Wydanie · Tydzień 37 · 7–13 września 2026
Archiwum wydań →Ten sam model daje inny wynik i inny rachunek zależnie od tego, co go otacza: sama zmiana warstwy obsługującej podnosi wynik na ARC z 62 na 98 procent, koszt wpisany w funkcję nagrody skraca Devinowi drogę o połowę, a agent bez inżyniera obok kończy na co czwartej rozmowie.
W tym wydaniu
Mercury 2.5 skraca porządkowanie kontekstu ze 150 sekund do 27
4 min
Augment Code streszczał długie sesje przez około 150 sekund, a po przesiadce na Mercury 2.5 od Inception ten sam krok zajmuje 27 sekund i kosztuje o 90% mniej, bo model dyfuzyjny wypełnia całe bloki tokenów naraz, zamiast dopisywać je po kolei. Sęk w tym, że wszystkie liczby, łącznie z reklamowanymi 1107 tokenami na sekundę, pochodzą od producenta, a niezależny pomiar poprzednika dał 684 tokeny zamiast obiecywanego tysiąca. Cena 0,04 dolara za milion tokenów wejściowych to rabat na start, docelowo cennik mówi 0,20 za wejście i 0,75 za wyjście.
Anthropic radzi w pierwszym akapicie, żeby zostać przy tańszym modelu
5 min
Anthropic wypuścił 1 września Claude Fable 5.1 i już w pierwszym akapicie notatek o wydaniu poradził, żeby do większości zadań zostać przy tańszym Opusie 5. Cennik wejścia zostaje na 10 dolarach za milion tokenów, a prawdziwy koszt przesiadki leży w kodzie, bo model podpisuje bloki rozumowania stanem rozmowy i wycięcie starej tury czy odświeżenie daty w prompcie kończy się trwałym błędem 400. Nowe konta mają tę kontrolę domyślnie, starsze jeszcze nie, więc twój klucz może działać bez zarzutu, a pierwszy użytkownik z nowego konta zobaczy błąd, którego nigdy nie widziałeś.
RadixArk otwiera kod maszynerii, która dotrenowuje największe modele
4 min
RadixArk otworzył kod Miles v0.1, maszynerii do uczenia ze wzmocnieniem na modelach z najwyższej półki, i opisał ją w raporcie technicznym, który trafił na arXiv 8 września. Przykładowy przebieg ciągnął model GLM-5.2 o 744 miliardach parametrów na 64 kartach NVIDIA GB300, z medianą kroku 263 sekundy, więc otwarty kod barierę sprzętową raczej przesuwa, niż znosi. Zwykłemu zespołowi więcej dadzą boczne ścieżki, przede wszystkim uczenie ze wzmocnieniem na adapterach LoRA, bo mieści się w ułamku pamięci potrzebnej na pełny przebieg.
Artemis wpina prawdziwy telefon do Claude Code i Codexa
4 min
Artemis, projekt Google na licencji Apache 2.0, wpina przez MCP prawdziwy telefon albo emulator w agenta z twojego edytora, dzięki czemu widzi on drzewo widoków, zrzuty ekranu i log systemowy, a do tego może dotknąć dowolnego punktu. Tryb Flash klika od razu, od 3 do 5 sekund na krok, a planujący Pro potrzebuje od 15 do 40, więc kilkanaście minut na przebieg wyklucza testy regresji przy każdym pull requeście. Głośne ponad 99% na benchmarku AndroidWorld zgłasza sam Google, na własnym zestawie aplikacji, a realna wartość leży w odtwarzaniu zgłoszonych błędów.
Świeżo sklonowany OpenBot wpuszcza każdego jako administratora
5 min
Domyślny plik .env.example OpenBota od CopilotKit ustawia OPENBOT_SINGLE_USER=true, więc świeżo sklonowany panel wpuszcza każdego jako administratora, dopóki nie skasujesz tej linijki i nie podepniesz logowania przez Google, Microsoft albo Oktę. Poza tym widać tu przemyślaną robotę: osobny kontener i profil przeglądarki dla każdego bota, opcjonalnego gVisora, rejestr zapisujący długość sekretu zamiast jego treści i automaty gasnące po dziesięciu nieudanych przebiegach. Haczyk jest jeden, bo pamięć botów żyje w CopilotKit Intelligence i serwer nie wystartuje bez klucza INTELLIGENCE_API_KEY.
