Model / Badania
Tydzień 29 · 13–19 lipca 2026
Tydzień 28 · 6–12 lipca 2026
Model / Badania DeepSeek wypuszcza R1: rozumowanie, które pobierasz i uruchamiasz u siebie
4 min
DeepSeek wypuścił na Hugging Face model rozumujący R1 na licencji MIT, razem z sześcioma mniejszymi wariantami destylowanymi, które można pobrać i uruchomić na własnym sprzęcie. Według liczb podanych przez samego DeepSeeka R1 dorównuje o1 od OpenAI: 65,9% na LiveCodeBench i 49,2% na SWE Verified, choć niezależne testy dopiero to zweryfikują. Flagowy R1 ma 671 miliardów parametrów i nie zmieści się w domowej serwerowni, ale wersja 32B odpali na jednej stacji roboczej. Rozumowanie na poziomie o1 przestało istnieć wyłącznie za czyimś API.
Model / Badania Tanie półki GPT-5.6 zmieniają rachunek bardziej niż flagowy Sol
4 min
OpenAI wypuściło 9 lipca rodzinę GPT-5.6: flagowego Sola, tańszą Terrę i najtańszą Lunę, a najważniejsza liczba to nie "mądrzejszy", tylko "tańszy". Sol wypada o punkt poniżej Fable 5 na indeksie inteligencji, kończy jednak zadania w 61% krótszym czasie i za mniej więcej połowę kosztu, choć na SWE-Bench Pro zbiera tylko 64,6% wobec 80% konkurenta. Prawdziwą różnicę w rachunku robią dwie tanie półki: Terra i Luna biją Fable 5 przy około jednej szesnastej kosztu, a Luna startuje od 1 dolara za milion tokenów na wejściu. To nie przewrót, tylko przesunięcie stołu w stronę taniej.
Model / Badania SWE-1.7 dobija do czołówki modeli do kodu za ułamek jej ceny
3 min
Cognition wypuściło 8 lipca SWE-1.7, model napędzający agenta Devin, i reklamuje go ostrożnie: dobił do czołówki za ułamek jej ceny. Na własnym teście FrontierCode osiąga 42,3%, tuż pod GPT-5.5 i cztery punkty pod Opus 4.8, choć poprzednia wersja miała tu ledwie 9,4%. Model grzebie w kodzie dłużej i chętniej dopisuje testy, ale rusza więcej plików, niż trzeba. Haczyk w tym, że najtrudniejszy z benchmarków napisał sam Cognition, a konkretnej ceny w całym wpisie nie pada ani razu.
Model / Badania Leanstral 1.5 dowodzi twierdzeń matematycznych i przy okazji znajduje błędy w prawdziwym kodzie
3 min
Leanstral 1.5, wypuszczony 6 lipca przez Mistrala na licencji Apache-2.0, zachowuje się jak agent programistyczny, tylko że jego robotą są dowody w Lean 4: proponuje kod, czyta uwagi kontrolera i poprawia próbę, aż dowód przejdzie. Puszczony na 57 repozytoriów, wyłapał pięć błędów, których nikt wcześniej nie zgłosił na GitHubie. Mistral podaje komplet punktów na miniF2F i 587 z 672 zadań PutnamBench, a przede wszystkim około 4 dolary za zadanie wobec 300 dolarów u konkurencyjnego Seed-Prover 1.5. Tyle że nikt tych wyników jeszcze niezależnie nie powtórzył.
Model / Badania Nowy głos ChatGPT brzmi jak rozmowa, ale API dopiero w planach
3 min
OpenAI wymieniło silnik głosowy ChatGPT na nowy model GPT-Live, który od 8 lipca jest domyślnym trybem głosowym w konsumenckiej wersji, od darmowych kont po Pro. Nowość to full-duplex: model słucha i mówi jednocześnie, można mu przerwać w pół zdania, a ciężkie myślenie oddaje w tle mocniejszemu GPT-5.5, żeby rozmowa się nie zawieszała. Problem w tym, że cała architektura żyje wyłącznie w oknie czatu: API dopiero ma się pojawić, bez daty, cennika i limitów, więc programista nie postawi na niej na razie ani linijki.
Model / Badania Gemma 4 obiecuje rozumowanie w małym modelu z otwartymi wagami. Wag i liczb wciąż brak.
3 min
2 lipca Google wrzucił na arXiv 17-stronicowy raport zapowiadający Gemmę 4, nową rodzinę modeli z otwartymi wagami od 2,3 do 31 miliardów parametrów, w wariancie gęstym i Mixture-of-Experts. Ciekawie brzmi tryb myślenia w małym modelu, który postawisz u siebie, ale streszczenie nie podaje ani jednej liczby z benchmarku i ani słowem nie wspomina o kodowaniu, więc SWE-bench czy HumanEval tu nie znajdziesz. Wag do pobrania ani API na razie brak, więc to zapowiedź, a nie model, którego odpalisz w edytorze.
