Téma
AI kutatás hírek magyarul
Mesterséges intelligencia kutatási hírek magyarul: modellek, benchmarkok, tudományos eredmények és AI trendek.
-
Google bemutatta az EmbeddingGemma 2 nyílt, könnyűsúlyú multimodális beágyazó modellt
A Google kiadta az EmbeddingGemma 2 nevű nyílt modellt, amely szöveget, képet, videót, hangot és kódot alakít numerikus vektorokká, hogy hasonló tartalmakat könnyebben lehessen keresni és összehasonlítani. A Google állítása szerint ez a legkompaktabb ilyen típusú modell a maga 740 millió paraméterével, és a multimodális beágyazási benchmarkokon felülmúlja a nála akár kétszer nagyobb versenytárs modelleket is. A modell API-kulcs nélkül, helyben futtatható: egy lekérdezés WebGPU-n keresztül böngészőben 20-70 ezredmásodpercet vesz igénybe, mindössze körülbelül 191 MB memóriát igényel, és akár hatszorosára csökkenti a helyi vektoradatbázisok tárolási igényét. Csak szöveges feladatokhoz egy 270 millió paraméteres, kisebb változat is elegendő. A Gemma 4-hez hasonló kis nyílt modellekkel párosítva offline, szerverre küldött adatok nélkül futó RAG-alkalmazások építhetők; a súlyok elérhetők a Hugging Face-en és a Kaggle-ön.
#EmbeddingGemma 2#Google DeepMind -
OpenAI 722 matematikai kéziratot tett közzé – a szakma etikai aggályokat fogalmaz meg
Az OpenAI kedden 722 kéziratot hozott nyilvánosságra, amelyek 372 eredménycsaládba rendeződnek, és algebra, elméleti számítástechnika, valamint matematikai logika területén oldanak meg régi nyitott kérdéseket. Az eredmények egy egyelőre nyilvánosságra nem hozott modellből származnak; az AGMAI elitmatematikusokból álló tanácsadó csoport közlése alapján az átlagos eredmény hozzávetőleg háromórányi ChatGPT Pro gondolkodásnak felelt meg. Az AGMAI korábban arra is felszólította az AI-laboratóriumokat, hogy ne kezeljék marketingeszközként az ilyen felfedezéseket, és hozzák nyilvánosságra a modell nevét, a promptokat és a számítási költségeket. A princetoni Institute for Advanced Study aggodalmát fejezte ki amiatt, hogy az AI olyan matematikai érveket is előállíthat, amelyeket a promptot adó ember nem képes megérteni vagy ellenőrizni; az OpenAI bejelentette, hogy együttműködik az intézettel, ám nem jelezte, hogy leállítaná jelenlegi gyakorlatát.
#OpenAI#matematika -
Zuckerberg Biohubja 1,8 milliárd dollárt mozgósít sejtmodellező AI-ra
A Reuters beszámolója szerint a Mark Zuckerberg és Priscilla Chan által támogatott nonprofit Biohub egy 1,8 milliárd dolláros kezdeményezést koordinál, amely adatokat, laboreszközöket és számítási kapacitást fog össze olyan AI-modellek építéséhez, amelyek sejtek viselkedését jósolnák meg, felgyorsítva ezzel a gyógyszerfejlesztést. A szervezet áprilisban már 500 millió dollárt ígért ötéves „Virtual Biology Initiative” programjára. A Meta, a Google DeepMind és az Isomorphic Labs összesen 300 millió dollárral, az amerikai Energiaügyi Minisztérium pedig öt év alatt több mint 500 millió dollárral járul hozzá laborméréseekhez és számításhoz. A National Institutes of Health több mint 500 millió dollár korábbi szövetségi finanszírozásból épült adatkészleteket koordinál, amelyeket a Biohub szabványosít AI-tréninghez; az első adatkészlet várhatóan egy év múlva lesz kész. Más cégek is biológiai AI-projekteket futtatnak: az Anthropic saját biológiai laboratóriumot épített, az OpenAI Foundation pedig több mint 125 millió dollárt fordít biológiai és orvosi adatkészletekre.
