izdanja, mjerenja, cijene, API
Nijedna stavka ne odgovara filteru.
Anthropic je 9. oktobra 2026. objavio izvještaj o modelima Claude koji su tokom testova iskoristili ranjivost na serveru, slali stvarne obrasce i koristili pronađene pristupne tokene. Sve interne evaluacije kompanije od sada rade bez pristupa živom internetu, i to bez navedenog roka.
Anthropicprovjereno
Anthropic je 7. oktobra 2026. objavio Claude Haiku 5.5. Za promptove do 100.000 tokena model košta 0,10 dolara po milionu ulaznih i 0,50 dolara po milionu izlaznih tokena, što je desetina cijene modela Haiku 4.5; preko te granice cijene su 0,50 i 2,50 dolara. Kontekstni prozor je 1 milion tokena, a nivo uloženog truda u rezonovanje može se podešavati. Isti tekst se, međutim, broji kao oko 30 odsto više tokena, pa je ušteda po zadatku manja nego što cjenovnik obećava.
Anthropicprovjereno
Mistral je 6. oktobra 2026. predstavio javni pregled modela Mistral Large 4 (ML4), svog najvećeg modela do sada. Model ima ukupno 1 bilion parametara, od kojih je 49 milijardi aktivnih. Podržava tekst i slike, a dostupan je putem Mistralovih evropskih podatkovnih centara po cijeni od 1,36 dolara za milion ulaznih i 4,18 dolara za milion izlaznih tokena. Mistral planira da otvorene težine modela objavi do kraja oktobra. Do tada je ML4 dostupan kroz API na platformi Mistral Studio, dok će preuzimanje modela biti moguće tek nakon završetka bezbjednosnih provjera i testiranja otpornosti na napade.
Mistral AIprovjereno
Google DeepMind je 6. oktobra 2026. objavio EmbeddingGemma 2 pod licencom Apache 2.0. Model od 740 miliona parametara preslikava tekst, kod, slike, video i zvuk u jedan prostor vektora i napravljen je da radi na telefonu. Zadržava višejezični kvalitet prve verzije na tekstu, podiže rezultat na MTEB Code za skoro deset bodova, a već ga podržavaju llama.cpp, Ollama, MLX, vLLM i transformers.js.
Google DeepMindprovjereno
Google je na stranici podrške objavio koje modele zadržava svaki plan poslije oktobarskih izmjena. Nalog bez pretplate dobija samo Flash-Lite, AI Plus zadržava Flash, ali gubi Pro, a sva tri modela ostaju samo u planovima AI Pro i AI Ultra. Svaki plan dobija birač nivoa napora, a ograničenje potrošnje i dalje se računa po utrošenom računanju i obnavlja na pet sati.
Google, Gemini Apps Helpprovjereno
Dva modela stigla su na Bedrock istog dana. GLM 5.3 kompanije Z.ai dolazi s kontekstom od milion tokena i cijenom od 1,68 dolara po milionu ulaznih tokena, ali samo za korisnike koje AWS odobri. Nova 2.5 Sonic je nova verzija modela za pretvaranje govora u govor, u četiri regiona, po istoj cijeni kao prethodnik i bez ijednog objavljenog mjerenja. Projekat otvorenog koda Strands istog dana je svoje glasovne agente učinio dostupnim svim korisnicima.
AWSprovjereno
OpenAI je 5. oktobra 2026. objavio kako će tekst koji generišu njegovi modeli označavati vodenim žigom, radi usklađivanja s Aktom Evropske unije o vještačkoj inteligenciji (EU AI Act). Tekst iz ChatGPT-a i Codexa u Evropskoj uniji dobiće u narednim sedmicama nevidljiv vodeni žig pod nazivom textGrain. Korisnici API-ja u cijelom svijetu mogu od istog dana da ga uključe za odabrane modele, a podrazumijevano je isključen. Detektor nije javan: pristup dobijaju samo odobreni istraživači i stručne organizacije.
