2026. szeptember 19., szombat · Eszközök

Az OpenAI elindította az Astra for Law jogi AI-eszközt

Az OpenAI bemutatta az Astra for Law nevű terméket, amely a GPT-6 Astra modellre épül, és jogi kereséssel, elemzési és íráshoz szükséges utasításokkal bővül. Az index több mint 230 millió URL-t fed le az amerikai esetjogból, törvényekből és rendelkezésekből, a Free Law Project adataira támaszkodva, amely állítása szerint az amerikai közzétett precedensek 99,9%-át tartalmazza. Az OpenAI saját, a Vals AI Legal Research Bench tesztjén futtatott mérése szerint az Astra for Law 200 kérdésből 54%-ot oldott meg helyesen, szemben a sima webkereséssel dolgozó GPT-6 Astra 38,7%-ával. A vállalat szerint API-partnerei, például a Harvey és a Legora, ráépíthetik saját megoldásaikat, az ügyvédi irodáknak pedig egy Trusted Access nevű programot kínál nulla adatmegőrzési garanciával, valamint 26 plugint olyan eszközökhöz, mint a Relativity és a Clio. A forrás megjegyzi, hogy az Anthropic is bővíti jelenlétét a jogi piacon.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

OpenAI saját mérése szerint a 54%-os pontosság a sima websearch 38,7%-ához képest, a Harvey és Legora API-integrációkkal együtt, direkt versenyt jelent a jogi szoftverpiacon eddig uralkodó szereplőkkel.

Források

The Decoder

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI eszközök #OpenAI Astra for Law#jogi AI piac

Napi összefoglaló

Ez a hír a 2026. szeptember 19., szombat napi AI összefoglaló része.

Kapcsolódó hírek

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.

A Netflix elosztott rendszerként kezeli a GPU-k megbízhatóságát

A Netflix saját cikkében bemutatta, hogyan épít megbízhatósági platformot nagy léptékű GPU-alapú tréning- és következtetési feladatokhoz. A vállalat szerint a rendszer többrétegű hardverellenőrzéseket (NVIDIA DCGM, hálózati adapter-figyelés), automatikus hibajavítást és hibatűrő tréninget kombinál Kubernetes és Karpenter alapon, hogy egyetlen hibás GPU vagy lassú gép ne állítsa meg a hetekig futó, több száz GPU-t használó modellbetanítást. A Netflix adatai szerint ezzel 99,95% feletti GPU-csomópont-rendelkezésre állást és a feladatok sikerességi arányának körülbelül 98%-ról 99,5% fölé emelését érték el. A platform checkpointingot, rugalmas workereket és az NVIDIA Multi-Instance GPU (MIG) technológiáját is használja, hogy a kisebb következtetési feladatok megosztva, izolált memóriával futhassanak egy GPU-n.