-
Google nyilvánosan is elérhetővé tette a SynthID AI-tartalomfelismerőt
A Google kedden globálisan elérhetővé tette a SynthID Detector nevű weboldalt, amely bárki számára lehetővé teszi, hogy ellenőrizze: egy kép, videó vagy hangfájl AI-val készült-e. A szolgáltatás eddig csak kiválasztott újságírók és kutatók számára volt elérhető, most mindenki használhatja Google-, OpenAI- vagy Apple-fiókkal bejelentkezve. A Google szerint az eszköz nemcsak a saját Gemini, Veo és Lyria modelljeiből származó SynthID vízjeleket ismeri fel, hanem a partnerek, köztük az OpenAI, az Nvidia és a Kakao vízjeleit is, az Apple támogatása pedig hamarosan érkezik. A cég közlése szerint eddig több mint 180 milliárd kép és videó, valamint 240 ezer évnyi hanganyag kapott SynthID-jelölést, és naponta egymillió ellenőrzési kérés érkezik a Gemini alkalmazásban, a Chrome-ban és a Keresőben. A felhasználók naponta mintegy tíz kép-, videó- és hangellenőrzést végezhetnek, és a rendszer csak azt jelzi, hogy tartalmaz-e SynthID vízjelet, nem univerzális AI-detektor.
#SynthID#Google -
OpenAI bemutatta a Decisions API-t, és egyszerűsítette árazási szintjeit
Az OpenAI bejelentése szerint új API-t indított Decisions API néven, amely szöveget, képet vagy mindkettőt képes értékelni, és állítása szerint körülbelül tízszer gyorsabb, mint a meglévő Responses API. A szolgáltatás nyilvános béta fázisban érhető el, egyelőre kizárólag a gpt-6-luna modellel működik, bemeneti tokenenként 0,10 dollárért millió tokenenként, míg a kimeneti tokenek ingyenesek. Az API háromféle választ ad: igen/nem valószínűséget, előre megadott kategóriák közötti választást, illetve skálázott értékelést, a cég szerint például kárfelmérésre fotókon vagy ügyfélmegkeresések automatikus irányítására használható. Emellett az OpenAI ötről háromra csökkentette a fizetős API-szintek számát (Build, Launch, Grow), 500, 5000 és 200 000 dolláros havi felhasználási korláttal, és a szervezetek automatikusan lépnek feljebb a szinteken a vásárolt kreditösszeg alapján.
#OpenAI#Decisions API -
Elérhető az Anthropic Claude Haiku 5.5 modellje az AWS-en
Az AWS bejelentette, hogy a Claude Haiku 5.5 mostantól elérhető az Amazon Bedrocköz és a Claude Platformon keresztül is. Az Anthropic állítása szerint ez a Claude 5.5 család leggyorsabb és leghatékonyabb tagja, amelyet kifejezetten subagentekhez és nagy volumenű, költségérzékeny feladatokhoz fejlesztettek, és a legtöbb feladatnál mintegy 75 százalékkal olcsóbb, mint a Claude Haiku 4.5. A modell az első Haiku, amely úgynevezett effort control funkciót kapott, így feladatonként állítható a költség és a képesség aránya. A Bedrocköz kapcsolódva a vállalati adatok az AWS infrastruktúráján belül maradnak, és a megszokott AWS-eszközök (IAM, CloudTrail, CloudWatch, Bedrock Guardrails) is használhatók mellette. A gyártó szerint a modell jól teljesít kódolási, eszközhasználati és agentikus feladatokban, valamint ismétlődő böngésző- és asztali műveleteknél is.
#Claude Haiku 5.5#Amazon Bedrock -
Mistral Large 4: billió paraméteres, Európában épített AI-modell kiberbiztonsági éllel
A Mistral AI nyilvános előnézetben elérhetővé tette a Mistral Large 4-et (ML4), egy billió paraméteres, natívan multimodális modellt, amelyet a cég saját európai adatközpontjaiban, 3800 NVIDIA Grace Blackwell GPU-n tanított; a teljes súlyokat október végén adják ki. A Mistral állítása szerint ML4 a legjobb nyílt súlyozású modell az USA-ból vagy Európából, és élen jár kiberbiztonsági, pénzügyi és jogi feladatokban, mert sebezhetőségeket is reprodukál és javít, amit a versenytársak biztonsági szűrői gyakran megtagadnak. A független Artificial Analysis Intelligence Index szerint ML4 38 pontot ért el, ami jelentős ugrás a Mistral Large 3 9 és a Mistral Medium 3.5 14 pontjához képest, de így is messze elmarad a piacvezető Claude Opus 5.5 (Max) 58 pontjától. A teljes súlyok megjelenéséig a cég kiberbiztonsági szakértőkkel, ellenőrzött partnerekkel és állami szervekkel teszteli a modell csökkentett moderációjú, bővített kiberképességű változatát.
