Cisco Talos wraz z Insikt Group od Recorded Future ujawnili działania ugrupowania śledzonego jako UAT-6275 (znanego też jako TAG-193 lub Silent Lynx), które od czerwca 2025 r. atakuje organizacje rządowe, dyplomatyczne, środowiskowe i energetyczne w Kazachstanie, Azji Środkowej i szerszym regionie WNP. Grupa stosowała cztery odrębne łańcuchy infekcji — złośliwe dokumenty z makrami, downloadery PS2EXE, skrypty PowerShell hostowane na GitHub oraz archiwum WinRAR wykorzystujące CVE-2025-8088 — do instalowania niestandardowych reverse shelli, takich jak Chvost, Laplas i PickleShell. Odkryte serwery i repozytorium GitHub dały badaczom wgląd w narzędzia grupy, w tym exploit na FortiWeb (CVE-2025-25257) oraz narzędzia działające na Linuksie, co sugeruje plany rozszerzenia działań poza Windows. Talos ocenia ze średnią pewnością, że grupa ma powiązania z Kazachstanem.
Microsoft wraz z partnerem Resecurity odkrył chińskojęzyczny ekosystem cyberprzestępczy skupiony wokół podziemnego rynku YAM Store (Storm-3119), który sprzedaje dostęp do przejętych lub nielegalnie pozyskanych środowisk chmurowych Microsoft i Google. Ta infrastruktura zasila trzy powiązane operacje zestawów phishingowych (CoGUI, Haozi, Iron Man System), określane łącznie jako Storm-2990, które od stycznia 2026 r. rozesłały ponad miliard wiadomości phishingowych e-mail i SMS, atakując ponad 75 000 organizacji w sektorach opieki zdrowotnej, finansów, dystrybucji i IT w Japonii, USA, Australii i Indiach. Dział Digital Crimes Unit Microsoft współpracował z organami ścigania, aby zakłócić działalność głównych twórców i infrastruktury.
Google DeepMind i singapurska agencja GovTech uruchomiły model wykrywania oszustw działający bezpośrednio na urządzeniu, oparty na dostrojonym modelu Gemma, mający wykrywać oszustwa socjotechniczne, które odpowiadają za do 80% strat związanych z oszustwami w Singapurze. Model analizuje dane rozmów lokalnie, na urządzeniu, dzięki czemu działa nawet na w pełni szyfrowanych platformach komunikacyjnych. Wykorzystywany jest dwuetapowy proces: szybki wstępny klasyfikator wyłapuje podejrzane wiadomości, a model Gemma potwierdza realne zagrożenie i w czasie rzeczywistym ostrzega użytkownika.
CISA opublikowało poradnik dotyczący CVE-2026-92817 – błędu niepoprawnej autoryzacji w module Perspective oprogramowania Ignition firmy Inductive Automation. Uwierzytelniony użytkownik o niskich uprawnieniach, mający dostęp do projektu Vision, może wykorzystać ważny identyfikator sesji Vision, aby uzyskać uprawnienia poziomu Designer, co może prowadzić do wykonania dowolnego kodu w procesie Ignition Gateway. Dotyczy to wersji od 8.1.0 do 8.1.54 oraz od 8.3.0 do 8.3.8. Producent wydał poprawione wersje 8.3.9 i 8.1.55.
Atakujący już wykorzystują CVE-2026-104935 – lukę pozwalającą całkowicie ominąć uwierzytelnianie i wykonywać dowolne polecenia na urządzeniach Ivanti Connect Secure. Dotyczy to wersji 25.1.1.1 i wcześniejszych, 25.1.2.2 i wcześniejszych oraz 22.8R2.4 i wcześniejszych; luka jest używana do kradzieży danych uwierzytelniających i eksfiltracji danych. CISA dodała ją do katalogu Known Exploited Vulnerabilities 13 października 2026 r. i nalega na natychmiastową aktualizację.
Atakujący już wykorzystują lukę typu command injection w Microsoft Windows (CVE-2026-96951) oraz obejście uwierzytelniania przez podszywanie się w Ivanti Connect Secure (CVE-2026-104935), dlatego CISA dodała obie do katalogu Known Exploited Vulnerabilities. Zgodnie z dyrektywą Binding Operational Directive 26-04 agencje federalne muszą teraz priorytetowo naprawić te luki w systemach dostępnych z internetu, które po wykorzystaniu umożliwiają pełne przejęcie kontroli. CISA zachęca wszystkie organizacje, nie tylko rządowe, do stosowania tego samego podejścia opartego na ryzyku.
