Microsoft ogłosił rozszerzenie ramy bezpieczeństwa Project Perception, mającej zająć się ryzykami wynikającymi z autonomicznych agentów AI – agenci są traktowani jako nowa kategoria „insidera”, wymagająca odrębnej tożsamości, uprawnień i kontroli ryzyka. Nowości obejmują Dynamic Permissions (dostęp oparty na zasadzie najmniejszych uprawnień, ograniczony do zadania i czasu), Dynamic Agent Risk (ciągła ocena ryzyka na podstawie odchyleń zachowania i kontekstu) oraz Dynamic Conditional Access (stopniowana reakcja — od zawężenia dostępu po pełną izolację środowiska wykonawczego). Microsoft rozszerza też wykrywanie i obsługę tożsamości (Microsoft Entra Agent ID) do 60 typów lokalnych agentów, w tym Claude Code, OpenAI Codex i GitHub Copilot, oraz wprowadza „Guardian Agents”, monitorujących i reagujących na ryzykowne zachowania agentów z prędkością maszyny.
DeepSeek wydał DeepSeek-V4.1-Flash-1017, zaktualizowaną wersję modelu Flash, dostępną przez ten sam endpoint API i w tej samej cenie co wcześniej. Aktualizacja przynosi znaczące poprawy w testach agentowych, kodowania i użycia narzędzi, jednocześnie skracając czas wykonania zadań i długość odpowiedzi. DeepSeek przedstawił również swoją wewnętrzną wyszukiwarkę, która teraz zasila zarówno wyszukiwanie w sieci/aplikacji, jak i API Search & Fetch dla deweloperów.
IBM wydało Granite Switch 4.1 w wersjach 8B i 30B – modularny system, który obsługuje rozmowę, podejmowanie decyzji i transkrypcję mowy z jednego hostowanego endpointu zamiast z osobnych modeli. Aktualizacja dodaje ogólny adapter decyzyjny, wyspecjalizowany adapter Guardian do klasyfikacji związanych z bezpieczeństwem oraz wbudowany model ASR Granite-Speech-5.0-Turbo-CTC, który zajmuje pierwsze miejsce w rankingu OpenASR. Mimo połączenia trzech funkcji, zintegrowany model zużywa mniej więcej tyle samo VRAM co sam model bazowy.
Google ogłosił wsparcie dla DPoP (Demonstrating Proof-of-Possession, RFC 9449) w swojej platformie OAuth – refresh tokeny są kryptograficznie wiązane z parą kluczy wygenerowaną po stronie klienta, dzięki czemu skradzione tokeny nie mogą zostać ponownie wykorzystane przez atakujących. Ochrona dotyczy tylko długotrwałych refresh tokenów, a krótkotrwałe access tokeny pozostają standardowymi tokenami Bearer, aby uniknąć dodatkowego obciążenia kryptograficznego przy dużym ruchu API. Google podkreśla też znaczenie DPoP dla zabezpieczania architektur wieloagentowych i Model Context Protocol (MCP), zalecając Google Cloud Secure Token Service do łańcuchów delegowania tokenów między agentami.
AWS opublikował framework zarządzania o nazwie Trust in Depth, mający umożliwić agentom AI działanie z większą autonomią przy zachowaniu egzekwowalnych ograniczeń. Łączy on określanie zakresu uprawnień agenta przed wdrożeniem, nadawanie każdemu agentowi weryfikowalnej tożsamości, egzekwowanie granic w czasie działania poprzez bramki polityk oraz obserwację zachowania agenta po fakcie. Framework opiera się na automatycznym wnioskowaniu (dowodzie matematycznym) dla precyzyjnie określonych reguł oraz na ludzkim osądzie w niejednoznacznych przypadkach, wykorzystując narzędzia AWS: Bedrock AgentCore, Guardrails, Kiro, Strands, Agent Registry i CloudWatch Omni.
Swiss AI wydało Apertus 1.5 — kontynuację treningu otwartych modeli Apertus 1.0 (8B i 70B, licencja Apache 2.0), dodając natywne rozumienie obrazu i eksperymentalne rozumienie dźwięku, 4-krotnie większe okno kontekstu (262 144 tokeny), opcjonalny tryb myślenia oraz lepsze przestrzeganie instrukcji i obsługę narzędzi. Modele wytrenowano łącznie na 19T (8B) i 17T (70B) tokenach, a wszystkie dane treningowe, przepisy i checkpointy pośrednie zostały opublikowane publicznie dla powtarzalności. Zespół opublikował też szczegółowe, zestandaryzowane karty ewaluacyjne i ogłosił wczesny dostęp API od dostawców takich jak Swisscom i Infomaniak, a także plan dla ~600-miliardowego modelu MoE Apertus 2.0.
