Mai briefing — 2026. október 24., szombat
AI hírek röviden
Az OpenAI 1,4 billió dolláros értékelési célját 1,25 billióra csökkentette a 30 milliárd dolláros tőkebevonási körben, ami a gyengébb befektetői keresletet tükrözi. Eközben az AI-részvények széles körű zuhanást szenvedtek: a Nasdaq 2,6 százalékot esett, a Meta, az Nvidia és a CoreWeave is meredeken zuhant. A kínai Moonshot AI új modellje, a Kimi K3.1 Pro a negyedik helyre lépett a független rangsorban, míg az AWS és az NVIDIA párhuzamosan bővítette AI-fejlesztői eszköztárát.
-
OpenAI 1,25 billió dollárra mérsékelte értékelési célját a 30 milliárdos tőkebevonásban
A Financial Times bizalmas dokumentumok alapján azt írja, hogy az OpenAI eredetileg 1,4 billió dolláros értékelést pitchelt a befektetőknek, de ezt végül 1,25 billió dollárra csökkentette, miközben továbbra is akár 30 milliárd dollárnyi friss tőkét próbál bevonni. A lap szerint a kereslet gyengébb volt a korábbi köröknél, és egyes meglévő befektetők a korábbi nagy befektetések után „emésztési zavarokat” tapasztaltak. A The Decoder cikke szerint a CNBC megerősítette a csökkentett célszámot, és a kört egyesült arab emírségekbeli befektetők, valamint a Coatue vezeti; a finanszírozást a cég a tervezett tőzsdei bevezetés előtti hídfinanszírozásként pozicionálja. A Decoder szerint a CNBC azt is jelezte, hogy az OpenAI emellett egy kereskedelmi megállapodást tárgyal további számítási kapacitás biztosítására az Egyesült Arab Emírségeken keresztül. A korábbi hírben szereplő 20 milliárd dolláros bevételi eltérés és a bevétel-számítási vita ehhez a friss fejleményhez képest már lezárt kérdésnek számít.
Miért fontos? A célszám 1,4 billióról 1,25 billió dollárra csökkentése és a gyengébb kereslet jelzi, hogy még a Coatue és az egyesült arab emírségekbeli befektetők által vezetett 30 milliárdos kör sem garantálja az OpenAI korábban kommunikált árazását a tervezett tőzsdei bevezetés előtt.
-
Kimi K3.1 Pro: a kínai modell a negyedik helyen landolt a Claude Opus 5.5 mögött
A kínai Moonshot AI bemutatta a Kimi K3.1 Pro nevű modellt, amely a Kimi K3 utótanított, nagyobb számítási kapacitással finomhangolt változata. A vállalat szerint a modell 55 pontot ért el a független Artificial Analysis Intelligence Indexen, 11 ponttal többet, mint elődje, ezzel a negyedik helyre került, mindössze három ponttal az élen álló Claude Opus 5.5 mögött. A cég állítása szerint a legnagyobb javulás az ágenses feladatokban, a kódolásban és a 3D-modellezésben mutatkozik, a GDPval-AA benchmarkon 1846 Elo-pontot ért el. Moonshot saját belső tesztje szerint a hallucinációk aránya 23,4 százalékról 8,3 százalékra csökkent, bár a vállalat ezt stresszteszt jellegűnek nevezi, nem általános hibaarány-mérésnek. A paraméterszám 2,8 billió maradt, az API-ár 33 százalékkal csökkent, és a Moonshot 2026. november 4-ig tervezi nyilvánosságra hozni a modell súlyait, ami a cég szerint a legjobb eredményt elérő nyílt súlyú modellé tenné.
Miért fontos? A Moonshot egyúttal egy Highspeed változatot is piacra dobott, amely a cég szerint két-háromszor gyorsabban fut, és azonnal elérhető a Kimi API-n, ami gyakorlati alkalmazásokban tehetné versenyképessé a modellt.