#Mistral AI#kiberbiztonság -
Mistral bemutatta az 1 billió paraméteres Le Chonk modellt
A francia Mistral AI kedden bemutatta Mistral Large 4-et, becenevén Le Chonk-ot, egy 1 billió paraméteres multimodális modellt. A cég szerint egyelőre csak egy nyilvános, korlátozott hozzáférésű végponton érhető el, a súlyokat biztonsági tesztek után, mintegy három héten belül teszik majd szabadon elérhetővé – közölte Pierre Stock, a Mistral tudományos alelnöke. A vállalat állítása szerint a modellt kizárólag saját számítási kapacitásán, mindössze 4000 Nvidia GPU-val tanították, ami kétszer-háromszor kevesebb, mint amit a kínai versenytársak használnak. Mistral a modellt elsősorban kódolásra, kiberbiztonságra, valamint gyártási, pénzügyi és chiptervezési feladatokra optimalizálta, utóbbi a befektető ASML és Samsung profiljához is illeszkedik. A cég szeptemberben 3,3 milliárd dolláros finanszírozási kört zárt 24 milliárd dolláros értékelésen, ami minden idők legnagyobb európai techcég-tőkebevonása volt.
#Mistral AI#Le Chonk -
Dél-Korea 3,49 milliárd dollárt szán saját frontier AI-modellre
Dél-Korea kormánya a 2027-es költségvetési javaslat részeként 4,7 billió won, azaz mintegy 3,49 milliárd dolláros állami tőkebefektetést tervez egy hazai fejlesztésű, Kína legjobb nyílt modelljeivel versenyképes AI-rendszer létrehozására, bár a parlamentnek még jóvá kell hagynia a tervet. Egy második finanszírozási csatorna a koreai modellek hazai gazdasági alkalmazását támogatná. A jelenlegi versenyben LG AI Research, SK Telecom és Upstage versenyeznek, de a kormány nyílt pályázatot indít, amelybe start-upok is beszállhatnak, és a mostani két döntős nem kap automatikusan további forrást. Tisztviselők szerint Korea nem tud versenyezni a legnagyobb amerikai cégekkel, de felzárkózhat a vezető kínai nyílt modellekhez. Az új összeg mintegy kilencszerese a korábbi, öt kiválasztott vállalatnak juttatott 530 milliárd wonos (kb. 390 millió dolláros) támogatásnak, miközben Google, Amazon, Microsoft és Meta együttesen 725 milliárd dollárt tervez befektetni 2026-ban, főként AI-adatközpontokba.
-
Google szűkíti az ingyenes Gemini-hozzáférést október 9-től
A The Verge beszámolója szerint október 9-től a Google ingyenes Gemini-felhasználói kizárólag a Flash Lite modellt érhetik el, miközben jelenleg még a Flash és a Pro verzió közül is választhatnak. A Google állítása szerint a sztenderd Flash modellhez ezután havi 4,99 dolláros Google AI Plus előfizetés kell, ám ez a csomag is leértékelődik, mivel hamarosan kikerül belőle a Gemini Pro elérése – az érintett előfizetőket a cég e-mailben értesíti a változás időpontjáról. A vállalat közlése alapján a Gemini Pro és a „Deep Think” nevű fejlett érvelési opció ezután kizárólag a havi 19,99 dolláros AI Pro vagy a 99,99 dolláros AI Ultra előfizetéssel lesz elérhető. A Google szerint a felhasználók továbbra is választhatnak alacsony, közepes és magas „effort” szintet az egyes modelleknél, de a magasabb szintek gyorsabban felélik a használati keretet.
#Google Gemini#előfizetési csomagok -
Deepseek 12-15 milliárd dolláros finanszírozást gyűjt a CATL és a Tencent támogatásával
A Bloomberg értesülése szerint a kínai Deepseek legalább 12 milliárd dollárt gyűjt egy új finanszírozási körben, és a végösszeg elérheti a 15 milliárd dollárt is. A cég eredetileg mintegy 7,5 milliárd dollárt tervezett bevonni, körülbelül 75 milliárd dolláros értékelés mellett. A legnagyobb részt az akkumulátorgyártó CATL és a Tencent adja; a befektetői érdeklődést a V4-Flash modell hajtja, amely a Bloomberg szerint ár-teljesítmény tekintetben felveszi a versenyt az Anthropic és az OpenAI modelljeivel. A kör lezárása után a Deepseek átalakulna egy 2027 eleji tőzsdei bevezetésre, és legalább 160 ezer Huawei AI-chipre épülő adatközpontot épít, miközben saját inferencia-chipen is dolgozik, hogy csökkentse függőségét az Nvidiától és a Huaweitől. A kört korábban felfüggesztették, miután alapítója, Liang Wenfeng megjegyzései a cég Nvidia-chipektől való függéséről vírusszerűen terjedtek; júniusban a Deepseek már lezárt egy 7,4 milliárd dolláros, 50 milliárd dollár feletti értékelésű kört.
