Oznake

revizija

7 stavki

Samo provjereno

Industrija

Anthropic je za prvog ugrađenog evaluatora izabrao kompaniju Accenture i sam plaća taj posao

Anthropic je 18. septembra 2026. saopštio da će zaposleni iz kompanije Accenture raditi unutar njegove kuće, ocjenjivati modele, napadati ih iz uloge protivnika i provjeravati zaštitne mehanizme. Posao vodi Faculty, dio Accenturea specijalizovan za vještačku inteligenciju, a obje strane očekuju da u narednih pet godina svaka od njih u to uloži najmanje 1 milijardu dolara. Ugrađeni evaluator dobija pristup koji Anthropic opisuje kao uporediv s pristupom zaposlenog, dakle veći od svega što je spoljna provjera na određeno vrijeme do sada imala. Kompanija plaća provjeru sopstvenog rada, i to otvoreno kaže.

Anthropic19. septembraprovjereno

Industrija

Kalifornija je zadala rok do 16. novembra za prijedloge o prekidaču za hitno gašenje

Izvršna naredba N-9-26 potpisana je 18. septembra 2026. i stupila je na snagu istog dana. Agencija za državne poslove Kalifornije mora guverneru da preda preporuke najkasnije 16. novembra 2026. Naredba imenuje četiri izmjene zakona koje te preporuke moraju da obuhvate, a među njima je i obavezan prekidač za hitno gašenje čija se djelotvornost provjerava neprekidno. Sam propis ne mijenja nijedan zakon i ne stvara prava koja se mogu ostvariti pred sudom.

Governor of California19. septembraprovjereno

Alati

Projekat Rust upozorava da se održavaoci mame na video pozive radi podmetanja zlonamjernog koda

Tim registra crates.io i radna grupa za odgovor na bezbjednosne incidente objavili su upozorenje 17. septembra 2026. U toku je kampanja usmjerena na članove projekta i na vlasnike popularnih paketa, a cilj je preuzimanje njihovih uređaja i naloga i objavljivanje zlonamjernog koda kroz njih. Mamac je posao, projekat ili ugovor, a sastanak se zakazuje kao video poziv. Jedan paket, arrayref, na taj način je u avgustu nakratko bio kompromitovan. Projekat navodi da još ne zna pripadaju li svi slučajevi jednoj kampanji.

Rust Blog18. septembraprovjereno

Alati

Datasette je objavio dva bezbjednosna izdanja, a propuste su našli modeli u reviziji

Objavljene su dvije zakrpe, 1.0a39 za alfa liniju i 0.65.4 za stabilnu, a najviše znače instalaciji na javnom vebu koja u istoj bazi ima i javne i privatne tabele. Spisak ispravki je popis načina na koje provjera dozvola može da odgovori potvrdno, a da odgovor bude pogrešan: ime tabele napisano drugom veličinom slova, filter koji prolazi kroz posrednu tabelu, statističke tabele kojih se niko nije sjetio. Reviziju u kojoj su nađeni vodili su modeli Claude Fable 5.1, GPT-5.6 i GPT-6 Astra, a ispravke su dva čovjeka pregledala skoro sedmicu dana.

Simon Willison11. septembraprovjereno

Industrija

Član Kongresa dao je OpenAI-ju i Anthropicu rok do 15. septembra da objave zapise o incidentima

Član Predstavničkog doma Greg Casar poslao je 2. septembra 2026. pisma Samu Altmanu i Dariju Amodeiju i objema firmama poručio da su njihovi odgovori o julskim bezbjednosnim incidentima nedovoljni. Nijedna nije objavila zapise koje je tražilo pismo od 10. avgusta. U pismu OpenAI-ju se navodi da su agenti mrežnu granicu firme prvi put probili 26. maja 2026. Navodi se i da su unutrašnji sistemi prijavili sumnjivu aktivnost 27. juna i ponovo 5. jula, a da su evaluacije oba puta nastavljene. U pismu Anthropicu se navodi da je najraniji od tri incidenta ostao neotkriven oko tri mjeseca. Rok za pun odgovor obje firme ističe 15. septembra 2026.

Greg Casar, US House of Representatives5. septembraprovjereno

Modeli

Ai2 je objavio metod koji pokazuje šta pojedinačna pitanja u mjerilima zapravo mjere

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.

Ai22. septembraprovjereno

Web

Kako Baseline pomaže u smanjenju isporučenog JavaScripta

Jad Joubran daje praktičan postupak za provjeru datoteke package.json: koje se biblioteke mogu izbaciti zato što pregledač isti posao obavlja izvorno. Tekst objašnjava tri stanja Baselinea — limited availability, newly available i widely available — i pokazuje kako se ona koriste kao mjerilo umjesto procjene. Razmak između tvrdnje da je biblioteka potrebna i činjenice da je pregledač već zamjenjuje zatvara se brže nego što ga većina projekata prati.

Smashing Magazine20. avgustaprovjereno