Az NVIDIA bejelentése szerint béta állapotban elérhető a Personal AI Router (PAIR), amely a helyi hálózaton lévő több gép között automatikusan szétosztja az egyes AI-kéréseket; a cég hangsúlyozza, hogy a GPU-kat nem egyesíti, és a videomemóriát sem vonja össze egyetlen nagyobb gyorsítóvá. A vállalat célja elsősorban a többügynökös (multi-agent) munkafolyamatok támogatása, ahol egyetlen GPU-t túlterhelhetnek a párhuzamos modellhívások; PAIR ezt proxyként kezeli, és a bejövő kérést a megfelelő csomópontra irányítja anélkül, hogy az ügynöknek vagy a mögöttes architektúrának változnia kellene. NVIDIA saját demója szerint egy Hermes Desktop–Ollama–PAIR kombináció, amely RTX Spark, DGX Spark és RTX 5090 gépeket kapcsolt össze, körülbelül kétszeres gyorsulást ért el egyetlen RTX Spark laptophoz képest, ám a cég hangsúlyozza, hogy ez nem teljesítménygarancia, mert az eredmény a munkaterheléstől, a modelltől és a hálózattól is függ. A PAIR zökkenőmentesen illeszkedik olyan meglévő helyi inferenciaszolgáltatásokhoz, mint az Ollama és az LM Studio, és Windows 11, Linux, valamint macOS alatt, x64 és arm64 architektúrán egyaránt használható.
Az AWS saját blogbejegyzésében bemutatja, hogyan épített folyamatos minőségellenőrző keretrendszert AI-ügynökei számára az Amazon Bedrock AgentCore segítségével. A vállalat belső rendszerében eladók és értékesítési vezetők egyszerű nyelvű kérdéseket tehetnek fel az Amazon Quick felületén, a háttérben pedig több specializált alügynök dolgozik, köztük a Performance Insights, a Customer Insights és a Data Insights Agent. Az AWS szerint a bevezetés előtti tesztelés során a Customer Insights Agent egy 410,08 dolláros háromhavi bevételt „410,08 millió dollárként” jelentett, korrekciók nélküli bevételt tüntetett fel korrekciós adatként, saját számításait forrásból származó tényként mutatta be, és olyan éves ismétlődő bevétel-becslést adott, amely egyáltalán nem szerepelt az adatokban. A cég kiemeli, hogy ezek alatt a futások alatt a monitoring rendszer végig zöld állapotot jelzett, vagyis csak azt mutatta, hogy a rendszer válaszolt, nem azt, hogy a válasz helyes volt.
A Reverse Engineer Anything (REA) nyílt forráskódú projekt, amely a fejlesztők szerint MCP-szervereken keresztül köti össze a Claude Code és a Codex kódoló AI-ügynököket olyan visszafejtő eszközökkel, mint a Ghidra, a Hopper és az IDA. A projekt a GitHub-oldala szerint helyben fut, nem állítja, hogy visszaállítja az eredeti forráskódot, viszont lehetővé teszi függvényhívások nyomon követését és JavaScript, Electron, illetve.NET alkalmazások statikus elemzését. A bemutató példák közt szerepel a Notion Electron-alapú vágólap-kezelésének feltérképezése, valamint a DX-Ball játék hangpásztázó funkciójának rekonstrukciója, amely a projekt állítása szerint mind a 3205 eredeti x86 tesztesetre, mind a 63 lefordított függvénybájtra illeszkedik. A Hacker News fórumán egyes felhasználók vitatják, mi a projekt valódi hozzáadott értéke a Ghidra önálló AI-ügynökös használatához képest, mások viszont jobb eredményekről számolnak be korábbi próbálkozásaikhoz képest. A Redditen független fejlesztők aggodalmukat fejezték ki, hogy az AI-asszisztált visszafejtés megkönnyítheti játékaik és alkalmazásaik másolását, illetve fizetős funkcióik megkerülését.
Az AWS bejelentése szerint két nyílt forráskódú projektet indított: a Strands Decider 2B egy kétmilliárd paraméteres modell, amely nem hosszú szöveget generál, hanem előre megadott opciók közül választ bizalmi pontszámmal, így modellirányításra, eszközválasztásra, osztályozásra és korlátozó szabályok betartatására használható. A Qwen3.5-2B alapú modellt egy rank-16 LoRA adapterrel finomhangolták, a nyelvi modell fejét egy pontozó fejjel helyettesítve; az AWS szerint a döntési késleltetés mediánja körülbelül 115 ezredmásodperc egy NVIDIA RTX 3090-en, 153 ezredmásodperc kisebb feladatoknál egy Apple M3 gépen, a JevBench teszten pedig 72,3 százalékos pontosságot ért el 231 nyilvános feladaton a v19 jelű változat. A másik, fejlesztői előnézetben elérhető Strands Box egy izolált futtatási környezet ágensekhez, amely operációsrendszer-szintű elkülönítést kombinál a Dogwood nevű nyílt szabálynyelvvel, így meghatározható, milyen parancsokat, Python-kódokat vagy hálózati hívásokat hajthat végre egy ágens, és ez a kontroll a nyelvi modellen kívül, kernel szinten érvényesül.
