Oznake
Nijedna stavka ne odgovara filteru.
Izdanje b11556 dodaje rotaciju težina koja je modelu Bonsai 2 nedostajala u zvaničnom llama.cpp-u. Datoteka Q2_0 od 7,63 GB tamo sada daje ispravan izlaz, a manja pakovanja PQ2_0 i PTQ1_0 i dalje traže verziju same kompanije.
llama.cppprovjereno
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
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
Projekat llama.cpp objavio je 5. oktobra 2026. verziju 0.6.0. Izdanje dodaje podršku za GLM-5.3-Flash, model za tekst i sliku sa 320 milijardi parametara, i novu krajnju tačku servera za modele za odlučivanje (decision models). Dvije izmjene u spekulativnom dekodiranju objavljene su uz mjerenja autora, jedno na računaru DGX Spark kompanije Nvidia i jedno na Appleovim grafičkim procesorima. Izmijenjeni su i C API i verzija formata sačuvanih sesija, pa programe koji koriste biblioteku treba provjeriti prije nadogradnje.
llama.cppprovjereno
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
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
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
Google je 23. septembra 2026. dodao podršku za lokalne modele u Antigravity SDK. Prvi podržani model je Gemma 4 koji se izvršava kroz LiteRT, a Google preporučuje više od 24 GB video ili objedinjene memorije. SDK radi i s lokalnim serverima kao što su Ollama, LM Studio i vLLM.
Google Developers Blogprovjereno
Projekat llama.cpp je 23. septembra 2026. objavio verziju 0.5.0. Izdanje dodaje podršku za HRM-Text, arhitekturu na kojoj je građen DFM Mimir, model od milijardu parametara, i konverziju modela MiMo-V2.6. Server sada može istovremeno da prima veze na više adresa, a u režimu rutera više ne prosljeđuje datoteku s API ključevima procesima koje pokreće.
llama.cppprovjereno
Kontrolna tačka u obliku GGUF predaje se funkciji from_pretrained i pokreće sa težinama koje ostaju spakovane, uz ggml kernele za Metal iz biblioteke kernels. Cilj je jedan razgovor u živo na Macu s Apple Silicon čipom, a taj put pokriva arhitekture Qwen3.5, i u obliku sa svim aktivnim parametrima i u obliku mješavine eksperata, te odgovarajuće kontrolne tačke modela Qwen3.8. Hugging Face navodi da je rezultat blizu llama.cpp-a na tri mjerene kontrolne tačke, uz napomenu da dva mjerenja nisu rađena pod istovjetnim uslovima. Kao motor za efikasno lokalno izvođenje i dalje preporučuje llama.cpp.
Hugging Faceprovjereno
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
Izdanje 0.4.0 objavljeno je 4. septembra 2026. To je numerisana verzija, a ne jedna od noćnih gradnji. Donosi početnu podršku za Qwen3.8-Flash-Next, za NVIDIA Nemotron-3-Puzzle-75B-A9B, za DSpark kod Nemotrona 3.5 i za nanbeige4.2-3B. Apple RDMA postaje prenos za RPC, video stiže u komandnu liniju, a kvantizacija dobija gornju granicu memorije. Dvije podrazumijevane vrijednosti na serveru su promijenjene, a snimljeno stanje sesije dobija novu oznaku verzije.
llama.cppprovjereno
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
Jensen Huang je dogovor objavio 3. septembra 2026. Na platformi je više od tri miliona modela, 500.000 skupova podataka i milion aplikacija, a koristi je više od 18 miliona ljudi i više od 200.000 firmi. NVIDIA navodi da Hugging Face ostaje otvoren cijelom ekosistemu i da računski kapacitet te kompanije neće biti uslov za rad na platformi. Rok za zatvaranje posla i saglasnosti regulatora u objavi se ne pominju, pa je objavljen dogovor, a ne završena kupovina.
NVIDIAprovjereno
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
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
Jalapeño daje 1,5 do 1,9 puta više posla po vatu i do 3,6 puta manje kašnjenje od neimenovanih sistema s kojima se poredi, kaže OpenAI. Čip je deklarisan na 700 vati a u probama je vukao najviše 550, dok su takmaci preračunati po svojoj deklarisanoj vrijednosti.
OpenAIprovjereno
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
