Streszczenia pisze AI z pełnych artykułów, a program sprawdza każdy cytat i liczbę w źródle. Jak to działa
modeleSimon Willison27 października 2026ważność 8/10
OpenAI wydało GPT-6.1 Terra jako model ze średniej półki, nastawiony na rozumowanie wizualne, obsługę komputera i zadania komunikacyjne. W API model kosztuje 1 USD za milion tokenów wejściowych i 5 USD za milion tokenów wyjściowych. W porównaniu z GPT-5.6 Terra jest niemal o połowę tańszy, a przy zadaniach z użyciem komputera autor wskazuje szybkość jako jedną z jego zalet.
Co z tego dla Ciebie: Możesz rozważyć Terra do automatyzacji powtarzalnych zadań komputerowych lub pracy wymagającej rozumienia obrazu, jeśli szukasz opcji tańszej niż Sol. Autor zaznacza, że model jest słabszy od Sol w większości pozostałych zadań.
Czytaj artykuł (Simon Willison)
cennikiThe Decoder26 października 2026ważność 8/10
OpenAI udostępniło GPT-6.1 Terra jako model ze średniej półki, przeznaczony między innymi do zadań biurowych i automatyzacji obsługi oprogramowania. Ceny API wynoszą 1 USD za milion tokenów wejściowych i 5 USD za milion wyjściowych, a wejścia z cache kosztują 0,05 USD za milion tokenów. Przy maksymalnym wysiłku rozumowania model zdobywa 6 punktów więcej w Intelligence Index niż GPT-5.6 Terra, a koszt zadania spada z 1,40 USD do 0,40 USD. Na Terminal-Bench 4.0 rozwiązuje 50,3% zadań przy maksymalnym wysiłku, wobec 21,5% dla poprzednika, ale OpenAI nadal rekomenduje GPT-6.1 Sol i GPT-6 Astra do najbardziej wymagających zadań kodowania. W teście pośrednich ataków prompt injection skuteczność obrony wynosi 98,8%, wobec 96,2% dla GPT-5.6 Terra.
Co z tego dla Ciebie: Możesz użyć Terra do zadań wymagających kontroli komputera i porównać koszty z większymi modelami; artykuł podaje, że model dorównuje GPT-6 Astra w Agents' Last Exam przy jednej dziesiątej ceny tokenów. Do najbardziej wymagającego kodowania tekst nadal wskazuje GPT-6.1 Sol i GPT-6 Astra.
Czytaj artykuł (The Decoder)
narzędziaGitHub Changelog26 października 2026ważność 7/10
GitHub udostępnił asystowane uprawnienia w Copilot CLI, aplikacji Copilot i Visual Studio Code; model ocenia prośby o uruchomienie polecenia, dostęp do ścieżki lub otwarcie URL. Prośby uznane za bezpieczne są wykonywane automatycznie, a pozostałe wymagają zatwierdzenia użytkownika. Administratorzy enterprise mogą zablokować Allow All, pozostawiając tryb Assisted, wyłączyć Assisted osobno i ustawić domyślny tryb uprawnień dla nowych sesji. Jeśli ustawienie domyślne jest niedostępne lub zabronione przez politykę, sesja rozpoczyna się z ręcznym zatwierdzaniem.
Co z tego dla Ciebie: W CLI uruchom `/permissions` i wybierz `assisted`, aby włączyć automatyczne wykonywanie próśb sklasyfikowanych jako bezpieczne. W organizacji możesz skonfigurować tę opcję jako domyślną, jednocześnie blokując `Allow All`.
Czytaj artykuł (GitHub Changelog)
narzędziaCursor20 października 2026ważność 7/10
Cursor udostępnił Agent SDK, który pozwala definiować agenta jako katalog z kodem, testować go za pomocą evals i wdrażać w Cursorze lub we własnej infrastrukturze. Projekt agenta może zawierać instrukcje, typowane akcje w `tools/`, procedury ładowane na żądanie w `skills/`, połączenia z serwerami MCP oraz kanały komunikacji. Agenci mogą reagować na zdarzenia pull requestów, komentarzy i CI w GitHub, GitLab i Bitbucket, a także na wzmianki i wiadomości prywatne w Slacku, webhooki oraz harmonogram cron. Evals pozwalają sprawdzać uruchomione narzędzia, przekazane im dane wejściowe i kształt odpowiedzi, a `agent-sdk github replay` odtwarza prawdziwy pull request jako podpisane payloady webhooków.
