LLM čtou zprávy: rozebírají debaty o veřejném zdravotnictví v německých médiích
Výzkumníci ukázali, že GPT-5 a Gemini dokážou z německých zpravodajských článků vytáhnout a klasifikovat citace rámcující zdravotní politiku. F1 skóre se při srovnání s lidským měřítkem blíží 80 procentům. Zdroj: bioengineer.org
Důležitost:Zprávacybersecurity
Ladění jader v ML posouvá detekci síťových průniků na téměř 99% přesnost
Nová studie uvádí, že algoritmy Random Forest a Support Vector Machines s Gaussovým a sigmoidním jádrem dosáhly díky systematickému předzpracování dat přesnosti až 99,87 % na srovnávacích datech. Výsledky naznačují, že pečlivé ladění jader může výrazně zlepšit detekci síťových průniků. Zdroj: bioengineer.org
Důležitost:Zprávabenchmarks
Nový index Artificial Analysis zvětšuje propast oproti otevřeným modelům
Artificial Analysis zásadně přepracovala svůj Intelligence Index, čímž se výrazně zamíchalo pořadím modelů. Kimi K3.1 Pro v žebříčku kvůli tomu kleslo o pět příček. Zdroj: the-decoder.com
Důležitost:VýzkumMedical Diagnostics ML
Open-data ML framework dosáhl na benchmarku téměř dokonalé diagnózy rakoviny prsu
Čínští vědci vytvořili plně reprodukovatelný framework s otevřenými daty, který kombinuje interpretovatelné strojové učení s kvantitativní cytopatologií. Na srovnávacím datasetu dosahuje téměř dokonalé přesnosti při diagnostice rakoviny prsu. Zdroj: bioengineer.org
Důležitost:ZprávaAI research limitations
Studie Anthropic: AI agenti stále nezvládnou skutečný vědecký výzkum
Špičkoví programovací agenti dnes dokážou převádět výzkum strojového učení do automaticky spustitelných workflow, jenže většina dosavadních studií se soustředí na úzké testovací scénáře. Výzkum Anthropic ukazuje, že AI na skutečný vědecký výzkum v reálném světě stále nestačí. Zdroj: eu.36kr.com
Důležitost:Zprávatext-to-video models
HeyGen Video 1 dobyl první místo v žebříčku text-to-video bez zvuku
Startup HeyGen, který se zaměřuje na AI video, 22. října 2026 oznámil, že jeho první univerzální videomodel Video 1 obsadil první místo v kategorii text-to-video v žebříčku Artificial Analysis pro videa bez zvuku. Jde o silný debut firmy mimo oblast avatarových videí. Zdroj: app.dealroom.co
Důležitost:SpuštěníBenchmarks
Martingale představuje Raven Alpha pro detekci driftu modelů AI
Společnost Martingale, kterou založili tři studenti informatiky z CMU, uvedla metodu detekce driftu modelů Raven Alpha. V benchmarkových testech se umístila na prvním místě. Zdroj: usatoday.com
Důležitost:VýzkumLLM benchmarks
Promptovací strategie pro LLM v benchmarku nevykázaly stabilní výhodu
Srovnávací benchmark ukázal, že promptovací strategie pro LLM si v některých provozních bodech vedly srovnatelně s logistickou regresí a XGBoost. Stabilní výhodu oproti těmto klasickým metodám však nepřinesly. Zdroj: bioengineer.org
Důležitost:SpuštěníMeta AI models
Meta představila modely Muse Wonder a v žebříčku předběhla konkurenci
Meta uvedla novou rodinu AI modelů s názvem Muse Wonder. V žebříčku Artificial Analysis předčila Gemini 4, GPT-Astra i Fable 5 a vrací se tak do souboje s OpenAI a Anthropic. Zdroj: mashable.com
Důležitost:VýzkumLLM benchmarks/code generation
Benchmark zkoumá, jak si AI agenti vedou při psaní ekonometrického kódu
