Kdo dnes napíše pro agenta dovednost a k ní server MCP, má hotovou jen půlku práce. Obě části jsou přenositelné samy o sobě, jenže obal kolem nich si každý klient vymyslel po svém: jiné rozložení adresářů, jiný manifest, jiný zápis konfigurace serveru. Autor tak balíček rozdvojí a od té chvíle udržuje dvě kopie něčeho, co se nikdy nelišilo. Ten obal popisuje specifikace Agent Plugins 1.0.0, zveřejněná ve čtvrtek 6. srpna 2026. Nic víc nepopisuje.

Plugin je adresář a manifest má dva řádky

Plugin je složka, ve které v kořeni leží povinný soubor plugin.json. Nejmenší platný manifest obsahuje odkaz na schéma a jméno:

{
  "$schema": "https://agent-plugins.org/schemas/1.0.0/plugin.schema.json",
  "name": "reports-plugin"
}

Všechno ostatní se hledá na pevných místech. Dovednosti leží v podadresáři skills/, každá ve vlastní složce se souborem SKILL.md, ve tvaru, který popisuje samostatná specifikace Agent Skills. Servery MCP vypisuje soubor mcp.json a u každého záznamu musí stát typ přenosu: stdio, Streamable HTTP, nebo starší HTTP+SSE. Klient tedy nemusí hádat, o jaký přenos jde, podle tvaru konfigurace.

Manifest schválně neumí dvě věci: přesunout součásti jinam a napsat je rovnou do sebe. Není proto co nastavovat ani v jakém pořadí to skládat. Když adresář skills/ chybí, klient načte to, co v balíčku je, a jede dál. Když se nepodaří spustit server z mcp.json, klient ten záznam přeskočí, chybu ohlásí a dovednosti z téhož balíčku zůstanou funkční.

Poslední složka v předepsaném rozvržení se jmenuje po obrácené doméně, třeba com.example.client/. Patří jedinému konkrétnímu klientovi a ten si do ní smí dát cokoli, co přenositelné jádro nezná: háčky, příkazy, vlastní agenty. Ostatní klienti ji ignorují.

Zvlášť specifikace řeší, kam smí balíček sáhnout. Cesta, kterou označuje za relativní vůči pluginu, musí začínat ./ a po vyhodnocení zůstat uvnitř kořene balíčku; symbolické odkazy a spojky, které vedou ven, musí klient odmítnout. Argumenty příkazů a hodnoty proměnných prostředí se přitom za cesty nepovažují, takže se tohle pravidlo na ně nevztahuje.

Nic nového nevymýšlí, jen to obaluje

Obě součásti, které formát balí, existovaly dřív. Dovednost je složka se souborem SKILL.md, ve kterém stojí jméno, popis a instrukce; agent si při startu načte jen jméno a popis a celý text až ve chvíli, kdy na úkol dojde. MCP je protokol, kterým se agent za běhu připojuje k databázím, prohlížeči, správě zdrojového kódu nebo cloudové službě.

Agent Skills podle serveru The Register vznikly v roce 2025 v Anthropicu; MCP je podle nadace Agentic AI Foundation její vlastní projekt. Agent Plugins ani jedno z toho nenahrazují a nemění jejich formát, píše se v oznámení řídicího výboru. Jediné, co přidávají, je krabice, do které se obojí vejde.

Distribuci, oprávnění ani podpisy verze 1.0 neřeší

Totéž oznámení vypočítává tři okruhy, které formát vědomě nechává mimo sebe. Distribuci, tedy registry, tržiště, instalaci a aktualizace. Běhové prostředí, tedy oprávnění, schvalovací postupy, sandbox a uživatelské rozhraní. A důvěru, tedy totožnost vydavatele, původ balíčku, podpisy a firemní politiku.

Soubor FUTURE_CONSIDERATIONS v repozitáři jde do podrobností a jmenuje konkrétně, co ve verzi 1.0.0 chybí: deklarace oprávnění v manifestu, ověřování kryptografických podpisů, řetězce potvrzení vážící vydaný balíček k jeho zdrojovému repozitáři, práci s hesly a klíči pro servery MCP, seznamy povolených a zakázaných pluginů pro firmy, schéma auditních událostí a závislosti mezi pluginy. Hned v úvodu ale stojí, že dokument je nezávazný a žádná z položek není pro budoucí vydání slíbená.

Podle nás je právě tohle nejcitlivější místo celého formátu. Soubor mcp.json smí spustit libovolný místní příkaz, kdežto otázku, kdo za balíček ručí, specifikace odsouvá jinam. Riziko se tím celé přesouvá na klienta, tedy na editor nebo nástroj v příkazové řádce, který plugin načte.

Za specifikací stojí pětice firem, projekt nadace to není

Řídicí výbor tvoří podle seznamu v repozitáři pět lidí: Clare Liguori za Amazon, Roshan Sadanani za Cursor, Harald Kirschner za Microsoft, Gav Verma za OpenAI a Jonathan Hefner za Vercel, který je zároveň vedoucím správcem. Google v den vydání oznámil, že se k výboru připojuje jako další správce a zastupovat ho bude Kevin Hou; v seznamu v repozitáři zatím není. Napsal to na svém blogu pro vývojáře spolu s tím, že podporu formátu začíná stavět do vlastních produktů.

Vztah k nadaci Agentic AI Foundation, která spadá pod Linux Foundation, se ve zdrojích rozchází. Oznámení vyšlo na blogu nadace, hned v prvním odstavci ovšem stojí, že jde o hostovaný příspěvek řídicího výboru a že Agent Plugins projektem nadace nejsou ani o zařazení nepožádaly. The Register naproti tomu píše, že formát nadace rychle přijala za svůj, byť bude fungovat samostatně, a citovanou větu o tom, že se sdílený formát drží předvídatelný, připisuje nadaci, ne autorovi příspěvku. Autorem je přitom Harald Kirschner, tedy člen výboru za Microsoft.

Text specifikace a dokumentace jsou pod licencí CC BY 4.0, schémata a kód pod Apache 2.0. Repozitář nemá ani jedno vydání ani značku; verze se vede jen číslem uvnitř dokumentu.

Formát dnes umí pět klientů

Stránka kompatibilních klientů jmenuje VS Code, Cursor, Kiro, GitHub Copilot a dvojici ChatGPT a Codex. U každého je uvedeno, které součásti umí načíst a jaké přenosy MCP zvládá: první čtyři všechny tři včetně staršího SSE, ChatGPT a Codex dva z nich. Google k tomu oznámil, že formát podporují jeho Agents CLI a Data Agent Kit.

