Direktang tinukoy ng OpenAI ang isang autonomous agent pipeline sa Linux kernel. Bumalik ito na may 948 na gumagana lokal na privilege-escalation exploits. Sa isang pagpapatakbo, ang mga agent: → Naitala ang 2,308 na potensyal na security flaws → Matagumpay na inulit ang 1,724 sa kanila → Nagbuo ng gumagana exploits para sa 948 na magkakaibang vulns na nagpapahintulot sa limitadong akses na mag-escalate patungo sa buong root → Naglikha ng candidate patches para sa tao na pagsusuri Kabuuang gastos: ~$1.21 milyon sa API credits (~$1,279 bawat magkakaibang exploited vulnerability). Para sa konteksto: ang kanilang dating sistema noong Hulyo (na pinapagana ng GPT-5.6 Sol) ay nakahanap at nakapag-exploit ng 166. Ang system na ito ay nagawa ng 948. Ang mga Linux maintainers ay napanatili na ang 61 sa upstream bago matapos ang pananaliksik; mas marami pa ang nasa paghahanda o ilalabas sa diskusyon. Ito ang pagbabago mula sa “nagtutulong ang AI sa pagsulat ng code” patungo sa “ang AI agents ay sistematikong hahanap, uulitin, at magpapropose ng solusyon para sa security holes sa pinakamahalagang software sa mundo sa industrial scale.” Ang paghahanap ng mga flaws ay naging mas mura at mas mabilis. Ang triaging at pagpapabuti nito sa ganitong dami ay ngayon ang bottleneck. Nakontrol na pananaliksik na kapaligiran. Kailangan ang umiiral na foothold. Kailangan pa rin ng eksperto na pagsusuri bago ipasa ang anumang patch. Ngunit ang signal sa dami ay hindi maliwanag.

Kasalukuyang ipinapakita ng Inception ang Mercury 3, ang pinakamakapangyarihan sa lahat ng diffusion LLM na ipinakalabas hanggang ngayon. Mas mataas ang kalidad nito kaysa sa GPT-6 Luna at Claude Haiku 5.5 sa iba’t ibang benchmark, habang nagpapatakbo sa 1,068 tokens bawat segundo sa NVIDIA GPUs—4–8× mas mabilis kaysa sa karaniwang autoregressive models na optimized sa bilis. 1M context (mula sa 260K sa Mercury 2.5). Mas malaki ng higit sa 40× kaysa sa Mercury 1, may ~3× na mas mataas na intelehensya sa standard benchmarks, ngunit nananatiling parehong mabilis. Pricing: $0.20 / $0.70 bawat 1M input/output (launch promo: 50% off sa ilang platform: $0.10 / $0.35). OpenAI API compatible. Magagamit na ngayon sa Inception API, OpenRouter, Baseten, at Vercel. Mga enterprise option para sa dedicated capacity, atbp. Ang mga maagang kasosyo ay nagsisimula nang gamitin ito para sa browser/web agents, real-time tutoring, search agents, at support. Isang production note: natapos nito ang 50% ng live Mind2Web navigation tasks (mas mahusay kaysa sa GPT-6.1-Sol) sa parehong bilang ng tokens at steps, ngunit mas mababa ang per-token cost. Ang bilis ay nagpapanatili sa pag-iwas sa pagkakalat ng latency sa bawat step.

Binalik ng xAI ang Grok Voice 3.0, at nakakaresolba na ito ng 70% ng mga tawag sa suporta ng Starlink nang walang tao sa loop. Nakapagtop ito sa Speech-to-Speech Index ng Artificial Analysis sa 86.9, mas mahusay sa paghawak ng mga interupsiyon at background noise kaysa sa mga nakaraang bersyon, at sumasagot sa loob ng higit sa isang segundo. Sa mga sasakyan ng Tesla, ito ang nagpapagana ng mga pag-check ng kalendaryo nang walang kamay, mga sagot sa email, at kahit pag-order ng kape o pag-book ng hapunan. Isang agent lamang ang kailangan upang patotohanan ang customer, i-diagnose ang hardware, maglabas ng credit, at ipadala ang replacement. Sa presyong $0.08/min, ito ang pinakamura pa ring paraan upang makakuha ng voice agents na frontier-level na talagang natatapos ang trabaho. Naging mas maliit ang pagkakaiba sa pagitan ng “voice chat” at “voice na nagtatapos ng tickets.”

