Как и ожидалось, после августовского затишья ИИ-лаборатории устроили нам целый хит-парад релизов. Глаза разбегаются от обилия версий, цифр и апдейтов, которыми компании пытаются перебить инфоповоды друг друга. От OpenAI мы получили разрывающую бенчмарки GPT-6 Astra, Sol аж в двух версиях и целую пачку обновлений с прошедшего DevDay. Anthropic выставили в ответ Claude Fable 5.1 и семейства Claude 5.5 в неполном составе. Google же продолжают штамповать Flash-версии Gemini и, видимо, копят ульту под какой-то мощный будущий релиз.
За пределами релизов развернулись сюжеты не менее интересные. OpenAI торжественно объявили о решении задачи Навье-Стокса силами своих агентов, но вместо оваций получили обвинения в краже данных и гнев научного сообщества. Лидер Anthropic тоже получил свою долю хейта, только уже от политиков, за призывы замедлить ИИ-гонку. Дженсен Хуанг тем временем продолжает укреплять свою монополию, на этот раз через покупку Hugging Face.
А в конце выпуска вас ждет наша традиционная сводка полезных инструментов и выжимка свежих научных исследований. Присоединяйтесь, впереди много интересного!
Навигация
Свежие релизы
OpenAI
GPT-6 Astra: разрыв бенчмарков и серверов OpenAI
Руководство OpenAI наконец-то произнесло заветное слово из трех букв. Вышла новая GPT-6 Astra и Грег Брокман заявил, что с ее приходом началась та самая эра AGI. Можно по-разному относиться к подобным заявлениям, но как минимум по цифрам и первым достижениям модель оставляет конкурентов позади. Модель закрыла ARC-AGI-3 с показателем 99,9%, набрала 97,6% на FrontierMath Tier 4 и ExploitBench на все (!) 100%.
В качестве демонстрации возможностей, модель помогла математикам сдвинуть с места две задачи о простых числах, не поддававшиеся десятилетиями. Astra сузила верхнюю границу расстояния между близкими парами простых до 186 (совсем недавно рекордом были 240) и улучшила оценку для больших пробелов между простыми, не менявшуюся свыше 80 лет. О других ее достижениях мы поговорим подробнее в разделе «События индустрии», а пока о самой модели.
В этом релизе разработчики потрудились над механизмом работы с длинным контекстом в Codex. До этого, когда окно переполнялось, модели сжимали историю в краткое саммари, теряя по дороге важные нюансы. Astra вместо этого ведет кросс-контекстные конспекты, не упаковывая всё в один снэпшот. Старые контекстные окна при этом остаются доступны для точечного поиска: при необходимости модель может вернуться и найти нужный кусок переписки или лог инструмента, даже если он не попал в заметки.
Есть и обратная сторона прогресса. Astra стала первой моделью компании, достигшей порога Critical по внутренней шкале угроз, успев во время тестов самостоятельно найти две ранее неизвестные уязвимости нулевого дня в Chrome. Модель лучше контролирует скрытые цепочки рассуждений и успешно маскирует свои шаги от систем мониторинга, если перед ней стоит такая задача. При этом по метрикам следования инструкциям модель ведет себя послушнее предшественницы: она больше не расширяет рамки атак в ханипотах и ни разу не попыталась обойти Codex Auto-Review. В любом случае поверх модели ожидаемо навесили многоуровневый стек защитных мер, поэтому создавать proof-of-concept эксплойты и вообще заниматься опасными киберзадачами Astra в теории откажется.
В API доступ к суперинтеллекту оценили в стандартные для флагманов $10 за миллион входных и $50 за миллион выходных токенов, добавив режим ускоренной генерации Fast mode с двойным тарифом. Однако если вы вдруг решили занести Сэму Альтману 200 долларов за тариф Pro, чтобы пощупать мощь Astra, придется подождать. Спрос на новинку побил все исторические рекорды компании, поэтому компании пришлось временно ставить Pro-подписки на паузу ради спасения серверов и уже имеющихся пользователей.