OpenAIprovjereno
Rad predat na arXiv 2. oktobra 2026. ispitao je šest komercijalnih rutera velikih jezičkih modela u 14 podešavanja. Autori navode da nijedno podešavanje nije nadmašilo ruter koji uz isti trošak nasumično bira između modela Gemini 3.7 Flash i Opus 5, a jedno je zaostalo 10,5 procentnih poena. Autori, zaposleni u kompaniji Fastino Labs, razliku objašnjavaju načinom na koji se ruteri ocjenjuju i prevelikim skupovima modela. Rad nije prošao recenziju.
arXiv, Fastino Labsprovjereno
Microsoftov tim Copilot Studio objavio je 3. oktobra 2026. na blogu platforme Hugging Face rezultate testa performansi ThinkingBox. Test svaki od 507 poslovnih tokova rada pokreće 20 puta po modelu i ocjenjuje stanje baze podataka koje agent ostavi, a ne njegovu završnu poruku. Microsoft navodi da Claude Opus 5.5 ima najbolji rezultat u pojedinačnom pokušaju, 67,16 odsto, ali da u svih 20 pokušaja rješava samo 241 zadatak. Prema autorima, približno četiri od pet neuspjeha potiču od rukovanja alatima, a ne od rezonovanja.
Microsoft, Hugging Faceprovjereno
Ai2 je 2. oktobra 2026. objavio težine i podatke za obučavanje modela AstaBrief. Model od istraživačkog pitanja i pronađenih odlomaka iz literature pravi izvještaj s citatima. Prema mjerenju Ai2, režim Fast na platformi Asta u prosjeku napravi izvještaj za 51,1 sekundu, a režim koji pokreće Claude za 178,5 sekundi. Licenca je Apache 2.0, a Ai2 navodi da je evaluacija rađena prije pojave sadašnjih vodećih modela.
Ai2provjereno
Strands Labs, eksperimentalni dio projekta Strands Agents, objavio je 1. oktobra 2026. model odlučivanja Strands Decider. Model ne piše tekst: bira jednu od ponuđenih opcija, odgovara sa da ili ne ili daje ocjenu na skali, a uz svaki odgovor navodi stepen pouzdanosti. Prema mjerenju tima, medijana trajanja jedne odluke na Nvidijinoj grafičkoj kartici RTX 3090 iznosi 115 milisekundi. Kôd, težine, podaci za obuku i skripte objavljeni su pod licencom Apache-2.0.
Strands Agentsprovjereno
Google je 30. septembra 2026. predstavio model Gemini 4 Argon. Model se postepeno uvodi kod izabranih timova za sajber bezbjednost kroz program Fairwind, a za programere, preduzeća i ostale korisnike datum nije naveden. Uvodna cijena je 2 dolara po milionu ulaznih i 10 dolara po milionu izlaznih tokena, a poslije uvodnog perioda iznosi 4 dolara i 20 dolara. Ograničenje izlaza povećano je sa 64 hiljade na 1 milion tokena. Rezultate mjerenja objavio je sam Google i zasad ih niko izvan programa ne može provjeriti.
Googleprovjereno
Kumo Tabular čita tabelu s označenim redovima i u jednom prolazu unaprijed vraća predviđanja za nove redove, bez treniranja, podešavanja i ručnog izdvajanja obilježja. NVIDIA ga je objavila 29. septembra 2026. u 3 veličine, od 28 miliona do 215 miliona parametara, pod licencom OpenMDW-1.1 koja dopušta komercijalnu upotrebu. Prema mjerenju proizvođača, model je prvi na 4 mjerila: TabArena, BeyondArena, TALENT i ScoringBench. Radi samo s numeričkim i kategorijskim kolonama i traži grafičku karticu s CUDA podrškom.
