Nem találtam publikusan elérhető háttérinformációt.

Nem találtam publikusan elérhető háttérinformációt.

• A AgentCL egy új keretrendszer, amely a nyelvi ágensek folyamatos tanulását (continual learning) hivatott szigorúan értékelni.
• A kutatás arra a problémára fókuszál, hogy a nyelvi ágensek a feladatmegoldás során szerzett tapasztalatokat általában nem hasznosítják a későbbi feladatok során.
• A keretrendszer olyan feladatsorozatokat (stream-eket) hoz létre, ahol a korábbi megoldások, bizonyítékok vagy munkafolyamatok szándékosan újra felhasználhatók a későbbi feladatokban, így mérve a transzfertudást.

Ez a kutatás egy új benchmarkot, az AgentCL-t mutatja be, amelynek célja, hogy megoldást találjon a nyelvi ágensek folyamatos tanulásának és a megszerzett tudás újrafelhasználásának mérésére. A meglévő benchmarkok ugyanis nem elemzik a feladatok közötti kapcsolatokat, így nehéz megérteni, hogy egy ágens mit és hogyan tanul az idő múlásával.

• A SkillHarm egy új benchmark, amely az AI ágensek sebezhetőségét vizsgálja harmadik féltől származó képességek (skills) használata során.
• Két fő támadási forgatókönyvet értékel: a "Fixed-Payload Poisoning" (FPP), ahol egy fix, fertőzött képességcsomag közvetlenül kompromittálja a feladatot, és a "Self-Mutating Poisoning" (SMP), ahol egy kezdetben jóindulatú képesség később válik rosszindulatúvá.
• A kutatók létrehozták az AutoSkillHarm rendszert is, amely automatizáltan képes rosszindulatú képességeket generálni; a kísérletek során az ügynökök akár 86,3%-os támadási sikerességi rátát is mutattak.

A kutatás rávilágít egy kritikus sebezhetőségre az AI ágens architektúrákban: a külső forrásból származó, előre megírt képességek (skills) fegyverként használhatók az ágensek ellen. A SkillHarm az első szisztematikus benchmark, amely feltérképezi ezeket a képességalapú támadásokat, megkülönböztetve a statikus és az idővel változó, önmagukat módosító rosszindulatú kódokat.

• Az X-Stream az első olyan benchmark, amely a multimodális nyelvi modellek (MLLM) több, egyidejű videófolyam értelmezésére való képességét vizsgálja.
• A benchmark 4220 kérdés-válasz párból áll, amelyek 932 videóhoz kapcsolódnak, és olyan valós idejű felhasználási eseteket szimulálnak, mint az önvezetés vagy sportközvetítések elemzése.
• A kutatás megállapította, hogy a jelenlegi csúcsmodellek jelentős nehézségekkel küzdenek több videófolyam egyidejű kezelésében, és csupán 50% körüli pontosságot érnek el.

A kutatás azt a problémát célozza, hogy a valós alkalmazások (pl. önvezetés, biztonsági rendszerek) gyakran igénylik több kamera képének egyidejű feldolgozását, azonban a meglévő AI modelleket és benchmarkokat jellemzően csak egyetlen videófolyamra tervezték. Az X-Stream ezt a hiányosságot pótolja egy új, több forrásból származó videókat tartalmazó adathalmazzal és kiértékelési módszertannal.

• A K-BrowseComp egy új, 400 feladatból álló benchmark, amely az AI ágensek webböngészési képességeit méri, kifejezetten koreai nyelvi, kulturális és intézményi kontextusban.
• A teszteken a legfejlettebb modellek, mint a GPT-5.5, DeepSeek-V4-Pro és a GLM-5.1 is csak 30-46%-os pontosságot értek el, ami jelentős visszaesés az angol nyelvű benchmarkokhoz képest.
• A helyi koreai modellek még gyengébben, 0 és 10% közötti eredménnyel teljesítettek, ami rávilágít a regionális kontextusra specializált AI fejlesztés szükségességére.