Model / BadaniaTa sama para modeli, trzy różne rachunki za jedno zadanie
Artificial Analysis wylicza, że średnie zadanie agentowe kosztuje 3,26 dolara na GPT-6 Astra i 7,63 na Claude Fable 5.1 przy identycznej skuteczności, ale OpenAI i Cognition zmierzyły tę samą różnicę na 63% i 42%, a Zvi Mowshowitz wskazuje, że Fable puszczono w trybie Max, co te 57% zawyża. Cognition odpowiada układem Fusion w Devinie, w którym droższy model prowadzi, a tańszy grzebie w kodzie: na DeepSWE 1.1 ścina to koszt zadania o 46% bez straty jakości, tyle że z Astrą na Terminal-Bench 4.0 wynik leci w dół o ponad pięć punktów. Cenę za zadanie widać dopiero na własnym repozytorium.
5 min
OpenAI opublikowało własny rachunek za agenty do kodu
4 min
OpenAI pokazało własny rachunek za pisanie kodu z agentami: w połowie sierpnia badacz ze środka stawki zużywał tokeny za ponad 600 dolarów dziennie, a najbardziej rozpędzona dziesiąta część działu za ponad 7 tysięcy, choć wyliczono to po cenniku API, którego sama firma nie płaci. Więcej o samych agentach mówi inna liczba, bo wśród udanych zadań na cztery do ośmiu godzin ponad połowa wymagała po drodze poprawki człowieka. Tokeny zwracają się tam, gdzie ktoś grzęźnie w infrastrukturze, a nie tam, gdzie trzeba wymyślić, co w ogóle budować.
Anthropic radzi opisać zadanie raz i zostawić Opusa 5 w spokoju
3 min
Anthropic radzi dawać Opusowi 5 całą specyfikację naraz i nie przerywać mu w trakcie, bo milionowe okno kontekstowe nie zmusza już do cięcia zadania na tury. Druga połowa tych porad jest o pieniądzach: przegląd kodu ma trzymać skuteczność także na niższych poziomach parametru effort, a model domyślnie startuje z high, więc konfiguracja nieruszana od czasów Opusa 4.8 kupuje dziś myślenie, które niczego już w wyniku nie zmienia. To jedyna rada z własnym sposobem sprawdzenia, bo reszta, łącznie ze zdaniem o przeglądach, to deklaracja producenta o własnym modelu.
Model głosowy, który wie, kiedy się nie odzywać
4 min
OpenAI wystawiło w API GPT-Live-1, model, który słucha i mówi jednocześnie, więc na wejście w słowo reaguje w trakcie, a nie po fakcie, i zdejmuje z dewelopera sklejanie rozpoznawania mowy, modelu od odpowiedzi i syntezy głosu. Cięższe myślenie oddaje modelowi zaplecza, dzięki czemu rozmowa toczy się dalej, kiedy w tle trwa robota. Aplikacja Speak policzyła na własnych uczniach, że nowy model wchodzi im w słowo o niemal 80% rzadziej, a warstwa głosowa kosztuje 0,05 dolara za minutę, czyli 3 dolary za godzinę rozmowy, przy czym model zaplecza rozlicza się osobno.
Jedno polecenie w terminalu mówi, który model ruszy na twoim sprzęcie
4 min
llmfit jednym poleceniem sprawdza, co masz w maszynie, i wypisuje tabelę modeli ocenionych na czterech osiach: czy się zmieszczą, jak szybko pójdą, jak dobre dają odpowiedzi i ile kontekstu uniosą. Liczy tylko te podsieci, które pracują przy każdym tokenie, więc Mixtral czy DeepSeek-V3 dostają werdykt "zmieści się" tam, gdzie kalkulator sumujący wszystkie wagi odsyła z kwitkiem. Własny pomiar tokenów na sekundę odsyłasz do projektu jako PR wprost z terminala, a polecenie llmfit info pokazuje, na jakich założeniach stoi każda liczba. Celności tych szacunków nikt niezależnie nie potwierdził.
Kilkanaście razy taniej, jeśli oddasz Mecie swoje prompty
4 min
Drugiego września Meta wystawiła Muse Spark 1.3 pod dwoma identyfikatorami, które różni tylko ciąg znaków w polu model: standard kosztuje 1,25 i 4,25 dolara za milion tokenów, a wariant contributor schodzi do 0,10 i 0,20, bo zgadzasz się, żeby Meta trenowała kolejne modele na twoich promptach i odpowiedziach. Tego wyboru nie widać ani w interfejsie aplikacji, ani w narzędziach, które mają wyłapywać wycieki danych, więc zostaje grep po ciągu -contributor i pytanie do dostawcy. Przy prywatnym projekcie to uczciwa wymiana, przy kodzie klienta nikt po jego stronie jej nie wybrał.
