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.
Anthropic wprowadził testową funkcję śledzenia, która eksportuje dane OpenTelemetry (spans) zarówno z żądań Messages API, jak i z sesji Claude Managed Agents. Deweloperzy korzystający z Claude SDK mogą teraz natywnie przechwytywać te dane w siedmiu językach: Python, TypeScript, C#, Go, Java, PHP i Ruby. Aby włączyć funkcję, trzeba skonfigurować miejsce docelowe dla danych telemetrycznych w Claude Console.
NVIDIA opublikowała studium przypadku pokazujące, jak Siemens EDA wykorzystał otwartą bibliotekę ewaluacyjną NeMo Gym, by usprawnić agenta do charakteryzacji chipów. Zamiast sprawdzać pojedyncze wywołania narzędzi, zespół oceniał kompletne pliki wynikowe za pomocą wyspecjalizowanego weryfikatora, a wzorce błędów wykorzystał do przepisania instrukcji umiejętności agenta i opisów narzędzi MCP. Po kilku rundach tej pętli łączny wynik benchmarku wzrósł z około 55% do 95%, a agent potrzebował znacznie mniej kroków i mniej danych wyjściowych. W eksperymentach wykorzystano około 25 przebiegów ewaluacyjnych z Claude Opus 4.8 jako modelem agenta działającym w Claude Code.
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.
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.
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.
Anthropic ogłosiło Cyber Mission – długoterminową inicjatywę wspierającą obrońców w zabezpieczaniu technologii operacyjnych i kodu open source przy użyciu modeli Claude. Obejmuje ona Program Obrony Infrastruktury Krytycznej (CIDP) z partnerami takimi jak Accenture, CrowdStrike, Deloitte i Rockwell Automation oraz darmowe narzędzie OSS Scanner, skanujące projekty open source pod kątem podatności. Inicjatywa opiera się na wnioskach z wcześniejszego Project Glasswing, który został połączony z rozszerzonym Cyber Verification Program.
Google Cloud ogłosił Gemini agent – zunifikowanego agenta łączącego czat, pracę wiedzową, tworzenie treści i kodowanie w jednym interfejsie, dostępnym z różnych urządzeń i kanałów. Działa bezpośrednio w Gmail, Docs, Sheets, Slides, Chat i Calendar, łączy się z narzędziami firmowymi i bazami danych przez MCP oraz rejestr narzędzi, a także orkiestruje wiele modeli – w tym rodzinę Gemini od Google i Claude od Anthropic – aby równoważyć jakość i koszty. Google przedstawił też funkcje bezpieczeństwa/zarządzania, mechanizmy kontroli kosztów takie jak Smart Routing i limity wydatków oraz wyniki klientów, np. BNP Paribas, Bradesco i Orange Spain.
Google wprowadziło Developer Knowledge API — ustrukturyzowane, maszynowo odczytywalne źródło dokumentacji Google Cloud, Firebase i Android, przeznaczone dla agentów AI i narzędzi deweloperskich. Zamiast scrapowania stron internetowych lub polegania na granicy wiedzy modelu LLM, agenci i interfejsy CLI mogą teraz pobierać świeżą dokumentację w formacie Markdown za pomocą kilku interfejsów: powierzchni gcloud CLI, instalowalnej umiejętności agenta, bibliotek klienckich oraz przeglądarkowego eksploratora API. Bazowy indeks jest odświeżany często, dzięki czemu odpowiedzi pozostają bliskie najnowszej opublikowanej dokumentacji.
Anthropic wypuściło Claude Haiku 5.5 (claude-haiku-5-5) — najbardziej zaawansowany model z linii Haiku, zaprojektowany do pracy przy dużym obciążeniu i wrażliwej na opóźnienia. Obsługuje okno kontekstu 1 miliona tokenów, do 128k tokenów wyjściowych oraz adaptacyjne rozumowanie sterowane nowym parametrem effort. Model jest dostępny w Claude API, Amazon Bedrock, Claude Platform on AWS, Google Cloud oraz Microsoft Foundry. Anthropic ostrzega, że kod napisany dla poprzedniego modelu Haiku 4.5 może nie działać w nowej wersji.
Anthropic połączyło programy Project Glasswing i Cyber Verification Program (CVP) w jeden rozszerzony program z trzema poziomami dostępu: Defense Access, Red Team Access i Specialized Access. Każdy poziom odblokowuje coraz mniej zabezpieczeń blokujących zadania związane z cyberbezpieczeństwem w modelach Claude Opus 5.5, Claude Sonnet 5.5 i Claude Mythos 5.1 dla zweryfikowanych organizacji bezpieczeństwa. Anthropic opublikowało też wyniki benchmarków i liczby wykrytych podatności z wcześniejszego programu Glasswing, uzasadniające rozszerzenie.
