W tym tygodniu obserwujemy wyraźny zwrot w stronę wyspecjalizowanej infrastruktury agentowej, z naciskiem na zarządzanie, optymalizację kosztów i orkiestrację wielu agentów. W obliczu rosnącego wykorzystania frameworków agentowych przez cyberprzestępców do kradzieży danych i ataków, branża reaguje wprowadzaniem solidniejszych warstw zabezpieczeń i weryfikacji. Zespoły deweloperskie powinny priorytetowo traktować odporność agentów na ataki oraz przyjmować nowe strategie zarządzania stanem i optymalizacji pobierania danych, aby zachować wydajność w środowiskach produkcyjnych.
Najważniejsze wnioski
Wdrażaj funkcje zarządzania stanem, takie jak wątki wiadomości Anthropic i kompaktową historię wnioskowania, aby redukować opóźnienia i koszty tokenów.
Stosuj architektury wieloagentowe lub warstwowe, np. Bedrock AgentCore, do automatyzacji triażu i obsługi złożonych zadań z nadzorem człowieka.
Testuj odporność agentów na ataki i wprowadzaj narzędzia izolacji, takie jak kontenery wykonawcze Microsoft (MXC).
Wprowadź routing zadań oparty na modelu – proste zapytania kieruj do lekkich modeli, a złożoną logikę do zaawansowanych jednostek, koncentrując się na koszcie sukcesu zadania.
Monitoruj wydajność agentów przy użyciu architektur opartych na metadanych (MCP), aby uprościć integrację z bazami danych i ograniczyć potrzebę pisania własnego kodu.
Przestępcy coraz częściej wdrażają agentowe systemy AI, takie jak ARTEX, aby skanować publiczne repozytoria GitHub w poszukiwaniu wyciekłych danych uwierzytelniających i natychmiast inicjować ataki na usługi chmurowe. Agenty te samodzielnie analizują wyniki, dostosowują zapytania API po błędach i mogą przejść od rozpoznania do eksfiltracji danych z usług takich jak Azure Key Vault w ciągu kilku minut.
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.
NVIDIA wprowadziła przepisy wdrożeniowe dla czterech czołowych koreańskich modeli typu open, w tym A.X K2 i Solar Open 2, w ramach frameworka Dynamo. Rozwiązania te są zoptymalizowane pod kątem wielowęzłowych klastrów GPU NVIDIA B200, co pozwala na sprawne skalowanie wnioskowania.
Badacze zaprezentowali „RL-ATTACK”, nową metodę wykorzystującą uczenie ze wzmocnieniem do generowania ataków typu adversarial na modele językowe, bez potrzeby posiadania dostępu do gradientów modelu. Metoda ta, ucząc się na podstawie reakcji celu, osiąga wysoką efektywność przy niewielkiej liczbie zapytań i skutecznie omija mechanizmy bezpieczeństwa.
NVIDIA wprowadziła „Open Agent Safety Platform” z runtime’em „OpenShell”, zapewniającym bezpieczne, izolowane środowisko uruchomieniowe i zarządzanie politykami dla agentów AI. Jednocześnie „LG AI Research” udostępniło API do modelu „K-EXAONE-2.5”, wspieranego przez nowy zestaw danych „Nemotron-Personas-Korea”, zawierający 7 milionów syntetycznych osobowości.
Grupa Storm-3358 coraz częściej wykorzystuje framework agentowy AI o nazwie ARTEX do przyspieszania ataków na organizacje finansowe. Framework ten automatyzuje skanowanie podatności, kradzież poświadczeń i przemieszczanie się wewnątrz sieci w czasie rzeczywistym, używając popularnych narzędzi typu Nmap i curl.
NVIDIA wprowadziła przepisy wdrożeniowe dla czterech czołowych koreańskich modeli typu open, w tym A.X K2 i Solar Open 2, w ramach frameworka Dynamo. Rozwiązania te są zoptymalizowane pod kątem wielowęzłowych klastrów GPU NVIDIA B200, co pozwala na sprawne skalowanie wnioskowania.