Miközben az AI modellek értékelése az alapvető képességekről (pl. szövegértés) az ágensszerű, komplex feladatmegoldás (pl. webböngészés) felé tolódik, a nem angol nyelvű benchmarkokból hiány van. A K-BrowseComp ezt a hiányt pótolja egy koreai specifikus tesztkörnyezettel, amely komoly kihívás elé állítja a jelenlegi csúcsmodelleket is.

Nem találtam publikusan elérhető háttérinformációt.

Nem találtam publikusan elérhető háttérinformációt.

• A kutatás a paraméter-hatékony finomhangolást (PEFT) nem csupán a teljes modell-finomhangolás olcsóbb alternatívájaként, hanem személyre szabott modellek létrehozásának eszközeként vizsgálja.
• A megközelítés lényege, hogy egy erős alapmodellre építve kis, trenírozható "adaptereket" használnak, amelyek az egyedi viselkedésjegyeket (pl. preferenciák, képességek) tárolják.
• A tanulmány három skálázási tengelyt vizsgál: "Scale Up" (erősebb alapmodell), "Scale Down" (milyen kicsik lehetnek az adapterek), és "Scale Out" (sok adaptált modell egyidejű kezelése).

A nagyméretű alapmodellek teljes finomhangolása rendkívül költséges. A PEFT módszerek, mint például a LoRA, ezt a költséget drasztikusan csökkentik azzal, hogy a modell paramétereinek csak egy töredékét frissítik. Ez a kutatás azt vizsgálja, hogyan lehet ezt a technológiát nagy méretekben, akár milliónyi személyre szabott AI modell létrehozására és kezelésére használni.

• Az Anthropic, a SpaceX és az OpenAI ("AI-3") várható tőzsdei bevezetése (IPO) akár 200 milliárd dollárnyi tőkét vonhat el a piacról.
• Az elemzők szerint a piac képes felszívni ezt a tőkét, mivel az eltörpül a teljes amerikai részvénypiac méretéhez (Wilshire 5000: ~75 billió dollár) képest.
• A valódi probléma a részvények alacsony közkézhányada (float) lehet (várhatóan 3-8%), ami a hatalmas kereslet miatt (pl. indexkövető alapok) komoly árfolyam-torzulásokhoz és a többi nagy cég részvényeinek eladásához vezethet.

A három technológiai óriás, az Anthropic, a SpaceX és az OpenAI együttesen közel 3 billió dolláros értékeléssel készülhet a tőzsdére lépni, ami példa nélküli a történelemben. A cikkek azt elemzik, hogy a tőkepiacok képesek-e megbirkózni ekkora méretű kibocsátásokkal anélkül, hogy az jelentős likviditást szívna el a piac többi részétől és instabilitást okozna.

• 2026. június 2-án Donald Trump elnök aláírta a "Promoting Advanced Artificial Intelligence Innovation and Security" című elnöki rendeletet.
• A rendelet egy önkéntes keretrendszert hoz létre, amelyben az AI fejlesztők a kormányzati szervekkel együttműködve vizsgálhatják meg a legfejlettebb ("frontier") modelljeik kiberbiztonsági kockázatait a széleskörű bevezetés előtt.
• Az eredeti, 90 napos felülvizsgálati időszakot az iparági visszajelzések hatására 30 napra csökkentették, hogy ne csorbuljon az amerikai cégek versenyképessége Kínával szemben.

Több hetes egyeztetés és egy korábbi tervezet visszavonása után az amerikai kormányzat kiadott egy szűkebb körű rendeletet a mesterséges intelligencia szabályozásáról. A rendelet célja, hogy egyensúlyt teremtsen az AI-innováció támogatása és a legfejlettebb modellek által jelentett nemzetbiztonsági és kiberbiztonsági kockázatok kezelése között.

Nem találtam publikusan elérhető háttérinformációt.

Nem találtam publikusan elérhető háttérinformációt.

