AI dziś: NVIDIA DGX Spark i OpenAI Astra Ultrafast

Dzisiejszy przegląd obejmuje kluczowe aktualizacje w sektorze sprzętowym i modelowym. NVIDIA wprowadza jednostkę DGX Spark do lokalnych obliczeń AI, podczas gdy OpenAI zwiększa wydajność modelu GPT-6 Astra Ultrafast. W obszarze otwartych rozwiązań debiutuje narzędzie AstaBrief 8B oraz infrastruktura treningowa Olmo-core 3. Zestawienie zamyka informacja o nowym programie szkoleniowym dla inżynierów wdrożeniowych uruchomionym przez firmę Anthropic.

Najważniejsze dziś (TL;DR)

• NVIDIA DGX Spark: Lokalna jednostka obliczeniowa oparte na architekturze Grace Blackwell, wspierająca modele do 100 miliardów parametrów.
• GPT-6 Astra Ultrafast: Nowy tryb modelu OpenAI wykorzystujący procesory NVIDIA Blackwell, zapewniający ośmiokrotnie szybszą generację tokenów.
• AstaBrief 8B: Otwartoźródłowy model zoptymalizowany pod kątem szybkiego generowania raportów naukowych na podstawie literatury.
• Olmo-core 3: Infrastruktura od Allen Institute for AI umożliwiająca trenowanie modeli typu Mixture-of-Experts o skali do jednego biliona parametrów.
• Claude Frontier Academy: Program edukacyjny Anthropic mający na celu przeszkolenie 10 000 inżynierów w zakresie wdrażania modeli Claude w przedsiębiorstwach.

NVIDIA DGX Spark 64GB

Firma NVIDIA zapowiedziała wprowadzenie na rynek 23 października urządzenia DGX Spark wyposażonego w 64 GB zunifikowanej pamięci, przeznaczonego do budowania i skalowania lokalnych systemów sztucznej inteligencji. Sprzęt bazuje na architekturze Grace Blackwell i zawiera pełny stos oprogramowania NVIDIA, w tym system DGX OS.

Platforma umożliwia uruchamianie modeli o rozmiarze do 100 miliardów parametrów bezpośrednio na urządzeniu, co pozwala na pracę nad agentami AI, wnioskowaniem, dostrajaniem modeli oraz analizą danych bez konieczności korzystania z chmury. W skład zestawu wchodzi karta sieciowa ConnectX-7, która umożliwia łączenie dwóch jednostek w klaster przy użyciu NVIDIA Sync Cluster Assistant. W takiej konfiguracji użytkownicy zyskują 128 GB zunifikowanej pamięci oraz obsługę modeli do 200 miliardów parametrów, co w testach wydajnościowych z modelem Qwen 3.8 27B przełożyło się na 1,7-krotny wzrost wydajności w porównaniu z pojedynczym systemem.

Urządzenie wspiera popularne narzędzia i frameworki, takie jak NVIDIA Agent Toolkit, Ollama, vLLM, PyTorch z CUDA oraz biblioteki CUDA-X AI. Sprzęt będzie dostępny w ofercie producentów: Acer, ASUS, Dell, Gigabyte, HP oraz MSI, w cenie początkowej od 4 999 USD. Do końca miesiąca planowane jest udostępnienie NVIDIA Sync Model Launcher, narzędzia ułatwiającego konfigurację modeli w środowiskach jedno- i wielowęzłowych.

Dla budujących z AI: Inżynierowie systemowi i badacze zajmujący się lokalnymi agentami mogą wykorzystać ten sprzęt do testowania modeli w odizolowanym od sieci zewnętrznej środowisku. Ogloszenie nie podaje informacji na temat dostępności urządzenia w różnych regionach świata, szczegółowych warunków licencyjnych dla oprogramowania dołączonego do sprzętu ani kosztów utrzymania infrastruktury w klastrach wielowęzłowych – te dane należy zweryfikować u wybranych producentów przed zakupem.

OpenAI udostępnia GPT-6 Astra Ultrafast

Firma OpenAI udostępniła 1 października model GPT-6 Astra Ultrafast, który wykorzystuje procesory graficzne NVIDIA Blackwell w celu zwiększenia wydajności generowania danych. Nowy tryb jest obecnie dostępny poprzez OpenAI API oraz dla użytkowników ChatGPT Work i Codex.