GitHub zastąpił swój oparty na LLM system wykrywania ogólnych sekretów (haseł, kluczy API) dostrojonym klasyfikatorem ModernBERT połączonym z generowaniem kandydatów przez regex. Nowy dwuetapowy system poprawił dokładność wykrywania, jednocześnie drastycznie skracając czas skanowania i obniżając koszty obsługi, a jest teraz wystarczająco szybki, by działać w ramach ochrony przed push (push protection), a nie tylko po commitowaniu kodu.
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.
Orca Security zbudowała Discovery AI — agenta na Amazon Bedrock, który zamienia proste pytania w języku naturalnym na ustrukturyzowane zapytania do systemu Sonar, śledzącego ponad 900 typów zasobów chmurowych. Zamiast jednego dużego modelu z całym schematem wczytywanym do każdego promptu, wersja produkcyjna rozdziela pracę na dziewięć wyspecjalizowanych etapów i kilka różnych modeli bazowych. Efekt: znacznie niższe koszty, szybsze odpowiedzi i lepsza dokładność przy złożonych zapytaniach; system działa od marca 2026 roku.
AWS przedstawił trzy optymalizacje na poziomie kerneli dla obsługi modeli Mixture-of-Experts (MoE) na GPU Hopper, opracowane we współpracy ze społecznością vLLM i wdrożone w kontenerze LMI Amazon SageMaker AI. Zmiany eliminują nieefektywność obliczeń fused MoE podczas fazy dekodowania z małymi partiami, gdzie wcześniej rdzenie Tensor Core były niedostatecznie wykorzystywane. Łącznie optymalizacje dają do 10% wyższą przepustowość i do 9% szybszy czas do pierwszego tokena (TTFT).
NVIDIA ogłosiła, że cała platforma Run:ai jest teraz open source i staje się fundamentem NVIDIA DSX AI Factory Platform do orkiestracji obciążeń AI i GPU na Kubernetes. Wydanie obejmuje cztery modułowe komponenty — KAI Scheduler, GPU Fractioning Operator, KAI Resource Management i Workload Map — które można wdrażać razem lub niezależnie. Osiem partnerów ekosystemu, w tym Crusoe, Mirantis, Nebius, OpenNebula Systems, Rafay, Saturn Cloud, Spectro Cloud i vCluster, integruje platformę ze swoimi usługami.
IBM Research wykorzystało skoordynowaną „fabrykę agentów” wieloagentowych do eksploracji optymalizacji sprzętowych dekodera korekcji błędów kwantowych, porównując modele własnościowe i otwarte modele wiodące przy tym samym budżecie 100 hipotez. Konfiguracja z otwartym modelem, uruchomiona lokalnie przez framework rozproszonego wnioskowania IBM llm-d, osiągnęła 52-krotne przyspieszenie względem bazowego projektu za około 26 USD kosztów wnioskowania, w porównaniu do 299 USD dla konfiguracji z modelem własnościowym, która osiągnęła wyższe, 204-krotne przyspieszenie. Badanie pokazuje, że routing uwzględniający pamięć podręczną i efektywne serwowanie (98% trafień w cache prefiksów, ~0,11 USD za milion tokenów) sprawiły, że podejście z otwartymi modelami było znacznie tańsze, przy wciąż znajdowaniu poprawnych, kompaktowych projektów sprzętowych.
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.
Nowy artykuł badawczy Apple przedstawia Minions – system łączący niewykorzystaną moc GPU w komputerach Mac z chipami Apple Silicon w jedną rozproszoną chmurę do uruchamiania wnioskowania modeli uczenia maszynowego. Zamiast kupować dodatkowy sprzęt GPU, zespoły mogłyby wykorzystać wolną moc obliczeniową już posiadanych urządzeń z macOS. Autorzy twierdzą, że system zapewnia planowanie zadań, odporność na awarie i efektywne wykorzystanie zasobów, oferując alternatywę, gdy dedykowanych zasobów GPU brakuje lub są drogie.
AWS opublikował pierwszą część dwuczęściowego przewodnika pokazującego, jak zbudować odporny na komputery kwantowe łańcuch dostaw oprogramowania przy użyciu podpisów ML-DSA (NIST FIPS 204) w ramach AWS KMS, AWS Private CA i IAM Roles Anywhere. Przewodnik opisuje podpisywanie plików binarnych, obrazów kontenerów i SBOM i jest prezentowany jako pierwszy pełny przewodnik dostawcy chmury dotyczący podpisywania postkwantowego – od utworzenia korzenia zaufania po egzekwowanie polityki. Jest to odpowiedź na nadchodzące wymogi: CNSA 2.0 od NSA, wymagający wyłącznie odpornych na kwant podpisów do 2030 r., oraz unijny Cyber Resilience Act (CRA), który w pełni wejdzie w życie w grudniu 2027 r.
