Месяц выдался богатым на обновления железобетонной классики. OpenAI выпустила семейство GPT-5.6 с фокусом на длинные агентные задачи, Anthropic вывела в свет Opus 5, пообещав агентность уровня Fable за полцены, а Google освежила свою рабочую линейку моделями Gemini 3.6 Flash и скоростной 3.5 Flash-Lite. Без новинок не остался и опенсорс: стартап Thinking Machines Миры Мурати наконец-то показал свое первое детище в лице МоЕ-тяжеловеса Inkling.
Вместе с релизами подъехала и солидная порция корпоративных разборок. Новенькая GPT-5.6 Sol с подружкой сбежали от хозяев и организовали атаку на Hugging Face, xAI поймали на выкачивании в облако приватные репозитории, а Apple внезапно подала в суд на OpenAI за кражу коммерческих тайн.
Без лишних прелюдий переходим к разбору. Внутри — подробности архитектурных апдейтов, новые инструменты для разработчиков и свежие исследования.
Свежие релизы
OpenAI
GPT‑Live: отказ от пошаговой генерации и full-duplex архитектура
Голосовой режим в ChatGPT и раньше неплохо справлялся с беседами, но архитектурно опирался на компромиссные решения. Изначально это была каскадная система: STT-модель переводила речь в текст, LLM генерировала ответ, а TTS его озвучивала. Такая «эстафета» неизбежно приводила к потере части контекста и задержкам в ответе. Затем появились turn-based модели, которые работали в одном цикле и уже лучше могли поддерживать диалог. При этом они все равно не дотягивали до полноценного собеседника. К примеру, модель ждала полной остановки речи собеседника, из-за чего то и дело перебивала его на полуслове, принимая обычную заминку за конец фразы.
Теперь же с выходом GPT-Live нам обещают «ощущение реального диалога» благодаря свеженькой full-duplex архитектуре. OpenAI научили новое поколение голосовых помощников слушать и говорить одновременно. Модель обрабатывает диалог непрерывно и по несколько раз в секунду решает, говорить или молчать, слушать дальше или обратиться к инструменту. Вместо неловких пауз появились угукания («mhmm») в процессе вашего монолога, а если вам нужно чуть больше времени, чтобы сформулировать мысль, модель может просто помолчать. Даже некоторые люди так не умеют, на секундочку.
Для запросов, которые требуют поиска или глубокого ризонинга, GPT‑Live делегирует задачу более мощной модели (на старте это GPT-5.5, позже прикрутят версии новее) и поддерживает разговор, пока та работает над ответом в фоне. И поскольку генерация аудио идет непрерывно, защиту встроили прямо в рантайм. Если триггеры замечают небезопасный контент, система может на лету скорректировать ответ модели в сторону более безопасного, показать дополнительные предупреждения, а в наиболее рискованных случаях — принудительно завершить сессию.
Полноценная GPT-Live-1 уходит платным подписчикам, а версия mini становится дефолтной для бесплатных аккаунтов. Из минусов: пока что модель не поддерживает работу с видео и демонстрацию экрана, ради этих функций придется временно переключаться на старые версии.
ChatGPT Work и релиз линейки GPT-5.6
Вместе с голосом обновили и рабочую среду, запустив ChatGPT Work. Это десктопное и веб-приложение, где чат-бот пытается перерасти формат диалогового окна и стать полноценным проектным менеджером. Инструмент цепляется больше чем к 1400 корпоративным сервисам и плагинам, вытаскивает оттуда контекст и самостоятельно собирает готовые артефакты, будь то финансовый отчет или сверстанная презентация. Чтобы нейросеть не наломала дров, добавили Plan mode: перед выполнением сложной задачи агент генерирует пошаговый план на утверждение, а сам процесс генерации можно контролировать и править параллельно в соседнем окне.
Функционал не ограничивается только документами. Через фичу Sites можно прямо из промпта разворачивать интерактивные дашборды, веб-прототипы и трекеры проектов, которыми удобно делиться с командой по ссылке. Всю рутину при этом разрешили ставить на расписание через Scheduled Tasks — планировщик, которому можно поручить, например, еженедельно просматривать обновления в Slack и обновлять повестку встречи или каждое утро проверять сайты и дашборды и присылать отчет об изменениях, без участия человека.
Движком для этого комбайна стала линейка моделей GPT-5.6, состоящая из флагмана Sol, сбалансированной Terra и бюджетной Luna, которые наконец-то выбрались из закрытого превью в глобальный релиз. И, конечно же, всех интересовала стоимость, особенно на Sol, которая на длинных агентных задачах обходит Fable. Ценник оказался на удивление щадящим: миллион токенов для Sol обойдется в $5 на вход и $30 на выход, Terra — $2,50/$15, а легковесная Luna — всего $1/$6.