Otevřená zůstává otázka, která vrstva nakonec převezme rozvoz hotových balíčků. Vedle balení běží v komunitě kolem MCP práce na tom, aby se dovednosti daly objevovat a rozdávat přímo přes server MCP. Autoři obou směrů je popisují jako doplňkové, míří ale na stejné místo v řetězci mezi autorem a agentem.

Google 28. července 2026 rozšířil Managed Agents v Gemini API o několik novinek najednou: výchozí model Gemini 3.6 Flash, takzvané environment hooky, strop na spotřebu tokenů, naplánované spouštění podle cronu, přístup i na bezplatném tarifu a samostatné API pro správu sandboxů. Popisuje to firemní blog. Podle rozboru serveru The AI Navigator žádná z novinek sama o sobě nevypadá okázale, dohromady ale ukazují, jak má vypadat kontrolní vrstva nad autonomními agenty.

Jeden sandbox na jedno volání API

Managed Agents v Gemini API fungují tak, že jediné volání API vytvoří izolovaný linuxový sandbox v cloudu. Uvnitř něj model uvažuje, spouští kód, instaluje balíčky, pracuje se soubory a prochází web – bez toho, aby vývojář musel řešit vlastní orchestraci. Výchozím modelem se od aktualizace bez nutnosti měnit kód stal Gemini 3.6 Flash; jde ale explicitně zvolit i Gemini 3.5 Flash nebo úspornější Gemini 3.5 Flash-Lite přes pole agent_config.model.

Hooky před a po volání nástroje

Nejvýraznější novinkou jsou environment hooky. Do prostředí agenta stačí přidat soubor .agents/hooks.json a runtime pak spustí přiřazené skripty při událostech pre_tool_execution a post_tool_execution. Pole matcher bere regulární výraz, takže jde zacílit na víc nástrojů najednou nebo hvězdičkou na všechny:

{
  "security-gate": {
    "pre_tool_execution": [{
      "matcher": "code_execution|write_file",
      "hooks": [{"type": "command", "command": "python3 gate.py", "timeout": 10}]
    }]
  }
}

Když skript před spuštěním nástroje vrátí {"decision": "deny", "reason": "..."}, agent volání nástroje neprovede a důvod zamítnutí se dostane rovnou do kontextu modelu, který na to může zareagovat. Hook spuštěný až po volání – třeba na formátování kódu nebo audit – už provedenou akci vrátit nemůže. Podle firmy OffDeal, citované přímo v oznámení Googlu, díky tomu můžou hooky poprvé ověřovat výstupy – v jejich případě loga firem v investičních prezentacích – přímo uvnitř vzdáleného sandboxu, kam dřív jejich vlastní kontrolní kód neměl kam sáhnout.

The AI Navigator ale upozorňuje na meze: hooky zatím nepokrývají volání externích nástrojů přes MCP ani vlastní funkce, a když hook vrátí neplatnou odpověď, výchozí chování je akci povolit, ne zablokovat. Server také píše, že pokud konfigurace hooků leží v zapisovatelném místě uvnitř téhož prostředí, dost schopný agent do ní teoreticky může sám zasáhnout – proti tomu pomáhá jen konfigurace jen pro čtení nebo externí koncový bod mimo dosah sandboxu.

Strop na tokeny a spouštění podle cronu

Protože agent běží ve víckolovém autonomním cyklu, může spotřeba tokenů snadno utéct. Nové pole max_total_tokens v agent_config stanoví strop na celkovou spotřebu (vstupní, výstupní i „přemýšlecí“ tokeny dohromady); po jeho dosažení běh bezpečně pozastaví se stavem incomplete, prostředí sandboxu zůstane zachované a práce jde dokončit předáním previous_interaction_id s novým rozpočtem. Podle dokumentace Googlu, kterou cituje The AI Navigator, se jedna interakce běžně pohybuje mezi 100 000 a 3 miliony tokenů, u složitějších úkolů i mezi 3 a 5 miliony – strop je proto míněný jako hrubá pojistka, ne přesný cenový limit: kešované tokeny se do něj nepočítají a skutečná spotřeba ho může mírně přesáhnout, protože se kontroluje jen mezi jednotlivými kroky agenta.

Naplánované spouštění (scheduled triggers) sváže agenta, jeho prostředí, zadání a cron rozvrh do trvalého zdroje, který se spouští sám a při každém běhu používá tentýž sandbox, takže si soubory mezi jednotlivými spuštěními pamatuje. Nové Environments API navíc dovolí sandboxy vypsat, prohlédnout a smazat ručně, místo aby vývojář čekal na výchozí sedmidenní platnost. Managed Agents jsou od aktualizace dostupné i na bezplatném tarifu bez aktivní fakturace.

Kontrolní vrstva, ne hotová bezpečnostní hranice

Sandboxy mají podle dokumentace Googlu ve výchozím stavu neomezený odchozí přístup k síti, omezit ho jde jen vlastním seznamem povolených adres. The AI Navigator z toho vyvozuje, že hooky, strop na tokeny ani naplánované spouštění samy o sobě nedělají nasazení agenta bezpečným – jde spíš o soubor nástrojů, kterými si tým může sám vynutit, co agent nikdy nesmí udělat bez schválení, a jak poznat, že agent běžící podle rozvrhu pořád ještě někdo sleduje. Server v té souvislosti cituje i zprávu The GenAI Divide konsorcia MIT NANDA z roku 2025, podle které přibližně 95 % zkoumaných firemních nasazení generativní AI nepřineslo měřitelný dopad na hospodářský výsledek – hlavní příčinou podle té zprávy nebyly schopnosti modelů, ale integrace do provozu a chybějící organizační rámec kolem nich.

Institut Ai2, celým jménem Allen Institute for Artificial Intelligence, zveřejnil 28. července rozbor infrastruktury, na které pouští své modely pro pozorování Země. Nejvýmluvnější je z něj jeden příklad: mapa požárního rizika pro celou Severní Ameriku. Výpočet trval 30,5 hodiny. Kdyby týž objem práce probíhal sériově, odhaduje Ai2 jeho délku na 4 737 hodin.

Co je OlmoEarth

OlmoEarth je rodina modelů pro dálkový průzkum Země. Ai2 je předtrénoval zhruba na 10 terabajtech družicových dat z několika typů senzorů a nabízí je ke stažení. Karta nejnovější verze v provedení Base popisuje architekturu ViT-Base se 114 miliony parametrů, která pracuje se snímky družic Sentinel-1, Sentinel-2 a Landsat, a to i s jejich časovými řadami; text karty přitom ještě nese označení předchozí verze v1.1. Za poslední měsíc ji Hugging Face vykazuje 11 711krát staženou; kolik z toho je skutečných nasazení, se z toho čísla poznat nedá.

