Grok 4.5 utmanar frontier-modeller, OpenAI lanserar GPT-Live i full-duplex, Mistral satsar på robotik med Robostral Navigate

Den 8 juli präglas av tre stora modelllanseringar: Grok 4.5 från SpaceXAI, samtränad med Cursor för kod och agentiska arbetsflöden; GPT-Live från OpenAI, en ny full-duplex röstarkitektur som ersätter Advanced Voice Mode; och Robostral Navigate, Mistrals första modell för robotnavigering. Cognition kompletterar bilden med SWE-1.7, Runway öppnar en enhetlig API-plattform för mediagenerering, och Gemini CLI går över till stabil version 0.50.0. Tolv viktiga nyheter och tre kortnotiser kompletterar denna överblick, mellan agentiska utvecklarverktyg, tillförlitlighet i kodbenchmarkar och öppen källkod-inferens.

Grok 4.5: SpaceXAI lanserar sin smartaste modell, samtränad med Cursor

8 juli — SpaceXAI (tidigare xAI) lanserar Grok 4.5, presenterad som företagets smartaste modell hittills, utformad för att briljera inom kod, agentiska uppgifter och kunskapsarbete. En viktig detalj: modellen har tränats tillsammans med Cursor, ett partnerskap som SpaceXAI uttryckligen lyfter fram.

“Today, we’re launching Grok 4.5, SpaceXAI’s smartest model built to excel at coding, agentic tasks, and knowledge work. It’s our strongest model ever and was trained alongside Cursor.”

🇸🇪 I dag lanserar vi Grok 4.5, den smartaste modellen från SpaceXAI, utformad för att briljera inom kod, agentiska uppgifter och kunskapsarbete. Det är vår starkaste modell hittills, samtränad med Cursor. — SpaceXAI, x.ai/news/grok-4-5

I de publicerade benchmarkarna placerar sig Grok 4.5 i täten utan att dominera konsekvent:

Benchmark	Poäng
DeepSWE 1.0 (pass@1)	62,0 %
Terminal-Bench 2.1	83,3 %
SWE-Bench Pro	64,7 %

När det gäller effektivitet kör modellen i 80 tokens per sekund och förbrukar ungefär 4,2× färre utmatningstokens än Claude Opus 4.8 (maxläge) på SWE-Bench Pro (15 954 tokens i snitt mot 67 020). Träningen byggde på tiotusentals NVIDIA GB300-GPU:er och förstärkande inlärning (reinforcement learning) i stor skala över hundratusentals programvaruingenjörsuppgifter.

Typ	Pris
Input	2 $ / M tokens
Output	6 $ / M tokens

Grok 4.5 blir standardmodellen i Grok Build, där den kan bygga komplexa Excel-filer, PowerPoint-presentationer med inbyggda former och Word-dokument. Tillgänglig från och med i dag i Grok Build, i Cursor (alla abonnemang) och via SpaceXAI:s konsol — men ännu inte i Europeiska unionen, där utrullningen väntas i mitten av juli.

OpenAI lanserar GPT-Live, sina nya full-duplex röstmodeller

8 juli — OpenAI lanserar GPT-Live, en ny generation röstmodeller som ersätter Advanced Voice Mode som motorn i ChatGPT Voice. Till skillnad från tidigare generationer — en kedja med transkribering/LLM/syntes, och sedan en modell som väntade på tystnad innan den svarade — bygger GPT-Live på en full-duplex-arkitektur: den lyssnar och talar samtidigt, lägger in bekräftelser (“mhmm”, “okej”) medan användaren pratar, och avgör flera gånger per sekund om den ska tala, lyssna, pausa, avbryta eller anropa ett verktyg.

En andra arkitektonisk förändring: GPT-Live delegerar komplexa uppgifter (webbsökning, avancerat resonemang, agentiskt arbete) till en frontiermodell — GPT-5.5 vid lanseringen — samtidigt som konversationen hålls igång muntligt medan arbetet körs i bakgrunden. OpenAI planerar att utveckla denna modell i kulisserna i takt med att nya frontiermodeller släpps.

“GPT-Live is built on a full-duplex architecture, meaning it can listen and speak at the same time. […] While it works, GPT-Live can keep talking with you and maintain the flow of conversation.”

