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.