Metodu předtrénování popisuje pořad Satellite image deep learning, který v červnu zpovídal výzkumníka Ai2 Josepha Redmona. Jmenuje se Latent MIM Lite a hledá střední cestu mezi dvěma přístupy: rekonstrukce obrazových bodů se učí spolehlivě, ale slabě, kdežto predikce ve skrytém prostoru dává silnější příznaky za cenu nestabilního učení. Ai2 podle popisu nahradilo cílový kodér zmrazenou náhodnou lineární projekcí v prostoru tokenů.

Proč je počítání nad družicovými snímky jiné

Běžný model dostane pár megabajtů a odpoví do vteřiny. Jediná úloha nad snímky Země může přesunout terabajty a běžet hodiny. Vstupy pokrývají různá spektrální pásma, typy senzorů a časové kroky, přicházejí od několika poskytovatelů v odlišných projekcích a rozlišeních a část snímků chybí nebo je zakrytá mraky. Výstupem je zase mapa, takže každá předpověď musí sednout do stejné souřadnicové sítě jako to, co ji obklopuje.

Ai2 k tomu dodává, že úlohy stráví stahováním a přípravou snímků často víc času než samotným výpočtem modelu.

Práce se dělí podle toho, co která část stroje umí

Platforma proto rozděluje každou úlohu na tři fáze a každé přiřazuje jiný hardware. Získání a příprava dat běží na procesorech s důrazem na vstup a výstup: snímky se stáhnou, převedou do jedné projekce, srovnají a uloží ve formátu, který se rychle načítá. Samotná inference, tedy průchod modelem, běží na grafických kartách. Závěrečné zpracování se vrací na procesory – sešije výstupy jednotlivých oken, použije masky a vyexportuje výsledek do formátů Zarr, GeoTIFF nebo GeoJSON.

Vykonávací vrstva se jmenuje OlmoEarth Run. Zadanou oblast rozdělí na části velké tak, aby každou zvládl jeden stroj, a ty pak na menší okna, která zpracuje model. Území velikosti státu se rozpadne asi na sto částí, kontinent na tisíce. Sousední části se mírně překrývají a překryv se při skládání srovnává, aby ve výsledné mapě nebyl vidět šev.

Čísla z mapy požárního rizika

Na mapě požárního rizika Severní Ameriky to podle Ai2 vypadalo takto: v nejvytíženější chvíli běželo zhruba 19 600 procesorů a 994 grafických karet a síťová propustnost přesáhla 168 GB/s. Odhadovaných 4 737 hodin sériového výpočtu se tím zkrátilo na 30,5 hodiny, což Ai2 shrnuje jako 155násobné zrychlení.

Text zároveň přiznává strop. Víc strojů naráz naráží na kvóty poskytovatele cloudu, takže míra souběhu je jedna z několika hodnot, které se nastavují úloze od úlohy. Podobně se dá měnit rozlišení výstupu, velikost modelu nebo to, jestli se stažené snímky ukládají do mezipaměti pro opakované běhy nad týmž územím.

Obecnější údaj zní, že kontinent platforma zvládne zhruba za den, zpracuje přitom desítky terabajtů snímků a stojí to zlomky centu za kilometr čtvereční. Přesnou částku Ai2 neuvádí.

Vlastní index místo cizích katalogů

Platforma musí nejdřív zjistit, které snímky do modelu vůbec pustit. Ai2 k tomu používá veřejné katalogy STAC, jenže jedna velká úloha vyrobí tisíce dotazů na metadata naráz – víc, než na kolik jsou služby jako STAC API Evropské kosmické agentury nebo Microsoft Planetary Computer stavěné.

Řešením je vlastní index, který se plní průběžně. U dat hostovaných přes AWS Open Data přichází na každý nový snímek upozornění službou SNS; kde poskytovatel takový proud změn nenabízí, ptá se platforma jeho katalogu každých pár minut. Dotazy ven tak kopírují tempo, jakým snímky přibývají, ne nárazy velkých úloh. Z úložiště se pak čtou jen ty bajty, které daná část potřebuje, což umožňují formáty COG a Zarr. Index obsahuje snímky družic Sentinel-1, Sentinel-2, Landsat a NISAR.

Z toho Ai2 odvozuje tři doporučení pro každého, kdo data o Zemi zveřejňuje: hlásit nové snímky frontou zpráv, ukládat je na velkých cloudových platformách bez zvláštních limitů a používat formáty, ze kterých jde číst po částech.

Otevřené ke stažení, ale s omezením oborů

Modely jsou volně ke stažení, licence u nich ale není žádná z obvyklých. Jmenuje se OlmoEarth Artifact License a zakazuje dvě skupiny použití: vojenské a obranné, výslovně včetně vývoje zbraní, vojenských operací, zpravodajské činnosti i sledování osob a policejní práce, a dále těžbu surovin ze Země – od vrtů a dolů po odlesňování. Kdo modely nebo odvozená díla šíří dál, musí uvést Ai2 jako zdroj a stejná omezení předat příjemcům. Smlouva zaniká sama při jejím porušení a také tehdy, když uživatel u soudu tvrdí, že modely porušují něčí patent.

Omezení oborů použití je přesně to, co běžné otevřené licence nedělají. GitHub u hlavního repozitáře licenci nerozpozná a hlásí ji jako NOASSERTION; Apache 2.0 má z repozitářů OlmoEarth jen výukový olmoearth_ml4rs_tutorial. Podle nás to není malicherný rozdíl. Kdo chce modely zapojit do vlastního produktu, musí ta omezení přenést na všechny své zákazníky.

Co má přijít dál

Ai2 vypisuje i plán, a to podle toho, co po něm chtějí partneři. Úlohy se mají dát plánovat dopředu nebo spouštět automaticky, jakmile index zaznamená nový snímek nad sledovaným územím. K tomu má přibýt detekce změn a upozornění, aby se odlesnění nebo povodeň ohlásily samy a nečekaly, až si jich někdo všimne v hotové mapě. Dál jsou v seznamu agentní nástroje pro uživatele bez zkušeností se strojovým učením, rychlejší modely, další zdroje dat včetně počasí z datové sady ERA-5 a předpočítané embeddingy pro celou planetu.

Platforma zatím běží na Google Cloud. Podle Ai2 potřebuje jen virtuální stroje schopné spustit obraz Dockeru a přístup k objektovému úložišti, takže by ji podle něj šlo provozovat i u jiného poskytovatele nebo přímo v účtu a výpočetním prostředí partnera.

