AI dziś: GPT-6.1 Terra i Polar Peaks

Dzień przyniósł premiery narzędzi edukacyjnych oraz modeli językowych, a także publikację danych o wykorzystaniu sztucznej inteligencji w pracy zawodowej. Google i Stanford udostępniły grę Polar Peaks, OpenAI zaprezentowało model GPT-6.1 Terra i udostępniło raport o nawykach zawodowych użytkowników, CodeRabbit zintegrował rozwiązanie GPT-6.1 Sol z procesami bezpieczeństwa, a studenci przedstawili praktyczne sposoby wykorzystania asystenta Gemini w nauce.

Najważniejsze dziś (TL;DR)

• Polar Peaks: Interaktywna gra edukacyjna dla uczniów w wieku 11-14 lat wprowadzająca w podstawy neuronauki i działania AI.
• GPT-6.1 Terra: Nowy model OpenAI z poprawioną wydajnością wizualną oraz o 50% niższymi kosztami API w porównaniu do poprzednika.
• Dane o ChatGPT w pracy: OpenAI udostępniło zestawienie dotyczące wykorzystania modelu w 165 kategoriach zawodowych w niemal 100 krajach.
• CodeRabbit: Wdrożenie modelu GPT-6.1 Sol do analizy zależności w kodzie oraz automatycznego wykrywania luk w zabezpieczeniach.
• Gemini dla studentów: Grupa ambasadorów Google opisała wykorzystanie asystenta do organizacji nauki, przygotowań do egzaminów oraz nauki języków.

Google i Stanford uruchamiają Polar Peaks

Google Research wraz ze Stanford Accelerator for Learning udostępniły 26 października interaktywną grę edukacyjną pod nazwą Polar Peaks. Jest to trzecia odsłona serii AI Quests, skierowana do uczniów w wieku od 11 do 14 lat, której celem jest przybliżenie zasad działania sztucznej inteligencji oraz podstaw neuronauki.

W ramach rozgrywki uczestnicy wcielają się w badaczy, którzy zajmują się mapowaniem ludzkiego mózgu, aby lepiej zrozumieć problem utraty pamięci u postaci z gry. Uczniowie wykonują zadania związane z czyszczeniem danych oraz testowaniem modeli, co ma na celu pokazanie, w jaki sposób sztuczna inteligencja wspomaga badania naukowe. Mechanika gry opiera się na wiedzy z zakresu konektomiki, czyli nauki o mapowaniu sieci neuronowych, w tym na niedawnym osiągnięciu, jakim było zmapowanie pełnego mózgu muszki owocowej. Program kładzie nacisk na konieczność sprawowania nadzoru człowieka nad technologią oraz rozwijanie krytycznego myślenia.

Dotychczas uczniowie wzięli udział w ponad 400 000 sesjach AI Quests, a materiały zostały zlokalizowane w 10 językach. Wraz z grą udostępniono moduły szkoleniowe dla nauczycieli w ramach Google AI Educator Series, które mają pomóc w integracji tych treści z programem nauczania. Wcześniejsze części serii dotyczyły prognozowania powodzi oraz wykrywania chorób oczu. Projekt został wyróżniony nagrodą Webby Award w 2026 roku w kategorii edukacji i szkoleń z zakresu AI oraz nagrodą ETIH Innovation Awards.

Dla budujących z AI: Nauczyciele i edukatorzy planujący wdrożenie gry mogą sprawdzić dostępność modułów szkoleniowych w ramach serii edukacyjnej Google. Źródło nie precyzuje, czy narzędzie jest dostosowane do wymagań RODO w kontekście przetwarzania danych uczniów ani czy gra posiada pełną obsługę języka polskiego w interfejsie.

Premiera modelu GPT-6.1 Terra

Firma OpenAI zaprezentowała 26 października model GPT-6.1 Terra, zaprojektowany z myślą o zwiększeniu wydajności zadań wizualnych oraz operacji wymagających obsługi komputera. Model ten stanowi rozwinięcie wersji GPT-5.6 Terra, oferując wyższą szybkość pracy i bardziej naturalny styl pisania.

Zgodnie z udostępnionymi danymi, GPT-6.1 Terra charakteryzuje się cenami API o 50% niższymi niż w przypadku GPT-5.6 Terra oraz GPT-6.1 Sol. W testach Agents’ Last Exam, przy średnim poziomie rozumowania, nowy model osiągnął wyniki wyższe o 15 punktów procentowych od poprzednika przy kosztach wynoszących około jedną trzecią jego wartości. W porównaniu z GPT-6 Astra, model wykazuje porównywalne wyniki w benchmarkach przy jednej dziesiątej ceny za token. Pod względem szybkości, GPT-6.1 Terra realizuje zadania ponad trzy razy szybciej niż GPT-6 Astra i GPT-6.1 Sol.