-
AI-részvények zuhanása rántotta magával a tőzsdéket, az olaj drágult
Csütörtökön világszerte estek a tőzsdék, miközben az olajár a májusi csúcsra ugrott az Irán elleni háborús aggodalmak miatt – írja a Guardian. A lap szerint az amerikai S&P 500 index 1,2%-ot esett, ez volt a legrosszabb napja július óta, a technológiai papírokat tömörítő Nasdaq composite 2,6%-ot zuhant, míg a Dow Jones alig 0,1%-ot emelkedett. A cikk szerint az AI-részvények azért gyengültek, mert egyre drágább hitelből finanszírozni az adatközpontok építését és a chipvásárlásokat, miközben a szektor árai az évekig tartó felfutás után túl magasra szöktek. A Meta 7%-ot esett annak ellenére, hogy a vártnál erősebb bevételt jelentett – a vállalat bejelentése szerint új részvényosztályt hoz létre az AI-beruházások finanszírozására –, miközben a profitja elmaradt a várakozásoktól. A Nvidia 4,4%-ot, a CoreWeave adósságaggodalmak miatt 10,1%-ot zuhant, a dél-koreai Kospi index pedig 3,5%-ot esett.
Miért fontos? A Lam Research 11,8%-os zuhanása annak ellenére történt, hogy a cég a vártnál erősebb nyereséget és bevételt jelentett, ami azt jelzi, hogy a befektetők immár a konkrét vállalati teljesítménytől függetlenül árazzák le az AI-szektort.
-
Sanko: új Go-megoldó a pozícionális superko szabályra
A Sanko nevű, depth-first bizonyítószám-alapú megoldó a Go pozícionális superko (PSK) szabálya mellett old meg kis táblákat; e szabály szerint tilos korábbi teljes tábla-állást újra létrehozni. A kutatók egy preprintben ismertetett „proof-transfer” tétellel oldják fel azt a problémát, hogy PSK alatt a lépések legalitása a teljes parti előzményétől függ, ami korábban ellehetetlenítette a transzpozíciós táblák, az élet-halál felismerés és a biztonságos lépésvágás egyidejű, helyes használatát. A szerzők szerint a Sanko hat szálon 16 perc alatt oldja meg az 5x5-ös Go-t, szemben a korábbi legjobb módszer 5,25 órájával hat folyamaton, egy 192 szálas gépen pedig mintegy másfél perc alatt végez. A kutatás 23 további tábla PSK-értékét állapítja meg, ezek közül tizenegyet korábban semmilyen szabályrendszer mellett nem sikerült megoldani. A 4x7-es tábla, amely az alap ko-szabály mellett teljes győzelmet ér, PSK alatt a szerzők szerint csupán 12 pontot ér.
Miért fontos? A kutatók a Sanko forráskódját és minden futtatás parancssorát, kimenetét is közzéteszik, így a PSK-értékek ellenőrizhetők – szokatlan nyitottság egy még lektorálatlan preprintben.
-
Az AWS Wordle-lel mutatja be a többlépéses megerősítéses tanítást SageMakeren
Az AWS hivatalos blogbejegyzése szerint a vállalat bemutatta a Multi-Turn Reinforcement Learning (MTRL) módszert az Amazon SageMaker AI platformon, amely nem egyetlen válaszra, hanem több lépésből álló, egymásra épülő döntéssorozatra tanít modelleket, és csak a teljes epizód végén kapott jutalomból tanul. A bemutatóhoz a Wordle szójátékot használták példaként, ahol az ügynök a tanítandó modellt hívja meg, és a SageMaker AI a Bedrock AgentCore-on vagy saját infrastruktúrán (EKS, EC2, Fargate) futó ügynöknek küld promptokat. Az AWS saját mérése szerint a módszer a gpt-oss-20b modell találati arányát alapértelmezett következtetési szint mellett 61-ről 84 százalékra, alacsony következtetési szint mellett pedig 15-ről 69 százalékra növelte, mintegy 339 dollár tanítási token-költség mellett. A bejegyzés hangsúlyozza, hogy a Wordle csak tanítópélda, a módszer célja inkább kisebb, olcsóbb modellek felkészítése vállalati, több lépésből álló munkafolyamatokra.
Miért fontos? Az AWS szerint a tanítási adatok, az ügynök és a betanított modell végig az ügyfél saját AWS-fiókjában maradnak, és nem kerülnek más modellek tanítására felhasználásra.
