A Moonshot AI kiadta a Kimi K3-at: a világ első nyílt, 3 billiós paraméterszámú modellje
A kínai Moonshot AI július 16-án hivatalosan is bemutatta a Kimi K3-at, amely az első nyílt modell a 3 billió paraméteres kategóriában. 2,8 billió paraméterrel, egymillió tokenes kontextusablakkal és natív képfeldolgozási képességekkel a Kimi K3 a valaha kiadott legnagyobb nyílt súlyú modell — és felveszi a versenyt a legjobb zárt rendszerekkel.
A modell egy újfajta Mixture-of-Experts architektúrára épül, amely a Kimi Delta Attention (KDA) nevű hibrid lineáris figyelmi mechanizmust használja. A GDPval-AA v2 benchmarkon 1687 pontot ért el, amivel összességében a harmadik helyre került: csak a Claude Fable 5 Max (1815) és a GPT-5.6 Sol Max (1748) előzi meg, miközben megelőzi a Claude Opus 4.8-at (1600). Egy nyílt súlyú modell számára ez kiemelkedő eredmény.
A Kimi K3 két változatban jelent meg: a K3 Max chat- és ágensfeladatokra, a K3 Swarm Max pedig nagyszabású párhuzamos feldolgozásra optimalizált. A teljes modellsúlyok várhatóan július 27-ig válnak elérhetővé Modified MIT licenc alatt, folytatva a Moonshot AI open-source stratégiáját, amelyet a Kimi K2 családdal alapozott meg.
A megjelenés tovább élesíti a versenyt a nyílt modellek terén, és szűkíti a szakadékot a nyílt súlyú és a zárt frontier modellek között — ez a trend határozza meg 2026 mesterséges intelligencia piacát.
Japán 2,4 milliárd dollárt fektet nemzeti MI-infrastruktúrába robotikai célokra
Japán július 16-án nagyszabású nemzeti kezdeményezést jelentett be: 27 500 következő generációs NVIDIA Rubin GPU-t és 13 750 Vera CPU-t vásárolnak, hogy felépítsék azt, amit az NVIDIA „a világ első nemzeti MI-infrastruktúrájának” nevez. A projektet a Noetra Corp. vezeti, és 387,3 milliárd jen (2,4 milliárd dollár) állami finanszírozást kapott.
Az MI-gyár a japán FRONTia Projekt számítási alapját biztosítja — amelynek hivatalos címe „Multimodális alapmodellek fejlesztése MI-robotika és fizikai MI számára” —, és amelyet a japán Gazdasági, Kereskedelmi és Ipari Minisztérium (METI) indított el. Az együttműködésben tucatnyi nagy japán vállalat vesz részt, köztük a Sony, a SoftBank, a Toyota által támogatott Preferred Networks és az NEC.
Az adatközpont az NVIDIA DSX platformjára épül, 140 megawatt kapacitással, és várhatóan 2028 júniusában indul el. Japán robotikai MI-re tett fogadása stratégiai válasz az ország elöregedő társadalmára és munkaerőhiányára — ezzel az ország a fizikai MI és az autonóm rendszerek terén kíván vezető szerepet betölteni.
A Five Eyes hírszerzési szövetség figyelmeztet: az MI-alapú kiberfenyegetések „hónapokra, nem évekre” vannak
A Five Eyes hírszerzési szövetség — az Egyesült Államok, az Egyesült Királyság, Kanada, Ausztrália és Új-Zéland — éles figyelmeztetést adott ki, miszerint az élvonalbeli MI-modellek „alapjaiban fogják átalakítani a támadó és védelmi kiberképességeket”, és az időkeret „hónapok, nem évek”.
A CISA és nemzetközi partnerei által kiadott közös tanácsadó szerint az élvonalbeli modellek fejlett feltörési képességei várhatóan az éven belül széles körben elérhetővé válnak, az MI-cégek hozzáférés-korlátozási erőfeszítései ellenére. Az ügynökségek konkrétan is említették az Anthropic Fable 5 és az OpenAI Daybreak modelljeit, mint olyan rendszereket, amelyek képességeit ki lehetne használni.