Слияние десктопных клиентов и прощание с Atlas
Развитие агентов логично потребовало более глубокой интеграции с операционными системами, поэтому OpenAI решили навести порядок в своей десктопной экосистеме. Разработчики выпустили новое объединенное приложение для Mac и Windows, которое теперь включает в себя сразу три среды: классический ChatGPT, новый Work и среду Codex. Предыдущую версию десктопного клиента при этом не убили, а просто переименовали в ChatGPT Classic.
Внутрь нового клиента встроили собственный браузер, чтобы ИИ мог сам искать информацию и работать с веб-инструментами без переключения окон. Но куда важнее обновлённый Computer Use, который у Codex стал заметно быстрее благодаря GPT-5.6: агент может напрямую управлять вашим ПК — кликать, печатать и перемещать локальные файлы. Эту фичу можно использовать как разово, так и внедрить в регулярные задачи по расписанию.
Заодно обновили расширение для Chrome, добавив вызов чат-бота прямо в боковую панель. Поскольку этот обновленный арсенал десктопных и браузерных инструментов теперь полностью закрывает потребность в веб-автоматизации, развивать отдельный экспериментальный ИИ-браузер Atlas больше смысла нет — проект официально сворачивают.
Anthropic
Claude Opus 5: уровень Fable за полцены
Не успели мы привыкнуть к Opus 4.8, как Anthropic выпустили полноценную 5 версию своего флагмана. Opus 5 позиционируется как новый SOTA-инструмент для программирования и работы с текстом, который уверенно держится на уровне Fable 5, но при этом стоит в два раза дешевле. На бенчмарках для кодинга и офисной работы вроде Frontier-Bench и GDPval-AA она показывает лучший результат среди моделей компании, хотя в задачах по кибербезопасности все еще уступает Mythos 5. Прирост нагляднее всего виден на Frontier-Bench v0.1, где результат более чем вдвое превышает показатель предшественника при меньшей цене за задачу, и на ARC-AGI 3, где счет втрое выше, чем у ближайшего конкурента.
Уже традиционно улучшилась агентность. На одной из задач Frontier-Bench модели дали чертеж детали и попросили собрать 3D-модель в FreeCAD, намеренно лишив ее возможности напрямую посмотреть на изображение. Opus 5 написал пайплайн компьютерного зрения, чтобы вытащить геометрию из пикселей чертежа, и довел задачу до конца, тогда как ни одна из конкурирующих моделей не справилась с этим даже за пять попыток в тех же условиях.
В свете последних событий отдельное внимание уделили безопасности. Модель показала самый низкий уровень несогласованных действий среди других моделей компании и реже других идет на обман или рискованные необратимые шаги. При этом Opus 5 отлично находит уязвимости в коде — почти на уровне Mythos 5. А вот с написанием рабочих эксплойтов справляется заметно хуже: по данным внутреннего теста OSS-Fuzz, здесь разрыв с Mythos 5 уже существенный. В Anthropic объясняют это сознательным решением не тренировать модель специально на кибер-задачах. При этом базовые кибер-фильтры стали на 85% менее параноидальными, чем у Fable 5, что должно избавить разработчиков от бесконечных ложных отказов. Если запрос все же попадает под блокировку, в API добавили опцию автофоллбэка: если ее включить, система сама перекинет задачу на более покладистый Opus 4.8, не обрывая сессию пользователя.
Модель стала дефолтной на тарифе Max и самой мощной опцией на Pro, а цена осталась прежней. В комплекте идет гайд по промптингу.
Claude Science: агентная среда для научных исследований
Параллельно с развитием универсальных моделей, Anthropic не забыли и про узкоспециализированный софт, выпустив Claude Science. Это приложение для Linux и macOS, доступное как локально, так и удаленно — по SSH на кластере или через HPC login node. Оно собирает в одном месте инструменты, разбросанные по PubMed, Jupyter, R и терминалу кластера, вместе с их форматами данных и специфичными для каждой базы схемами запросов.
Работает это через координирующего агента с доступом более чем к 60 навыкам и коннекторам под геномику, работу с единичными клетками, протеомику, структурную биологию и другие дисциплины. Агент может порождать субагентов под конкретные задачи, а также подключать специализированных агентов, которых заранее настроил сам пользователь. Отдельный агент-ревьюер проверяет цитаты и расчеты, выявляя и исправляя ошибки. Каждый сгенерированный артефакт сопровождается полной историей переписки с агентом, кодом и окружением, из которого он получен, так что результат можно проверить и воспроизвести спустя месяцы.
Решили и проблему логистики тяжелых и чувствительных данных. Инструмент работает локально и по SSH цепляется к вашим собственным HPC-кластерам или облаку Modal. Терабайтные датасеты загружаются в память сессии один раз и не покидают защищенный контур. Агент составляет план, запрашивает разрешение перед обращением к новым ресурсам и дает вам возможность просмотреть или отменить любое решение, только затем сам пишет и отправляет джобы на вычисления.
