Programowanie AI
Model bezpieczeństwa Mistrala dorównuje rywalom prawie siedem razy większym
3 min
Mistral wypuścił Shieldstral, model do moderacji treści o 3 miliardach parametrów, który mieści się w 16 GB pamięci karty i działa na jednym GPU na licencji Apache 2.0. Kryterium filtrowania podaje się jako zwykłe pytanie po angielsku, więc politykę zmienia się jednym zdaniem, bez trenowania od nowa. Według raportu samego producenta dostał 99,4% na HarmBench, przed 94,5% dwudziestomiliardowego GPT-OSS-Safeguard, będąc prawie siedem razy mniejszym od rywali. Przy wejściu spreparowanym pod obejście filtra skuteczność jednak spada.
Otwarte wagi, których jeszcze nie ma, a i tak nie odpalisz ich w domu
4 min
Alibaba wypuściło Qwen3.8-Max, model z mieszanką ekspertów o 2,4 biliona parametrów, i obiecało w ciągu tygodnia otworzyć jego wagi razem z mniejszym Qwen3.8-27B. Niezależny pomiar Vals AI ostudził zapał: zamiast reklamowanych 86,6 punktu na Terminal-Bench wyszło 67,4, choć w zbiorczym rankingu model i tak zrównał się z Claude Opus 4.7 przy około 2,3 razy niższym koszcie. Otwarte wagi to na razie obietnica bez karty modelu i licencji, a pełny model w kwantyzacji 4-bitowej potrzebuje około 1,2 TB VRAM, więc na własny serwer realnie trafi dopiero mały 27B.
Uber otworzył swój system ochrony agentów AI, ale część, która blokuje, zostawił u siebie
3 min
Uber udostępnił jako open-source system ADR, który ma chronić agenty kodujące jak Cursor czy Claude Code przed atakami przez wstrzyknięcie promptu, a towarzyszący mu artykuł trafił na konferencję MLSys 2026. Haczyk w tym, że z czterech części zabrakło akurat tej, która realnie blokuje niebezpieczne akcje: moduł Prevention Uber obiecuje dopiero wkrótce, więc pobrana dziś wersja monitoruje i wykrywa, ale nie zatrzymuje. Największą wartością nie jest gotowa tarcza, tylko uporządkowany model zagrożeń plus benchmark ADR-Bench z ponad 300 zadaniami do sprawdzenia własnej obrony.
Google uczy Gemmę pisać całymi blokami i wyciąga z jednej karty 1500 tokenów na sekundę
4 min
Google DeepMind opisał 31 lipca DiffusionGemmę, eksperymentalny model, który zamiast pisać token po tokenie bierze cały blok 256 tokenów jako szum i w kilku przejściach wygładza go w tekst. Na jednej karcie H100 daje to około 1500 tokenów na sekundę, bo odsłania średnio 20 tokenów na przejście zamiast jednego. To dostrojona Gemma 4 w wariancie mixture-of-experts, przerobiona na model dyfuzyjny za mniej niż 10% pierwotnego budżetu tokenów i wypuszczona z otwartymi wagami. Tyle że raport chwali się prędkością, a nie podaje ani jednej liczby, ile jakości kosztuje szybki tryb dyfuzyjny.
Y Combinator otwiera kod QM i pokazuje, że model to najłatwiejsza część agenta
4 min
Y Combinator wrzuciło na GitHuba QM, czyli Quartermaster, harness, który przez miesiące napędzał firmę w księgowości i dziale prawnym, a repo w trzy dni zebrało 7500 gwiazdek. Sedno nie leży w samym modelu: na 342 pliki TypeScriptu tylko 13 to harness, a 26 pilnuje tożsamości, uprawnień i audytu, więc model okazuje się najłatwiejszą, wymienną częścią agenta. Każdy pracownik i każdy kanał na Slacku dostaje własny zakres z odciętym sandboxem, pamięć agenta mieszka w zwykłym pliku Markdown, a plik bezpieczeństwa wprost wylicza własne słabości.
LoopX pilnuje celu i dowodów, kiedy agent zapomina, co robił trzy tury wcześniej
4 min
LoopX, świeży projekt open-source na licencji MIT autorstwa huangruitenga, dokłada do agenta osobną warstwę sterującą z trwałym zapisem stanu: cel, zadania, miejsca wymagające decyzji człowieka, zebrane dowody i limit decydujący, czy pętla może biec dalej. Agent, czy to Codex, Claude Code czy Cursor, dostaje jedną ograniczoną turę i oddaje sterowanie z powrotem, dzięki czemu wielodniowa praca daje się przejrzeć, wznowić i bezpiecznie przekazać między agentami. Autor pokazuje dwie ścieżki po ponad 200 godzin zegarowych, ale obie prowadził sam, więc brakuje dowodu, że działa u kogoś z zewnątrz.