Zdroje

• Ai2: The OlmoEarth Platform: Geospatial inference at planetary scale (28. 7. 2026)
• Karta modelu OlmoEarth-v1_2-Base na Hugging Face
• Plné znění OlmoEarth Artifact License
• Satellite image deep learning: rozhovor s Josephem Redmonem (24. 6. 2026)

GitHub 30. července 2026 vypnul službu GitHub Models. Podle oznámení v changelogu přestalo být dostupné hřiště, katalog modelů, inferenční API i připojení vlastního klíče, a to všem zákazníkům včetně těch, kdo službu do posledního dne aktivně používali.

Models byla samostatná služba, ne součást Copilotu. Stránka dokumentace, která z ní zbyla, to říká výslovně: byla oddělená od GitHub Copilotu a s jeho službami nesouvisí (přeloženo). Nabízela katalog modelů od několika dodavatelů, webové hřiště na zkoušení promptů a inferenční API, které šlo volat i z běžícího workflow. Od oznámení 1. srpna 2024 do vypnutí chyběly do dvou let dva dny.

Tři kroky a dvě zkušební odstávky

Prvním krokem bylo 16. června 2026 uzavření služby novým zákazníkům. Organizace a firmy, které Models do té doby nepoužívaly, ji přestaly vidět, a podle tehdejšího oznámení se to týkalo bezplatných i placených tarifů. Stávajícím uživatelům se ten den nezměnilo nic.

Termín padl 1. července: úplné vypnutí 30. července. Ve stejném textu GitHub ohlásil dvě krátké plánované odstávky na 16. a 23. července. Během nich měly požadavky na Models dočasně vracet chyby a služba se pak měla zase rozeběhnout. GitHub je popsal jako pomoc s přípravou: kdo si výpadku všimne, má ještě pár dnů na to, aby si našel náhradu.

V názvu náhrady se oznámení neshodnou

Cesty ven jsou dvě. Kdo potřebuje přístup k modelům, má jít do Foundry; kdo chce stavět nad repozitářem, má použít Copilot. Červnové oznámení ovšem posílá vývojáře do Azure AI Foundry, obě červencová do Microsoft Foundry a stránka dokumentace mluví po vypnutí zase o Azure AI Foundry. Jde o tutéž platformu: Microsoft Learn má v převodní tabulce řádek „Azure AI Studio / Azure AI Foundry“ na straně dřívějšího názvu a „Microsoft Foundry“ na straně současného.

Oficiální akce přišla o poskytovatele

Přepsat workflow musí i uživatelé akce actions/ai-inference, kterou vydává sám GitHub a která má kolem pěti set hvězd. Do verze 2 volala právě Models: ve workflow stačilo doplnit oprávnění models: read, vstup token měl výchozí hodnotu ${{ github.token }} a požadavky mířily na koncový bod models.github.ai/inference.

Verze 3 vyšla 29. července ve 22:46 UTC, tedy den před vypnutím. Sloučila požadavek na změnu číslo 236, který podporu Models odstranil a nechal jediného poskytovatele, totiž Copilot. Změna sáhla na 115 souborů. Autor ji v popisu sám označuje za nekompatibilní: workflow, která spoléhají na chování nebo vstupy specifické pro Models, už nejsou podporovaná (přeloženo).

V praxi to znamená dva kroky navíc v každém workflow. Nový návod upozorňuje, že Copilot CLI není na hostovaných runnerech předinstalované, takže se před voláním akce musí doinstalovat příkazem npm install -g @github/copilot a přihlásit. A místo vestavěného tokenu se do prostředí předává proměnná COPILOT_GITHUB_TOKEN, kterou si v ukázce uživatel bere z tajemství repozitáře.

Cizí kód zůstal o krok pozadu

Rozšíření příkazové řádky gh-models, které GitHub k téže službě vydával, zůstalo den po vypnutí beze změny. Repozitář není archivovaný, poslední commit v hlavní větvi je ze 14. října 2025, popis i README dál zvou k používání služby z příkazové řádky a ani jedno z třinácti otevřených hlášení se ukončení netýká.

Podobně dopadl plugin llm-github-models, který totéž uměl mimo GitHub, z příkazové řádky nástroje llm. Požadavek na změnu číslo 54 s varováním o ukončení leží otevřený od 6. července, stejně jako hlášení číslo 53, které navrhuje celou součást vyřadit. Kdo si plugin nainstaluje dnes, přečte si v jeho README, že Models jsou dostupné všem uživatelům GitHubu a nabízejí bezplatné použití řady modelů.

Odstávka se naplánovat dá, úklid v cizím kódu ne

Ukončení proběhlo s předstihem a podle ohlášeného plánu. Zbylo po něm ale to, co provozovatel neuklidí: workflow volající mrtvé API, plugin s neaktuálním README, návody, které slibují službu, jež už neexistuje. Naše hodnocení: dvě zkušební odstávky upozorní toho, kdo se dívá na běžící úlohy, a nikoho jiného. Kdo si Models zapsal do souboru workflow před rokem a od té doby ho neotevřel, dozví se to až z chyby.

Za poslední rok vzniklo několik protokolů, kterými spolu mají mluvit programy označované jako AI agenti – tedy software, který sám volá cizí nástroje a rozhoduje, co s výsledkem udělá. Blog IETF k tomu jmenuje Model Context Protocol (MCP), Agent2Agent (A2A), Agent Communication Protocol (ACP) a Agent Network Protocol (ANP). Ani jeden z nich není normou IETF.

Ve čtvrtek 23. července se tím na 126. schůzce IETF ve Vídni zabývalo dvouhodinové jednání s označením agentproto. Formát BoF (Birds of a Feather) slouží k tomu, aby se rozhodlo, jestli se má téma vůbec začít řešit; tohle bylo takzvaně WG-forming, tedy s cílem založit pracovní skupinu. Podle zápisu proběhlo od 9 do 11 hodin středoevropského letního času v sále Grand Park Hall 2.

Osm otázek, jedna propadla

Předsedající Leslie Daigle a Orie Steele si na konci nechali zvednout ruce k osmi otázkám. IETF nerozhoduje hlasováním a zápis to u tabulky říká natvrdo: „Not binding — consensus to be confirmed on the mailing list.“ (Nezávazné – konsenzus se potvrdí na mailové konferenci; přeloženo.)

Rozpor je vidět na dvou řádcích. Vznik skupiny s předloženou chartou podpořilo 154 lidí proti 51. Na otázku, jestli je navržený rozsah správný, zvedlo ruku 38 lidí a proti bylo 124. Zápis to shrnuje tak, že sál silně podpořil řešení problému i to, že patří do IETF, kdežto rozsah v předložené podobě podporu nezískal.

