Amazon wydał TorchNeuron – otwarty backend umożliwiający uruchamianie istniejącego kodu PyTorch na akceleratorach AWS Trainium bez większych zmian. Nowość wprowadza dodatkowy tryb wykonania oraz wielopoziomowe buforowanie ograniczające ponowną kompilację, a jej niezawodność zweryfikowano za pomocą agentów AI, które z setek tysięcy modeli Hugging Face wyodrębniły reprezentatywny zestaw testowy. Wewnętrzne testy na dużym modelu wykazały skrócenie czasu do pierwszego kroku treningowego o około jedną trzecią.
AWS zaktualizował silnik generatywny Amazon Polly, zapewniając bardziej naturalną, ekspresyjną mowę oraz lepszą dokładność odczytu liczb, adresów i kodów potwierdzeń. Aktualizacja dodaje 14 nowych głosów w 9 lokalizacjach, zwiększając łączną liczbę do 57 głosów generatywnych w 11 językach i 25 lokalizacjach, w tym po raz pierwszy ogólnie dostępne głosy w języku hindi i fińskim. To aktualizacja typu drop-in: nazwy głosów, API i ceny pozostają bez zmian, więc istniejące aplikacje działają bez modyfikacji.
AWS ogłosił ogólną dostępność (GA) funkcji „training sessions” w ramach serverless customization modeli Amazon SageMaker AI. Zespoły mogą pisać własne pętle post-treningowe — w tym niestandardowe funkcje straty i sygnały nagrody dla uczenia ze wzmocnieniem (RL) — podczas gdy SageMaker AI zajmuje się alokacją GPU, rozproszonym wykonaniem, odzyskiwaniem po awarii i przechowywaniem checkpointów. Obsługiwane techniki to SFT, DPO, RLVR, RLAIF oraz wielotaktowy RL, z wyborem LoRA lub pełnego fine-tuningu. Funkcja obsługuje modele gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B oraz Qwen3.8-27B, a rozliczenie opiera się na liczbie przetworzonych tokenów, z zatrzymaniem licznika podczas oceniania odpowiedzi przez funkcję nagrody użytkownika.
21 października 2026 r. twórcy PHP wydali pilne poprawki dla dwóch krytycznych luk, wspólnie nazwanych PHP2Shell, które pozwalają atakującemu uruchomić kod na serwerze bez logowania. Obie otrzymały ocenę CVSS v4.0 na poziomie 9.2 i dotyczą sposobu, w jaki PHP przetwarza żądania multipart przesyłania plików, zanim w ogóle uruchomi się kod aplikacji. Poprawione wersje to PHP 8.5.12, 8.4.27, 8.3.36 i 8.2.35, a AWS dodatkowo opublikował szablony reguł AWS WAFv2 oraz ustawienia po stronie serwera, które ograniczają powierzchnię ataku zespołom potrzebującym czasu na wdrożenie aktualizacji. AWS jasno zaznacza, że reguły zapory działają tylko na brzegu sieci – nie są w stanie całkowicie zamknąć jednej z dwóch luk, więc łatanie pozostaje obowiązkowe.
Sieć honeypotów MadPot firmy Amazon zarejestrowała 17 października 2026 r. próbę wykorzystania luki znanej dziś jako CVE-2026-109618 i CVE-2026-109619 (nazwanej PHP2Shell) — cztery dni przed oficjalnym publicznym ujawnieniem. Żądanie pochodziło z adresu IP należącego do komercyjnej sieci anonimizującej, co sugeruje, że pewien atakujący dysponował działającym exploitem jeszcze przed zakończeniem embarga. Gdy embargo zakończyło się 21 października o 14:00 UTC, AWS twierdzi, że w ciągu kilku godzin w jego sensorach pojawił się zarówno kod proof-of-concept, jak i rzeczywiste ataki z kilku różnych grup infrastruktury. AWS wskazuje, że to oznacza strukturalną zmianę: analiza wspomagana przez AI przyspiesza przekształcanie łatki lub ogłoszenia w działający exploit, co podważa dawne założenie, że większość ataków następuje dopiero po publicznym PoC.
AWS opublikował przewodnik po Adaptive Agentic Intelligence Framework (AAIF), zbudowanym na Strands Agents, który kieruje proste zapytania do małych lokalnych modeli (przez Ollama), a złożone zapytania do modeli chmurowych przez Amazon Bedrock. Lekki model o 1 miliardzie parametrów (llama3.2:1b) działa jako orkiestrator decydujący, gdzie skierować każde zapytanie; w przykładzie agent monitorujący IoT korzysta z lokalnego pobierania telemetrii, lokalnej analizy wizyjnej i chmurowych ekspertnych analiz. AWS podaje, że w konfiguracji hybrydowej około 80 procent ruchu może być obsłużone lokalnie bez odwołania do płatnego API, a architektura może działać w pełni na sprzęcie brzegowym (np. Raspberry Pi z 8GB pamięci), w pełni w chmurze lub w trybie hybrydowym.
