Постоянна тема: Новини за целия AI сектор: модели, програмиране, агенти, роботика, научни изследвания, хардуер и практически приложения.

Zscaler обяви работа с Anthropic и Mistral по сигурността на AI агенти

Exploit Paths е с планиран ограничен преглед. Съобщението за партньорства не доказва автоматично съответствие или защита на всяка организация.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

zscaler-anthropic-mistral-agent-security-nov20-2026-d01e56b8a6a9782c.jpg


Zscaler обяви на 20 ноември сътрудничество с Anthropic и Mistral. Компанията описва използване на Claude Mythos 5.1 за Exploit Paths в Endpoint AI Security и планира ограничен преглед. Работата с Mistral е свързана със Security for AI през европейската инфраструктура на доставчика. Това са заявени интеграции и планове; публикацията не предоставя независима оценка на ефективността им.

Какво трябва да стане конкретно

За предприятие полезният въпрос е до кои ресурси достига всеки агент и кой е разрешил това. Името на партньорството само по себе си не отговаря дали инструмент може да промени файл, да види чужд клиентски запис или да изпрати информация извън установения процес.

Нашият редакционен прочит е да се поиска проверима карта на достъпа. Тя трябва да започва от конкретна задача и да завършва с конкретен ресурс. Общи обещания за намален риск трудно могат да послужат като критерий за приемане на внедряване.

Предложен пример за оценка

Да вземем агент, който събира вътрешни заявки за поддръжка. Бихме му дали тестови записи и разрешение да ги групира, но не и да променя клиентски права. Оценката трябва да покаже както правилното групиране, така и отказа при неподходящо действие. Това е наш предложен сценарий, а не измерен резултат на продуктите.

После бихме проверили какво остава след прекъсване: кой инструмент е извикан, какъв отговор е върнал и дали е настъпила промяна. Един защитен достъп може да е полезен, но ако операторът не може да възстанови последователността, последващото разследване пак ще бъде трудно.

Важно е да се уточни и границата на предварителния достъп. Ограничен преглед не означава обща наличност за всички договори, региони и клиенти. Участието в програма за изследване на уязвимости също трябва да се различава от функция, която организацията действително е внедрила.

При европейско разполагане бихме поискали описание на обработваните данни, мястото на съхранение и участващите услуги. Географското обозначение не замества оценката на конкретните потоци и договорните условия. Не бива да се обявява автоматично регулаторно съответствие само защото дадена интеграция използва европейска инфраструктура.

Преди разширяване на правата екипът трябва да определи как работи аварийното спиране и как се проверяват незавършените задачи. Това е особено важно при няколко услуги, всяка от които пази различна част от резултата. Демонстрация на един продукт може да не обхваща цялата верига.

Съобщението показва посоката към по-ясно ограничаване и наблюдение на агентските действия. За бъдещ клиент следващата стъпка е да превърне тази посока в приемателни критерии и доказателства за собствения си работен процес.

Източници
Zscaler — Anthropic and Mistral frontier-model security collaborations — 2026-11-20

Статия в SIExpo.bg: https://siexpo.bg/article/zscaler-anthropic-mistral-agent-security-nov20-2026
 
GPT-Live-1.1 влиза в API с режим standby и отделен изпълнител на задачите

Гласовият разговор може да продължи, докато друг модел работи. Цената на гласа и разходът за изпълнение трябва да се следят поотделно.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

gpt-live11-api-standby-delegation-nov20-2026-7b2e5f581397d918.jpg


OpenAI съобщи на 20 ноември за достъп до GPT-Live-1.1 през API; техническият журнал отбелязва промяната на 19 ноември. Моделът е предназначен за двупосочни разговори и делегиране към backend. За WebRTC има standby след зададен период тишина: активното време е обявено на 0,05 долара за минута, standby — на 0,02 долара. Backend моделите и инструментите се заплащат отделно.

Документацията описва два подхода: управлявано делегиране към Responses модел или свързване на собствен backend. Поверителният API ключ остава на доверения сървър. Това разделя разговора от действителното извършване на работата, без да премахва нуждата от разрешения в приложението.

Разговорът не е потвърждение за извършено действие

При подобна архитектура асистентът може да говори, докато проверката още тече. Нашият редакционен извод е, че интерфейсът трябва да различава обещание, започната операция и доказано завършен резултат. Фраза за приключване е подходяща едва след потвърждение от системата, която е извършила действието.

