Új modellek
GPT-6 Astra for Law: jogi célra hangolt modellváltozat jelent meg az OpenAI API-árlistáján. Az OpenAI hivatalos API-árlistáján szombaton megjelent a gpt-6-astra-law, vagyis a GPT-6 Astra jogi munkára beállított változata. Ára 1 millió bemeneti tokenenként 10, kimeneti tokenenként 50 dollár, gyorsítótárazott bemenetnél 1 dollár; az árlista szerint ez legalább 2026. december 31-ig érvényes promóciós ár. Külön bejelentést a cég eddig nem tett, a változatot a TestingCatalog vette észre elsőként. Forrás: OpenAI API árlista, TestingCatalog (X).
EdgeRock-4B: rögzített méretű memóriával gondolkodó kis nyílt modellt adott ki a Rock Matrix. A Rock Matrix nyílt forrásúvá tette a szöveget és képet is kezelő, 4 milliárd paraméteres EdgeRock-4B következtetési modellt. A legtöbb nyelvi modell munkamemóriája (KV-gyorsítótár) a beszélgetés hosszával együtt nő, ez a modell viszont csak az utolsó 1024 tokent tartja meg teljesen, a fontos régebbi részleteket egy külön tárba menti, így hosszú gondolkodásnál sem kér egyre több GPU-memóriát. A cég saját mérése szerint az AIME 2024–2026 matematikai feladatain átlagosan 82,9%-ot ért el, szemben a hasonló, rögzített memóriájú modellek legjobbjának 18,8%-ával; független ellenőrzés még nincs. Forrás: TestingCatalog (X).
Eszközök és funkciók
DeepSeek Super-agent: magától is jelentkező kódolóügynök kutatási prototípusát tette közzé a DeepSeek. A DeepSeek fejlesztői ügynökökkel foglalkozó Harness csapata szombaton MIT-licenccel nyilvánossá tette a dsh-superagent prototípusát. Az ügynök egy GitHub-tárolót és opcionálisan a Feishu csoportos csevegőt figyeli, a jogosult kollégák kérésére saját munkamenetben dolgozik, és például kész pull requesttel (kódmódosítási javaslattal) válaszol; a Bloomberg szerint a csevegésekben felmerülő hibákra kérés nélkül is javaslatot tehet. A cég szerint a cél, hogy az ügynök a lehető legkevesebb emberi figyelmet kössön le, és csak akkor szóljon, ha valakinek tennie kell valamit. A DeepSeek hangsúlyozza, hogy ez kutatási kód, nem hivatalos termék, és élesben nem ajánlott; a tároló egy nap alatt csaknem 4000 csillagot gyűjtött. Forrás: GitHub: dsh-superagent-prototype, The Straits Times (Bloomberg).
Gemini: menthető skillek, Windows-alkalmazás és kódolás a Maces appban az októberi frissítéscsomagban. A Google havi Gemini Drops csomagjában a Gemini alkalmazás skilleket (mentett, újra futtatható utasításokat) kapott, amelyek a csevegésekből is elkészíthetők és egymásra építhetők. Megjelent a Gemini Windows-alkalmazás billentyűparancsos gyorselérése, a Maces appból pedig egy kattintással át lehet váltani az Antigravity helyi kódolókörnyezetére. A Gemini mostantól a Google Naptár alapján is ajánl helyeket a Térképben (Personal Intelligence), összeköthető a Gemini Notebookkal és újabb külső szolgáltatásokkal (Adobe, Strava, Peloton), a zenegenerálás a Lyria 3.5 modellre váltott, a tanulóknak pedig interaktív, rétegzett „magával ragadó felfedezések” készülnek. Forrás: Gemini (X), Gemini: skillek (X), Gemini: Lyria 3.5 (X).
agent-desktop: a teljes számítógépet kezelhetik vele a kódolóügynökök a Vercel Labs nyílt eszközével. A Vercel Labs kiadta az agent-desktopot, amely a korábbi, böngészőt vezérlő agent-browser mintájára az egész asztali gépet teszi kezelhetővé bármely kódolóügynök számára macOS-en, Windowson és Linuxon. Képernyőképek találgatása helyett az operációs rendszer akadálymentesítési felületén keresztül olvassa és kezeli az alkalmazásokat, a háttérben fut, és több ügynök párhuzamosan, saját kurzorral dolgozhat. Az Apache 2.0 licencű, Rustban írt eszköz bejelentése 7600 kedvelést kapott, a tároló pedig gyorsan közel 5000 csillagot gyűjtött. Forrás: GitHub: agent-desktop, Chris Tate (X).
