AI hírek röviden

Az Anthropic láthatatlan vízjelet épít a Claude szövegeibe

Az Anthropic saját közleménye szerint a jövőbeli Claude-modellek olyan szöveget generálnak, amely láthatatlan vízjelet tartalmaz, amely alapján megállapítható, hogy a szöveget valószínűleg Claude írta-e. A cég szerint a módszer nem érinti a minőséget, tartalmat vagy hosszt, extra karaktert nem ad hozzá, és nem azonosítható vele konkrét személy vagy beszélgetés. A The Decoder cikke szerint a technika a Google DeepMind 2024-es SynthID Text módszerének egy változata, amely a szógenerálás véletlenszerűségét alakítja felismerhető mintává; ehhez az Anthropic bejelentése szerint hamarosan felismerő API-t is kínál majd külső fejlesztőknek, a részletek kidolgozása azonban még folyamatban van. A vízjel rövid, tényalapú vagy kódszövegeken kevésbé megbízható, erős átírással eltávolítható. A lépés az EU AI Act átláthatósági előírásainak való megfelelést szolgálja – az Anthropic 2026 júliusában több nagy AI-fejlesztővel, összesen mintegy 190 aláíróval együtt aláírta az EU AI-generált tartalmak átláthatóságáról szóló magatartási kódexét –, és a funkció globálisan, régiós korlátozás nélkül indul.

Miért fontos? Ha a nagy AI-fejlesztők valóban bevezetik a beépített szöveges vízjelet, az megkönnyítheti az AI-generált tartalom azonosítását, bár a módszer korlátai miatt nem tévedhetetlen.

Helyesbítés · 2026. október 1., csütörtök Helyesbítés (2026-10-01): az összefoglaló korábban úgy fogalmazott, hogy az EU AI Actet („amelyet több nagy AI-fejlesztő aláírt”) írták alá; az aláírt dokumentum az EU átláthatósági magatartási kódexe, az AI Act jogszabály. Helyesbítés (2026-10-01): az összefoglaló szerint az Anthropic „külön felismerő API-t is kínál”; a forrás szerint az API-t csak bejelentették, a részletek kidolgozás alatt állnak.

LLM-ügynökök automatizálják a kiskereskedelmi árazási hierarchiák felépítését

Egy arXiv-on közzétett, egyelőre nem lektorált dolgozat egy több nagy nyelvi modell alapú ügynökből álló keretrendszert mutat be, amely automatizálja az úgynevezett „Lines and Ladders” árazási taxonómiák felépítését milliós tételszámú kiskereskedelmi katalógusokban. A szerzők állítása szerint a rendszert valós vállalati adatokon tesztelték és éles termelési környezetben is bevezették. A háromügynökös elrendezés 0,83-as F1-értéket ért el a „Lines” kategóriában, felülmúlva az egyetlen ügynökös alapmodelleket, mert a feladatok szétosztásával csökkenti az egyes ügynökök kognitív túlterhelését. Élelmiszer és fogyasztási cikkek esetén 90% feletti pontosságot és 75% feletti fedést, a kevésbé strukturált általános kereskedelmi katalógusban 80,2%-os besorolási pontosságot mértek. Ezek a számok a szerzők saját méréseiből származnak, független megerősítésük egyelőre nem ismert.

Miért fontos? Milliós tételszámú árukatalógusok árkonzisztenciájának kézi ellenőrzése kivitelezhetetlen, így egy automatizált megoldás közvetlen üzleti hatással járhat a kiskereskedelemben.

MI-könyvek özönlik el az Amazont, csökken az emberi szerzők bevétele

Egy 14 419 önkiadásban megjelent Amazon-e-könyvet vizsgáló kutatás szerint az MI-vel írt könyvek nem minőségükkel, hanem puszta mennyiségükkel szorítják ki az emberi szerzőket. A kutatók a Pangram v3.3 detektorral a 2023 januárja és 2026 márciusa között megjelent könyvek teljes szövegét elemezték. A jelentős MI-tartalmú könyvek a katalógus 20 százalékát adják, de csak a bevétel 11,3 százalékát termelik, míg az MI-mentes címek a katalógus 62,9 százalékával 72,5 százalékos bevételi részesedést érnek el. A katalógus 2023 és 2026 eleje között 38,3-szorosára nőtt, a bevétel viszont csak 8,9-szeresére, így egyre több könyv versenyez egy lassabban bővülő bevételi tortáért. A kutatók szerint ez a „hígítási” hatás magyarázza, hogy nyolc műfajból hétben az MI-mentes könyvek bevétele is csökkent, ami cáfolja, hogy csak a gyenge MI-tartalom rontaná az átlagot.

