Hlavný odborný pilier: modely, API, agenti, programovanie, kontext, testovanie a architektúra AI systémov. Podrobné odborné spracovanie s pôvodnými dôkazmi a podmienkami použitia.
Poznámka k vydaniu na GitHube uvádza, že vyšlo sdk-py 0.4.12. Zoznam zmien je stručný: odstránenie parametra fairness_weight z PrioritySettings a oprava opätovného pripojenia k run streamu, ktorý sa zavrie skôr, než sa beh skončí.
Google Research oznámil, že rozširuje prístup k systému Deep Review, ktorý opisuje ako agentický nástroj na overovanie zložitých dokumentov. Firma zároveň tvrdí, že skorá verzia už pomohla pri kontrole viac ako 16-tisíc vedeckých prác, no dodané podklady neobsahujú nezávislé overenie presnosti či podmienok sprístupnenia.
Krátke vydanie Transformers v5.22.1 z 30. októbra 2026 je podľa release note zamerané na opravu dokumentácie. Poznámka konkrétne uvádza odstránenie WIP dokumentu pre Ml4, bez zmien modelových schopností či API doložených v dodanom zdroji.
Nový release llama.cpp b12017 z 30. októbra 2026 v texte vydania uvádza zmenu „rpc : delete fs_path_to_utf8() (#31424)“. Zároveň ponúka predpripravené binárky pre viac systémov a akcelerácií, no zo samotného releasu sa nedá potvrdiť konkrétny výkonnostný prínos tejto úpravy.
PyTorch v poznámkach k verzii 2.14.1 uvádza, že vydanie je zamerané na regresie a tiché chyby správnosti. Najkonkrétnejšou zmenou je aktualizácia linuxových binárok CUDA 13.2 na CUDA 13.2.2; podľa týchto poznámok tým preberá opravy dvoch kritických problémov, ktoré mohli viesť k nesprávnym výsledkom výpočtov.
GitHub release poznámky pre checkpoint-sqlite 3.1.3 uvádzajú dve konkrétne zmeny: opravu, pri ktorej checkpoint odmieta NUL bajty v menovkách namespace, a aktualizáciu závislosti certifi v /libs/checkpoint-sqlite. Zo stručného changelogu možno opatrne vyvodiť sprísnenie validácie vstupu, zdroj však nepopisuje presný mechanizmus implementácie ani nezávisle overený dopad.
LangChain vydal LangGraph 1.2.19. V release poznámkach uvádza opravy správania pri streamovaní vrátane zachovania payloadov uzlov bez prepisovania cez trace_policy a vracania hodnoty awaited @task počas streamovania; z textu sa dá usudzovať, že cieľom je presnejšie a spoľahlivejšie streamovanie udalostí a výstupov v grafoch.
NVIDIA predstavila nové modely Nemotron 3.5 pre tri časti retrieval pipeline: Embed na vyhľadávanie v texte a dokumentových obrázkoch, Rerank na presnejšie zoradenie nájdených kandidátov a Parse na prevod dokumentových obrázkov do štruktúrovaného strojovo čitateľného obsahu. Firma zároveň tvrdí, že lepší reranking môže znížiť spotrebu agentických tokenov asi o 13 až 14 % a že nové modely vedú vo vybraných benchmarkoch, no tieto čísla pochádzajú z jej vlastného materiálu.
DiffuSpace oznámil prvú verziu modelovej línie Clover. Podľa firmy ide o 35B MoE difúzny jazykový model s 3B aktivovanými parametrami, otvorený pod licenciou Apache, pričom výrobca pripisuje jeho rýchlosť a výsledky prepracovanej architektúre Bidirectional Gated DeltaNet a uvádza vlastné benchmarky aj nameranú priepustnosť inferencie.
AutoBench Router Benchmark hodnotí routery tak, že iba sleduje, ktorý model zvolia, a k tejto voľbe priradí už uložené skóre aj cenu. Podľa autorov pritom žiadny z testovaných routerov neprekonal statickú voľbu Always-Luna súčasne v kvalite aj cene a viaceré nastavenia sa správajú takmer ako konštantná politika jedného modelu.
FrontiersMind predstavil rodinu decision modelov Lumma-Fev-v2, ktoré namiesto generovania viet vracajú pravdepodobnosti pre jednotlivé možnosti v jednom forward passe. Podľa článku majú vydané verzie 4B a 27B vyššiu priemernú presnosť než TypeSafe Jev 1.13.0 na ôsmich verejných benchmarkoch a 27B verzia zároveň prechádza na bidirekčný full-attention, zatiaľ čo Gated DeltaNet vrstvy ostávajú kauzálne.
V poznámkach k vydaniu Transformers v5.22.0 Hugging Face uvádza, že FP8 kvantizované modely sa dajú použiť na tréning adaptérov, napríklad LoRA cez PEFT. Zmena stojí na doplnení spätného priechodu pre dense aj grouped FP8 matmul operácie a na tom, že `is_trainable` je teraz `True`. Dokument zároveň tvrdí, že chunked dequantization expertov v backward a vynechanie autograd pri inferencii znižujú špičkovú pamäť v MoE vrstve backward z približne 28,9 GiB na 2,8 GiB pri 8k tokenoch.