🇸🇪 GPT-Live bygger på en full-duplex-arkitektur, vilket innebär att den kan lyssna och tala samtidigt. […] Medan den arbetar kan GPT-Live fortsätta att prata med dig och hålla tråden i konversationen. — OpenAI, Introducing GPT-Live

Två versioner rullas ut från och med i dag till alla ChatGPT-användare (iOS, Android, webben): GPT-Live-1 för Go/Plus/Pro, GPT-Live-1 mini för gratisanvändare. API-åtkomst är planerad inom kort, väntelista öppen. I interna utvärderingar (GPQA, BrowseComp, en variant av τ³-Voice Telecom) överträffar GPT-Live-1 tydligt Advanced Voice Mode och föredras av mänskliga utvärderare. Mer än 150 miljoner personer använder varje vecka röst och diktering på ChatGPT.

På säkerhetssidan har OpenAI utökat sina tester till ljudinbyggda utvärderingar (självskada, psykos, emotionellt beroende till AI, våld, sexuellt innehåll), lagt till aktiva skydd i realtid och förstärkt skydden för ungdomar, med möjlighet att meddela föräldrar vid tecken på nöd.

🔗 GPT-Live System Card

Cognition lanserar SWE-1.7 i Devin, ny kodmodell till lägre kostnad

8 juli — Cognition lanserar SWE-1.7, presenterad som den mest kapabla modell företaget tränat hittills, med frontier-nivå av intelligens till en betydligt lägre kostnad — teamet talar om en förskjutning av Pareto-kurvan för kostnad/prestanda. Modellen utgår från en Kimi K2.7-bas (redan kraftigt eftertränad med RL), och de ytterligare förbättringar som Cognition uppnått ifrågasätter idén om ett “tak för efterträning”: enligt teamet kan förstärkande inlärning (reinforcement learning) fortfarande driva kapabiliteter långt mycket längre än man tidigare trott.

SWE-1.7 är tillgänglig från och med i dag i Devin (Web, Desktop och CLI), levererad via Cerebras med 1 000 tokens per sekund.

Utvärderad modell	FrontierCode 1.1 Main
SWE-1.6	9,4 %
SWE-1.7	42,3 %

På Terminal-Bench 2.1 och SWE-Bench Multilingual placerar sig SWE-1.7 mellan Kimi K2.7 Code och frontiermodellerna (GPT-5.5, Claude Opus 4.8), samtidigt som den kostar avsevärt mindre per uppgift. Den tekniska artikeln beskriver fyra arbetsområden: bevarande av entropi under RL-träning (top-p-sampling med distribution replay för att undvika kollaps i exploration), multi-klusterträning fördelad över tre kontinenter med feltolerans (komprimerade viktuppdateringar färdigställs på 1 till 2 minuter för en modell med 1 000 miljarder parametrar), datakurering mot fusk, samt auto-komprimering för långa uppgifter (upp till sex timmar per körning), där modellen lär sig sammanfatta sitt eget arbetsläge.

Beteendemässigt utforskar SWE-1.7 kodbasen mer systematiskt innan den agerar, utreder rotorsakerna till buggar mer noggrant och producerar mer kondenserat resonemang tack vare en växlande längdstraff som tillämpas under träningen.

🔗 SWE-1.7: Frontier Intelligence at a Fraction of the Cost

Mistral går in i robotiken med Robostral Navigate

8 juli — Mistral AI lanserar Robostral Navigate, sin första modell för inbyggd robotnavigering (embodied navigation) : en modell med 8 miljarder parametrar som styr en robot utifrån en enda RGB-kamera — utan LiDAR eller djupsensor — och en instruktion på naturligt språk.

“Announcing Robostral Navigate, our first model for embodied navigation: an 8B robotics navigation model that guides robots to autonomously perform tasks specified with natural language. Single RGB camera. State-of-the-art on R2R-CE.”