AWS opublikował kontynuację przewodnika opisującego, jak organizacje mogą wymusić, które zestawy parametrów ML-DSA (podpisy postkwantowe) są dozwolone w środowisku AWS. Tekst omawia użycie Service Control Policies (SCP) na poziomie organizacji lub OU oraz granic uprawnień IAM do blokowania tworzenia i używania niezatwierdzonych wariantów ML-DSA (np. blokowanie ML-DSA-44 przy zachowaniu pełnej funkcjonalności ML-DSA-65/87). Omówiono także kontrolę AWS Private CA i certyfikatów oraz kompromis między listami blokowania (nowy wariant domyślnie dozwolony) a listami dozwolonych (nowy wariant domyślnie zablokowany).
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.
NVIDIA wraz z Dao AI Lab z Princeton opracowały ReplaySSM — nowy sposób przechowywania stanu w modelach hybrydowych, które łączą warstwy state-space (SSM) z warstwami uwagi (attention). Zamiast przepisywać cały stan w każdym kroku, metoda utrzymuje okresowy punkt kontrolny (checkpoint) oraz krótką listę ostatnich wejść, oddzielając obliczanie wyniku od aktualizacji pamięci. Efektem jest niemal dwukrotnie mniejszy ruch pamięci, przyspieszenie jąder dekodowania nawet 1,80-krotnie przy dużych partiach oraz ponad dwukrotny wzrost przepustowości dekodowania spekulacyjnego w modelach klasy 120B, przy zachowaniu dokładności zbliżonej do pełnej precyzji. Metoda jest już zintegrowana z TensorRT-LLM, vLLM i FlashInfer oraz działa produkcyjnie w GLM-5.3-Flash i Kimi-K3.
Podczas OCP Global Summit NVIDIA przekazała projekty stojaków i tac obliczeniowych Vera Rubin do otwartej architektury MGX oraz ogłosiła szereg partnerstw dotyczących zasilania, chłodzenia i standardów sieciowych dla fabryk AI. Wśród partnerów są hiperskalowi gracze tacy jak Meta, Google, Microsoft i AMD, a także Cisco i Visionbay. Ogłoszenia obejmują specyfikacje stojaków (MGX 1.2), nowe oprogramowanie open source do zarządzania centrami danych AI (komponenty DSX OS), standardy odporności sieci energetycznej, architekturę zasilania 800V DC, nowe przełączanie Ethernet (Spectrum-6) oraz nowy standard modułów optycznych (USFP) wspólnie z Cisco.
12 października 2026 r. GitLab wydał wersje 19.4.2, 19.3.4 i 19.2.8, usuwając 24 problemy bezpieczeństwa w samodzielnie hostowanych instancjach CE/EE. Najważniejsza jest CVE-2026-97229, luka o CVSS 10.0 w kompilatorze wyrażeń regularnych CI/CD, gdzie słaba walidacja wyrażeń powoduje przepełnienie liczby całkowitej, umożliwiając niezautoryzowanemu napastnikowi wykonanie kodu na serwerze za pomocą spreparowanej konfiguracji CI/CD. CERT-EU wzywa do natychmiastowej aktualizacji, zaczynając od instancji dostępnych z internetu.
Google wycofał gemini-3.7-flash z aktywnego użycia — wszystkie wywołania tej nazwy modelu są teraz automatycznie przekierowywane do gemini-3.8-flash. Wycofywany jest także agent deep-research-pro-preview-12-2025, który całkowicie przestanie działać 23 października 2026 roku, co skłania deweloperów do przejścia na dwie nowsze wersje Deep Research.
Mistral AI wydał Voxtral Mini 4B Realtime Arabic — strumieniowy model rozpoznawania mowy (STT) dostrojony do dialektów arabskich, standardowego arabskiego oraz przełączania kodów językowych podczas rozmowy. Model z 4,4 mld parametrów przetwarza dźwięk 16 kHz w czasie rzeczywistym z konfigurowalnym opóźnieniem transkrypcji, osiągając przy opóźnieniu 480 ms średni wskaźnik błędów znakowych (CER) 8,82% w siedmiu testach dla języka arabskiego — blisko wyniku 7,91% CER offline'owego modelu Voxtral Transcribe Arabic. Model powstał we współpracy z marokańskim ministerstwem transformacji cyfrowej w ramach suwerennego partnerstwa AI i jest wydany 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.
AWS opublikowało wraz z Postman techniczny opis tego, jak powstał Agent Mode – natywny dla AI interfejs Postman do testowania API i dokumentacji, działający produkcyjnie na dużą skalę. Zespół odkrył, że największą przeszkodą nie była jakość modelu, lecz nadmiar narzędzi i brak kontekstu. Wpis opisuje wzorce architektoniczne: dynamiczny dobór narzędzi, dostęp oparty na schematach, dedykowane moduły kontekstu oraz możliwości Amazon Bedrock – elastyczność modeli, wnioskowanie między regionami, kontrolę rezydencji danych i prompt caching.