythos 5.2, stworzone do długoterminowych zadań agentowych i zaawansowanego wnioskowania. Aktualizacja obejmuje obniżkę cen oraz tryb „fast mode”, który znacząco zwiększa przepustowość. Programiści muszą przygotować się na nowe wymogi weryfikacji prefiksów, aktualizacje narzędzi komputerowych oraz ograniczenia dotyczące modeli doradczych.

Claude Platform Release Notes
Modele· Ważne· 🧪 Warte przetestowania

Moonshot AI udostępnia multimodalny model agentowy Kimi-K3.1-Pro

Firma Moonshot AI wprowadziła Kimi-K3.1-Pro, multimodalny model o otwartych wagach i 2,8 biliona parametrów. Charakteryzuje się on oknem kontekstowym o wielkości 1 miliona tokenów, wykorzystuje architekturę Mixture-of-Experts (MoE) i jest zoptymalizowany pod kątem zadań agentowych oraz długofalowych procesów.

Moonshot Kimi (Hugging Face)
Badania· Ważne· 🧪 Warte przetestowania

Kompresja historii rozumowania obniża koszty agentów AI

Nowe badania pokazują, że historię rozumowania można przepisać na kompaktowe rekordy stanu przed wprowadzeniem nowych wyników narzędzi. Metoda ta skutecznie zmniejsza liczbę przyszłych tokenów rozumowania i łączne wydatki na agenta poprzez eliminację zbędnych przemyśleń, bez konieczności douczania modelu.

arXiv cs.CL
PilneModele· 🧪 Warte przetestowania

Mistral AI prezentuje Mistral Large 4: Model o parametrach 1T

Mistral AI udostępniło Mistral Large 4 (Le Chonk), model typu open-weight z 1 bilionem parametrów, zoptymalizowany pod kątem kodowania, cyberbezpieczeństwa i rozumowania. Model wprowadza trzy tryby rozumowania w celu zrównoważenia wydajności i kosztów oraz oferuje ulepszone mechanizmy bezpieczeństwa dla agentów AI.

Mistral AI