Firma badawcza AI i14 we współpracy z AWS przeniosła swój model Laplace 3B — 24-warstwową architekturę opartą na Gated Linear Attention (GLA) zamiast standardowego mechanizmu uwagi transformerów — na układy AWS Trainium2, wykorzystując natywny PyTorch (TorchNeuron Native). Zamiast rosnącego z każdym tokenem KV cache, model utrzymuje stały stan rekurencyjny o rozmiarze 29,5 MB na sekwencję. Na pojedynczej instancji trn2.48xlarge zespół osiągnął około 120 000 tokenów na sekundę podczas treningu i obsłużył 11 544 tokeny wyjściowe na sekundę przy 1 280 równoległych sekwencjach, korzystając z niezmodyfikowanego silnika vLLM.
CISA potwierdziła rzeczywiste wykorzystywanie sześciu podatności i dodała je do katalogu Known Exploited Vulnerabilities. Cztery z sześciu dotyczą Plex Media Server – dwa błędy SSRF, problem z obsługą schematów URI oraz błąd kontroli ścieżki pliku; pozostałe dwie to wstrzyknięcie poleceń systemowych w EG Secure Solutions SiteGuard Server Edition oraz niekontrolowany element ścieżki wyszukiwania w Siemens Software Center. Ponieważ luki są już wykorzystywane, dyrektywa BOD 26-04 zobowiązuje cywilne agencje federalne do szybkiego łatania każdego publicznie dostępnego systemu, który mógłby dać atakującym pełną kontrolę, oraz do sprawdzenia, czy system nie został wcześniej naruszony.
Wspólny komunikat FBI, CISA, Secret Service oraz europejskich organów ścigania opisuje grupę ransomware SafePay, aktywną od sierpnia 2024 r. i odpowiedzialną za co najmniej 600 ataków w Ameryce Północnej, Południowej, Europie i Australii. SafePay uzyskuje dostęp poprzez skradzione lub złamane metodą brute force hasła, phishing oraz wykorzystanie znanych luk w VPN i urządzeniach brzegowych, a następnie używa legalnych narzędzi administracyjnych do poruszania się w sieci, wyłączania zabezpieczeń, eksfiltracji danych i szyfrowania plików hybrydowym schematem ChaCha20/RSA przed żądaniem okupu.
AWS zaprezentował Agent Registry – zarządzaną usługę katalogową dla serwerów Model Context Protocol (MCP), agentów i umiejętności agentów. Zamiast na sztywno kodować każde narzędzie w orkiestratorze, agenci mogą teraz wyszukiwać w zatwierdzonym, wersjonowanym katalogu w czasie wykonania i budować klienta na podstawie zwróconego deskryptora. Przykładowe rozwiązanie demonstruje pętlę Discover → Instantiate → Execute z wykorzystaniem Amazon Bedrock AgentCore Gateway i AgentCore runtime, a modelem bazowym jest Anthropic Claude Sonnet.
Eon, firma ISV zajmująca się ochroną danych działająca na AWS, zastąpiła osobne poświadczenia i lokalne serwery MCP jedną bramą Amazon Bedrock AgentCore MCP Gateway. Brama wykorzystuje polityki oparte na Cedar, by wymusić dostęp o minimalnych uprawnieniach zarówno dla inżynierów, jak i autonomicznego agenta SRE działającego na Claude przez Amazon Bedrock, kierując wywołania do serwerów MCP hostowanych na AgentCore Runtimes w wielu kontach AWS. Po wdrożeniu dla 100+ deweloperów i około 10 000 sesji czas wdrażania nowego inżyniera spadł z ok. 2 dni do ok. 2 minut.
AWS wspólnie z Keyfactor opublikowało architekturę referencyjną, która usuwa znaną lukę w Model Context Protocol (MCP) – MCP nie ma wbudowanego mechanizmu potwierdzania, który agent faktycznie wysyła żądanie. Architektura dodaje trzy warstwy zaufania – użytkownik-system, agent-agent oraz agent-serwer narzędzi MCP – oparte na podpisanych kopertach żądań, asercjach delegacji podpisanych przez użytkownika, tokenach z ograniczoną odbiorcą wg RFC 8693 oraz sprawdzaniu unieważnień OCSP w czasie rzeczywistym. Działający przykład wykorzystuje Amazon Bedrock i AWS Strands Agents SDK, a Keyfactor EJBCA wystawia i weryfikuje certyfikaty X.509; pełny kod jest dostępny na GitHub.
AWS wprowadził strukturyzowane odpowiedzi dla wszystkich modeli Anthropic Claude dostępnych w Amazon Bedrock — zarówno w standardowym endpoincie runtime, jak i nowszym endpoincie Mantle przeznaczonym do zadań agentowych. Zamiast liczyć na to, że model zwróci poprawny JSON, deweloperzy mogą teraz wymusić dokładną zgodność odpowiedzi ze schematem dzięki ograniczonemu dekodowaniu, które blokuje generowanie tokenów łamiących format. Dodatkowa funkcja, strict tool use, zapewnia taką samą gwarancję dla parametrów wywołań narzędzi, dzięki czemu przepływy pracy agentów nie zawodzą przez błędnie sformatowane dane wejściowe.
