• A generatív UI (GenUI) egy olyan megközelítés, ahol a felhasználói felületet (UI) valós időben egy mesterséges intelligencia ügynök hozza létre vagy módosítja ahelyett, hogy a fejlesztők előre, statikusan kódolnák le.
• Ahelyett, hogy csak szöveget generálna, az AI vizuális komponenseket (táblázatokat, grafikonokat, gombokat, űrlapokat) állít össze a felhasználó szándéka és a kontextus alapján.
• Három fő típusa létezik: a 'kontrollált' (az AI előre elkészített komponensekből választ), a 'deklaratív' (az AI egy strukturált leírást ad a felületről, pl. JSON formátumban) és a 'nyílt végű' (az AI közvetlenül HTML/CSS kódot generál).

Ez a technológia a hagyományos, chatbot-szerű interakciókat váltja fel, ahol az AI nem csupán egy szöveges válaszadó, hanem egy dinamikus munkaeszköz, amely a feladat elvégzéséhez szükséges vizuális felületet is képes azonnal létrehozni.

• A Vortex egy, az InfiniAI Lab által fejlesztett rendszer, amely hatékony és programozható ritka figyelem (sparse attention) mechanizmusok futtatását teszi lehetővé nagy nyelvi modellekben.
• A rendszer egy Python-alapú frontend nyelvből (vFlow) és egy lap-centrikus tenzor absztrakcióból (vTensor) áll, amely lehetővé teszi új figyelem-mintázatok gyors prototipizálását és integrálását modern LLM-kiszolgáló rendszerekbe (pl. SGLang).
• A Vortex használatával akár 4.7-szeres sebességnövekedést értek el a teljes figyelmi mechanizmushoz képest, miközben megőrizték a modell pontosságát. A rendszer azt is lehetővé teszi, hogy AI ügynökök automatikusan generáljanak és finomítsanak új, hatékony figyelem-algoritmusokat.

A nagy nyelvi modellek (LLM-ek) egyik legnagyobb kihívása a hosszú kontextus kezelése, ami számítás- és memóriaigényes. A Vortex rendszer erre kínál megoldást azáltal, hogy egyszerűsíti és gyorsítja a ritka figyelem (sparse attention) algoritmusok fejlesztését és használatát, amelyek csak a legfontosabb információkra koncentrálnak, így olcsóbbá és gyorsabbá teszik az AI ügynökök működését.

• A tanulmány a DataCOPE nevű keretrendszert mutatja be, amely lehetővé teszi adatelemző AI ügynökök számára, hogy felügyelet nélkül, címkézetlen adatokból fedezzenek fel újrafelhasználható képességeket (skills).
• A folyamat három részből áll: egy adatelemző ügynök felderítő futásokat (trajectories) generál, egy felügyelet nélküli ellenőr (Unsupervised Verifier) értékeli ezeket a futásokat címkék nélkül, végül egy 'Skill Manager' desztillálja a sikeresebb futásokból a közös, újrafelhasználható eljárásokat.
• A DataCOPE-ot két különböző típusú adatelemzési feladaton tesztelték (jelentéskészítés és következtetés alapú), és a felfedezett képességekkel 9.71%-os, illetve 32.30%-os átlagos pontszámnövekedést értek el a kiindulási modellekhez képest.

Ahelyett, hogy minden egyes adatelemzési feladatot a nulláról kelljen megoldania, vagy drága, ember által címkézett adatokon kelljen tanítani, ez a módszer lehetővé teszi az AI ügynök számára, hogy önállóan, a saját "tapasztalataiból" tanulva sajátítson el hatékony, általánosítható eljárásokat. Ez a megközelítés csökkenti az emberi felügyelet szükségességét és javítja a modell hatékonyságát.

Nem találtam publikusan elérhető háttérinformációt.

Nem találtam publikusan elérhető háttérinformációt.

