Dziś widać dwa konkretne skutki szybkiego wdrażania AI: Microsoft zwiększa przychody z chmury, a błąd w bocie wsparcia Meta dotknął 20 225 kont na Instagramie. Równolegle Google i NASA sprawdzają, czy asystent AI przyda się podczas misji kosmicznych.
30 wiadomości
7 min czytania
15 źródeł
Udostępnij przegląd
W skrócie
Microsoft Cloud zwiększył przychody o 30% do 63,9 mld dolarów; przychody Foundry wzrosły ponad trzykrotnie.
Błąd w bocie Meta pozwalał prosić o reset hasła do cudzego Instagrama; dotknął 20 225 kont.
Google Cloud i NASA testują asystenta robotycznego do wsparcia misji kosmicznych.
DeepSeek udostępnił open source trwałego agenta kodującego; w symulacji 95% zadań kończyło się w 15,7 minuty.
Sandbox Generative UI w Prefab UI uruchamia kod Python dostarczony przez wywołującego w Pyodide, w podprocesie Deno. Dokumentacja opisuje go jako środowisko do izolowania niezaufanego kodu, także interfejsów tworzonych przez LLM. Wersje od 0.14.0 do 0.20.2 mają nieograniczone uprawnienia do plików i sieci, a Python zachowuje dostęp do API Deno.
Dlaczego to ważne Luka podważa granicę bezpieczeństwa zaprojektowaną z myślą o kodzie generowanym przez AI.
Agent kieruje zgłoszenia z GitHub lub czatu do odizolowanych workerów, które naprawiają błędy i odpowiadają pull requestami. W symulowanym teście DeepSeek 95% zadań ukończono w ciągu 15,7 minuty, wobec 29,5 minuty w pojedynczej sesji korzystającej z narzędzia subagent.
Dlaczego to ważne To konkretna architektura open source i wyniki porównania przydatne zespołom budującym przepływy pracy z agentami programistycznymi.
Błąd w chatbocie High Touch Support firmy Meta pozwalał każdemu zażądać resetu hasła do cudzego konta na Instagramie. Z dokumentów Meta wynika, że problem dotyczył 20 225 kont.
Dlaczego to ważne Luka w narzędziu wsparcia opartym na AI narażała bezpieczeństwo kont na nadużycia.
Przychody Microsoft Cloud wzrosły o 30 proc. do 63,9 mld dolarów, a korzystanie z Copilot rośnie. Przychody Foundry zwiększyły się ponad trzykrotnie; wzrosły też wykorzystanie agentów AI i wydatki na infrastrukturę.
Dlaczego to ważne Pokazuje skalę komercyjnej działalności Microsoftu w obszarze AI i jej szybki wzrost.
Eksperyment trwał dobę i wykorzystywał nową obsługę agentów w chmurze GitHub do przygotowania około 90 pull requestów poprawiających wydajność Core. Autor podaje, że na tokeny w Opus 5.5 wydał około 230 dolarów.
Dlaczego to ważne To konkretny, choć ograniczony, punkt odniesienia dla kosztu i wydajności pracy inżynierskiej wspieranej przez agentów.
Projekt zmienia sesję Claude Code w studio tworzące gry, z 49 agentami i 74 umiejętnościami workflow. System koordynacji odzwierciedla hierarchię prawdziwego studia.
Dlaczego to ważne To przykład wyspecjalizowanego systemu wieloagentowego wspierającego tworzenie gier.
T3 Code to interfejs do sterowania agentami, dostępny jako aplikacja mobilna, webowa i desktopowa. Współpracuje między innymi z Claude Code, Codex, Cursor i OpenCode, a także z innymi agentami skonfigurowanymi na komputerze użytkownika.
Dlaczego to ważne Narzędzie skupia się na sterowaniu agentami AI do kodowania.
AnyModelBot to open source’owa alternatywa do tworzenia botów AI z użyciem ponad 70 modeli, w tym GPT, Claude, Gemini i DeepSeek. Boty mogą zapamiętywać użytkowników, działać w tle, wykonywać polecenia i obsługiwać komputer.
Dlaczego to ważne Projekt wspiera wiele modeli oraz funkcje asystenta i agenta, w tym obsługę komputera.
Gęste śledzenie 3D wymaga ustalania odpowiedników punktów, szacowania głębi i odtwarzania trajektorii podczas zasłonięć. Wspólne uczenie jest trudne z powodu braku danych 4D. ReLift wykorzystuje wstępnie trenowane trackery 2D i modele geometrii 3D do odtwarzania trajektorii oraz interpolowania zasłoniętych fragmentów; dorównuje już wyspecjalizowanym trackerom 3D.
Dlaczego to ważne To potencjalnie prostsze podejście do trudnego zadania śledzenia w 3D.
44 głosów
Czytaj w huggingface.co →
Wiadomości z branży
Produkty, pieniądze i regulacje, które zmieniają wykorzystanie AI w firmach.
Anthropic zaktualizował Claude, aby model nie odtwarzał istniejących gier wideo. Użytkownicy nadal mogą korzystać z Claude przy projektowaniu oryginalnych gier i gier określonego gatunku.
Dlaczego to ważne Zmiana zasad produktu wpływa na wykorzystanie AI w pracy twórczej.