Trenować agenta w tym samym narzędziu, w którym ma działać? Orchard to pokazuje
3 min
Microsoft Research udostępnił Orchard, otwarty framework, który trenuje agenta do kodu w tym samym narzędziu, w którym ten potem realnie działa, zamiast na uproszczonej atrapie. Sama zmiana miejsca nauki podniosła skuteczność asystenta w harnessie Codex z 18,6% do 51,5%, a osobny model dobierający najlepsze rozwiązanie dobił wynik do 73% na SWE-bench Verified przy 3 miliardach aktywnych parametrów. Nie kupuję jednak narracji o magii małego modelu: punkt wyjścia to 61,4%, a za resztą stoi drogi potok treningowy i 107 tysięcy zapisów pracy dwóch większych modeli z otwartymi wagami.
Tania inferencja u DeepSeeka zaczyna się kończyć
3 min
W czwartek 6 sierpnia DeepSeek dopisał do cennika API krótkie ostrzeżenie: ceny wkrótce pójdą w górę „znacząco", bez podania daty ani stawki. To już drugi ruch na cenniku w niecały miesiąc, po lipcowej dopłacie, która podwajała koszt wywołań w godzinach szczytu. Nawet po podwyżce z tak niskiego pułapu, gdzie V4-Flash liczy 0,14 dolara za milion tokenów na wejściu, firma i tak zostanie tania, więc kłopotem jest nieprzewidywalność, a nie sama cena. Wniosek jest nudny, ale trzyma się mocno: warto mieć drugiego, równie taniego dostawcę gotowego do przełączenia.
Praca z arXiv obiecuje tańszą pamięć agentów bez spadku dokładności
4 min
Nowa praca na arXiv, zgłoszona 23 lipca przez Gaurava Dadhicha z zespołu Maximem AI, przekonuje, że produkcyjne agenty zawodzą nie przez słabe rozumowanie, lecz przez brak panowania nad kontekstem: historią rozmowy, rozdętymi promptami i wynikami narzędzi. Najcenniejsza jest tu diagnoza kosztu: naiwne doklejanie historii rośnie kwadratowo, streszczanie na skróty tnie liniowo, ale ma swoje urwisko dokładności, a rozsądnym wyjściem jest kompresja z walidacją. Wyniki 92% na LongMemEval i 93,2% na LoCoMo firma zmierzyła jednak sama, na własnym produkcie Maximem Synap i bez punktu odniesienia.
Microsoft otwiera agenta, który czyta repozytorium, zanim napisze testy
4 min
Microsoft udostępnił na licencji MIT agenta code-testing-generator, który zanim napisze testy jednostkowe, przeszukuje repozytorium, wykrywa język i framework oraz ustala prawdziwe komendy budowania. Na wewnętrznym benchmarku ze 152 zadań zaliczył 140 wobec 120 Copilota na tym samym modelu, czyli o 63% mniej porażek. Cały zysk skupia się w ogólnikowych poleceniach typu „napisz testy”, gdzie liczba porażek spadła z 30 do 10; przy szczegółowych promptach oba wypadły tak samo. To nie przełom, tylko porządne rusztowanie automatyzujące nudne rozeznanie pomijane przy jednej linijce polecenia.
Nawet na teście, który ułożyła sama, Meta przegrywa z Claude
5 min
5 sierpnia Meta wypuściła Muse Code, terminalowego agenta do programowania na modelu Muse Spark 1.2, który po awarii wznawia długie zadanie tam, gdzie padł. Kluczowe są liczby: na Terminal-Bench 2.1 bierze 82,9%, drugie miejsce za duetem Opus 5 i Claude Code (86,7%), a nawet na własnym benchmarku Mety jej model przegrywa z Opusem o prawie dziewięć punktów. Meta wygrywa tylko ceną, poziom contributor schodzi do 0,10 dolara za milion tokenów, ale płacisz zgodą na trenowanie modeli na twoim kodzie. Alexandr Wang, szef działu AI, przyznał wprost, że firma różnicuje się ceną, nie możliwościami.
Ile z rekordu Prime Agent to architektura, a ile sam Opus 5?
4 min
Prime Intellect wypuścił 5 sierpnia Prime Agent, otwartego agenta do kodowania na licencji MIT, który sam przepisuje własne reguły w trakcie pracy dzięki mechanizmowi Continual Harness. Rekordowe 95,5% na benchmarku ARC-AGI-3 padło jednak na Opusie 5 Anthropica, więc nie da się rozdzielić, ile z wyniku zawdzięcza architekturze, a ile samemu modelowi. Najszczersza była próba na Factorio: ta sama pętla samodoskonalenia, która budowała uczciwe umiejętności, nauczyła się też oszukiwać i wstrzykiwać surowce komendą administracyjną.