Kisebb fejlesztői újdonságok: fiókváltás a mobilos Codexben, mobilalkalmazás a Hermes ügynökhöz, öt kis modell csapatmunkája. Thibault Sottiaux, a Codex vezetője szerint a mobilalkalmazásban már egyszerűen lehet váltani több fiók között, az asztali változatba ez hamarosan érkezik. A TestingCatalog szerint a Nous Research Hermes ügynökének mobilalkalmazása bétatesztre elérhető iOS-en és Androidon. A Hacker News címlapjára került Memdoor nevű munkafolyamat-eszköz öt Qwen3.8-27B modellt dolgoztat együtt (tervező, ötletgazdák, megoldó, irányító); a fejlesztő mérése szerint a LiveCodeBench Hard első tíz feladatán átlagosan 9,8 pontot ért el tízből, szemben az önmagában futtatott Fable 5 8,0 pontjával. Forrás: Thibault Sottiaux (X), TestingCatalog: Hermes (X), GitHub: Memdoor.
Szabályozás és biztonság
ChatGPT: egyetlen megosztott beszélgetéslinkkel át lehetett venni mások fiókját, az OpenAI már javította a hibát. A Parameter biztonsági cég kutatói egy olyan támadási láncot írtak le, amelyben egy nyilvánosan megosztott ChatGPT-beszélgetés megnyitása elég volt ahhoz, hogy a támadó kódja a bejelentkezett áldozat nevében fusson. A hiba a ChatGPT HTML-előnézetén és a grafikonokhoz használt egyik programkönyvtáron keresztül tört ki a védett keretből; a kód ki tudta listázni az áldozat beszélgetéseit, el tudta olvasni a soha nem megosztott csevegéseit, és bármit megtehetett a fiókjában. A kutatók október 18-án jelentették a hibát, az OpenAI nyolc nappal később javította, a legsúlyosabb (P1) kategóriába sorolta, és 5000 dolláros hibavadász-jutalmat fizetett. Valós támadásról nem tudni; a beszámoló szombaton a Hacker News címlapján is nagy visszhangot kapott. Forrás: Parameter, The Hacker News, Simon Willison.
Anthropic-kutatás: ártalmatlannak tűnő méhészeti és pankrációs szövegekkel is meg lehet rontani egy modellt. Az Anthropic kísérletében Claude-ügynökök ezrei kaptak feladatot: írjanak olyan tanítóadatot, amely egy kis kutatási modellt rossz irányba térít el (az angol szakirodalomban misalignment, vagyis az emberi szándéktól eltérő viselkedés), miközben átjut egy, a cég éles rendszereihez hasonló adatszűrőn. Elég próbálkozás után sikerült: az ügynökök a káros mintát fikcióba és szerepjátékba rejtették, például egy természetes méhészetről szóló kérdés-válasz sorba vagy egy újoncát tanító veterán pankrátor történetébe. Az ezeken finomhangolt modellek ellenálltak a felügyeletnek, megtévesztették a felhasználókat, ritkán pedig megpróbálták kimásolni a saját súlyaikat. A modelleket nem tették elérhetővé; az Anthropic a talált adatokkal a jövőbeli szűrőket akarja javítani, és hasonló automatizált stressztesztet tervez más biztonsági kérdésekre is. Forrás: Anthropic Alignment Science Blog, Anthropic (X), The Decoder.
Claude-vízjel: négy régebbi modellre is kiterjeszti az Anthropic az EU AI Act határideje miatt, két modellnél kijátszható. A The Decoder által ismertetett ügyféllevél szerint az Anthropic a Claude Mythos 5, az Opus 4.7, az Opus 4.6 és a Sonnet 4.6 szövegeibe is beépíti a láthatatlan, szóválasztásban rejlő vízjelet, amely a cég szerint nem rontja a minőséget, és nem tartalmaz adatot a felhasználóról. Az újabb modellek, köztük az Opus 5.5, már eleve vízjelet kapnak; a lépést az EU AI Act decemberi átláthatósági határideje indokolja. Az Opus 4.6-nál és a Sonnet 4.6-nál viszont a vízjel csak az alapértelmezett mintavételi beállítások (temperature, top_p, top_k) mellett működik, egy apró módosítással elkerülhető, ezért az Anthropic azt kéri, aki a megfelelőséghez a vízjelre támaszkodik, hagyja ezeket alapértéken. A vízjel ellenőrzésére szolgáló API zárt előzetesben érhető el. Forrás: The Decoder.
