2026. szeptember 3., csütörtök · Eszközök

Pangram AI-detektora irodalmi botrányok középpontjában, Substack is bevezeti

A Pangram nevű startup mesterséges intelligenciával becsüli meg egy szöveg AI-eredetének arányát, és ezt százalékos pontszámmal jelzi. Vezérigazgatója, Max Spero szerint a Hachette által megvásárolt Shy Girl regény 78 százalékban AI-generált volt, ami a kiadás visszavonásához vezetett; a cég szerint a New York Times egy Modern Love-cikke és egy Commonwealth-díjas novella is 100 százalékos, egy 2,4 millió dollárért eladott thriller pedig 97 százalékos pontszámot kapott. Ezek a Pangram saját, nem független mérései, nem megerősített tények. A WIRED szerint a Substack júliusban beépítette a technológiát, a TechCrunch szerint pedig a cég 9 millió dolláros finanszírozást is szerzett, és új képdetektort indított. Az írói közösségben, Jane Friedman szakértő szerint, erős bizalmatlanság kíséri az eszközt.

Egy forrás erősíti A hír állításait legfeljebb egy forrás támasztja alá tárgyilag; a többi forrás anyaga nem erről szól.

Miért fontos?

A Pangram pontszámai már valódi kiadói döntéseket és platformfunkciókat befolyásolnak, miközben az AI-detektálás megbízhatósága továbbra is vitatott.

Források

WIRED TechCrunch AI

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. szeptember 3., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Az AWS folyamatos minőségellenőrzést épített AI-ügynökei alá

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.

AI-ügynökök a bináris kódfejtésben: bemutatkozott a Reverse Engineer Anything

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.

AWS két nyílt forráskódú eszközt vezetett be AI-ágensek fejlesztéséhez

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.

NVIDIA RTX Spark: helyi AI-fejlesztés egyetlen gépen

Az NVIDIA bejelentette az RTX Spark platformot, amely a GB10 rendszerchipet akár 128GB egységes memóriával kombinálja, hogy fejlesztők helyi kódoló-ügynököket futtathassanak, teszteljenek és telepítsenek egyetlen gépen. A vállalat szerint a rendszer az Intel Panther Lake 12Xe-hez képest 4,6-szor gyorsabb kódoló-ügynök teljesítményt, 2,7-szer gyorsabb finomhangolást és 1,8-szor gyorsabb kódfordítást nyújt. A Microsofttal közösen bővítették a Windows on Arm szoftverstacket, beleértve az első PyTorch-CUDA buildet, a Python 3.15 natív támogatását és a top 15 000 Python-csomag több mint 97%-ának Arm-kompatibilis verzióját. A The Verge beszámolója szerint a Windows új Get Started felülete két kattintással telepíti a launchkor támogatott három ügynököt (Hermes, Perplexity, OpenClaw), bár a lap tesztelése során az OpenClaw telepítése hibákba ütközött. A lap azt is megjegyzi, hogy a helyi modellek még mindig lassabban válaszolnak, mint a felhős alternatívák.