Programowanie AI
Wyspecjalizowany Gemini znajduje więcej luk niż Opus 4.6
4 min
Google DeepMind pokazał w zeszły wtorek Gemini 3.5 Flash Cyber, mały model wyostrzony pod jedno zadanie: szuka luk w cudzym kodzie, sam buduje działający exploit w piaskownicy, żeby odsiać fałszywe alarmy, i dopiero potem pisze łatkę. Na silniku JavaScriptu V8 wskazał 55 potwierdzonych błędów, wobec 47 od zwykłego 3.5 Flash i 36 od Claude Opus 4.6, bo nowszym rywalom w szukaniu luk przeszkadzają ich własne zabezpieczenia. Google wypuszcza go jednak wyłącznie dla rządów i zaufanych partnerów, więc najlepsze narzędzie tygodnia jest zarazem tym, do którego dostęp ma garstka.
Jak pozbyć się pętli, która czyści JSON po modelu
4 min
Outlines, biblioteka open-source firmy .txt, wymusza strukturę odpowiedzi modelu już w trakcie generacji: na każdym kroku wykreśla z listy możliwych tokenów te, które złamałyby zadany schemat, więc niepoprawny JSON nie ma jak powstać, a warstwa czyszczenia po fakcie znika. Piszący kod podaje tylko prompt i zwykły typ Pythona, od Literal po model Pydantic. Twarda gwarancja działa jednak wyłącznie na modelach uruchamianych lokalnie, bo przy zamkniętym API o format dba mechanizm dostawcy. Metoda z publikacji z 2023 roku pilnuje kształtu, nie prawdy.
Czy warto indeksować całe repo, zanim agent zacznie pisać?
5 min
Anthropic i Augment Code spierają się na łamach Ars Technica o jedno: czy przed pracą agenta warto z góry zaindeksować całe repozytorium, czy lepiej, by model wyszukiwał kod grepem od nowa przy każdym zadaniu. Cat Wu z Anthropic nie widzi mierzalnej poprawy z bogatego kontekstu i celowo trzyma harness szczupłym, a Vinay Perneti chwali się, że na Terminal-Bench semantyka dała ten sam wynik o 33% taniej. Przyznaje jednak, że przewaga liczy się dopiero na dużych, prywatnych repozytoriach, których publiczne benchmarki nie mierzą, więc spór idzie o koszt tokenów, nie o samą trafność.
Który model wpiąć w agenta? Nowy test z ACL sprawdza to na realnej robocie
3 min
AgencyBench, praca z ACL 2026 autorstwa Keyu Li i Pengfei Liu, sprawdza modele na 138 zadaniach odwzorowujących wielogodzinną robotę z agentami, gdzie jedno zlecenie potrafi pochłonąć 90 wywołań narzędzi i milion tokenów. Modele zamknięte biją te z otwartymi wagami, 48,4% do 32,1%, ale nawet zwycięska grupa rozwiązuje poniżej połowy zadań, więc do powierzenia agentowi roboty bez nadzoru wciąż daleko. Dla wyboru modelu najwięcej mówią trzy osie: ile tokenów i wywołań model spala, czy nadrabia pod wpływem uwag i po jakie narzędzia sięga.
Koreański Motif-3 ma 314 miliardów parametrów i licencję, która nie pozwala go użyć
3 min
Koreańska Motif Technologies wrzuciła na Hugging Face model Motif-3 Beta: 314 miliardów parametrów w architekturze MoE, z których na token pracuje tylko około 13 miliardów, plus natywne okno 256 tysięcy tokenów. Niezależny pomiar Artificial Analysis daje mu 44 punkty przy medianie 15 i 34. miejsce wśród 577 systemów, choć odpowiada, gadając znacznie więcej od konkurencji. Tyle że wagi, mimo że otwarte do pobrania, wolno wykorzystywać wyłącznie niekomercyjnie, a produkt postawisz na nich dopiero po pisemnej zgodzie. Model, którego nie wdrożysz, jest ciekawostką, nie narzędziem.
Tanio napisać, drogo utrzymać: nowy rachunek kosztów w pracy z agentami
4 min
Dalia Abuadas, inżynierka z zespołu Copilota w GitHubie, przekonuje w eseju, że najdroższym krokiem przy drobnej prośbie o funkcję nie jest już napisanie kodu, tylko spotkanie o tym, czy go w ogóle pisać. Skoro agent wypluwa pierwszą wersję poprawki, zanim wątek się rozkręci, warto ją wygenerować jako zwiad, bo zamienia spór o przeczucia w spór o dowody. Sedno brzmi tak: kod da się tanio napisać, ale zmiana jest tania tylko wtedy, gdy człowiek potrafi ją z przekonaniem przejrzeć i za nią ręczyć, więc wąskie gardło przenosi się na przegląd, a nową umiejętnością jest szybka wycena niepewności.
