فرمان ۲۹ سپتامبر ۲۰۲۶ کاخ سفید از نهادهای اجرایی آمریکا می‌خواهد در نوشته‌های تازه از «SI» به‌جای «AI» استفاده کنند؛ تعریف قانونی موجود برقرار است و بازنویسی اسناد پیشین الزامی نیست.
Google Research چهار چارچوب پژوهشی برای حفظ پیوستگی شخصیت، صحنه و روایت در ویدئوهای چنددقیقه‌ای معرفی کرده است. این روش‌ها هنوز به‌صورت محصول عمومی عرضه نشده‌اند.
Google در ۲۳ سپتامبر ۲۰۲۶ طرح حافظهٔ پایدار Private AI Compute را منتشر کرد؛ رکوردها در ابر رمزگذاری می‌مانند و کلیدهای دسترسی به دستگاه وابسته‌اند. ممیزی مستقل دامنهٔ این وعده را روشن می‌کند.
در پژوهشی که دانشگاه جورج‌تاون ۲۵ سپتامبر ۲۰۲۶ گزارش کرد، دقت پاسخ به پرسشی دربارهٔ ویدئو پس از خواندن خلاصهٔ گمراه‌کنندهٔ هوش مصنوعی ۴۴٫۸٪ بود؛ این رقم پس از خلاصهٔ درست به ۸۳٫۶٪ رسید.
OpenAI در ۲۲ سپتامبر ۲۰۲۶ مدل‌های GPT-6 Sol و GPT-6 Luna را عرضه کرد. نرخ استاندارد API برای Sol در ورودی و خروجی ۲۰ برابر Luna است؛ انتخاب میان آن‌ها به نوع کار و هزینهٔ رسیدن به نتیجه بستگی دارد.
برای عامل‌های هوش مصنوعی، گیت تأیید را پیش از اجرای ابزار پرخطر قرار دهید. درخواست و وضعیت اجرا را ذخیره کنید تا پس از پذیرش، ویرایش یا رد، جریان با تصمیم انسان ادامه یابد.
اگر اسناد مرتبط در پنجرهٔ مدل جا می‌گیرند، زمینهٔ کامل برای پرسش‌های وابسته به بخش‌های پراکنده نقطهٔ شروع خوبی است. برای مجموعه‌های بزرگ، RAG ورودی را کوتاه می‌کند و گاهی مسیر ترکیبی به‌صرفه‌تر است.
برای پرسش‌های مستقیم، Vector RAG معمولاً انتخاب ساده‌تر و کم‌هزینه‌تری است؛ مزیت بازیابی گراف‌محور زمانی آشکار می‌شود که پاسخ به پیوند دادن چند واقعیت نیاز داشته باشد.
در یک آزمون کنترل‌شدهٔ CLI، Codex کارها را سریع‌تر و بیشتر به‌طور خودکار تکمیل کرد. برای مخزن سازمانی یا کد حساس، شیوهٔ اعمال مجوزها و مرزهای دسترسی نیز در انتخاب میان آن و Claude Code تعیین‌کننده است.
برای ارزیابی RAG، بازیابی شواهد و تولید پاسخ را جداگانه بسنجید. امتیاز خوب پاسخ ممکن است پیدا نشدن منبع لازم را پنهان کند؛ مجموعه‌سؤال ثابت و تحلیل خطا محل اصلاح را نشان می‌دهد.
GPT-6 Sol با نرخ استاندارد توکن ۲۰ برابر Luna هزینه دارد. برای کارهای پرتعداد، Luna معمولاً انتخاب اقتصادی‌تری است؛ Sol زمانی می‌ارزد که نتیجهٔ بهتر، هزینهٔ کل کار پذیرفته‌شده را جبران کند.