Streszczenia pisze AI z pełnych artykułów, a program sprawdza każdy cytat i liczbę w źródle. Jak to działa
narzędziaThe Decoder28 października 2026ważność 8/10
Google dodało do Android Studio Rabbit 2 funkcję Bring Your Own Agent, która pozwala uruchamiać ponad 40 zewnętrznych agentów, w tym Claude i Codex, bezpośrednio w IDE. Agentom udostępniono narzędzia IDE, takie jak strukturę projektu, rozwiązywanie symboli, emulator i Logcat, a narzędzie Change Review analizuje zmiany i tworzy raporty o błędach. Nowe API Agentic w ML Kit, oparte na Gemini Nano 4, wykonuje funkcje lokalnie, zarządza historią rozmowy i pętlą orkiestracji oraz zapewnia filtry bezpieczeństwa. W testach Google agenci kończyli zadania UI o 77% szybciej i zużywali do trzech razy mniej tokenów przy użyciu podglądów Compose w terminalu.
Co z tego dla Ciebie: Możesz podłączyć do Android Studio agentów Claude lub Codex przez BYOA i dać im dostęp do narzędzi IDE. Do lokalnych funkcji agentowych w aplikacji możesz sprawdzić alpha Agentic API w ML Kit, a do udostępniania funkcji aplikacji agentom — beta AppFunctions API.
Czytaj artykuł (The Decoder)
modeleGoogle DeepMind28 października 2026ważność 7/10
Google zapowiedziało Gemini 4 Carbon, model do długotrwałych zadań inżynierskich i cyberbezpieczeństwa, który na razie udostępnia wybranym obrońcom systemów, a dostęp dla deweloperów ma nastąpić później. Model osiągnął wyniki 88,2% w SEC-bench Pro, 54,8% w ExploitGym i 71,0% w CWE-bench, obejmujących wykrywanie podatności, ich eksploatację i poprawianie. Cena początkowa wynosi 2 USD za milion tokenów wejściowych i 10 USD za milion wyjściowych; po okresie promocyjnym wzrośnie odpowiednio do 4 USD i 20 USD. Carbon osiągnął 0,0% skuteczności ataków w teście odporności na pośrednie prompt injection, ale wynik benchmarku cyberbezpieczeństwa podano bez guardrails.
Co z tego dla Ciebie: Możesz śledzić udostępnienie przez Fairwind, ale artykuł nie przedstawia Carbon jako modelu dostępnego obecnie dla wszystkich deweloperów. Przy ocenie wyników cyberbezpieczeństwa uwzględnij, że podane benchmarki wykonano bez guardrails.
Czytaj artykuł (Google DeepMind)
narzędziaGitHub Changelog28 października 2026ważność 7/10
GitHub udostępnił Copilot Fusion, który sam dobiera i orkiestruje modele dla kolejnych zadań, zamiast wymagać ręcznego wyboru modelu dla każdego kroku. W Artificial Analysis Coding Agent Index Copilot Fusion Max uzyskał wynik 60, zużywając około połowy tokenów i kosztując około połowy średniego kosztu API na zadanie względem porównania opisanego w artykule. Dostępne poziomy to Standard do codziennego kodowania, High do trudniejszych zadań i Max do najbardziej wymagających zadań oraz złożonego rozumowania. Rozliczenie obejmuje każdy użyty model według jego standardowej stawki, choć przez ograniczony czas płatni użytkownicy Copilota otrzymują 30% zniżki na koszty modeli.
Co z tego dla Ciebie: Wybierz Copilot Fusion w selektorze modeli i ustaw poziom wysiłku zamiast ręcznie zmieniać model w trakcie zadania. Jeśli konfigurujesz organizację, możesz ograniczyć dostępne Fusion modele do tych dozwolonych w politykach organizacji.