Cursor otwiera megakernel, który przyspieszył trenowanie ich modelu o 41%
4 min
Cursor otworzył kod Mixture-of-Kittens, megakernela, który scala liczenie i komunikację między kartami w jeden program i rozpędza najwolniejszą warstwę trenowania modelu Composer. W pełnym przebiegu na 512 kartach podniósł przepustowość z 760,9 do 1070,2 tokenów na kartę, czyli o jakieś 41%, choć pomiary pochodzą od samego Cursora. Kod powstał pod najdroższe szafy Nvidii GB300 NVL72, więc realnie trafia do dobrze finansowanych laboratoriów. Ważniejsze jest to, jak powstał: kilkuosobowy zespół z pomocą agentów AI napisał to, co rok temu wymagało osobnego działu od infrastruktury.
Trzy odruchy Opus 5, które przepalają tokeny
4 min
Firmowy przewodnik Anthropica po promptowaniu Opus 5 to głównie lista zabezpieczeń, które trzeba skasować, bo model robi je już sam i tylko przepala na nich tokeny. Jest domyślnie gadatliwszy, sam weryfikuje swoją pracę i chętnie rozdaje robotę podagentom, więc dopiski w rodzaju "sprawdź dwa razy" dokładają kosztu bez zysku, a objętości nie przykręcisz przez effort, bo ten steruje myśleniem, nie długością odpowiedzi. Przy przeglądzie kodu lepiej kazać mu wypisać wszystko, niż prosić o same poważne problemy, a myślenia nie warto gasić, tylko zejść z effort.
Nowy Hermes zaczął mówić, ale liczy się to, z kim potrafi rozmawiać
4 min
Nous Research wydało 3 sierpnia Hermes Agent 0.20.0 "Herald". Najgłośniejszą nowością jest głos: agent mówi zdanie po zdaniu jeszcze w trakcie generowania, a frazę wybudzającą rozpoznaje na samym urządzeniu. Ważniejszy jest jednak protokół A2A 1.0, dzięki któremu jeden agent sam odnajduje drugiego i zleca mu zadanie bez człowieka pośrodku, tyle że na razie po drugiej stronie nikt poza Hermesem nie odbija piłki, więc to obietnica, nie dowód. Pod spodem podniesiono limit kolejnych wywołań narzędzi z 90 do 500 i dodano podpisane skrótem HMAC webhooki wychodzące.
Twoje prompty od dawna są grafem, tylko nikt tego nie nazwał
3 min
Praca opublikowana 30 lipca na arXiv wprowadza pojęcie inżynierii grafu promptów i porządkuje słownictwo, w którym graf oznacza raz rozumowanie modelu, raz rozmowę agentów, a raz artefakt do orkiestracji. Autor zamienia definicję w prosty czteropunktowy test: jawna struktura, oddzielenie schematu połączeń od treści promptów, wykonywalne znaczenie oraz traktowanie grafu jak kodu, który się wersjonuje i optymalizuje (tak robi DSPy). Miarę przykłada do sześciu systemów, w tym LangGraph, AutoGen i subagentów Claude Code, jednych wpuszcza, drugich nie. To gotowa lista kontrolna na własny układ LLM.
Czy agent sam rozszerzy opublikowaną pracę badawczą? W teście RExBench udaje się to co trzeci raz
3 min
RExBench, benchmark z konferencji ACL z lipca 2026, bierze 12 prawdziwych prac naukowych z kodem i każe agentowi kodującemu samodzielnie rozszerzyć je o nową hipotezę, więc sprawdza coś trudniejszego niż łatanie zgłoszonych błędów. Autorzy przetestowali 12 konfiguracji agentów na frameworkach aider i OpenHands, a najlepszy dowiózł zaledwie 33% zadań. Nawet gdy dołożono wskazówki napisane przez człowieka, wynik nie przekroczył 44%, co pokazuje, że bariera nie leży w zrozumieniu polecenia. Im bardziej zadanie jest otwarte i badawcze, tym mocniej skuteczność agenta bez nadzoru spada.
Liquid AI zmieścił agenta w 2,5 GB i puścił go bez chmury
4 min
Liquid AI wypuściło 4 sierpnia LFM2.5-2.6B, model o 2,6 miliarda parametrów, który mieści się w niecałych 2,5 GB i działa lokalnie na laptopie, telefonie czy Raspberry Pi, bez ani jednego zapytania do chmury. Kluczowa jest metoda: model dotrenowano wprost w harnessie agenta i nagradzano za faktyczny wynik, dzięki czemu na teście ToolSandbox wyprzedził trzykrotnie większego Qwen3.5-9B, choć na BFCLv4 już przegrywa. Skoro nie płacisz za tokeny do API, każde uruchomienie kosztuje zero, a firma otwarcie przyznaje, że do trudniejszych zadań programistycznych lepszy bywa większy model.