• A MAI-Code-1-Flash egy 137 milliárd paraméterrel és 256 ezer tokenes kontextusablakkal rendelkező, kódgenerálásra optimalizált modell.
• 2026. június 2-án jelent meg, és a GitHub Copilot felhasználói számára válik elérhetővé a Visual Studio Code-ban.
• A modellt a sebességre és a hatékonyságra optimalizálták, és olyan feladatokra tervezték, mint a refaktorálás, a kódgenerálás és a repository-szintű kérdések megválaszolása.

A MAI-Code-1-Flash a Microsoft egy gyors és hatékony, mindennapi fejlesztői munkafolyamatokat támogató kódoló modellje. A célja, hogy alacsony késleltetés és költség mellett nyújtson magas minőségű segítséget közvetlenül a fejlesztői környezetben.

• A MAI-Thinking-1 a Microsoft első következtetési modellje, 35 milliárd aktív paraméterrel (~1 billió összesen) és 128 ezer tokenes kontextusablakkal rendelkezik.
• A modellt a Microsoft Build 2026 konferencián jelentették be, és komplex, több lépésből álló feladatok, hosszú kontextuson való érvelés és kódgenerálás megoldására tervezték.
• A MAI-Thinking-1 a Microsoft Foundry platformon érhető el privát előzetes verzióban, és harmadik féltől származó modellek használata nélkül, tiszta, licencelt adatokon tanították.

A MAI-Thinking-1 a Microsoft saját fejlesztésű, közepes méretű, de nagy teljesítményű modellje, amely a komplex gondolkodást igénylő feladatokra fókuszál. Ezzel a modellel a Microsoft célja, hogy csökkentse függőségét a külső partnerek modelljeitől, és erősítse saját pozícióját a vállalati AI-megoldások piacán.

• Az MCP-Persona egy 2026. június 2-án bemutatott benchmark, amely kifejezetten az LLM-alapú ágensek teljesítményét méri valós, személyes alkalmazásokban, szimulált környezetben.
• A tesztelés a Model Context Protocol (MCP) nevű nyílt szabványra épül, amely egységesíti, hogyan lépnek kapcsolatba az AI modellek külső adatokkal és eszközökkel.
• A benchmark olyan széles körben használt alkalmazásokat szimulál, mint a Reddit, a Slack vagy a Lark (Feishu), hogy tesztelje az ágensek képességeit a személyre szabott, fiók-specifikus feladatok végrehajtásában.

A tanulmány célja, hogy pótolja a meglévő benchmarkok hiányosságát, amelyek többnyire általános, információszerzési feladatokra fókuszálnak. Az MCP-Persona ezzel szemben azt vizsgálja, hogyan birkóznak meg az AI-ágensek a személyes adatokkal és fiókokkal való interakciót igénylő, gyakorlati kihívásokkal.

• A Claude Cowork egy asztali alkalmazás, amely közvetlen hozzáférést biztosít a Claude AI számára a felhasználó helyi fájljaihoz és mappáihoz, lehetővé téve a valós idejű, több lépésből álló feladatok elvégzését.
• A használatához fizetős Claude előfizetés (Pro, Max, Team vagy Enterprise) és a macOS vagy Windows asztali alkalmazás telepítése szükséges.
• A felhasználó egy kijelölt mappában adhat engedélyt a Claude-nak a fájlok olvasására, szerkesztésére és létrehozására, így automatizálva olyan feladatokat, mint a fájlok rendszerezése, dokumentumok összefoglalása vagy akár prezentációk készítése.

A Claude Cowork az Anthropic által fejlesztett eszköz, amely a hagyományos chatbot funkcionalitáson túllépve egyfajta "digitális munkatársként" működik. Ahelyett, hogy a felhasználónak kellene a kapott válaszokat manuálisan felhasználnia, a Cowork önállóan hajt végre műveleteket a felhasználó gépén, a megadott utasítások és a rendelkezésére bocsátott fájlok alapján.