Czytaj artykuł (GitHub Changelog)
narzędziaGitHub Changelog28 października 2026ważność 7/10
GitHub udostępnił w eksperymentalnym podglądzie opcjonalne routingowanie Copilot Fusion między obsługiwanymi modelami lokalnymi i chmurowymi w CLI, aplikacji Copilot i VS Code. Na obsługiwanych urządzeniach Windows można pobrać i skonfigurować MAI Code 1.1 Flash przez Windows ML, natomiast ręcznie skonfigurowane modele lokalne w CLI działają także na Windows, macOS i Linux. Routing lokalny nie oznacza pracy offline: decyzje o routingu nadal podejmowane są w chmurze, a modele lokalne mogą mieć inne zabezpieczenia niż modele chmurowe Copilota. W aplikacji Copilot inteligentny routing obsługuje obecnie tylko zarządzane modele Windows ML, mimo że przez BYOK można połączyć i bezpośrednio wybierać kompatybilne modele lokalne.
Co z tego dla Ciebie: Jeśli chcesz przetestować lokalny routing, w CLI skonfiguruj obsługiwany model przez lokalny serwer zgodny z OpenAI, włącz eksperymentalny routing i wybierz Standard w Copilot Fusion. Nie traktuj tego jako trybu offline, bo decyzje o routingu pozostają w chmurze.
Czytaj artykuł (GitHub Changelog)
modeleHugging Face28 października 2026ważność 7/10
NVIDIA udostępniła otwartowagowy, sterowany promptami model Nemotron 3.5 Transcribe, który łączy transkrypcję, diarizację, tłumaczenie i odpowiadanie na pytania o nagranie. Model transkrybuje 40 języków, tłumaczy 31 z nich na angielski lub z angielskiego, rozpoznaje mówców w 13 językach i obsługuje nagrania do godziny oraz do ośmiu mówców. W benchmarku Hugging Face dla angielskiej transkrypcji uzyskał średni WER 5,33%, a na Artificial Analysis zremisował na pierwszym miejscu wśród modeli open-weight z wynikiem AA-WER 2,8%. Model jest przeznaczony do nagranego audio, nie do streamingu na żywo; odpowiedzi na pytania audio są trenowane po angielsku, a autorzy zalecają sprawdzanie nazw, zmian mówców i odpowiedzi względem nagrania.
Co z tego dla Ciebie: Do nagrań możesz użyć jednego checkpointu do transkrypcji z etykietami mówców, tłumaczenia albo pytań o treść, wybierając zadanie promptem. Przy słownictwie specjalistycznym najpierw podaj kontekst w prompcie, a jeśli błędy pozostaną, dostosuj model przez fine-tuning z NeMo Speech.
Czytaj artykuł (Hugging Face)
narzędziaGitHub Changelog28 października 2026ważność 7/10
GitHub Agentic Workflows osiągnęły ogólną dostępność i pozwalają automatyzować zadania wymagające rozumowania, zapisując instrukcje w Markdown, które narzędzie kompiluje do standardowego YAML GitHub Actions. Przepływy mogą korzystać z Copilota albo własnego agenta kodującego, a działają w istniejących grupach runnerów i ramach polityk GitHub Actions. Domyślnie agenci mają uprawnienia tylko do odczytu, działają w izolowanym kontenerze, a proponowane zmiany przechodzą walidację i osobne skanowanie zagrożeń. Do uruchomienia przepływu z domyślnym silnikiem GitHub Copilot CLI potrzebna jest licencja Copilot.
Co z tego dla Ciebie: Możesz opisać automatyzację triage zgłoszeń, analizy błędów CI lub pisania testów w pliku Markdown, a następnie uruchamiać ją jako GitHub Action. Jeśli używasz domyślnego silnika Copilot CLI, uwzględnij wymóg licencji Copilot.
Czytaj artykuł (GitHub Changelog)
infrastrukturaGoogle Developersważność 7/10
Google dodało do LiteRT w Google Play services inferencję GPU przez CompiledModel API, która działa około 1,4 raza szybciej niż starszy GPU delegate. W testach aplikacje przechodzące na LiteRT w Play services były około 8 MB mniejsze, ponieważ środowisko wykonawcze jest dostarczane przez Play services zamiast wbudowywane w każdą aplikację. LiteRT w Play services obsługuje telefony od Androida 7, Wear OS 4+ oraz Android Automotive OS od Androida 11; CompiledModel korzysta z OpenCL, jeśli jest dostępne, a w przeciwnym razie z OpenGL. Starsze GPU delegate i API custom delegate są przestarzałe, a NNAPI ma zostać usunięte od 2027 roku; kod używający przestarzałych API nie skompiluje się z najnowszym SDK.
