Anthropic tilkynnti í dag að það muni tilgreina hluta af eigið fé fyrirtækisins til nýstofnaðs Anthropic alhagsmunasjóðs. Fyrirtækið mun í upphafi leggja 5 % af útistandandi hlutabréfum til sjóðarinnar, sem er uppbyggð sem algerlega í eigu innan Anthropic og krefst samþykkis hluthafa. Saman við loforð sem þegar hafa verið gefin af samstofnanda og starfsmönnum, leiðir úthlutunin til þess að heildarhlutfallið sem er ætlað almennum hagsmunum nemur um það bil 20 % af eigið fé fyrirtækisins.
Hönnun sjóðarinnar felur í sér stigvaxandi ákvæðið: stjórnin getur bætt við 2 prósentustigum fyrir hverja 50 % hækkun í mat á Anthropic. Í raun gæti eignarhlutfall sjóðarinnar aukist þegar fyrirtækið vex, og gefa því meiri sveigjanleika og fjármagn til að styðja góðgerðarmál eða öryggistengd verkefni.
Aðgerðin er mikilvæg af mörgum ástæðum. Fyrst og fremst gefur hún til kynna áþreifanlega fjárhagslega skuldbindingu til víðtæks samfélagslegs áhrifa AI, sem endurspeglar áframhaldandi umræður um fyrirtækjábyrgð í geiranum. Með því að tengja viðbótargjöld við matstölur, samræmir Anthropic hagnaðarmarkmið sitt við alhagsmunasögu, og gæti því skapað fyrirmynd fyrir aðrar AI rannsóknarstofnanir. Úthlutunin bætir einnig nýju vídd í fjármagnssamsetningu fyrirtækisins, sem gæti haft áhrif á viðhorf fjárfesta og matstölur.
Áframhaldandi munu áhorfendur fylgjast með niðurstöðu hluthafavalsins og stjórnunarrammanum sem mun sjá um úttektir sjóðarinnar. Jafnframt verður mikilvægt að greina hvaða tegundir verkefna sjóðurinn styður—hvort þau snúist um AI öryggi, rannsóknir eða víðtækari félagsleg forrit—og hvort stigvaxandi ákvæðið kallar á viðbótargjöld þegar markaðsvirði Anthropic hækkar. Þessi þróun gæti mótað hvernig AI fyrirtæki jafna viðskiptavöxt með almenna hagsmunaskuldbindingum.
Nýtt arXiv forskrift kynna “Hybrid Reasoning Agents”, flokk af stórtungumálalíkani (LLM) aðilum sem geta skipt á milli innri, leyndarplássarökrunar og ytri, textamiðaðrar samskipta í einni framleiðsluferð. Greinin, sem var sett á netið fyrir fimm dögum, lýsir arkitektúr sem tengir saman venjulegan LLM-grunn með léttvægum “HybridLink” íhluta. HybridLink varpar síðustu lögum leynilegra ástands módelins aftur í innsláttartengingarpláss, sem gerir aðilann kleift að fara í leyndarham til fljóttrar, skoðanlegar hugsunar og síðan snúa aftur í textaham fyrir verkfæraköll, loka svör og ytri eftirlit.
Tvö þjálfunarúrræði styðja aðferðina. HybridSFT stöðvar verkfærasameinaða blandaða framleiðslu með því að kenna grunninum að samhæfa sig við HybridLink, á meðan HybridRL lærir hvenær á að hugsa í leyndarplássi í stað þess að starfa í gegnum texta. Höfundarnir skrá niðurstöður í þrjár stærðarstiga módelum, sem sýna að blandaða uppsetningin getur varðveitt gagnsæi textamiðaðrar verkfæranotkunar á sama tíma og hún nýtir hagkvæmni leyndarökrunar.
Þessi þróun er mikilvæg vegna þess að núverandi LLM-aðilar eru takmarkaðir við textaökrun, sem getur verið hæg og dýrmæt, á meðan hreint leyndarökrun skortir innbyggðan aðgang að verkfærum og skýra endurskoðunarspor. Með því að brúa þessi tvö, lofar Hybrid Reasoning Agents um hæfari, kostnaðarhagkvæmari sjálfstæð kerfi sem eru enn sýnileg og stjórnanleg – lykiláhersla þegar AI-aðilar fara inn í hærri áhættusvið.
Fylgist með eftirfylgjandi verkum sem prófa arkitektúrinn á stærri módelum og raunverulegum verkfærasöfnum, og með samþættingarmerki frá vettvangi eins og One API sem miða að því að samræma mörg LLMs. Að taka upp af þróunaraðilum á GitHub, þar sem kóðinn er þegar tiltækur, gæti flýtt fyrir hagnýtum tilraunum og mótað næstu kynslóð AI-aðila.