Qwen3.8 27B mieści się w 17 GB i nie traci na jakości
5 min
Quesma wydała około 3000 dolarów na wynajem kart, żeby zmierzyć, ile pamięci naprawdę potrzebuje Qwen3.8 27B: pełny model w BF16 waży 55 GB, a skompresowany do czterech bitów schodzi do 17 GB i powtarza wynik oryginału na Terminal-Bench 2.1, więc mieści się na RTX 4090 razem z 64 tysiącami tokenów kontekstu. Klif zaczyna się dopiero przy jednym bicie, ale większym problemem jest domyślne ustawienie reasoning_effort na xhigh, przez które Simon Willison czekał 21 minut na prosty rysunek w SVG, a lekarstwem jest jedna linijka z poziomem low.
Model / BadaniaTen sam model, dwie warstwy, 36 punktów różnicy
ARC Prize przepuścił GPT-6 Astrę przez ten sam zestaw zadań dwa razy, przy identycznym poziomie rozumowania zmieniając tylko warstwę obsługującą model między ruchami, i dostał raz 62,71%, a raz 98,55%. Ta druga liczba poszła w świat jako dowód na AGI, choć opisuje całą konfigurację, a nie model, który kupujesz. Milion tokenów wyjściowych kosztuje 50 dolarów, dwa i pół raza więcej niż u Sola, a mimo to przebieg na średnim poziomie rozumowania zamknął implementację w 80 żądaniach zamiast 238 i wyszedł taniej. Zanim policzysz, ile kosztuje cię Astra, sprawdź, co masz wokół niej.
5 min
AWS oddaje agentom skrzynkę odbiorczą, żeby przestać patrzeć im na ręce
4 min
AWS wypuścił na GitHubie Pizza Bota, otwartego na licencji Apache 2.0 klienta, który zadania agentów układa jak skrzynkę pocztową: skończona praca trafia do kolejki Unread, a prośba o zgodę czeka w kolejce Action, więc odpowiadasz na nią godzinę później z telefonu. Uprawnienia każdego specjalisty opisujesz w pliku SKILL.md, a stan pracy zapisuje LangGraph, przez co zamknięcie okna kosztuje najwyżej jeden krok. Gorzej, że katalog gotowych specjalistów i serwerów MCP, z którego korzystało ponad 2000 osób w Amazonie, przy przepisywaniu na open source wypadł.
Największy model Nex-AGI ma 1,6 biliona parametrów i nie widzi ekranu
4 min
Nex-AGI otworzył wagi trzech modeli naraz, a flagowy Nex-N2.5-Max z 1,6 biliona parametrów jako jedyny nie widzi ekranu, więc po wzrok trzeba zejść do wersji mini i Pro. Pro trafia w elementy interfejsu celniej niż zamknięci liderzy, bo na OSWorld-G wyciąga 87,4 punktu wobec 76,8 modelu Claude Opus 5, ale całe zadanie na pulpicie dowozi słabiej, 56,4 przy 68,3. Kłopot w tym, że wyniki z obsługi ekranu firma zmierzyła na własnym harnessie NexCUA, którego wciąż nie otworzyła, więc na razie czytam tę tabelę jak deklarację producenta.
MiniCPM5-2B naprawia więcej błędów w kodzie niż model dwa razy od niego większy
4 min
OpenBMB wypuściło 7 września MiniCPM5-2B, model o 2,52 miliarda parametrów na licencji Apache 2.0, który na SWE-bench Verified wykręca 46,4 punktu wobec 33,6 dla dwa razy większego Qwen3.5-4B. Całą tabelę policzył jednak producent, więc kierunek biorę poważnie, a rozmiary przewag traktuję jako powód do własnego testu. Model dobrze wybiera następny krok, ale gubi się w dłuższym biegu, bo na Terminal-Bench v2.1 ma 8,6 wobec 25,8, a w karcie brakuje pomiaru szybkości na jakimkolwiek nazwanym urządzeniu. Razem z wagami wyłożono za to dane treningowe, co przy premierach modeli widuje się rzadko.