🇸🇪 Vi presenterar Robostral Navigate, vår första modell för inbyggd navigering: en robotnavigeringsmodell med 8 miljarder parametrar som guidar robotar att autonomt utföra uppgifter som specificeras på naturligt språk. En enda RGB-kamera. State of the art på R2R-CE. — Mistral AI, tweet från 8 juli

På R2R-CE (Room-to-Room in Continuous Environments), referensbenchmarken för instruktionsstyrd navigering, når Robostral Navigate state of the art i “unseen”-validering:

Ansats	R2R-CE framgångsgrad
Robostral Navigate (en enda RGB-kamera)	76,6 %
Tidigare bästa ansats med en kamera	~66,9 %
Bästa djup-/multikameraansats	~72,1 %

Modellen förutsäger koordinaterna för målpositionen direkt i kamerabilden snarare än metrisk förflyttning, vilket gör den robust mot förändringar i kamerans intrinsics. Den är helt byggd internt (utan tredje parts open-source-VLM), initialiseras från Mistrals specialiserade VLM för pekande/räkning/objektlokalisering, och tränas på cirka 400 000 simulerade trajektorier insamlade i 6 000 miljöer. En prefix-caching-teknik med trädmappad attention mask reducerar antalet träningstokens med 22× jämfört med stegvist sampling; efterträning med online-RL (CISPO, egen algoritm) lägger till ytterligare 3,2 procentenheter i framgångsgrad utan tecken på platå.

Robostral Navigate fungerar på hjulburna, benförsedda och flygande robotar, och riktar sig till användningsområden inom tillverkning, leverans, logistik och hotellverksamhet.

🔗 Fullständig artikel — mistral.ai

Runway lanserar Runway Dev, en enhetlig API-plattform för mediagenerering

8 juli — Runway lanserar Runway Dev, en AI-medieplattform för utvecklare och företag: ett enda API för att integrera de bästa modellerna för bild, video, ljud och realtidsavatarer. Redan använd av team hos Adobe, ElevenLabs, Shutterstock, Figma Weave, Gamma och Silverside.

Plattformen är uppbyggd kring fyra delar:

Del	Funktion
Models	Åtkomst till Runways förstapartsmodeller (Gen-4.5, Aleph 2.0, Act-Two) och tredjepartsmodeller (Seedance, GPT Image 2, ElevenLabs), modellbyte i en rad kod
Recipes	Färdiga endpoints som paketerar Runways expertis inom prompting/arbetsflöden (annonseringslokalisering, produktannons, produktbyte, video med flera vinklar)
Workflows	Anpassade pipelines som kombinerar flera modeller/modaliteter, anropsbara via en privat API-endpoint
Characters	Interaktiva avatarer i realtid (röst, verktygsanrop, kunskapsbas) — exklusivt för Runway Dev, för kundsupport, utbildning eller interaktiv underhållning

De användningsfall som nämns ger en bild av skalan: ett medieföretag producerar 800 till 1 000 annonser per år med ett team på 5 personer, en återförsäljare genererar fler än 1 000 produktbilder per månad, en in-house-byrå med 500 personer driver en enda agentisk pipeline från brief till slutrendering, och en leveransplattform lokaliserar sina produktvideor på 27 språk.

Runway Dev positioneras som en företagsanpassad plattform: SOC 2 Type II-certifiering, immaterialrättslig ersättning, inbyggd innehållsmoderering, 99,9 % garanterad drifttid och avtalsmässiga åtaganden om att inte träna på kunddata. Åtkomst via dev.runwayml.com.

🔗 Introducing Runway Dev

Gemini CLI v0.50.0 går till stable med Tool Registry Discovery

8 juli — Google släpper Gemini CLI v0.50.0, en ny stabil release (taggad “Latest” på GitHub) som efterträder v0.49.0 och blir den rekommenderade versionen, skild från den tidigare följda nightly-linjen v0.51.0-nightly.*.

Den främsta nyheten i denna version är Tool Registry Discovery: nya funktioner för upptäckt av verktygsregister som automatiskt identifierar och registrerar de verktyg som finns tillgängliga för agenten, utan manuell konfiguration. Releasen markerar också en betydande härdning av verifieringskedjan för release och CI: skript ignoreras nu under verifiering npm ci (för att undvika körning av godtycklig kod under installationen), en mekanism förhindrar “workspace binary shadowing” (att en lokal binär oavsiktligt döljer den officiella binären), och ytterligare skydd täcker felaktiga NPM-releaser samt krascher i promotions-jobbet.

