LLM

Najnowsze badania Penn State University zaskakująco wskazują, że niegrzeczne monity poprawiają skuteczność chatbotów opartych na dużych modelach językowych, stawiając pod znakiem zapytania dotychczasowe przekonania o 'społecznym’ zachowaniu AI.

Haiku 4.5 to mniejszy, zoptymalizowany pod kątem opóźnień model Anthropic, który według producenta osiąga poziom Sonnet 4 w zadaniach kodowania przy ponad dwukrotnie większej szybkości i jedną trzecią kosztu. Model jest dostępny od ręki przez API Anthropic oraz w katalogach Amazon Bedrock i Google Cloud Vertex AI.

Alibaba rozszerza rodzinę multimodalnych modeli Qwen3‑VL o gęste odmiany 4B i 8B (Instruct i Thinking) z checkpointami w formacie FP8. Modele zachowują długokontekstowe i multimodalne możliwości, jednocześnie celując w wdrożenia o ograniczonych zasobach pamięci GPU.

Nowy framework ACE od Stanfordu, SambaNova Systems i UC Berkeley usprawnia działanie LLM, edytując i rozwijając kontekst wejściowy, zamiast aktualizować wagi modelu. Czy to początek nowej ery w optymalizacji modeli językowych?

SwiReasoning to procedura dekodowania, która w czasie rzeczywistym decyduje, kiedy model ma „myśleć w ukrytej przestrzeni”, a kiedy wypisywać jawny chain-of-thought. Metoda, nie wymagająca dodatkowego treningu, wykorzystuje trendy entropii rozkładów kolejnych tokenów jako sygnał pewności i według autorów zwiększa zarówno dokładność, jak i efektywność tokenową w zadaniach matematycznych i STEM.