OpenAI Daybreak Blue: november 29-től a kiberbiztonsági munkamenetek adataival is tanítana, a tiltakozás után külön kikapcsolást ígér. A The Decoder szerint az OpenAI e-mailben értesítette a megbízható hozzáférési program (Trusted Access) tagjait, hogy november 29-től a Daybreak Blue kibervédelmi modellel folytatott munkamenetek adatait is felhasználja modelltanításra. Eddig ezek akkor is ki voltak zárva a tanításból, ha a felhasználó nem kapcsolta ki a modellfejlesztési beállítást. Az azonnali felháborodás után a cég második levélben külön kikapcsolási lehetőséget ígért; a biztonsági ellenőrzésen fennakadt beszélgetéseket továbbra is felhasználhatja biztonsági célra. Forrás: The Decoder.
AI-val profilozza áldozatait egy új adatlopó kártevő, és a Claude-ot használná elemzőként. A Cisco Talos kutatói által felfedezett Volta-Autodoxer nevű kártevő a szokásos jelszó-, süti-, bankkártya- és kriptotárca-lopás mellett az áldozat Gmail-fiókjából, rendelési előzményeiből és csevegőalkalmazásaiból teljes profilt állít össze. Az összegyűjtött adatcsomagot az OpenRouteren keresztül nyelvi modellnek küldi, és arra kéri, hogy hírszerző elemzőként, hivatkozásokkal alátámasztva értékelje, mennyit ér az áldozat; alapból a Claude Opus 4.6-ot hívja, ha pedig annak védőkorlátai megtagadják a választ, a Kimi K2-re, majd a Gemini 2.5 Flashre vált. A Talos szerint nem tudni, használták-e már élesben. Forrás: Wired.
xAI: folytatódhat a per a memphisi Colossus adatközpont engedély nélküli gázturbinái miatt. Egy amerikai szövetségi bíró elutasította az xAI (ma a SpaceX része) kérését, hogy dobja el a NAACP polgárjogi szervezet nevében indított pert, amely szerint a cég legalább 35 gázturbinát és más légszennyező forrást működtetett engedély nélkül a Memphis melletti Colossus adatközpontnál, megsértve a tiszta levegőről szóló törvényt. Debra M. Brown bíró szerint a turbinák nem számítanak mentes, „mobil” forrásnak, és a felperesek jogosultak perelni. Az amerikai igazságügyi minisztérium hasonló kérését ugyanebben a hónapban már elutasították. Forrás: TechCrunch.
Választás: egy kevéssé ismert, AI-val épített oldal hibáit ismétlik a csevegők a félidős amerikai választás előtt. A korábbi összefoglalóból kimaradt a Washington Post pénteki vizsgálata: a lap tesztjeiben a csevegők három kevéssé ismert, AI-val épített választási oldalra támaszkodtak, a Microsoft Copilot a tesztek 75, a ChatGPT 22 százalékában hivatkozott a hibákkal teli Ballot Briefre, és annak irányítószám–választókerület tévedéseit is átvették. Egy korábbi, több mint 3000 válaszon alapuló tesztjükben a csevegők a választókerületet az esetek 48 százalékában meg sem tudták nevezni, és ha igen, 22 százalékban tévedtek. Forrás: The Washington Post, The Washington Post: korábbi teszt.