Например при проверка на поръчка гласовата част може да приеме допълнително уточнение. Ако backend вече работи по старите данни, приложението трябва да реши дали да отмени, поправи или завърши тази проверка. Иначе плавният разговор може да прикрива несъответствие между желанието на човека и изпълняваната задача.

Какъв пилот предлагаме

Бихме започнали с достъп само за четене до тестови поръчки. Проверяват се прекъсване по средата на изречение, поправен номер и дълга пауза. Отделно се наблюдава какво вижда операторът, когато backend се забави или върне грешка. Това са предложени сценарии, а не проведен от SIExpo тест на модела.

Разходът трябва да се раздели на време за разговор, време в standby и делегирана работа. Намалената цена в тихите моменти сама по себе си не определя крайната сметка. Дълга задача, повтаряна след прекъсване, може да промени общата цена, дори гласовата сесия да изглежда икономична.

Преди разрешаване на промени по реални поръчки бихме въвели отделно потвърждение и проверима идентичност на операцията. При прекъснала връзка приложението трябва да установи дали записът е извършен, преди да го повтори. Добрата гласова услуга се оценява и по такива неудобни случаи, не само по естествеността на произношението.

Операторът трябва да може да поеме разговора със запазено състояние на задачата. Само последното изречение може да пропусне несигурността, наложила намеса. Кратък запис на заявката, текущата работа и потвърдения резултат дава по-добра отправна точка.

Новият API предлага по-гъвкава конструкция на разговорни приложения. Практическата готовност зависи от управлението на състоянието, грешките и реалните разходи на целия процес.

Източници
GPT-Live-1.1 has arrived in the API - Announcements - OpenAI Developer Community — 2026-11-20
GPT-Live-1.1 Model | OpenAI API
Getting started with GPT-Live | OpenAI API
Changelog | OpenAI API — 2026-11-19

Статия в SIExpo.bg: https://siexpo.bg/article/gpt-live11-api-standby-delegation-nov20-2026
 
OpenAI описва многослойна защита срещу извличане на защитени разсъждения

Съобщението от 20 ноември разглежда проверки на отделни заявки и координирани кампании. Вътрешните резултати не означават универсална неуязвимост.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

openai-adversarial-distillation-defense-nov20-2026-98da969341851b84.jpg


OpenAI публикува на 20 ноември описание на защитите си срещу adversarial distillation — неразрешено извличане на възможности за обучение на друг модел с по-слаби ограничения. Компанията съчетава обучение, класификатори, API защити и разследване на координирани кампании. Защитените разсъждения са обвързани с историята, която ги е породила; промяна на по-ранния контекст прекъсва повторното им използване. Това е отчет на доставчика, а не независимо удостоверяване на цялостна сигурност.

Къде е границата за разработчика

Същественото разграничение е между отговор, предназначен за потребителя, и вътрешен артефакт, предназначен за конкретен механизъм на услугата. Приложение, което събира всичко в едно поле, губи възможността да управлява тези категории отделно. От гледна точка на експлоатацията подобна неяснота затруднява и проверката след инцидент.

Нашият редакционен извод е да се пази произходът на всеки артефакт: от коя сесия идва, кой може да го използва и при какъв контекст. Копирането на непрозрачни данни между несвързани разговори не бива да бъде основа за работен процес, чиято коректност не може да се обясни.

Предложена защитна проверка

Екип може да започне с преглед на собственото съхранение и журналите, без да атакува чужди системи. Кои полета се записват? Кои стигат до външен инструмент? Дали архив за поддръжка съдържа повече информация, отколкото е необходима? Това са въпроси за вътрешен одит, а не инструкция за извличане на скрита информация.

Бихме отделили човешкото обяснение от машинните данни, които обслужват продължаването на задачата. При промяна на разговора приложението трябва да използва поддържания механизъм на доставчика и да обработва отказа или отпадането на старо състояние. Непредвидено възстановяване от кеш може да е проблем за коректността дори когато не е изтичане.

Важно е да има и полезен път след блокиране. Потребителят трябва да получи ясен статус и възможност задачата да бъде изпълнена със съответните разрешения. Скрито повтаряне на същата заявка може да натрупа разходи и да направи следата по-трудна за преглед.

За споделено приложение прегледът трябва да включва разделението между клиенти и между тестова и производствена работа. Поддръжката може да има нужда от видимия отговор, без да получава всеки вътрешен артефакт. Изричното определяне на тази граница улеснява последващата проверка на достъпа.