Co z tego dla Ciebie: Jeśli aplikacja uruchamia własne modele ML na CPU lub GPU, możesz zastąpić dołączoną zależność LiteRT wersją z Play services i przenieść inferencję GPU do CompiledModel API. Zaplanuj migrację z przestarzałych delegate’ów oraz NNAPI, bo najnowsze SDK nie skompiluje kodu korzystającego z przestarzałych API.
Czytaj artykuł (Google Developers)
narzędziaGitHub Changelog28 października 2026ważność 6/10
GitHub udostępnił w publicznym podglądzie rozszerzenie bezpieczeństwa do aplikacji Copilot, które pozwala przeglądać alerty code scanning i prosić Copilota o ich wyjaśnienie lub naprawę. Copilot wprowadza poprawki wyłącznie do lokalnej kopii roboczej i nie wykonuje commitu ani pushu, więc zmiany można przejrzeć przed wysłaniem. Polecenie /security-review analizuje bieżące zmiany, a rozszerzenie informuje, jeśli kod zmienił się od ostatniego przeglądu. Przeglądanie i odrzucanie alertów nie zużywa AI credits, ale akcje Explain, Fix i /security-review korzystają z wybranego modelu i zużywają kredyty.
Co z tego dla Ciebie: Możesz zainstalować rozszerzenie poleceniem `copilot plugin install github-security@awesome-copilot`, a potem uruchomić `/security-review` przed otwarciem pull requesta. Jeśli pracujesz z prywatnym repozytorium, wymagane jest GitHub Code Security.
Czytaj artykuł (GitHub Changelog)
narzędziaGitHub Changelog28 października 2026ważność 6/10
GitHub Intelligence łączy pamięć Copilota, funkcję Dreaming i wyszukiwanie kodu, by zachowywać preferencje i konwencje zespołu oraz znajdować kontekst poza bieżącym repozytorium. Copilot Memory jest ogólnodostępne w płatnych planach Copilot i może przenosić osobiste preferencje oraz konwencje repozytorium między sesjami i klientami. W przeglądanych podczas publicznego podglądu sesjach CLI, w których agent korzystał z pamięci, 93% wykazało lepsze dostosowanie do preferencji dewelopera, a 42% sprawniejsze przepływy pracy. Dreaming jest w publicznym podglądzie, wymaga włączenia i zużywa AI credits; zmiany w zapisanych instrukcjach i umiejętnościach repozytorium są proponowane jako pull requesty.
Co z tego dla Ciebie: Zapisz w Copilot preferencje takie jak format opisu pull requesta albo polecenie testowe repozytorium, aby agent mógł używać ich w kolejnych sesjach. Do zadań obejmujących wiele repozytoriów możesz użyć `/research`, by znaleźć implementacje i wywołania przed zaplanowaniem zmian.
Czytaj artykuł (GitHub Changelog)
narzędziaGitHub Changelog28 października 2026ważność 6/10
GitHub rozpoczął wdrażanie współdzielonych Copilot Automations, czyli przepływów łączących prompty, wyzwalacze i narzędzia, które zespół może wspólnie utrzymywać. Osoby z dostępem do odczytu repozytorium widzą współdzieloną automatyzację, a osoby z dostępem do zapisu mogą ją edytować; kredyty AI obciążają właściciela repozytorium. Działania na GitHubie są przypisywane Copilotowi, a automatyzacja pozostaje w repozytorium po odejściu jej twórcy z zespołu. Typu automatyzacji nie można zmienić po utworzeniu, a dla repozytorium organizacji administrator musi włączyć politykę pozwalającą rozliczać agenta chmurowego z konta organizacji.