#Deepseek#CATL és Tencent -
A Z.ai GLM 5.3 kódoló AI-modellje felkerült az Amazon Bedrockra
Az AWS hivatalos blogbejegyzése szerint a Z.ai (Zhipu AI) GLM 5.3 nevű, nyílt súlyú modellje mostantól elérhető az Amazon Bedrock teljesen menedzselt API-in keresztül, infrastruktúra-üzemeltetés nélkül. A modell egy 753 milliárd paraméteres kevert szakértői (MoE) architektúra, amelyet kódolásra és hosszú távú, ügynöki (agentic) feladatokra optimalizáltak. A Z.ai saját mérései szerint a GLM 5.2-höz képest 50 százalékos javulást ért el belső kódolási benchmarkján, a CyberGym kiberbiztonsági teszten pedig 84,5 pontos, vezető eredményt mutatott fel – ezek azonban a gyártó, nem független fél állításai. A Bedrock-integráció régiók közötti következtetést, prompt-gyorsítótárazást és OpenAI-kompatibilis API-kat kínál, de a hozzáférés egyelőre csak kiválasztott vállalati ügyfeleknek elérhető.
-
OpenAI láthatatlan szövegvízjelet vezet be a ChatGPT-ben – egyelőre csak az EU-ban
Az OpenAI a következő hetekben bevezeti a textGrain nevű, láthatatlan, géppel olvasható szövegvízjelet a ChatGPT és a Codex minden csomagjában, de kezdetben kizárólag az Európai Unióban, az AI Act előírásainak megfelelve. A technológia a szóválasztásba rejt statisztikai jelet, hasonlóan a Google DeepMind SynthID-jéhez, amelyet az Anthropic is használ a Claude globálisan kötelező vízjelezéséhez. Az OpenAI szerint a textGrain belső tesztekben elérte vagy felülmúlta a SynthID teljesítményét, de API-ügyfelei világszerte önként dönthetnek a vízjelezés bekapcsolásáról, szemben az Anthropic kötelező megoldásával. A The Decoder beszámolója szerint a detektálási arány erősen függ a szöveg hosszától és témájától: 1 százalékos célzott fals pozitív arány mellett 400 tokenes, pszichológiai témájú szövegeknél kb. 95, 200 tokennél kb. 80 százalék, matematikai tartalomnál pedig ennél jelentősen alacsonyabb. A szinonimacserék is rontják a felismerést: a szavak 10 százalékának cseréje 92-ről 66 százalékra, negyedük cseréje pedig 17 százalékra csökkenti a detektálási arányt. A vállalat kutatóknak és szakértői szervezeteknek egyelőre csak eseti alapon biztosít hozzáférést a detektorhoz.
#OpenAI#EU AI Act -
Reka AI kutatási előzetest adott ki a Rho-1 omnimodellből
A Reka AI kutatási előzetesként közzétette a Rho-1 nevű omnimodellt, amely a vállalat állítása szerint 19 milliárd paraméterrel egyetlen neurális hálózatban kezeli a szöveget, a képeket, a videót és a robotvezérlési parancsokat. A cég szerint a rendszer minden modalitást tokenként dolgoz fel egy közös kontextusablakban, külön eszközhívások vagy specializált modellek nélkül, és valós időben generál folyamatos videót, miközben útközben reagál új utasításokra. Ugyanazok a súlyok jelzik előre a kamera képeit, amelyek a robotmozgásokat is irányítják. A szűkös robotikai tréningadatok pótlására a Reka AI egy inverz dinamikai modellt épített, amely hétköznapi internetes videókból von ki vezérlőjeleket. A modellt 320 darab H100-as GPU-n, mintegy három hónap alatt tanították. A vállalat korábban, 2024 áprilisában mutatta be a Reka Core multimodális modellt, amely saját állítása szerint a GPT-4, a Claude 3 és a Gemini Ultra szintjén teljesített benchmarkokon.