-
NVIDIA kibővítette a TensorRT motorépítő optimalizálóját
Az NVIDIA technikai blogja szerint a vállalat bemutatta a Global Performance Tuner nevű új eszközt, amely a TensorRT 11.1 verziójában jelent meg. A cég azt írja, hogy a TensorRT eddig is számos egymással összefüggő döntést hozott a gráf-átalakítások, a műveletösszevonás, a memóriaelhelyezés és a kvantálás terén egyetlen motor felépítéséhez, az új eszköz viszont testre szabható építési útvonalakat tesz lehetővé, amelyek bővítik a vizsgált megoldások körét. A blogbejegyzés szerint minden jelölt motort végponttól végpontig tesztelnek pontosság és sebesség szempontjából, és a három vezérelv a pontosságtudatos hangolás, a testre szabható építési útvonalak, valamint a nagy megoldástér, amelyből a leggyorsabb, elfogadható pontosságú verziót választják ki. A cikk ezt egy kétrészes sorozat első részének nevezi, a részletes algoritmust és architektúrát a második rész tárgyalja majd.
Miért fontos? A TensorRT 11.1-ben bevezetett eszköz azáltal, hogy egyetlen fix építési stratégia helyett több párhuzamos útvonalat is kipróbál, csökkentheti a fejlesztők kézi hangolási munkáját a különböző modellek GPU-alapú telepítésénél.
-
Bayer Crop Science mezőgazdasági AI-ügynököket épített a Bedrock AgentCore-ra
A Bayer Crop Science az AWS hivatalos blogbejegyzése szerint kifejlesztette a Connected Decision Engine (CDE) rendszert, amely a növénynemesítési döntésekhez szükséges gépi tanulási munkafolyamatokat futtatja és felügyeli génomikai, terepkísérleti és képi adatok alapján. Mivel az eredmények értelmezése egyre nehezebbé vált – a válaszokhoz API-kat, dokumentációt, metaadat-tárakat és naplókat kellett összefésülni –, a vállalat megépítette az Agentic Decision Engine (ADE) nevű, több ügynökből álló, természetes nyelvű felületet. Egy felügyelő ügynök irányítja a kérdéseket a megfelelő szakértő ügynökhöz, amely a releváns rendszerből gyűjti ki a választ. A Bayer közlése szerint az ADE első fázisában a felhasználói kérdések mintegy 80 százalékát mérnöki beavatkozás nélkül oldja meg. A rendszer az Amazon Bedrock AgentCore szolgáltatásra épül, a bevezetéshez pedig a vállalat igénybe vette az AWS Unified Operations csapatát is.
Miért fontos? A konkrét jelentőség abban rejlik, hogy az AgentCore Gateway IAM-alapú jogosultságkezelése kiszervezi az autentikációt az ügynökök kódjából, ami mintát adhat más nagyvállalatoknak biztonságos, több-ügynökös rendszerek kialakítására.
-
Monopoly-szerű teszt mutatja: a nagyobb AI-modell nem feltétlenül nyer többet
Egy nemrég közzétett, egyelőre nem lektorált kutatási anyag (preprint) az AgentMonopoly nevű környezetet mutatja be, amelyben nagy nyelvi modellek (LLM) ügynökei kommunikálnak, ingatlanokat vásárolnak és cserélnek egy Monopoly-szerű játékban. A szerzők négy modellcsaládot teszteltek, mindegyiket két méretben, egymás ellen is játszatva őket. A tanulmány szerint a modellek eltérően kereskednek, engedik el a bérleti díjat és kezelik a készpénzt és az ingatlanokat, és a nagyobb modellek nem nyernek következetesen több játékot a kisebbeknél. Amikor egy ügynöknek adott perszóna-leírást kapott arra, hogyan viselkedjen, az megváltoztatta a szóhasználatát és egyes döntéseit, de a változások nem mindig illeszkedtek a kiosztott szerephez az összes döntési ponton. A kutatók ezért azt javasolják, hogy a perszónakövetést a nyelv mellett a cselekvések és kimenetek alapján is érdemes értékelni.
