Ludzie często dziwią się dlaczego jako AI Engineer jestem sceptyczny odnośnie wykorzystania AI. Odpowiedź jest prosta, mój entuzjazm odnośnie AI jest dokładnie taki sam jak 5 lat temu. To ludzie zaczęli być zbyt optymistyczni. Od zawsze twierdziłem że AI ma konkretne zastosowania - dobrze uporządkowane, konkretne, powtarzalne procesy z wystarczającą ilością danych historycznych, gdzie jesteśmy w stanie zaakceptować kompromis pomiędzy precyzją a czułością systemu. Różnica jest taka że kiedyś panowało podejście „AI nie jest w stanie rozpoznać rasy psa na zdjęciu to zbyt skomplikowane” A teraz jest „Po co komu lekarze, wpisałem moje symptomy do ChatGPT i już mnie zdiagnozował” Kiedyś trzeba było ten entuzjazm wzbudzać, teraz trzeba go ostudzać ale ja dalej ciągnę do tego samego punktu, tylko teraz trzeba ciągnąć w drugą stronę.

Fable feels like a polish freelancer. Shows up, speaks in its own dialect, writes the best code you've ever seen, and then disappears

To jest właśnie przykład dlaczego trzeba tworzyć niezależne AI.

Chciałem wrzucić post zachęcający do wzięcia udziału, ale widzę, że prawie mamy sold out, więc chyba nie trzeba 🙂 Ale! Zostały jeszcze ostatnie miejsca! W najbliższy wtorek na Health AI & Cybersec Summit opowiem o tym, jak zbudowaliśmy najlepszy polski detektor danych wrażliwych, który mieści się w pamięci przeglądarki. Zapraszam, będzie to solidana dawka wiedzy a nie tylko prezentacja marketingowa, zamierzam opowiedzieć dokładnie o treningu modelu i odpowiem na wszystkie pytania 🙂

Okej, Fable 5 jest super ale limty kończą się zdecydowanie za szybko

Zeszły tydzień był szalony dla otwartych modeli AI 25 🤯 premier modeli open-weight 👇 🧠 LLM-y -> NVIDIA Nemotron 3 Ultra: hybryda Mamba-MoE 550B, tylko 55B aktywnych, kontekst 1M, 89.1 na MMLU. Wariant NVFP4 obiecuje ~5x przepustowości na chipach Blackwell. Pierwsza otwarta hybryda Mamba-Transformer w skali 550B -> Google Gemma 4 12B: w pełni otwarty, gęsty model any-to-any (tekst/obraz/audio/wideo), kontekst 256k, bez enkodera, 140 języków, AIME 2026 na poziomie 77.5. Wypuszczony z falą 23 checkpointów QAT (mobilne ONNX MLX). Najłatwiejszy do wdrożenia model tygodnia. → Liquid AI LFM2.5-8B-A1B: MoE na edge, raptem 1.5B aktywnych, kontekst 128k, MATH500 88.8, gotowy pod MLX. Najlepsza opcja on-device w tym tygodniu. → JetBrains Mellum2-12B-A2.5B-Thinking: ich pierwszy otwarty MoE, koduje prawie jak Qwen3-14B przy 2.5B aktywnych. Apache 2.0. 🎨 Generowanie obrazów ) → Ideogram 4: ich PIERWSZE otwarte wagi w historii. Diffusion Transformer (DiT) typu flow-matching, 9.3B, trenowany od zera. #2 ogółem za GPT Image 2 i najlepszy model open-weight na Design Arena LMArena. Najlepszy otwarty model do obrazów z dużą ilością tekstu, 🔊 Audio i mowa (przełomowy tydzień dla otwartego TTS wypuściły 4 laby) → Higgs Boson Audio v3 4B: 102 języki, 21 emocji, śpiew/szept/krzyk, TTFA poniżej sekundy. → rednote dots.tts: jedyny w pełni ciągły (bez kodeka) otwarty pipeline TTS, Apache 2.0. → Google Magenta RealTime 2: generowanie muzyki w czasie rzeczywistym, latencja <200ms, tekst audio MIDI. multimodalart przeportował to do PyTorcha w kilka godzin, z działającymi demami na ZeroGPU. → NVIDIA Nemotron-3.5 ASR: streamingowe 600M, 17x więcej równoległych strumieni niż Parakeet RNNT 1.1B. 👁️ Wizja i VLM-y → StepFun Step-3.7-Flash: rzadki MoE VLM 198B, ~11B aktywnych, SWE-Bench PRO 56.3. Apache 2.0. → PaddleOCR-VL-1.6: SOTA w parsowaniu dokumentów przy 1B parametrów, Apache 2.0. → Baidu NAVA: wspólne generowanie audio-wideo 6.3B, najlepsza w klasie synchronizacja A/V, Apache 2.0. 🎬 Wideo, 3D i modele świata → NVIDIA Cosmos3-Super: omnimodalny model świata 64B, łączy trajektorie akcji z generowaniem wideo audio, pod Physical AI. → JD JoyAI-Echo: tekst-do-wideo do 5 minut, wieloujęciowe, na LTX-2.3. → ByteDance Bernini-R VAST TripoSplat (z jednego obrazu do gaussian splattingu 3D, MIT).

