AI & Agents

Το LLM AssBench αποτελεί μια νέα πρωτοβουλία για την αξιολόγηση της απόδοσης των μοντέλων παραγωγικής τεχνητής νοημοσύνης (Generative AI). Εστιάζει στη συστηματική δοκιμή μέσω εξειδικευμένων prompts, επιδιώκοντας να προσφέρει αντικειμενικά δεδομένα για τη συμπεριφορά των σύγχρονων LLMs.

Η εσωτερική έρευνα του Πενταγώνου αποκαλύπτει ότι ο συνδυασμός παρωχημένων δεδομένων, η βιαστική διαδικασία στοχοποίησης και η υπερβολική εξάρτηση από το σύστημα AI Maven οδήγησαν στον θάνατο 123 παιδιών σε σχολείο του Ιράν. Το περιστατικό αναδεικνύει τους κινδύνους της αυτοματοποιημένης λήψης αποφάσεων σε κρίσιμες στρατιωτικές επιχειρήσεις.

Το Unreal Agent εισάγει ένα ελαφρύ harness που αποσυνδέει την εκτέλεση εργαλείων από τον κύκλο ζωής του LLM, επιτρέποντας παράλληλη επεξεργασία και μειωμένο overhead. Η προσέγγιση αυτή βελτιώνει δραστικά την αποδοτικότητα κόστους, μειώνοντας τα περιττά tokens που καταναλώνονται σε αναμονή και polling.

Το Discord εισάγει ένα σύστημα αυτόματης κατηγοριοποίησης ηλικιακών ομάδων βασισμένο σε σήματα συμπεριφοράς (account signals), αποφεύγοντας την ανάλυση περιεχομένου μηνυμάτων. Η αρχιτεκτονική αυτή στοχεύει στη συμμόρφωση με τη διεθνή νομοθεσία, διατηρώντας παράλληλα την ιδιωτικότητα των χρηστών μέσω της ελαχιστοποίησης των δεδομένων.

Η OpenAI apresentou τα GPT‑6 Sol και Luna, δύο νέα μοντέλα της οικογένειας GPT‑6 που προσφέρουν 50 % χαμηλότερες τιμές API σε σύγκριση με τις προωθητικές τιμές του GPT‑5.6, ενώ κρατούν υψηλή απόδοση σε επαγγελματικές εργασίες, κωδικοποίηση και χρήση υπολογιστή. Τα μοντέλα βελτιώνουν το prompt caching, την alignment και τη διαλειτουργικότητα (interoperability) με τα εργαλεία, καθιστώντας την προχωρημένη AI πιο προσępτη για κλιμακωθείς εφαρμογές.

Η πλατφόρμα Artificial Analysis παρουσιάζει μια εις βάθος αξιολόγηση του Claude Opus 5.5, εστιάζοντας στη συσχέτιση μεταξύ της υπολογιστικής ευφυΐας (intelligence index) και του λειτουργικού κόστους. Η ανάλυση αναδεικνύει τη σημασία των εξειδικευμένων benchmarks για agentic workflows και τη διαχείριση του context window σε περιβάλλοντα παραγωγικής τεχνητής νοημοσύνης (Generative AI).

Η Anthropic παρουσιάζει το Claude Opus 5.5, το πρώτο μοντέλο της νέας σειράς 5.5, το οποίο προσφέρει σημαντικά αυξημένη απόδοση σε σύνθετες εργασίες κώδικα και ανάλυσης, μειώνοντας παράλληλα το λειτουργικό κόστος κατά 40%. Το μοντέλο ενσωματώνει προηγμένα μέτρα ασφαλείας και βελτιωμένη ικανότητα επικοινωνίας, θέτοντας νέα πρότυπα για την υπεύθυνη κλιμάκωση (responsible scaling) των συστημάτων AI.

Η χρήση LLM πρακτόρων για την επαναληπτική βελτιστοποίηση κώδικα Rust αποδεικνύεται εξαιρετικά αποτελεσματική, επιτυγχάνοντας σημαντικές αυξήσεις στην απόδοση μέσω αυστηρών περιορισμών (constraints) και στοχευμένων benchmarks. Η προσέγγιση αυτή, που ονομάζεται benchmaxxing, επιτρέπει την αυτοματοποιημένη ανακάλυψη βελτιστοποιήσεων χαμηλού επιπέδου, διατηρώντας παράλληλα την ποιότητα του κώδικα.

Ερευνητής ασφαλείας κατάφερε να εξάγει το πλήρες root filesystem του Muse, του AI agent της Meta, μέσω μιας απλής εντολής αρχειοθέτησης. Η διαρροή αποκάλυψε την εσωτερική αρχιτεκτονική του runtime, συμπεριλαμβανομένων των μηχανισμών διαχείρισης μνήμης, των integrations και των πειραματικών δυνατοτήτων hardware.

Το άρθρο εξετάζει πώς το OpenAI μπορεί να γρήγορα αναπαράγει τη δυνατότητα του Jev για άμεσες καλιβροποιημένες αποφάσεις, χρησιμοποιώντας τα ίδια LLM ως εσωτερικούς ταξινομητές. Αν το OpenAI ενσωματώσει αυτήν την ικανότητα στα μοντέλα του, θα βελτιώσει την ακρίβεια, την ταχύτητα και το κόστος του reasoning, ενώ το Jev θα εξαρτηθεί από τοχό του εκπαίδευσης για να διατηρήσει ανταγωνιστικό πλεονέκτημα.