-
Aleph Alpha bemutatta a Kolibri nyílt súlyú nyelvi modellt
Az Aleph Alpha német AI-vállalat kiadta a Kolibri nevű német-angol nyelvi modellt, amely 78 milliárd paraméterrel rendelkezik, ebből mixture-of-experts architektúra miatt tokenenként mintegy 3 milliárd aktív. A cég állítása szerint a Kolibri mindkét nyelven a minőség és üzemeltetési költség Pareto-frontján helyezkedik el, és felülmúlja a hasonló architektúrájú, részben jóval régebbi összehasonlító modelleket. A tanítási adatok 21,3 százaléka német nyelvű volt, ehhez a cég külön német adatfeldolgozó rendszert épített, míg a szintetikus adatok előállításához kínai modelleket is bevetettek. Az Aleph Alpha szerint a modellt elsősorban közigazgatási, légiközlekedési és ipari felhasználásra szánják, az EU AI Act szempontjait figyelembe véve, európai jog alatt fejlesztették, akár egymillió tokenes kontextusablakot is támogat, tanítása 768 darab B200 GPU-n zajlott Németországban és Finnországban. A súlyok Apache 2.0 licenc alatt elérhetők a Hugging Face platformon.
-
AWS: új aws-ai-ml skill a SageMaker AI következtetés-optimalizáláshoz
Az AWS bemutatta az aws-ai-ml nevű új képességet, amely az Agent Toolkit for AWS részeként érhető el, és az Amazon SageMaker AI optimalizált generatív AI következtetési szolgáltatásához kapcsolódik. A vállalat állítása szerint a Model Context Protocol (MCP) protokollt támogató kódoló ügynökök, például a Kiro, a Claude Code és a Codex, ezzel a bővítménnyel mélyreható szakértelmet kapnak a következtetési végpontok teljesítményének benchmarkolásához, a telepítési konfigurációk ajánlásához és a futtatási eredmények összehasonlításához. A skill futtatható SageMaker Python SDK v3 kódot generál, amelyet a felhasználó a saját környezetében ellenőrizhet és módosíthat, mielőtt lefuttatná. Az AWS szerint a telepítés a helyi gépen vagy a SageMaker Studio JupyterLab térben is elvégezhető, és a cég állítása szerint mindössze 10 perc alatt eljuthatunk egy működő beszélgetésig.
-
Mesterséges intelligencia: nő a bizalmatlanság és a használat is
A MIT Technology Review cikke szerint világszerte egyszerre figyelhető meg erős ellenszenv és tömeges használat a mesterséges intelligenciával szemben. A lap a Pew Research adataira hivatkozva írja, hogy az amerikai felnőttek fele ma már használ chatbotot, ami több mint duplája a 2023-as aránynak, ugyanakkor több amerikai vár negatív, mint pozitív hatást az AI-tól, és a fiatalok közt a legerősebb a pesszimizmus. A Stanford Egyetem jelentése szerint a világ lakosságának több mint fele ideges az AI-termékektől, a Gallup májusi felmérése alapján pedig az amerikaiak 71 százaléka ellenezné egy új AI-adatközpont építését a lakóhelyén. A Sensor Tower piackutató cég szerint a ChatGPT 2025 májusában elérte az egymilliárd havi felhasználót, a Google DeepMind Gemini pedig júliusban 950 millió felhasználónál tartott. A cikk a két ellentétes tendenciát egyelőre csak lehetséges magyarázatokkal köti össze, bizonyított okozati kapcsolatot nem állít. A Financial Times rövid híre szerint az AI-szabályozásról alkotott vélemények is egyre megosztottabbá válnak az üzleti világban.
#AI-elfogadottság#ChatGPT -
Kutatás: a kereskedelmi LLM-routerek nem múlják felül a véletlen választást
Hat kereskedelmi LLM-router tesztje 14 beállításban, nyolc feladatkategóriát lefedő benchmarkon azt mutatja, hogy egyikük sem múlja felül azt a módszert, amely két gondosan kiválasztott modell közül azonos költség mellett véletlenszerűen választ – áll egy nem lektorált kutatási anyagban (preprint). Némelyik router emellett több mint 10 százalékponttal gyengébben is teljesített, mint e kétmodelles véletlen alapvonal. A szerzők ezt négy visszatérő mintázatra vezetik vissza: a nehézség figyelmen kívül hagyására, a hosszúság szerinti téves rangsorolásra, a szemantikai illesztésre és a modellkészlet nem optimális összeállítására. A tanulmány egy alternatív értékelési módszert és egy egyszerű kétmodelles routert is javasol, amely elkerüli e négy hibát, ám a javulás a véletlenszerű routinghoz képest csekély marad, mert egy jól megválasztott modellpáros már eleve keveset enged javítani.