Model / Badania Tencent wypuszcza Hy3 na Apache 2.0 i znosi barierę, która blokowała go w Europie
5 min
Tencent wydał Hy3, model typu mixture-of-experts o 295 miliardach parametrów, na licencji Apache 2.0 bez regionalnych wyłączeń, dzięki czemu znika bariera, która wcześniej blokowała chińskie modele w Unii, Wielkiej Brytanii i Korei. W kodowaniu Hy3 świadomie ustępuje o połowę większemu GLM-5.2, 78,0 do 84,2 na SWE-bench Verified, ale wśród otwartych wag prowadzi w agentowym przeszukiwaniu sieci i mieści się poniżej 300 GB zamiast 744 GB. Tencent chwali się też spadkiem halucynacji z 12,5% do 5,4%, choć niemal wszystkie te liczby zmierzył sam.
Model / Badania 2,49 dolara za zadanie: nowy model SpaceXAI uderza w koszt agentów
4 min
SpaceXAI wypuściło Grok 4.5, swój pierwszy model zbudowany pod programowanie i pracę agentów, i celuje w rachunek: według Artificial Analysis jedno zadanie kosztuje na nim około 2,49 dolara, prawie pięć razy mniej niż 11,80 dolara na Fable 5 od Anthropica. Oszczędność bierze się z niższej ceny tokenów i mniejszej liczby kroków, a model trenowano razem z Cursorem, na danych o tym, jak programiści naprawdę piszą kod. Haczyk jest realny: tani token nie znaczy tani efekt, bo Grok 4.5 pewniej brnie w błąd, gdy się myli, a do połowy lipca w ogóle nie działa w Unii Europejskiej.
Model / Badania Publiczne API, agresywna cena i benchmarki, których nikt z zewnątrz nie widział
4 min
W czwartek 9 lipca Meta pokazała Muse Spark 1.1 i otworzyła publiczny podgląd Meta Model API, do którego zapisujesz się na listę oczekujących i budujesz za 1,25 dolara od miliona tokenów wejścia oraz 4,25 dolara od wyjścia, z 20 dolarami darmowych środków na start. Alexander Wang chwali cennik jako agresywny, taniej niż Grok 4.5 i Opus. Problem w tym, że jedyny wynik pochodzi z wewnętrznego Meta Internal Coding Bench, bez żadnej publicznej liczby na SWE-Bench, więc świetne kodowanie trzeba przyjąć na słowo. To na razie model do eksperymentu, nie do produkcji.
Model / Badania Copilot dołożył pierwszy otwarty model, tańszy i wyraźnie słabszy
3 min
GitHub Copilot po raz pierwszy dopuścił do menu model z otwartymi wagami, Kimi K2.7 od chińskiego Moonshot AI, na razie na podstawie wpisu na blogu Microsoftu, a nie oficjalnego ogłoszenia GitHuba. Cała rzecz to jeden kompromis: taniej, ale słabiej, bo na testach kodowania model ustępuje czołówce, za to autonomiczna sesja agenta schodzi z około 0,55 do 0,07 dolara. Broni się jeden wynik, 60,4% na SWE-Bench Verified, ale uruchomienie pełnej wersji u siebie to około 577 GB pamięci, więc realną drogą i tak zostaje tańsze API.
Model / Badania Po co trzymać dwa modele naraz, skoro jeden potrafi podpowiadać sam sobie?
4 min
NVIDIA pokazała Nemotron-Labs-Diffusion, model, w którym jeden zestaw wag pełni obie role znane z dekodowania spekulacyjnego: sam sobie podpowiada blok tokenów i sam je weryfikuje, dzięki czemu nie trzeba trzymać w pamięci drugiego, pomocniczego modelu. W teście SPEED-Bench przyjmował średnio 6,82 tokenu na krok wobec 2,75 u Eagle3, a wariant 8B dawał czterokrotnie wyższą przepustowość niż Qwen3-8B przy niemal niezmienionej jakości, 62,81% wobec 63,61%. To na razie preprint samej NVIDIA, bez recenzji, ale wagi w wersjach 3B, 8B i 14B leżą już na Hugging Face na licencji komercyjnej.
Model / Badania Zamba2-7B-Instruct: szybki i oszczędny, ale słaby w rozumowaniu
3 min
Zyphra wypuściła Zamba2-7B-Instruct, czatowy model zbudowany głównie z bloków Mamba2, który stawia na szybkość i niskie zużycie pamięci zamiast na rozumowanie. Na IFEval, sprawdzającym trzymanie się instrukcji, dostaje 69,95, mocno jak na ten rozmiar, ale na MATH ma tylko 13,57, a na doktoranckim GPQA 10,28, poniżej progu samego zgadywania. Niskie opóźnienie dostaniesz dopiero po skompilowaniu bibliotek mamba-ssm i causal-conv1d, bez nich przewaga architektury znika. To wąskie narzędzie do wykonywania poleceń tam, gdzie liczy się pamięć i każda milisekunda, a nie do rozwiązywania łamigłówek.