A tanácsadó öt gyakorlati intézkedést sorolt fel a szervezetek számára: a támadási felület csökkentése, gyorsabb frissítések telepítése, sérülékeny régi rendszerek eltávolítása vagy elkülönítése, az identitáskezelés javítása, valamint az incidenskezelési eljárások tesztelése. Az ügynökségek hangsúlyozták, hogy a kiberbiztonság „alapvető üzleti kockázat és vezetői felelősség”.
Pozitívumként a figyelmeztetés elismerte az MI védelmi potenciálját is — azok a szervezetek, amelyek MI-eszközöket integrálnak biztonsági műveleteikbe, korábban fedezhetik fel a sebezhetőségeket, javíthatják a szoftverminőséget, és gyorsabban reagálhatnak incidensekre.
A Cloudflare bevezette a részletes MI-bot-kezelést weboldalak számára
A Cloudflare új, részletes MI-bot-kezelési rendszert indított, amely lehetővé teszi a weboldal-üzemeltetők számára, hogy külön-külön szabályozzák az MI-crawlerek három kategóriáját: Search, Agent és Training botokat. 2026. szeptember 15-től az új alapértelmezett beállítások automatikusan blokkolják az Agent és Training botokat a hirdetésekkel támogatott oldalakon.
A lépés azért időszerű, mert az MI-ágensek egyre gyakrabban járják be a webet, hogy a felhasználók nevében hajtsanak végre feladatokat — ez alapvetően más felhasználási mód, mint a hagyományos keresőindexelés. A weboldal-tulajdonosok mostantól részletes döntéseket hozhatnak arról, milyen típusú MI-hozzáférést engedélyeznek, ami tükrözi a növekvő aggodalmakat az MI-képzési adatgyűjtéssel kapcsolatban, miközben továbbra is lehetővé teszi a hasznos MI-alapú keresési és ágens-interakciókat.
Ez az egyik legkonkrétabb lépés egy nagy infrastruktúra-szolgáltató részéről, hogy értelmes kontrollt adjon a weboldal-üzemeltetőknek az MI-rendszerek és tartalmuk közötti interakció felett — egy kérdés, amely egyre sürgetőbbé vált, ahogy az ágens-alapú MI általánossá válik.
Az NVIDIA nyílt forráskódú diffúziós nyelvi modelljei 2,4-szeres áteresztőképesség-növekedést hoznak
Az NVIDIA két nyílt súlyú diffúziós nyelvi modellt adott ki, amelyek megkérdőjelezik a hagyományos autoregresszív szöveggenerálás dominanciáját. A Nemotron-Labs-TwoTower, amely egy befagyasztott autoregresszív gerincre épül, 2,42-szeres áteresztőképesség-növekedést ér el, miközben az alap minőségének 98,7%-át megtartja — mindezt újratanítás nélkül.
A fejlettebb Nemotron-Labs-Diffusion modell tovább megy: háromüzemmódú architektúrájával egyesíti az autoregresszív, diffúziós és ön-spekulációs dekódolást egyetlen modellben. A 8B instruct változat hatszor annyi tokent állít elő továbbításonként, mint egy hasonló autoregresszív modell, és 4-szeres áteresztőképességet ér el az NVIDIA szerverbenchmarkján, ha SGLang inference frameworkkel telepítik GB200 GPU-ra.
Mindkét modell nyílt súlyokkal érhető el kereskedelmi licenc alatt a Hugging Face-en. Bár ezek kutatási léptékű modellek, nem frontier rendszerek, egy olyan jövő felé mutatnak, ahol a következtetési költségek drámaian csökkenhetnek — ami komoly következményekkel járhat az MI hozzáférhetőbbé és megfizethetőbbé tétele szempontjából.