SIExpo не е извършвал атакуващи тестове и не потвърждава устойчивостта на защитите. Публикацията е повод разработчиците да прегледат как собствените им приложения разделят контекст, достъп и журнал. Сигурността на доставчика и дисциплината на приложението трябва да бъдат оценявани поотделно.

Източници
Combatting adversarial distillation | OpenAI — 2026-11-20

Статия в SIExpo.bg: https://siexpo.bg/article/openai-adversarial-distillation-defense-nov20-2026
 
MedChemBench изпитва AI върху молекули и експериментални данни, не върху обещания за лечение

Новият тест на OpenAI проверява четене на структури и избор на съединения. Висок резултат не е доказателство за безопасно лекарство.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

openai-medchembench-molecular-evidence-nov20-2026-6c4e2777608c3527.jpg


На 20 ноември OpenAI представи MedChemBench: оценка на задачи от медицинската химия, в които моделите свързват молекулни структури с експериментални сведения. Тестът съдържа 99 задачи, извлечени от 117 публикации и патенти. Компанията отчита 84,5% от наличните точки за GPT-6.2 Astra при xhigh. Това е резултат по конкретна схема за оценяване, а не дял успешно разработени лекарства.

Какво показва подобен тест

Най-полезният въпрос е дали системата прави проверими връзки между наличните данни и предложеното следващо действие. При научна работа правдоподобно обяснение може да бъде недостатъчно, ако се отнася за друга структура или пропуска важно условие. Поради това оценката трябва да позволява разграничаване на различните видове грешки.

Нашият редакционен прочит е, че общата оценка служи като начало на разговора. Научен екип трябва да разбере коя част от задачата моделът решава добре и къде остава зависим от човешка проверка. Усредняването може да прикрие слаб компонент, който е критичен за конкретен проект.

Предложение за проверима употреба

Бихме започнали с вече приключен вътрешен казус, чиито отговори могат да се проверят. На модела се предоставя само информацията, налична в избрана историческа точка. Последващият резултат остава скрит до оценката. Така е по-лесно да се различи полезно предвиждане от убедително обяснение, написано след факта.

За всеки отговор бихме изискали ясна връзка със зададените данни и отделно обозначение на допусканията. Предложено съединение, за което липсва необходимо свойство, трябва да остане несигурна възможност. Това е наш пример за процедура; SIExpo не е извършвал химични експерименти или собствено измерване върху MedChemBench.

Не бихме използвали подобен пилот за автоматично одобряване на лабораторен или клиничен етап. Отговорността за действително изпитване включва други видове доказателства и компетентност. Удобният интерфейс и високата оценка на езиков модел не заместват тези решения.

Особено полезно би било да се пазят отхвърлените предложения и причините за отхвърляне. Ако се отчитат само сполучливите идеи, системата може да изглежда по-надеждна, отколкото е в ежедневната работа. Такъв запис позволява следваща версия да се сравни върху еднакви случаи.

Преди разширяване екипът трябва да определи какво означава успех: по-малко фактически поправки, по-добро приоритизиране или по-кратък преглед. Това са различни цели. Инструмент може да подобри едната, без да промени друга, а тестовата оценка сама не решава коя е най-важна.

MedChemBench е нов инструмент за измерване на научни способности. Стойността му ще зависи от прозрачността на задачите, ограниченията на оценката и последващата проверка от изследователи, а не от превръщането на една тестова стойност в медицинско обещание.

Източници
Can AI help scientists identify promising drug candidates? | OpenAI — 2026-11-20

Статия в SIExpo.bg: https://siexpo.bg/article/openai-medchembench-molecular-evidence-nov20-2026
 
Ohan дава нови инструменти за арменска реч — с важна граница в лиценза

Metric-AI публикува синтез и разпознаване на реч. Достъпните тегла са за некомерсиална употреба, а стриймингът има различно значение при двата вида задачи.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

metric-ai-ohan-armenian-speech-open-models-2026-ac59d10b87d07051.jpg


Metric-AI представи на 20 ноември OhanTTS и семейството OhanASR за арменски език. Синтезаторът връща аудиото постепенно, но получава целия текст предварително. Разпознаването има отделни варианти за записи и за постъпващо аудио. Публикуваните модели са с лиценз CC BY-NC 4.0: достъпните тегла не означават свободно разрешена търговска употреба.