Microsoft vydal ONNX Runtime 1.30.1 ako patch release nad verziou 1.30.0. Poznámky k vydaniu uvádzajú cielené opravy validácie modelov a memory-safety, konkrétne prevenciu out-of-bounds čítaní, heap buffer overflow a odmietanie neplatných grafov namiesto pádu; zároveň sa mení správanie Plugin EP tak, že pri single-tensor prenosoch zachová execution stream volajúceho pre asynchrónne kópie, pričom synchronné správanie ostáva zachované. Dodaný zdroj však neobsahuje nezávislé testy ani kvantifikáciu dopadu.
Vydanie llama.cpp uvádza, že v časti ROCm/HIP pribudla rodina RDNA4_M pre gfx1170/gfx1171. Zdroj zároveň vysvetľuje mechanizmus: gfx117X sú „more like RDNA4“ a majú „128b WMMA“, ale „they're not identical“, preto sa upravili definície a zaviedla sa samostatná kategória namiesto úplného stotožnenia s RDNA4. Praktický význam je najmä v presnejšom mapovaní vlastností GPU v backende; dokument však neobsahuje benchmarky ani nezávislé testy výkonu.
IBM Research opisuje ALTK-Evolve ako spôsob, ako z minulých behov agenta vyťažiť krátke textové pravidlá a pripojiť ich do systémového promptu. V dodanom článku autori tvrdia, že takto v τ²-bench zlepšili výsledky bez dolaďovania váh modelu, no prínos sa líši podľa domény a väčší blok pravidiel zvyšuje cenu najmä cez vstupné tokeny.
LangChain v blogu z 23. októbra 2026 rozobral, ako navrhovať retrieval pre dlhobežné AI agentov v Deep Agents. Jadrom odporúčania je nehádzať veľké výsledky priamo do kontextu hlavného agenta: najprv lacno nájsť kandidátov, potom veľké výstupy odložiť do súborov a ich čítanie delegovať na subagentov.
PyTorch podľa oficiálneho technického blogu sprístupňuje na AMD MI350/gfx950 backend FlyDSL cez existujúce operátory a AOTriton. Dôležité nie je len tvrdenie o zrýchlení, ale aj to, kde sa backend v zásobníku vyberá, aké má podmienky tvaru, dtype a layoutu a prečo to nie je univerzálne zrýchlenie každého modelu.
LangChain 13. októbra 2026 opísal integráciu langchain-scaledown a podporu ScaleDown v LangSmith LLM Gateway. Zmena je dôležitá tým, že opakované úlohy správy kontextu v dlhobežných agentoch presúva z veľkého generatívneho modelu do špecializovaných middleware pre sumarizáciu, kompresiu výstupov nástrojov a extrakciu polí.
PyTorch ekosystém oznámil TorchNeuron, open source natívny backend pre AWS Trainium2 a Trainium3. Praktická zmena pre tímy je v tom, že tréning aj inferencia majú ísť cez bežné PyTorch API vrátane eager režimu, torch.compile, distributed API a profileru, no prvé vydanie má aj jasne priznané limity.
LangChain v októbri 2026 zhrnul, ako jeho Deep Agents presúva časť pracovnej pamäte mimo aktívneho kontextu modelu. Z dostupných podkladov vyplýva kombinácia offloadingu do filesystemu, sumarizácie histórie, izolácie subagentov a progresívne načítavaných skills; chýbajú však nezávislé benchmarky aj presné verzie.
LangChain v októbri 2026 opísal sériu noviniek pre prevádzku agentov: semantické hľadanie problémového správania v traceoch, čitateľnejší chronologický pohľad na relácie, proaktívny red teaming a automatické testovanie navrhovaných opráv. Zároveň predstavil Managed Deep Agents v0.9 s plánovanými úlohami, per-run konfiguráciou a reakciami v Slacku.
Model Context Protocol vydal 28. júla 2026 novú špecifikáciu, ktorá odstraňuje protokolové sessions a handshake, zavádza bezstavové request/response jadro, Multi Round-Trip Requests a routovanie cez HTTP hlavičky. Pre tímy okolo agentických workflowov to mení najmä škálovanie serverov, gateway vrstvu a spôsob migrácie SDK.
Docker v oficiálnych textoch z prelomu septembra a októbra 2026 spojil tri vrstvy pre beh AI agentov: lokálne Sandboxes, zdieľateľné Sandbox Kits a Cloud Sandboxes pre dlhšie úlohy. Podklad však stojí takmer výlučne na tvrdeniach dodávateľa a neobsahuje nezávislé testy ani plnú technickú dokumentáciu.
Oficiálny návod spája AI rešerš, čakanie na pripomienky a vytvorenie výsledného dokumentu. Pre malý tím je podstatné odlíšiť obnovu procesu od opakovania externého volania.