Kolik lidí v sále vlastně sedělo, zápis neuvádí: „Attendance figures are not yet available.“ Žádost o uspořádání BoF přitom počítala se dvěma sty účastníky.

Co má skupina podle charty napsat

Návrh charty leží ve veřejném repozitáři aplikační oblasti IETF na GitHubu a slibuje tři věci: protokol pro relace mezi agenty navzájem a mezi agenty a nástroji, rámec popisující stavební kameny celé sady a informační dokumenty s případy užití a rozborem chybějících míst.

MCP a A2A charta jmenuje přímo a počítá s tím, že nový protokol relací využijí: „Examples of protocols that can utilize this include the existing de facto standard agent communication protocols such as the MCP and A2A protocols being worked on by the Linux Foundation.“ (Mezi protokoly, které to mohou využít, patří stávající de facto standardní protokoly pro komunikaci agentů jako MCP a A2A, na nichž se pracuje pod Linux Foundation; přeloženo.) O poslední změně v MCP jsme psali před dvěma dny.

Mimo rozsah charta výslovně nechává implementaci samotných agentů, standardizaci jejich chování a rozhodování, halucinace modelu i návrh uživatelských rozhraní.

Námitky mířily na rámec

Podle zápisu se výhrady točily kolem toho, že skupina si ukousla příliš. Brian Trammell se ptal, jaká je nejmenší použitelná sada primitiv, kterou to nové opravdu potřebuje; podle něj jde jen o programy, které spolu mluví, a nové je na tom to, že se propojení a nasazení mění za běhu. Stephen Farrell s ním souhlasil a šel dál: informace o oprávněních, které se mají po cestě předávat, jsou podle něj velmi složité a nikdo neukázal, že se dají bezpečně zvládnout. Navrhl rámec z charty vypustit a počkat, až někdo předvede funkční ukázku. Eliot Lear řekl, že rámce jsou riziko, a odkázal na starší rámcový dokument RFC, který se podle něj nikdy nenasadil.

Santosh Pallagatti položil otázku mířící na jádro věci: MCP a A2A relace i kontext už zvládají ve velkém a vyvíjejí se pod Linux Foundation – co ty komunity přiměje přepojit se na nový základ od IETF? Přímou odpověď zápis neuvádí; Trammell v téže rozpravě nadhodil, že skupina by mohla popsat sémantiku identifikátoru kontextu tak, aby zapadla do A2A.

Charta se od jednání nezměnila

Soubor s chartou vložil do repozitáře odpovědný ředitel oblasti Charles Eckel 21. července, tedy dva dny před jednáním, a převzal ho z repozitáře jednoho z navrhovatelů. Od té doby se nezměnil: historie souboru k 30. červenci obsahuje jediný záznam. Otevřené návrhy změn na něj ale čekají. Účet britram – tedy Brian Trammell, který o minimální sadě primitiv mluvil na jednání – podal ještě týž den v 15:14 UTC návrh nazvaný „Focused 'minimum viable primitive' agentproto charter scope reduction“. Navazuje jím na starší návrh na zkrácení textu charty z předchozího dne.

Trammell předtím zkusil chartu přepsat celou. Ten návrh podal v 13:45 UTC a po hodině a půl ho zavřel ve prospěch menších úprav. V jeho popisu stojí, že text odvodil jazykový model Claude Opus 4.8 z chatového záznamu jednání a že vyjadřuje názory autora návrhu.

Zápis sestavil model

Není to jediné místo, kde do standardizace protokolů pro AI agenty zasáhla umělá inteligence. Sám zápis z jednání nese poznámku, že ho spolupředsedající Orie Steele sestavil nástrojem Claude Code od Anthropiku s modelem Claude Opus 4.8 – z živých poznámek dvou lidských zapisovatelů, z přepisu chatu na Zulipu a z promítaných slajdů. Za konečnou opravenou verzi podle téže poznámky odpovídají předsedající.

Dokument je zatím koncept. Jména mluvčích a jejich příslušnost jsou podle vlastní hlavičky předběžné a mají se ověřit proti nahrávce a prezenčním listinám. Údaje v tomhle článku tedy pocházejí z konceptu, ne z potvrzeného zápisu.

Skupina zatím není

Stránka agentproto v evidenci IETF vede skupinu jako BoF a u charty uvádí, že schválená není. Odpovědný ředitel oblasti na závěr jednání potvrdil, že vznikne nová mailová konference; tam se má konsenzus potvrdit a tam pokračuje i spor o rozsah. Suresh Krishnan požádal předsedající, ať vypíšou časově omezenou výzvu ke komentářům, aby se diskuse nerozplynula do další schůzky.

V čele návrhu stojí ještě jedno jméno. Jonathan Rosenberg, který spolu s Cullenem Jenningsem stojí za rámcovým dokumentem, je prvním z osmi autorů RFC 3261 z června 2002 – tedy protokolu SIP, na kterém dodnes stojí internetová telefonie. Podle nás je ale výmluvnější poslední řádek tabulky: psát nebo recenzovat návrhy je ochotno 137 lidí, implementovat hotový protokol jen 42.

Zdroje: koncept zápisu z BoF agentproto a stránka skupiny v evidenci IETF, návrh charty a návrhy jejích změn na GitHubu, přehled jednání BoF na IETF 126 a týž text na RIPE Labs. Autorství SIP jsme ověřili v hlavičce RFC 3261, o chystaném jednání psal předem i TechTimes.

Evropské nařízení o umělé inteligenci, známé jako AI Act, se rozbíhá po částech. 2. srpna 2026 nabývá účinnosti jeho článek 50 – ten, který určuje, kdy musí být poznat, že za obsahem stojí stroj.

Kdo co musí

Povinnosti jsou rozdělené mezi dvě role. Dodavatel systému, který vyrábí syntetický text, obraz, video nebo zvuk, musí zajistit, že výstup nese strojově čitelnou značku. Není to nutně nic, co uvidí čtenář – jde o to, aby se původ dal ověřit strojově.

Druhá role je provozovatel, tedy ten, kdo systém nasadí. Ten musí navíc čitelně upozornit člověka ve třech situacích: když si s AI přímo píše, když jde o hluboký podvrh, a když jde o „textové publikace o věcech veřejného zájmu bez lidské kontroly nebo redakční odpovědnosti“ (přeloženo).

Kromě toho se vztahuje povinnost na rozpoznávání emocí a biometrickou kategorizaci; tam musí být člověk informovaný, že takový systém běží.