GPT-6 Astra Ultrafast oferuje generowanie tokenów do 8 razy szybsze niż w wersji Astra Standard. Wykorzystanie architektury NVIDIA Blackwell pozwala na tworzenie wysokowydajnych kerneli, co przekłada się na mniejsze opóźnienia w pętlach operacyjnych, takich jak pisanie kodu, korzystanie z narzędzi czy testowanie rozwiązań przez agentów. OpenAI wykorzystuje również własne modele do optymalizacji oprogramowania wnioskującego na infrastrukturze NVIDIA, co pozwala na ciągłe udoskonalanie szybkości odpowiedzi modelu oraz efektywne zarządzanie zasobami obliczeniowymi. Programowalność platformy NVIDIA umożliwia zespołom ponowne wykorzystanie infrastruktury w procesach treningu, wnioskowania oraz uczenia przez wzmacnianie.

Dla budujących z AI: twórcy automatycznych agentów programistycznych mogą sprawdzić czas generowania odpowiedzi wewnątrz cykli edycji, testowania i debugowania. Komunikat nie podaje szczegółowego cennika za korzystanie z trybu Ultrafast oraz informacji o limitach zużycia tokenów, co należy zweryfikować w dokumentacji technicznej przed podjęciem decyzji o migracji środowiska produkcyjnego.

Udostępnienie modelu AstaBrief

Organizatorzy platformy Asta opublikowali 2 października jako open-source model AstaBrief 8B, przeznaczony do szybkiego generowania raportów naukowych na podstawie literatury. Narzędzie zostało zaprojektowane tak, aby skracać czas tworzenia dokumentacji poprzez generowanie pełnego raportu w jednym przebiegu, co stanowi alternatywę dla dotychczasowego, sekcyjnego trybu pracy opartego na zewnętrznych modelach.

Według pomiarów twórców, wdrożenie AstaBrief 8B pozwala na skrócenie średniego czasu generowania raportu do 51,1 sekundy, co jest wynikiem około 3,5 raza szybszym w porównaniu do trybu Thinking mode wykorzystującego modele własnościowe (178,5 sekundy). Proces uczenia modelu oparto na 47 tysiącach przykładów treningowych, które zostały przefiltrowane z 90 tysięcy zapytań badawczych pod kątem jakości i powiązania z literaturą naukową. Model trenowano przy użyciu nadzorowanego dostrajania (SFT) oraz metody DPO (Direct Preference Optimization), rezygnując z bardziej kosztownych metod opartych na uczeniu przez wzmacnianie. Użytkownicy mogą korzystać z AstaBrief w trybie Fast mode bezpośrednio na platformie Asta lub pobrać wagi modelu, aby uruchamiać go na własnej infrastrukturze, co ma umożliwić przetwarzanie danych poufnych lub niepublikowanych.

Dla budujących z AI: Zespoły pracujące nad systemami syntezy literatury naukowej mogą przeanalizować udostępniony przepływ pracy (workflow) do generowania raportów z własnych plików PDF. Ogłoszenie nie precyzuje, czy model wspiera języki inne niż angielski, jakie są rzeczywiste koszty utrzymania infrastruktury przy dużej liczbie zapytań ani jakie dokładnie licencje obejmują udostępnione wagi i dane treningowe – te kwestie wymagają samodzielnej weryfikacji przed wdrożeniem.

Olmo-core 3

Allen Institute for AI udostępnił 1 października infrastrukturę treningową Olmo-core 3, zaprojektowaną do trenowania dużych modeli typu Mixture-of-Experts (MoE). System ma umożliwić skalowanie procesów uczenia modeli do poziomu jednego biliona parametrów przy zachowaniu efektywności obliczeniowej.

W porównaniu do poprzednich implementacji opartych na FSDP (Fully Sharded Data Parallelism), nowa wersja wykorzystuje podejście oparte na DDP (Distributed Data Parallelism), co pozwala na utrzymanie ekspertów w pamięci GPU i eliminację powtarzalnego zbierania wag. W testach przeprowadzonych na ośmiu procesorach graficznych NVIDIA B300, model o liczbie 47 miliardów parametrów osiągnął przepustowość 52 000 tokenów na sekundę na GPU, co stanowi wynik 2,7 razy wyższy niż w poprzednim rozwiązaniu.

Olmo-core 3 łączy techniki równoległości ekspertów, potokowej oraz rozproszonego optymalizatora, co ogranicza konieczność przechowywania pełnego modelu oraz stanu treningu w pamięci pojedynczego układu. Rozwiązanie wspiera format liczb MXFP8, który w testach pozwolił na zwiększenie przepustowości o około 21% w stosunku do formatu BF16 przy jednoczesnym obniżeniu szczytowego zapotrzebowania na pamięć ze 103 GiB do 95 GiB. W ramach prac badawczych przetestowano konfiguracje o skali sięgającej 2,38 biliona parametrów. Dokumentacja techniczna zawiera również analizy dotyczące zjawiska „token gerrymandering” oraz wyzwań związanych z równoważeniem obciążenia ekspertów podczas trenowania.