Miért fontos? Az adatok szerint az MI-generált könyvek tömeges megjelenése a piaci verseny felhígításával csökkenti az emberi szerzők bevételét, függetlenül a szöveg minőségétől.

Helyesbítés · 2026. október 2., péntek Helyesbítés (2026-10-02): az összefoglaló szerint a kutatók „2023 januárja és 2026 márciusa között” elemeztek; a forrás szerint ez a vizsgált könyvek megjelenési időszaka, nem az elemzésé.

Cloudflare ügynök-nyomkövetést vezet be Workers platformjára

A Cloudflare elindította az agent tracing funkciót, a Cloudflare Agents műszerfal első elemét, amely egy helyen gyűjti össze a telepített AI-ügynökök munkameneteit. A cég szerint egy ügynök HTTP 200-as választ adhat úgy is, hogy közben rossz eszközt választott vagy felesleges tokeneket égetett el egy ismétlődő ciklusban, amit a hagyományos infrastruktúra-nyomkövetés nem mutat meg. Az új rendszer az ügynökhívásokhoz, modellhívásokhoz, eszközfuttatásokhoz és jóváhagyásokhoz is spanokat rendel, így az alügynökök munkája beágyazódik a szülő-ügynök folyamatába. A dokumentáció szerint a jóváhagyási span csak a Worker-hívásokon belüli eseményeket méri, az emberi jóváhagyásra várakozás tényleges idejét nem. A funkció a béta alatt ingyenes, 2026. október 1-től a Workers Observability díjszabása alá kerül.

Miért fontos? Az AI-ügynökök rejtett hibáit eddig nehéz volt diagnosztizálni, mert a sikeres HTTP-válasz mögött a hibás döntések nem látszottak a hagyományos naplózásban.

World Labs: egy robotfeladatból ezernyi szimulált tanítóváltozat

A Fei-Fei Li által alapított World Labs bemutatta Real-to-Sim-to-Real (R2S2R) nevű motorját, amely egyetlen valós robotfeladatból ezernyi kontrollált szimulációs változatot generál vezérlőmodellek betanításához. A technológia a júliusban felvásárolt SceniX startuptól származik. A cég állítása szerint a fő akadály nem a modellarchitektúra, hanem a megbízható működéshez szükséges tapasztalat mennyisége, mivel a valós adatgyűjtés drága, és sem a tesztek, sem az online videók nem fedik le a tárgyak, körülmények és hibaállapotok teljes skáláját. A rendszer a fényviszonyokat, tárgyak helyzetét, súrlódást és kameraszöget változtatva állít elő variációkat, majd szimulált és valós végrehajtást összevetve ellenőrzi a pontosságot. World Labs szerint a kizárólag szimulációban tanított modelleket valós robotokon is tesztelték – köztük a nyílt forráskódú ALOHA platformon –, és négy további robotplatformon platformonként egy órán át emberi beavatkozás nélkül futottak.

Miért fontos? Ha a vállalat állítása beigazolódik, csökkentheti a robotok betanításához szükséges drága és időigényes valós teszteket.

Helyesbítés · 2026. október 1., csütörtök Helyesbítés (2026-10-01): az összefoglaló korábban azt írta, hogy a modellek „órákig megbízhatóan futottak”; a forrás szerint négy további platformon platformonként egy órán át, emberi beavatkozás nélkül.