Kasalukuyang ipinadala ni NVIDIA ang Nemotron 3.5 Bolt 74B-A9B (at mga kasamang model), isang open-weight 74B MoE model (tanging ~9B aktibo) na kumukuha ng 24 GB lamang sa pamamagitan ng agresibong 2-bit quantization-aware training. Ito ay nilikha para sa mga lokal na AI agent na laging naka-on: pag-navigate sa browser/app, coding, pananaliksik, paggamit ng mga tool, at background automation. Buong weights, training data, at mga recipe ay bukas. Gumagana ito kasama ang Ollama, llama.cpp, vLLM, LM Studio, Hermes, OpenClaw, atbp. Kasama nito ang bagong Nemotron 3.5 Super VL (120B kabuuan / 12B aktibo, multimodal para sa mga tagal na visual + text agent) at ang maliit na Bolt E4B (4 GB, para sa mga conversational/game NPCs, darating noong Oct 23). Nangyari ito sa parehong araw na ipinagbili ang mga RTX Spark laptop (Oct 16). Mas praktikal na ang mga lokal na frontier-ish agent. Ang open weights + consumer hardware ay ang tahimik na pagbabago na nagkakaroon ng kompound effect.

Ang German robotics unicorn na NEURA ay naglunsad ng Neuron AI, ang kanilang multimodal na foundation model para sa Physical AI. Nagpapagsasama ito ng 3D vision + touch + audio + robot state + language + memory sa isang Perception-Language-Action (PLA) architecture. Maaaring tumugon ang mga robot sa mga bagay na hindi nila makikita at tandaan ang konteksto kahit na umalis na ang mga bagay sa field of view ng camera. Isang model lang ang gumagana sa limang iba’t ibang embodiment ng NEURA (kabilang ang kanilang 4NE1 humanoid). Trained sa real robot data, simulation, at human demos. Ang mga customer ay nagfifiine-tune at nagde-deploy ng mga skill sa buong fleet gamit ang Neuraverse. Live demo na bukas sa NVIDIA GTC Berlin: ang kanilang 4NE1 humanoid ay gagawin ang isang buong autonomous 11-minute na laundry sequence (sort → washer → dryer) nang walang anumang tao na nakikilahok. “Pagbuo ng utak ng physical world,” ayon sa CEO. Mabilis na umuunlad ang Physical AI.

Nasa pag-uusap ang Amazon para bumili ng Decart sa halagang halos $7 bilyon, ayon sa WSJ. Ang 3-taong-gulang na startup na may pinagmulan sa Israel ay gumagawa ng software na nagpapabilis at nagpapababa ng gastos sa pagpapatakbo ng mga AI model sa iba’t ibang chip (Nvidia, Amazon Trainium, Google TPUs) pati na rin sa real-time generative models (Lucy para sa live video, Oasis para sa simulated environments). Ang AWS ay nagbigay na ng maagang access sa Trainium. Nakavalor sa halos $4B noong Mayo; dating isinisiyasat ni Anthropic ang isang deal na halos $6B ngunit tumigil pagkatapos ng pagsusuri. Ang isang pagkakasundo ay isa sa mga mas malalaking pagbili ni Amazon at direktang hakbang upang mabawasan ang pagkakasalig sa Nvidia. Naging multi-billion-dollar exit na ang chip optimization.

