Badacze przedstawili „OmniTag-Bench”, nowy pięciojęzyczny zestaw testowy do oceny multimodalnych modeli LLM pod kątem jednoczesnej transkrypcji mowy i tagowania metadanych. Badanie wykazuje, że jeden, dotrenowany multimodalny model może wyodrębniać transkrypcje, emocje, płeć, język oraz nazwy własne w jednym przebiegu wnioskowania, zastępując łańcuchy specjalistycznych modeli.
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.
Naukowcy zaprezentowali EndoUT, framework typu adversarial, który identyfikuje uniwersalne wyzwalacze promptów zdolne do znacznego obniżenia użyteczności modeli LLM. Poprzez analizę zakłóceń w preferencjach modelu dotyczących początków odpowiedzi, atakujący mogą tworzyć stałe ciągi znaków, które wymuszają spadek wydajności w różnych zadaniach bez konieczności posiadania etykiet czy informacji zwrotnej o zadaniu.
Amazon Bedrock uruchomił nową funkcję obsługi pamięci dla AgenticRetrieveStream. Automatyzuje ona przechowywanie, ekstrakcję i przywoływanie faktów oraz historii rozmów użytkownika, co pozwala agentom udzielać odpowiedzi świadomych kontekstu przy zachowaniu rygorystycznej kontroli dostępu do dokumentów.
Firma AssemblyAI wprowadziła STT-3.7, nowy model przetwarzania mowy na tekst, który zastępuje rodzinę Universal. Zapewnia on wsparcie dla większej liczby języków oraz poprawioną precyzję w identyfikacji mówców.
AssemblyAI wprowadziło model AssemblyAI-STT-3.7-Realtime-Agent, zaprojektowany specjalnie pod kątem interakcji z agentami głosowymi. Model ten rozwiązuje powszechne problemy w telefonicznej obsłudze klienta, takie jak oddzielanie głosu użytkownika od hałasu w tle oraz precyzyjne wyłapywanie danych, np. liczb, pod koniec wypowiedzi.
Firma AssemblyAI wprowadziła rodzinę modeli STT-3.7, obejmującą wersje dedykowane do nagrań, konwersacji na żywo oraz agentów głosowych. Jednocześnie zaprezentowano pierwszy silnik zamiany tekstu na mowę (TTS), zoptymalizowany pod kątem szybkich i naturalnych interakcji.
MoEngage zintegrowało agentów AI ze swoją platformą zaangażowania klientów, wykorzystując Model Context Protocol (MCP) oraz Amazon Bedrock AgentCore do przekształcenia istniejących API w narzędzia wywoływane przez agentów. Traktując swoją platformę jako architekturę izolowanych sesji i zestandaryzowanych schematów narzędzi, firma umożliwiła zespołom automatyzację przepływów pracy i podejmowanie decyzji w ramach jednej konwersacji.
TokenEconomizer to nowa wtyczka open-source, która pozwala agentom programistycznym AI uczyć się z poprzednich sesji w ramach konkretnego repozytorium. Śledząc powtarzające się wzorce, usuwając zbędne narzędzia i zapobiegając pętlom awarii, znacząco redukuje zużycie tokenów bez zmiany agenta lub jego bazowego modelu.
Google udostępniło Agent Substrate 1.0, platformę open-source do obsługi sesji agentów AI w środowisku Kubernetes. Dzięki oddzieleniu sesji stanowych od zasobów obliczeniowych, możliwe jest „parkowanie” bezczynnych agentów w pamięci obiektowej, co zwalnia zasoby węzłów roboczych.
OpenAI udostępniło „omni-moderation-csam-latest”, specjalistyczny model do identyfikacji materiałów przedstawiających seksualne wykorzystywanie dzieci (CSAM) w obrazach. Uprawnione organizacje mogą korzystać z tego narzędzia bezpłatnie, co ułatwia priorytetyzację treści do przeglądu przez człowieka.
Hugging Face nawiązało współpracę z OpenRouter, aby obsługiwać inferencję modeli językowych. Wszystkie zapytania są teraz automatycznie kierowane przez OpenRouter, który wybiera najlepszego dostawcę w oparciu o bieżące ceny, szybkość i niezawodność.
