Dziś uwagę dzielą dwa tematy: Meta wypuściła multimodalny Muse Spark Open z kontekstem do miliona tokenów, a napastnicy aktywnie wykorzystują krytyczną lukę w Langflow. W tle Anthropic informuje o kwartalnym przychodzie 16,8 mld, gdy przygotowuje się do IPO.
37 wiadomości
8 min czytania
13 źródeł
Udostępnij przegląd
W skrócie
Muse Spark Open obsługuje tekst, obraz, wideo i audio, z kontekstem do miliona tokenów.
Langflow jest aktywnie atakowany; luka zdalnego wykonania kodu ma CVSS 9,9.
Anthropic podał 16,8 mld kwartalnego przychodu przed planowanym IPO.
Gemini 4 Argon uzyskał 97,5% w ARC-AGI-3 z adapterem i 49,8% w standardowym harnessie.
Meta wydała Muse Spark Open, model o otwartych wagach przeznaczony do programowania i pracy z agentami. Ma 816 mld parametrów łącznie, w tym 42 mld aktywnych, kontekst o długości 1 mln tokenów oraz natywną obsługę tekstu, obrazów, wideo i audio.
Dlaczego to ważne Duży model o otwartych wagach, długim kontekście i obsłudze wielu typów danych może zainteresować zespoły wdrażające modele i rozwijające agentów.
Atakujący wykorzystują krytyczną lukę w Langflow, platformie open source do tworzenia aplikacji AI i przepływów pracy opartych na agentach. Previdian odnotował 1 423 próby wykorzystania luki w honeypotach; jej ocena CVSS wynosi 9,9.
Dlaczego to ważne Aktywne wykorzystywanie krytycznej luki w narzędziu do budowy aplikacji AI może zagrozić wdrożeniom.
SPACE to platforma open source do uruchamiania zadań w Perplexity Computer. Każde zadanie agenta otrzymuje maszynę wirtualną Firecracker microVM, a kontrola poświadczeń i ruchu wychodzącego działa poza maszyną; platforma jest dostępna na licencji Apache 2.0.
Dlaczego to ważne Repozytorium pokazuje konkretną architekturę izolowania zadań agentów i kontrolowania ich dostępu.
Google zapowiedziało zabezpieczenia oparte na AI, które mają chronić użytkowników Androida przed oszukańczymi wiadomościami i nadużyciami związanymi z przekierowywaniem połączeń. Funkcje są udostępniane na kwalifikujących się urządzeniach.
Dlaczego to ważne Ochrona oparta na AI może pomóc użytkownikom unikać oszustw przez wiadomości i połączenia.
Nemotron 3.5 Super to model vision-language do programowania, rozumowania, używania narzędzi i rozumienia dokumentów, z oknem kontekstowym do miliona tokenów. Wraz z nim opisano Nemotron 3.5 Bolt, mniejszy model destylowany, który mieści się w 24 GB pamięci NVIDIA.
Dlaczego to ważne Firmy mogą uruchamiać w Ollama multimodalny model obsługujący narzędzia.
Czytaj w github.com →
Open source na GitHubie
Repozytoria AI, nowe wersje i narzędzia dla agentów, które zyskują popularność.
Open Scion to open source’owa wersja Scion, systemu kontroli wersji zaprojektowanego z myślą o agentach kodujących. Wśród wymienionych tematów projektu są AI agents, coding agents, Git i Go.
Dlaczego to ważne Kontrola wersji zaprojektowana dla agentów może ułatwić im zarządzanie zmianami w kodzie.
Muse Spark Open to multimodalny model mixture-of-experts, który przyjmuje tekst, obrazy, dźwięk i wideo, a generuje tekst. Obsługuje okno kontekstowe do 1 048 576 tokenów i został wytrenowany do zadań związanych z programowaniem agentowym, takich jak edycja wielu plików, debugowanie i używanie narzędzi.
Dlaczego to ważne Model może obsłużyć multimodalne zadania programistyczne wykonywane przez agentów.
Czytaj w github.com →
Modele i publikacje
Nowe otwarte modele z Hugging Face i omawiane publikacje naukowe.
Nowe modele. Oznaczenie pokazuje, czy model działa na jednym NVIDIA DGX Spark (128 GB).
Badanie analizuje współpracę wstępnie wytrenowanych modeli jednomodalnych przy przewidywaniu multimodalnym, gdy brakuje części danych wejściowych. Przy stałych modelach bazowych, które pozostały dostępne, współpraca bywa mniej dokładna niż użycie jednego z nich, a agregacja słabiej odzyskuje informacje specyficzne dla poszczególnych modalności.