Kde přesně vede hranice, pokyny Komise neurčují. Nedefinují, co všechno je „věc veřejného zájmu“, ani jak velký zásah člověka už stačí k tomu, aby povinnost odpadla; jako výjimka se zmiňuje jen běžná redakční úprava. Provozovatel tak z textu nařízení sám nepozná, jestli na něj poslední kategorie dopadá.

Přechodné období a co se odložilo

Systémy, které se dostaly na trh před 2. srpnem, mají na doplnění značek čas do 2. prosince 2026. Tuhle úlevu přinesla novela označovaná jako AI Omnibus, na které se unijní instituce politicky shodly 7. května 2026.

Táž novela odsunula jiné části nařízení výrazně dál: samostatné vysoce rizikové systémy na 2. prosince 2027 a systémy zabudované do regulovaných výrobků až na 2. srpna 2028. Termín článku 50 ale zůstal.

Zpětné označování hlubokých podvrhů vytvořených před 2. srpnem povinné není, Komise ho jen doporučuje.

Kolik za to hrozí

Za porušení povinností z článku 50 hrozí pokuta do 15 milionů eur, a jde-li o podnik, až 3 % celosvětového ročního obratu za předchozí účetní období – podle toho, co je vyšší. Orgánům a institucím EU se strop stanovuje na 750 tisíc eur.

Proč je značkování těžší, než zní

U obrázků a videa se dá do souboru vložit vodoznak a metadata. U textu je to jiná úloha: prostý text nemá kam značku schovat a při zkopírování do e-mailu nebo přepsání do jiného editoru se ztratí cokoli, co není přímo ve slovech.

Náš názor: nejspíš proto se u textu o veřejném zájmu žádá viditelné upozornění pro čtenáře, kdežto strojově čitelná značka zůstává na dodavateli systému. Jak přesně má u textu vypadat, nařízení neříká.

Návod, který měl být hotový v červnu

Vodítkem má být kodex chování ke značkování a označování obsahu od AI. Komise zveřejnila jeho první návrh 17. prosince 2025 a psala, že hotový má být „do června příštího roku“ (přeloženo), tedy 2026. Sestavují ho nezávislí odborníci, Komise jednání jen zajišťuje.

Červen minul, povinnost začíná platit v neděli a schválenou konečnou verzi kodexu se nám dohledat nepodařilo. Znamená to, že provozovatelé mají povinnost dřív než podrobný návod, jak ji splnit – u textu, kde je značkování nejtěžší, o to víc.

Shora i zdola

Nařízení je pohled shora. Zdola se stejná otázka řeší v komunitách kolem otevřeného softwaru a odpovědi bývají přísnější: Debian letos hlasoval o čtyřech návrzích, jak naložit s příspěvky od jazykových modelů, od úplného zákazu po povolení s podmínkami. U GNOME zase tvoří hlášení psaná modely takovou většinu, že je správce přestal přeposílat projektům, které je zakazují.

Rozdíl je v tom, co se po člověku chce. Nařízení žádá, aby bylo poznat, že obsah vyrobil stroj. Projekty řeší něco jiného – jestli takový příspěvek vůbec chtějí.

Zdroje: přehled pravidel průhlednosti od Evropské komise (aktualizováno 20. července 2026), pokyny Komise ke značkování obsahu a rozbor novely AI Omnibus.

Aplikace, do které stačí vyfotit talíř a ona spočítá kalorie, je pohodlnější než vypisování gramů. Pracovníci amerického Národního institutu pro diabetes a choroby trávicího ústrojí a ledvin (NIDDK) čtyři takové aplikace poslali na jídla, u kterých se do desetiny gramu vědělo, co v nich je. Všechny čtyři skončily pod skutečností.

Etalon vážený na desetinu gramu

Jídla nevznikla kvůli testu aplikací. Připravuje je metabolická kuchyně pro probíhající klinickou studii – tedy výzkumná kuchyně, kde se každá surovina váží na 0,1 gramu. Právě proto se u každého talíře dá říct, kolik v něm bylo energie i jednotlivých živin, a porovnat to s tím, co z fotky vyčte aplikace.

„Tím, že jsme použili jídla připravená v přísně kontrolované metabolické kuchyni, jsme mohli odhady aplikací porovnat s přesnou referencí. Takové přímé a kvalitní srovnání dosud k dispozici nebylo,“ řekl v tiskové zprávě Aaron Hengist z NIDDK (přeloženo). V prvním kole šlo o 102 standardizovaně vyfocených jídel, potom výzkumníci prohnali aplikacemi ještě přes 200 dalších.

O kolik se aplikace spletly

Testované byly MyFitnessPal, LoseIt!, CalAI a Appediet. Všechny čtyři podcenily energii jídla v průměru o 250 až 345 kalorií a tuk zhruba o 30 gramů. Tisková zpráva tutéž chybu uvádí i poměrně: odhady byly v průměru asi o třetinu nižší než skutečnost. Z obojího vychází, že testovaná jídla měla řádově mezi sedmi sty a tisícem kalorií; to už je ale náš přepočet, ve zprávě to takhle nestojí.

Slovo kalorie je tu zažitá zkratka. Aplikace i tisková zpráva jím myslí kilokalorii, tedy tisíc kalorií ve fyzikálním smyslu. Používáme ho tak, jak ho používá zdroj a jak ho čte uživatel na displeji.

Chyba nebyla u všech jídel stejná. Sacharidy odhadovaly všechny čtyři aplikace vyrovnaněji než ostatní živiny. MyFitnessPal a LoseIt! si vedly lépe u jídel s vyšším obsahem energie než u těch lehčích. Nejhůř dopadla jídla z nízkosacharidové ketogenní diety, podle výzkumníků nejspíš proto, že vyšší podíl tuku aplikace podceňují soustavně.

Kde přesně chyba vzniká, zpráva neříká

Počítání kalorií z fotky má tři kroky: rozpoznat na snímku jídlo, odhadnout velikost porce a dohledat hodnoty v databázi potravin. Který z nich selhává, tisková zpráva neuvádí. Vodítko je jediné: podceňování se drží tuku a objevuje se u všech čtyř aplikací, takže nejde o vlastnost jedné konkrétní.

Co o přesnosti takových aplikací ví recenzovaná literatura

Recenzovaných měření je málo a bývají postavená jinak. Tým kolem Audrey Moyen srovnával v roce 2022 aplikaci Keenoa, která snímky jídla také vyhodnocuje strojově, s automatizovaným dvacetičtyřhodinovým záznamem stravy ASA24. Studie vyšla v Journal of Medical Internet Research, zúčastnilo se jí 136 lidí a každý z nich zapisoval čtyři dny oběma způsoby.