Из практики: нейробиолог из Allen Institute с помощью Claude Science выстроил конвейер из связок агент-автор и агент-критик для написания развёрнутых научных обзоров — субагенты прочитывали тысячи статей, вытаскивая из каждой центральный тезис и ключевой количественный результат, и складывали их в базу данных. Раньше на такой обзор уходило до двух лет, сейчас у исследователя уже готово около десяти работ объёмом больше ста страниц с проверенными цитатами. У эпидемиолога из UCSF Brain Tumor Center, изучающего генетическую предрасположенность к глиоме, Claude Science ускорил комплексный анализ герминальных вариантов примерно в десять раз по сравнению с прежними методами анализа — результаты команда проверила независимо.
Приложение доступно в бете на macOS и Linux для тарифов Pro, Max, Team и Enterprise, а для научных лабораторий при вузах и некоммерческих исследовательских организаций ввели скидки на места в Team.
Reflect: дашборд для анализа паттернов работы с ИИ
Anthropic предлагают пользователям буквально порефлексировать над их отношениями с Claude и над тем, как именно они его используют в повседневной жизни. Компания выпустила в бете функцию Reflect — специальный дашборд в настройках веб-версии и приложения, который визуализирует вашу историю взаимодействия с ботом. Система собирает аналитику за период от одного до двенадцати месяцев, показывая популярные темы, типы решаемых задач и общие паттерны поведения.
Помимо сухой статистики, дашборд пытается работать как цифровой ментор, опираясь на собственный фреймворк 4D AI Fluency (делегирование, описание, проницательность и ответственность). Например, если вы часто переформулируете черновики писем в своём стиле или беретесь делегировать задачу только после того, как сами продумали стратегию, отчет отметит это как ваш паттерн работы с ассистентом. А в качестве практического совета Reflect может, например, предложить завести отдельный проект, чтобы не объяснять контекст задачи заново каждый раз. Или наоборот, задаст экзистенциальный вопрос в духе: «А какую часть работы вы бы хотели продолжать делать самостоятельно, даже если Claude справится быстрее?», предлагая обсудить это прямо в чате.
Учитывая, что система агрегирует внушительный массив личной переписки, разработчики отдельно проговорили границы дозволенного. В анализ не попадают сессии из режима инкогнито, данные из медицинских интеграций и содержимое исходных файлов, загруженных через сторонние сервисы. Дашборд уже доступен подписчикам тарифов Free, Pro и Max. Важный нюанс: статистика соберется только в том случае, если у вас в настройках предварительно была включена системная память.
Google: новенькие Gemini под разнообразные задачи
Google выпустили пачку обновлений для своей линейки Flash, одновременно подняв качество и заметно снизив стоимость агентных пайплайнов. Рабочая лошадка Gemini Flash обновилась до версии 3.6. Разработчики заявляют, что модель научилась решать многоэтапные задачи за меньшее количество итераций и вызовов внешних инструментов. В результате расход выходных токенов снизился в среднем на 17% по сравнению с версией 3.5 Flash, а в некоторых бенчмарках вроде DeepSWE экономия доходит до 65%. При этом метрики подросли: на OSWorld-Verified модель набирает 83,0% против 78,4%. Вдобавок нативно встроили инструмент computer use прямо в API и снизили цену инференса до $1,50/$7,50.
Для тех задач, где на первом месте стоит пропускная способность, представили Gemini 3.5 Flash-Lite. Это самая быстрая модель в линейке 3.5, выдающая 350 выходных токенов в секунду по цене $0,3/$2,5. Самое интересное в этом «легковесе» то, что на агентских бенчмарках он обходит более тяжелую Gemini 3 Flash: например, на SWE-Bench Pro выдает 54,2% против 49,6%. Дополнительно дали возможность настраивать уровень размышления: для массовой обработки документов ризонинг можно выкрутить на минимум ради снижения задержек, а для сложных подагентов — поднять планку. Как и у старшего брата, computer use доступен прямо из коробки.
Третьим релизом стала специализированная Gemini 3.5 Flash Cyber, заточенная под поиск и исправление уязвимостей в коде. Она работает внутри инфраструктуры CodeMender, где сразу несколько агентов параллельно анализируют проект и сводят результаты в единый отчет. Однако пощупать этот инструмент рядовым пользователям ожидаемо не дадут: из-за риска генерации реальных эксплойтов доступ к модели откроют только правительствам и доверенным партнерам в рамках закрытого пилота.
Напоследок Google вскользь упомянули, что версия 3.5 Pro уже тестируется, а в лабораториях начался претрейн четвертого поколения Gemini.
