Oznake

Mjerenja

13 stavki

Samo provjereno

Modeli

Mistral predstavio svoj najveći AI model do sada: Large 4 ima milijardu parametara

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 AI7. oktobraprovjereno

Modeli

Google je predstavio Gemini 4 Argon, ali ga zasad dobijaju samo timovi za sajber bezbjednost

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.

Google1. oktobraprovjereno

Lijevo natpis Research preview i HydraFusion s redom Advanced runtime model orchestration in GitHub Copilot; desno tamni birač modela u terminalu sa stavkama Auto, HydraFusion (Preview) označenom plavo, GPT-5.6 Sol, GPT-5.6 Terra, Claude Opus 5 i Claude Sonnet 5.

Agenti

HydraFusion, koji u Copilotu može na jedan zahtjev pokrenuti dva modela, stigao je u VS Code i aplikaciju

HydraFusion se bira u biraču modela, ali nije model. Za svaki zahtjev bira jedan od tri toka rada i može zadatak dati dvama modelima zaredom, jednom da piše nacrt, drugom da ga provjeri. GitHub je 30. septembra 2026. istraživački pregled iz Copilot CLI-ja proširio na Visual Studio Code i aplikaciju GitHub Copilot, za planove Pro, Pro+, Business i Enterprise. Naplata prati tokene koje svaki model potroši, pa jedan zahtjev može koštati više ili manje nego uz jedan model.

GitHub Changelog30. septembraprovjereno

Modeli

NVIDIA predstavila Kumo Tabular, Transformer koji predviđa iz tabela bez dodatnog treniranja

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 Blog30. septembraprovjereno

Modeli

OpenAI je objavio GPT-6.1 Sol po cijeni modela GPT-6 Sol i uveo plan Pro 500 od 500 dolara

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.

OpenAI29. septembraprovjereno

Modeli

OpenAI je objavio GPT-6 Sol i GPT-6 Luna i upola snizio cijenu oba modela

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.

OpenAI24. septembraprovjereno

Industrija

OpenAI tvrdi da je interni model riješio Navier-Stokesov problem i osniva savjetodavnu grupu

U objavi od 21. septembra 2026. OpenAI navodi da je interni model riješio Navier-Stokesov problem s liste Milenijumskih nagrada i više od 100 dugogodišnjih otvorenih problema. Uz tvrdnju nije objavljen nijedan rad, a nezavisne provjere nema. Deklaraciju protiv rješavanja otvorenih problema kao mjerila potpisalo je 27 dobitnika Fildsove medalje 11. septembra 2026. Odgovor kompanije je nezavisna savjetodavna grupa pri Institutu za napredne studije.

OpenAI22. septembraprovjereno

Modeli

NeoMME sa 260 miliona parametara došao je na 0,002 od modela s 3,75 milijardi na ViDoRe v3

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 Face4. septembraprovjereno

Modeli

OpenAI je objavio GPT-6 Astru po 10 dolara za milion ulaznih tokena, a preduzećima je pristup isključen

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.

OpenAI4. 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

Modeli

OpenAI je Astru svrstao u kritičnu sajber kategoriju, a zaštita zaustavlja i ispravan posao

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.

OpenAI2. septembraprovjereno

Modeli

Anthropic je objavio Claude Fable 5.1 i snizio cijenu čitanja iz keša

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.

Anthropic2. septembraprovjereno

Modeli

Googleov novi model za prepis čisti govor, a to je i mogućnost i rizik

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 DeepMind26. avgustaprovjereno