Voxtral

Mistral przedstawia Voxtral, rodzinę open-source’owych modeli rozpoznawania i rozumienia mowy. Najwyższy czas. Porównywalnego modelu open source nie widzieliśmy od czasów Whispera od OpenAI, a to było dość dawno temu.

Modele występują w rozmiarach 3B i 24B i wyprzedzają Whispera w większości benchmarków. Wymagają jednak mocniejszego sprzętu, bo największy wariant Whispera ma zaledwie 1,5B. To bezpośrednia konsekwencja tego, że są one zarazem zwykłymi modelami językowymi. Inna konsekwencja jest taka, że trudniej będzie je okiełznać w scenariuszu czystej transkrypcji.

Modele są dostępne na Hugging Face, a także przez API Mistrala i ich LeChat.

Czego im obecnie brakuje, to obsługi diaryzacji (rozpoznawania mówiących). Jest ona na roadmapie, ale w międzyczasie wciąż musimy używać do tego celu nieco topornego pyannote-audio.

Strategic Intelligence in Large Language Models: Evidence from evolutionary Game Theory

Artykuł pokazuje, że różne modele zachowują się zupełnie inaczej, gdy umieści się je w warunkach rodem z teorii gier. Oznacza to, że testy i ewaluacje odgrywają coraz bardziej krytyczną rolę w budowaniu systemów agentowych, ponieważ aktualizacja lub podmiana bazowego modelu prowadzi do nieprzewidywalnych zmian w zachowaniu agenta.

Przedstawiamy Kiro

AWS wskakuje z Kiro do pociągu agentowych IDE. Żeby odciąć się od vibe codingu, który zdążył zebrać sporo złej sławy, kładą nacisk na metodę „spec-driven development”. Oznacza to, że agent najpierw pomaga użytkownikowi stworzyć pełny dokument wymagań dla danej funkcji, następnie analizuje istniejącą bazę kodu i dopiero potem zaczyna implementować.

To podejście zdecydowanie ma sens i stanowi krok naprzód w porównaniu ze ślepym rzucaniem się w wir, jakim bywa vibe coding. To, że specyfikacje aktualizują się razem ze zmianami w kodzie, czyni je jeszcze cenniejszymi i minimalizuje problem nieaktualnej dokumentacji. Hooki potrafią automatycznie uruchamiać powtarzalne zadania agentowe, na przykład pilnowanie, żeby nowa funkcja miała wystarczające testy.

Ciekawie obserwuje się, jak różne narzędzia przyjmują różne metodologie, bo dzięki temu społeczność programistów może znajdować i rozpowszechniać techniki, które naprawdę działają.

TIL: ccusage — fajne narzędzie do śledzenia i analizowania użycia Claude Code.

Anthropic opublikował 4 nowe kursy w swojej akademii:

1. Claude Code in Action z praktycznymi poradami dotyczącymi używania agenta CLI.
2. Claude with the Anthropic API, kompleksowy kurs korzystania ze wszystkich obecnych możliwości API, od pojedynczego generowania tekstu po agenty.
3. Introduction to Model Context Protocol oraz Model Context Protocol: Advanced Topics dla zainteresowanych MCP.

Każdy kurs jest dostępny w formie wideo i tekstu oraz kończy się certyfikatem ukończenia.

TIL: DBML - Database Markup Language

Język znaczników do opisywania schematu bazy danych, który może się przydać do przekazywania go narzędziom AI.

Bardzo ważne jest zrozumienie, że modele AI nie są deterministyczne i nie da się ich uczynić deterministycznymi bez drastycznego ograniczenia środowiska, w którym działają. Ustawianie seedów nie pomaga. Ustawienie temperatury na 0 nie pomaga. Każdy drobny błąd zaokrąglenia liczb zmiennoprzecinkowych może ostatecznie doprowadzić do zupełnie innych wyników.

Złożone modele są w istocie systemami chaotycznymi i tak należy je traktować.

Agenty AI do kodowania to po prostu kolejne narzędzie w skrzynce dobrego programisty. Zaczyna on od bloku kamienia i używa tych agentów jak metaforycznego młota, żeby nadać mu z grubsza wymarzoną formę. Potem sięga po narzędzia wspomagające kodowanie, takie jak GitHub Copilot, żeby pracować precyzyjniej, niczym mniejszym młotkiem. A na końcu bierze najmniejsze dłuto i ręcznie rzeźbi najdrobniejsze detale.

Jakże zabawnie brzmią głosy, że sztuka programowania umarła, bo nie obrabiamy już bloków wyłącznie tymi małymi dłutami.

Zabawna rzecz: Gemini Deep Research jest programowo zniechęcany do przedwczesnego kończenia pracy. Odkryłem to, gdy próbowałem użyć go do wyciągnięcia informacji z nieustrukturyzowanego tekstu i wypełnienia szablonu. Choć to narzędzie badawcze, ma wszystko, czego potrzeba do takiego zadania: dostęp do Google Docs, umiejętność tworzenia długich dokumentów i skrupulatny agentowy przebieg pracy. Oczywiście, jeśli chcemy tylko przebudować strukturę dokumentu, ważne jest, żeby model w ogóle nie korzystał z wyszukiwarki.

Agent wykonał robotę całkiem dobrze i szybko. Jednak kiedy już miał kończyć, dostał od programowego orkiestratora kilka ponagleń w stylu „kontynuuj badania” i zgadnijcie co? Zaczął przeszukiwać internet w poszukiwaniu brakujących informacji.

Morał z tego taki: z takimi systemami można sobie pozwolić na kreatywność, ale trzeba się liczyć z tym, że scaffolding wsadzi kij w szprychy.