Jury Google'a zajrzało w kod i znalazło jeden model z imionami agentów
4 min
Google przejrzał kod tysięcy zgłoszeń na AI Agents Challenge i opisał cztery wzorce, które powtarzały się u najlepszych, choć żaden nie dotyczy agentów jako takich. Zamiast łańcucha wywołań jeden zespół postawił cztery kolejki asyncio.Queue, inny wstawił przed model lokalny regex, który odsiał ponad 40% wiadomości, zanim cokolwiek trafiło na rachunek za inferencję, a kolejny wystawił własnego agenta jako serwer MCP. Liczby są pomiarami samych zespołów, a konkurs oceniało jury firmy, która go zorganizowała, więc to obserwacja, nie dowód.
Uno przyspiesza generowanie trzykrotnie i nie potrzebuje modelu pomocniczego
3 min
Uno rozbija sekwencyjne generowanie wewnątrz jednego modelu: obok wag autoregresyjnych trzyma lekki zestaw dyfuzyjny, dorobiony w krótkiej destylacji, który dopisuje kilka tokenów naraz i daje do trzech razy szybsze odpowiedzi bez drugiego modelu, jakiego wymaga dekodowanie spekulatywne. Wersja z ośmioma miliardami parametrów ma wypadać lepiej niż 26-miliardowa DiffusionGemma i zamknięty Mercury 2. To wciąż deklaracja z abstraktu z 3 września, bez recenzji, ale kod i wagi leżą na stronie projektu, więc sprawdzić ją da się od ręki.
Premiera / NarzędzieKoniec zgadywania z drzewa dokumentu: Chrome testuje WebMCP
WebMCP odwraca sposób, w jaki agent działa na cudzej stronie: zamiast zgadywać z drzewa dokumentu, dostaje od niej gotową listę narzędzi z wejściem opisanym w JSON Schema, dzięki czemu rezerwacja czy zakup idą jednym wywołaniem zamiast serii kliknięć. Chrome pozwala to sprawdzić lokalnie pod flagą, a od wersji 149 także na produkcji, jeśli strona zapisze się do origin trial. Google samo wylicza trzy hamulce: nie ma katalogu takich stron, najbardziej rozbudowane serwisy mają najwyższy próg wejścia, a całość pomyślano pod człowieka przy przeglądarce, nie pod agenta na serwerze.
4 min
Google każe agentom nie ufać własnej pamięci o Mapach
4 min
Google Maps Platform wypuścił na GitHubie skilla dla agentów, który każe pisać nietrywialny kod dopiero po pobraniu świeżej dokumentacji z usługi Code Assist, a nie z tego, co model zapamiętał z trenowania. Jeden plik obsługuje cztery platformy, a do prototypu podpina publiczny klucz demonstracyjny, dzięki czemu pierwsza działająca mapa powstaje bez zakładania projektu w chmurze. Obiecaną dokładność i niższe zużycie tokenów Google podaje bez jednej liczby, a na końcu opisu zaznacza, że to nie jest oficjalnie wspierany produkt i nie obejmuje go program nagród za podatności.
Pamięć agenta w plikach Markdown, które przejrzysz grepem
5 min
agent-memory od tigerless-labs trzyma całą pamięć agenta do kodu w zwykłych plikach Markdown, a leżący obok indeks SQLite wolno skasować i odtworzyć jednym poleceniem, więc notatki przejrzysz grepem i wrzucisz do gita. Stara notatka o npm test nie znika, kiedy projekt przechodzi na pnpm, tylko zostaje oznaczona jako nieaktualna, a osobny przebieg w tle scala zapisy i zapomina te bez wartości, przy czym każde skasowanie idzie do zatwierdzenia przez człowieka. W teście LongMemEval-S biblioteka wyciąga 52,9% poprawnych odpowiedzi wobec 35,8% dla MemCore.
Claude nigdy nie zobaczy pliku, który przeczytał za niego tańszy model
5 min
Dimitri Mazmanov ze Spotify najpierw prosił Claude Code w pliku CLAUDE.md, żeby wielkich plików nie czytał sam, i wychodziło z tego średnio; zadziałała dopiero twarda blokada, czyli hook PreToolUse, który powyżej 350 linii odsyła odczyt do tańszego modelu i ścina zużycie tokenów o jakieś 90%. Zysk narasta z każdą turą, bo raz wczytany plik wraca na wejście przy każdym kolejnym wywołaniu. Granice są za to twarde: rozumowania, edycji ani kodu krytycznego dla bezpieczeństwa oddać się nie da, a każde zlecenie to od 10 do 30 sekund czekania.