AssemblyAI uruchomił hostowane wdrożenie open-source'owego modelu Qwen3.5 4B w swoim LLM Gateway, zoptymalizowane specjalnie do przepisywania surowej wyjściowej transkrypcji mowy na tekst na czysty, sformatowany tekst. W zadaniach przepisywania głosowego, takich jak czyszczenie dyktowania i formatowanie transkrypcji, model osiągał średni czas odpowiedzi 612ms — 1,9x szybciej niż GPT-4.1 — przy 94% niższym koszcie na godzinę przetworzonego audio. Cena modelu to $0.10/$0.50 za milion tokenów (prompt/odpowiedź), wspierane są tylko parametry max_tokens, temperature i stream, bez wywoływania narzędzi.
GitHub opublikował ReviewBench, benchmark w fazie podglądu badawczego (research preview), który ma umożliwić porównywanie agentów AI do przeglądu kodu według wspólnego, weryfikowalnego standardu. Zbiór danych obejmuje 219 rzeczywistych publicznych pull requestów w 19 językach i 187 repozytoriach, dobranych tak, by odzwierciedlały rozkład języków i rozmiarów wśród 103,9 mln rzeczywistych pull requestów na GitHubie. Dane referencyjne (ground truth) pochodzą z połączenia recenzentów-ludzi, narzędzi do analizy statycznej oraz kilku czołowych modeli LLM, a ich oceny zweryfikowali starsi inżynierowie, których osądy zgadzały się z etykietami benchmarku w 96,6% przypadków. GitHub twierdzi, że już wykorzystał ReviewBench wewnętrznie do śledzenia własnego produktu Copilot code review (CCR), a zmiany wyników offline wiarygodnie przewidywały kierunek późniejszych testów A/B na produkcji.
Anthropic uruchomił Claude Frontier Academy, program o wartości 100 milionów dolarów mający odpowiedzieć na niedobór wykwalifikowanego personelu zdolnego do wdrażania AI w dużych organizacjach. Celem jest certyfikacja dużej liczby tzw. Frontier Deployed Engineers do końca 2027 roku, przy czym wśród pierwszych uczestników znajdują się pracownicy firm takich jak Accenture, Bain, Capgemini, Commonwealth Bank of Australia, Deloitte, McKinsey, Morgan Stanley i Novo Nordisk. Flagowy kurs, rezydencja wzorowana luźno na szkoleniu medycznym, łączy intensywne szkolenie stacjonarne z 12-tygodniowym nadzorowanym projektem realizowanym w macierzystej firmie inżyniera, zanim otrzyma on certyfikat.
AWS opublikował szczegółowy przewodnik krok po kroku pokazujący, jak zapewnić Claude Desktop (na Amazon Bedrock) dostęp do internetu w czasie rzeczywistym poprzez Amazon Bedrock AgentCore Gateway, eliminując lukę wynikającą z granicznej daty danych treningowych modelu. Konfiguracja wykorzystuje AWS IAM Identity Center SSO połączone z Amazon Cognito jako warstwą federacji SAML-to-OAuth, wystawiającą tokeny JWT, które AgentCore Gateway weryfikuje przy każdym żądaniu. Sama funkcja Web Search jest zgodna z MCP i działa na wewnętrznym indeksie webowym Amazon obejmującym dziesiątki miliardów dokumentów, dzięki czemu ruch zapytań nie opuszcza infrastruktury AWS i nie jest wymagany żaden zewnętrzny klucz API. Funkcja jest obecnie dostępna tylko w trzech regionach AWS: us-east-1 (N. Virginia), eu-west-1 (Irlandia) i ap-northeast-1 (Tokio).
Allen Institute for AI (Ai2) udostępnił na zasadach open source model AstaBrief 8B, zbudowany na bazie Qwen3-8B, który przekształca pytania badawcze i wyodrębnione fragmenty literatury w raporty naukowe z cytowaniami. Model jest już dostępny w platformie Asta firmy Ai2 jako tryb 'Fast mode' obok trybu 'Thinking mode' opartego na Claude, generując raporty w czasie około 51,1 sekundy średnio w porównaniu do 178,5 sekundy dla pipeline'u opartego na Claude — czyli mniej więcej 3,5 razy szybciej. Ai2 wytrenował model, stosując nadzorowane dostrajanie (SFT) na 47 tys. przykładów (wyselekcjonowanych z 90 tys. przefiltrowanych rzeczywistych zapytań badawczych), a następnie DPO na około 6 tys. par preferencji, stwierdzając, że filtrowanie danych treningowych pod kątem gęstości cytowań było pojedynczym najskuteczniejszym czynnikiem poprawiającym jakość osadzenia (grounding) odpowiedzi w źródłach.