Streszczenia pisze AI z pełnych artykułów, a program sprawdza każdy cytat i liczbę w źródle. Jak to działa
modeleGoogle DeepMindważność 8/10
Gemini 4 Argon udostępniono globalnie deweloperom i firmom przez API w AI Studio i Gemini platform; cena startowa wynosi $2 za milion tokenów wejściowych i $10 za milion wyjściowych, a cached input tokens są tańsze o 95%. W ADK-Python optymalizacje przygotowania sesji zmniejszyły czas wczytywania sesji in-memory o 40% w długich sesjach, a zimny import pakietu przyspieszyły o 21%. W teście modelu Gemma 4 E2B na A100 przez vLLM uzyskano przyspieszenie inferencji 2.85x i przepustowość ponad 108,000 tokenów na sekundę, z 100% zgodnością tokenów i bez spadku jakości.
Co z tego dla Ciebie: Możesz przetestować Argon przez API w AI Studio lub Gemini platform, uwzględniając podaną cenę startową tokenów przy szacowaniu kosztu użycia.
Czytaj artykuł (Google DeepMind)
narzędziaGitHub Changelogważność 7/10
Gemini 4 Argon jest dostępny w GitHub Copilot dla użytkowników planów Pro+, Max, Business i Enterprise, ale wdrażanie jest stopniowe, więc model może jeszcze nie być widoczny na każdym koncie. Model można wybrać w selektorze w VS Code, Visual Studio, Copilot CLI, coding agent, aplikacji Copilot oraz IDE JetBrains, Xcode i Eclipse. Administratorzy Copilot Business i Enterprise mogą zarządzać dostępem przez politykę modeli; nowe modele są domyślnie włączane, chyba że administrator wyłączył globalną opcję albo konkretny model.
Co z tego dla Ciebie: Jeśli masz dostęp do Copilot, sprawdź selektor modeli w używanym IDE; w organizacji administrator może sterować dostępem do Argon przez model policy w Copilot settings.
Czytaj artykuł (GitHub Changelog)
bezpieczeństwoGitHub Blogważność 7/10
GitHub zastąpił wcześniejszy pipeline oparty na LLM dwuetapowym skanerem: regexy generują kandydatów, a dostrojony klasyfikator ModernBERT ocenia kandydata wraz z kontekstem. Klasyfikator wykorzystuje między innymi ścieżkę pliku, typ sekretu, nazwy zmiennych i otaczający kod lub tekst, żeby ograniczać fałszywe alarmy, takie jak placeholdery, przykłady testowe i checksumy. W produkcji odnotowano wzrost akceptacji alertów o 11.5%, spadek mediany czasu skanowania post-push o 86% i redukcję kosztu obsługi o ponad 98% względem pipeline'u LLM. W ocenie offline na tych samych publicznych danych nowy pipeline osiągnął o 13% wyższą precyzję i o 19% wyższy recall niż poprzedni pipeline LLM.
Co z tego dla Ciebie: Przy projektowaniu skanera sekretów możesz użyć regexów do szerokiego i szybkiego wyszukiwania kandydatów, a klasyfikatora kontekstowego do odróżniania prawdziwych sekretów od podobnych, nieszkodliwych ciągów.
Czytaj artykuł (GitHub Blog)
narzędziaGoogle Developersważność 7/10
Argon pracował przez 11 godzin nad repozytorium ADK-Python liczącym około 205,000 linii i blisko 800 plików źródłowych; zmiany skróciły przygotowanie sesji in-memory o około 40% w długich sesjach i import pakietu o 21%. Po dodaniu reguł utrzymaniowych do .agents/skills i uruchomieniu /goal model pracował bez nadzoru, wykonał wszystkie 16,892 testy jednostkowe i otworzył pull request gotowy do przeglądu. Do produkcji trafiły dwie optymalizacje: filtrowanie historii sesji przed kopiowaniem oraz lazy loading ciężkich pakietów przy zachowaniu patchowalności publicznych atrybutów. Przegląd odrzucił pozostałe cztery propozycje z powodu kruchego stanu, zależności od prywatnych szczegółów bibliotek albo zysków widocznych tylko w syntetycznych testach. Zmiana nie skraca czasu od uruchomienia nowego procesu do pierwszego żądania modelu, który wyniósł 3.07 s przed zmianą i 3.09 s po niej; opóźnione moduły wczytują się przy pierwszym turnie.