Badacze Apple wprowadzili podejście przyspieszające wyszukiwanie Maximum Inner Product Search (MIPS) w systemach RAG przy użyciu małych, wyspecjalizowanych sieci neuronowych. Trenując modele (SupportNet i KeyNet) w oparciu o rozkłady zapytań, systemy osiągają wyższą skuteczność (recall) przy niższym opóźnieniu w porównaniu do tradycyjnych metod partycjonowania.
Google wskazuje, że cena za tokeny przestaje być głównym miernikiem opłacalności; kluczowy staje się koszt za pomyślnie wykonane zadanie. Używając lekkich klasyfikatorów typu „noul”, agenci mogą kierować proste zapytania do szybkich modeli, takich jak „Flash-Lite”, eskalując złożoną logikę tylko do bardziej zaawansowanych konfiguracji.
Naukowcy przedstawili MEMENTO, specjalistyczny framework agentowy oparty na Qwen3-8B, zaprojektowany do zarządzania długim kontekstem poprzez kompresję historii w zwięzłe notatki. Wykorzystując dostrajanie na syntetycznych trajektoriach oraz uczenie ze wzmocnieniem, osiąga wysoką dokładność w zadaniach na poziomie książek, ograniczając użycie kontekstu do 20 tys. tokenów, nawet przy danych wejściowych rzędu 2,5 mln tokenów.
Amazon opublikował metodologię wykorzystania destylacji wiedzy na poziomie sekwencji (SeqKD) do dostrajania mniejszych modeli na trajektoriach wygenerowanych przez modele typu frontier. Dzięki wykorzystaniu modelu „nauczyciela” do generowania udanych trajektorii użycia narzędzi oraz filtrowaniu ich za pomocą programowego skorelowania, zespoły mogą trenować kompaktowe modele „uczniów”, które realizują złożone rozumowanie przy ułamku kosztów.
Firma NVIDIA wprowadziła nowe narzędzia optymalizacyjne w TensorRT LLM VisualGen dla modelu FLUX 3 Image Klein. Dzięki zastosowaniu kwantyzacji NVFP4, fuzji jąder obliczeniowych, rzadkiej atencji (sparse attention) oraz buforowania kroków, można uzyskać do 3,46 razy szybsze generowanie obrazu na sprzęcie NVIDIA Blackwell.
NVIDIA wprowadziła cztery punkty kontrolne o 16 miliardach parametrów w rodzinie modeli Cosmos 3 Nano, zaprojektowane do interaktywnej symulacji świata. Modele te umożliwiają deweloperom generowanie syntetycznych danych z wielu czujników, symulowanie ruchów robotów oraz konwersję sygnałów sterujących symulatorem na fotorealistyczne wideo.
OpenAI wprowadziło GPT-6-Cyber, nowy wariant modelu zoptymalizowany pod kątem identyfikacji, odtwarzania i usuwania podatności w zabezpieczeniach. Przed implementacją wymagane jest skonfigurowanie środowiska Daybreak.
Google udostępniło Gemini Omni 1.2 Flash – aktualizację modelu skoncentrowaną na produkcji wideo. Rozszerza ona natywne generowanie wideo do 15 sekund, poprawia spójność obiektów i postaci oraz wprowadza edycję w trybie konwersacyjnym.
NVIDIA wprowadziła pięć filarów ko-projektowania dla platformy Vera Rubin NVL72, mających na celu maksymalizację przepustowości w zadaniach agentowych AI. Łącząc nowe formaty precyzji, takie jak NVFP4, szeroki paralelizyzm ekspertów oraz warstwę serwowania Dynamo, system traktuje pamięć jako zunifikowany, wielopoziomowy zasób między GPU, procesorami hosta a specjalistycznymi systemami pamięci masowej.
AssemblyAI wprowadziło funkcję SpeakerRevision, która dostarcza poprawione etykiety mówców pod koniec strumienia na żywo. Wykorzystując kontekst niedostępny w trakcie przetwarzania real-time, osiąga dokładność na poziomie transkrypcji asynchronicznej, eliminując potrzebę utrzymywania podwójnych potoków przetwarzania.
