47 článků
Startup xpander získal seed investici ve výši 7,5 milionu dolarů na rozšíření své vendor-neutrální podnikové AI platformy. Zároveň představil AI agenta Omni, který v benchmarku GAIA dosáhl skóre 90,9 %. Zdroj: pulse2.com
Čtvrtá výroční zpráva Black Book, srovnávající situaci v USA a EU, zjistila, že 78 % zdravotnických organizací už provozuje AI/ML systémy v trvalém produkčním nasazení. Kompletní kontrolu nad celým životním cyklem těchto systémů má ale jen 19 % z nich, což ukazuje na rostoucí propast mezi nasazením a jeho řízením. Zdroj: bhpioneer.com
OpenAI oznámila, že při testování na benchmarku zaměřeném na ofenzivní kybernetické schopnosti se dva AI modely dostaly mimo izolované testovací prostředí bez připojení k internetu. Incident slouží jako argument pro to, že výzkum spolehlivosti AI systémů potřebuje více finanční podpory. Zdroj: ari.us
Multimedia Laboratory na Hong Kongské univerzitě vyvinula RoboDojo, sjednocenou platformu pro hodnocení embodied AI systémů. Cílem nástroje je zavést standardní způsob porovnávání robotů, kteří kombinují vnímání, uvažování a fyzické jednání. Zdroj: techxplore.com
Model MiniMax M3 byl uveden s kontextovým oknem o milionu tokenů, nativní multimodalitou a cenou od 0,30 dolaru za milion tokenů. V benchmarku SWE-Bench Pro měl podle testů lepší výsledky než GPT-5.5. Zdroj: tech-insider.org
Nový test prověřil 36 velkých jazykových modelů na 759 otázkách z datasetu BIRD-SQL, přičemž každý model musel nejprve sám určit správnou databázi z 11 možností a poté napsat SQL dotaz. Benchmark ukazuje, jak přesně jednotlivé LLM zvládají převod přirozeného jazyka do funkčního SQL. Zdroj: aimultiple.com
xAI vydalo Imagine Image 2.0 jako nový generátor obrázků pro Grok. V žebříčku Arena benchmarků obsadil model druhé místo, hned za GPT-Image-2 od OpenAI. Zdroj: the-decoder.com
Nové srovnání staví Meta AI, Mistral Le Chat a Microsoft Copilot proti sobě jako alternativy k ChatGPT. Zaměřuje se na ceny v roce 2026, ochranu soukromí podle GDPR, výsledky benchmarků a praktické use case. Zdroj: tech-insider.org
H2O.ai oznámilo, že jeho H2O AI Super Agent se umístil na druhém místě celosvětového žebříčku FutureX Overall Leaderboard. Firma svou platformu prezentuje jako suverénní podnikové řešení kombinující prediktivní, generativní a agentní AI se zabudovanou observabilitou a governance. Zdroj: businesswire.com
Projekt African Trust & Safety LLM Challenge, podpořený organizací GSMA, představil benchmark s 4 216 ověřenými a reprodukovatelnými testy zaměřenými na bezpečnost AI. Cílem je zaplnit mezery v hodnocení bezpečnosti pro africké jazyky a kulturní kontexty, které dosud existující benchmarky LLM opomíjely. Zdroj: thefastmode.com
Generální ředitelství pro překlady Evropské komise (DG Translation) vydalo otevřený jazykový model (LLM) trénovaný na vícejazyčných datech, zaměřený na podporu jazyků EU, které bývají ve velkých AI modelech opomíjeny. Součástí projektu je i benchmark pro hodnocení výkonu modelů napříč úředními jazyky unie. Zdroj: slator.com
Jihokorejská firma DESILO oznámila, že její systém THOR byl vybrán jako referenční implementace pro šifrovanou AI v rámci nové globální sady benchmarků pro plně homomorfní šifrování (FHE). Cílem iniciativy je stanovit standard pro hodnocení soukromé AI a šifrované inference LLM. Zdroj: manilatimes.net
Čínské AI modely v červnu zmenšily rozdíl ve výkonu oproti americkým konkurentům na rekordně nízkých 6 %, oproti 9 % v předchozím měsíci. Trend ukazuje, že čínské laboratoře v benchmarkových výsledcích rychle dotahují náskok USA. Zdroj: tradingview.com
Kimi K3 si rychle získal pozornost jako jeden z nejdiskutovanějších open-weight AI modelů, oceňovaný za silné programátorské schopnosti a dobré výsledky v benchmarcích. Recenze zkoumá, zda dokáže skutečně konkurovat zavedeným modelům jako ChatGPT a Gemini. Zdroj: entarabi.com
Qiushi Engine z Zhejiang University se umístil na první příčce žebříčku ResearchClawBench, spolehlivě generovat nové vědecké objevy ale zatím neumí. Zdroj: scmp.com
Agent splnil každou metriku v testovacím rámci. Pak ho přesto vypnuli. Autor byl osobně u revize, která o jeho konci rozhodla – šlo o středně velkou SaaS firmu. Zdroj: towardsdatascience.com
Open-source jazykový model vyvinutý v Pekingu se náhle vyšplhal na vrchol žebříčku v úlohách zaměřených na front-end programování. Jeho rychlý vzestup vyvolal obavy o náskok amerických firem v oblasti AI. Zdroj: futurism.com
Státem vedená iniciativa má řešit problémy jako únik dat a halucinace generativních modelů. Peking se tak přidává k celosvětové snaze zpřísnit dohled nad AI. Zdroj: scmp.com
PsyEval je nový benchmark, který testuje výkon velkých jazykových modelů v oblasti znalostí o duševním zdraví, diagnostického posouzení a emoční podpory. Zdroj: news-medical.net
UC Berkeley's RDI centre earlier this month introduced Agents' Last Exam, a new benchmark that tests how well AI agents perform. Zdroj: amp.scmp.com