Binaba ng Meta ang kanyang mga unang tunay na frontier models: Muse Wonder at Muse Wonder Full. Apatnapu’t apat na buwan pagkatapos ng pagsasaulo ng kanyang mga pagsisikap sa AI at paghingga kay Alexandr Wang, sinasabi na ng Meta na natapos na niya ang frontier. Ang mga model na ito ay espesyal na disenyo para sa mahabang panahong personal at propesyonal na agent, na nakakahandle ng mga reklamo sa insurance, mga lease, finansiyal, impormasyon sa kalusugan, o pagbuo ng buong apps, hindi lang chat. Ang mga pangunahing tampok ay ang Active Memory (nagdadala ng mahalagang impormasyon tungkol sa iyo sa loob ng mga araw, linggo, at buwan) at Active Focus (nagpapatuloy sa pagkamit ng layunin, nakakabalik mula sa mga hadlang, at sumusubok ng mga bagong paraan). Ginamit ang gigawatt-scale na Prometheus data center para sa pagtuturo at suporta sa 1M-token context na may multimodal input. Sa Intelligence Index ng Artificial Analysis, ang Muse Wonder Full ay nakakuha ng 56 at ang Muse Wonder ay 52—isang malaking pagtaas mula sa 48 ng Muse Spark lamang anim na linggo pa ang nakalipas. Ang Wonder Full ay nasa itaas sa ilang agentic at knowledge-work benchmarks, kumpetitibo sa (at sa ilang lugar ay nangunguna sa) mga bagong model mula sa OpenAI at Anthropic. Ang Muse Wonder ay available na sa pamamagitan ng Meta Model API at Muse Code sa presyo ng $4/$20 bawat milyong tokens. Ang mas malakas na bersyon na Full ay nakalock sa mga subscriber ng Muse Code. Pareho ay magiging basehan ng personal agent ng Meta na Muse. Pagkatapos ng mga taon ng pagsasakop sa Llama at kahuling pagbabalik sa closed-model, ito ang pinakamalakas na signal ng Meta na handa itong kumpetihi para sa agentic na kinabukasan. Ang independiyenteng pagsubok ang magtuturo kung paano magiging totoo ang mga claim labas sa sariling pagsubok ng Meta.

Isang bagay na pinapansin ko sa @Wahoopredict ay kung paano maaaring mag-evolve ang mga prediction market sa labas ng simpleng pagpili sa “oo” o “hindi.” Ang darating na Multiple Selection feature ay interesante sa aspetong ito. Sa halip na pilitin ang isang prediction sa isang binary na resulta, maaari itong bigyan ang mga user ng mas maraming paraan upang ipahayag kung saan sa tingin nila talaga nakatayo ang probabilidad. Mas interesante pa ito dahil ang WahooPredict ay kumakapit sa mga market sa crypto, sports, stocks, commodities, at mga pangyayari sa totoong buhay. Ang prediction markets ay higit sa lahat tungkol sa pagpapahayag ng kumpiyansa sa ilalim ng kawalan ng sigurado. Mas mabuting disenyo ng market, mas tumpak na makakapagkomunikate ang mga tao ng kanilang kumpiyansa. Kaya nag-iisip ako: magiging isa ba ang Multiple Selection sa mga feature na gagawing makabuluhang iba ang WahooPredict mula sa iba pang prediction platforms?

Mabagsak ng pitong beses. Tumindig ng walo. Ang @0xhazels ay literal na isinasagawa ang pilosopiyang ito sa kanyang Studio. Hindi ka lang papasok. Kumonekta ka. Makikilahok ka. Magkakaroon ka ng likha. Makikita ka. Ang GTD Race ay nagpapalit ng kontribusyon sa puntos. Ang Pulse ay disenyo upang isalin ang gawa ng mga tagalikha sa masukat na kapalit. Ang Drops ay nagpapalit ng staking sa pagkakaroon ng akses. At ang NFT ay naging permanenteng kawing na nag-uugnay sa ecosystem. Dahil dito, hindi ko itinuturing ang Hazels bilang isang karaniwang koleksyon ng NFT. Ito ay nagsisikap upang isalin ang pagkakaroon ng pakikilahok mismo bilang isang aset. At mas mahirap gawin ang ganitong bagay. Ngunit mas interesante ring bisuhin.

Makisali dito 👇🏿