OhanTTS поддържа и други езици и гласова референция. Екипът изрично посочва ограничения при произношението, дългите генерации и смесването на езици. При OhanASR публикуваните показатели за записана и жива реч се различават; те не трябва да се смесват в едно обещание за точност.

Защо отделните компоненти имат значение

За език с по-малко готови инструменти е полезно да има избор на всеки етап: как звукът става текст и как отговорът отново става звук. Това позволява разработчикът да търси точно къде възниква грешката. Неразбрано име в разпознаването и неправилно изговорено име при синтеза изискват различни поправки.

Необходимо е да се различават и двата вида стрийминг. Бързо начало на аудиото след получаване на завършен текст не установява колко ще чака човек, докато друг модел още съставя този текст. В разговорна система общото закъснение включва целия път, а не само най-бързия компонент.

Предложен тест за малък езиков проект

Бихме започнали с кратки записи от съгласни участници: тихо помещение, уличен шум, имена и числа. Всеки запис трябва да има проверена транскрипция. Отделно бихме оценили дали синтезираният отговор запазва същите имена и стойности. Това е пример за бъдещ пилот, а не проведено от SIExpo изпитване.

За услуга с човешка помощ е важна възможността за корекция. След грешно разпознат номер потребителят трябва да може да го повтори, а системата да покаже какво действително е записала. Натрупаните поправки са полезни за оценката само ако се събират при ясни условия за достъп и съхранение.

При гласова референция бихме използвали единствено записи с разрешение от говорещия. Разрешението за експеримент трябва да описва и дали полученият глас може да бъде публикуван. Правата върху модела и съгласието на човека са два отделни въпроса.

Бихме водили малък журнал на грешките по категории, вместо веднага да заменяме всички компоненти. Грешка при транскрипция, проблем в разсъждението и дефект при възпроизвеждане могат да звучат сходно за слушателя, но възникват на различни места. Това разграничение улеснява оценката на следващата промяна.

Първата стъпка за комерсиален екип е изясняване на приложимия лиценз. За некомерсиални изследователи новината предоставя конкретни артефакти за проверка. И в двата случая качеството трябва да се оценява върху действителния езиков материал и условията на бъдещата услуга.

Източници
Introducing OhanTTS: Armenian Text-to-Speech — 2026-11-20
Introducing OhanASR: Open Armenian Speech Recognition Models — 2026-11-20
Metric-AI/OhanTTS-v0.1 · Hugging Face

Статия в SIExpo.bg: https://siexpo.bg/article/metric-ai-ohan-armenian-speech-open-models-2026
 
Hugging Face разшири harness adapters: обучението отчита и средата на агента

Новата работа проверява адаптери за Qwen3.8-27B в Pi, Hermes и OpenCode. Резултатът трябва да се сравнява при еднаква среда и настройки.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

huggingface-harness-adapters-scale-qwen38-nov20-2026-258c1fb0cb3945da.jpg


На 20 ноември Hugging Face публикува нова работа за harness adapters: малки LoRA адаптери върху Qwen3.8-27B, обучавани чрез reinforcement learning вътре в Pi, Hermes Agent и OpenCode. Екипът отчита подобрения на собствени тестове и публикува специализирани адаптери, както и обединен вариант. Това е разширение към по-голям модел и задачи по софтуерно инженерство, а не повторно представяне на по-ранната идея.

Какво точно се адаптира

Работната среда на агента определя как той вижда файлове, получава резултати и продължава след грешка. Следователно качеството не се изчерпва с теглата на езиковия модел. Добър отговор на един интерфейс може да се превърне в неефективна поредица от действия на друг.

Публикуваната карта на обединения адаптер допълва условията на оценката. Самите автори предупреждават, че настройките на различните среди се различават. Честното сравнение е между базовия и адаптирания модел в една и съща среда. Изборът на обединен вариант също може да струва част от предимството на отделен специалист.

Как да се прочете обещанието за ефективност

По-малко заявки към инструменти е полезна цел само ако задачата остава решена. Ако агент пропусне проверка, кратката следа може да изглежда отлична, докато грешката се появи едва след внедряване. Нашият редакционен извод е да се измерват едновременно резултатът и необходимата човешка намеса, вместо всяко съкратено действие да се брои като успех.

Предлагаме пилот с отделен набор от собствени задачи, който не влиза в обучението. Например екип може да избере поправки на входна валидация, работа с документация и няколко миграции. За всяка задача предварително се описва наблюдаемият критерий за завършване. Това е предложена процедура; SIExpo не е обучавал или изпитвал тези адаптери.