AWS udostępnił Pegasus 1.5 — model wideo-językowy stworzony przez TwelveLabs — jako w pełni zarządzaną usługę w Amazon Bedrock. W odróżnieniu od wcześniejszych wersji, które odpowiadały na jedno pytanie dotyczące jednego klipu, ten model analizuje cały film i zwraca listę JSON ze wszystkimi momentami spełniającymi zdefiniowane przez użytkownika kryteria, wraz z czasem rozpoczęcia i zakończenia. Obsługuje też dłuższe nagrania — do dwóch godzin w jednym zapytaniu — i pozwala wczytać wideo bezpośrednio z S3 lub jako ciąg base64, bez wcześniejszego indeksowania.
AWS i Deepgram wspólnie przebudowały model rozpoznawania mowy Nova-3, aby działał natywnie na chipach Trainium2 zamiast standardowej infrastruktury PyTorch opartej na GPU, celując w duże zadania transkrypcji offline. Prace objęły przepisanie wąskich gardeł na własne kernele oraz zastąpienie warstwy serwującej Pythona środowiskiem uruchomieniowym w Rust, komunikującym się bezpośrednio z Trainium. Efekt: pojedyncza instancja trn2.3xlarge uruchamiająca osiem równoległych kopii modelu przetwarza 11-70% więcej dźwięku na dolara niż poprzednia infrastruktura Deepgram, a podobne oszczędności mogą być dostępne dla klientów samodzielnie hostujących rozwiązanie na SageMaker.
AWS udostępnił konektor NIXL typu „push” dla vLLM, zmieniający sposób przesyłania danych pamięci podręcznej klucz-wartość (KV) między instancjami prefill i decode w rozdzielonym serwowaniu LLM. Zamiast pobierania bloków KV przez instancję decode po zakończeniu prefill, instancja decode z wyprzedzeniem rejestruje docelową pamięć, a instancja prefill zapisuje dane KV bezpośrednio, gdy tylko są gotowe — usuwając koordynację ze ścieżki krytycznej. W testach z modelem Qwen3-32B w konfiguracji 1 prefill/1 decode na instancjach EC2 P5en z EFA, tryb push osiągnął nawet 3-krotnie lepszy czas do pierwszego tokenu (TTFT) i nawet o 30% lepszy czas generowania pojedynczego tokenu (TPOT) niż domyślny tryb pull, zwłaszcza przy dużym obciążeniu zapytaniami.
AWS przetestował swojego AWS Security Agent (obecnie część AWS Continuum) na nowo opracowanym benchmarku złożonym z 37 realnych, niedawno ujawnionych CVE, z których każdy uruchamiano jako żywy, skonteneryzowany cel z ukrytą flagą. Zaczynając od punktu o niskich uprawnieniach, mając jedynie jednolinijkową wskazówkę i brak PoC, agent (działający na Claude Opus 5) przeprowadził pełne, zakończone sukcesem wykorzystanie 33 z 37 podatności po audycie integralności; 2 przypadki przeklasyfikowano jako rozwiązania niezamierzoną ścieżką, a w 2 przypadkach agent uszkodził cel, zanim zdążył odczytać flagę. AWS zbudował ten benchmark, by uniknąć problemu zanieczyszczenia publicznych zestawów CVE, które modele mogły zapamiętać z danych treningowych.
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.
CISA potwierdziła rzeczywiste wykorzystywanie czterech podatności i dodała je do katalogu Known Exploited Vulnerabilities. Dotknięte produkty obejmują infrastrukturę bezpieczeństwa sieci oraz kopii zapasowych: Palo Alto Networks PAN-OS, Cisco Secure Email Gateway oraz dwie osobne luki w platformie Ahsay AhsayCBS do tworzenia kopii zapasowych. Zgodnie z dyrektywą BOD 26-04 federalne agencje cywilne muszą teraz naprawić je w przyspieszonym terminie, a CISA zachęca wszystkie organizacje do tego samego.
Tamnoon zbudował Tami — agentowy orkiestrator na Amazon Bedrock, który bada ustalenia dotyczące bezpieczeństwa chmury pochodzące z CNAPP i dostawców chmury, ocenia bezpieczeństwo naprawy i generuje poprawki z mechanizmami kontrolnymi. Firma zgłasza ponad 90% redukcję krytycznych ekspozycji w chmurze w ciągu 90 dni, bez żadnych problemów produkcyjnych. System wykorzystuje czterech wyspecjalizowanych agentów (dochodzeniowego, oceny bezpieczeństwa, naprawy, generowania kodu), z których każdy wywołuje różne modele podstawowe przez Bedrock, a Bedrock Guardrails i wnioskowanie między regionami zapewniają bezpieczeństwo i skalę.
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.
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).
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.