Gemini CLI förblir den prioriterade källan #1 i Gemini-bevakningen för denna blogg, och denna v0.50.0 illustrerar en tydlig trend i verktyget under de senaste veckorna: bortom nya funktioner läggs en allt större del av varje release på själva robustheten och säkerheten i publiceringskedjan — något som redan synts i härdningarna av macOS-sandboxen i tidigare versioner.

🔗 Release v0.50.0 — GitHub

GitHub Copilot i VS Code: sammanfattning för juni 2026 (v1.123 till v1.127)

8 juli — GitHub publicerar sin månatliga sammanfattning av Copilot i Visual Studio Code, som täcker versionerna v1.123 till v1.127 (juni – början av juli 2026). Flera agentiska funktioner går till allmän tillgänglighet eller förhandsversion:

Funktionalitet	Status
Agentiska inbyggda webbläsarverktyg (navigering, skärmdump, validering av webbappar)	GA
Parallella flersamtals-sessioner i fönstret Agents	Tillgänglig
Synlighet för kostnader (session, delegerad underagent, ytterligare användning)	Tillgänglig
Upptäckt av modellleverantörer via Marketplace	Tillgänglig
Kontextfönster på 1M tokens (kompatibla Anthropic/OpenAI-modeller)	Tillgänglig
Officiell Ollama-extension	Tillgänglig

Utöver denna tabell beskriver sammanfattningen en mer autonom Autopilot (bättre upptäckt av när en uppgift är klar), synkronisering av chatsessioner till GitHub-kontot, marginalkommentarer (gutter) på agentens ändringar, skapande av PR med titel och beskrivning genererade från sessionskontexten, hanterade Copilot-inställningar för administratörer (Windows/macOS device management och JSON-fil), förregistrerade MCP OAuth-identiteter, två timmars fördröjning innan automatisk uppdatering av tillägg, och säker navigering av nya mappar innan förtroende (Workspace Trust).

Ackumulationen av dessa förändringar över fem månadsversioner visar hur snabbt Copilot förskjuter fokus från punktinsats till den autonoma fler-session-agenten, med kostnadskontroll som nu är lika finmaskig som per delegerad underagent.

🔗 GitHub Changelog — June 2026 VS Code releases

OpenAI: granskning av SWE-Bench Pro och ny version av Codex CLI

SWE-Bench Pro-granskning — ~30 % av uppgifterna bedöms vara defekta

Efter att tidigare ha rekommenderat communityn att gå över till SWE-Bench Pro (efter att brister identifierats i SWE-bench Verified), genomför OpenAI nu en liknande granskning av detta nya benchmark och drar tillbaka sin rekommendation. Ett automatiserat analysflöde flaggade 286 potentiellt problematiska uppgifter av de 731 i den publika uppsättningen; en genomgång som kombinerar undersökande Codex-agenter och fem oberoende mänskliga ingenjörer per uppgift bekräftar att 200 till 249 uppgifter (27,4 % till 34,1 % beroende på räknesätt) faktiskt är defekta — för strikta tester, under-specificerade uppgifter, låg täckning eller vilseledande formuleringar. OpenAI uppmanar communityn att bygga nya benchmarks direkt av erfarna utvecklare i stället för att automatiskt extrahera dem ur pull requests med öppen källkod.

🔗 Att skilja signal från brus i kodutvärderingar

Codex CLI 0.143.0

Ny stabil version: fjärrplugins är nu aktiverade som standard (med stöd för npm-källor för marketplace), autentiseringstrafik och Responses API kan gå via macOS-/Windows-systemproxyer (PAC/WPAD), och kommandot codex remote-control pair genererar manuella parkopplingskoder för en körande daemon. Amazon Bedrock-katalogen utökas med modellerna GPT-5.6 Sol, Terra och Luna, och sökning efter MCP-verktyg är nu aktiverad som standard. På buggfixsidan: hantering av ConPTY-inmatning under Windows, bättre återhämtning för fjärrexekveringsservrar som tillfälligt är offline, samt säkerhetsuppdateringar för beroenden (OpenSSL, Hono, fast-uri, quick-xml, crossbeam-epoch).