Miért fontos? A szerzők szerint az AgentMonopoly kódja nyílt forráskódú, így más kutatók is bővíthetik a modellcsaládok és méretek közötti összehasonlítást.
-
AWS: új SageMaker API-k egyéni betanítási ciklusokhoz
Az AWS bejelentette, hogy az Amazon SageMaker AI-hoz új training session API-kat vezetett be, amelyek feloldják az LLM-ek egyéni finomhangolásánál eddig szükséges kompromisszumot a teljes algoritmikus kontroll és az üzemeltetési egyszerűség között. A vállalat szerint az API-k nem az algoritmust, hanem a számítási infrastruktúrát absztrahálják: a forward_backward, optim_step és sample műveletek SageMaker API-hívásokká válnak, amelyeket a fejlesztők SFT-vé, preferencia-optimalizálássá vagy megerősítéses tanulássá (RL) fűzhetnek össze egy állapottartó munkamenetben, miközben a GPU-kezelést és az elosztott végrehajtást a szolgáltatás végzi. Az AWS emellett közzétette a SageMaker training sessions cookbookot, amely kész SFT- és RL-recepteket ad, köztük egy GSM8K-alapú és egy versenyprogramozási, unit tesztekkel kiértékelt RL-munkafolyamatot.
Miért fontos? A fejlesztők így saját RL-jutalomfüggvényeket vagy akár egy hete publikált igazítási algoritmusokat is kipróbálhatnak GPU-klaszter üzemeltetése nélkül.
-
Hugging Face eszköz mutatja meg, mely modellek futnak AWS Trainiumon
A Hugging Face bemutatta a torch-neuronx model support nevű Space-t, amely megmutatja, mely Hugging Face Hub modellek futnak módosítás nélkül az AWS Trainium chipeken. A vállalat közlése szerint az eszköz a letöltésszám és trendi pontszám alapján legnépszerűbb modelleket vizsgálja, soronként feltüntetve a Trainium magok számát, a teljes lefutási időt (fordítással együtt) és a csúcs memóriahasználatot. A cég szerint jelenleg csak Transformers modelleket tesztelnek, kizárólag szöveggenerálási és kép-szöveg feladatokra. Kapcsolódóan az AWS hivatalos blogja ismertette, hogyan tanítható be a Qwen3 modell háromféleképpen egyetlen trn2.48xlarge Trainium2 gépen a torchtitan keretrendszerrel, a TorchNeuron natív PyTorch-integrációjára építve.
Miért fontos? A gyakorlati tét, hogy fejlesztők előzetesen ellenőrizhetik modelljük Trainium-kompatibilitását, mielőtt GPU helyett AWS saját chipjeire váltanának, ami csökkentheti a tesztelési és migrációs költségeket.
Napi összegzők
A nap összképe
A nap fő feszültsége az AI-szektor értékelése és a befektetői hangulat körül összpontosul: az OpenAI kénytelen volt mérsékeltebb árazással közelíteni a befektetőkhöz, miközben a tőzsdéken széles körű eladási hullám söpört végig az AI-papírokon – még a várakozásokat felülmúló eredményeket mutató cégeket is büntették. Ezzel párhuzamosan a modellfejlesztési verseny nem lassul: a Moonshot AI Kimi K3.1 Pro-ja három pontra zárkózott fel a Claude Opus 5.5 mögé, és nyílt súlyúvá válhat november elején. Az infrastruktúra oldalán az AWS egyszerre három fronton – többlépéses megerősítéses tanítás, egyéni betanítási API-k és Trainium-kompatibilitási eszköz – bővítette a SageMaker ökoszisztémát, míg az NVIDIA a TensorRT optimalizálójának kiterjesztésével válaszol a felhőszolgáltatók saját chip- és szoftveroffenzívájára. A kutatási oldalon egy Go-megoldó és egy Monopoly-szerű tesztkörnyezet egyaránt az AI-rendszerek határait feszegeti.
Témaszálak
Mi köti össze a mai híreket — a nap hírei a nagyobb témák köré rendezve.