• A Code2LoRA egy hiperhálózat-alapú keretrendszer, amely egy teljes kódbázis (repository) alapján képes LoRA (Low-Rank Adaptation) adaptereket generálni egy nyelvi modellhez.
• Két fő változata van: a Code2LoRA-Static egy adott időpillanatban lévő kódbázishoz készít adaptert, míg a Code2LoRA-Evo egy GRU (Gated Recurrent Unit) rekurrens hálózat segítségével folyamatosan frissíti az adaptert a kódbázison történt változások (commitek) alapján.
• A kutatók létrehoztak egy 604 Python kódbázist tartalmazó benchmarkot, a RepoPeftBench-et a módszer tesztelésére. A Code2LoRA-Evo 5.2 százalékponttal jobb teljesítményt ért el, mint egyetlen, megosztott LoRA adapter.

Ez a módszer megoldást kínál a kódnyelvi modellek naprakészen tartására a folyamatosan változó szoftverprojektekben. Ahelyett, hogy minden változás után drágán és lassan újratanítanák a teljes modellt, a Code2LoRA gyorsan és hatékonyan generál kisméretű, a változásokat tükröző adaptereket.

• Az MLEvolve egy LLM-alapú, többügynökös keretrendszer, amely autonóm módon képes gépi tanulási algoritmusokat felfedezni és fejleszteni, például Kaggle-versenyekhez hasonló feladatokban.
• Két kulcsfontosságú komponenst használ: a 'Progressive MCGS'-t (Monte Carlo Graph Search), amely egy gráfon keresi a lehetséges megoldásokat és ötvözi a különböző ágak legjobb ötleteit, valamint a 'Retrospective Memory'-t, amely egy globális memóriába menti a sikeres és sikertelen próbálkozásokat a későbbi tanuláshoz.
• Az MLE-Bench nevű benchmarkon tesztelve a keretrendszer 12 órás futási idő alatt a legjobb eredményt érte el, 65.3%-os "éremaránnyal", és a matematikai optimalizációs feladatokon is felülmúlta a specializált módszereket, mint az AlphaEvolve.

A tanulmány bemutat egy olyan rendszert, amely automatizálja a gépi tanulási megoldások kifejlesztésének folyamatát. Emberi beavatkozás nélkül képes a nulláról stratégiát tervezni, kódot írni, tesztelni és a kapott eredmények alapján iteratívan javítani a saját megoldásain.

Nem találtam publikusan elérhető háttérinformációt.

Nem találtam publikusan elérhető háttérinformációt.

Nem találtam publikusan elérhető háttérinformációt.

• A Google 2026 júniusában adta ki a Gemma 4 modellek új, kvantálás-tudatos tanítással (QAT) optimalizált verzióit.
• A QAT technológia a tanítási folyamat során szimulálja a kvantálást, így a modellek mérete és memóriaigénye drasztikusan csökken a minőségromlás minimalizálása mellett, ellentétben a hagyományos utólagos kvantálással (PTQ).
• A kiadott modellek között több méret is elérhető (pl. Gemma 4 E2B, E4B, 12B, 26B, 31B), a legkisebb, mobilra optimalizált verziók kevesebb mint 1 GB memóriát igényelnek.

A Google a Gemma 4 nyílt modellcsaládját tette hatékonyabbá alacsony erőforrású, hétköznapi eszközökön, például laptopokon és mobiltelefonokon való futtatásra. Ezek a QAT modellek lehetővé teszik a fejlesztők számára, hogy a mesterséges intelligenciát közvetlenül az eszközökön, internetkapcsolat nélkül vessék be, megőrizve a bfloat16 formátumhoz közeli pontosságot, de jelentősen kisebb memóriaigénnyel.

