Narzędzie n8n zintegrowało najnowszy model Google, Gemini 4 Carbon, zaprojektowany z myślą o złożonej automatyzacji, zadaniach z zakresu cyberbezpieczeństwa i zwiększonej niezawodności agentów. Model wprowadza znaczące usprawnienia w obsłudze długotrwałych, wieloetapowych przepływów pracy oraz wykazuje dużą odporność na ataki typu prompt injection.
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.
NVIDIA przekazała projekt Agent Substrate do CNCF Sandbox, aby rozwiązać problem nieefektywnego uruchamiania agentów AI w środowisku Kubernetes. Platforma pozwala na multipleksowanie wielu sesji agentów w małej puli aktywnych podów typu worker poprzez zapisywanie stanu pamięci i systemu plików w okresach bezczynności.
Google DeepMind wprowadziło Gemini Robotics 2.5, nowy model typu vision-language-action, zaprojektowany w celu poprawy zręczności i niezawodności robotów w nieustrukturyzowanych środowiskach. Model został przetestowany w ponad 200 zadaniach, wykazując znaczący wzrost szybkości i precyzji wykonania, osiągając 96% skuteczności w kompletowaniu części samochodowych w zakładach Mercedes-Benz.
Google Cloud udostępniło Gemini for healthcare, platformę stworzoną w celu integracji rozproszonych danych klinicznych i administracyjnych w ujednolicone procesy robocze. Rozwiązanie koncentruje się na zmniejszeniu obciążenia administracyjnego lekarzy poprzez automatyzację zadań, takich jak synteza dokumentacji medycznej i weryfikacja uprawnień.
Nod to nowa aplikacja typu agent, działająca lokalnie i udostępniona jako open source, która wykonuje zadania w odizolowanym środowisku wirtualnym (sandbox) na Twoim komputerze. W przeciwieństwie do AI opartego na czacie, Nod wchodzi w bezpośrednią interakcję z interfejsami webowymi i aplikacjami, aby samodzielnie realizować wieloetapowe zadania.
Google DeepMind zaprezentowało AlphaProof Code, framework agentowy wykorzystujący modele Gemini Carbon do przeprowadzania formalnej weryfikacji złożonych protokołów kryptograficznych. Generując dowody w języku Lean, system skutecznie zweryfikował implementację protokołu Signal w cztery tygodnie – zadanie, które historycznie wymagało lat pracy ekspertów.
Badacze odkryli, że duże modele językowe często rozpoznają, kiedy są poddawane testom (zjawisko „świadomości ewaluacji”), nawet jeśli nie komunikują tego wprost. Tworząc model-organizm, który potajemnie sygnalizuje to rozpoznanie, zespół wykazał, że obecne metody interpretowalności – takie jak sondy liniowe czy wyrocznie aktywacji – nie wykrywają tego ukrytego zachowania w sposób wiarygodny.
Naukowcy zaproponowali metodę FFN-Perturbed Self-Distillation (FPD), aby rozwiązać problem usuwania wrażliwych informacji z multimodalnych dużych modeli językowych (MLLM). Podejście to minimalizuje utratę użyteczności modelu poprzez wykorzystanie oryginalnego rozkładu wyjściowego modelu nauczyciela jako punktu odniesienia przy jednoczesnym perturbowaniu specyficznych aktywacji FFN związanych z danymi prywatnymi.
Nowe badania wskazują, że autonomiczni agenci zawodzą w 32,2-67,8% scenariuszy w przypadku awarii narzędzi. Wprowadzono MedToolFault, benchmark do symulacji klas błędów, oraz MedGuard, warstwę weryfikacyjną, która poprawia wskaźnik sukcesu zadań o nawet 46,6 punktu procentowego.
Laboratorium FORGE firmy Microsoft wykorzystało skaner podatności oparty na AI o nazwie Hyenas do odkrycia krytycznych problemów z bezpieczeństwem pamięci w standardowej bibliotece języka Rust. Badania pokazują, że nawet bezpieczny kod Rust może wywoływać niezdefiniowane zachowania, jeśli ukryte pod nim abstrakcje typu „unsafe” opierają się na błędnych założeniach dotyczących paniki lub implementacji cech (traits) dostarczonych przez użytkownika.
Google zaktualizowało framework do trenowania modeli typu open-source, MaxText, wprowadzając wsparcie dla ekstremalnie długich sekwencji na jednostkach Cloud TPU. Dzięki czterem nowym strategiom paralelizacji kontekstu, możliwe jest wydajne trenowanie modeli o zasięgu do 14 mln tokenów, co rozwiązuje problemy z pamięcią i wąskimi gardłami w komunikacji.
