2026. november 4., szerda · Eszközök

Az Apple fejlesztői előnézetben nyitja meg a Siri AI-t külső alkalmazásoknak

Az Apple az iOS 27.3 keddi frissítésével, fejlesztői előnézet (Developer Preview) formájában teszi elérhetővé, hogy a Siri mesterséges intelligencia a vállalat szerint mostantól „minden appban” végrehajthat műveleteket. A cég bejelentése szerint a fejlesztők beépíthetik a Siri új képességeit, amelyek a felhasználó személyes kontextusát, természetes nyelvi kéréseket és a képernyőn látott tartalmat használják a kérés teljesítéséhez. Az új „app skills” funkció több lépést fog össze egyetlen műveletbe, és az Apple dokumentációja szerint a felhasználóknak nem kell megnevezniük az appot, ha az előtérben fut, Live Activity zajlik, vagy arról beszélgetnek a Sirivel. Példaként a cég egy fuvarmegosztó appot említ, ahol a felvételi helyet hangutasítással is meg lehet változtatni. Az Apple saját appjait, köztük a Naptárat, a Mailt, a Térképet és az Emlékeztetőket is bevonja a bővített Siri-funkciókba.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A hír jelentősége, hogy az Apple korábban csak egy szűkebb funkciókészletet engedélyezett a fejlesztőknek, most viszont a Siri jóval szélesebb körben, önállóan hajthat végre többlépéses műveleteket a külső appokban.

Források

The Verge

Kapcsolódó témák

Napi összefoglalók AI eszközök #Siri AI#iOS 27.3

Napi összefoglaló

Ez a hír a 2026. november 4., szerda napi AI összefoglaló része.

Kapcsolódó hírek

A Google bemutatta a LiteRT Tensor API-t eszközön futó AI-modellekhez

A Google bemutatta a LiteRT Tensor API-t, egy könnyűsúlyú C++ felületet gépi tanulási modellek eszközön futó építéséhez, testreszabásához és optimalizálásához. A vállalat szerint az API ötvözi a natív modellírás rugalmasságát a platformfüggetlen hordozhatósággal: ugyanaz a C++ gráf CPU-n, GPU-n és NPU-n lefuttatható anélkül, hogy minden hardverhez újra kellene írni a kódot. Az API támogatja a súlyok közvetlen betöltését ellenőrzőpontokból, köztük Hugging Face.safetensors fájlokból, valamint a zero-copy pufferkezelést a feldolgozási lépések között. A Google egy kódoló AI-ügynökkel készített demót a SAM 2 modell többobjektumos szegmentálására és követésére, és a cég szerint ez MacBook Pro-n futtatva mintegy 1,5-szer gyorsabb volt, mint az Apple MLX. Laurence Moroney, az Arm AI-igazgatója a LinkedInen azt írta, a C++ API-t csak gráfszintű kontroll igényekor érdemes használni, egyébként a modellkonverzió az ajánlott kiindulópont.

Az Nvidia új Workload Map eszközzel egyszerűsíti a Kubernetes AI-munkaterhelések kezelését

Az Nvidia bemutatta a Workload Map nevű, korábban Karta néven ismert nyílt forráskódú eszközt, amely a DSX AI Factory platform részeként egységes leírást ad a Kubernetesen futó elosztott AI-munkaterhelésekről. A vállalat szerint az eszköz egy Kubernetes CRD-ből és egy Go-könyvtárból áll, és előre elkészített, tesztelt definíciókat tartalmaz olyan keretrendszerekhez, mint a JobSet, PyTorchJob, RayCluster, KServe, MPIJob vagy az Nvidia NIM. A cég állítása szerint ezt a közös leírást használja a KAI Scheduler az ütemezéshez, az Nvidia Run:ai a munkaterhelés-kezeléshez és láthatósághoz, valamint az Elotl Nova nevű rendszere a több fürtöt érintő ütemezési döntésekhez. Az Nvidia szerint ezzel kiváltható, hogy minden új keretrendszerhez külön, kézzel írt adaptert kelljen fejleszteni.

Az OpenAI közös token-keretet vezet be a ChatGPT és a Codex között

A The Decoder egy frissített OpenAI támogatási oldalra hivatkozva azt írja, hogy decembertől a Plus, Pro és Business előfizetések egyetlen közös token-keretet osztanak meg a ChatGPT és a Codex között. Az OpenAI ezzel olvasztja be a Work agentikus funkcióit a fő ChatGPT felületbe, amit korábban már bejelentett. A felhasználók a Beállításokban láthatják a fennmaradó keretet és a frissítés idejét; a limit elérésekor várhatnak a megújulásra, előfizetést válthatnak, vagy extra kreditet vásárolhatnak. Az Instant modellel folytatott beszélgetések nem számítanak bele a keretbe, így papíron marad a fix áras szolgáltatás, de a lap szerint az intenzív használat az olcsóbb csomagokon várhatóan gyengébb minőségű válaszokat eredményez majd. A cikk szerint a lépés feltehetően egyrészt a magasabb árú csomagok nemrég megduplázott limitjeire épít, másrészt valószínűleg válasz a ChatGPT egyre bonyolultabbá váló kezelőfelületét ért kritikákra.

Az NVIDIA TensorRT Edge-LLM egyszerűsíti az edge AI-fejlesztést a DGX Sparkon

Az NVIDIA bemutatta a TensorRT Edge-LLM nevű könnyűsúlyú C++ futtatókörnyezetet, amely a vállalat szerint lehetővé teszi, hogy fejlesztők néhány paranccsal AI-modelleket futtassanak és teszteljenek a most 64GB-os kiépítésben elérhető NVIDIA DGX Spark gépen. A trtedge parancssori eszköz letölti a kiválasztott modellt és optimalizált TensorRT motorokat épít, a cég bemutatója szerint a Nemotron-3.5 Lightning modellel néhány lépésben chat-munkamenet indítható, illetve OpenAI-kompatibilis API-kiszolgáló is futtatható helyben. Az NVIDIA közlése szerint a DSpark nevű spekulatív dekódolási módszer három draft tokennel a HumanEval promptokon átlagosan 73,4-ről 126,9 tokenre növelte a másodpercenkénti generálási sebességet, miközben a csúcsmemória-használat 27,9GB maradt. Ugyanez a futtatókörnyezet a vállalat szerint a fejlesztői DGX Sparkról közvetlenül átvihető a Jetson Thor, a DRIVE AGX Thor és az IGX Thor beágyazott платформokra.