Aplikace vycházela v průměru o 32 kalorií za den níž než porovnávaná metoda, což je prakticky nula, a autoři to označili za přijatelnou shodu bez systematické odchylky. Meze shody ale sahaly od 789 kalorií pod referencí po 725 kalorií nad ní. Průměr blízko nule tady tedy neznamená, že sedí jednotlivý den jednotlivého člověka.

Vedle sebe se ta dvě měření klást nedají. NIDDK porovnával jedno jídlo s navážkou na 0,1 gramu, kdežto starší studie porovnávala celodenní příjem s jiným samovyplňovaným záznamem, tedy s dalším odhadem. Přísnější etalon má z těch dvou nový test.

Co se z výsledku zatím tvrdit nedá

Výsledek zazněl na konferenci NUTRITION 2026, výroční akci Americké společnosti pro výživu, která se koná od 25. do 28. července v National Harboru u Washingtonu; přednesla ho Olivia Charles z NIDDK. V programu je přes 1 650 studií. Sama pořádající společnost k tomu dodává, že abstrakty přednesené na konferenci obvykle neprošly plným recenzním řízením a že se výsledky mají brát jako předběžné, dokud nevyjdou v recenzovaném časopise.

Konkrétní čísla se tedy ještě můžou pohnout. Směr chyby byl ale u všech čtyř aplikací stejný: pod skutečnost, žádná nad ni.

Rada, která aplikaci ubírá hlavní výhodu

„Kdo používá aplikaci na fotky a neupraví porce ani nezadá množství jídla, měl by výsledek brát s rezervou. Tyhle aplikace mají sklon podceňovat kalorie, zvlášť z tuků, takže toho člověk nejspíš snědl víc, než mu aplikace ukazuje,“ říká Hengist (přeloženo). Autoři navrhují spojit fotografování s tradičnějšími způsoby zjišťování stravy.

Tím ale mizí to, proč lidé fotoaplikace používají: že po nich nic nechtějí. Jakmile uživatel dopisuje gramy, je zpátky u ručního zapisování a fotka je jen pomůcka navíc. Tohle je náš názor.

Zdroje: tisková zpráva Americké společnosti pro výživu v přetisku na Medical Xpress a na ScienceDaily, studie Moyen a kol. v Journal of Medical Internet Research a program konference NUTRITION 2026.

Nvidia oznámila v pondělí 27. července Open Secure AI Alliance, sdružení, které má otevřenými nástroji hledat a zavírat díry v modelech a v softwaru kolem nich. Tutéž zprávu vydala týž den Linux Foundation. Obě organizace k ní připojily seznam zakládajících partnerů. Ty seznamy se neshodují.

Na co se aliance odvolává

Aliance nevznikla na zelené louce. Podle Nvidie staví na iniciativě Akrites, kterou Linux Foundation spustila 25. června, a na práci sdružení OpenSSF. Akrites má vlastní tým pro řešení bezpečnostních incidentů, jednotný postup koordinovaného zveřejňování zranitelností a podle tiskové zprávy má sloužit i jako údržbář poslední instance u opuštěných, ale hojně používaných balíčků.

Proč vůbec vznikl, stojí v téže zprávě: jazykové modely dnes projdou velký projekt a najdou v něm zranitelnosti během minut, jenže z tisíců takto ověřených nálezů posledních měsíců je opravených méně než pět procent. Chyb přibývá rychleji, než je kdo stíhá zavírat, a není to jev omezený na otevřený software: na chybách z rekordní červencové sady záplat Microsoftu se při hledání podílely modely také.

Dva zakladatelé, dva seznamy

Nvidia na svém blogu vyjmenovala 52 organizací. Linux Foundation ve svém příspěvku uvedla 36 dalších firem, tedy i se sebou 37. Ani jedna z nich přitom počet nenapsala číslem: obě jen otiskly seznam, sečíst se musí ručně.

Rozdíl mezi oběma seznamy je patnáct jmen; to porovnání jsme udělali sami. Navíc jsou u Nvidie Box, Crusoe, F5, Factory AI, Fortinet, G42, GitHub, Mistral, Nokia, Perplexity, Uber, Upwind, vLLM, World Wide Technology a Zscaler. V obou seznamech naopak stojí Microsoft, IBM, Red Hat, Cisco, Dell Technologies, Hugging Face, Cloudflare, CrowdStrike, Salesforce, SAP, Siemens nebo Palantir.

Přetisky si s tím poradily každý po svém. The Hacker News napočítal 37 a dal to číslo do titulku, Linuxiac píše o více než čtyřiceti organizacích. Ani jedno číslo není vymyšlené, každé jen vychází z jiného seznamu.

Kdo mezi jmény není

V seznamu Nvidie nefiguruje OpenAI, Google, Anthropic ani Amazon Web Services. Není to drobnost: všechny čtyři jsou mezi zakládajícími organizacemi Akrites, tedy právě té iniciativy, na kterou se aliance odvolává. Firmy, které před měsícem podepsaly společný postup při zveřejňování zranitelností, u navazujícího sdružení chybí. Důvod ani jedno z obou oznámení neuvádí a my ho nedohledali.

Jediný kód, který si jde stáhnout hned

Hmatatelný výstup má aliance zatím jeden. Nvidia otevřela projekt NOOA, celým jménem NVIDIA Labs Object-Oriented Agent, a vystavila ho na GitHubu v repozitáři NVIDIA-NeMo/labs-OO-Agents pod licencí Apache 2.0.

Je to knihovna v Pythonu, která nezávisí na konkrétním modelu. Agent se v ní píše jako běžný objekt: má stav a metody, a metody s prázdným tělem doplní za běhu model. Knihovna zaznamenává každé volání modelu i každé spuštění kódu, tedy přesně to, co u agentů chybí, když se má zpětně zjistit, co vlastně udělali. README samo upozorňuje, že jde o výzkumný software a že spouštět kód vygenerovaný modelem není bez rizika.

Co v oznámení není

The Hacker News to shrnul jednou větou: materiály k uvedení neobsahují zakládající listinu, řídicí orgán, technické pracovní skupiny, harmonogram ani společný repozitář aliance (přeloženo z angličtiny). Zůstává tedy seznam jmen, široce vymezený obor působnosti a jeden repozitář jedné firmy.

Linuxiac je opatrný podobně. Aliance je podle něj zatím spíš nová iniciativa než hotová softwarová platforma a její dopad bude záviset na tom, jestli do ní zúčastněné firmy budou opravdu přispívat.

