Az AWS bejelentése szerint két nyílt forráskódú projektet indított: a Strands Decider 2B egy kétmilliárd paraméteres modell, amely nem hosszú szöveget generál, hanem előre megadott opciók közül választ bizalmi pontszámmal, így modellirányításra, eszközválasztásra, osztályozásra és korlátozó szabályok betartatására használható. A Qwen3.5-2B alapú modellt egy rank-16 LoRA adapterrel finomhangolták, a nyelvi modell fejét egy pontozó fejjel helyettesítve; az AWS szerint a döntési késleltetés mediánja körülbelül 115 ezredmásodperc egy NVIDIA RTX 3090-en, 153 ezredmásodperc kisebb feladatoknál egy Apple M3 gépen, a JevBench teszten pedig 72,3 százalékos pontosságot ért el 231 nyilvános feladaton a v19 jelű változat. A másik, fejlesztői előnézetben elérhető Strands Box egy izolált futtatási környezet ágensekhez, amely operációsrendszer-szintű elkülönítést kombinál a Dogwood nevű nyílt szabálynyelvvel, így meghatározható, milyen parancsokat, Python-kódokat vagy hálózati hívásokat hajthat végre egy ágens, és ez a kontroll a nyelvi modellen kívül, kernel szinten érvényesül.
Az AWS hivatalos blogbejegyzése szerint a vállalat bemutatta a Ray LLM Deep Learning Containers (DLC) multi-node változatát, amellyel egyetlen nagy nyelvi modell két GPU-csomóponton, Amazon EKS-en futtatható egy közös, OpenAI-kompatibilis végponton keresztül. A megoldás külön csomópontra választja szét az előfeltöltési (prefill) és a dekódolási (decode) fázist, így a hosszú, számításigényes promptok nem akasztják meg a már folyamatban lévő kérések token-generálását. Az AWS azt írja, hogy korábban az ügyfeleknek maguknak kellett összeállítaniuk és karbantartaniuk a kompatibilis GPU-függőségi láncot (CUDA-könyvtárak, keretrendszerek), ami jelentős, a modellfejlesztéstől elvonó mérnöki munkát igényelt. A most bemutatott, előre tesztelt és patchelt konténer ezt a réteget automatikusan biztosítja, kiterjesztve a korábbi, egycsomópontos Ray Serve DLC-nél alkalmazott megközelítést a többcsomópontos, szétválasztott (disaggregated) inferenciára.
Az Anthropic ingyenes OSS Scanner nevű szolgáltatást indított, amely a legerősebb modelljeivel, köztük a Claude Mythosszal, rendszeresen átvizsgálja az erre jelentkező nyílt forráskódú projekteket, és automatikusan jelzi, elmagyarázza és javítja a talált sebezhetőségeket. A cég szerint a jelentések pontossága meghaladja a 90 százalékot, de azokat nem ellenőrzi ember, így hibás vagy téves riasztások is előfordulhatnak. Az Anthropic emellett egy hosszú távú Cyber Mission programot is indított: ennek Critical Infrastructure Defense Program nevű ága áram-, víz- és közlekedési hálózatok üzemeltetőinek biztosít hozzáférést Claude-modellekhez, mérnökökhöz és fenyegetéselemzéshez, alapító partnerként a CrowdStrike, a Palo Alto Networks, a Deloitte és a Rockwell Automation vesz részt benne. A The Verge szerint hasonló AI-alapú hibakeresők korábban is találtak már komoly biztonsági réseket, például a májusi, szinte minden Linux-disztribúciót érintő „Copy Fail” hibát, ugyanakkor több projekt, köztük Linus Torvalds csapata és a Google is küzd az AI-generálta hibajelentések hirtelen özönével.
Az Anthropic bejelentette az OSS Scanner nevű, opt-in szolgáltatást, amely legerősebb nyelvi modelljeivel rendszeresen, díjmentesen vizsgálja át a csatlakozó nyílt forráskódú projektek kódját sebezhetőségek után kutatva. A vállalat állítása szerint a Project Glasswing tapasztalatai alapján indították el a szolgáltatást, és a CyberGym nevű akadémiai benchmarkon a nyelvi modellek a tavalyi kevesebb mint 20%-ról idénre 85% fölé növelték a megtalált sebezhetőségek arányát. Az Anthropic közlése szerint fél év alatt több mint 29 000 lehetséges sebezhetőséget találtak, ebből mintegy 6000-et sikerült emberi erővel ellenőrizni, és közel 5000 jelentést küldtek ki még validálás nélkül, mert a karbantartók kifejezetten kérték az összes találatot. A cég a szolgáltatást a Google OSS-Fuzz nevű fuzzoló projektjéhez hasonlítja, és azt a meglévő koordinált sebezhetőség-feltárási (CVD) folyamatuk gyorsított, opcionális kiegészítéseként pozicionálja.