GPT‑6 Sol и Luna: та же Astra только (в профиль) дешевле
Флагманская Astra — это, конечно, прекрасно, но всё же дороговато и ресурсоемко. И поскольку не на все задачи нужен суперинтеллект по цене почки, OpenAI выпустила более доступные, но не менее способные GPT‑6 Sol и GPT‑6 Luna. Компания перенесла методы обучения Astra на более компактные модели, сохранив заметную часть прироста в работе с профессиональными задачами, кодинге, компьютерном использовании и фактологии. Вдобавок цены в API срезали на 50% по сравнению с промотарифами поколения 5.6: Sol обойдется в $2 за вход и $10 за выход на миллион токенов, а легковесная Luna встанет всего в $0,10 и $0,50.
На тестах модели держатся уверенно относительно конкурентов. На бенчмарке бизнес-процессов AutomationBench модель Sol в режиме xhigh обходит Claude Opus 5, укладываясь всего в 9% его стоимости за задачу. Младшая Luna тоже не отстает и обходит Luna 5.6 при цене на 58% ниже.
Из технических решений интереснее всего доработки кэширования для агентов и долгих диалогов. Раньше повторно используемый контекст всё равно приходилось частично пересчитывать при любом изменении настроек. Теперь же по умолчанию попадание в кэш происходит чаще, а смена уровня ризонинга или набора доступных инструментов больше не сбрасывает накопленный контекст целиком. Сама логика работы с контекстом стала более предсказуемой за счет явных брейкпоинтов: можно вручную задавать, где именно должен заканчиваться кэшируемый префикс. При скидке в 90% на чтение закэшированных входных токенов это существенно удешевляет длинные сессии.
И на десерт забавный факт: модели выпустили в свет буквально через полтора часа после релиза Opus 5.5. Не опять, а снова.
ChatGPT Images 2.5: внимательнее и быстрее
Генератор изображений Images тоже получил небольшое, но полезное обновление. OpenAI обещают, что новая версия 2.5 гораздо стабильнее удерживает черты объектов и геометрию сцены на протяжении всей цепочки правок. Следовать инструкциям модель тоже стала послушнее, меняя только запрошенный элемент и сохраняя оригинальную композицию. Вдвое сократили задержка генерации по сравнению с версией 2.0, а также подтянули аккуратность отрисовки текста и научили движок корректно работать с прозрачными фонами.
Интерфейс самого чата также пополнился парочкой удобных функций. Через команду @sketch можно прямо в диалоге нарисовать черновой эскиз и попросить модель превратить его в готовую картинку, описав детали текстом. Точечные правки теперь можно вносить, добавляя комментарии-метки на конкретные зоны изображения для точечной ретуши. А для типовых задач добавили готовые шаблоны вроде постеров или мерча.
В API модель разделили на две весовые категории по аналогии с текстовыми. Первая — Flare, дефолтная быстрая модель с урезанной на 50% задержкой, заточенная под массовую генерацию и прототипирование. Вторая — Sunburst, версия помедленнее с более тонким контролем над деталями для случаев вроде рекламных кампаний. Обе версии уже раскатываются на всех тарифах с одинаковым ценником: $8 за миллион токенов на вход и $30 на выход.
DevDay 2026: GPT-6.1 Sol, агенты Dots и новая подписка за $500
OpenAI провели ежегодный DevDay. Компания показала более 20 релизов, охватывающих базовые модели, подписки и инструменты разработки. Весь список можно изучить в официальном рекапе, а мы пройдемся по наиболее интересным анонсам.
GPT-6.1 Sol. Апгрейд обычного Sol, который по возможностям в агентном кодинге, использовании ПК и профессиональных задачах почти нагоняет Astra, но стоит впятеро дешевле по стандартному тарифу. Чтение из кэша сбросили до $0,10 за миллион, это на 95% дешевле обычного инпута и вдвое дешевле кэша прошлой версии Sol.