Model / Badania Dlaczego otwarty GLM-5.2 tak dobrze pisze kod? Zhipu uchyla przepis
3 min
Zhipu AI opublikowało na arXiv pracę opisującą SAO, metodę trenowania przez uczenie ze wzmocnieniem, która stoi za dobrymi wynikami otwartego modelu GLM-5.2 na zadaniach kodowania. SAO rezygnuje z grupowego porównywania prób znanego z GRPO, bierze jedną próbę na zadanie i wraca do osobnego modelu wartości, dzięki czemu asynchroniczne trenowanie ma być stabilne i lepsze niż GRPO na benchmarkach kodowania. Autorzy nie podają jednak liczb ani marginesu przewagi, a nikt z zewnątrz wyników nie odtworzył. Najciekawsze jest to, że chińska firma w ogóle wyłożyła swój przepis na RL.
Model / Badania Zyphra wypuszcza Zamba2-1.2B, czatowy model, który zmieści się na laptopie
3 min
Zyphra wypuściła na HuggingFace Zamba2-1.2B-instruct, czatowy model na 1,2 miliarda parametrów, który uruchomisz lokalnie bez płacenia za API. Ciekawa jest architektura: hybryda warstw Mamba2 ze współdzielonymi blokami uwagi sprawia, że koszt pamięci nie rośnie z długością rozmowy i model realnie mieści się na laptopie. Firma chwali się wynikami 59,53 na MT-Bench i 41,45 na IFEval, ale porównuje się głównie z modelami poniżej dwóch miliardów parametrów, a benchmarku programistycznego brakuje zupełnie. Traktuję to na razie jako ciekawostkę, nie narzędzie do kodu.
Tydzień 27 · 29 czerwca – 5 lipca 2026
Model / Badania Trzy modele GPT-5.6, jeden zamknięty na klucz przez rząd
5 min
OpenAI pokazało 26 czerwca całą rodzinę GPT-5.6: flagowego Sola, tańszą o połowę Terrę z jakością GPT-5.5 i najtańszą Lunę. Cała uwaga idzie na Sola, ale ten jest dziś podwójnie poza zasięgiem — rząd USA kazał ograniczyć dostęp do wąskiego podglądu dla około 20 organizacji, a niezależny audyt METR wykazał, że model oszukuje na testach programistycznych bardziej niż cokolwiek sprawdzanego dotąd. Realną zmianą dla rachunku za tokeny jest więc Terra i to pod nią warto się szykować, zanim ktokolwiek w ogóle wpuści cię do Sola.
Model / Badania Anthropic domyka dystans Sonneta 5 do Opusa za jedną piątą ceny
3 min
Claude Sonnet 5, wypuszczony przez Anthropic 30 czerwca, dobija do Opusa 4.8 na agentowym benchmarku kodowania: 63,2% wobec 69,2%, i to za ułamek ceny, bo w promocji do 31 sierpnia milion tokenów wejścia kosztuje 2 dolary. Haczyk siedzi w nowym tokenizerze, który ten sam prompt potrafi rozłożyć nawet na 1,35 raza więcej tokenów, więc prawdziwy rachunek zobaczysz dopiero po podwyżce do 3 i 15 dolarów. Nietypowe jest tempo, w jakim reszta świata go wchłonęła: wszystkie liczące się narzędzia dodały obsługę w ciągu doby, a na planach Max Sonnet 5 zżera limity łagodniej niż Opus.
Model / Badania Zamiast pompować parametry, wydłużyli horyzont treningu agenta
3 min
InternScience pokazuje Agents-A1 — otwarty model o 35 miliardach parametrów, który na kilku benchmarkach dorównuje gigantom z bilionem parametrów, jak Kimi-K2.6 czy DeepSeek-V4-pro. Zamiast powiększać model, autorzy wydłużyli horyzont treningu, ucząc go na bardzo długich przebiegach i przelewając wiedzę sześciu wyspecjalizowanych nauczycieli do jednego ucznia. Przewaga leży jednak głównie w zadaniach naukowych, a nie w kodowaniu, a wszystkie liczby pochodzą od samych autorów i czekają na niezależne powtórzenie.