Co z tego dla Ciebie: Aby odtworzyć ten tryb pracy, umieść wskazówki dla utrzymujących repo w .agents/skills, a następnie uruchom długotrwały cel w /goal mode z wymaganiami dotyczącymi testów i pull requestu. Dla serwera produkcyjnego wykonaj warm-up request przed obsługą ruchu, by pierwszy użytkownik nie poniósł jednorazowego kosztu importów.
Czytaj artykuł (Google Developers)
claude-codeClaude Codeważność 6/10
Dodano automatyczne kompaktowanie bezczynnych rozmów terminalowych: rozmowa z ponad 200K tokenów, pozostawiona bez aktywności przez około 54 minuty, jest kompaktowana przed wygaśnięciem godzinnego prompt cache. Minimalny próg kompaktowania można zmienić przez CLAUDE_CODE_IDLE_COMPACT_MIN_TOKENS, a funkcję wyłączyć ustawieniem „idleCompaction”: false; oba rozwiązania wymagają v2.1.290 lub nowszej wersji. Wydłużono do 300 sekund oczekiwanie na dane w strumieniach przez niestandardowy ANTHROPIC_BASE_URL; wcześniej takie połączenia przerywano po 180 sekundach bez danych.
Co z tego dla Ciebie: Jeśli długie rozmowy w terminalu pozostają bezczynne, możesz dostosować próg automatycznego kompaktowania albo wyłączyć tę funkcję w settings.json. Przy niestandardowym ANTHROPIC_BASE_URL możesz też uwzględnić nowy, dłuższy czas oczekiwania na dane.
Czytaj artykuł (Claude Code)
modeleHugging Faceważność 6/10
LFM2.5-24B-A2B ma 24B parametrów, z czego aktywne są 2B na token; model zachowuje architekturę 40 warstw i rozszerza okno kontekstu z 32K do 131K tokenów. Model jest przeznaczony do agentów, myśli przed odpowiedzią i obsługuje wywołania narzędzi; w benchmarku LiveClaw uzyskał 48.09 wobec 38.19 dla Qwen3.6-35B-A3B. Artykuł podaje szybkość 184 tokenów na sekundę na Apple M5 Max i ponad 21K tokenów wyjściowych na sekundę na pojedynczym B300 przy wysokiej współbieżności. Wyniki są słabsze od większych modeli w benchmarkach wiedzy i kodowania, dlatego autor zaleca łączenie LFM2.5-24B-A2B z retrieval lub wyszukiwaniem w sieci dla zadań wymagających dużej wiedzy.
Co z tego dla Ciebie: Możesz uruchomić model lokalnie za backendem zgodnym z OpenAI i skierować do niego swój harness; dla Hermes Agent artykuł podaje konfigurację z context_length 131072.
Czytaj artykuł (Hugging Face)
bezpieczeństwoGitHub Changelogważność 6/10
Secret scanning dodaje detektory kluczy Anthropic service i user oraz klucza Cloudsmith; Salesforce dołącza jako nowy partner skanowania sekretów. Detektory obu typów kluczy Anthropic są domyślnie objęte push protection; w repozytoriach z włączonym secret scanning commit zawierający taki sekret jest automatycznie blokowany. Sekrety partnerów znalezione w publicznych repozytoriach są automatycznie zgłaszane ich wystawcy, natomiast alerty dla sekretów użytkownika powstają przy wykryciu zarówno w publicznych, jak i prywatnych repozytoriach.