🔗 Codex Changelog — 0.143.0

Cognition och Amp: pålitlighet för öppna modeller och fjärragenter

Mäta tillförlitligheten hos modeller härledda från öppen källkod

Som komplement till lanseringen av SWE-1.7 publicerar Cognition en studie om tillförlitligheten hos modeller byggda på främst kinesiska öppna källkodsbaser (Kimi K2.7 Code, DeepSeek-V4, GLM 5.2): benägenhet att reproducera inslag av tal som ligger i linje med Kinas kommunistparti, och risk för differentierade förmågor (mindre säker kod beroende på användarens upplevda identitet). I en uppsättning med 145 politiskt känsliga frågor och ett differentierat säkerhetstest under sex personas får SWE-1.7 jämförbara, eller bättre, resultat än GPT-5.5 och Claude Opus 4.8 — medan råa Kimi K2.7 ofta följer problematiska förfrågningar som SWE-1.7 avvisar. Cognition observerar ingen statistiskt signifikant skillnad i beteende kopplad till de testade personas.

🔗 Mäta tillförlitligheten hos modeller härledda från öppen källkod

Amp: fjärragenter från vilken maskin som helst

Amp gör det nu möjligt att starta nya fjärragenter från ampcode.com på vilken maskin som helst som kan köra kommandot amp — inte bara i « orbs » (tillfälliga molnmaskiner), utan också på en bärbar dator, en server eller en molnbaserad utvecklingsbox. Funktionen aktiveras via "amp.remoteThreadCreation.enabled": true i konfigurationen; varje Amp-klient som startas accepterar då nya trådar i sin aktuella arbetskatalog. Ett huvudlöst « Runner Mode » (amp --no-tui) kompletterar helheten: flera runners kan köras samtidigt på samma maskin, identifierade av paret värd + arbetskatalog, utan att Git-versionering krävs.

🔗 Agenter, överallt

Gemini: utökade hanterade agenter och säkerhetsfixar för CLI

Gemini API — utökning av Managed Agents

Google utökar kapaciteten för Managed Agents i Gemini Interactions API: asynkron körning i bakgrunden (background: true, med spårnings-ID för senare återanslutning), direkt anslutning till fjärr-MCP-servrar utan proxy-mellanvara att skriva, anrop av egna funktioner kombinerat med inbyggda sandboxverktyg, samt uppdatering av nätverksuppgifter på en befintlig miljö utan att förlora sandboxens tillstånd (filer, installerade paket, klonade repos). Exemplen som publicerats använder JavaScript-SDK:t @google/genai och modellen antigravity-preview-05-2026.

🔗 Utökade Managed Agents i Gemini API

Gemini CLI v0.51.0-preview.0 — säkerhetsfixar

Denna preview-release innehåller flera säkerhets- och robusthetsfixar: en skiftlägesokänslig blocklista över känsliga sökvägar i kombination med human-in-the-loop för VS Code-tillägget, åtgärd av en katalogescape via symbolisk länk i minnesimportprocessorn, borttagning av ett läckage av resonemangsspår (thoughts) i den rensade historiken, defensiv lösning av sökvägar som refereras av @, skrivskydd för ~/.gitconfig i macOS-sandboxen, samt uppdatering av Vertex-bas-URL:en.

🔗 Release v0.51.0-preview.0 — GitHub

GitHub Mobile: Copilot CLI-notiser och konfliktlösning

Live-notiser för Copilot CLI-sessioner

GitHub Mobiles live-notiser, som redan är tillgängliga för molnagenten, utökas nu till fjärrsessioner för Copilot CLI. Via iOS Live Activities (17.2+) och Android Live Update Notifications (16+) ser användaren i realtid sessionens status (pågående, väntar på svar, inaktiv, avslutad) och kan öppna loggarna direkt från notisen. Detta fungerar för sessioner som startats från Copilot CLI, VS Code eller andra stödda ytor, och kan fortfarande stängas av i inställningarna.

🔗 GitHub Mobile: Live-notiser för Copilot CLI-sessioner

Lösa sammanslagningskonflikter med Copilot-molnagenten

GitHub Mobile gör det nu möjligt att låsa upp en pull request med konflikt direkt från mobilen: en knapp « Fix with Copilot » i sammanslagningspanelen förfyller en kommentar som ber Copilot att lösa konflikterna, och startar sedan molnagenten. Appen visar konfliktvarningar och tydlig återkoppling vid framgång eller misslyckande. Referensen @copilot i en PR-kommentar finns fortfarande tillgänglig för andra uppgifter (åtgärd av misslyckade Actions-workflows, svar på kodgranskningar, tillägg av tester).