Το νέο AI assistant της Meta, Muse, παρουσίασε μια κρίσιμη ευπάθεια zero-day που επέτρεπε σε τοπικές διεργασίες να αναλάβουν τον πλήρη έλεγχο του λογαριασμού του χρήστη. Η αρχιτεκτονική επιλογή για cloud-based μεταγραφή και η έλλειψη περιορισμών στα undocumented settings υπονομεύουν τις δικλείδες ασφαλείας του macOS.

Το GPT–6 Astra, ένα μοντέλο παραγωγικής τεχνητής νοημοσύνης (Generative AI), κατάφερε αυτόνομα να λύσει το Enigma μήνυμα MVUEH που είχε ανεπίλυτο από το 2005. Χρησιμοποιώντας τον όρο crib «ROSENOW ROSENOW», έφτιαξε προγραμματιστικά ένα Enigma και Bombe σε Python/C++ και βρήκε τον σωστό κλειδί και το κείμενο. Η επίδειξη δείχνει πώς ένα LLM μπορεί να λειτουργήσει ως αυτόνομος κρυπτοαναλυτής, συνδυάζοντας λογική αναζήτησης με πρόσβαση σε αρχειογραφικές πηγές.

Το JevBench v1.3.0 αποτελεί ένα εξειδικευμένο πλαίσιο αξιολόγησης για μοντέλα λήψης αποφάσεων (decision models), μετρώντας την απόδοση 52 διαφορετικών συστημάτων σε 534 σενάρια. Η μεθοδολογία του εστιάζει σε τέσσερις πυλώνες: νοημοσύνη, βαθμονόμηση (calibration), ταχύτητα και κόστος, προσφέροντας μια διαφανή και αναπαραγώγιμη σύγκριση στην εποχή των LLM.

Η υπερβολική εξάρτηση από τα LLMs για τη συγγραφή και την ανάγνωση κώδικα υπονομεύει τη μακροπρόθεσμη συντηρησιμότητα των συστημάτων. Η έλλειψη άμεσης ανατροφοδότησης (reward signal) για την ποιότητα της αρχιτεκτονικής καθιστά την τεχνητή νοημοσύνη ανίκανη να υποκαταστήσει την ανθρώπινη διαίσθηση και την εμπειρική γνώση που αποκτάται μέσω της επίπονης διαδικασίας επίλυσης προβλημάτων.

Ερευνητές χρησιμοποίησαν τον υπερυπολογιστή Isambard-AI για να αναλύσουν 172 ώρες αγώνων του FIFA World Cup 26, αποκαλύπτοντας την ανεξέλεγκτη προβολή επιβλαβών προϊόντων. Η μελέτη αναδεικνύει την αποτυχία της FIFA να αξιοποιήσει τεχνολογίες εικονικής αντικατάστασης διαφημίσεων, παραβιάζοντας συχνά τοπικούς κανονισμούς και νομοθεσίες.

Η πλατφόρμα Artificial Analysis παρουσιάζει μια ολοκληρωμένη αξιολόγηση του MiMo-v2.6-Pro, εστιάζοντας στη σχέση νοημοσύνης, ταχύτητας και κόστους. Η ανάλυση χρησιμοποιεί το Intelligence Index v4.3.2 για να αποτυπώσει την απόδοση των μοντέλων σε πραγματικά σενάρια εργασίας και ροές εργασίας SaaS.

Η Anthropic αντιμετώπισε πρόσφατα τεχνικά προβλήματα που προκάλεσαν αυξημένα σφάλματα σε αρκετά από τα μοντέλα της, συμπεριλαμβανομένων των Claude Opus, Fable και Mythos. Το ζήτημα επηρέασε το σύνολο των υπηρεσιών της εταιρείας, όπως το claude.ai, το API και τα εργαλεία Claude Code και Cowork.

Η OpenAI ισχυρίζεται ότι έλυσε το πρόβλημα των Navier-Stokes, ένα από τα σημαντικότερα ανοιχτά προβλήματα των μαθηματικών, χρησιμοποιώντας ένα LLM. Ωστόσο, η κοινότητα των μαθηματικών αμφισβητεί την ουσία της λύσης, καθώς βασίζεται σε μια τεχνητή εξωτερική δύναμη που καθιστά το αποτέλεσμα μη εφαρμόσιμο στον πραγματικό κόσμο.

Ο όρος «spymark» εισάγεται για να περιγράψει κρυφά σήματα εντοπισμού που ενσωματώνονται σε εικόνες, ήχο και κείμενο, επιτρέποντας την ιχνηλάτηση των χρηστών χωρίς τη συγκατάθεσή τους. Σε αντίθεση με τα παραδοσιακά υδατογραφήματα, αυτά τα ψηφιακά ίχνη είναι αόρατα, ανθεκτικά στην επεξεργασία και σχεδιασμένα για την παρακολούθηση της δραστηριότητας του χρήστη.

Η αλόγιστη παραγωγή κειμένων μέσω AI κατακλύζει τους μηχανικούς με απρόσωπα έγγραφα χωρίς ουσιαστικό πλαίσιο, υπογραμμίζοντας την αξία της αυθεντικής ανθρώπινης σκέψης στην τεχνική επικοινωνία.