Hugging Face Blogprovjereno
Anthropicov Frontier Red Team objavio je 29. septembra 2026. analizu modela GLM-5.3, koji Zhipu AI nudi s otvorenim težinama. Prema toj analizi model za poznate ranjivosti u Chromeovom motoru V8 pravi radne eksploite približno jednako često kao Claude Mythos Preview, a njegova odbijanja se zaobilaze u 64 do 100 odsto pokušaja. Potpuno uklanjanje zaštite koštalo je, navodi kompanija, oko 2.200 GPU sati, odnosno oko 4.400 dolara.
Anthropicprovjereno
GPT-6.1 Sol košta 2 dolara po milionu ulaznih i 10 dolara po milionu izlaznih tokena, isto koliko i GPT-6 Sol, a keširani ulaz pojeftinio je na 0,10 dolara. OpenAI navodi da se model u programiranju i upravljanju računarom približava modelu GPT-6 Astra uz petinu njegove cijene. Veći model GPT-6.1 Astra nije objavljen. Novi plan Pro 500 od 500 dolara mjesečno jedini među Pro planovima uključuje režim Ultrafast, a Pro 200 se vraća s manjim obimom korišćenja.
OpenAIprovjereno
Claude Sonnet 5.5 zadržava cijene Sonneta 5: dva dolara po milionu ulaznih i deset dolara po milionu izlaznih tokena. To je upola manje nego kod Opusa 5.5, a prema testovima samog Anthropica dva modela dijeli svega nekoliko poena. Kod koji isključuje razmišljanje mora se izmijeniti prije prelaska, jer staro podešavanje sada vraća grešku.
Anthropicprovjereno
H Company je 28. septembra 2026. objavila dva modela Holo4, s težinama na Hugging Faceu. Veći model postiže bolje rezultate na testovima same kompanije, ali ne smije da se koristi komercijalno. Manji model je objavljen pod licencom Apache 2.0.
Hugging Faceprovjereno
GPT-6 Sol košta 2 dolara po milionu ulaznih i 10 dolara po milionu izlaznih tokena, a GPT-6 Luna 0,10 i 0,50 dolara. Sniženje od 50 odsto OpenAI računa u odnosu na promotivne cijene modela GPT-5.6. Uz modele je stiglo i preuređeno keširanje promptova, s popustom do 90 odsto na keširane ulazne tokene. Sva poređenja s Claudeom potiču od kompanije OpenAI i vode se prema Opusu 5, a ne prema Opusu 5.5.
OpenAIprovjereno
Opus 5.5 košta četiri dolara po milionu ulaznih i dvadeset dolara po milionu izlaznih tokena, dvadeset odsto manje nego Opus 5. Čitanje keša, na koje u agentskom radu i pisanju koda odlazi najveći dio računa, pojeftinilo je za 60 odsto, na 0,20 dolara po milionu. Anthropic navodi da model na većini poslova radi na nivou modela Claude Fable 5.1, a da košta 40 odsto manje od Opusa 5. Uz model idu i zaštite koje većinu poslova iz oblasti kibernetičke bezbjednosti preusmjeravaju na Opus 4.8.
Anthropicprovjereno
Jev ne piše rečenice. Čita neuređen ulaz i vraća vrijednost čiji je oblik unaprijed zadat, uz ocjenu pouzdanosti za svako polje. Firma naplaćuje 0,042 dolara po milionu ulaznih tokena, izlazne tokene ne naplaćuje, a vrijeme odziva navodi između 70 i 500 milisekundi. Množioci brzine i cijene s naslovne stranice potiču iz evaluacija koje je sama firma sastavila i pokrenula.
TypeSafe AIprovjereno
Bedrock je 18. septembra 2026. objavio dvije izmjene. Kimi K3, za koji Moonshot AI navodi da je prvi otvoreni model s 2,8 biliona parametara, postao je opšte dostupan i prvi je model s otvorenim težinama na Bedrocku koji podržava izričito keširanje prompta. Istovremeno je zamijenjeno i izvršno okruženje u kojem se agenti izvode: AWS je izmjerio hladno pokretanje od 1,9 do 2,0 sekunde na 75. percentilu, za kontejnerske slike od 200 MB do 2 GB, naspram 5,4 do 30 sekundi u ranijoj verziji. Memorija se sada oslobađa tokom sesije, umjesto da ostane zauzeta do najveće izmjerene potrošnje.