Google otworzył agentowy audyt bezpieczeństwa i sam odradza go na produkcji
4 min
Google wypuścił na GitHubie Mantis, kilkanaście poleceń dla agenta kodującego, który sam szuka podatności w repozytorium, odtwarza ją w odciętym od sieci sandboksie, nakłada łatkę i powtarza ten sam atak, żeby sprawdzić, czy przestał działać. Ważniejsza od samego zestawu jest reguła: znalezisko liczy się dopiero wtedy, gdy agent doprowadził kod do awarii, a łatka dopiero wtedy, gdy przeżyła powtórzony atak. Google odradza jednak uruchamianie tego przy dostępie do produkcji i nie podaje ani jednej liczby o skuteczności Mantisa.
Google Cloud zamyka podstawy swojej chmury w jednej wtyczce dla agentów
4 min
Google Cloud wypuścił wtyczkę google-cloud-developer, która w jednej instalacji łączy instrukcje o logowaniu, uprawnieniach i zakładaniu projektów z gotową konfiguracją serwera MCP z oficjalną dokumentacją, dzięki czemu agent rzadziej sięga po flagę gcloud, której już nie ma. Powstała według otwartej specyfikacji Agent Plugins i działa nie tylko w Antigravity CLI, ale też w Claude Code i Codex CLI. Obiecane bariery bezpieczeństwa są jednak tylko tekstem, więc realną granicą dalej pozostają uprawnienia konta, na którym agent pracuje.
Sanity radzi wyłączyć narzędzia agenta tylko tam, gdzie liczy kredyty
4 min
Sanity wystawiło serwer MCP pod adresem mcp.sanity.io: jedna zgoda i agent w edytorze dostaje 37 narzędzi do treści projektu, z publikowaniem włącznie, a podpięcie zajmuje jedną komendę npx sanity mcp configure. Dokumentacja odświeżona 11 września radzi wyłączyć narzędzia tylko w jednym miejscu, tym o rachunku za kredyty AI. Niewiele to zmienia, bo narzędzie run_sanity_cli przyjmuje komendy Sanity CLI i pozwala te same operacje wykonać drugimi drzwiami. Sam wziąłbym token o węższej roli zamiast OAuth na całe konto, którego sesja i tak wygasa po tygodniu.
Spis treści · 30
Premiera / Narzędzie · 15
- Jedno wywołanie, trzy subagenty i cała infrastruktura po stronie OpenAI· 4 min
- Cursor stawia nad agentami koordynatora, który sam nie tyka kodu· 4 min
- Koniec zgadywania z drzewa dokumentu: Chrome testuje WebMCP· 4 min
- RadixArk otwiera kod maszynerii, która dotrenowuje największe modele· 4 min
- Artemis wpina prawdziwy telefon do Claude Code i Codexa· 4 min
- Świeżo sklonowany OpenBot wpuszcza każdego jako administratora· 5 min
- Model głosowy, który wie, kiedy się nie odzywać· 4 min
- Jedno polecenie w terminalu mówi, który model ruszy na twoim sprzęcie· 4 min
- AWS oddaje agentom skrzynkę odbiorczą, żeby przestać patrzeć im na ręce· 4 min
- Google każe agentom nie ufać własnej pamięci o Mapach· 4 min
- Pamięć agenta w plikach Markdown, które przejrzysz grepem· 5 min
- Claude nigdy nie zobaczy pliku, który przeczytał za niego tańszy model· 5 min
- Google otworzył agentowy audyt bezpieczeństwa i sam odradza go na produkcji· 4 min
- Google Cloud zamyka podstawy swojej chmury w jednej wtyczce dla agentów· 4 min
- Sanity radzi wyłączyć narzędzia agenta tylko tam, gdzie liczy kredyty· 4 min
Model / Badania · 10
- Agent Cognition zabiera się do kodu po 18 krokach zamiast 48· 4 min
- Ta sama para modeli, trzy różne rachunki za jedno zadanie· 5 min
- Ten sam model, dwie warstwy, 36 punktów różnicy· 5 min
- Mercury 2.5 skraca porządkowanie kontekstu ze 150 sekund do 27· 4 min
- Anthropic radzi w pierwszym akapicie, żeby zostać przy tańszym modelu· 5 min
- Kilkanaście razy taniej, jeśli oddasz Mecie swoje prompty· 4 min
- Qwen3.8 27B mieści się w 17 GB i nie traci na jakości· 5 min
- Największy model Nex-AGI ma 1,6 biliona parametrów i nie widzi ekranu· 4 min
- MiniCPM5-2B naprawia więcej błędów w kodzie niż model dwa razy od niego większy· 4 min
- Uno przyspiesza generowanie trzykrotnie i nie potrzebuje modelu pomocniczego· 3 min