Nýtt rannsóknargrein birtir CarryOn, hlutbundið samhengis‑keyrsluumhverfi hannað fyrir langtíma AI umhverfisþætti. Höfundarnir halda því fram að núverandi umhverfisþættir sóti auðlindir með því að endurtekið vinna úr fullum samskiptasögum til að endurbyggja framvindu. Í staðinn meðhöndlar CarryOn lokið verk, niðurstöður og ástand forrits sem endurnýtanleg „verkefnahluti“ sem hægt er að skoða beint, á sama tíma og það heldur léttum lokahluta nýlegra skrefa til að tryggja samhang.
Aðferðin var prófuð með Claude Opus 4.7 á OSWorld 2.0 viðmiðun. Samanborið við hefðbundna aðferð við endurspilun sögu, hækkaði CarryOn hlutfall hlutaafkasta frá 43,9 % í 49,7 %, um næstum sex stig. Á sama tíma minnkaði það táknneyslu um 52 % og dró úr útreikningskostnaði um 36 %. Greinin setur þessi framfarir í samhengi við skref í átt að skilvirkari, skalanlegum umhverfisþáttum sem geta flutt áfram endurnýtanleg efni í stað þess að endurgera þau í hverju umferð.
Ástæðan fyrir mikilvægi þess er tvíþætt. Fyrst takast tákn- og kostnaðarhagræðingin beint á efnahagslegar takmarkanir sem hafa hamlað innleiðingu flókinna sjálfvirkra umhverfisþátta í framleiðsluumhverfi. Annars samræmist hlutbundna sýn nýlegum rannsóknum á blandaðri rökvísi umhverfisþáttum, sem sameina hugmyndir í leynistrúktúrum með textaáhrifum (sjá umfjöllun okkar frá 19. október 2026). Með því að byggja samhengið upp um varanleg hluti gæti CarryOn einfaldað samþættingu umhverfisþá
Nýtt rammaverkefni sem heitir **TreeOPSD** hefur verið kynnt til að takast á við varanlegt vandamál úthlutunar á ábyrgð sem hamlar langtíma styrktarnámi (RL) fyrir sjálfstæð stórt tungumálalíkani (LLM) umhverfisþætti. Aðferðin, sem lýst er sem „gagnrýni‑laus, trévísað eftirspurnarþjöppuð sjálfþjöppuð“ nálgun, lítur á hverja umferð í samskiptum sem hnút í greinumtré. Úr hverju heimsóttu forskeyti myndar kerfið valfrjálsar framhald, og síðan endurtekningarlíkt endurheimtir lokaávöxtun þessara greina til að veita þétta, umferðarstigs leiðsögn án þess að reiða sig á sérstaka verðmætagagnrýni.
Framlögin eru mikilvæg vegna þess að útkomu‑miðað RL fyrir LLM umhverfisþætti veitir venjulega aðeins daufar, þáttabundnar verðlaun. Þessi daufleiki krefst uppfærslna með mikilli dreifni og skilur eftir eyðslu í eftirliti fyrir mörg millistig ákvörðunar sem nauðsynleg eru í fjölumferðaverkefnum eins og verkfæranotkun, upplýsingaleit eða fjölbreytilegu samskiptum. Með því að innfelda valfrjáls framtíð beint í þjál
Nýlegur þrýstingur Federal Reserve er nú tengdur við sprengju í fjárfestingu í gervigreind, hreyfing sem greiningaraðilar segja að blæsi í nýrandi AI‑miðaða markaðsbláða á sama tíma og hún ýtir upp daglegum kostnaði eins og rafmagni.
Þegar Fed hækkar „verð á pening“ með hærri vöxtum, nær bylgjuáhrifin til rafmagnsverðs, fasteignaskatta, íbúðarlána, bílalána og kostnaðar við rekstrarfé.
Hærri orkuverð, á móti, nærir hratt vaxandi AI‑knúna gagnaverk og flísugerð, þróun sem hefur vakið athygli Wall Street.
Peter Berezin varaði við því að sprengjan í rafmagns- og hálfleiðarútgjöldum skapar skammtíma verðbólguþrýsting sem Fed gæti vanmeta, og lýsir núverandi markaði sem „tekjublaða“.
Viðburðurinn skiptir máli því AI er á sama tíma hvati fyrir nútíma fjárfestingar og loforð um framleiðniaukningu í framtíðinni.
Þessi tvíþættu hlutverk breytir því hvernig Fed metur vaxtastefnu: þrengri peningur gæti dämpað eftirspurn eftir AI‑tengdu fjármagn, en vöxtur geirans heldur áfram að hækka heildarhagkerfisvirkni og verðþrýsting.
Ef seðlabankinn misskilur jafnvægið, gæti hann annaðhvort versnað verðbólgu eða kallað fram skarpa leiðréttingu í hlutabréfum með mikla AI‑tengingu.