W testach zdolności rozumowania wizualnego MMMU-Pro, model przewyższa GPT-5.6 Terra przy każdym ustawieniu rozumowania. W kontekście programowania, w teście Terminal-Bench 4.0, przy maksymalnym poziomie rozumowania, GPT-6.1 Terra rozwiązuje 50,3% zadań, co stanowi ponad dwukrotny wzrost względem 21,5% osiągniętych przez GPT-5.6 Terra. Producent wskazuje również na ograniczenie błędów: w wewnętrznych testach współczynnik błędów przy niskim poziomie rozumowania spadł z 53,6% do 16,7%. Model spełnia próg bezpieczeństwa Critical w ramach Preparedness Framework w obszarze cyberbezpieczeństwa.

Dla budujących z AI: Zespoły automatyzujące przetwarzanie dokumentów finansowych lub obsługę aplikacji desktopowych mogą przetestować wydajność modelu w scenariuszach masowego wprowadzania danych. Źródło nie podaje informacji na temat dostępności modelu w poszczególnych regionach świata, wsparcia dla języka polskiego ani dokładnych limitów tokenowych w ramach subskrypcji ChatGPT Work. Przed podjęciem decyzji o wdrożeniu należy zweryfikować szczegółowe warunki licencyjne oraz dostępność interfejsów w dokumentacji technicznej.

OpenAI udostępnia dane o wykorzystaniu ChatGPT w pracy

Zespół OpenAI Economic Research opublikował 26 października dane dotyczące sposobu wykorzystania modelu ChatGPT w środowisku zawodowym. Zbiór informacji obejmuje 165 kategorii aktywności zawodowych w niemal 100 krajach, pozwalając na analizę roli sztucznej inteligencji w gospodarce w okresie od pierwszego kwartału 2025 roku do trzeciego kwartału 2026 roku.

Dane oparto na standardzie O*NET, który grupuje zadania zawodowe w ramach kategorii zwanych Intermediate Work Activities (IWA). Umożliwia to badaczom porównywanie sposobu wykorzystania narzędzi AI z innymi wskaźnikami ekonomicznymi oraz aktywnościami wykonywanymi w różnych zawodach. Materiał obejmuje m.in. przygotowywanie materiałów instruktażowych, tworzenie treści marketingowych, programowanie oraz analizę danych biznesowych.

Z udostępnionych analiz wynika, że kraje wykazują tendencję do specjalizacji w różnych typach pracy wspieranej przez ChatGPT. W trzecim kwartale 2026 roku dziesięć najczęściej wykonywanych zadań stanowiło średnio 51,1% wszystkich sklasyfikowanych komunikatów zawodowych, co oznacza spadek koncentracji z poziomu 56,0% odnotowanego w pierwszym kwartale 2025 roku. Zbiór danych pochodzi z prywatnych planów użytkowników i nie uwzględnia wiadomości przesyłanych przez użytkowników wersji Enterprise ani wykorzystania modelu Codex. W celu ochrony prywatności dane zostały zanonimizowane, a systemy automatyczne klasyfikują wiadomości po wcześniejszym usunięciu danych identyfikacyjnych.

Dla budujących z AI: badacze danych i analitycy rynkowi mogą wykorzystać te zbiory do zestawienia specyficznych aktywności zawodowych z trendami użytkowania AI w różnych regionach świata. Przed podjęciem prób integracji własnych zbiorów z tymi danymi należy sprawdzić, czy metodologia klasyfikacji IWA odpowiada specyfice lokalnego rynku pracy oraz czy udostępnione wskaźniki uwzględniają pełne spektrum działalności biznesowej, ponieważ źródło wskazuje na wykluczenie zadań takich jak obsługa maszyn czy prowadzenie dokumentacji medycznej.

CodeRabbit integruje GPT-6.1 Sol w procesach bezpieczeństwa kodu

Firma CodeRabbit wdrożyła model GPT-6.1 Sol jako główny element swojego agenta bezpieczeństwa, wspierającego zespoły inżynierskie i ds. bezpieczeństwa aplikacji w analizie kodu oraz wykrywaniu luk w zabezpieczeniach. Rozwiązanie, o którym poinformowano 26 października, ma na celu rozszerzenie kontroli bezpieczeństwa poza pojedyncze zmiany w kodzie, pozwalając na weryfikację zależności oraz interakcji między komponentami w skomplikowanych repozytoriach.

System korzysta z modelu GPT-6.1 Sol do łączenia informacji o zachowaniu kodu w różnych plikach i bibliotekach. Narzędzie funkcjonuje niezależnie od agenta, który wygenerował dany kod, uzupełniając działanie standardowych skanerów. W ramach funkcji Deep Scan, system analizuje powiązania w obrębie repozytoriów, w tym zależności w zewnętrznych bibliotekach. CodeRabbit Secure dodatkowo wspiera weryfikację zagrożeń poprzez próbę ich odtworzenia w izolowanym środowisku typu sandbox, co nie wpływa na systemy produkcyjne. W przypadku wykrycia podatności, system może przygotować propozycję poprawki w formie pull requestu, która następnie trafia do przeglądu przez człowieka. Według danych firmy, rozwiązanie jest obecnie wykorzystywane do oznaczania kwestii związanych z bezpieczeństwem w tysiącach organizacji.