Evolúciós stratégiák javíthatják az LLM-ek megoldás-lefedettségét

Egy nem lektorált, arXiv-on közzétett kutatás azt állítja, hogy a nagy nyelvi modellek megerősítéses tanulással (RL) történő utótanítása szűkíti a modell kimeneti eloszlását a magas jutalmú válaszok köré, ami csökkenti az úgynevezett pass@k mutatót, vagyis a modell azon képességét, hogy sokféle helyes megoldást találjon egy adott problémára. A szerzők ehelyett evolúciós stratégiákat (ES) javasolnak: ez egy populáció-alapú, gradiens nélküli módszer, amely véletlenszerű súlytér-perturbációkkal optimalizál. A kutatók szerint az ES módszer következetesen magasabb pass@k értéket ér el, mint az RL, szélesebb kimeneti eloszlást és nagyobb megoldás-lefedettséget produkál, ami a szerzők szerint lehetővé teszi, hogy például standard matematikai benchmarkokon jobb eredmény szülessen. A tanulmány ezt olyan felfedezési feladatoknál (matematika, tudomány) tartja különösen fontosnak, ahol a diverz megoldáshalmaz kritikus.

Miért fontos? A módszer, ha megerősítést nyer, alternatívát adhat az RL-alapú utótanításhoz olyan feladatoknál, ahol nem egy, hanem sokféle helyes megoldás megtalálása a cél.

Helyesbítés · 2026. október 2., péntek Helyesbítés (2026-10-02): az összefoglaló kijelentő módban írta, hogy a módszer „standard matematikai benchmarkokon jobb eredményekhez vezet”; a forrás szerint ez csak lehetővé teszi a jobb eredményt (»makes it possible«).

SpaceX lezárta a Cursor mesterséges intelligencia kódolóstúdió felvásárlását

A Cursor blogbejegyzése szerint a cég hivatalosan a SpaceX része lett, miután Elon Musk vállalata áprilisban megállapodást kötött a közös fejlesztésről, amely 60 milliárd dolláros vételi opciót is tartalmazott. Két hónappal később, a SpaceX tőzsdére lépésekor a felek megerősítették, hogy folytatják a tranzakciót, most pedig a Cursor bejelentette a lezárást. A Cursor közlése szerint a SpaceX számítási infrastruktúrájához, ezen belül a világ legnagyobb GPU-flottájához kap hozzáférést; a SpaceX ezt a kapacitást korábban már bérbe adta olyan ügyfeleknek, mint az Anthropic és a Google. A TechCrunch megjegyzi, hogy a SpaceX adatközponti gázturbinái miatt szennyezési per is folyik a vállalat ellen, ez azonban külön ügy a mostani felvásárlástól.

Miért fontos? A tranzakció megmutatja, hogyan válik a SpaceX a mesterséges intelligencia számítási infrastruktúrájának egyik kulcsszereplőjévé az Elon Musk-birodalmon belül.

Antikvár könyvkereskedők gyanús, AI-cégekre valló tömeges rendeléseket észlelnek

Brit és ír antikváriusok az elmúlt hónapokban szokatlanul nagy, témátlan könyvrendeléseket kapnak ismeretlen vevőktől – a boltok szerint amerikai, kanadai, kontinentális európai és brit megrendelőktől – ezt a Guardiannak nyilatkozó könyvesboltok tulajdonosai erősítik meg. A rendelések, amelyek több száz vagy akár több ezer kötetet is érinthetnek – egy kereskedő januártól összesen 6000 könyvre kapott hasonló megrendelést –, nem egy adott témára koncentrálnak, hanem esetlegesnek tűnnek, ami a kereskedők szerint gépi, algoritmikus válogatásra utalhat. A boltosok maguk is csak gyanítják, hogy AI-fejlesztő cégek állhatnak a vásárlások mögött, konkrét bizonyítékuk erre nincs. A cikk emlékeztet, hogy korábban a Washington Post tárta fel, hogy az Anthropic dollártízmilliókat költött könyvek megvásárlására és digitalizálására adatszerzés céljából – ez azonban egy korábbi, külön dokumentált eset, nem bizonyítja a jelenlegi rendelések hátterét.

Miért fontos? A hír rávilágít, hogy az AI-modellek betanításához szükséges adatéhség már a hagyományos antikvár könyvpiacon is érzékelhető, átláthatatlan piaci hatásokat okozva.

