Reflection AI zaprezentowało w poniedziałek 5 października Beam, swój pierwszy model typu frontier o otwartych wagach. Firma twierdzi, że system o 501 mld parametrów dorównuje czołowym chińskim modelom otwartym w testach zaawansowanego rozumowania, a przy tym zużywa 3-4 razy mniej mocy obliczeniowej na wnioskowanie.
AI i modele5 października 20266 min czytaniaŹródła 5
5 października 2026 roku Reflection AI udostępniło Beam, model z otwartymi wagami o 501 mld parametrów. Firma twierdzi, że dorównuje on czołowym chińskim konkurentom w testach rozumowania, a przy tym zużywa znacznie mniej mocy obliczeniowej przy wnioskowaniu.
AI i modele5 października 20267 min czytaniaŹródła 10
Dwa projekty agentów kodujących, Reika i Jeff-Code, ukazały się 5 października i oba twierdzą to samo: wąskim gardłem małych modeli lokalnych jest harness wokół nich, nie sam model. d1 od Liquid AI, opublikowany tego samego dnia, idzie inną drogą i zamiast modelu językowego stawia na model decyzyjny.
AI i modele5 października 20265 min czytaniaŹródła 8
Dwie premiery agentów kodujących z 5 października mówią to samo: przy małych modelach lokalnych wąskim gardłem jest otoczka wokół modelu, nie sam model. Oba projekty podają konkretne liczby.
AI i modele5 października 20264 min czytaniaŹródła 8
5 października Reflection pokazał Beam, model z otwartymi wagami o 501 mld parametrów. Jego własna tabela wyników pokazuje stratę 16,6 punktu do Kimi K3 w kodowaniu terminalowym z użyciem agentów. Badanie Uniwersytetu Kalifornijskiego w Riverside, opublikowane 23 września, mówi, że pewność siebie i poprawność siedzą w różnych częściach modelu, więc system może mówić płynnie i mylić się jednocześnie.
AI i modele5 października 20267 min czytaniaŹródła 13
Reka opublikowała 5 października podgląd badawczy modelu Rho-1, jak podało laboratorium firmy we wpisie na blogu. Model o 19 mld parametrów obsługuje tekst, obrazy, wideo i ruchy robotów w jednej sieci. Liquid AI, Interfaze i inni tego samego dnia zaproponowali mniejsze i tańsze zakłady multimodalne.
AI i modele5 października 20269 min czytaniaŹródła 11
IronBee AI twierdzi, że jego agent Express kupił w sklepie demonstracyjnym iPhone'a 15 Pro w 6,7 sekundy za 0,00054 dolara, a przy drugim uruchomieniu wyłapał kasę, która zgłaszała sukces, choć zamówienie pod spodem nie doszło do skutku. Firma opublikowała tekst inżynierski 5 października.
5 października Liquid AI pokazał d1, „model decyzyjny”, który zwraca prawdopodobieństwa zamiast generowanego tekstu. Firma twierdzi, że odpowiada w 200 do 300 ms.
Benchmark poprawiony na arXiv 1 października pokazał, że agenci pamięci radzą sobie z uporządkowanym odtwarzaniem danych, gdy dostaną wskazówkę, jak zorganizować pamięć. Współczesne modele językowe nie zawsze rozpoznają strukturę same.
Liquid AI opublikował 5 października d1, swój pierwszy model decyzyjny. Obsługuje tekst i obrazy, a według firmy kosztuje od 19 do 200 razy mniej niż GPT-6.1 Sol i Claude Opus 5.5 i odpowiada szybciej w każdym testowanym zadaniu. Wątek bezpieczeństwa jest realny, ale pośredni: d1 nie jest agentem, który broni sieci, tylko klasyfikatorem, który mógłby zastąpić kosztowne wywołania modeli w agencie obronnym.
Liquid AI wydała 5 października d1, swój pierwszy model decyzyjny z obsługą obrazu. Firma twierdzi, że dorównuje GPT-6.1 Sol albo go przewyższa w czterech z sześciu rzeczywistych zastosowań, kosztując od 19 do 200 razy mniej. Tego samego dnia pojawił się otwarty model 501 mld parametrów od Reflection, router do kodowania z 0,8 mld parametrów i poprawka dla 64-bitowego Expat. Wszystko wskazuje na tańsze i szybsze wnioskowanie, nie na większe modele.
Dwa zestawy wyników benchmarków opublikowane w ciągu ostatnich 24 godzin dają twarde liczby na to, co naprawdę robią agenci AI. ReviewBench GitHuba dotyczy przeglądu kodu przez AI, a tablica VAmoS Pro firmy Veris dotyczy agentów głosowych. Oba pokazują tę samą lukę: wyniki są wąskie i dostawcy o tym wiedzą.
Amazon zapowiedział 5 października, że przeznaczy ponad 1 mld dolarów na edukację zawodową oraz programy energetyczne i wodne w społecznościach, które goszczą jego centra danych. To odpowiedź na rosnący lokalny opór, gdy kilka stanów USA szykuje referenda w sprawie centrów danych.
W tym tygodniu pojawiła się grupa nowych narzędzi dla agentów AI piszących kod. Threadnote opublikował badanie na pięciu zadaniach. Twierdzi w nim, że agent wznawiający pracę z zapisanego przekazania zużywa o 65,62% mniej tokenów cyklu życia na zweryfikowane ukończenie niż agent startujący z surowych plików.
Liquid AI udostępniła 5 października d1, model decyzyjny, który czyta teraz obrazy tak samo jak tekst i, jak twierdzi firma, odpowiada na pytanie tekstowe w 200 do 300 milisekund, nie generując ani jednego tokena.
Indyjska CERT-In otrzymała dostęp do Mythos, niewydanego publicznie modelu Anthropic, na potrzeby testów cyberobrony. Tak wynika z doniesień o tej umowie.
5 października GitHub opublikował ReviewBench, otwarty test porównawczy do przeglądu kodu, zbudowany na analizie 103 900 000 pull requestów i zawierający 219 przypadków. We wrześniu badacze z UC Riverside opisali sposób na oddzielenie pewności modelu od jego poprawności.
Reka opublikowała 5 października badawczy podgląd Rho-1, modelu o 19 mld parametrów, który generuje tekst, obrazy i wideo, a na wyjściu podaje ruchy robota w ramach jednej sieci, podała firma.
Moonshot przygotowuje model Kimi K3.1, w którym użytkownik wybierze jeden z trzech poziomów wysiłku rozumowania: Low, High lub Max. Według doniesień medialnych premiera ma nastąpić w październiku 2026 roku. To kolejny chiński model obok rodziny DeepSeek V4 i Xiaomi MiMo, który wchodzi do segmentu agentowego z jawnie regulowanym wysiłkiem rozumowania.
Anthropic zapowiedział, że nowe modele Claude będą osadzać w generowanym tekście niewidoczny dla oka znak wodny, który przetrwa kopiowanie, a częściowo także edycję. Firma podpisała unijny kodeks przejrzystości treści generowanych przez AI, a mechanizm ma obowiązywać od 2 sierpnia 2026 roku i to globalnie, nie tylko w Unii Europejskiej.