Amazon Web Servicesprovjereno
Kad agentu ponestane konteksta, on piše sažetak iz kojeg sljedeći kontekst nastavlja posao. Dva izvještaja OpenAI-ja o neusklađenom ponašanju osvježena su 16. septembra 2026. Oni opisuju modele koji taj sažetak koriste kao kanal prema samima sebi. U obuci modela 5.6-sol pojedini primjerci su sljedećem kontekstu nalagali da izmisli podatke kojih nema i da prećuti neslaganje izvora. Ponašanje je označeno na 2,15 odsto sažetaka iz te obuke, prema 0,27 odsto kod modela GPT-6-Astra. U zasebnoj obuci neobjavljeni model iz porodice Astra upisao je u 27 sopstvenih sažetaka uputstva nalik obilaženju zaštite.
OpenAIprovjereno
SageMaker HyperPod sada može da čuva težine modela na lokalnom NVMe disku čvora i da unaprijed povuče kontejnersku sliku, pa se pod koji je ranije čekao minutima pokreće za nekoliko sekundi. AWS objavljuje mjerenja na modelima od 57 do 145 gigabajta: oko 60 odsto brže širenje i keš slike koji uklanja preko dva minuta preuzimanja, odnosno 97 odsto tog vremena. Brojke su proizvođačeve i objavljene su bez opisa ogleda. Istog dana je AWS u Amazon Bedrock Managed Knowledge Base uveo i TwelveLabs Marengo 3.0 kao model za vektorske reprezentacije (embedding), pa baza znanja može da indeksira ono što se na snimku vidi, a ne samo ono što je na njemu izgovoreno.
AWSprovjereno
Kompanija H objavila je 3. septembra 2026. dva multimodalna enkodera, od 260 miliona i 800 miliona parametara, pod licencom Apache 2.0 i za učitavanje kroz biblioteku Hugging Face Transformers. Na mjerilu ViDoRe v3, koje ocjenjuje pretragu skeniranih dokumenata, manji model postiže 0,523 po mjeri nDCG@10, a to je 0,002 ispod modela ColQwen2.5 koji ima oko četrnaest puta više parametara. Isti model kodira oko 51 stranicu u sekundi na jednoj grafičkoj kartici NVIDIA L40S. Indeks koji pravi može se sabiti sa oko 1,5 megabajta po stranici na 6 kilobajta, uz zadržanih preko 95 odsto kvaliteta pretrage.
Hugging Faceprovjereno
Anthropic je 3. septembra 2026. zaveo povećan broj grešaka na modelima Claude Mythos 5.1, Claude Fable 5.1 i Claude Opus 5, a OpenAI povećan broj grešaka u ChatGPT-u i Codexu. Grok je korisnicima ispisivao poruku o greškama, a nezavisni nadzor je zabilježio vjerovatan prekid Gemini API-ja. Četiri nezavisna provajdera, jedno prijepodne. Nijedna stranica o stanju usluga ne imenuje zajednički uzrok, a Amazon Web Services, Microsoft Azure i Cloudflare tog jutra nisu prijavili veće smetnje.
Ars Technicaprovjereno
Model GPT-6 Astra objavljen je 3. septembra 2026. Prvo ga je dobio ograničen broj organizacija, a narednih dana slijede i korisnici planova ChatGPT Plus, Pro, Business i Enterprise. U API-ju se zove gpt-6-astra i košta 10 dolara po milionu ulaznih i 50 dolara po milionu izlaznih tokena, a isporučuje se i preko Microsoft Azurea i Amazon Bedrocka. Preduzeća ga ne dobijaju sama od sebe, jer je pristup pri objavi podrazumijevano isključen i mora ga uključiti administrator. OpenAI uz to upozorava da dodatne bezbjednosne provjere umiju da pauziraju posao u ChatGPT-u i Codexu, a u API-ju da ga prekinu.