Co z tego dla Ciebie: Jeśli zarządzasz repozytorium z włączonym secret scanning, sprawdź obsługę push protection dla kluczy Anthropic: commity zawierające te typy sekretów będą blokowane domyślnie.
Czytaj artykuł (GitHub Changelog)
infrastrukturaOllamaważność 6/10
Ollama Cloud działa wewnątrz Fly.io Sprites, czyli maszyn wirtualnych z pełnym Linuxem i dyskiem zachowywanym między sesjami; Claude Code, Codex i Gemini CLI są obsługiwane od razu. Klucz API dodaje się do organizacji Fly.io, a gateway dołącza go do żądania; sam Sprite zna tylko adres gatewaya i connection ID, nie klucz użytkownika. Nowe connectory domyślnie blokują wszystkie Sprites, a dostęp można przyznać według etykiety, prefiksu nazwy albo wszystkim; wywołania działają wyłącznie z wnętrza Sprite'a.
Co z tego dla Ciebie: Możesz skierować agenta działającego w Sprite do Ollama przez kompatybilny interfejs OpenAI: ustaw base_url na gateway i użyj dowolnej wartości api_key, bo gateway dodaje właściwy klucz.
Czytaj artykuł (Ollama)
narzędziaSimon Willisonważność 5/10
Wydanie llm-gemini 0.35 dodaje obsługę Gemini 4 Argon; artykuł podaje startową cenę $2 za milion tokenów wejściowych i $10 za milion wyjściowych oraz zapowiada podwojenie ceny 1 grudnia. Autor zaznacza, że ceny za token nie są w pełni porównywalne, bo w agentowym środowisku liczy się też liczba tokenów potrzebna modelowi do wykonania zadania. W benchmarku Artificial Analysis koszt uruchomienia Argona wyniósł $2,407; po zapowiedzianej podwyżce ma on nadal być nieco tańszy od GPT-6 Astra.
Co z tego dla Ciebie: Możesz użyć llm-gemini 0.35 do wywoływania Gemini 4 Argon przez Gemini API, ale przy kalkulacji kosztów uwzględnij zapowiedzianą zmianę ceny 1 grudnia.
Czytaj artykuł (Simon Willison)
narzędziaCursorważność 5/10
Origin App Marketplace integruje się z ponad 20 aplikacjami do wdrożeń, CI, code review, bezpieczeństwa, monitoringu i zarządzania projektami; rynek jest teraz otwarty na publiczne zgłoszenia aplikacji. Aplikacje korzystają z Origin API, uwierzytelniają się przez app JWT i installation access tokens, odbierają webhooki oraz mogą zapisywać check runs, komentarze do pull requestów i reviews. Zgłoszenie wymaga opublikowania aplikacji z namespace'u, podania sluga i tagów oraz dołączenia filmu pokazującego instalację, odinstalowanie i główne przepływy produktu; Origin publikuje ją po zatwierdzeniu.
Co z tego dla Ciebie: Możesz zbudować integrację Origin, która odbiera webhooki i publikuje wyniki jako check runs, komentarze lub reviews do pull requestów; po przygotowaniu aplikacji zgłoś ją do publicznego marketplace'u.
Czytaj artykuł (Cursor)
narzędziaSimon Willisonważność 5/10
Autor pokazuje Muse Wonder na sześciu poziomach rozumowania: minimal, low, medium, high, xhigh i max. W porównaniu ilustracji pelikanów autor ocenia, że kolejne wersje Muse 1.2, Muse 1.3 i Muse Wonder przynoszą zauważalne poprawy w tym zadaniu.
Co z tego dla Ciebie: Możesz zaktualizować llm-meta-ai do wersji 0.2, aby korzystać z Muse Wonder, i porównać zachowanie modelu na różnych poziomach rozumowania dostępnych w przykładzie.
Czytaj artykuł (Simon Willison)