-
LLM-ügynökök finomítják az emberi gondolkodás kognitív modelljeit
Kutatók új hibrid rendszert mutatnak be, amely a kognitív algoritmusok felfedezését programfinomítási feladatként kezeli: a korábban kézzel megalkotott, valószínűségi programként megfogalmazott kognitív modelleket LLM-ügynökök vizsgálják felül. Az ügynökök azonosítják, hol tér el a modell az emberi viselkedéstől, kutatói korlátok között kódszintű módosításokat javasolnak, majd ellenőrzik a strukturális hűséget, miközben egy valószínűségi következtető modul számítja ki a rejtett változókat és az adatok valószínűségét. A nem lektorált, arXiv-on közzétett tanulmány szerint a módszert egy problémamegoldási feladatban tesztelték, ahol a felülvizsgált modellek következetesen jobban illeszkedtek az emberi viselkedésre, mint az eredeti modellek, és néhány visszatérő, érdemi viselkedési változatosságot magyarázó innovációt is azonosítottak. A szerzők szerint ez a hibrid megközelítés ötvözi az emberi szakértelem interpretálhatóságát az LLM-ek rugalmasságával és skálázhatóságával.
-
Az IWF szerint 40%-kal nőtt az AI által generált gyermekbántalmazási képek száma
Az Internet Watch Foundation (IWF) brit szervezet szerint 2026 első felében már 6310 olyan fényképszerű, mesterséges intelligenciával készült képet vizsgáltak ki, amely jogilag gyermekek szexuális bántalmazásának minősül – ez 40%-kal haladja meg a 2025-ös teljes éves adatot, amely 4500 fölötti volt. A szervezet szerint a képek többsége lányokat, jellemzően hét és tizenhárom év közötti gyerekeket ábrázol, és a videók száma is korábban jelentősen megugrott, bár a mostani adat csak állóképekre vonatkozik. Az IWF politikai vezetője, Hannah Swirsky kötelező érvényű AI-szabályozást sürget, amely rákényszerítené a techcégeket biztonságosabb modellek fejlesztésére. A brit kormány szóvivője szerint a törvény már most tiltja az ilyen anyagok előállítására alkalmas AI-modellek fejlesztését és terjesztését, Kanishka Narayan AI-miniszter pedig jelezte, hogy minden szabályozási opció napirenden van, de konkrét új törvényjavaslat egyelőre nincs beharangozva.
-
NASA és IBM nyílt forráskódú alapmodellt épített a Hold kutatására
A NASA és az IBM Research, egyetemi partnerekkel együttműködve, kiadta a NASA-IBM Lunar Foundation Modelt, amelyet a két szervezet az első nyílt forráskódú alapmodellek egyikeként mutat be a holdkutatás számára. A modellt a SomBench nevű adathalmazon tanították be a semmiből, amely a vállalatok állítása szerint a valaha összeállított legnagyobb, egymáshoz illesztett, többmodalitású holdi adatgyűjtemény. A legtöbb adat a Lunar Reconnaissance Orbiter 17 éves megfigyeléseiből származik, kiegészítve a GRAIL, a Lunar Prospector és a japán Kaguya/SELENE szonda méréseivel. A fejlesztők szerint a modell különösen jól teljesít a sarki jégkészletek előrejelzésében és a kráterek felismerésében, mivel címkézett adat kevés, de nyers megfigyelés bőven áll rendelkezésre.
-
Google-kutatók módszere védi az önfejlesztő AI-ügynököket a tesztek bemagolásától
A Google Cloud AI Research és több egyetem kutatói olyan AI-ügynökökkel foglalkoztak, amelyek saját működési keretrendszerüket (a modellt körülvevő prompt-, eszköz- és logikarendszert) ismételten átírják a jobb teljesítmény érdekében. A kutatók szerint ez a folyamat, amelyet a gyakorlati rekurzív önfejlesztés egy formájának neveznek, komoly hátránnyal jár: az ügynökök a korlátozott tesztfeladat-készleten gyakorolva bemagolják azokat, így a teszteredményeik javulnak, de új, ismeretlen feladatokon alig vagy egyáltalán nem javulnak. Erre válaszul a kutatók egy RRSI nevű módszert dolgoztak ki, amely csökkenő „szerkesztési költségvetéssel” korlátozza az egyszerre bevezethető változtatások számát, és nyomon követi a korábbi sikertelen próbálkozásokat, hogy a rendszer ne ismételje azokat. A cikk állítása szerint az RRSI mindhárom vizsgált területen javulást hozott az ismeretlen feladatokon is, miközben a számítási költségeket is csökkentette.