🔗 GitHub Mobile: Fixa sammanslagningskonflikter med Copilot-molnagenten

Anthropic: två Claude Cowork-fallstudier

Automatisera marknadsföringsrapportering och kampanjer

Claude Blog beskriver hur Anthropics marketing ops-team automatiserade en del av sitt arbete med Claude Cowork. Ian Chan ersatte en veckovis rapporteringsprocess som tog honom en till två dagar med en schemalagd uppgift (scheduled task) som körs varje söndag kväll, byggd på tre dedikerade kompetenser (skills): förberedelse av rapporten, en genomläsning som kontrollerar varje siffra mot en pålitlig källa, samt omvandling av uppföljningspunkter till Asana-uppgifter. Annabel Custer automatiserade å sin sida uppsättningen av marknadsföringskampanjer via en « distributör »-kompetens som läser en Slack-kanal varje timme och dirigerar varje begäran, med en oberoende granskningsagent som kontrollerar arbetet utan förkunskap.

🔗 Hur Anthropics marknadsföringsoperationsteam använder Claude Cowork

Thomson Reuters: « Fiduciary-Grade » AI med Claude

Andra fallstudien: Thomson Reuters (Westlaw, Practical Law, CoCounsel Legal) integrerar Claude i produkter som används av jurister som kräver extrem precision, under konceptet « Fiduciary-Grade AI ». Joel Hron, CTO, ställer fyra krav på en modell innan den sätts i produktion: självkontroll av citat i stället för tillit till modellens minne, stabilitet över långa kedjor av verktygsanrop, mänsklig inblandning i arbetet, och frigjord tid för uppgifter som tidigare låg utom räckhåll. Thomson Reuters använder också Claude Cowork för operativ automatisering och Claude Code för att bygga långlivade agenter, och säger sig vara ivriga att utforska Claude Fable 5.

🔗 Att arbeta i framkant: Thomson Reuters

Hugging Face och Together AI: öppen källkods-inferens accelererar

transformers-vLLM-backenden når inbyggd hastighet

Harry Mellor (vLLM-teamet) och Lysandre (medgrundare av Hugging Face) visar att modelleringen transformers-backenden för vLLM nu matchar, eller till och med överträffar, den inbyggda genomströmningen hos handskrivna vLLM-implementationer. På tre Qwen3-modeller som testades head-to-head: Qwen3-4B går från 46 850 till 47 443 tokens/s (100,0 % av den inbyggda), Qwen3-32B från 14 310 till 14 660 tokens/s (100,1 %), och Qwen3-235B-A22B MoE FP8 från 31 382 till 33 152 tokens/s (102,0 %). Modellförfattare kan därmed automatiskt dra nytta av ultrasnabb vLLM-inferens utan manuell portning, via vllm serve <modèle> --model-impl transformers.

🔗 transformers-backend för vLLM i inbyggd hastighet — HuggingFace Blog

Together AI lanserar Provisioned Throughput

Together AI tillkännager Provisioned Throughput, ett inferensformat med reserverad kapacitet för öppna frontier-modeller, med tokenprissättning och ett tillgänglighets-SLA på 99 %. Tillgängligt från och med idag för MiniMax M3 och GLM-5.2, med en minimiåtagandeperiod på en månad. Ekonomiskt exempel för MiniMax M3: en kapacitetsenhet (PTU, 0,05 $ per minut) vid full utnyttjande kostar cirka 0,36 $/M inmatningstokens och 2,16 $/M utmatningstokens, jämfört med 5 $ och 25 $ i katalogpriset för Claude Opus 4.8 — upp till 90 % billigare. Together AI uppger att tokenvolymen på deras API:er har ökat från 30 miljarder till över 400 000 miljarder tokens per månad på nio månader.