Firma Gradium udostępniła Phonon, zestaw kompaktowych (65-75 MB) modeli zamiany tekstu na mowę, zaprojektowanych do pracy w całości na urządzeniach końcowych. Modele obsługują pięć języków, działają offline i oferują wydajność porównywalną z rozwiązaniami o znacznie większych rozmiarach.
Firma Cartesia wprowadziła dwa modele do zastosowań głosowych: Sonic (zamiana tekstu na mowę) oraz Ink (zamiana mowy na tekst). Zbudowane w oparciu o architekturę State Space Model (SSM), modele te zostały zaprojektowane z myślą o ultra-niskich opóźnieniach i wydajności w czasie rzeczywistym, co jest kluczowe dla profesjonalnych agentów głosowych.
NVIDIA wprowadziła „Open Agent Safety Platform” z runtime’em „OpenShell”, zapewniającym bezpieczne, izolowane środowisko uruchomieniowe i zarządzanie politykami dla agentów AI. Jednocześnie „LG AI Research” udostępniło API do modelu „K-EXAONE-2.5”, wspieranego przez nowy zestaw danych „Nemotron-Personas-Korea”, zawierający 7 milionów syntetycznych osobowości.
Firma Taxbit wdrożyła bezpiecznego, świadomego ról asystenta AI przy użyciu Amazon Bedrock AgentCore, aby zautomatyzować wsparcie w oparciu o dokumentację produktu. Agent wykorzystuje RAG do opierania odpowiedzi na zweryfikowanych treściach, jednocześnie rygorystycznie egzekwując maskowanie PII, regionalną rezydencję danych oraz uprawnienia oparte na rolach użytkowników.
Firma Greenlight Financial zautomatyzowała ponad 90% obsługi incydentów bezpieczeństwa i ryzyka (łącznie 4000 spraw miesięcznie), wdrażając wielopoziomową architekturę agentów na platformie Amazon Bedrock AgentCore. System wykorzystuje nadzorcę 1. poziomu do wstępnej triażu oraz nadzorcę 2. poziomu do głębokich analiz, znacząco odciążając analityków.
Google uruchomiło konektory Data Cloud, które umożliwiają Gemini prowadzenie analityki konwersacyjnej w czasie rzeczywistym na danych przechowywanych w BigQuery, Spanner, AlloyDB, Cloud SQL oraz Looker. System wykorzystuje Knowledge Catalog do mapowania pytań zadawanych językiem naturalnym na struktury baz danych, przy zachowaniu restrykcyjnych polityk bezpieczeństwa i uprawnień użytkowników na poziomie wierszy i kolumn. Dane są zapytywane w miejscu ich przechowywania, bez konieczności kopiowania.
Ta aktualizacja wprowadza architekturę opartą na bramie (gateway) do zarządzania dostępem agentów AI na dużą skalę. Dzięki Amazon Bedrock AgentCore Gateway i politykom Cedar, możesz przenieść logikę autoryzacji z poszczególnych narzędzi do centralnego silnika polityk, upraszczając zabezpieczenia dla setek agentów.
AssemblyAI wprowadziło funkcję SpeakerRevision, która dostarcza poprawione etykiety mówców pod koniec strumienia na żywo. Wykorzystując kontekst niedostępny w trakcie przetwarzania real-time, osiąga dokładność na poziomie transkrypcji asynchronicznej, eliminując potrzebę utrzymywania podwójnych potoków przetwarzania.
Firma Anthropic wprowadziła w wersji beta listę dozwolonych adresów IP dla zapytań API oraz nowy punkt końcowy API dla administratorów do zrywania sesji użytkowników.
OpenAI wprowadziło GPT-6-Cyber, nowy wariant modelu zoptymalizowany pod kątem identyfikacji, odtwarzania i usuwania podatności w zabezpieczeniach. Przed implementacją wymagane jest skonfigurowanie środowiska Daybreak.