Amazon Bedrock Managed Knowledge Base wspiera teraz wyszukiwanie tabelaryczne, umożliwiając agentom przetwarzanie danych bezpośrednio z plików CSV, XLSX i XLS. System wykorzystuje kod wygenerowany przez model w bezpiecznym, izolowanym środowisku typu sandbox do wykonywania obliczeń na całych plikach, łącząc wyniki z danymi z nieustrukturyzowanych dokumentów.
Firma NVIDIA opublikowała pierwsze wyniki testów MLPerf Training v6.1 oraz Endpoints v1.0 dla swojej nowej architektury Vera Rubin. System wykazał znaczny postęp w szybkości trenowania oraz efektywności energetycznej w zadaniach opartych na agentach AI.
Firma Cohere zaprezentowała funkcję Video Intelligence w ramach swojej platformy Compass, umożliwiającą systemom AI wykonywanie precyzyjnego wyszukiwania w bibliotekach wideo z użyciem znaczników czasowych. System przetwarza zarówno transkrypcje audio, jak i informacje wizualne na ekranie, aby wyodrębnić konkretne fragmenty odpowiadające na zapytania użytkowników.
Badacze wprowadzili „estymator pełnego bloku” (full-block estimator), aby zoptymalizować dostrajanie modeli językowych typu Masked Diffusion (MDLM). Poprzez ocenę każdego bloku dokładnie raz w trakcie trenowania, metoda ta eliminuje wariancję wynikającą z losowego doboru bloków.
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.
Naukowcy przedstawili ActGCG, metodę pozwalającą na replikację efektów sterowania aktywacją (activation steering)—co zazwyczaj wymaga dostępu do wnętrza modelu—poprzez optymalizację sufiksów wejściowych. Technika ta pozwala na odtworzenie specyficznych zachowań, takich jak wymuszanie konkretnego języka, jedynie za pomocą zewnętrznych danych wejściowych.
Amazon opublikował architekturę referencyjną integrującą bibliotekę NVIDIA NeMo Switchyard z LiteLLM w celu dynamicznego kierowania zapytań agentów programistycznych między różnymi modelami w Bedrock. Stosując routing warstwowy (stage) lub losowy (random), możesz przekierowywać ruch między modelami o wysokiej wydajności a modelami ekonomicznymi, balansując koszty i skuteczność.
Amazon wprowadził model OpenFold3-preview do SageMaker JumpStart, umożliwiając użytkownikom przewidywanie struktur 3D białek, DNA, RNA i ligandów. Wdrożenie wykorzystuje asynchroniczne punkty końcowe do obsługi długotrwałych obliczeń, wspierając automatyczne skalowanie oraz możliwość wyłączenia instancji w stanie bezczynności.
Amazon Threat Intelligence zaobserwował autonomiczne agenty korzystające z frameworka open-source ARTEX do prowadzenia zakrojonych na szeroką skalę kradzieży danych uwierzytelniających i oszustw tożsamości z wykorzystaniem deepfake. Kampanie te wykorzystywały niezałatane luki w infrastrukturze AI i błędy konfiguracyjne do automatyzacji wieloetapowych operacji ofensywnych.
Od początku października gwałtownie wzrosła liczba frameworków do testów penetracyjnych opartych na sztucznej inteligencji, z tysiącami aktywnych instancji. Te autonomiczne narzędzia automatyzują cały łańcuch ataku cybernetycznego, pozwalając na łańcuchowe wykorzystywanie poświadczeń i szybkie przemieszczanie się wewnątrz infrastruktury.
Firma NVIDIA udostępniła workflow techniczny umożliwiający uruchomienie modelu MoE GLM-5.3 o 753 mld parametrów na dwóch stacjach DGX wyposażonych w GB300. Dzięki zastosowaniu zrównoleglenia tensorowego (TP=2) poprzez połączenia RDMA i vLLM, można pokonać ograniczenia pamięci pojedynczego GPU (252 GB HBM3e) w przypadku modeli o ogromnej skali.
Google uruchomiło ujednolicony system obserwowalności dla agentów AI, zintegrowany bezpośrednio z platformami BigQuery i Looker. Rozwiązanie umożliwia programistom przesyłanie logów i telemetrii z agentów własnych oraz zewnętrznych (np. LangGraph) do własnych tabel w BigQuery w celu monitorowania wydajności, oceny jakości i zarządzania kosztami.