Brytyjskie NCSC opublikowało zaktualizowane wytyczne dotyczące TLS, dodając rekomendowane konfiguracje postkwantowej kryptografii (PQC), w związku z publikacją przez IETF RFC 10024 dotyczącego hybrydowego uzgadniania kluczy postkwantowo-tradycyjnego dla TLS 1.3. Wytyczne obejmują zarówno hybrydowe konfiguracje PQC/tradycyjne, jak i czysto postkwantowe zestawy szyfrów, i nadają się do ogólnego użytku oraz ochrony informacji rządowych OFFICIAL. Tylko TLS 1.3 obsługuje PQC, dlatego organizacje korzystające wciąż z TLS 1.2 lub starszych wersji powinny jak najszybciej przejść na nowszą wersję. Zgodnie z harmonogramem migracji NCSC, migracja o wysokim priorytecie powinna zostać zakończona do 2031 roku, a ponieważ standaryzowane konfiguracje i wsparcie bibliotek już istnieją, zaleca się rozpoczęcie migracji już teraz.
Anthropic wprowadził testową funkcję śledzenia, która eksportuje dane OpenTelemetry (spans) zarówno z żądań Messages API, jak i z sesji Claude Managed Agents. Deweloperzy korzystający z Claude SDK mogą teraz natywnie przechwytywać te dane w siedmiu językach: Python, TypeScript, C#, Go, Java, PHP i Ruby. Aby włączyć funkcję, trzeba skonfigurować miejsce docelowe dla danych telemetrycznych w Claude Console.
NVIDIA opublikowała studium przypadku pokazujące, jak Siemens EDA wykorzystał otwartą bibliotekę ewaluacyjną NeMo Gym, by usprawnić agenta do charakteryzacji chipów. Zamiast sprawdzać pojedyncze wywołania narzędzi, zespół oceniał kompletne pliki wynikowe za pomocą wyspecjalizowanego weryfikatora, a wzorce błędów wykorzystał do przepisania instrukcji umiejętności agenta i opisów narzędzi MCP. Po kilku rundach tej pętli łączny wynik benchmarku wzrósł z około 55% do 95%, a agent potrzebował znacznie mniej kroków i mniej danych wyjściowych. W eksperymentach wykorzystano około 25 przebiegów ewaluacyjnych z Claude Opus 4.8 jako modelem agenta działającym w Claude Code.
Cohere zbudowało kontrolowane środowisko testowe, aby zbadać, jak powinny być organizowane zespoły agentów kodujących — testując, gdzie deleguje się pracę, jak agent wiodący czeka na pracowników, jakie modele pełnią jakie role, wielkość zespołu i wzorce komunikacji. W teście ProgramBench dobrze zorganizowane zespoły przewyższyły pojedyncze agenty nawet o ~10 punktów procentowych, ale kosztowały 3–7 razy więcej. Kluczowy wniosek: delegowanie pracownikom wyłącznie eksploracji i planowania dało taki sam wynik jak delegowanie wszystkich etapów (implementacji i weryfikacji) za połowę kosztu, a silny agent wiodący z 16 tanimi pracownikami planowania osiągnął wynik 61,8% wobec 63,2% dla zespołu złożonego z samych silnych modeli, obniżając koszt z 510 do 155 dolarów.
Liquid AI opublikowało LFM2.5-24B-A2B, model typu mixture-of-experts z 24B parametrów łącznie, ale tylko 2B aktywnych na token, zaprojektowany do uruchamiania agentów rozumujących na lokalnym sprzęcie. Wersja ta rozszerza okno kontekstu do 131K tokenów, podwaja rozmiar słownika i została wytrenowana na mniej więcej dwukrotnie większej ilości danych wstępnych niż poprzednik. W testach agentowych i wywołań narzędzi model dorównuje lub przewyższa modele mające około 50% więcej parametrów, oferując przy tym szybkie wnioskowanie zarówno na sprzęcie konsumenckim, jak i w centrach danych.
Badacze Apple ML opublikowali artykuł na NeurIPS wprowadzający SELFCOMPACT – strukturę pozwalającą agentom opartym na modelach językowych samodzielnie decydować, kiedy i jak kompaktować zgromadzony kontekst, zamiast polegać na kompaktyzacji wyzwalanej w stałych odstępach na podstawie liczby tokenów. Metoda łączy narzędzie kompaktyzacji wywoływane przez model z lekkim zestawem reguł wskazujących, kiedy działać (gdy podzadanie zostało rozwiązane) i kiedy wstrzymać się (w trakcie wyprowadzania lub przy utknięciu). Testowana na sześciu benchmarkach i siedmiu modelach, dorównała lub przewyższyła kompaktyzację w stałych odstępach, zużywając znacznie mniej tokenów.