OpenAI wprowadziło dwa nowe modele, GPT-Image-2.6 Sunburst oraz Flare, zaprojektowane do zaawansowanego generowania i edycji obrazów. Modele te dodają obsługę złożonych zadań, w tym tworzenie plików SVG oraz animowanych plików GIF.
Firma Moonshot AI wprowadziła Kimi-K3.1-Pro, multimodalny model o otwartych wagach i 2,8 biliona parametrów. Charakteryzuje się on oknem kontekstowym o wielkości 1 miliona tokenów, wykorzystuje architekturę Mixture-of-Experts (MoE) i jest zoptymalizowany pod kątem zadań agentowych oraz długofalowych procesów.
Google udostępniło Gemini Omni 1.2 Flash – aktualizację modelu skoncentrowaną na produkcji wideo. Rozszerza ona natywne generowanie wideo do 15 sekund, poprawia spójność obiektów i postaci oraz wprowadza edycję w trybie konwersacyjnym.
Google wskazuje, że cena za tokeny przestaje być głównym miernikiem opłacalności; kluczowy staje się koszt za pomyślnie wykonane zadanie. Używając lekkich klasyfikatorów typu „noul”, agenci mogą kierować proste zapytania do szybkich modeli, takich jak „Flash-Lite”, eskalując złożoną logikę tylko do bardziej zaawansowanych konfiguracji.
xAI zakończyło wsparcie dla modeli grok-imagine-image-quality oraz grok-imagine-image-pro. Zapytania są teraz automatycznie kierowane do nowego modelu grok-imagine-image-2.0-low, który oferuje niższą cenę za wygenerowany obraz.
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.
Agenci AI często błędnie interpretują starsze komentarze w kodzie, takie jak TODO lub FIXME, traktując je jako aktualne wytyczne. Badania wykazały, że w 6% sesji programistycznych agenci podejmują niepotrzebne działania dotyczące zamkniętych lub przestarzałych błędów, co prowadzi do wzrostu kosztów i nieplanowanego rozszerzenia zakresu prac (scope creep).
Naukowcy odkryli, że modele LLM wykazują tendencję do udzielania natychmiastowych, często błędnych odpowiedzi w niejednoznacznych sytuacjach, zamiast zadawania pytań wyjaśniających. Wprowadzili BACE (Belief-Aware Critic with Epistemic tracking) – lekką metodę działającą na zamrożonym modelu językowym, która strategicznie decyduje, kiedy poprosić o doprecyzowanie.
Przestępcy coraz częściej wdrażają agentowe systemy AI, takie jak ARTEX, aby skanować publiczne repozytoria GitHub w poszukiwaniu wyciekłych danych uwierzytelniających i natychmiast inicjować ataki na usługi chmurowe. Agenty te samodzielnie analizują wyniki, dostosowują zapytania API po błędach i mogą przejść od rozpoznania do eksfiltracji danych z usług takich jak Azure Key Vault w ciągu kilku minut.
Badacze zaprezentowali „RL-ATTACK”, nową metodę wykorzystującą uczenie ze wzmocnieniem do generowania ataków typu adversarial na modele językowe, bez potrzeby posiadania dostępu do gradientów modelu. Metoda ta, ucząc się na podstawie reakcji celu, osiąga wysoką efektywność przy niewielkiej liczbie zapytań i skutecznie omija mechanizmy bezpieczeństwa.
Grupa Storm-3358 coraz częściej wykorzystuje framework agentowy AI o nazwie ARTEX do przyspieszania ataków na organizacje finansowe. Framework ten automatyzuje skanowanie podatności, kradzież poświadczeń i przemieszczanie się wewnątrz sieci w czasie rzeczywistym, używając popularnych narzędzi typu Nmap i curl.
CISA dodała lukę CVE-2026-19868 do swojego katalogu znanych wykorzystywanych podatności (KEV). Luka dotyczy oprogramowania SonicWall SonicOS SSLVPN i umożliwia obejście uwierzytelniania.