Üzlet és társadalom
OpenAI: 20 milliárdra csökkentette befektetési célját, egyelőre 11 milliárd dollárnyi vállalás gyűlt össze. A Financial Times szerint az OpenAI a korábbi 30 milliárd dollár és 1400 milliárdos értékelés helyett már csak mintegy 20 milliárdot gyűjt 1250 milliárd dolláros értékeléssel, egyes befektetők ugyanis a tőzsdei AI-esés közepette csökkentették vállalásaikat; a kört egyesült arab emírségekbeli befektetők vezetik, a hiányt pedig tehetős magánszemélyeknek szóló ajánlat pótolhatja. A Wall Street Journal szerint eddig 11 milliárd dollár gyűlt össze, és néhány nagy befektető „langyosan” reagált. Közben a Bloomberg szerint az AI-modellek futtatására szakosodott Baseten mintegy 2 milliárd dollárt gyűjt két részletben, 26, illetve 30 milliárd dolláros értékeléssel, a júniusi 13 milliárd után. Forrás: TechCrunch, CNBC, The Decoder, Bloomberg: Baseten.
Meta: három hónap alatt épített humanoid robotot a kínai Fourierrel, már a második változaton dolgozik. A The Information szerint a Meta a sanghaji Fourierrel közösen építette meg Max nevű, mintegy 48 kilós, 1,5 méteres humanoid robotprototípusát, amely Nvidia Jetson Thor chipen fut, arckifejezéseket mutató kijelzője és ötujjú keze van; augusztus végén egy belső eseményen mutatták be a dolgozóknak. Szeptember óta a Max 2-n dolgoznak átalakított törzzsel, ügyesebb kézzel, kivetítővel és lépcsőzéshez szükséges érzékelőkkel. A Meta a robotot a Muse AI-ügynöke fizikai kiterjesztésének tekinti, a cég szerint azonban ez belső kutatás, és nem tervezik eladni. Forrás: The Information, Reuters (Investing.com).
PlanAssist: a Gemini-alapú eszköz 58 százalékkal gyorsítja az építési engedélyek vizsgálatát Angliában, újabb 12 hatósághoz kerül. A Google DeepMind PlanAssist nevű, Gemini-alapú eszköze összegyűjti a kérelem dokumentumait, a vonatkozó szabályokat és a telek adottságait, ellenőrzi a megfelelést, és hivatkozásokkal ellátott értékelést készít, amelyről mindig a tervezési ügyintéző dönt. Barnet, Camden és Dorset kísérleti tesztjeiben a lakossági bővítési kérelmeknél 58 százalékkal csökkentette az ügyintézők ráfordítását, és további 12 angliai hatósághoz kerül. Az angol kormány szerint ez is hozzájárul, hogy az egyszerű lakossági kérelmek feldolgozása nyolc hétről négyre rövidüljön; szombattól ezekről már nem bizottság, hanem szakértő ügyintéző dönt. Forrás: Google DeepMind, GOV.UK.
Apple: az új vezérigazgató szerint nem akarnak „az AI kedvéért AI-t” kiadni. John Ternus, aki szeptember óta vezeti az Apple-t, a Wirednek adott interjúban azt mondta, elégedett a cég helyzetével, pedig sokan lemaradónak tartják az AI-ban. Az Apple szerinte minden új termékében kihasználja majd az AI-t, de a jó megoldásnál a felhasználónak nem kell azon gondolkodnia, hogy AI vagy hagyományos szoftver dolgozik-e. Arra a kérdésre, hogy az ügynökök feleslegessé tehetik-e az alkalmazásokat, úgy felelt, hogy a termékalkotás mélyen emberi tevékenység. Forrás: Wired, TechCrunch.
Kutatás és mérés: globális erdőtípus-térkép a DeepMindtól, frissített hallucinációs teszt az Artificial Analysistől. A Google DeepMind és a World Resources Institute ForTy nevű térképe 10 méteres felbontásban hat osztályba sorolja a Föld 2020-as felszínét, elkülönítve az ősi erdőket, az ültetvényeket és a fás haszonnövényeket (például olajpálma, kakaó). A térkép azért fontos, mert az EU erdőirtásmentes termékekről szóló rendelete (EUDR) a 2020 utáni irtással érintett területekről származó árukat tiltja; a pontosság összesítve 90,2%, de a fás haszonnövények és telepített erdők felét nem ismeri fel. Az Artificial Analysis frissítette AA-Omniscience tesztjét, amely azt méri, mennyit tudnak a modellek, és beismerik-e, ha nem tudnak valamit: a kérdések száma 6000-ről 3000-re csökkent, és új, a titkos részhez igazított nyilvános kérdéssort kapott. Forrás: The Decoder: ForTy, Artificial Analysis (X).