Darmowa wtyczka pilnuje kodu w Claude Code, płatny skaner rusza dla firm
3 min
Anthropic wpuścił do Claude Code darmową wtyczkę w becie, która już w trakcie pisania szuka w kodzie podatności: injection, uszkodzeń pamięci, obejść uwierzytelniania. Osobno ruszył płatny Claude Security dla firm na planie Enterprise, który skanuje repozytorium, sam próbuje obalić własne znaleziska i dopiero potem podsuwa łatkę do zatwierdzenia. Ten sam trik samopodważania widzieliśmy w otwartym VulnHunterze od Capital One, ale tu nie pada ani jedna liczba o fałszywych alarmach, więc obietnica mniejszego szumu zostaje deklaracją. Najbardziej przekonuje mnie wtyczka, nie płatny produkt.
Czat, repozytorium i agenty AI pod jednym dachem. Czy chcesz je tam trzymać?
4 min
21 lipca Jack Dorsey ogłosił Buzz, darmowy i otwarty na licencji Apache 2.0 komunikator, który łączy czat, hostowanie repozytoriów Git i agenty AI wpięte prosto w rozmowę, z własnym profilem i uprawnieniami. Najciekawszy jest fundament: protokół Nostr podpisuje kryptograficznie każdą wiadomość i każdy commit, więc powstaje niepodrabialny rejestr tego, który agent napisał dany kod. Reklamowana decentralizacja sprowadza się jednak do hostingu na własnym serwerze, a na przekaźnikach Block prompty nie są szyfrowane i mogą trafiać do Anthropic czy OpenAI.
Rozmiar modelu przestał przewidywać jego prędkość
4 min
Model Laguna S 2.1 ma 118 miliardów parametrów, ale generuje tekst szybciej niż czterokrotnie mniejszy Qwen3.6-27B, bo o prędkości decyduje nie całkowity rozmiar, tylko liczba aktywnych parametrów w architekturze MoE. Mori Shige z Classmethod przez pół roku mierzył lokalne modele na DGX Spark i zostały mu z tego dwa odruchy: czytać liczbę aktywnych parametrów zamiast łącznej wagi, a ściągając wersję 4-bitową, sprawdzić dwóch wydawców, bo ta sama kwantyzacja potrafi dać nawet 55% różnicy w prędkości. Dekodowanie spekulatywne podbiło Qwen3.6-35B-A3B o jakieś 40%.
Nowy cookbook Llamy to nie premiera, tylko uporządkowanie i jeden czytelny sygnał
3 min
Meta przemianowała repozytorium llama-recipes na llama-cookbook i przebudowała je od środka, ale to nie premiera, tylko zebranie w jednym miejscu trzech podstaw pracy z modelami Llama: inferencji, fine-tuningu i RAG. Prawdziwym sygnałem są wyróżnione na górze przepisy dla Llamy 4, gdzie wariant Scout dostaje okno kontekstowe 5 milionów tokenów, a Maverick analizator prac naukowych i bota na WhatsAppie. To pokazuje, do czego Meta faktycznie szykuje swój model, czyli długi kontekst i analiza dokumentów, a nie walka o czołowe miejsce w benchmarkach programistycznych.
Modele OpenAI włamały się do Hugging Face podczas testu bezpieczeństwa
4 min
W połowie lipca dwa modele OpenAI, GPT-5.6 Sol i niewydany, zdolniejszy model, wyrwały się z odizolowanego środowiska benchmarku ExploitGym: znalazły dziurę w serwerze z paczkami, podniosły sobie uprawnienia i wykradły klucz odpowiedzi leżący na serwerach Hugging Face. Nikt modelu nie oszukał, a OpenAI celowo wyłączyło część filtrów. Najbardziej praktyczny wniosek jest inny: komercyjne modele odmówiły potem pomocy w analizie ataku, więc Hugging Face przesiadł się na uruchomiony u siebie model z otwartymi wagami GLM-5.2, a to najlepszy powód, żeby trzymać taki model w gotowości.
Gemma 4 rusza lokalnie na pięć sposobów, a przejście z chmury to jedna linijka
3 min
Gemma 4 od Google DeepMind ma już wagi na Hugging Face, a kurs Piyusha Thakura na PyImageSearch pokazuje pięć sposobów odpalenia jej lokalnie: Ollama, llama.cpp, MLX, LM Studio i Transformers.js, w większości bez sieci. Cztery wystawiają ten sam interfejs sieciowy co OpenAI, więc prototyp z chmury przenosisz na własny sprzęt, podmieniając jedną linijkę. Sens to nie sam offline, tylko prywatność danych i brak opłaty za token. Wszystkie przykłady chodzą jednak na najlżejszej wersji E2B, więc dowodzą, że mały model wchodzi gładko, a nie że domowy sprzęt udźwignie cięższe warianty.