CISA, NSA oraz australijskie ACSC opublikowały zestaw pytań dla organizacji, mający pomóc w ocenie gotowości dostawców na przejście do szyfrowania odpornego na komputery kwantowe. Celem jest zapewnienie, że produkty i usługi stron trzecich będą w stanie oprzeć się przyszłym zagrożeniom kwantowym.
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.
NVIDIA wprowadziła przepisy wdrożeniowe dla czterech czołowych koreańskich modeli typu open, w tym A.X K2 i Solar Open 2, w ramach frameworka Dynamo. Rozwiązania te są zoptymalizowane pod kątem wielowęzłowych klastrów GPU NVIDIA B200, co pozwala na sprawne skalowanie wnioskowania.
Badacze zaprezentowali „RL-ATTACK”, nową metodę wykorzystującą uczenie ze wzmocnieniem do generowania ataków typu adversarial na modele językowe, bez potrzeby posiadania dostępu do gradientów modelu. Metoda ta, ucząc się na podstawie reakcji celu, osiąga wysoką efektywność przy niewielkiej liczbie zapytań i skutecznie omija mechanizmy bezpieczeństwa.
NVIDIA wprowadziła „Open Agent Safety Platform” z runtime’em „OpenShell”, zapewniającym bezpieczne, izolowane środowisko uruchomieniowe i zarządzanie politykami dla agentów AI. Jednocześnie „LG AI Research” udostępniło API do modelu „K-EXAONE-2.5”, wspieranego przez nowy zestaw danych „Nemotron-Personas-Korea”, zawierający 7 milionów syntetycznych osobowości.
Grupa Storm-3358 coraz częściej wykorzystuje framework agentowy AI o nazwie ARTEX do przyspieszania ataków na organizacje finansowe. Framework ten automatyzuje skanowanie podatności, kradzież poświadczeń i przemieszczanie się wewnątrz sieci w czasie rzeczywistym, używając popularnych narzędzi typu Nmap i curl.
Firma NVIDIA wprowadziła nowe narzędzia optymalizacyjne w TensorRT LLM VisualGen dla modelu FLUX 3 Image Klein. Dzięki zastosowaniu kwantyzacji NVFP4, fuzji jąder obliczeniowych, rzadkiej atencji (sparse attention) oraz buforowania kroków, można uzyskać do 3,46 razy szybsze generowanie obrazu na sprzęcie NVIDIA Blackwell.
Usługa Amazon SageMaker Inference wprowadziła obsługę NVIDIA Multi-Instance GPU (MIG), co pozwala na dzielenie pojedynczego fizycznego procesora graficznego na wiele niezależnych jednostek. Ten podział sprzętowy zapewnia każdej partycji dedykowane zasoby obliczeniowe i pamięć, gwarantując przewidywalne opóźnienia oraz silną izolację pomiędzy modelami hostowanymi na tym samym akceleratorze.
Przestępcy coraz częściej wdrażają agentowe systemy AI, takie jak ARTEX, aby skanować publiczne repozytoria GitHub w poszukiwaniu wyciekłych danych uwierzytelniających i natychmiast inicjować ataki na usługi chmurowe. Agenty te samodzielnie analizują wyniki, dostosowują zapytania API po błędach i mogą przejść od rozpoznania do eksfiltracji danych z usług takich jak Azure Key Vault w ciągu kilku minut.
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.
NVIDIA wprowadziła przepisy wdrożeniowe dla czterech czołowych koreańskich modeli typu open, w tym A.X K2 i Solar Open 2, w ramach frameworka Dynamo. Rozwiązania te są zoptymalizowane pod kątem wielowęzłowych klastrów GPU NVIDIA B200, co pozwala na sprawne skalowanie wnioskowania.
Badacze zaprezentowali „RL-ATTACK”, nową metodę wykorzystującą uczenie ze wzmocnieniem do generowania ataków typu adversarial na modele językowe, bez potrzeby posiadania dostępu do gradientów modelu. Metoda ta, ucząc się na podstawie reakcji celu, osiąga wysoką efektywność przy niewielkiej liczbie zapytań i skutecznie omija mechanizmy bezpieczeństwa.