OpenAI opublikowało LifeVal, benchmark mierzący, jak dobrze AI pomaga w codziennych zadaniach, takich jak szukanie opieki nad dzieckiem, zarządzanie finansami czy papierkowa robota urzędowa. To przesunięcie oceny modeli z czystych testów wiedzy w stronę realnej użyteczności.
https://openai.com/index/lifeval
Zespół ISTA wypuścił skompresowaną wersję DeepSeek-V4.1-Flash-1017 w wariancie Coder. Bazowy model to mixture-of-experts z 384 routowanymi ekspertami na warstwę, z czego 6 aktywnych na token, 763.2B parametrów łącznie, 551.9B z nich w ekspertach. Wersja Coder jest skwantowana metodami GSQ i RCO do około 1 bita na parametr, z usunięciem połowy routowanych ekspertów.
https://www.reddit.com/r/LocalLLaMA/comments/1xlys6k/release_ista_deepseekv41flash1017_gsqrco_coder_a/
Follow the Gradient bada, jak fine-tuning na danych instrukcyjnych może po cichu degradować bezpieczeństwo modelu, nawet gdy żaden pojedynczy przykład treningowy nie wygląda szkodliwie. Autorzy proponują SimpleLoRIF, skalowalną metodę opartą na embeddingach gradientów, do wykrywania takich danych.
https://huggingface.co/papers/2610.37481
OSWAM proponuje world action model generujący akcje w jednym kroku, zamiast dziesiątek kroków odszumiania wymaganych dotychczas przez direct-policy world action models, co ma znaczenie dla efektywności wnioskowania w autonomicznej jeździe i embodied control.
https://huggingface.co/papers/2610.35850
Praca o agentowym generowaniu wideo opisuje przesunięcie od generowania end-to-end do podejścia z planowaniem, użyciem narzędzi i informacją zwrotną, co pozwala tworzyć spójne, kontrolowalne wideo wieloujęciowe oraz łączyć to z world modelingiem jako środowiskiem interaktywnym dla agentów.
https://huggingface.co/papers/2610.40191
From Fragmentation to Fusion to przegląd i mapa drogowa dla omnimodal embeddings - autorzy wskazują, że badania nad modelami embeddingów są podzielone według modalności, a społeczności rozwijają się w izolacji, choć mają wspólne podstawy matematyczne.
https://huggingface.co/papers/2611.00172
Diagnosing the Reference Gap analizuje, czemu modele multimodalne widzą obiekty, ale gubią się w wieloetapowym rozumowaniu, na przykładzie liczenia. Autorzy argumentują, że problemem nie jest percepcja, a reference gap - trudność w utrzymaniu powiązania między obiektem a jego reprezentacją w kolejnych krokach.
https://huggingface.co/papers/2610.39419
Simon Willison wrócił do dyskusji o danych U.S. Census Bureau dotyczących tempa adopcji AI w dużych firmach, odnosząc się do wykresu Apollo Global Management z 2025 roku i wątpliwości wokół interpretowania go jako dowodu na spowolnienie adopcji.
https://simonwillison.net/2026/Nov/2/census-bureau-super-intelligence/