Grok 4.5 finns nu i GitHub Copilot — välj den i modellväljaren

Build Mode: berätta en idé, få en fungerande webbapp

xAI:s nya Build Mode låter SuperGrok Heavy-prenumeranter bygga webbplatser, spel och dashboards direkt i chatten — utan att installera något. Resultatet kan publiceras via en grok.me-länk eller kopplas till en egen domän.

Berätta en idé för Grok, så bygger det en fungerande version live i din chatt, på webben eller i telefonen.

xAI

xAI lanserar Build Mode som early beta för SuperGrok Heavy-prenumeranter på webben samt i Grok-apparna för iOS och Android. Funktionen tar en textbeskrivning och genererar direkt en fungerande förhandsvisning i konversationen. Användaren kan ändra layout, lägga till funktioner och justera design utan att röra koden — om man inte vill det.

Build Mode riktar sig mot ett brett spektrum av projekt: webbplatser, appar, spel och interaktiva dashboards. Dashboards kan kopplas till externa datakällor och visa levande diagram med filtrerbara vyer. Det är en tydlig utmaning mot verktyg som Replit och Bolt, som hittills dominerat det segmentet av no-code-byggande med AI.

Det som skiljer Build Mode från enkel kodgenerering är att hela livscykeln — från idé till publicerad URL — hanteras i ett och samma gränssnitt. Att publicering via grok.me ingår direkt sänker tröskeln ytterligare. Svenska SuperGrok Heavy-prenumeranter kan använda funktionen via webben och mobilapparna utan några angivna särskilda villkor för den svenska marknaden.

xAI uppger: ny röstmodell slår föregångaren på alla mätta axlar

Grok Voice Think Fast 2.0 resonerar parallellt med att den talar och når enligt Artificial Analysis 82,9 procent på Speech-to-Speech Quality Index — upp från 75,7 procent för version 1.0. I verklig drift ska modellen ha förbättrat försäljningskonvertering hos Starlink.

xAI lanserar Grok Voice Think Fast 2.0 med förbättrad intelligens, transkriptionsprecision och samtalsförmåga. Modellen är tränad med förstärkningsinlärning med fokus på kortare meningar, en fråga i taget och mindre utfyllnad. Det parallella resonemanget sker enligt xAI utan att latensen påverkas.

Siffrorna som xAI presenterar är tydliga men bör läsas med källmedvetenhet: 82,9 procent på Artificial Analysis Overall AA Speech-to-Speech Quality Index mot 75,7 procent för version 1.0, 97,2 procent på Speech Reasoning Big Bench Audio och 95,1 procent på Conversational Dynamics Full Duplex Bench. I A/B-testning hos Starlink uppger xAI att modellen gav en betydande ökning av försäljningskonvertering och en högre andel supportärenden som hanterades utan eskalering — konkreta affärsmått som är ovanliga att se i röstmodellslanseringar.

Modellen utvärderades på 24 språk, men researchen specificerar inte om svenska ingår bland dem eller redovisar separata resultat per språk. För den som bygger röstbaserade agenter eller kundtjänstflöden är det värt att verifiera prestandan på det aktuella målspråket innan modellen sätts i produktion.

NVIDIA visar hur man självhostar en kodassistent som håller koden hemma

Med StarCoder2-7B NIM, NeMo Guardrails och en CI-pipeline kan organisationer köra en AI-kodassistent helt på egna GPU:er. NVIDIA:s guide adresserar tre vanliga invändningar mot molnbaserade alternativ: datakontroll, hallucinerade paketnamn och spårbarhet.

Modellen föreslår kod, men policystyrning, beroendeverifiering, spårbarhet och resultatmätning lever utanför modellen — i system som ingenjörsteam redan litar på.

NVIDIA

NVIDIA beskriver i en detaljerad guide hur en självhostad AI-kodassistent kan sättas upp med StarCoder2-7B NIM som kör kodkompletteringar på organisationens egna GPU:er. NeMo Guardrails lägger till policystyrning — bland annat kan förfrågningar om filer markerade som "endast för mänsklig hantering" nekas automatiskt. CI-steget täcker tester, SAST, hemlighetsskanning, kontroll av hallucinerade beroenden och licensskanning.

Kärnprincipen i arkitekturen är att modellen inte är kontrollplanet. Spårbarhet och mätning av om AI-assisterade ändringar förbättrar eller försämrar defektnivån hanteras av externa system via Prometheus och Grafana. Det är ett mognare angreppssätt än att lita på att modellen själv håller sig inom rätt gränser — och det adresserar direkt de compliance-krav som många organisationer möter när de vill ta AI-kodning till produktion.

Förutsättningarna är minst 24 GB GPU-minne och Python 3.10 eller senare. För svenska organisationer med krav på att källkod inte lämnar det egna nätverket — exempelvis inom offentlig sektor eller försvar — erbjuder upplägget en konkret väg framåt utan att ge upp kodassistentens produktivitetsvinster.