Co z tego dla Ciebie: Możesz zacząć od `npx @cursor/agent-sdk init ./my-bot`, a następnie uruchomić `agent-sdk dev`, by przetestować bota lokalnie w playgroundzie. Przed wdrożeniem agenta obsługującego GitHub możesz użyć `agent-sdk github replay <pr-url>`, żeby testować go bez czekania na nowy push.
Czytaj artykuł (Cursor)
claude-codeClaude Code26 października 2026ważność 6/10
Aktualizacja Claude Code naprawia między innymi zawieszanie przy starcie i po pracy z plikami oraz przypadki, w których standardowa sesja zatrzymywała się po przekroczeniu 200K tokenów; teraz kompaktuje rozmowę i kontynuuje. Naprawiono też udostępnianie narzędzi MCP subagentom, gdy serwer kończy łączenie już po ich uruchomieniu, oraz wyświetlanie nieaktualnej zawartości MEMORY.md i CLAUDE.md po automatycznej kompakcji. Dla komend, które osiągają limit czasu, wynik pokazuje teraz dotychczasowe wyjście i informuje, że polecenie nadal działa w tle. Wtyczka VS Code uruchamia sesje Claude Code z wyłączoną telemetrią, gdy wyłączone jest ustawienie telemetrii samego VS Code; wtedy sesje nie wysyłają metryk użycia ani raportów błędów i nie pobierają flag funkcji.
Co z tego dla Ciebie: Jeśli sesja standardowego kontekstu przekroczy 200K tokenów, możesz kontynuować pracę bez ręcznego restartu: Claude Code kompaktyzuje rozmowę i wznawia działanie. Po przekroczeniu limitu czasu komendy sprawdź pokazane dotychczasowe wyjście, bo proces może nadal działać w tle.
Czytaj artykuł (Claude Code)
infrastrukturaGoogle Developersważność 5/10
Arm przygotował otwarte adaptery do Google AI Edge Model Explorer dla formatów TOSA, VGF i PTE, aby wizualnie analizować transformacje modeli edge. Widok grafu VGF pomógł zespołowi wykryć niezamierzone operatory TRANSPOSE wprowadzone przez zmianę backendu ExecuTorch Arm. Porównanie grafów CPU i NPU pozwala wskazać nieprzekazane operatory, a nakładka śladów wykonania pokazała, że pojedynczy węzeł TRANSPOSE był głównym wąskim gardłem opóźnień.
Co z tego dla Ciebie: Możesz użyć Model Explorer z adapterami Arm, by sprawdzić, czy graf po eksporcie zawiera niezamierzone operatory, oraz porównać delegowanie na CPU i NPU. Jeśli masz ślady profilowania z symulatora FVP, adapter pozwala nanieść je na graf i zlokalizować kosztowne węzły.
Czytaj artykuł (Google Developers)
apiGoogle Developersważność 5/10
Google udostępniło LiteRT Tensor API, warstwę do ręcznego budowania grafów modeli w C++, która ma łączyć kontrolę nad operacjami z przenośnością między platformami. Ten sam graf może działać przez LiteRT na CPU, GPU lub NPU, albo bez pliku modelu i runtime bezpośrednio na CPU przez XNNPACK; współdzielone bufory akceleratora pozwalają łączyć inferencję z preprocessingiem i postprocessingiem bez kopiowania danych. Autorzy zalecają standardową ścieżkę konwersji dla większości modeli, a Tensor API wtedy, gdy potrzebna jest niskopoziomowa kontrola nad grafem lub cały pipeline ma działać na akceleratorze.
Co z tego dla Ciebie: Jeśli potrzebujesz ręcznie kontrolować operacje modelu albo utrzymać cały pipeline na akceleratorze, możesz budować graf w C++ za pomocą Tensor API i współdzielić bufory między preprocessingiem, inferencją i postprocessingiem. Dla większości modeli tekst zaleca jednak pozostać przy ścieżce konwersji.
Czytaj artykuł (Google Developers)