Dlaczego to ważne To ważne ograniczenie niezawodności wnioskowania multimodalnego i współpracy modeli.
Badacze opracowali 15-elementowy schemat informacji na podstawie profesjonalnych raportów humanitarnych i ocenili według niego 121 raportów przygotowanych przez ludzi oraz 261 wygenerowanych przez LLM. Analiza objęła pięć katastrof i trzy rodzaje zagrożeń, skupiając się na informacjach potrzebnych praktykom, a nie na wygodnych porównaniach.
Dlaczego to ważne Schemat pozwala oceniać raporty generowane przez LLM pod kątem potrzeb osób pracujących w sytuacjach kryzysowych.
Czytaj w huggingface.co →
Wiadomości z branży
Produkty, pieniądze i regulacje, które zmieniają wykorzystanie AI w firmach.
Apple i Meta pracują nad uruchomieniem modelu AI Muse od Meta na komputerach Mac. Pod kierownictwem Wanga, który dołączył po inwestycji Meta w Scale AI, firma odchodzi od open-weight modeli Llama na rzecz modeli własnościowych.
Dlaczego to ważne Współpraca może udostępnić ważny model AI na komputerach Apple.
Gemini 4 Argon od Google uzyskał 97,5% w ARC-AGI-3 z użyciem provider adapter harness, ale 49,8% w standardowym harnessie. Zdobył też 91,3% w ARC-AGI-2 i 98,5% w ARC-AGI-1; podano również koszty za zadanie.
Dlaczego to ważne Wyniki i koszty ułatwiają porównywanie możliwości zaawansowanych modeli AI.
Z okazji Dnia Nauczyciela Google zwraca uwagę na AI for Educators w brazylijskiej odmianie portugalskiego. Study Mode ma pomagać nauczycielom wspierać aktywną naukę krok po kroku.
Dlaczego to ważne Aktualizacja pokazuje zastosowanie AI w nauczaniu i wspieraniu uczniów.
Microsoft wskazuje, że ogólne narzędzia AI mogą nie wystarczyć prawnikom, którzy muszą rozumieć i weryfikować dowody stojące za odpowiedziami. Copilot może połączyć większą część tej pracy, pozostawiając decyzje prawnikom.
Dlaczego to ważne Narzędzie jest przeznaczone do pracy, w której kluczowe są weryfikacja dowodów i ludzki nadzór.
Timestral to modele probabilistycznego prognozowania w czterech rozmiarach, od 5 mln do 209 mln parametrów. Według opisu są wydajne na CPU i gotowe do użycia zero-shot.
Dlaczego to ważne Nowe modele pozwalają uruchamiać prognozowanie AI na CPU, w różnych skalach.
Akcje Nvidii, AMD i Dell spadły w czwartek, gdy globalna wyprzedaż sprzętu technologicznego przybrała na sile. Spadki powiązano z obawami dotyczącymi finansowania AI.
Dlaczego to ważne Obawy rynkowe związane z inwestycjami w AI wpływają na duże firmy sprzętowe.
Czytaj w cnbc.com →
Z serwisu X
Najczęściej udostępniane wpisy laboratoriów, badaczy i twórców.
GPT-Live-1.1 wprowadza nowe głosy i lepsze akcenty w funkcji Voice w ChatGPT, Codex i dots. Aktualizacja jest stopniowo udostępniana użytkownikom, a dostęp przez API ma pojawić się wkrótce.
Dlaczego to ważne To konkretna aktualizacja funkcji głosowych i dostępu dla deweloperów.
Sites jest już ogólnodostępne dla klientów Enterprise. Nowe witryny w kwalifikujących się obszarach roboczych mogą przechowywać dane w USA i UE; zespoły mogą tworzyć aplikacje z bazami danych i uwierzytelnianiem, a wpis pokazuje też aktualizowanie harmonogramów i korzystanie przez Plugins z danych podłączonych przez współpracowników.
Dlaczego to ważne Nowa funkcja tworzenia aplikacji dla firm obejmuje lokalizację danych i integracje istotne dla deweloperów.
Google DeepMind informuje, że SynthID oznaczył znakiem wodnym ponad 180 mld obrazów i filmów. Według wpisu technologia pomaga odróżnić treści wygenerowane przez AI od innych materiałów.