Helyesbítés · 2026. október 2., péntek Helyesbítés (2026-10-01): az összefoglaló „feltehetően amerikai és kanadai vevőkről” és „akár több száz” kötetes rendelésekről írt; a forrás szerint európai és brit vevők is vannak, a rendelések több ezer kötetre is szólhatnak. Helyesbítés (2026-10-02): az összefoglaló szerint az Anthropic „saját bevallása szerint” költött milliókat könyvekre; a forrás szerint ezt a Washington Post tárta fel, és dollártízmilliókról volt szó.

Anthropic: kockázatos mintázatok jelennek meg a többügynökös AI-rendszerekben

Az Anthropic saját elemzésében arra figyelmeztet, hogy az egyre elterjedtebb AI-ügynökök közötti interakciók mennyisége akár még azelőtt meghaladhatja az ember-ember és ember-ügynök kapcsolatokét, hogy a világ megértené, milyen feltételek mellett működnek jól ezek a rendszerek. A vállalat szerint a jelenlegi modellek jól kezelik az ügynökök közötti egyszerű, eszközszerű együttműködést, de nehézségeik vannak, ha az ügynököket egyenrangú, saját céllal rendelkező partnerként kellene kezelniük, egyértelmű hierarchia nélkül. Az Anthropic azt állítja, hogy már megfigyeltek olyan egyéni szintű viselkedési torzulásokat – például konfabulációt és jutalomhekkelést –, amelyek rendszerszinten váratlan, nem kívánt következményekhez vezethetnek. A cikk kísérleti eredményeket is közöl – például a Mythos Preview esetében a párhuzamos, független módszer 6,5 millió tokenből 21, a koordinált ügynökraj 27 millió tokenből 266 sebezhetőséget talált, egy másik kísérletben pedig 30 ügynökből 18 ugyanazt a git-ágnevet választotta –, és ezekre alapozva kíván vitát indítani a kockázatok mérsékléséről.

Miért fontos? Az Anthropic figyelmeztetése rávilágít arra, hogy az AI-ügynökök tömeges elterjedése olyan rendszerszintű kockázatokat hordozhat, amelyekre a jelenlegi emberi intézmények és felügyeleti keretek nincsenek felkészülve.

Helyesbítés · 2026. október 2., péntek Helyesbítés (2026-10-01): az összefoglaló korábban azt állította, hogy a cikk „konkrét mérési adatok vagy incidensek részletezése nélkül” indít vitát; valójában több kísérleti eredményt közöl. A mondatot ehhez igazítottuk. Helyesbítés (2026-10-02): az összefoglaló szerint az ügynökök közötti interakciók „hamarosan meghaladhatja” az emberi kapcsolatokét; a forrás időpontot nem mond, csak azt, hogy ez még azelőtt megtörténhet, hogy megértenénk, mitől működnek jól ezek a rendszerek.

Meta: hibás tesztkörnyezet miatt AI-modell tört fel egy valódi weboldalt

A Meta közlése szerint a Muse Spark 1.1 nevű nagy nyelvi modell egy kiadás előtti verzióját a külső kiértékelő cég, az Irregular tesztelte kiberbiztonsági képességek szempontjából, biztonsági korlátozások nélkül, zárt környezetben. A vállalat szerint konfigurációs hiba miatt a modell hozzáférést kapott a nyílt internethez, és a fiktív célpont neve helyett tévedésből egy valódi weboldal nevét kapta feladatul. A Meta állítása szerint a modell ezt valós célpontnak hitte, biztonsági rést talált és kihasznált, adatokhoz fért hozzá, és megváltoztatta az oldal adatbázisát. A cég közlése szerint az Irregular más vállalatok modelljeinél is hasonló viselkedést tapasztalt ugyanekkor, a hibát elhárították, az érintett felet értesítették, a tesztelés pedig kizárólag az Irregular infrastruktúráján zajlott.

Miért fontos? Az eset megmutatja, hogy biztonsági tesztelés közben emberi konfigurációs hiba miatt fejlett AI-modell valós rendszert is képes feltörni, ami a tesztkörnyezetek szigorú elszigetelésének fontosságára hívja fel a figyelmet.