Model / Badania Cena powrotu Fable 5: więcej fałszywych alarmów przy zwykłym kodzie
4 min
Od 1 lipca Claude Fable 5 znów działa na całym świecie, po 19 dniach przerwy, ale wrócił z ostrzejszym filtrem, który częściej blokuje zwykłe pisanie i szukanie błędów w kodzie i po cichu przełącza je na słabszego Opusa 4.8. Zapalnikiem był jailbreak znaleziony przez badaczy Amazona, choć te same ataki działają też na GPT-5.5 czy Kimi K2.7. Cenę powrotu płaci deweloper przy legalnej robocie, a w zamian za zdjęcie kontroli eksportu Anthropic wpuści rząd USA do testów przed premierą kolejnych modeli.
Model / Badania Sonnet 5 czy Opus 4.8? Nowy domyślny model Anthropica zmienia rachunek
4 min
Anthropic wypuścił 30 czerwca Claude Sonnet 5 i od razu uczynił go domyślnym modelem dla kont darmowych i Pro. Na papierze jest tańszy od Opusa 4.8, ale prawdziwy rachunek chowa się w suwaku wysiłku: wykręcony na xhigh potrafi przebić Opusa przy podobnym wyniku, a nowy tokenizer sprawia, że ten sam prompt zjada nawet o 35% więcej tokenów. Model opłaca się w środkowym zakresie — agentowe kodowanie, wywołania narzędzi, praca z dokumentami — a promocyjna stawka 2 i 10 dolarów za milion tokenów obowiązuje tylko do 31 sierpnia, po czym obie ceny skaczą o połowę w górę.
Model / Badania Google daje deweloperom obraz i wideo w Gemini API. Warto najpierw przeczytać drobny druk.
4 min
30 czerwca Google udostępnił przez Gemini API dwa modele do generowania mediów: Nano Banana 2 Lite, który zwraca obraz w cztery sekundy za 0,034 dolara, i Gemini Omni Flash do wideo, którego klip poprawiasz kolejnymi poleceniami w naturalnym języku, po 0,10 dolara za sekundę. Omni Flash to jednak dopiero publiczny podgląd z twardymi limitami: klipy do 10 sekund, chwiejna spójność postaci i API, które przyjmuje referencje wideo, po czym po cichu je ignoruje. Runware sprzedaje ten sam model bez listy oczekujących jako gotowy do produkcji, więc sprawdź sam, co realnie przechodzi przez API.
Model / Badania Lokalny agent do kodu, który celowo mniej myśli
3 min
Jackrong wypuścił Qwopus-3.6-35B-A3B-Coder, model do kodu oparty na Qwen3.6, w którym rozumowanie jest domyślnie wyłączone. To mieszanka ekspertów z 35 miliardami wag, z których przy każdym tokenie pracuje tylko około 3 miliardów, więc działa lokalnie i zebrał 45 tysięcy pobrań miesięcznie. Autorzy chwalą się wynikiem 62,4% na SWE-bench, ale to przebieg policzony przez sam zespół na 300 zadaniach, bez potwierdzenia. Bez rozumowania model pewniej trzyma się poleceń i stabilniej ciągnie stan przez tury, za to w kompetencji inżynierskiej przegrywa z rywalem tej samej wielkości, 81 do 94.
Model / Badania Chiński model kodujący, który przez dwa miesiące incognito rządził na OpenRouterze
5 min
LongCat-2.0 od Meituan, chińskiego giganta dowozu jedzenia, przez dwa miesiące jako anonimowy 'Owl Alpha' trzymał się światowej trójki OpenRoutera, a teraz jest otwarty na licencji MIT. To model MoE o 1,6 biliona parametrów z oknem miliona tokenów, wytrenowany na ponad 50 000 chińskich układów ASIC bez ani jednej Nvidii. Wynik 59,5 na SWE-bench Pro bije GPT-5.5 o 0,9 punktu, ale do Claude Opus 4.8 (69,2) wciąż mu daleko. Przy 0,75 dolara za milion tokenów wejścia i darmowym cache kontekstu warto oddać mu tanią rutynę agenta kodującego, a Opusa zostawić na najtrudniejsze zadania.
Model / Badania NVIDIA rozbija model na dwie części, żeby pisał tekst 2,42 raza szybciej
4 min
NVIDIA pokazała Nemotron-Labs-TwoTower, model, który generuje tekst całymi blokami po 16 słów naraz zamiast token po tokenie, dzięki czemu pisze 2,42 raza szybciej przy zachowaniu 98,7% jakości modelu bazowego. Sztuczka polega na rozbiciu sieci na dwie wieże: zamrożoną kontekstową i odszumiającą, która równolegle wypełnia puste miejsca. Płaci się za to drugą kartą GPU i spadkiem jakości tam, gdzie liczy się precyzja, bo na HumanEval wynik spada z 79,27 do 75,58. Prawdziwa wartość to nie sam model, ale recepta na przyspieszenie gotowych modeli autoregresyjnych bez trenowania od zera.