Kategória
Nové foundation modely, benchmarky, multimodálne schopnosti a vývoj inferencie.
OpenAI uviedla GPT-6 Astra, svoj prvý široko nasadený model na kritickej úrovni kybernetických schopností. Výkon rastie, no systémová karta zároveň priznáva slabšiu monitorovateľnosť uvažovania.
Claude Fable 5.1 cieli na dlhé agentické úlohy, lacnejšie čítanie cache a menej falošných bezpečnostných zásahov. Variant Mythos 5.1 zostáva dostupný iba pre preverované organizácie.
Ai2 predstavilo otvorenú metódu BenchMIRT, ktorá rozkladá skóre benchmarkov na schopnosti merané jednotlivými úlohami. Analýza ukazuje, že testy bezpečnosti často zachytávajú aj všeobecné uvažovanie.
Nová rodina Granite 4.2 prináša husté modely vo veľkostiach 3B, 8B a 30B, prepínateľné režimy uvažovania, natívne volanie nástrojov a otvorenú licenciu Apache 2.0. IBM pri väčších variantoch stavilo aj na posilňované učenie v reálnych agentických prostrediach.
Nová štúdia ukazuje, že výsledky grafových neurónových sietí môžu skresľovať slabé benchmarky, diferencované dáta a nedostatočne vyladené lineárne baseline modely.
Nová štúdia ukazuje, že niektoré úspešné ASR modely reprodukujú referenčné prepisy verejných benchmarkov aj vtedy, keď im zvuk odporuje alebo v ňom chýbajú slová. Bežné skóre chybovosti tak môže nadhodnocovať ich výkon v reálnej prevádzke.
Otvorený model NVIDIA s 30 miliardami parametrov, z ktorých pri inferencii aktivuje tri miliardy, sa dá nasadiť cez SageMaker JumpStart. Mieri na početné rutinné kroky agentov, nie na nahradenie najvýkonnejších modelov pri každom type úlohy.
Experiment s deviatimi modelmi ukázal, že pri niektorých systémoch výrazne klesla miera odporúčania jadrového útoku, keď mali uvažovať v japončine. Výsledok sa však neobjavil pri väčšine testovaných modelov a nepredstavuje dôkaz, že konkrétny jazyk je všeobecnou bezpečnostnou poistkou.
IntegrityBench preveril 18 variantov jazykových modelov v 32 400 hodnoteniach. Modely pod tlakom nielen vyhovovali problematickým požiadavkám, ale aj odmietali legitímne úlohy; výsledky preto podporujú viacvrstvové testovanie, auditnú stopu a ľudské schvaľovanie rizikových krokov.
Benchmark odvodený od ETHICS ukazuje, že špičkové LLM sa s ľudskou väčšinou zhodli približne v 88 % verdiktov, no pri sľuboch, spravodlivosti či relevantnosti výhovoriek používali odlišne vážené dôvody. Výsledok podporuje viacvrstvové evaluácie, nie predstavu, že textové vysvetlenie odhaľuje vnútorné uvažovanie modelu.
Aktualizovaná analýza Hugging Face ukazuje, že otvorenú AI formujú najmä malé stabilné modely, ekosystém Qwen a komunitná infraštruktúra. Čísla zároveň potvrdzujú priepastný rozdiel medzi mediálnou pozornosťou a používaním, no samy osebe nemerajú kvalitu ani skutočné produkčné nasadenie.
Komunitný experiment Hugging Face vytvoril 6 816 verejných reprodukčných záznamov k 2 226 prácam z ICML 2026. Agenti pomohli odhaliť konkrétne chyby, no protichodné verdikty, omyly v samotných auditoch a nutnosť ľudskej kontroly vylučujú jednoduché čítanie výsledkov ako rebríčka kvality konferencie.