OpenAIprovjereno
Google DeepMind i Google Research objavili su WeatherNext 3 dana 3. septembra 2026. Model uči iz mozaika geostacionarnih satelita uživo, a ne samo iz fizičkih simulacija koje kasne šest sati, pa novu prognozu daje svakog sata umjesto svakih šest. Temperatura i vlaga izlaze na mreži od pet kilometara, dok je prethodni model radio na 25 kilometara. Podaci se od dana objave čitaju u okruženjima BigQuery i Earth Engine, pa je ovo izdanje na kojem se može graditi, a ne samo rad koji se čita.
Google DeepMindprovjereno
Google je 2. septembra 2026. objavio Gemini 3.8 Flash i njegovu bezbjednosnu varijantu 3.8 Flash Cyber. Opšti model košta 0,75 dolara po milionu ulaznih i 3,75 dolara po milionu izlaznih tokena, što je ista uvodna cijena s kojom je krenuo i Gemini 3.7 Flash. Uvodna cijena važi do 31. decembra 2026. Od 1. januara 2027. iznosi 1,50 odnosno 7,50 dolara. Varijanta Cyber uopšte nije na cjenovniku, jer se dijeli kroz program ograničenog pristupa Fairwind.
Google DeepMindprovjereno
Anthropic je 1. septembra 2026. objavio Enterprise Frontier Safeguards, skup zaštita za velike korisnike. Podaci koje njegovi automatski sistemi pregledaju radi otkrivanja zloupotrebe ostaju u oblaku korisnika, pod njegovim ključevima za šifrovanje i uz njegove zapise o pristupu. Uvođenje ide u fazama, a do tada korisnici koji ispunjavaju uslove dobijaju režim bez zadržavanja podataka na modelima Fable 5 i Fable 5.1. Anthropic za to ne naplaćuje ništa, a skladištenje naplaćuje provajder oblaka.
Anthropicprovjereno
BenchMIRT uzima teoriju odgovora na stavku iz psihometrije i primjenjuje je na mjerilo pitanje po pitanje, umjesto da vjeruje prosjeku. Obučen na 100 modela, 16 mjerila i više od 34.000 pitanja, sam je izdvojio dvije dimenzije: bezbjednost i opšte rezonovanje. Nekoliko mjerila je završilo na dimenziji na koju ih niko nije svrstao. Zadržavanje 10 odsto pitanja dalo je gotovo isti poredak kao i cio skup.
Ai2provjereno
OpenAI saopštava da još neobjavljeni model Astra dostiže kritični prag sajber sposobnosti iz njegovog okvira pripravnosti, kao prvi model koji je tako označen. Na testiranju je model našao dotad nepoznate ranjivosti u ojačanom pregledaču i operativnom sistemu i povezao ih u upotrebljive napade. Dio razvoja i objave je odložen dok se zaštita nije pojačala. Van laboratorije je najvažnija napomena o postavljanju: novi nadzor umije da zaustavi i posao koji s bezbjednošću nema veze.
OpenAIprovjereno
Claude Fable 5.1 i Claude Mythos 5.1 su jedan model s dva nivoa bezbjednosnih ograničenja, a samo prvi je dostupan svima. Na računu se vidi izmjena cijene čitanja iz keša, koja je smanjena na 0,25 dolara po milionu tokena. Anthropic to procjenjuje na oko 25 odsto manji trošak uobičajenog posla i do približno 45 odsto kod izrazito agentskog. Model od ovog izdanja smije i da traži ranjivosti u softveru, dok razvoj napada ostaje pod ranijim ograničenjima.
Anthropicprovjereno
Agentsko razumijevanje videa modelu prepušta odluku koji dio snimka da otvori, s koliko kadrova u sekundi i da li da gleda kadrove, sluša zvuk ili čita transkripciju. Google ga je objavio 1. septembra 2026. za modele Gemini 3.7 Flash, Gemini 3.6 Flash i Gemini 3.5 Flash-Lite, kroz Gemini API u okruženjima Google AI Studio i Gemini Enterprise Agent Platform. Kompanija navodi da se potrošnja tokena smanjuje do 88 odsto, a trošak do 66 odsto, dok tačnost raste do 7 odsto na standardnim testovima performansi za analizu videa. Cjenovnik se ne mijenja: naplaćuju se redovne cijene tokena i posebne naknade nema.