Следата от изпълнението трябва да показва и неуспешните опити. Ако се пазят само успешните, цената и надеждността ще бъдат оценени твърде благоприятно. Полезно е отделно да се отчетат прекъсванията поради лимит, действителните дефекти и неясните изисквания.

За малък екип първият въпрос е дали поддържането на адаптацията си заслужава. Подобрение, което изчезва след обновяване на средата, може да изисква повече грижи, отколкото спестява. Обратно, повтаряща се ясно определена задача дава по-удобна цел за оценка от неограничен агент. Полезен е и път за връщане към предишната конфигурация.

Преди производствена употреба бихме фиксирали версията на модела, адаптера, средата и инструментите. Промяна на един от тях е основание за нова ограничена проверка, защото старият резултат може вече да не описва същата система. Публикацията предлага възпроизводим изследователски подход, но не доказва универсално ускорение за всяка фирмена задача.

Източници
Introducing harness adapters: adapt your favorite model to your harness to improve performance and cost — 2026-11-20
harness-hub/Qwen3.8-27B-super-adapter · Hugging Face

Статия в SIExpo.bg: https://siexpo.bg/article/huggingface-harness-adapters-scale-qwen38-nov20-2026
 
Inkling 2 Mini: повторното използване на слоеве отваря нова възможност за локален AI

Моделът на Thinking Machines Lab има около 26 млрд. физически параметри. По-малък файл обаче не означава автоматично по-кратък отговор.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

inkling2-mini-looped-local-model-nov20-2026-6e871455b6724940.jpg


На 20 ноември Hugging Face представи интеграцията на Inkling 2 Mini от Thinking Machines Lab: мултимодален MoE модел с около 26 млрд. общи и 3 млрд. активни параметри на токен. Средните му слоеве се изпълняват три пъти с едни и същи тегла. Обявена е поддръжка в Transformers, llama.cpp, MLX и SGLang. Посоченият максимален контекст е един милион токена; това не е гаранция за удобна работа с такъв вход на всеки компютър.

Паметта и времето решават различни задачи

Практическият интерес е в компромиса между съхраняваните тегла и извършеното изчисление. Да използваш един и същи компонент повторно спестява място спрямо съхраняването на отделни компоненти за всяка стъпка. Повторението обаче пак трябва да бъде изпълнено. Затова размерът на модела сам по себе си не е достатъчен критерий за покупка на машина или за обещание към клиент.

Картата на модела е необходима за точния вариант, формат и условия за използване. Поддръжката от няколко изпълняващи среди също изисква избор: един екип може да предпочете удобството на настолно приложение, друг — управляван сървър. И в двата случая трябва да се запишат конкретните версии, вместо различни резултати да се приписват единствено на името на модела.

Как бихме оценили подходяща конфигурация

Нашият предложен пилот започва с една реална задача, например извличане на данни от няколко продуктови описания. Входът остава един и същ, а отделно се записват времето до първия отговор, времето до края, използваната памет и грешките във фактите. Тестът не е проведен от SIExpo и тук няма собствено измерване на скоростта.

След това бихме добавили изображение и по-дълъг документ, като наблюдаваме къде системата престава да бъде удобна. Важен е и празният отговор: ако моделът няма достатъчно сведения, трябва да го отбележи. Привидно бърз резултат, който изисква дълга човешка поправка, може да се окаже по-скъп от по-бавна, проверима работа.

За агент с инструменти бихме започнали с достъп само за четене до копие на данните. Записването, изпращането и плащането са отделни разрешения. Локалното изпълнение може да улесни контрола върху информацията, но самото разположение на компютъра не доказва, че всички използвани инструменти работят без външни услуги.

Бихме проверили и възстановяването. Прекъсването трябва да оставя запис кои стъпки са завършени и кои остават неясни. Повторение без такава следа може да дублира по-късно действие, дори самият модел да работи локално.

Новината предлага още един реален избор за локални експерименти. Решението дали е подходящ за конкретна работа трябва да се вземе след проверка на целия работен процес, включително човешката редакция и възстановяването след грешка.

Източници
Welcome Inkling 2 Mini, Cutting-edge Performance for your Local Setup — 2026-11-20
thinkingmachines/Inkling-2-Mini · Hugging Face

Статия в SIExpo.bg: https://siexpo.bg/article/inkling2-mini-looped-local-model-nov20-2026
 

Горе