3 czerwca KE opublikowała „Europejską Strategię Open Source”. W skrócie: Europa doszła do wniosku, że cyfrowo jest dziś prawie całkowicie zależna od technologii i dostawców spoza Europy. Plan zakłada m.in. uczciwsze traktowanie rozwiązań open source w zamówieniach publicznych (np. aby urzędy w ogóle rozważały alternatywy w przetargach, zamiast automatycznie sięgać po licencje na „domyślny” pakiet biurowy), większe wsparcie dla projektów OSS oraz rozwój europejskich alternatyw w obszarach takich jak chmura czy AI.

Akuart niedługo planje wymieniać laptopa Myślałem o M5 ale...musze przyznać że to brzmi bardzo interesująco pod kątem odpalania lokalnych llmów - do 128GB unified ramu (oczywiście przy obecnych cenach tanio nie będzie) - 600GB/s bandwidth - performance na poziomie 5070 Oczywiście liczę na natywne wsparcie linuxa

The way you should prompt Claude changed a lot with Opus 4.8. It follows instructions more literally, writes less, reaches for tools less, and spawns fewer subagents — all by default. which means half your old prompt scaffolding is now just noise. especially effort, works much differently now made a quick guide 👇

Claude Opus 4.8 TL;DR: Nie „mądrzejszy", tylko „uczciwszy" → Najważniejsze: jest lepszy w wychwytywaniu własnych błędów 4x lepiej niż Opus 4.7 → Wyniki na benchmarkahc trochę lepsze, do niektórych zdań nadal jest lepszy GPT 5.5 → Ta sama cena $5/$25 co 4.7. Tryb fast 2,5× szybszy i 3× tańszy → Claude Code dostaje dynamiczne workflow: setki subagentów naraz, sprawdzających nawzajem swoją robotę np. ogarnia migracje całego repo → Model klasy Mythos ma wyjść w ciągu kilku tygodni

Deepseek V4 - może nie zrobił takiej rewolucji na V3 ale oferuje niesamowity stosunek ceny do jakości. 0.87$ za mln tokenów to niespotykana cena w dzisiejszych czasach gdzie modele kosztują po 60$ I to nie kwestia marketingu i dopłacania do modelu ale przemyślanej architektury - Compressed Sparse Attention (CSA) - Heavily Compressed Attention (HCA) - MegaMoE

Nice paper on sleep-like consolidation in hybrid SSM-attention LLMs. When the context window fills, the model goes "offline": N recurrent passes over accumulated tokens, updating fast weights in SSM blocks via a learned local rule. KV cache is then evicted. Extra compute is paid at sleep time, not at inference. Pure SSMs and standard transformers fail on cellular automata, multi-hop graph retrieval, and GSM-Infinite as reasoning depth grows. Sleep fixes it: gains scale with N.

Dlaczego znowu jesteśmy silni wobec słabych i słabi wobec silnych? Dlaczego „przeraża” nas emerytura znanej aktorki milionerki a nie przerażają nas emerytury milionów Polek i Polaków którzy pracowali na etacie 40 lat?

Co gotuje Elon? Wygląda na to, że xAI szykuje wyraźną zmianę kierunku i chce mocniej wejść na rynek narzędzi dla programistów. xAI zakończył główną fazę treningu modelu Grok V9 (1,5T parametrów), a jego premiera planowana jest na połowę czerwca. Najciekawszym elementem jest integracja z danymi z Cursora - czyli edytora kodu z AI. Tradycyjnie modele uczą się na statycznym kodzie (np. z otwartych repozytoriów), czyli widzą tylko gotowy efekt końcowy. Dane z Cursora dają xAI wgląd w sam proces pisania programów. Model analizuje realne interakcje: to, jak programiści poprawiają błędy w locie, jak radzą sobie ze skomplikowaną architekturą i jak wyglądają logi z ich wieloetapowych zadań. Dzięki temu Grok uczy się działać bardziej jak autonomiczny inżynier oprogramowania i rozwiązywać realne problemy, a nie tylko generować od zera strony internetowe. Elon widzi, gdzie są prawdziwe pieniądze w AI. O ile chatboty dla masowego odbiorcy budują zasięgi, o tyle realne przychody płyną ze specjalistycznych Narzędzia dla profesjonalistów. Najlepszym punktem odniesienia jest tu Anthropic, gdzie sam Claude Code ma osiągnąć w 2026 aż 2,5 mld dolarów rocznego powtarzalnego przychodu.