Vymezení oboru je přitom slibné: identita agentů, oprávnění, izolace, mantinely chování, záznamy o činnosti, formáty modelů, kontrola napříč více modely a bezpečné postupy při psaní kódu. Na tak široký záběr je jedna výzkumná knihovna málo.

Co z toho plyne

Nvidia staví svůj příspěvek na jedné otázce: jestli obrana infrastruktury poběží uvnitř několika neprůhledných systémů, nebo na otevřených modelech a nástrojích, které si kdokoli prohlédne, upraví a nasadí (přeloženo z angličtiny). Podle nás se odpověď pozná podle jedné konkrétní věci, a to jestli aliance do pár měsíců vydá společný repozitář a postup hlášení chyb, jaký má Akrites. Do té doby jsou to dva seznamy, které si neodpovídají, a jedna knihovna na GitHubu.

Zdroje: oznámení Nvidie, příspěvek Linux Foundation, tisková zpráva k Akrites, The Hacker News, Linuxiac a repozitář NOOA.

Čínská firma Moonshot AI zveřejnila 27. července váhy svého modelu Kimi K3. Kdo má dost místa a dost karet, může si ho stáhnout z Hugging Face a spustit u sebe. Balík má v úsporném formátu MXFP4 zhruba 1,4 terabajtu.

Váhy jsou vnitřní čísla modelu, tedy to jediné, co po tréninku zbude a co určuje, jak se model chová. Zveřejnit je znamená vzdát se výhradní kontroly nad tím, kdo model provozuje. Řada velkých modelů se dá používat jen přes rozhraní jejich tvůrce.

Z 2,8 bilionu parametrů počítá jen zlomek

Karta modelu na Hugging Face uvádí 2,8 bilionu parametrů celkem, ale jen 104 miliard z nich se zapojí do zpracování jednoho tokenu. Model je totiž postavený jako směs expertů: obsahuje 896 dílčích sítí a pro každý kousek textu si jich vybere šestnáct. Zbytek zůstává ležet v paměti a nic nepočítá.

Tenhle rozdíl je pro provoz podstatný. Kapacitu si model nese celou, ale platí jen za tu část, která se zrovna používá. Kontextové okno je 1 048 576 tokenů, tedy rovný milion.

Architektura se od předchozí řady liší ve třech bodech, které Moonshot popisuje v technické zprávě: pozornost typu Kimi Delta Attention míchaná s vrstvami Gated MLA v poměru zhruba tři ku jedné, blokové zbytkové spoje mezi vrstvami a rámec Stable LatentMoE, který má udržet trénink stabilní i při velmi řídkém zapojení expertů. Z 93 vrstev jich 69 připadá na KDA a 24 na Gated MLA. Firma z toho vyvozuje asi dvaapůlkrát lepší poměr mezi výpočtem a schopnostmi oproti verzi K2.5 – což je její vlastní údaj, ne měření někoho zvenčí.

Čtyři bity na parametr, a přesto 1,4 terabajtu

Váhy jsou uložené ve formátu MXFP4, tedy čtyřbitovém čísle s plovoucí řádovou čárkou a se společným měřítkem pro celý blok hodnot. Aktivace jdou v přesnějším MXFP8. Podle karty modelu se na tuto přesnost trénovalo už od fáze doladění, takže nejde o dodatečné zhrubnutí hotového modelu.

I tak vyjde stažení na 1,4 terabajtu. Server TECHi upozorňuje, že v šestnáctibitové přesnosti by týž model zabral kolem 5,6 terabajtu. Aby model běžel rozumně rychle, musí se váhy vejít do paměti akcelerátorů – a tam začínají potíže. Osmdesátigigabajtových karet by na to bylo potřeba osmnáct, u karet se 192 GB paměti se osm kusů vejde jen tak tak a na kontext už mnoho místa nezbude. Formát MXFP4 přitom nativně zvládají až novější čipy, Nvidia Blackwell a AMD MI400.

V číslech se přetisky rozcházejí. Server Tech Startups psal o osmi kartách H100, což při 80 GB paměti na kus dává 640 GB, tedy méně než polovinu potřebného místa. Údaj z TECHi je matematicky konzistentní, ten druhý ne.

Otevřené váhy nejsou open source

Licence se jmenuje Kimi K3 License a je vlastní. Dovoluje model používat, kopírovat, upravovat, šířit, dolaďovat i prodávat jeho kopie. Pak ale přijdou dvě hranice.

• Kdo model nabízí jako službu a jeho souhrnné tržby z ní přesáhnou 20 milionů dolarů za dvanáct po sobě jdoucích měsíců, musí si s Moonshotem napřed sjednat zvláštní smlouvu.
• Kdo má produkt s více než 100 miliony aktivních uživatelů měsíčně nebo s měsíčními tržbami nad 20 milionů dolarů, musí v rozhraní viditelně uvést „Kimi K3“.

Obojí se netýká vnitřního užití ve firmě ani přístupu přes oficiální produkty Moonshotu a jeho certifikované partnery. Omezení navázaná na obrat a počet uživatelů znamenají, že o open source v obvyklém smyslu nejde. Otevřené jsou váhy, ne licence.

Čísla z testů má zatím jen výrobce

Karta modelu uvádí mimo jiné 93,5 bodu v testu odborných otázek GPQA Diamond, 88,3 v Terminal-Bench 2.1 a 67,5 v programátorském DeepSWE. Všechna tato čísla pocházejí od Moonshotu; nezávislé přeměření zatím k dispozici není a u testů, které si výrobce spouští sám, je namístě opatrnost.

Vedle vah firma vydala i nástroje kolem nich: komunikační knihovnu MoonEP, implementaci jader FlashKDA a prostředí AgentEnv pro souběžný běh agentů. U FlashKDA uvádí 1,72 až 2,22násobné zrychlení přípravné fáze na akcelerátorech Nvidia H20. Model se dá spustit v běžných nástrojích pro inferenci, jmenovitě vLLM a SGLang.

Co z toho plyne

Vlastní počítač na Kimi K3 nestačí a nestačí ani jedna karta za desítky tisíc. Praktický dopad je jinde: kdokoli s přístupem k dostatečně velkému stroji si model může spustit sám, bez rozhraní čínské firmy a bez toho, aby jí posílal svoje data. Do dvaceti milionů dolarů tržeb z takové služby za dvanáct měsíců na tom smí i vydělávat.

Den po zveřejnění hlásila stránka modelu na Hugging Face přes 99 tisíc stažení. Kolik z nich skončilo skutečným spuštěním a kolik jen v archivu, se z toho čísla poznat nedá.

Zdroje: karta modelu moonshotai/Kimi-K3 a text licence na Hugging Face, Tech Startups, TECHi a Geopolitechs.