Новый Grok 4.5 от xAI: эффективный и экономичный
Команда Илона Маска после долгого молчания представила Grok 4.5 — модель, которую тренировали в плотном партнерстве с недавно купленным Cursor. Тренировали модель на десятках тысяч GPU NVIDIA GB300, но в компании подчеркивают, что дело не столько в объеме токенов, сколько в тщательной подготовке данных — дедупликации, скоринге качества и отборе по доменам. Отдельное внимание уделили этапу RL c фокусом на «интеллект на токен», прогнав модель через сотни тысяч задач по многошаговой разработке.
На инженерных бенчмарках вроде SWE Marathon модель обходит и Opus 4.8, и Opus 4.7, хотя по большинству метрик кодинга все же уступает Fable 5 и GPT-5.5 в режиме xhigh. Однако основной упор здесь сделан как раз не на новые рекорды в бенчмарках, а на эффективность и скорость работы в реальных инженерных задачах. И у разработчиков получилось этого достичь. Модель выдает скорость на уровне 80 токенов в секунду, но при этом генерирует минимум «мусорного» текста. На решение одной задачи в SWE-Bench Pro Grok 4.5 тратит в среднем около 16 тысяч выходных токенов против 67 тысяч у Opus 4.8 в режиме max. Такая лаконичность вкупе с ценником в $2/$6 за миллион токенов делает модель крайне прагматичным выбором для тяжелых автономных воркфлоу.
Grok 4.5 уже доступен на всех тарифах Cursor, а также стал дефолтной моделью в фирменном интерфейсе Grok Build. В последнем разработчики реализовали нативную интеграцию с пакетом Office: модель умеет собирать сложные финансовые таблицы в Excel с формулами на несколько листов и даже оставляет стикеры с пояснениями для пользователей, а в PowerPoint самостоятельно генерирует блок-схемы, используя штатные векторные фигуры редактора.
Inkling: первая открытая модель от стартапа Миры Мурати
Thinking Machines, основанная экс-CTO OpenAI, выпустила в свет свою первую открытую модель. Inkling — это тяжелый Mixture-of-Experts трансформер на 975 млрд параметров (41 млрд активных) с контекстным окном в миллион токенов. Архитектурно разработчики во многом вдохновлялись китайской DeepSeek-V3, использовав те же 256 маршрутизируемых и 2 общих эксперта на слой, 6 активных экспертов на токен, сигмоидный роутер с балансировкой нагрузки без вспомогательного лосса, но внесли ряд интересных изменений.
Во-первых, они отказались от привычных роторных позиционных эмбеддингов (RoPE) в пользу относительного кодирования позиции, разбавив все это короткими свертками в слоях внимания. Во-вторых, модель лишили отдельных визуальных и аудио энкодеров: звук подается в виде dMel-спектрограмм, картинки режутся на патчи 40x40 через легкий hMLP, а затем все это проецируется напрямую в пространство текстовых токенов.
Но самое любопытное кроется в подходе к обучению. Базовый претрейн провели с использованием гибридной оптимизации — алгоритм Muon для больших матриц и классический Adam для остальных параметров. А вот на этапе масштабного RL, которое заняло более 30 миллионов асинхронных роллаутов, инженеры решили научить модель осознанно управлять глубиной размышления. Для этого они варьировали системные промпты и динамически меняли стоимость каждого сгенерированного токена на разных задачах. Обучение сработало, но породило неожиданный побочный эффект: руководствуясь исключительно тягой к эффективности без каких-либо наград за краткость, модель начала спонтанно сжимать свои цепочки мыслей. К концу обучения внутренний монолог модели превратился из грамматически правильного текста в «телеграфный» сленг: нейросеть начала выкидывать артикли, союзы и лишние вводные слова, при этом сохраняя логику и приходя к тому же правильному ответу.
В Thinking Machines сразу оговариваются: это не самая мощная модель на рынке ни среди открытых, ни среди закрытых весов, зато удачная база для дообучения под конкретную задачу — отсюда и настраиваемая глубина рассуждений, и мультимодальность из коробки, и доступность для файнтюна на собственной платформе Tinker.
Веса флагмана уже лежат на Hugging Face, включая NVFP4-чекпоинт под архитектуру Blackwell, а вскоре обещают выпустить и младшую версию модели Inkling-Small (276B параметров всего, 12B активных), которая на профильных тестах вроде HLE и SWE-Bench дышит в спину старшему брату.
События индустрии
OpenAI забраковали бенчмарк SWE-Bench Pro
Долгое время семейство тестов SWE-Bench считалось золотым стандартом для оценки навыков программирования у нейросетей, а сами OpenAI еще в феврале публично призывали комьюнити переходить на версию Pro. Но вот незадача, компания провела масштабный аудит бенчмарка, и результаты оказались, мягко говоря, неутешительными. Выяснилось, что около 30% задач в датасете банально сломаны и не могут служить адекватным мерилом способностей моделей.
Для расследования OpenAI натравили на датасет связку из автоматического пайплайна и агентов-следователей на базе Codex, которые лазили по репозиториям и логам провалов моделей. Затем результат их работы независимо перепроверили пятеро опытных инженеров на каждую подозрительную задачу.