Co z tego dla Ciebie: Przy tworzeniu automatyzacji w GitHubie, aplikacji Copilot lub VS Code wybierz typ Shared, jeśli ma być utrzymywana przez zespół. Zanim utworzysz ją w repozytorium organizacji, sprawdź wymagane ustawienie rozliczania agenta chmurowego.
Czytaj artykuł (GitHub Changelog)
narzędziaGoogle Developersważność 6/10
Google dodało do A2UI wymienne formaty inferencji, w tym A2UI Express, który pozwala agentowi generować format pośredni kompilowany przez SDK do komunikatów A2UI. Według artykułu Express może zmniejszyć opóźnienie do trzech razy i zużywa do trzech razy mniej tokenów niż Direct JSON dla podobnych interfejsów. Dla ekranów o z góry określonym układzie model decyzyjny Jev odpowiada na wiele pytań w jednym żądaniu w około 100–300 ms, ale może wygenerować tylko układy opisane w gramatyce. W małym teście Apparite drzewo komponentów pojawiało się w 92–298 ms, a cały ekran w 0,8–1,7 s; autorzy zaznaczają, że to wstępny wynik z ograniczonej próbki.
Co z tego dla Ciebie: Jeśli układ ekranu jest z góry znany, możesz użyć modelu decyzyjnego do wyboru elementów i zbudować komponenty kodem; dla ekranów wymagających swobodniejszej struktury użyj A2UI Express. Express jest dostępny w Pythonowym SDK `a2ui-agent-sdk` 0.9.0 oraz TypeScriptowym `@a2ui/agent`.
Czytaj artykuł (Google Developers)
infrastrukturaGoogle Developersważność 6/10
Google i Meta udostępniły fork TorchTitan dostosowany do treningu modeli PyTorch na Cloud TPU, korzystający z natywnego backendu TorchTPU i minimalnych zmian w inicjalizacji urządzenia. Przepisy obejmują modele dense, MoE i diffusion, a także etap post-treningu, w którym TorchTitan może wykonywać aktualizację parametrów i synchronizować wagi z silnikami vLLM-TorchTPU. SimpleFSDP umieszcza operacje all-gather i reduce-scatter w śledzonym grafie, a Graph Trainer może przechwycić cały krok treningowy jako jeden program XLA. Opis podaje ponad 29% MFU dla Qwen3 235B i 51–52% MFU dla Qwen3-8B przy ścieżce z funkcjonalnym AdamW.
Co z tego dla Ciebie: Możesz zacząć od istniejącego przepisu TorchTitan TPU i zmieniać konfigurację, zamiast pisać własne strategie shardingu. Dla większych modeli artykuł wskazuje Graph Trainer z SimpleFSDP oraz scan albo podział grafu i offload aktywacji jako dostępne ścieżki optymalizacji.
Czytaj artykuł (Google Developers)
narzędziaGoogle Developersważność 5/10
Google opisuje zestaw poleceń ewaluacyjnych Agents CLI, który pozwala uruchamiać agenta na zbiorze przypadków, oceniać ślady, porównywać wyniki, grupować błędy i automatycznie optymalizować prompt. W przykładzie zmiana promptu obniżyła średnią ocenę z 4,0 do 2,75, a porównanie wyników pokazało, które przypadki regresja pogorszyła. Autorzy podkreślają, że sama średnia może mylić: w teście zmiany modelu spadek wyniku wynikał głównie z obsługi pytań spoza zakresu, podczas gdy część przypadków pozostała bez zmian. Agents CLI nie ma własnego harmonogramu, ale artykuł pokazuje uruchamianie ewaluacji przez cron lub Cloud Scheduler i zaleca większy zbiór testów dla codziennych przebiegów.
Co z tego dla Ciebie: Dodaj eval generate i eval grade do pętli pracy nad agentem, a eval compare wykorzystuj do sprawdzania różnic per przypadek po zmianie promptu lub modelu. Dla wykrywania zmian zachowania bez zmian w kodzie możesz uruchamiać zestaw regresyjny cyklicznie przez cron albo Cloud Scheduler.
Czytaj artykuł (Google Developers)