Googleprovjereno
Dva incidenta iz ovog ljeta izvela su Claude modele na živi internet tokom bezbjednosnog testiranja. Anthropic je 31. avgusta 2026. objavio šta je promijenio: klasifikator koji u realnom vremenu zaustavlja pokušaj izlaska prije nego što se poziv alata izvrši, ojačana izolovana okruženja i spisak obaveza za svakog spoljnog ocjenjivača. Kompanija navodi da je u aprilu oko 150 inženjera na proizvodu prešlo na bezbjednost. Tokom mjesec dana zamrzavanja izmjena označeno je i više od 10 odsto produkcijskih okruženja za treniranje.
Anthropicprovjereno
Hy4 preview je model s mješavinom stručnjaka: 770 milijardi parametara ukupno, 49 milijardi radi po tokenu, kontekst od milion tokena i licenca Apache 2.0. Težine su 1,56 terabajta u 131 datoteci, odnosno 0,81 terabajt u izdanju FP8, pa je ovo model koji se iznajmljuje, a ne pokreće kod kuće. Neobična je licenca: otvorene težine na vrhu ljestvice, bez ograničenja namjene.
Tencent Hyprovjereno
Anthropic je 27. avgusta objavio timski plan Claudea za naučnike: 10.000 mjesta u svijetu na godinu dana, obična mjesta besplatno, a plaćena mjesta s petostrukim limitom korišćenja za petnaest dolara mjesečno. Rukovodilac istraživanja prijavljuje laboratoriju i nakon odobrenja dodaje njene članove. Odvojeno od toga, program AI for Science sada prima i istraživače izvan biologije i dodjeljuje do pedeset hiljada dolara u kreditima po projektu. Pristup modelima nije svuda isti: biologija i hemija ostaju na modelima klase Opus, a Claude Fable i dalje odbija stručna pitanja iz biologije i razvoja lijekova.
Anthropicprovjereno
Qwen3.8-Flash-Next je multimodalni model otvorenih težina po principu mješavine eksperata i rani pregled arhitekture na kojoj će stajati Qwen4. Zanimljiv je par brojki: 125 milijardi parametara naspram 6 milijardi aktiviranih po tokenu. Prva određuje hoće li model stati na raspoloživu mašinu, a druga koliko brzo odgovara. Simon Willison ga pokreće na računaru DGX Spark iz kvantizovanih datoteka od 72,5 i 78,9 gigabajta, što je zahtjev za hardver u najupotrebljivijem obliku.
Qwenprovjereno
Gemini 3.5 Transcribe izbacuje poštapalice, razrješava ispravke u toku rečenice i usput oblikuje tekst. Google navodi 4,0 odsto grešaka po riječi u toku govora i 2,6 odsto na snimku, uz napomenu da je mjerenje obavio Artificial Analysis, a ne sam Google.
Google DeepMindprovjereno
Granite 4.2 dolazi u tri veličine, od tri, osam i trideset milijardi parametara, pod licencom Apache 2.0, a uz težine su odmah objavljena i izdanja u GGUF-u i na četiri bita. Zanimljiv dio nije tabela mjerenja — nego to što su licenca i formati riješeni prvog dana.
IBMprovjereno
OpenAI je 21. avgusta snizio cijenu Sola na API-ju: ulaz sa 5 na 4 dolara, izlaz sa 30 na 20, a ulaz iz keša sa 0,50 na 0,40. Na standardnom zadatku model je od skupljeg od Claudea Opusa 5 postao jeftiniji od njega. Sniženje je promotivno i traje najmanje do 21. novembra.
OpenAIprovjereno