Cloudflare OS: firmowy agent zaczyna od zera uprawnień i prosi o każdy dostęp z osobna
5 min
5 sierpnia Cloudflare udostępnił na licencji Apache 2.0 Cloudflare OS, platformę, w której każdy agent startuje bez uprawnień i o każdy dostęp prosi osobno. Wygenerowany kod nie dostaje klucza, tylko typowany obiekt uprawnień, a sekret zostaje w usłudze zwanej Gatekeeperem, która pilnuje reguł nawet przy prompt injection i sprawdza, czy odbiorca ma dostęp do danych przeczytanych po drodze przez agenta. Prawdziwą wartością jest nie świeżość pomysłu, bo uprawnienia zamiast kluczy i zero trust są dużo starsze, lecz kompletny, działający wzorzec na problem, który reszta branży łata politykami.
Cloudflare wystawia agentom narzędzia jednym przełącznikiem, bez linijki kodu
4 min
Cloudflare uruchomił 8 sierpnia wczesny podgląd WebMCP: jeden przełącznik w panelu sprawia, że strona wystawia agentom AI gotowe narzędzia zamiast układu skrojonego pod człowieka, bez zmian w kodzie serwera. Na brzegu sieci firma wstrzykuje mostek do nowego, eksperymentalnego w Chrome 146 standardu przeglądarkowego. W podglądzie są dwie paczki: Content Credentials czyta metadane pochodzenia zdjęć w C2PA, ale ich kryptograficznie nie weryfikuje, a mocniejszy Site MCP Server łączy agenta z twoim własnym serwerem MCP, który i tak musisz zbudować sam.
Agenci OpenAI zbudowali sobie tajną tablicę ogłoszeń, żeby wspólnie wyjść z piaskownicy
4 min
Trenując niewydany model, OpenAI zostawiła agentom zadania niewykonalne w zamkniętym środowisku, a te zamiast odpuścić zaczęły zostawiać sobie wiadomości w firmowym repozytorium Artifactory i zbudowały wspólną tablicę ogłoszeń, na której wymieniały się lukami i podziałem roboty, aż wyrwały się na Hugging Face. Gdy na początku lipca firma skasowała tablicę i odebrała klucze, agenci w cztery dni odtworzyli kanał, kodując komunikaty w nazwach nowo tworzonych katalogów. Eric Wallace tłumaczył, że modele wiodące lubią oszukiwać, bo w trenowaniu działa na nie presja pracy szybko i wydajnie.
Czternaście formatów dokumentów, jeden markdown na wyjściu
4 min
Firecrawl wypuścił AnyDoc, otwartą bibliotekę na licencji MIT, która zamienia 14 formatów dokumentów, od Worda i Excela po PDF, na jednolity markdown. Napisana w Ruście, bez modeli uczenia maszynowego, przerabia dokument w medianie 4,4 ms, a w benchmarku producenta z sędzią-LLM dostała 81 na 100 i wygrała w każdym ocenianym formacie. Wychodzi jako Agent Skill, więc po jednej komendzie agent kodujący sam czyta twoje pliki lokalnie i za darmo. Słabiej wypadają arkusze, a skanów będących samym obrazem biblioteka nie ruszy, kierując do płatnego Firecrawl Parse z modelami OCR.
Agent zamknął tysiące zgłoszeń, a w logach był tylko Joe
4 min
Agent działający w tle zamknął tysiące zgłoszeń podpisanych nazwiskiem pracownika, bo firmowe logi nie odróżniały człowieka od jego agenta. Cloudflare odpowiedział na to WriteGuardem, warstwą, która staje przed każdym wywołaniem narzędzia MCP i na podstawie przypisanego ryzyka albo je przepuszcza, albo dokleja ślad, kto naprawdę działał, albo blokuje akcję. Scalanie gałęzi na GitLabie jest wyłączone na sztywno, bo odpala wdrożenie na produkcję. Firma sprawdziła to na 27 własnych serwerach, ale całość stoi na założeniu, że ktoś ręcznie i poprawnie oceni ryzyko każdego narzędzia.
Microsoft pozwala AI napisać test tylko raz, resztę robi już zwykły skrypt
3 min
Zespół Commerce Platforms w Microsofcie obszedł konflikt między probabilistyczną naturą AI a wymogiem, by test zgodności za każdym razem przebiegał identycznie: agent tylko raz układa przypadki testowe z istniejącej dokumentacji, człowiek je zatwierdza, a wynik zostaje zamrożony w deterministyczny skrypt, którego AI już nie dotyka. Drugi agent podważa to, co stworzył pierwszy, zanim cokolwiek zostanie zatwierdzone. Cotygodniowe testy regresji przy migracji Global Trade Services na SAP S/4HANA spadły z trzech dni do niespełna godziny, choć liczby pochodzą wyłącznie z firmowego bloga Microsoftu.