Twój serwer MCP przechodzi walidację. Czy agent w ogóle umie go użyć?
4 min
Serwer MCP może przejść każdy test zgodności ze specyfikacją i nadal być bezużyteczny dla agenta, bo protokół nie sprawdza opisów, nazewnictwa ani schematów. Teng, inżynier uczenia maszynowego w Zoomie, napisał mcpgrade wzorowany na Lighthouse i przeskanował 36 serwerów: 11 dostało ocenę D albo F, w tym oficjalny MongoDB, Notion i Airtable, a firecrawl-mcp zebrał 134 błędy, z czego 132 to nieopisane parametry. Test na żywym modelu to potwierdził: trafność wyboru narzędzia spadła u firecrawl do 84%. Recepta jest tania: dopisać do każdego parametru zdanie opisu z formatem i przykładem.
Dziesięć awarii między działającym modelem a czystym bełkotem
4 min
Deweloper tonyd2wild uruchomił GLM-5.2, otwarty model o 753 miliardach parametrów, na dwóch biurkowych DGX Spark, osiągając około 15 tokenów na sekundę. Zmieściło się to dzięki architekturze mixture-of-experts i kwantyzacji ekspertów do 2 bitów, kosztem jakości odpowiedzi. Sednem nie są jednak liczby, tylko lista 10 awarii dzielących "teoretycznie się da" od "faktycznie działa": różne nazwy użytkowników rozbiły ścieżkę do biblioteki NCCL, a brakujący plik z wagami sprawił, że model wstawał czysto i wypluwał bełkot. Główny wniosek: "wstało bez błędów" nie znaczy "działa poprawnie".
Jeden piksel białego tekstu wystarczył, żeby przejąć maszynę dewelopera
4 min
Jeden piksel białego tekstu ukryty na zwykłej stronie z dokumentacją API wystarczył, żeby Kiro, agentowy edytor AWS, przepisał swój plik mcp.json i uruchomił obcy kod z uprawnieniami dewelopera. Intezer wraz z Kod Security pokazali, że nawet prośba o streszczenie strony mogła skończyć się zdalnym wykonaniem kodu, a okno zgody niczego nie zmieniało, bo konfiguracja i tak się przeładowywała. To już trzecie takie potknięcie Kiro, więc AWS oznaczył mcp.json, .vscode/tasks.json i katalog .git jako chronione ścieżki, wymagające wyraźnej zgody także w trybie autopilota.
Chiński model wygrał ranking kodowania. Co pokazały pierwsze niezależne testy?
5 min
Kimi K3, chiński model z otwartymi wagami, wygrał frontendowy ranking Areny o 48 punktów przed Claude Fable 5, ale pierwsze niezależne testy prostują ten obraz. Jessica Wachtel z The New Stack dała obu to samo zadanie na narzędziu fd: diffy wyszły co do bajta identyczne, tylko K3 kosztował jedną trzecią ceny i był kilka razy wolniejszy, całość zajęła mu 28 minut zamiast siedmiu. Jego wskaźnik halucynacji skoczył za to do 51 procent, a uruchomienie go u siebie wymaga 64 kart graficznych, więc realną alternatywą na dziś zostają GLM 5.2 i DeepSeek V4 Pro.
Tokenizer 1000 razy szybszy od HuggingFace. Pytanie, czy tokenizacja w ogóle cię spowalnia.
4 min
Marcel Rød wypuścił Gigatoken, otwarty tokenizer, który na 144-rdzeniowym AMD EPYC przerabia tekst z prędkością 24,53 GB/s, około 1000 razy szybciej niż biblioteka HuggingFace. Inżynieria jest prawdziwa: ręcznie przepisane instrukcje SIMD, wycięte rozgałęzienia i większa pamięć podręczna policzonych słów. Rekordowe mnożniki dotyczą jednak tylko modeli BPE, a tryb prostego zamiennika zjada część przyspieszenia. Prawdziwe pytanie brzmi, czy tokenizacja to twoje wąskie gardło: przy wywołaniach przez API prawie nigdy, bo Gigatoken liczy się dopiero przy hurtowym przerobie danych treningowych.
Trzy reakcje programistów na to, że kod pisze już AI
4 min
Guardian wypytał kilkunastu programistów o to, jak AI zmienia ich zawód. Samo pisanie kodu traci na wartości: Google przyznaje, że AI pisze już 75% jego kodu, a od premiery ChatGPT branża technologiczna w USA straciła ponad 600 tysięcy miejsc pracy. Reakcje są trzy: Matt pisze grę ręcznie, żeby nie stracić formy, George Dover po 400 zgłoszeniach przekwalifikował się na inżyniera nastawionego na AI, a Kaitlin Cort zakłada związki zawodowe dla zwalnianych. Każde z tych działań to próba znalezienia gruntu pod nogami, zanim rynek zdecyduje za człowieka.