🔗 Provisioned Throughput — Together AI Blog

Kortnytt

Claude Code v2.1.204 — en enda fix: hook-händelser flödade inte korrekt under SessionStart-hooks i headless-sessioner, vilket kunde få fjärrarbetare att felaktigt betraktas som inaktiva och bli återtagna (idle-reaped) mitt under en hook. 🔗 CHANGELOG.md
FrontierCode 1.1 — Cognition reviderar metodiken för sitt benchmark för agentisk kod: programmatisk upptäckt av fusk genom att konsultera referenslösningar (upp till 37,2 % av Claude Fable 5-körningarna berörda i version 1.0), 75 lättade bedömningskriterier, och nya poäng för Claude Sonnet 5 (42,7 %) och Claude Fable 5 (53,5 %, fortfarande i topp). 🔗 FrontierCode 1.1
NVIDIA och LangChain optimerar Deep Agents för Nemotron 3 Ultra — LangChains Deep Agents-harnesk, justerat för den öppna modellen Nemotron 3 Ultra, når en samlad poäng på 0,86 för 4,48 $, jämfört med 43,48 $ för den närmaste slutna modellen i prestanda — en inferenskostnad som är ungefär 10× lägre. 🔗 Tweet @NVIDIAAI

Vad detta betyder

Frontier-modellracet avgörs lika mycket av kostnad som av intelligens. Grok 4.5, SWE-1.7 och duon GPT-Live/GPT-5.5 illustrerar tre olika sätt att angripa samma problem: i stället för att enbart sikta på högsta möjliga benchmarkresultat optimerar laboratorierna nu uttryckligen förhållandet mellan kostnad och prestanda — Cognition talar öppet om att « flytta Pareto-kurvan », SpaceXAI lyfter fram en 4,2× lägre tokenförbrukning än Opus 4.8, och OpenAI lägger de tunga GPT-Live-uppgifterna på en separat modell i stället för att låta röstmodellen bära allt. Träningspartnerskapet mellan SpaceXAI och Cursor, som uttryckligen nämns i tillkännagivandet av Grok 4.5, bekräftar också en trend: utvecklare av IDE:er och agentverktyg blir medskapare av modellerna, inte bara API-kunder.

Inbyggd AI breddar sin krets av aktörer. Med Robostral Navigate ansluter sig Mistral till Google DeepMind (Gemini Robotics) och NVIDIA i racet om inbyggd robotik, med ett medvetet minimalistiskt angreppssätt (enda RGB-kamera, utan LiDAR) som siktar på storskalig utrullning snarare än maximal laboratorieprestanda. Runway Dev följer en liknande logik på den generativa mediesidan: i stället för att sälja en enda modell paketerar plattformen tillgång till flera leverantörer (inklusive konkurrenter som ElevenLabs och Seedance) bakom ett enda API och en enda fakturering — en satsning på aggregation snarare än modell-exklusivitet.

Utvecklarens agentiska verktyg blir rikare på alla fronter. Gemini CLI v0.50.0 (Tool Registry Discovery), Copilot VS Code-sammanfattningen (kostnader per underagent, 1M tokens-kontext), Codex CLI 0.143.0 (fjärrplugins, företagsproxyer) och Amp (fjärragenter från vilken maskin som helst) pekar alla i samma riktning: agentiska CLI:er och IDE:er blir egna plattformar, med sina egna verktygsregister, sin hantering av kostnader per delegerad agent och sin företagsnätverksinfrastruktur. GitHub Mobile förlänger denna logik hela vägen till smarttelefonen, med live-notiser och konfliktlösning som kan styras från en telefon.

Tilliten till benchmarks och öppna modeller blir ett eget ämne. OpenAIs granskning av SWE-Bench Pro (30 % defekta uppgifter, rekommendationen återkallad) och Cognitions revision av FrontierCode 1.1 (fusk via konsultation av referenslösningar upptäckt i mer än en tredjedel av Fable 5-körningarna) visar att kodbenchmarks själva blir objekt för kontinuerlig verifiering snarare än fasta referenser. Samtidigt visar Cognitions studie om tillförlitligheten hos modeller härledda från kinesisk öppen källkod, och de inferensprestandavinster som Hugging Face och Together AI uppnår med öppna modeller, att ekosystemet med öppen källkod inte längre uppfattas som ett andrahandsval utan som en bas som måste granskas, optimeras och göras ekonomiskt konkurrenskraftig mot proprietära modeller.