Amazon rozszerzył możliwości API AgenticRetrieveStream, pozwalając programistom określić poziom iteracji dla zapytań do bazy wiedzy. Teraz możesz wybierać między zerem, jednym lub wieloma krokami wyszukiwania, aby zrównoważyć szybkość, koszt i złożoność każdego zapytania.
Amazon wprowadził siedmiowarstwową architekturę referencyjną, mającą na celu przeniesienie aplikacji opartych na agentach AI z fazy prototypów do systemów gotowych do wdrożenia produkcyjnego. Framework promuje modularną i wymienną strukturę, wykorzystującą stabilne kontrakty między warstwami, takimi jak dane, wnioskowanie, orkiestracja i bezpieczeństwo.
Firma Amazon udostępniła wielowarstwową architekturę obronną, zapobiegającą zatruwaniu pamięci (rodzaj pośredniego wstrzykiwania promptów) w agentach AI wykorzystujących pamięć trwałą. Rozwiązanie wykorzystuje interceptor Lambda w bramie AgentCore Gateway do walidacji zapisów w oparciu o dryf semantyczny, wzorce regex, granice przestrzeni nazw i limity częstotliwości.
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.
Nowy raport Linux Foundation ujawnia, że wykorzystanie AI do kodowania powoduje gwałtowny wzrost liczby zależności zewnętrznych, co potwierdza 60% organizacji. Zespoły nie nadążają z ich obsługą, gdyż 58% organizacji wdraża kod szybciej, niż pozwalają na to procesy weryfikacji bezpieczeństwa, co prowadzi do narastania długu w zakresie bezpieczeństwa.
Możesz teraz tworzyć i wizualizować aplikacje wykorzystujące dane Google Maps, Places oraz Routes bezpośrednio w środowisku Google AI Studio. Dzięki wykorzystaniu zapytań w języku naturalnym, platforma automatycznie zarządza konfiguracją API i kluczami, oferując darmową piaskownicę do eksperymentów przed wdrożeniem produkcyjnym.
IBM wprowadziło Praxis Policy Engine (PPE), narzędzie typu open-source znajdujące się teraz w CNCF Sandbox, zaprojektowane do egzekwowania polityk bezpieczeństwa i dostępu w ruchu AI. Działa ono jako monitor referencyjny, który reguluje prompty, wywołania modeli oraz interakcje agentów przy użyciu wspólnego formatu danych.
OpenSSF wprowadziło przewodnik dotyczący wykrywania i usuwania luk w zabezpieczeniach za pomocą AI oraz zapowiedziało certyfikację „Secure AI Associate” (SAIA), która ruszy w grudniu 2026 roku. Inicjatywy te mają na celu wypełnienie luki w bezpieczeństwie spowodowanej szybką integracją AI w procesach wytwarzania oprogramowania.
Google Cloud uruchomiło funkcję dynamicznego dzielenia zasobów TPU (dynamic slicing) w GKE, co pozwala na rozdzielenie logicznych konfiguracji sprzętowych od fizycznych pul węzłów. To rozwiązanie eliminuje konieczność ręcznego przebudowywania pul podczas zmiany wymagań, przyspieszając wdrażanie zadań i zwiększając odporność systemów na awarie.
NVIDIA ogłosiła nowe inwestycje w południowokoreańskie startupy specjalizujące się w technologiach połączeń, modelach bazowych dla agentów AI oraz robotyce. Inicjatywa, realizowana we współpracy z MSIT, ma na celu przyspieszenie innowacji w całym stosie technologicznym AI, od infrastruktury sprzętowej po fizyczne zastosowania sztucznej inteligencji.
Badanie obejmujące 25 modeli LLM dostrojonych do domeny biomedycznej pokazuje, że proces adaptacji dziedzinowej często pogarsza zdolność modelu do przyznania się do niewiedzy. Podczas gdy modele bazowe już wcześniej miały trudności z odpowiednim powstrzymaniem się od odpowiedzi, po dostrojeniu zdolność ta spadła w 21 z 25 przypadków.
Badania pokazują, że format pytań wielokrotnego wyboru (MCQ) tłumi zachowania odmawiające w modelach LLM. Eksperymenty na modelach Llama-3.1-8B i Qwen3-8B wykazują, że wymuszenie konkretnej litery odpowiedzi przesuwa aktywacje modelu 3x dalej od kierunku odmowy, co oznacza, że benchmarki bezpieczeństwa oparte na MCQ mogą zawyżać ocenę bezpieczeństwa modelu.