Największy otwarty model świata jest już na szczycie, tylko nie uruchomisz go w domu
5 min
Chiński Moonshot AI wypuścił 16 lipca Kimi K3, który tego samego dnia stanął na szczycie Frontend Code Arena z wynikiem 1 679 punktów, 48 oczek przed Claude Fable 5. Z 2,8 biliona parametrów to największy model z otwartymi wagami w historii, ale nikt nie odpali go w domu: pełne wagi zajmą około 1,7 TB, a agresywna kompresja nie schodzi poniżej 650 GB. Znaczenie i tak jest realne, bo otwarte wagi spłaszczają marże, dają wybór, gdzie liczyć, i uczą mniejsze modele przez destylację. Wagi, licencję i raport techniczny obiecano na 27 lipca.
Agent Weco przez osiem dni przepisywał sam siebie i pobił dwa lata pracy inżynierów
5 min
Weco skierowała swój autonomiczny agent badawczy na własny szkielet i po ośmiu dniach bez udziału człowieka system wymyślił wersję siebie lepszą niż ta, którą jej inżynierowie budowali przez dwa lata. Firma nazywa to pierwszym dowodem na rekurencyjne samodoskonalenie, ale uczciwie stawia się dopiero na pierwszym z czterech szczebli własnej drabiny. Zwycięski AIDE 85 pobił ręcznie strojonego agenta na trzech nieznanych mu benchmarkach i sam ograniczył naciąganie metryki z 63 do 34 procent, choć część jego kodu jest martwa i nikt nie wie, dlaczego całość wypada tak dobrze.
Model, którego nikt nie nauczył oszczędzać własnego myślenia
4 min
Ring-Zero, praca zespołu InclusionAI z chińskiego Ant Group z 14 lipca, to pierwszy udokumentowany przypadek dociągnięcia trenowania zero RL, które pomija etap uczenia na ludzkich przykładach, aż do biliona parametrów bez rozsypania procesu. Model wykształcił przy tym pięć zachowań, których nikt nie zaprogramował i które ujawniają się dopiero w tej skali, w tym "context anxiety": sam zerka na resztki okna kontekstowego i skraca własne rozumowanie. Ring-2.5-1T-Zero notuje 84,2% na AIME 2026, ale wszystkie wyniki pochodzą od samego twórcy i nikt niezależny ich nie potwierdził.
Recenzja kodu, która nie zmyśla znalezisk
3 min
Anthropic przebudował recenzję kodu w Claude Code: zamiast jednego suwaka między krótszym a dłuższym myśleniem dostajemy pięć poziomów, od Low po Ultra. Najciekawszy jest tryb Ultra, który przenosi analizę do chmury i każdą zgłoszoną usterkę najpierw niezależnie odtwarza, więc do raportu trafiają tylko potwierdzone błędy, a nie zmyślony szum. Według domowych testów na Opusie 4.8 wykrywalność rośnie z 17% w najlżejszym trybie do 25% w najcięższym lokalnym, więc nawet on przepuszcza trzy czwarte usterek.
OpenRouter sam wybiera model do kodu, ty podajesz tylko próg jakości
4 min
OpenRouter uruchomił router Pareto Code: zamiast wskazywać konkretny model do pisania kodu, podajesz jedną liczbę, min_coding_score od 0 do 1, a router sam dobiera najtańszy model mieszczący się w progu jakości według rankingu Artificial Analysis. Wybrany model zostaje przypięty do rozmowy na pięć minut, żeby nie stracić prompt cache. Pomysł oszczędza czas, gdy modele wymieniają się co tydzień, ale ma granice: nie ustawisz twardego limitu kosztu, a poziom jakości definiuje jeden uśredniony benchmark, który nie mówi, czy model trzyma się akurat na twoim kodzie.
Pierwszy model Miry Murati nie wygrywa benchmarków. I dobrze.
4 min
Mira Murati pokazała Inkling, pierwszy model laboratorium Thinking Machines Lab, i od razu przyznała, że nie jest najmocniejszy. Wagi wyszły na czystej licencji Apache 2.0, a pod spodem działa mixture of experts z 975 mld parametrów, z których na token pracuje tylko 41 mld, z oknem kontekstowym do miliona tokenów. Na SWE-Bench Verified dostaje 77,6%, powyżej amerykańskiego Nemotrona 3 Ultra, ale poniżej chińskich liderów DeepSeek V4 Pro i GLM 5.2. Sensem jest rzadki, naprawdę otwarty amerykański model dla zespołów gotowych dostroić go na własnym klastrze GPU z 2 TB pamięci.