Hlavný odborný pilier: modely, API, agenti, programovanie, kontext, testovanie a architektúra AI systémov. Podrobné odborné spracovanie s pôvodnými dôkazmi a podmienkami použitia.
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.
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 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.
Oficiálny návod spája AI rešerš, čakanie na pripomienky a vytvorenie výsledného dokumentu. Pre malý tím je podstatné odlíšiť obnovu procesu od opakovania externého volania.
Režim frontu používa Redis a samostatné workery, aby vykonávanie workflowov neostalo v hlavnom procese. Pre malú firmu je dôležité aj zdieľanie kľúča, databáza a uchovávanie histórie.
Dokumentácia proxy upozorňuje na správanie rozpočtov bez databázy a rozlišuje globálne, tímové aj individuálne limity. Pri firemných agentoch treba overiť, ktorý limit sa skutočne uplatní.
Dify spája workflowy, znalosti a modely, no vlastné nasadenie má konkrétne hranice dôvery. Dokumentácia Compose vysvetľuje spracovanie forwarded hlavičiek aj rozdiel medzi vstupom cez proxy a priamym prístupom k API.
Obojstranný prenos KV cache cieli na viacťahové konverzácie pri oddelenom spracovaní vstupu a generovaní. Merania ukazujú prínos, ale aj závislosť od dĺžky kontextu a siete.
Nový backend využíva CMSIS-NN a kompiláciu pre konkrétny čip. Ukážka detekcie osoby zároveň vysvetľuje rozdiel medzi časom inferencie a rýchlosťou celej kamery.
Detská nemocnica CHOP podľa blogu NVIDIA používa MONAI a Auto3DSeg na tvorbu anatomických modelov srdca v sekundách namiesto hodín. Nemocnica zároveň začala implementovať funkcie postavené na Warp a Newton pre rýchlejšie simulácie nasadenia zariadení, no klinické metriky a nezávislé overenie zdroj neuvádza.
AMD vo firemnom technickom blogu z 16. septembra 2026 popisuje nasadenie DFlash speculative decoding vo vLLM na ROCm pre GPU Instinct MI355X. Podľa benchmarkov výrobcu na modeloch Qwen3.5 DFlash pri nízkej konkurencii prekonáva natívne MTP a pri mxfp4 kvantizácii target modelu sa výkon ďalej zvyšuje, no bez nezávislého overenia a len pre uvedený softvérový stack, workloady a jednu GPU konfiguráciu.
Google v blogu z 15. septembra 2026 predstavil druhý diel série o zero-trust agentoch, tentoraz zameraný na runtime governance v Gemini Enterprise Agent Platform. Materiál opisuje tri vrstvy ochrany – Model Armor, Semantic Governance Policies a Agent Anomaly Detection – a ich úlohu pri filtrovaní promptov, posudzovaní zámeru tool callov a zachytávaní viacťahových útokov. Ide však o dodávateľský technický rozbor a demo, nie o nezávisle overené produkčné výsledky.
Anthropic v technickom texte z 25. mája 2026 zhrnul tri architektúry containmentu pre svoje agentné produkty a pridal konkrétne zlyhania, ktoré viedli k opravám. Pre vývojárov je dôležitý najmä záver, že modelové klasifikátory sú len doplnok a tvrdú hranicu má tvoriť prostredie, súborové hranice a egress kontrola.