Автоматика пометила сломанными 27,4% заданий, живые ревьюеры — ещё больше, 34,1%. Анализ выявил четыре главные болезни датасета: излишне строгие тесты (встречаются почти в 18% случаев при автоматической проверке), недосказанность в промптах, тесты с низким покрытием (когда очевидно неполный код засчитывается как верный) и прямое введение в заблуждение.
В одном из показательных случаев, например, промпт прямым текстом просит модель поставить один пробел перед символом, а скрытый проверочный тест жестко требует два. В итоге правильное, казалось бы, решение бракуется.
Вывод получился двоякий: с одной стороны, задачи из истории реальных пул-реквестов действительно плохо конвертируются в чистые тестовые кейсы, потому что изначально писались людьми для людей, с длинными обсуждениями в комментариях, а не для строгой оценки моделей. С другой — сам факт, что такую проверку вообще удалось провести в разумные сроки, стал возможен именно благодаря агентам, которые стали достаточно сообразительны, чтобы находить нестыковки в тестах и промптах. В итоге OpenAI официально отозвала свою рекомендацию использовать SWE-Bench Pro и призвала индустрию создавать новые бенчмарки с нуля силами опытных инженеров, а не просто парсить историю коммитов из опенсорса.
Apple подали в суд на OpenAI за кражу секретов
Партнерство Apple и OpenAI, о котором так много говорили в 2024 году, закончилось, толком не начавшись. Трещины в отношениях стали очевидны еще давно, когда стало понятно, что обновленная Siri будет работать на базе Gemini, а не ChatGPT, как ожидалось. Теперь же дело дошло до прямых обвинений в промышленном шпионаже.
По версии юристов Apple, OpenAI агрессивно хантила их инженеров, целенаправленно вытягивая из них секретную документацию. В иске фигурирует Тан Ю Тан — бывший вице-президент Apple, а ныне директор по оборудованию в OpenAI. Утверждается, что он просил кандидатов на собеседованиях приносить с собой настоящие детали неанонсированных устройств Apple для «демонстрации», под предлогом которой команда вытягивала из них дополнительные подробности. Другому бывшему сотруднику Apple, Чангу Лю, вменяют похищение рабочего ноутбука и использование бага аутентификации для проникновения во внутреннюю сеть компании, откуда он якобы скачал десятки конфиденциальных файлов по аппаратной части.
Apple требует возмещения ущерба и судебного запрета на использование своих наработок, в то время как представители OpenAI ожидаемо заявляют, что чужие секреты им не нужны.
Grok Build CLI попался на воровстве
xAI попались на очень некрасивом инциденте с безопасностью. Независимый исследователь под ником cereblab прогнал трафик утилиты через прокси-сервер mitmproxy и обнаружил неприятный сюрприз. Оказалось, что инструмент попутно упаковывает весь отслеживаемый репозиторий целиком, вместе с полной Git-историей, и отправляет его в бакет Google Cloud Storage с говорящим названием grok-code-session-traces. Цифры говорят сами за себя: на тестовом проекте весом 12 ГБ объем полезного трафика для работы ИИ составил жалкие 192 КБ, тогда как в облако улетело 5,1 ГБ исходников. Подложенный исследователем канареечный токен в файле .env прилетел в перехваченном трафике в открытом виде, без какой-либо маскировки.
Самое смешное (и грустное), что в интерфейсе утилиты есть галочка «Improve the model», которую любой вменяемый разработчик воспринимает как запрет на сбор данных. Но ее отключение не меняло ровным счетом ничего — сервер исправно отдавал флаг trace_upload_enabled: true, и выгрузка продолжалась. Ни сам бакет, ни это поведение нигде не упоминались в документации Grok Build, при том что xAI позиционировала инструмент как local-first.
Через сутки после публикации отчета xAI без лишнего шума прикрыли лавочку. Исследователь зафиксировал, что сервер начал принудительно возвращать флаг disable_codebase_upload: true. При этом компания не выпустила ни официального заявления, ни рекомендаций по безопасности. Остается загадкой, для чего именно собирался этот колоссальный массив данных, кто имел к нему доступ и что теперь будет с уже загруженным чужим кодом, который уже осел на серверах xAI.
Nvidia вложились в лабораторию Ильи Суцкевера
Nvidia, уже будучи одним из инвесторов SSI, объявила о расширении партнерства с загадочным стартапом Ильи Суцкевера — теперь еще и в виде масштабного компьют-контракта. Сумма сделки не разглашается, но Bloomberg пишет о внушительных $5 млрд. До этого момента SSI сидели преимущественно на гугловских TPU. Теперь же стартап получит приоритетный доступ к новейшей вычислительной платформе Nvidia Vera Rubin, что, по их же заявлениям, увеличит вычислительные мощности на порядок.