Dla budujących z AI: Badacze zajmujący się skalowaniem modeli MoE mogą sprawdzić kod źródłowy oraz interaktywne demo na platformie Hugging Face. Opublikowany raport nie precyzuje, czy narzędzie posiada natywne wsparcie dla sprzętu innych producentów niż NVIDIA, ani jakie są koszty energii przy długotrwałym trenowaniu modeli o skali bilionów parametrów – te informacje należy zweryfikować przed rozpoczęciem prac nad własną infrastrukturą.

Anthropic uruchamia Claude Frontier Academy

Firma Anthropic zainwestowała 100 milionów dolarów w uruchomienie Claude Frontier Academy, której celem jest przeszkolenie 10 000 inżynierów typu Frontier Deployed Engineers (FDE) do końca 2027 roku. Według ogłoszenia z 2 października, program ma zaradzić niedoborowi wykwalifikowanych pracowników zdolnych do wdrażania rozwiązań opartych na modelach Claude wewnątrz dużych przedsiębiorstw.

Uczestnikami pierwszej kohorty zostali inżynierowie z firm takich jak Accenture, Bain, Capgemini, Commonwealth Bank of Australia, Deloitte, McKinsey, Morgan Stanley oraz Novo Nordisk. Model kształcenia wzorowany jest na praktykach lekarskich: uczestnicy uczą się od praktyków, pracują na realistycznych scenariuszach i przechodzą proces oceny, zanim otrzymają certyfikat.

Proces szkoleniowy składa się z kilku etapów. Program rozpoczyna się od kilkudniowych zajęć stacjonarnych z inżynierami Anthropic, podczas których uczestnicy przechodzą przez symulowane wdrożenie – od wyboru przypadku użycia, przez przegląd bezpieczeństwa, aż po przekazanie systemu do eksploatacji. Po zdaniu egzaminu praktycznego uczestnicy otrzymują odznakę Claude Resident Engineer i rozpoczynają 12-tygodniową rezydencję. W tym czasie prowadzą rzeczywisty projekt wykorzystujący Claude w swojej organizacji, wspierani przez ekspertów Anthropic. Zakończenie rezydencji i ponowna ocena kończą się przyznaniem odznaki Claude Frontier Deployed Engineer.

Udział w programie jest możliwy wyłącznie na drodze nominacji. Obecnie sesje odbywają się w San Francisco, Nowym Jorku i Londynie.

Dla budujących z AI: Program jest skierowany do praktykujących inżynierów oprogramowania, którzy mają doświadczenie w pracy z modelami LLM i potrafią wdrażać je w środowiskach biznesowych. Osoby decyzyjne w zespołach technicznych powinny skontaktować się ze swoim opiekunem klienta w Anthropic, aby zweryfikować kryteria kwalifikacji do nominacji. Ogłoszenie nie zawiera informacji o kosztach udziału w szkoleniu dla poszczególnych organizacji ani o dostępności materiałów szkoleniowych dla firm spoza sieci partnerskiej.

Najczęściej zadawane pytania (FAQ)

Jakie możliwości oferuje połączenie dwóch urządzeń NVIDIA DGX Spark?

Dzięki karcie sieciowej ConnectX-7 i oprogramowaniu NVIDIA Sync Cluster Assistant, użytkownicy mogą połączyć dwie jednostki w klaster. Zapewnia to 128 GB zunifikowanej pamięci oraz obsługę modeli o rozmiarze do 200 miliardów parametrów, co w testach przekłada się na 1,7-krotny wzrost wydajności w porównaniu z pojedynczym systemem.

Kto może wziąć udział w programie Claude Frontier Academy?

Program jest skierowany do inżynierów posiadających doświadczenie w pracy z modelami LLM, pracujących w dużych organizacjach. Udział możliwy jest wyłącznie na drodze nominacji, a sesje szkoleniowe odbywają się obecnie w San Francisco, Nowym Jorku oraz Londynie. Zainteresowani powinni skontaktować się ze swoim opiekunem klienta w Anthropic.

Źródła

• NVIDIA DGX Spark 64GB Gives Developers More Ways to Build and Scale Local AI — 2026-10-02
• How NVIDIA GPUs Help Accelerate OpenAI’s GPT-6 Astra Ultrafast — 2026-10-01
• Open-sourcing AstaBrief, the fast report-generation model in Asta — 2026-10-02
• Introducing Olmo-core 3: Open, scalable training infrastructure for large MoEs — 2026-10-01
• Anthropic invests $100 million to train 10,000 engineers and tackle the enterprise AI talent gap — 2026-10-02

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