Streszczenia pisze AI z pełnych artykułów, a program sprawdza każdy cytat i liczbę w źródle. Jak to działa
modeleThe Decoderważność 8/10
Muse Wonder Full uzyskał 56 punktów, a Muse Wonder 52 w Artificial Analysis Intelligence Index v4.3; poprzednik Muse Spark 1.3 miał 48 punktów. Największy wzrost odnotowano w zadaniach agentowych: wynik Terminal-Bench 4.0 wzrósł z 33 do 57 procent, a Muse Wonder Full znalazł się w pierwszej trójce w sześciu z dziesięciu benchmarków. Oba modele obsługują kontekst o długości miliona tokenów oraz wejściowe teksty, obrazy, wideo i audio, ale Muse Wonder Full jest obecnie dostępny tylko dla użytkowników Muse Code. Muse Wonder kosztuje $4.52 za zadanie w Intelligence Index, a stawki wynoszą $4 za milion tokenów wejściowych i $20 za wyjściowe; zużywa też 28 procent więcej tokenów wejściowych na zadanie niż poprzednik. Wiedza faktograficzna pozostaje słabym punktem: Muse Wonder Full uzyskał 30 punktów w teście AA-Omniscience, choć jego wskaźnik halucynacji spadł z 33 do 23 procent względem poprzednika.
Co z tego dla Ciebie: Możesz testować Muse Wonder przez API lub Muse Code, a Muse Wonder Full na razie wyłącznie w Muse Code. Przy ocenie kosztów uwzględnij osobno tokeny wejściowe, bo model zużywa ich więcej na zadanie, a ich udział w całkowitym koszcie jest wysoki.
Czytaj artykuł (The Decoder)
narzędziaGitHub Changelogważność 5/10
Administratorzy Enterprise mogą przypisać aktywność Copilota do użytkownika bez zbierania promptów, odpowiedzi ani treści narzędzi; przechwytywanie tożsamości jest domyślnie wyłączone. Ustawienie telemetry.capture.identity dodaje do danych OpenTelemetry nazwę konta Copilot, lokalnego użytkownika systemu i nazwę hosta. Administratorzy mogą niezależnie sterować pięcioma klasami treści, a ich przechwytywanie jest domyślnie wyłączone; prompt, wyniki narzędzi i szczegóły polityk mogą zawierać kod, komendy oraz ścieżki.
Co z tego dla Ciebie: Jeśli potrzebujesz atrybucji audytowej bez treści rozmów, skonfiguruj przechwytywanie tożsamości osobno od klas treści. Włączaj tylko klasy wymagane dla konkretnego audytu i kieruj je do zatwierdzonego endpointu.
Czytaj artykuł (GitHub Changelog)
narzędziaGitHub Blogważność 5/10
Instrukcje repozytorium w pliku .github/copilot-instructions.md pozwalają przekazać Copilotowi wspólne konwencje, architekturę oraz wymagania dotyczące testów i walidacji. Dla konkretnych typów plików można dodać instrukcje w .github/instructions i użyć pola applyTo, aby wskazać, kiedy Copilot ma je stosować. Powtarzalne procedury można opisać jako umiejętności agenta w osobnych katalogach .github/skills, na przykład dodając SKILL.md z instrukcjami uruchamiania testów, lintowania i diagnozowania błędów. Profile własnych agentów w .github/agents służą do większych, specjalistycznych zadań, a serwery MCP mogą łączyć Copilota z zewnętrznymi narzędziami i źródłami danych, takimi jak Playwright.
Co z tego dla Ciebie: Zacznij od jednej konwencji, którą często tłumaczysz Copilotowi: dodaj ją do .github/copilot-instructions.md i sprawdź przy następnym zadaniu, jak Copilot ją stosuje. Dla powtarzanego procesu, takiego jak testy i lintowanie, możesz później przygotować osobną umiejętność z opisem skryptów i typowych błędów.
Czytaj artykuł (GitHub Blog)
benchmarkiThe Decoderważność 5/10
Badanie Microsoft Research wskazuje, że nagromadzony kontekst rozmowy może ograniczać poszukiwania agentów i utrzymywać je przy podobnych rozwiązaniach; osiem uruchomień tego samego agenta zakończyło się wynikami od 68.3 do 100.0. Metoda Fork-and-Flush dzieli agenta na równoległe gałęzie, które zachowują workspace i wygenerowane pliki, ale tracą cały kontekst rozmowy, by rozpocząć nowy tok rozumowania. W 13 długotrwałych zadaniach Fork-and-Flush uzyskał średni znormalizowany wynik 0.78 przy tym samym budżecie obliczeniowym, wobec 0.47 dla pojedynczych uruchomień, i osiągnął najwyższy średni wynik w 12 zadaniach. Samo czyszczenie kontekstu bez tworzenia równoległych gałęzi poprawiło wyniki o 22 procent.
Co z tego dla Ciebie: Przy długim zadaniu badawczym możesz rozważyć uruchomienie równoległych gałęzi z wyczyszczonym kontekstem rozmowy, zachowując workspace i pliki wynikowe. Artykuł opisuje też prostszy wariant: samo wyczyszczenie kontekstu bez rozgałęziania poprawiło wyniki w testach.
Czytaj artykuł (The Decoder)
benchmarkiThe Decoderważność 5/10
MASS pozwala jednemu modelowi rozdzielać pracę między swoje kopie, oceniać wyniki i optymalizować kolejne przepływy bez silniejszego modelu-nauczyciela. W testach win rate względem modelu bazowego wzrósł z 53.9 procent po jednej rundzie do 69.9 procent po dwóch, ale wyniki na Terminal-Bench 2.0 i SWE-bench Verified nieznacznie spadły. Zgodność samoewaluatora z zewnętrznymi sędziami wzrosła z 73 do 93 procent, lecz w części eksperymentów delegowanie nie było używane, a istotność zysków znikała przy porównaniu zadanie po zadaniu. Autorzy wskazują wspólne ślepe punkty jako ryzyko: model może uznać błędny lub zmanipulowany wynik za sukces i utrwalić go w kolejnej rundzie treningu, dlatego postulują niezależne kontrole i ograniczenia autonomii.
Co z tego dla Ciebie: Jeśli eksperymentujesz z samodoskonalącym się agentem, dodaj niezależne kontrole wyników i jasno określ warunki interwencji, zamiast polegać wyłącznie na samoocenie modelu. Badanie opisuje przypadki, w których błędne wyniki zostały uznane za sukces.
Czytaj artykuł (The Decoder)