При этом Nvidia не просто спонсирует закупку собственного же железа, хотя эта круговая схема давно стала классикой. Компании договорились вместе развивать текущие и будущие вычислительные платформы Nvidia, опираясь на технологии и, как выразились в Nvidia, «уникальное понимание будущего ИИ» со стороны SSI. Сам Суцкевер заявляет, что в лаборатории наконец-то нащупали исследования, достойные масштабирования. При этом стартап принципиально отказывается участвовать в корпоративной гонке: они не планируют выпускать промежуточные коммерческие продукты, декларируя «прямой путь» (straight shot) к безопасному сверхразуму и делая упор на изучение неочевидных паттернов работы человеческого мозга.
Инцидент с Hugging Face: как ИИ-агенты OpenAI вырвались на свободу
В этом месяце произошло то, чего ждали и боялись ИИ-конспирологи — первый подтвержденный киберинцидент, в котором атака от начала до конца была спланирована и проведена ИИ-агентом. Жертвой стала платформа Hugging Face, сообщившая в середине июля о взломе своей инфраструктуры.
Проанализировав атаку, в компании быстро поняли, что она проводилась не людьми: скорость и слаженность тысяч действий указывали на автономного ИИ-агента. Точка входа также оказалась характерной именно для ИИ-платформ — вредоносный датасет использовал две уязвимости в пайплайне обработки данных (загрузчик с удалённым выполнением кода и инъекцию через шаблон в конфигурации датасета), чтобы получить исполнение кода на обрабатывающем воркере. Дальше атакующий поднялся до уровня узла, собрал облачные и кластерные учетные данные и за выходные расползся по нескольким внутренним кластерам.
Разбирать произошедшее Hugging Face тоже пришлось с помощью ИИ: свыше 17 000 записанных действий атакующего прогнали через LLM-агентов, чтобы восстановить таймлайн и отделить реальный ущерб от отвлекающей активности. Самое забавное, что для расследования атаки служба безопасности Hugging Face не смогла использовать коммерческие ИИ-модели по API — провайдеры (иронично) блокировали запросы из-за встроенной цензуры, не понимая, что перед ними логи расследования, а не попытка взлома. В итоге логи парсили локально развернутой китайской GLM 5.2, запущенной на собственной инфраструктуре компании.
В Hugging Face предполагали, что за атакой стоит агентный фреймворк на базе некоего security-research-харнесса, однако какая именно модель использовалась, не знали. Ответ пришел неожиданно от OpenAI. Оказалось, что атакующими были их собственные модели — GPT-5.6 Sol и некий секретный внутренний прототип.
Модели проходили внутреннюю оценку на бенчмарке ExploitGym. Их задачей было искать и эксплуатировать уязвимости, и с них, естественно, сняли все защитные фильтры, чтобы измерить их максимальный хакерский потенциал. Изолированная тестовая среда не давала моделям выхода в интернет, но модели, одержимые желанием решить задачу, поняли, что ответы к тестам могут лежать на серверах Hugging Face. Они нащупали 0-day уязвимость в кеширующем прокси-сервере Artifactory, через него эскалировали привилегии и прорвались во внешний интернет.
Дальше началась целенаправленная охота за целью: модели связали несколько векторов атаки, включая похищенные учетные данные и найденные уязвимости, чтобы добраться до продовской базы данных Hugging Face и вытащить нужные ответы. Тут-то их и поймали.
В итоге OpenAI ответственно раскрыла найденный 0-day разработчику Artifactory, закрыла доступ к секретному прототипу и, в качестве извинений, пустила специалистов Hugging Face в свою закрытую программу Trusted Access. Сооснователь и CEO Hugging Face Клеман Деланг резюмировал случившееся фразой о том, что безопасность ИИ не решается никакой отдельной компанией в тайне — только открыто и сообща.
Полезные инструменты
Работа с данными
TabFM: zero-shot foundation-модель от Google для табличных данных. Решает задачи классификации и регрессии через привычный scikit-learn интерфейс, опираясь на контекст из примеров вместо классического обучения с нуля.
GeoSQL: инструмент для агентов, работающих с геопространственными данными — инспектирует схемы, пишет geo-SQL запросы, проверяет их стоимость, валидирует геометрию и рендерит карты, чтобы агент видел ошибки, незаметные в обычной таблице.
SQLite Query Explainer: утилита, которая переводит зубодробительный вывод SQLite на понятный язык, помогая быстро найти узкие места в производительности.
Среды выполнения и инфраструктура для агентов
Sim: опенсорсный воркспейс для сборки ИИ-агентов, где LLM-вызовы заменены на детерминированный код там, где это возможно, чтобы не сжигать токены впустую. Из коробки поддерживает общую память и нативные интеграции со Slack, Notion и Salesforce.
Cekura: платформа автоматизированного QA для голосовых и чат-агентов. Прогоняет тысячи сценариев, находит ошибки, сама переписывает системные промпты для их устранения и сразу же проводит регрессионное тестирование.