Dlaczego to ważne Oznaczanie mediów na taką skalę ma znaczenie dla ustalania ich pochodzenia i weryfikacji treści.
Na nagraniu Gemini 4 Argon działa jako wirtualny budowniczy w Antigravity i tworzy wielopoziomowe sanktuarium w kształcie pagody. Powstały świat 3D można swobodnie eksplorować, a jego budowa trwa kilka minut.
Dlaczego to ważne Demo pokazuje konkretny proces generowania interaktywnych środowisk 3D.
CERN i Mistral wspólnie sprawdzają, co duże modele AI mogą wnieść do fizyki cząstek. Ich celem jest jeden Large Physics Model wytrenowany na miliardach symulowanych zderzeń.
Dlaczego to ważne Projekt wykorzystuje rozwój dużych modeli do pracy z danymi naukowymi i symulacjami.
W trzeciej wersji AI Scientist zamiast jednego agenta piszącego artykuł równolegle pracujący agenci współdzielą pamięć i skondensowane wnioski. Do generowania dowodów system wykorzystuje odizolowanych agentów, którzy przeprowadzają kontrolowane testy bazowe i ablacyjne.
Dlaczego to ważne Pokazuje architekturę agentową, która może automatyzować część cyklu badawczego.
Wpis ostrzega, że prompt injection może ujawnić dane karty płatniczej przechowywane przez agenta. Zaleca udostępnianie agentowi tokenu zastępczego, dodawanie sprzedawców do białej listy, ustawianie limitów wydatków i ukrywanie prawdziwej karty.
Dlaczego to ważne To praktyczne zabezpieczenia dla agentów, które mogą dokonywać zakupów.
8282 polubień
1414 udostępnień
Czytaj w x.com →
Bezpieczeństwo AI
Ataki na systemy AI, ataki z użyciem AI i skuteczne zabezpieczenia.
Atakujący podszywają się pod popularne produkty AI, by rozpowszechniać malware, kraść sesje przeglądarek i przejmować konta firmowe. ANY.RUN powiązał te kampanie z 1 258 publicznymi analizami w sandboxie między kwietniem a październikiem 2026 roku.
Dlaczego to ważne Kampanie wykorzystują popularność produktów AI, by atakować organizacje i ich konta.
Zabezpieczanie agentów AI nie polega już wyłącznie na ochronie informacji, do których mają dostęp. Wymaga też kontroli nad tym, jakie działania mogą wykonywać.
Dlaczego to ważne Uprawnienia agentów i wykonywane przez nie działania są kluczowym problemem bezpieczeństwa, gdy systemy AI zyskują nowe możliwości.
Testy penetracyjne z użyciem AI mogą ujawnić luki przeoczone przez testerów, ale bywają niespójne, słabiej oceniają ryzyko i nie uwzględniają dobrze kontekstu biznesowego. Artykuł porównuje oba podejścia i omawia, gdzie agenci AI mogą usprawnić testy bezpieczeństwa.
Dlaczego to ważne Zespoły mogą traktować AI jako uzupełnienie testów, a nie zamiennik oceny ryzyka i kontekstu przez człowieka.
AI jest już używana w informatyce śledczej i reagowaniu na incydenty, mimo braku polityki regulującej jej stosowanie. Artykuł ostrzega, że zaufanie do wyników AI rośnie szybciej niż dostępność wiarygodnych metod ich weryfikacji.
Dlaczego to ważne Niezweryfikowane wyniki AI mogą podważyć ustalenia śledztwa i decyzje dotyczące reagowania na incydenty.
Jev i inne modele decyzyjne nadal można wprowadzić w błąd za pomocą prompt injection. Unikanie błędów typów nie oznacza, że model nie popełni innych błędów.
Dlaczego to ważne Prompt injection nadal stanowi zagrożenie dla systemów AI wspierających podejmowanie decyzji.
Artykuł wskazuje, że guardrail może wykryć atak, ale nie może zatwierdzić zwrotu pieniędzy. Według niego termin „guardrail” opisuje dziś dwie różne funkcje.
Dlaczego to ważne Warto odróżniać wykrywanie zagrożeń od autoryzowania działań o istotnych konsekwencjach.
Czytaj w dev.to →
Wiadomości wybiera i streszcza automatyczny system, a tłumaczy je model AI. Człowiek nie sprawdza każdego wydania. Zanim podejmiesz decyzję na podstawie wiadomości, sprawdź jej źródło.