Az AI-szektor árazási válsága
Az OpenAI értékelési céljának 1,4-ről 1,25 billió dollárra csökkentése és a tőzsdei AI-részvények széles zuhanása – a Nasdaq 2,6 százalékos esése, a CoreWeave 10,1 százalékos zuhanása – együtt azt jelzik, hogy a befektetők az eddiginél kritikusabban nézik az AI-cégek árazását és finanszírozási költségeit.
Modellverseny: kínai felzárkózás
A Moonshot AI Kimi K3.1 Pro modellje az Artificial Analysis indexen 55 ponttal a negyedik helyre ugrott, mindössze három pontra a Claude Opus 5.5-től, miközben az API-árát 33 százalékkal csökkentette és november 4-ig nyílt súlyú közzétételt tervez – tovább erősítve a kínai szereplők versenyképességét.
AWS és NVIDIA infrastruktúra-bővítés
Az AWS három párhuzamos fejlesztéssel – MTRL Wordle-példával, új training session API-kkal és a Hugging Face Trainium-kompatibilitási eszközzel – szélesíti a SageMaker ökoszisztémát, míg az NVIDIA a TensorRT 11.1 Global Performance Tunerével a GPU-alapú modellfuttatás automatizálására reagál a felhőszolgáltatók saját chipoffenzívájára.
Összefüggések korábbi napokkal
Hol folytatódnak a korábbi szálak — a mai hírek a megelőző napok eseményeihez kötve.
OpenAI értékelési és finanszírozási saga
Az OpenAI 1,25 billiós értékelési célra csökkentett 30 milliárdos tőkebevonási köre az október 11-i kiadásban szereplő „OpenAI bevétele: 20 milliárd dolláros eltérés rázta meg a piacokat” hír folytatása – a bevételi vita után most a befektetői kereslet gyengülése jelzi, hogy a cég árazása nyomás alatt marad.
SageMaker ökoszisztéma bővülése
Az új SageMaker training session API-k közvetlenül az október 23-i kiadásban szereplő „AWS: elérhető a SageMaker AI GPU-mentes modell-testreszabó funkciója” hírre épülnek – az AWS párhuzamosan bővíti a GPU-mentes és a teljes algoritmikus kontrollt adó betanítási eszköztárat.
NVIDIA válasza a chip-szoftver offenzívára
Az NVIDIA TensorRT 11.1 Global Performance Tunerének bemutatása az október 21-i kiadásokban szereplő Google TorchTPU és Amazon TorchNeuron offenzíva kontextusában értelmezhető – az NVIDIA saját optimalizációs eszköztárát bővíti, miközben a felhőszolgáltatók saját chipjeik PyTorch-integrációját erőltetik.
Mire figyelj
- A Moonshot AI bejelentette, hogy november 4-ig nyilvánosságra hozza a Kimi K3.1 Pro modellsúlyait; érdemes figyelni, hogy a közzététel határidőre megtörténik-e, és milyen licencfeltételekkel. Mire dől el: A Moonshot AI 2026. november 4-ig közzéteszi a Kimi K3.1 Pro modellsúlyait nyilvános repóban vagy letöltési oldalon.
- Az OpenAI 30 milliárd dolláros tőkebevonási köre az Egyesült Arab Emírségek befektetői és a Coatue vezetésével folyamatban van; kérdés, hogy a kör a csökkentett, 1,25 billió dolláros értékelés mellett lezárul-e. Mire dől el: Az OpenAI vagy a kört vezető Coatue hivatalos közleményben vagy szabályozói bejelentésben megerősíti a 30 milliárd dolláros kör lezárását.
- A TensorRT 11.1 Global Performance Tuner bemutatása egy kétrészes blogsorozat első része volt; a második rész az algoritmus és architektúra részleteit ígéri. Mire dől el: Az NVIDIA közzéteszi a TensorRT Global Performance Tuner kétrészes blogsorozatának második részét, amely az algoritmus részleteit tartalmazza.
- Az AI-részvények csütörtöki zuhanása után kérdés, hogy a negatív hangulat folytatódik-e a hétvége utáni kereskedési napon, különösen a CoreWeave és a Meta papírjainál. Mire dől el: A hétfői tőzsdenyitáskor a Nasdaq composite és az AI-részvények (CoreWeave, Meta) árfolyama további 1 százalék feletti esést vagy visszapattanást mutat.