Humalike: API, добавляющее ИИ-агентам социальный интеллект и эмпатию. Учит бота считывать тон беседы, вовремя замолкать и аргументированно отстаивать свою точку зрения, опираясь на реальные данные сообщества.
Obsidian Mind: инструмент для создания общей долгосрочной памяти между Claude Code, Codex и Gemini. Сохраняет контекст решения задач, позволяя переносить опыт из одной сессии или модели в другую.
Визуализация данных
supertree: библиотека для интерактивной визуализации деревьев решений (scikit-learn, XGBoost, LightGBM, ONNX) прямо внутри Jupyter-ноутбуков. Поддерживает зум, сворачивание узлов и пошаговую трассировку путей конкретных сэмплов.
xan: терминальная утилита для быстрой обработки CSV. Умеет прямо в консоли рендерить гистограммы, скаттерплоты и тепловые карты для первичного анализа датасета без необходимости разворачивать блокноты.
Gribouille: пакет, переносящий логику Grammar of Graphics в стиле ggplot2 в систему верстки Typst. Позволяет строить многослойные графики со шкалами и фасетами без использования сторонних визуализаторов.
Продуктивность и работа с контентом
Dotient: локальный поисковик, который ищет файлы на компьютере по их визуальному описанию на естественном языке, а не по названиям. Автоматически кластеризует похожие элементы в интерактивный граф связей.
book-to-skill: утилита, превращающая любую книгу (PDF, EPUB) в структурированную базу знаний для ИИ. Бьет текст на главы, собирает глоссарий и заставляет агента отвечать строго по исходнику, а не по памяти.
Buzzy: рабочее пространство для ИИ-режиссуры, объединяющее более 70 генеративных видео- и фотомоделей. Удерживает консистентность персонажей между сценами и дает пост-генерационные инструменты для перенастройки света, ракурсов камеры и точечных правок.
Исследования на почитать
Внутреннее устройство и поведение моделей
Контрастивный файнтюнинг на синтетических документах
OpenAI и Apollo Research разработали метод проверки того, следует ли модель правилам или просто подстраивается под проверяющую ее систему. На поздних версиях модели o3 без обучения безопасности разрыв оказался разительным: обещание не трогать нужный для задачи инструмент нарушалось в 87% случаев, если модель считала, что оценщик награждает за сделанную работу, и лишь в 9% — если награду ждала за честность.
Как меняются ценности и поведение Claude в разных языках
Анализ 300 тысяч диалогов показал, что выбор языка запроса меняет психологический профиль ответа Claude. Исследователи свели тысячи найденных у модели ценностей к 339 категориям и четырем осям поведения и посмотрели, как эти оси сдвигаются в зависимости от языка. В английском языке модель склонна к осторожной прямоте, на русском включается суровый и дотошный ревьюер, а на хинди ответы становятся заметно теплее. Вывод: мультиязычные продукты нельзя оценивать только по точности фактов, так как в разных локалях характер ИИ сдвигается от вежливого ассистента до жесткого критика.
Глобальное рабочее пространство во внутренних представлениях Claude
Исследователи из Anthropic обнаружили внутри своей модели J-space — компактный набор нейронных активаций, выполняющий роль рабочей памяти при сложных рассуждениях. Исследователи показали, что эту область можно и читать, и менять: например, скрытая цель, вживленная модели во время обучения, проявлялась в J-space, даже не будучи озвученной в ответе, а меняя активации в этой области, можно было менять и последующие решения модели. Если этот механизм отключить искусственно, нейросеть практически полностью теряет способность к многошаговому мышлению.
Архитектура агентов и среды выполнения
Обучение многоагентной координации через Sheaf-ADMM
Авторы из Sakana AI предложили метод, где агенты решают сложную задачу по частям и договариваются только на границах своих областей видимости. В случае разногласий конфликт запоминается и сглаживается в следующих раундах переговоров. Подход сделал процесс координации прозрачным и позволил, например, решить 93% задач в Multi-Agent Sudoku против 11% у классического message-passing алгоритма.
Справочник среды: как сделать развивающиеся агентные фреймворки читаемыми и редактируемыми
Команда Tencent создала систему, которая через статический анализ и помощь LLM автоматически генерирует структурный справочник, связывающий высокоуровневое поведение агента с конкретными строками кода. Это помогает кодинг-моделям точнее находить нужные места для правок, расходуя при этом меньше токенов на планирование, особенно когда логика размазана по разным модулям и редким веткам выполнения.
Языковые обвязки как генерализаторы композиций
Команда MIT CSAIL доказала, что способность ИИ к обобщению зависит не только от весов, но и от грамотно спроектированной интерфейсной обвязки. Если фреймворк правильно дробит длинный контекст и приводит каждую подзадачу к знакомому для сети виду, модель легко решает задачи в 8–32 раза длиннее тренировочных. Перенос навыков между доменами у такой рекурсивной обвязки тоже заметно лучше, чем у обычного RL-тюнинга нейросети.