Áframhaldandi munu áhorfendur fylgjast með næstu stefnuútlitum Fed til að finna vísbendingar um hvort vaxtahækkunarnar verði stilltar til að draga úr AI‑knúnum verðsprengju.
Samhæfðar vísbendingar munu koma frá rafmagnsmarkaði, flísugerðarfyrirtækjum og verðmat á hlutabréfamörkuðum fyrirtækja með áherslu á AI.
Mistök gætu sprengt bláða, en ívafið nálgun gæti leyft geiranum að þroskast án þess að óstöðugleika breiðari verðbólgumarkmið.
Evrópuþrjú leiðandi iðnaðarfyrirtæki dýpka fjárfestingar sínar í gervigreind, hvert á sinn hátt til að nýta markaðsuppganginn. Schneider Electric og Siemens flýta upp umbreytingunni frá vélbúnaði til hugbúnaðar, og setja í gang AI‑knúna vettvanga sem lofaðir eru að veita snjallari orkunýtingu, forspárviðhald og stafræna tvíburana fyrir verksmiðjur. Aðgerðir þeirra vísa til víðtækari umbreytingar þar sem hefðbundnir búnaðarfyrirtæki endurskilgreina sig sem tæknilausnaraðilar, nýta AI til að skapa endurtekna tekjur og þétta tengsl við viðskiptavini.
ABB, á móti, styrkir kjarnastyrk sinn í líkamlegum búnaði. Í stað þess að auka hugbúnaðarportfólíó er svissneska fyrirtækið að samþætta AI beint í vélar sínar – frá vélmenni til raforkugreina – til að auka afköst og áreiðanleika, á meðan áherslan er á áþreifanlegar eignir.
Mismunurinn skiptir máli því hann sýnir hvernig þungavinnsluþróunarfyrirtæki Evrópu túlka AI‑uppganginn. Hugbúnaðarmiðaðar aðferðir geta umbreytt samkeppnisdýnamík, ýtt fyrirtækjum í áskriftarlíkön og gagnamiðaðar þjónustur. Vélbúnaðarfyrsta nálgun gæti hins vegar varðveitt framlegð tengda sölu á hágæða vélbúnaði, en býr í hættu að falla á eftir í hratt þróuðu AI‑þjónustuumhverfi.
Það sem á eftir er að fylgjast með eru raunveruleg vöruútgáfur og samstarfstilkynningar sem munu útfæra þessar stefnur. Fjárfestar munu leita eftir vísbendingum um áhrif á tekjur, á meðan viðskiptavinir leita eftir sönnunarpunktum um að AI‑bættar lausnir skili mælanlegum hagkvæmniaukningum. Hraðinn vöxtur Siemens og Schneider í að byggja upp hugbúnaðarumhverfi, og hvort ABB‑s AI‑innblásna vélbúnaður geti mætt sveigjanleika hreinskilinna hugbúnaðarlausna, mun ákvarða hvernig iðnaðarlandslag Evrópu endurmóta sig í AI‑tímabilið.
Nýleg tæknigreinin sýnir að Kimi K3 stórt tungumálalíkan sé hægt að “ofuroptímera” þegar það keyrir með opinn‑kóða vLLM útreikningsvél. Verkefnið, sem samfélagsaðili birti, útskýrir sett af stillingabreytingum og lágstigs kjarnabreytingum sem þrýsta fram meiri gagnaflæði og lækka töf miðað við sjálfgefna vLLM uppsetningu.
Þessi úrbót er mikilvæg vegna þess að Kimi K3, sem var dregið fram í okkar umfjöllun 1. október um útgáfu líkanins eftir að NVIDIA fjarlægði takmarkanir á notkunarleyfi, er sett fram sem kostnaðarhagræðandi valkostur við stærri viðskipta‑LLMs. Með því að draga meira af frammistöðu úr sama búnaði geta rekstraraðilar keyrt líkanið á lægra verðstigi, sem gerir það aðlaðandi fyrir norðurlanda sprotafyrirtæki og rannsóknarstofnanir sem treysta á eðlileg GPU klasa eða skýja‑tilvik. Bætirnar minnka einnig orkuáhrif útreikninga, í samræmi við svæðisbundin sjálfbærnimarkmið.
Áhorfendur munu fylgjast með formlegum viðmiðunartökum, innleiðingu ofuroptímeraðrar stillingar í stýrðar þjónustur eins og AWS SageMaker, og mögulegum viðbrögðum frá viðhaldarum líkanins varðandi uppstreymisstuðning. Ef frammistöðuaukningarnar standast á fjölbreyttum búnaði, gæti Kimi K3 séð aukna notkun í rauntímaforritum, frá viðskiptavinaþjónustu‑vélmenni til staðbundinnar efnisframleiðslu, og skerpa samkeppni á evrópska AI markaðinum.