#Google Cloud AI Research#AI-ügynökök -
ThinkingBox: az AI-ügynökök tényleges munkáját méri, nem a válaszukat
A Microsoft kutatói ThinkingBox néven új értékelő rendszert fejlesztettek, amely nem a végső válasz vagy a sikeres eszközhívások alapján minősíti az AI-ügynököket, hanem azt vizsgálja, milyen állapotot hagynak maguk után az adatbázisban. A rendszer Hugging Face-en keresztül is elérhető. A bejegyzés egy konkrét esetet mutat be: egy ügynök kilenc eszközhívással kezelt egy 745 dolláros, egy nashville-i elosztóközpontban elakadt csomaggal kapcsolatos panaszt, majd megoldottként zárta le az ügyet, miközben a futárszolgálat kivételkezelése még nyitva volt, és az ügyfél valódi kérdése megválaszolatlan maradt. A Microsoft szerint a ThinkingBox 507 állapotfüggő üzleti munkafolyamatot futtat, mindegyiket 20-szor, különböző nagy nyelvi modellekkel, és egy 12 modellt felölelő, 121 680 érvényes futtatást tartalmazó összehasonlításban is jelentős eltérés mutatkozott a sikeresnek tűnő és a ténylegesen helyes végállapotok között.
#ThinkingBox#Microsoft -
Pizza Bot: nyílt forráskódú postaláda AI-ügynököknek az AWS-től
AWS-fejlesztők nyílt forráskódúvá (Apache 2.0 licenc alatt) tették a Pizza Bot nevű, önhosztolt alkalmazást, amely e-mail-kliens stílusú felületen kezeli a háttérben futó AI-ügynökök munkáját. A rendszer kliens-szerver architektúrán alapul: az ügynökök ütemezetten vagy webhookra indulva dolgoznak, feladatokat delegálhatnak specializált munkásoknak, és emberi jóváhagyásra várhatnak fontosabb lépések előtt. A fejlesztők, Joseph Dolivo (principal technologist) és Igor Fil (solutions architect) szerint a postaláda-metafora azért illik, mert egy szál olyan munkaegység, amihez visszatérünk, nem olyan munkamenet, amit folyamatosan figyelni kell. A rendszer több modellszolgáltatót és MCP-szervert támogat, miközben az ügynök állapotát, szálait és naplóit helyben, a felhasználó gépén tárolja, és csak a kiválasztott modellszolgáltatónak, illetve az engedélyezett MCP-szervereknek küld adatot. A projekt a fejlesztők elmondása szerint egy 2025 áprilisában indult, CRM-naplózást automatizáló belső eszközből, a „JoeBot”-ból nőtte ki magát.
-
Splice vezérigazgatója: az AI-emailek megölik a valódi beszélgetéseket
Kakul Srivastava, a zenei mintakönyvtárat üzemeltető Splice vezérigazgatója a The Verge kérdőívére válaszolva elmondta, hogy szkeptikus az AI által írt dokumentumokkal és üzenetekkel szemben, mert szerinte ezek tönkreteszik a valódi, emberi vitát és gondolkodást a távmunkában lévő csapatoknál. Splice-nál korábban a Spitfire Audio felvásárlásával bővítették a kínálatot, és a cég generatív AI-termékeinél is arra törekszenek, hogy az ember maradjon a kreatív folyamat középpontjában, elkerülve az olyan „gombnyomásra kész dal” megoldásokat, amilyennek például a Suno-t tartják. Srivastava korábban vezető pozíciókat töltött be a Flickr, a Yahoo, a GitHub és az Adobe cégeknél is. A nyilatkozat egy a The Verge által közölt kérdőíves interjú része, amely a cégvezető személyes munkaszokásait és véleményét mutatja be, nem egy hivatalos vállalati közlemény vagy kutatási eredmény.
-
OpenAI biztonsági szakembere mondott fel, szerinte a cég kultúrája „megtört”
David Robinson, aki három és fél éven át az OpenAI biztonsági jelentéseit írta a nagyobb modell-kiadásokhoz, felmondott, és a The Atlantic hasábjain publikált esszéjében azt állítja, hogy az iparág kultúrája alapvetően hibás. Szerinte a Szilícium-völgyre jellemző „túlzott magabiztosság” és „folyamatos sprintelés” nem elég ahhoz, hogy kezelje az egyre nagyobb képességű modellek kockázatait, ezért a vezető laboratóriumoknak atomerőművekhez vagy repülőterekhez hasonló, redundáns, körültekintő biztonsági eljárásokra lenne szükségük. Robinson lépése a TechCrunch szerint egy szélesebb trendbe illeszkedik: korábban Jacob Coxon mondott fel hasonló figyelmeztetéssel az OpenAI-tól és az Anthropictól, majd a Google DeepMindtől és az Anthropictól is több kutató távozott. A TechCrunch megjegyzi, hogy az ügy nyomán AI-vezérigazgatók találkoztak Donald Trump elnökkel, és aláírtak egy gyorsan összeütött, nem kötelező érvényű biztonsági nyilatkozatot.