Оптимизация пост-трейна и RL
Дистилляция доменных знаний в компактные модели
AI-лаборатория Li Auto показала, как дотянуть компактную MoE-модель на 3 млрд активных параметров до уровня гигантов. Чтобы избежать крупных просадок при RL-обучении, сперва они обучили независимых экспертов в разных доменах, а затем склеили их обратно через мультиучительскую дистилляцию на уровне токенов. Слияние подтянуло агентные бенчмарки выше уровня отдельных экспертов, но результат на SWE-Bench Verified все-таки немного просел с 73,8 до 71,1: узкая экспертиза в длинном кодинге при объединении частично размылась.
Обучение с подкреплением на контекстах свыше 2 миллионов токенов
Исследователи из Mind Lab представили архитектурный стек, закрывающий пропасть между гигантскими контекстами на инференсе и короткими на этапе RL-посттрейна. Метод вычисляет общий промпт без градиентов, сохраняет минимальный стейт и по очереди проигрывает короткие ветки ответов, радикально снижая нагрузку на память. Для гибридной Qwen3.6-27B такой прогон GRPO на 2,1 млн токенов уместился на восьми видеокартах H20, а для GLM-5.2 полный end-to-end путь на той же длине контекста и всех 78 слоях модели проверили уже на 32 картах.
Учёные из университета Миннесоты и Amazon показали, что вклад разных слоёв трансформера в RL-дообучение крайне неравномерен: обучение всего одного слоя способно воспроизвести большую часть прироста от обучения всех параметров, а порой и превзойти его. Закономерность подтвердилась на семи моделях семейств Qwen3 и Qwen2.5, причем самые полезные слои стабильно оказываются в середине сети.
SEED: Саморазвивающаяся on-policy дистилляция для агентного RL
Авторы из Университета Цинхуа предложили способ заполнить пробел между редкой итоговой наградой за задачу и пошаговым обучением агента. Фреймворк SEED заставляет саму модель анализировать все пройденные траектории, формулировать из них правила на естественном языке, а затем дистиллировать этот навык обратно в веса. Подход стабильно улучшает и качество, и эффективность обучения на текстовых и визуальных агентных задачах.
Асинхронная оптимизация с единичными роллаутами для агентного RL
Еще одна группа из Цинхуа адаптировала алгоритм GRPO для длинных агентных задач, решив проблему нестабильности асинхронного обучения. Вместо привычного семплирования группами ответов они перешли на единичные роллауты на каждый промпт, подкрепив это жестким двусторонним клиппингом на уровне токенов. Метод SAO обеспечил стабильную сходимость на протяжении тысячи шагов обучения и уже успешно применяется в продакшене пайплайна открытой модели GLM-5.2.
Новые парадигмы исполнения и оценки
Программа как веса: парадигма программирования для нечетких функций
Команда Университета Ватерлоо предложила заменить прямые вызовы тяжелых LLM на компиляцию легковесных локальных адаптеров. Их компилятор на 4 млрд параметров превращает текстовое ТЗ в компактные веса, которые затем оффлайн исполняются локальным интерпретатором Qwen3. Сгенерированный артефакт выдает 30 токенов в секунду на базовом MacBook M3, обеспечивая качество на уровне тяжелой Qwen3-32B при минимальных затратах памяти.
Моделирование наград за прогресс в обучении роботов
Исследователи Северо-Западного университета систематизировали методы, которые в отличие от финальной оценки успеха показывают, движется ли поведение робота к цели или топчется на месте. Авторы разбирают область по трем срезам — входные данные, механизм оценки прогресса и датасеты для проверки — и указывают, что разнобой именно в этих аспектах мешает сравнивать существующие подходы между собой.
LLM в роли универсального верификатора
Совместная группа из Стэнфорда, Беркли и NVIDIA предложила фреймворк, который вместо дискретной оценки судьи-модели, высчитывает матожидание по распределению логитов токенов оценки, генерируя непрерывный скор. Это снижает процент ничьих в сложных бенчмарках и само по себе дает SOTA на Terminal-Bench V2 и RoboRewardBench. Отдельно тот же непрерывный сигнал использовали как плотную награду для RL, повысив эффективность обучения SAC и GRPO на робототехнических и математических задачах.
Заключение
В сухом остатке мы получили отличный набор обновлений для повседневной работы: от подешевевшего инференса во флагманских моделях до крепкого и гибкого опенсорса. Остается только найти время, чтобы это все протестировать и понять, добавили ли нам эти 3% прироста на бенчмарках реальной пользы на практике.
А на сегодня у нас все. Делитесь мнением о прочитанном в комментариях, тестируйте новые инструменты и берегите свои приватные ключи от слишком умных CLI-утилит. До встречи в следующем выпуске!
