Naukowcy zaproponowali LOTUS, strukturę do wykrywania halucynacji, która wykorzystuje multilinieową dekompozycję niskiego rzędu do wyodrębniania sygnałów z ukrytych warstw LLM. Analizując szczytowe aktywacje i wzorce międzywarstwowe, metoda ta skuteczniej identyfikuje błędne odpowiedzi niż obecne techniki oparte na poolingu.
Naukowcy opracowali TraceQuery, framework rzadkiego (sparse) dekodowania, który redukuje koszty obliczeniowe dyfuzyjnych dużych modeli językowych (dLLM). Poprzez analizę trajektorii odszumiania, metoda selektywnie przelicza tylko niezbędne reprezentacje tokenów zamiast wykonywać zbędne operacje, zachowując wysoką dokładność przy mniejszym zapotrzebowaniu na moc obliczeniową.
Naukowcy przedstawili Boa Compressor, narzędzie typu online wykorzystujące model przestrzeni stanów Mamba do kompresji długiego kontekstu do krótszych reprezentacji w czasie liniowym. Dzięki destylacji wiedzy z pełnych interakcji LLM, metoda ta pozwala na wydajne wnioskowanie przy każdym zapytaniu, eliminując ogromne narzuty opóźnień typowe dla kompresji opartej na Transformerach.
Naukowcy wprowadzili Recursive Semantic Divergence (RSD) – nienadzorowaną metrykę, która mierzy i karze niespójność w trajektoriach działania agentów LLM. Stosując RSD jako sygnał nagrody podczas dostrajania (fine-tuning), modele wykazują znacznie bardziej stabilne zachowanie i wyższe wskaźniki sukcesu w zadaniach wykorzystujących narzędzia.
Badanie to wprowadza framework oparty na weryfikacji, który udoskonala rozumowanie emocjonalne w agentach AI. System nie wymaga douczania modeli, lecz identyfikuje błędy i stosuje ukierunkowane aktualizacje promptów, aby poprawić skuteczność działania.
CISA wraz z Canadian Centre for Cyber Security i innymi partnerami opublikowała wspólne wytyczne, które mają pomóc organizacjom śledzić i kontrolować wydatki na tokeny podczas korzystania z zewnętrznych usług AI (określanych jako „super intelligence”). Agencje zwracają uwagę, że niekontrolowane zużycie tokenów może prowadzić do nieprzewidywalnego wzrostu kosztów, spowolnienia lub przerwania działania usług oraz narazić systemy na ataki mające na celu wyczerpanie budżetu tokenów lub portfela ofiary. Wytyczne opisują kroki obejmujące priorytetyzację alokacji tokenów, projektowanie wydajnych przepływów pracy, poprawę praktyk promptowania, wykorzystanie cache'owania i wielokrotnie używanego kontekstu, optymalizację danych przed wysłaniem oraz bieżące monitorowanie zużycia.
Red Hat, IBM i Google ogłosiły llm-d 1.0 — rozproszony system obsługi wnioskowania LLM natywny dla Kubernetes, który wykroczył poza demonstrowanie pojedynczych technik wydajnościowych i stał się gotowy do pełnej eksploatacji produkcyjnej. Wersja dodaje wielodostępową kontrolę jakości usług, operacje bez przestojów oraz obsługę świadomą agentów, dzięki czemu ten sam endpoint może efektywnie obsługiwać zarówno ludzi, jak i autonomiczne agenty. W jednym teście router świadomy prefiksów llm-d osiągnął 97% ponownego wykorzystania cache w obciążeniu agentowym związanym z kodowaniem, a IBM/Red Hat uruchomili 3000 jednoczesnych agentów inżynierii oprogramowania za 5-10 razy mniej niż koszt tego samego modelu jako usługi hostowanej.
Qwen opublikował na Hugging Face Qwen-Image-2.1-Turbo – destylowaną wersję modelu Qwen-Image-2.1 do generowania i edycji obrazów z tekstu. Wykorzystuje tę samą architekturę wizualną 7B, ale działa przy zaledwie 8 krokach odszumiania zamiast standardowego harmonogramu, stosując CFG=1 oraz buforowanie prefiksowe KV, które ponownie wykorzystuje kontekst tekstu i obrazu referencyjnego między krokami. Model ładuje się bezpośrednio przez QwenImage21Pipeline w bibliotece Diffusers i obsługuje te same presety rozdzielczości oraz proporcji co model bazowy, w tym zadania edycyjne, takie jak zamiana szkicu w fotorealistyczny obraz.
CISA opublikowało poradnik dotyczący produktu Hitachi Energy SOI, wersje od 2.0.0 do 2.2.0, dotknięte luką CVE-2026-34197 – błędem wstrzykiwania kodu w komponencie Apache ActiveMQ, o ocenie CVSS 8.8. Uwierzytelniony atakujący może wykorzystać interfejs Jolokia JMX-HTTP udostępniany przez ActiveMQ, aby doprowadzić do zdalnego wykonania kodu w JVM brokera. Hitachi Energy wydała poprawkę EP2, która aktualizuje ActiveMQ do wersji 5.19.5 oraz powiązane komponenty OpenJDK i klienta.