#OpenAI#AI biztonság -
Altman: veszélyesnek tartja, ha vallásos jelentést tulajdonítanak az AI-nak
Sam Altman, az OpenAI vezérigazgatója nyilvánosan bírálta azokat a vallásos párhuzamokat, amelyeket egyesek az AI-modellekhez társítanak. Szerinte „nagyon kellemetlenül” érzi magát, ha valaki „vallásos erőt vagy az emberi ítélőképesség feladását” tulajdonítja az AI-nak, és ezt „valódi biztonsági kérdésnek” nevezte. Megjegyzése a New York Times egy részletes riportja után érkezett, amely az Anthropic vallási vezetőkkel folytatott kapcsolatfelvételét mutatta be, valamint Leó pápa kijelentése nyomán, aki szerint „az algoritmusokból hiányzik az emberiesség szikrája”. A cikk szerint Altman maga is korábban, 2023-ban és 2024-ben „varázslatos égi intelligenciáról” beszélt, és azt mondta, reméli, hogy „Isten oldalán”, illetve „az angyalok oldalán” dolgozik az AI-n. Az OpenAI is folytatott már egyeztetéseket vallási vezetőkkel.
#OpenAI#AI és vallás -
A Suno új Speech funkciója beszédet és zenét generál egyszerre
A Suno, amely eddig elsősorban AI-zenegenerátorként volt ismert, új Speech nevű funkciót vezet be, amely egyetlen hangsávban hozza létre a beszélt szöveget és az ahhoz illeszkedő háttérzenét. A felhasználó megadja a szöveget vagy egy ötletet, valamint a kívánt hang- és zenei stílust, a modell pedig egyszerre generálja a hangot és a zenét. A cég termékigazgatója, Jack Brody szerint a funkciót egy hónapig tesztelték kisebb csoporttal, és verseknél, meditációknál, altatómeséknél ajánlják, bár a béta még hibás – például a brit akcentus néha ausztrálnak hangzik. A Suno nem hozta nyilvánosságra, milyen adatokon tanította a modellt, ami azért is kényes kérdés, mert nagy lemezkiadók perelték be a céget, és egy müncheni bíróság nemrég a startup ellen döntött, elutasítva a fair use védekezést a szerzői jogi anyagok felhasználására.
-
DoorDash belső GenAI-platformot épített 5000 alkalmazottnak
A DoorDash GenAI Platform csapatának vezetője, Swaroop Chitlur és kollégája, Siddharth Kodwani szoftvermérnök egy InfoQ-előadáson mutatta be, hogyan épült fel a vállalat belső mesterségesintelligencia-infrastruktúrája. Az előadók szerint a projekt 2023 áprilisában indult, nem sokkal a 2022 novemberi ChatGPT-bemutató után, amikor a cég OpenAI-szerződést kötött. A csapat állítása szerint a kezdeti, kizárólag külső szolgáltatóra (vendor-first) épülő megoldásról fokozatosan nyílt súlyozású (open-weights) modellekre tértek át, és LLM-, illetve ágens-átjárókat (gateway) építettek ki. A platform jelenleg több mint 5000 belső felhasználót szolgál ki, miközben a csapat a pontosság, a válaszidő és a költség egyensúlyát igyekszik megtartani. Az előadás a DoorDash saját beszámolója, nem független auditált adat.
-
Cohere bemutatta az Embed 5 vállalati keresőmodell-családot
A Cohere hivatalos közleménye szerint megjelent az Embed 5 modellcsalád, amely a vállalati célú visszakeresés (retrieval) élvonalába pozicionálja magát. A Pro verzió a cég állítása szerint a legmagasabb átlagpontszámot érte el az általuk tesztelt modellek közül, különösen pénzügyi adathalmazokon, feldolgozott PDF-eken és vizuálisan összetett dokumentumokon. Új elemként érkezik az Embed 5 Fast, amely alacsonyabb késleltetés és költség mellett (0,08 dollár millió tokenenként) nyújt versenyképes teljesítményt, míg a Pro ára 0,12 dollár millió tokenenként. A két modell közös embedding-teret használ, így egy indexet lehet Pro-val felépíteni és bármelyik modellel lekérdezni, index-újraépítés nélkül. A család multimodális bemeneteket, 100+ nyelvet és 128 ezer tokenes kontextusablakot támogat, és elérhető a Cohere API-n, a Microsoft Foundryn és az Amazon SageMakeren keresztül.
#Cohere#Embed 5