• Az AI ügynök 'skill' egy egyszerű, kódolást nem igénylő, nyílt formátum, ami lényegében egy szöveges (Markdown) fájlban tárolt, strukturált útmutató a mesterséges intelligencia számára.
• Saját skill építésével elkerülhetők a közösségi forrásokból letöltött, ismeretlen tartalmú és potenciálisan nem biztonságos utasítások.
• A folyamat mindössze néhány lépésből áll: a feladat meghatározása, a lépések és szabályok leírása egy SKILL.md fájlba, majd a skill betöltése és tesztelése az AI ügynökkel.

A cikk egy no-code útmutatót kínál ahhoz, hogyan hozhatunk létre saját, egyedi képességeket (skills) AI ügynökök számára, mindössze 15 perc alatt. Ahelyett, hogy külső, nem ellenőrzött forrásokra támaszkodnánk, a saját szakértelmünkre alapozva biztonságos és a munkafolyamatainkhoz tökéletesen illeszkedő utasításkészleteket hozhatunk létre, amelyeket az AI ügynök követni tud.

• Az ismétlődő promptok újrafelhasználható munkafolyamatokká (skillekké) alakítása a Skill Creator segítségével.
• A kódolás előtti tervezési fázis bevezetése, hogy a mesterséges intelligencia a feladat megértése nélkül ne kezdjen el fájlokat szerkeszteni.
• A kontextuskezelés és a memória használata, hogy a hosszabb munkafolyamatok során a Claude megőrizze a fontos projektszintű döntéseket és információkat.

Az Anthropic által fejlesztett Claude Code egy terminálban futó, AI-alapú kódolási asszisztens, amely a teljes kódbázis megértésével segít a fejlesztőknek. A cikkek kiemelik, hogy a Claude hatékonysága nem a beépített eszközök számában, hanem a valós projektproblémákat megoldó, jól strukturált képességek (skillek) alkalmazásában rejlik, amelyek a tervezést, a kódgenerálást, a refaktorálást és az ellenőrzést is támogatják.

• Az Open Code Review egy nyílt forráskódú, parancssori (CLI) eszköz, amely AI (pl. OpenAI, Anthropic modellek) segítségével automatizálja a kódellenőrzést.
• Az eszközt eredetileg az Alibaba Group belső AI kódellenőrző asszisztenseként fejlesztették ki, ahol több tízezer fejlesztő használta és több millió hibát azonosított.
• A hibrid architektúrája ötvözi a determinisztikus folyamatokat (pl. a fájlok pontos kiválasztása) az AI ügynökök képességeivel, így biztosítva a teljes lefedettséget és a pontos, sor szintű visszajelzéseket.

Az Open Code Review egy AI-alapú, nyílt forráskódú parancssori eszköz, amely a Gitben lévő változásokat elemzi és strukturált code review javaslatokat generál. Az eszköz integrálható AI kódoló ügynökökbe is, és célja, hogy kiküszöbölje az általános célú AI-ok tipikus hibáit, mint például a hiányos ellenőrzést vagy a pontatlan pozíció-meghatározást.

• A projekt célja egy nyelvi modell (LLM) finomhangolása volt, hogy képes legyen a '90-es évekbeli szoftverekre jellemző, részletes és formális stílusban műszaki dokumentációt írni.
• A finomhangoláshoz egy már meglévő szöveggyűjteményt (corpus) használtak, amely régi számítógépes kézikönyvekből származott, és a Bitsavers weboldalról gyűjtötték össze.
• A kísérlethez a QLoRA (Quantized Low-Rank Adaptation) módszert alkalmazták, amely egy hatékony technika a modell súlyainak megváltoztatása nélkül, egy adapterréteg hozzáadásával alakítja át az AI viselkedését.

Egy kísérleti projekt keretében sikeresen finomhangoltak egy nyelvi modellt, hogy az a '80-as és '90-es évek szoftvertechnikai íróinak stílusát utánozza. A finomhangolt modellek sikeresen reprodukálták a korabeli dokumentációk szerkezetét és hangvételét, például a "Synopsis" és a "Return Value" szakaszok használatával, miközben megőrizték képességüket új koncepciók leírására is.