Przełomowe badania naukowe i odkrycia w dziedzinie AI
Badanie opisuje SDAD – ramę procesową łączącą precyzyjne specyfikacje z agentową syntezą kodu i weryfikacją pod nadzorem człowieka.
Agent AI Luna z Andon Labs zwolnił pierwszego pracownika, ale dopiero gdy ludzie przypomnieli mu o jego własnym regulaminie i wcześniejszych ostrzeżeniach.
Nowe badanie ekonomiczne pokazuje, że AI w nauce zwiększa koszt alternatywny czasu badaczy, prowadząc częściej do gorszych, a nie lepszych publikacji.
Naukowcy z MIT wykazali, że przy dużych zbiorach danych treningowych nie da się jednoznacznie przypisać wygenerowanego obrazu do konkretnego dzieła.
Dane OpenRouter pokazują, że zużycie tokenów przez agentów AI wzrosło 14-krotnie od lutego 2026, wyprzedzając wzrost zużycia przez ludzi.
Startup Inherent z Londynu twierdzi, że jego agent Faraday, oparty na modelu 27B, pokonał Claude i GPT-5.5 w replikacji badań naukowych.
Nowe badanie pokazuje, że skille pomagają agentom AI głównie przez procedurę działania, nie wiedzę, a duże biblioteki utrudniają ich trafne wyszukanie.
Nowe badanie pokazuje, że modele świata ignorujące ludzkie przekonania i intencje przewidują błędne działania – framework MWM podnosi wynik F1 z 63,3 do 87,9 punktu.
Praca pozycyjna proponuje Transition Complexity Profile (TCP) – metrykę mierzącą trudność przewidywania przejść w grach dla modeli AI i RL.
Startup Generalist AI pokazał roboty, które po jednym filmie instruktażowym improwizują i przenoszą umiejętności na nowe zadania jak małe dzieci.
Nowe badanie prezentuje Aegis – system runtime governance, który blokuje ryzykowne akcje agentów AI przed ich wykonaniem, z zerowym wskaźnikiem incydentów w testach.
System GxP-Agent koduje procesy regulacyjne jako grafy DAG, osiągając 100% zgodności w programowaniu danych badań klinicznych, gdzie pojedyncze LLM zawodzą całkowicie.