Anthropic dodał do zasad korzystania z AI zapis, który prosi użytkowników, by nie dopuszczali się długotrwałego i niepotrzebnego okrutnego lub obraźliwego zachowania wobec modeli. Zmiana dotyczy sposobu interakcji z Claude.
Dlaczego to ważne To istotna zmiana w zasadach korzystania z modelu firmy AI.
Gemini 4 Carbon bazuje na wcześniejszym modelu frontier Google, Gemini 4 Argon. Koray Kavukcuoglu z Google DeepMind powiedział, że model pokazuje tempo rozwoju modeli frontier firmy.
Dlaczego to ważne Nowy model frontier to istotna zmiana w ofercie produktów AI.
Meta rozpoczęła prace nad humanoidalnymi robotami z AI w ramach rozwoju działalności w obszarze robotyki. Pierwszy prototyp, nazwany wewnętrznie Max, powstał w około trzy miesiące we współpracy z chińskim producentem.
Dlaczego to ważne Meta inwestuje w robotykę wykorzystującą AI, wykraczając poza oprogramowanie.
Czytaj w informat.ro →
Z serwisu X
Najczęściej udostępniane wpisy laboratoriów, badaczy i twórców.
Weekendowy projekt wykorzystał Claude do przefiltrowania 43 mln komentarzy z Hacker News i wybrania 6 454 polecanych filmów. Miniatury bazują na reprezentatywnych kadrach, a stan oglądania jest zapisywany w przeglądarce bez logowania.
Dlaczego to ważne To praktyczny przykład wykorzystania LLM do przekształcenia dużego zbioru tekstów w wyspecjalizowany produkt rekomendacyjny.
Zestaw obejmuje narzędzia do tworzenia wideo z kodu, między innymi HyperFrames, Blender MCP, Remotion, GSAP, Three.js i FFmpeg. Zawiera też skills, które mają pomagać agentom w korzystaniu z narzędzi do generowania wideo.
Dlaczego to ważne To dobry punkt wyjścia dla zespołów testujących produkcję wideo sterowaną przez agentów i związany z nią stos narzędzi.
Ścieżka nauki obejmuje instalację REA, konfigurację agentów i zadania takie jak eksport notatek, analiza Notion czy rozwiązanie zadania z binarnym CTF. Zawiera też instrukcje MCP i materiały do pracy śledczej.
Dlaczego to ważne To praktyczny przewodnik dla inżynierów oceniających przepływ pracy śledczej oparty na agentach.
Twórcy projektu open source informują, że graf zagrożeń obejmuje złośliwe lub podatne pakiety, ryzykowne domeny i portfele, wzorce prompt injection oraz niebezpieczne skills. Graf jest synchronizowany lokalnie, by sprawdzać działania agenta przed ich wykonaniem.
Dlaczego to ważne Narzędzia sprawdzające zależności, adresy docelowe i ryzyko prompt injection są istotne dla bezpieczeństwa systemów agentowych.
Projekt hackathonowy przyznaje agentowi budżet zamiast bezpośredniego dostępu do kluczy portfela. Vault on-chain może zatwierdzać, wstrzymywać lub odrzucać płatności, a wyrocznia ryzyka TEE sprawdza prompt injection przed przekazaniem środków.
Dlaczego to ważne To konkretna architektura bezpieczeństwa ograniczająca kontrolę autonomicznych agentów nad finansami.
Proponowane podejście Greyboxing polega na tym, że walidatory niezależnie przepisują dane wejściowe, używając różnych modeli i ukrytych zabezpieczeń. Ma to ograniczyć ryzyko, że pojedynczy model lub filtr przepuści ukrytą instrukcję prowadzącą do niechcianej transakcji.
Dlaczego to ważne Prompt injection to poważne ryzyko dla agentów z uprawnieniami finansowymi, a opisany sposób obrony warto poddać ocenie.
Sakana AI informuje, że jej RSI Lab trenuje od podstaw model LLM projektowany z myślą o agentach, nazwany Sawara. Projekt ma rozwijać wcześniejsze prace zespołu nad World Models.
Dlaczego to ważne To wczesna informacja o nowym projekcie modelowym; wpis zawiera niewiele szczegółów technicznych i nie podaje terminów premiery.
9494 polubień
1010 udostępnień
Czytaj w x.com →
Bezpieczeństwo AI
Ataki na systemy AI, ataki z użyciem AI i skuteczne zabezpieczenia.
Badacze odkryli VOLTA, malware wykradające dane z Windows, które wykorzystuje duży model językowy do oceniania ich wartości przy odsprzedaży. Potrafi przechwytywać hasła i cookies z przeglądarek opartych na Chromium, a także dane z profili Outlook i obszarów roboczych Slack.
Dlaczego to ważne To przykład wykorzystania AI do ustalania priorytetów wśród danych wykradzionych przez malware.
Zabezpieczenia agentów AI powinny wymuszać uprawnienia do narzędzi w kodzie przy każdym wywołaniu. Odmowy i filtry stosowane do pojedynczych wiadomości mogą nie wykryć ataków rozłożonych na wiele tur.
Dlaczego to ważne Zespoły tworzące agentów z dostępem do narzędzi powinny kontrolować uprawnienia przy każdym wywołaniu.
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.
