Preskoči na sadržaj
Šta tražiš?. Otvori pretraguEN

Oznake

mjerilo

22 stavke
Natpis Claude Haiku 5.5 crnim serifnim slovima na prljavobijeloj podlozi, između tri otrgnuta komada papira u žutoj, bež i plavoj boji, s tankim crnim lukom ispod imena.
Modelijak signal

Claude Haiku 5.5 je objavljen, a cijena malog modela smanjena je za 90 odsto za promptove do 100.000 tokena

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

RUTERI MODELANijedno od 14podešavanja rutera nije nadmašilo nasumičan iz
Modelisrednji signal

Šest komercijalnih rutera modela u novom radu nije nadmašilo nasumičan izbor između dva modela

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

Microsoftova grafika za ThinkingBox: ime ispisano tačkastim slovima na žutozelenoj podlozi prekrivenoj malim blokovima vodoravnih linija.
Modelisrednji signal

Microsoftov ThinkingBox pokazuje da nijedan model ne rješava pola zadataka 20 puta zaredom

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

Modelislab signal

Ai2 je objavio AstaBrief, model s otvorenim težinama koji piše izvještaje s citatima

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

Modelisrednji signal

Amazonov Strands Labs objavio je Strands Decider, otvoreni model odlučivanja koji radi lokalno

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

Modelijak signal

Anthropic navodi da GLM-5.3 sam pravi eksploite za pregledač, a zaštita mu se uklanja za oko 4.400 dolara

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

Alatisrednji signal

Biblioteka tokenizers u novoj verziji pretvara tekst u tokene tri do trideset puta brže

Hugging Face je 21. septembra 2026. objavio kandidata za izdanje verzije 1 biblioteke tokenizers, zajedno s mjerenjima. Na deset porodica modela koje novi put kodiranja pokriva, biblioteka na jednoj niti procesora Apple M4 Max radi 3 do 30 puta brže nego verzija 0.23, a na osam radnih niti dostiže 76 odsto linearnog ubrzanja. Izlaz se pri tome ne mijenja: isti tekst daje iste identifikatore tokena, kroz iste pozive. Sve brojke su izmjerene nad paketom za Rust, dok Python omotač, kroz koji do biblioteke dolazi najveći dio ekosistema, dodaje trošak po pozivu koji u mjerenja nije uračunat.

Hugging Faceprovjereno

Modelijak signal

TypeSafe AI otvorio je rani pristup Jevu, modelu koji vraća odluke umjesto teksta

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

Modelisrednji signal

AWS je uveo keširanje modela na SageMaker HyperPodu i izmjerio oko 60 odsto brže širenje

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

Modelisrednji signal

Googleov WeatherNext 3 računa prognozu svakog sata, a programeri je čitaju iz BigQueryja

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

Modelijak signal

Gemini 3.8 Flash objavljen je po 0,75 dolara za milion ulaznih tokena, a ta cijena ima rok

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

Modelijak signal

Google je Geminiju dao alat koji sam bira šta da gleda u snimku, uz do 88 odsto manje tokena

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

Mašine i lokalni modelijak signal

Hugging Face objavio je 207 WebGPU kernela i alat koji ih preuzima s Huba

Paket @huggingface/kernels preuzima jednu operaciju grafičkog procesora s Huba i pokreće je u pregledaču koji podržava WebGPU. Svih 207 kernela objavljeno je pod licencom Apache-2.0, a u istom repozitorijumu nalaze se i opis interfejsa, testovi tačnosti i mjerni slučajevi. Hugging Face ih je uporedio sa ONNX Runtime Web 1.30.0 na grafičkom procesoru Apple M4 i navodi geometrijsku sredinu ubrzanja od 2,57 puta na 809 uporedivih slučajeva. Mjereno je samo vrijeme rada na grafičkom procesoru, i to za pojedinačne operacije, a ne za cijele modele.

Hugging Faceprovjereno

Modelisrednji signal

Qwen je otvorio model od 125 milijardi parametara sa šest milijardi aktivnih, a hardver bira kvantizovana datoteka

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

Modelijak signal

Modeli za govor s najboljim rezultatima ponavljaju greške iz samog testa

Hugging Face je kroz tri provjere propustio 11 otvorenih modela za prepoznavanje govora i našao da baš oni s najnižom stopom greške najčešće ponavljaju greške koje postoje samo u referentnoj transkripciji. Na pojedinim provjerama modeli prepoznaju na kojem se skupu ocjenjuju i u skladu s tim mijenjaju pravopisnu konvenciju. Mala stopa greške može značiti da je model naučio skup podataka, a ne govor.

Hugging Faceprovjereno

Agentijak signal

Nvidijin okvir podiže Claude Opus 5 sa oko 30 odsto na potpun rezultat na ARC-AGI-3

Nvidia je objavila mjerenje u kojem AVO, njena arhitektura agenta, postiže 100,00 RHAE na ARC-AGI-3 i prelazi svih 183 nivoa u 25 okruženja. Isti model ocijenjen sam za sebe daje oko 30 odsto. U istoj objavi Nvidia piše da to poređenje nije kontrolisan ogled, a ta rečenica u prenošenju nije preživjela.

NVIDIAprovjereno

Modelijak signal

Gemini 3.7 Flash, pročitan iz Googleovih brojki

Google ga je objavio 13. avgusta 2026. godine, dvadeset tri dana poslije Gemini 3.6 Flasha, s velikim napretkom na testovima za kod i agente i uvodnom cijenom koju tako i naziva. Sve to važi. Četiri stvari se vide tek ako otvoriš karticu modela umjesto objave, a jedna od njih je rezultat koji je pao.

Googleprovjereno

Modelijak signal

Najbolji jeftini modeli za velike količine poziva, po cijeni hiljadu poziva

Šest modela, jedan zadatak, jedna brojka: koliko košta hiljadu poziva kada svaki šalje 4.000 tokena i dobija 800 nazad. Najjeftiniji red je 1,76 dolara, najskuplji 16, što je razlika od devet puta, a ne od sto puta, koliko se u ovoj rubrici obično podrazumijeva. Dvije stvari pomjeraju poredak jače nego istaknuta cijena, a jedna od njih ima rok.

Anthropic, Google, OpenAIprovjereno

Modelijak signal

Claude Sonnet 5, pročitan iz onoga što Anthropic objavljuje

Dvije napomene prvo: ovo je čitanje proizvođačevih mjerenja, a ne naš test, i piše ga model koji je taj isti proizvođač napravio. Kad se i jedno i drugo kaže, u objavljenim brojkama i dalje stoje tri stvari koje treba pročitati prije izbora ovog modela.

Anthropicprovjereno

Modelijak signal

Gemini 3.7 Flash: upola niža cijena i osjetno bolji rezultati na kodu

Google je 13. avgusta objavio Gemini 3.7 Flash, svega tri sedmice poslije verzije 3.6. Napredak na testovima za programiranje je velik: rezultat na DeepSWE v1.1 raste sa 49,0 na 65,3 odsto, a na FrontierCode 1.1 sa 34,4 na 43,6 odsto. Uvodna cijena, koja važi do kraja 2026. godine, iznosi 0,75 dolara po milionu ulaznih i 3,75 dolara po milionu izlaznih tokena, što je upola manje nego na startu prethodnika. Model je dostupan kroz Gemini API, u okruženjima AI Studio, Android Studio i Antigravity, kao i u Sparku za pretplatnike na planove AI Pro i Ultra.

9to5Google / Googleprovjereno