Badacze z Amazon Web Services opublikowali metodę „priming”, która przekształca wstępnie wytrenowane modele Transformer w architektury hybrydowe łączące warstwy uwagi (attention) i modeli przestrzeni stanów (SSM), wykorzystując istniejące wagi zamiast treningu od zera. Podejście obniża koszty wstępnego treningu o ponad 99% i pozwala 32-miliardowemu modelowi hybrydowemu dorównać jakością źródłowemu modelowi Transformer, dekodując nawet dwukrotnie szybciej. Amazon przetestował trzy typy SSM i udostępnił otwartoźródłowy zestaw modeli, kod treningowy oraz narzędzia na licencji Apache 2.0.
Anthropic wprowadził w Claude Platform beta funkcję, która pozwala agentowi Managed Agents samodzielnie zbudować przepływ pracy (workflow) do dużych, wieloczęściowych zadań, np. przeglądu setek dokumentów. Zamiast wykonywać całość za jednym razem, agent dzieli zadanie na etapy, deleguje części do wielu pod-agentów i łączy ich wyniki w jeden rezultat. Zadanie jest przekazywane serwerowi, który wykonuje je asynchronicznie i raportuje postęp poprzez strumień zdarzeń.
Google Cloud ogłosił Gemini agent – zunifikowanego agenta łączącego czat, pracę wiedzową, tworzenie treści i kodowanie w jednym interfejsie, dostępnym z różnych urządzeń i kanałów. Działa bezpośrednio w Gmail, Docs, Sheets, Slides, Chat i Calendar, łączy się z narzędziami firmowymi i bazami danych przez MCP oraz rejestr narzędzi, a także orkiestruje wiele modeli – w tym rodzinę Gemini od Google i Claude od Anthropic – aby równoważyć jakość i koszty. Google przedstawił też funkcje bezpieczeństwa/zarządzania, mechanizmy kontroli kosztów takie jak Smart Routing i limity wydatków oraz wyniki klientów, np. BNP Paribas, Bradesco i Orange Spain.
Cloudflare zbudował system agentów AI dla usługi bezpieczeństwa Managed Defense, aby poradzić sobie z zalewem alertów, który przytłacza analityków. Zamiast jednego uniwersalnego agenta analizującego wszystko, system oddziela deterministyczne zbieranie danych od wnioskowania opartego na modelu i uruchamia równolegle czterech wyspecjalizowanych agentów przed agentem syntezy łączącym ustalenia. Firma twierdzi, że zmniejsza to halucynacje i czyni dochodzenia audytowalnymi oraz odtwarzalnymi.
GLM 5.3 od Z.ai to model mixture-of-experts z 753 miliardami parametrów, zoptymalizowany pod kodowanie i długotrwałe zadania agentowe, dostępny teraz jako w pełni zarządzany model w Amazon Bedrock. Rozwija linię GLM 5 lepszymi wynikami benchmarków kodowania, wyróżniającymi się możliwościami cyberbezpieczeństwa (wynik CyberGym 84,5) oraz głębszą integracją z Bedrock, w tym API zgodnymi z OpenAI, buforowaniem promptów, wnioskowaniem między regionami i poziomami usług. AWS pokazuje też, jak użyć GLM 5.3 z open-source'owym agentem Strix do autoryzowanych testów penetracyjnych własnych aplikacji.
GitHub opublikował ReviewBench, benchmark w fazie podglądu badawczego (research preview), który ma umożliwić porównywanie agentów AI do przeglądu kodu według wspólnego, weryfikowalnego standardu. Zbiór danych obejmuje 219 rzeczywistych publicznych pull requestów w 19 językach i 187 repozytoriach, dobranych tak, by odzwierciedlały rozkład języków i rozmiarów wśród 103,9 mln rzeczywistych pull requestów na GitHubie. Dane referencyjne (ground truth) pochodzą z połączenia recenzentów-ludzi, narzędzi do analizy statycznej oraz kilku czołowych modeli LLM, a ich oceny zweryfikowali starsi inżynierowie, których osądy zgadzały się z etykietami benchmarku w 96,6% przypadków. GitHub twierdzi, że już wykorzystał ReviewBench wewnętrznie do śledzenia własnego produktu Copilot code review (CCR), a zmiany wyników offline wiarygodnie przewidywały kierunek późniejszych testów A/B na produkcji.
Google Cloud wprowadził, w wersji public preview, zdalny serwer MCP, który udostępnia narzędzia wiersza poleceń gcloud i bq agentom AI za pośrednictwem dwóch narzędzi: run_gcloud_command i run_bq_command. Serwer działa w izolowanym, ograniczonym sieciowo środowisku sandbox w infrastrukturze Google Cloud, eliminując konieczność instalowania i utrzymywania lokalnych binariów CLI przez agentów. Wykorzystuje Agent Identity, OAuth 2.0 i IAM do uwierzytelniania, integruje się z Model Armor w celu wykrywania prompt injection oraz obsługuje Cloud Audit Logging zapewniający pełną widoczność wywołań narzędzi.