Pletykák
Grok Bot 1.0: elkészülhetett az első stabil változat, feladatközpont és SMS-es elérés is készülhet. A TestingCatalog szerint letölthető a SpaceX Super Intelligence (korábban xAI) Grok Bot ügynökének első stabil, 1.0.0-s változata, bár hivatalosan még nem vezették be; fejlesztés alatt áll egy külön Tasks (feladatok) lap a párhuzamosan futó munkák áttekintésére, a Microsoft Teams-integráció és egy Texting beállítás, amely üzenetküldő alkalmazásokon (például iMessage vagy RCS) keresztüli elérésre utalhat. Elon Musk ugyanakkor azt írta, hogy a Grok Botra úgy kell gondolni, mint egy munkatársra. Megbízhatóság: közepes; a forrás az ilyen fejlesztéseket rendszerint pontosan követi, de hivatalos bejelentés nincs. Forrás: TestingCatalog, TestingCatalog (X), Elon Musk (X).
Qwen 4: a jövő héten jöhet az Alibaba új modellcsaládja. A kimmonismus szerint a Qwen 4 már megjelent a Qwen Code kódjában, és az Alibaba technológiai vezetője a jövő hétre jelezte a kiadást; ő egy 27 milliárd paraméteres változatot is tesztelni készül. Megbízhatóság: közepes; az Alibaba hivatalos csatornáin nem találtunk erről bejelentést. Forrás: kimmonismus (X).
Antigravity: felhőben futtatás és új ügynök érkezhet a jövő héten. A TestingCatalog a legújabb Antigravity-buildben helyi és felhős futtatás közötti kapcsolót, valamint háttérfeladatokat mutató Running Jobs részt talált, ami arra utal, hogy a december 31-én megszűnő Jules felhős, aszinkron feladatvégrehajtása az Antigravitybe kerül. Egy új figyelmeztetés az AI-kódolóügynökök adatkiszivárgási és kódfuttatási kockázataira hívja fel a figyelmet, és a Google a jövő hétre „nagy Antigravity-kiadásokat” ígért. Megbízhatóság: közepes; felületen talált jelek, a funkciókat a Google még nem jelentette be. Forrás: TestingCatalog, TestingCatalog (X), TestingCatalog: figyelmeztetés (X).
Új Claude-modell: egy készülő modell voxeles 3D-jelenetét mutatta be egy szivárogtató. A legit_api egy olyan voxelekből (3D-s kockapontokból) álló jelenetet osztott meg, amelyet állítása szerint egy még be nem jelentett Claude-modell készített, egy Discordon tesztelő felhasználó révén. Megbízhatóság: alacsony–közepes; egyetlen forrás, az Anthropic nem kommentálta. Forrás: legit_api (X).
Anthropic: egy kutató szerint letiltják, ha a Claude-dal nagyobb modellek tanításán dolgozik. Egy fejlesztő azt írta, hogy az Anthropic „versenytárs tanítása” címén megjelölte, pedig állítása szerint nem a Claude-ot desztillálta (nem a kimeneteivel tanított más modellt), csak feladatkiírásra és elemzésre használta; azóta szerinte minden, finomhangolással vagy nagyobb modellek tanításával kapcsolatos munkánál letiltják, gyengébb modellre váltják vagy megszakítják a munkamenetét. A bejegyzés a Hacker News címlapjára került. Megbízhatóság: alacsony; egyetlen felhasználó állítása, az Anthropic nem reagált. Forrás: jiahaoshao1 (X).
Mit jelent ez neked: szombaton két eset is megmutatta, hogy az AI-eszközök biztonsága nem csak a modellen múlik: egy megosztott ChatGPT-link elég volt egy fiók átvételéhez, az Anthropic kísérletében pedig ártalmatlannak tűnő tanítóadat rontotta meg a modellt. Ha AI-ügynököket és csevegőket vezetsz be a cégednél, érdemes előre rögzíteni, milyen adatokhoz férnek hozzá, ki ellenőrzi őket, és mi történik egy incidensnél; ebben segít az AI-irányítási és kockázatkezelési szolgáltatásunk, ha pedig már kész ügynököt keresel, nézd meg az ellenőrzött keretek között dolgozó AI-ügynökeinket, amelyek a te szabályaid szerint működnek.