Velké jazykové modely stále častěji píší kód, na kterém stojí empirický výzkum. Nový sloupek přináší benchmark 40 ekonometrických úloh ve Stata, R a dalších nástrojích. Zdroj: cepr.org
Důležitost:Zprávadeveloper tools
Vlastní benchmark Cursor vs GitHub Copilot ve 12 krocích
Praktický návod ukazuje, jak ve vlastním repozitáři sestavit opakovatelné srovnání nástrojů Cursor a GitHub Copilot. Obsahuje 12 kroků, skripty pro bodování a kompletní funkční projekt. Zdroj: shattered.io
Důležitost:Výzkumrobot learning
Kyutai představuje REKI: 2,4B VLA model s pamětí pro robotickou manipulaci
REKI od Kyutai je vision-language-action model o 2,4 miliardách parametrů natrénovaný na veřejných datech. V benchmarku LIBERO-Plus dosáhl skóre 90,4 a díky vestavěné paměti umožňuje efektivnější manipulaci robotů s objekty. Zdroj: marktechpost.com
Důležitost:SpuštěníAI Benchmarking
Crun AI spouští žebříček LLM, video, obrazových i audio modelů
Crun AI představila žebříček, který porovnává přední modely z kategorií LLM, video, obraz a audio. Modely jsou řazeny vedle sebe podle výkonu i ceny. Zdroj: financialcontent.com
Důležitost:VýzkumAI for robotics (Gemini)
Gemini 4 Argon pro robotiku: fyzikální uvažování a zero-shot řízení
Gemini 4 Argon míří do robotiky a vede v benchmarku ERQA. Mezi jeho přednosti patří fyzikální uvažování, zero-shot řízení, Real2Sim a agentní workflow. Zdroj: developers.googleblog.com
Důležitost:ZprávaAI evaluation platform
Arena získala 200 mil. USD v kole Series B při valuaci 3,1 mld. USD
Společnost Arena ze San Franciska, která provozuje platformu a žebříček pro hodnocení reálných schopností AI modelů a agentů, získala v kole Series B 200 milionů dolarů při valuaci 3,1 miliardy dolarů. Zdroj: finsmes.com
Důležitost:NázorAI agent development best practices
Jak vyvíjet AI agenty: nástroje, bezpečnost a evaluace v praxi
Text shrnuje tři základní principy architektury agentní AI. Přidává vzory pro oprávnění nástrojů, řízení přístupu k vyhledávaným datům, cachování promptů, lidskou revizi a evaluace. Zdroj: medium.com
Důležitost:ZprávaEmbodied AI benchmarks
ROBOTERA vede žebříček embodied AI benchmarku RoboDojo
World Action Model od společnosti ROBOTERA, nazvaný VPP2 (Video Prediction Policy 2), se umístil na prvním místě v benchmarku RoboDojo. Podle oznámení výsledku dosáhl bez dodatečných dat i bez rekurzivního sebezlepšování založeného na agentech. Zdroj: prnewswire.com
Důležitost:ZprávaAI evaluation platforms
Žebříček AI modelů Arena za 10 měsíců téměř zdvojnásobil hodnotu na 3,1 mld. USD
Arena vznikla v roce 2023 jako výzkumný projekt UC Berkeley, který sbíral hodnocení AI modelů od komunity. Nyní získala 200 milionů dolarů v sérii B při ocenění 3,1 miliardy dolarů. Zdroj: techcrunch.com
Důležitost:ZprávaAI code review benchmarks
Copilot vítězí v benchmarku GitHubu, nezávislý test ukazuje opak
GitHub svým ReviewBench chce nabídnout společné měřítko pro AI nástroje na code review. Úvodní testy všech konkurentů však provedl sám tým, který benchmark vytvořil, a nezávislé hodnocení vykresluje jiný obrázek. Zdroj: thenewstack.io
Důležitost:Výzkumdevelopment tools
ReviewBench: otevřený benchmark pro AI code review
ReviewBench je benchmark pro agenty provádějící code review. Staví na reprezentativních pull requestech z GitHubu, referenčních datech z více zdrojů a kalibrovaném hodnocení. Zdroj: github.blog