Dla budujacych z AI: Zespoły zajmujące się utrzymaniem infrastruktury oprogramowania mogą przetestować integrację modelu w procesach pull request pod kątem automatyzacji wykrywania luk. Ogłoszenie nie precyzuje kosztów subskrypcji usługi, limitów operacyjnych modelu ani tego, czy system wspiera analizę bezpieczeństwa w językach innych niż te używane w dotychczasowych projektach firmy. Przed wdrożeniem należy również zweryfikować dostępność technologii w konkretnym regionie oraz politykę przechowywania danych w izolowanym środowisku testowym.

Wykorzystanie asystenta Gemini przez studentów

Według informacji opublikowanych 26 października, grupa 15 ambasadorów Google z uczelni wyższych podzieliła się sposobami wykorzystania asystenta Gemini w procesie edukacyjnym. Uczestnicy programu wskazali na wykorzystanie narzędzia w organizacji nauki, przygotowaniach do egzaminów oraz w codziennych obowiązkach studenckich.

Użytkownicy wykorzystują funkcję „study notebooks” do przetwarzania materiałów kursowych na spersonalizowane lekcje, co pozwala na szybszą powtórkę przed egzaminami. Możliwe jest przesyłanie notatek lub wykładów, a także generowanie porównań dla różnych punktów widzenia. Funkcja Gemini Live umożliwia prowadzenie rozmów głosowych, co studenci stosują do ćwiczenia prezentacji, rozmów kwalifikacyjnych czy nauki języków obcych. Dzięki obsłudze kamery, narzędzie może również wskazywać sposób obsługi oprogramowania poprzez analizę wizualną ekranu.

W ramach nauki wspomaganej (Guided Learning), asystent zamiast podawać gotowe odpowiedzi, zadaje pytania otwarte, które mają prowadzić studenta do samodzielnego znalezienia błędu w rozwiązaniu zadania. Dodatkowo, Gemini generuje quizy sprawdzające wiedzę, co pomaga w przygotowaniu do egzaminów. Studenci korzystają również z integracji z Google Drive, udostępniając foldery z materiałami z poszczególnych przedmiotów, co pozwala na tworzenie spójnych przewodników po kursach.

Dla budujących z AI: twórca systemu edukacyjnego może sprawdzić mechanizm prowadzenia użytkownika przez proces rozwiązywania problemu zamiast podawania gotowych odpowiedzi. Informacja prasowa nie precyzuje, jakie są ograniczenia dotyczące formatów przesyłanych plików, jak wygląda kwestia prywatności danych wgrywanych do folderów współdzielonych ani czy funkcja Guided Learning jest dostępna w językach innych niż angielski.

Najczęściej zadawane pytania (FAQ)

Jakie są główne zalety wydajnościowe modelu GPT-6.1 Terra?

GPT-6.1 Terra oferuje szybkość działania ponad trzy razy wyższą niż modele GPT-6 Astra i GPT-6.1 Sol. Ponadto model ten osiągnął znaczną poprawę w zadaniach programistycznych, rozwiązując 50,3% zadań w teście Terminal-Bench 4.0 oraz wykazując wyraźny spadek współczynnika błędów przy niskim poziomie rozumowania.

W jaki sposób asystent Gemini wspiera studentów w samodzielnej nauce?

W ramach funkcji nauki wspomaganej, Gemini promuje samodzielne rozwiązywanie problemów poprzez zadawanie pytań otwartych zamiast udzielania gotowych odpowiedzi. Dodatkowo studenci mogą wykorzystywać funkcję study notebooks do tworzenia spersonalizowanych lekcji z materiałów kursowych oraz generować quizy sprawdzające wiedzę przed egzaminami.

Na czym polega analiza bezpieczeństwa w systemie CodeRabbit Secure?

System wykorzystuje model GPT-6.1 Sol do analizy powiązań między plikami i bibliotekami w repozytoriach. Funkcja Deep Scan sprawdza zależności między komponentami, a w przypadku wykrycia podatności, system może próbować odtworzyć zagrożenie w środowisku typu sandbox i przygotować propozycję poprawki kodu w formie pull requestu.

Źródła

• Our newest AI Quest: Mapping the human brain — 2026-10-26
• Introducing GPT-6.1 Terra — 2026-10-26
• ChatGPT’s expanding world of work — 2026-10-26
• GPT-6.1 Sol helps CodeRabbit strengthen security across complex codebases — 2026-10-26
• 15 college students share their favorite Gemini features — 2026-10-26

--- Tekst przygotowany automatycznie przez laboratorium aipoc-lab (AI) na podstawie publicznie dostępnych źródeł wymienionych powyżej. Streszczenia własne, nie kopie. Wersja przed redakcją człowieka.