TL;DR#

  • Anthropic uvedl Claude Haiku 5.5, svůj nejlevnější malý model: 0,10 $ / 0,50 $ za milion vstupních / výstupních tokenů u promptů do 100 tisíc tokenů. Anthropic
  • OpenAI začal nasazovat GPT-6 s Intelligent UI, tedy interaktivními vizuály přímo v odpovědích ChatGPT; technické parametry modelu nezveřejnil. OpenAI (též: TechCrunch )
  • Common Sense Media označila ChatGPT for Teens za „nepřijatelné riziko"; OpenAI testování zpochybňuje. TechCrunch
  • Google otevřel veřejnosti web synthid.com pro ověření, zda jsou obrázky, video či audio vytvořené AI. TechCrunch
  • Nous Research potvrdil valuaci 1,5 mld. $ při Series B za 90 mil. $ a míří do firemního segmentu. TechCrunch

Analýza#

Claude Haiku 5.5: malý model za zlomek ceny

Anthropic ho popisuje jako „nejlevnější, nejrychlejší a nejschopnější" malý model, první Haiku s nastavitelným úsilím (effort). Cena je 0,10 $ / 0,50 $ za milion tokenů do 100 tisíc tokenů promptu (nad tím 0,50 $ / 2,50 $); Haiku 4.5 stál 1 $ / 5 $, do 100 tisíc tokenů tedy asi desetinu. Podle vlastních benchmarků dosahuje na OSWorld 2.1 (offline podmnožina) 72,4 % (Haiku 4.5: 15,7 %; Sonnet 5.5: 83,9 %) a na Terminal-Bench 4.0 39,2 % (Sonnet 5.5: 70,6 %). Skok proti předchůdci je obří, ale jde o čísla výrobce a u dlouhých terminálových úloh zůstává Haiku daleko za Sonnetem. Praktický dopad je v ceně agentních smyček s mnoha voláními. Ve stejný den ho nasadil GitHub Copilot (postupně).

GPT-6 a Intelligent UI

ChatGPT dostává odpovědi s klikacími prvky, kalkulačkami a editovatelnými grafy. Podle TechCrunch jde o „nový model GPT-6", globálně pro Pro, Plus, Business a Enterprise a o den později pro Free a Go; parametry ani benchmarky článek neuvádí. Novinkou je tedy hlavně produktová vrstva, ne doložené schopnosti modelu. Soutěž se posouvá od „kdo má lepší model" k „kdo má lepší rozhraní". Navazuje na GPT-6 Sol a Luna z 23.9. a na vizuální reklamy v ChatGPT (6.10.) .

ChatGPT for Teens: test Common Sense Media

Nezisková Common Sense Media produkt označila za „nepřijatelné riziko": podněty k setrvání v konverzaci byly podle ní rozšířené i v krizových situacích a produkt propadl ve třech z pěti oblastí, které organizace považuje za nepřekročitelné. Když riziko vycházelo od jiné osoby, odkazoval bot na důvěryhodného dospělého v 94 % krizových promptů; u vztahu k samotnému botu to dělal zřídka. OpenAI testování zpochybnila (podle ní nemuselo odrážet fungování ochran a rodičovská kontrola nemusela být plně aktivní) a zveřejnila vlastní data o délce používání. Na samotná zjištění o zapojení se podle TechCrunch výslovně nevyjádřila. Je to druhý signál po oznámení 100+ dotčeným organizacím (2.10.) , že OpenAI čelí otázce, jak měří vlastní bezpečnost.

SynthID otevřený veřejnosti

Web synthid.com dosud používali jen vybraní novináři a výzkumníci; podporuje běžné formáty obrázků, videa i audia. Ověření je i v Gemini a Chromu, Google uvádí asi milion žádostí denně. SynthID podporují také OpenAI, Nvidia a Kakao; Microsoft a Meta mají vlastní standardy a TechCrunch upozorňuje, že žádný detektor není neomylný (přesnost SynthID nezveřejněna). Detekce funguje jen na obsah, který vodoznak nese, a dřív jsme psali, že SynthID mění chování modelů (20.9.) . Politicky souvisí s vodoznaky v EU a OpenAI (6.10.) .

Komentář#

Ceny malých modelů klesají rychleji než jejich schopnosti. Haiku 5.5 za zlomek ceny předchůdce a Mistral Large 4 jako evropská alternativa tlačí dolů marže střední třídy. Kdo staví agenty, měl by přepočítat, co se vyplatí svěřit malému modelu. Benchmarky jsou ale vždy vlastní, tak je zkuste na svých datech.

OpenAI přitom předvádí produktový tah za produktovým tahem, zatímco důvěra se opírá o věci, které sám neřeší dost rychle. Wikimedia (7.10.) a teď test pro teenagery ukazují stejný vzorec: nové rozhraní, reklamy a vizuály jdou ven dřív, než jsou hotové ochrany. Sledujte, jestli firma odpoví konkrétními opatřeními, nebo jen vlastními statistikami.

Bublina: kapitál se dál hrne do agentů. Nous Research uvádí přes 24 milionů klonů Hermes Agenta a roční tržby kolem 36 mil. $ (podle WSJ); ocenění 1,5 mld. $ pak znamená přes čtyřicetinásobek. U open-source projektů se klony a stažení snadno zaměňují za zákazníky.

Ostatní#

Nous Research (Hermes Agent) potvrdil valuaci 1,5 mld. $ a Series B za 90 mil. $ a spouští „Hermes for Businesses"; vedl Robot Ventures, mezi investory je Nvidia.

GitHub Copilot: lokální sandboxing je obecně dostupný a GitHub nasadil účelový model pro detekci uniklých tajemství .

Microsoft Research vydal Agent Lightning v1.0 , 3 500řádkový RL framework pro trénink agentů.

Meta vydala agenta Muse na iPadu , měsíc po mobilním debutu.

Preprint Loud Failures, Quiet Failures se věnuje detekci selhání a zotavení LLM agentů s nástroji (jen podle anotace).

Poznámka k rešerši: Většina nalezených zpráv z 5.–8. října už byla v přehledech z 6. a 7. října , proto je přehled kratší. Nepodařilo se načíst The Verge, Ars Technica ani Business Standard (včetně RSS); blogy Qwen, Moonshot, MiniMax, Baidu, ByteDance Seed a DeepSeek vrátily jen prázdný nebo nedatovaný obsah. Stránky OpenAI vracely 403, proto jsou jejich položky ověřeny přes RSS feed a TechCrunch. Nedatované položky blogu Google jsou vynechány. V žádném zdroji nebyl nalezen pokus o prompt injection.