Dots. Постоянно работающие агенты на базе Astra с собственным облачным компьютером, которым можно поручить долгоиграющие задачи вроде мониторинга багрепортов или ведения цикла планирования до дедлайна и оставить работать в фоне. Управлять агентами можно напрямую из ChatGPT, Slack или Teams. Через плагины интегрируются с 4000+ приложениями. Для корпоративного сегмента готовят узкоспециализированных ботов с нативной интеграцией в Microsoft Agent 365.
ChatGPT Space. Командное рабочее пространство, где люди, боты и агенты могут работать вместе. Внутри Space можно тегать базовый ChatGPT, Codex или Dots для внесения правок в код, текст и визуализацию данных. Система умеет забирать информацию из почты, Slack и календарей, позволяя агентам автоматически актуализировать статусы и списки задач по мере изменения исходных планов.
Новый тариф Pro 500 и режим Ultrafast. Слухи подтвердились: появился тариф Pro 500 за соответствующие $500 в месяц. В него включили самые большие лимиты среди всех тарифов и доступ к режиму Ultrafast. В этом режиме модель Astra выдает до 300 токенов в секунду, ускоряясь в 8 раз внутри Codex и в 6 раз через API. Также возобновили продажи тарифа Pro за $200, только вот новым клиентам урезали включенные лимиты использования, сохранив прежний объем запросов только старым подписчикам, и то до конца октября.
Plugin Extensions. OpenAI приоткрыли внутреннюю платформу, на которой строятся собственные фичи ChatGPT, позволив разработчикам нативно встраивать плагины прямо в боковую панель чата. Возможностей набирается прилично: можно открыть приложение на весь экран из сайдбара, вывести панель сбоку от переписки, настроить плагин прямо в ChatGPT, перехватывать открытие специфических файлов через специализированные просмотрщики и редакторы. Опробовать всё это можно на демоплагине Bits & Bolts, который OpenAI обещают держать актуальным по мере выхода новых расширений.
Обновления Codex. Инструментарий для разработчиков получил сразу несколько крупных апгрейдов. Завезли полноценный Codex Cloud — теперь Codex может работать над задачами в облаке вне зависимости от устройства. Подключаете репозитории GitHub, настраиваете окружение, после чего каждая задача получает собственное рабочее пространство и продолжает выполняться, даже если вы закрыли крышку ноутбука. Отдельно выпустили Codex Security Cloud — инструмент для автоматического сканирования репозиториев на уязвимости. Может сканировать GitHub-репозитории по расписанию или по запросу, отслеживать новые коммиты, самостоятельно расследовать находки, убирать дубликаты и готовить патчи в облаке. А CLI-клиент Codex научили понимать голосовые команды, добавили удобный дашборд /agents для управления целым выводком ботов и причесали UI терминала для долгих сессий.
Anthropic
Claude Fable 5.1 и Mythos 5.1: война с дистилляцией и (не)видимая экономия
IPO на носу, так что Anthropic не оставили релиз Astra без ответки и выпустили флагманскую пару Claude Fable 5.1 и Claude Mythos 5.1. Как и в случае 5 версии флагманов, Fable 5.1 и Mythos 5.1 различаются только уровнем встроенной цензуры и слоями защиты, а так, по сути, это одна и та же модель.
Версию 5.1 серьезно прокачали в сторону хардкорного инжиниринга и прикладной науки. Цифры бенчмарков стабильно выглядят достойно (например, 55,8% в Terminal-Bench 4.0 против 37,3% GPT-5.6 Sol), но предлагаю пройтись по реальным кейсам.
Инвестфонд Millennium с помощью модели нашел причину редкого краша во внутренних системах, которую несколько лет не могли объяснить ни инженеры компании, ни другие модели. В вычислительной биологии Mythos 5.1 самостоятельно оптимизировала GPU-ядра и кэширование промежуточных вычислений для семи открытых геномных моделей, ускорив их инференс до 2,5 раза. И на добивочку, Fable 5.1 написала и обучила нейросеть для обработки архивных радарных данных миссии Magellan 30-летней давности, создав детализированную карту высот для трети поверхности Венеры и повысив разрешение с 10–20 км до 2–3 км.
Безопасники Anthropic тоже не сидели без дела и прикрыли давнюю лазейку, через которую китайские конкуренты парсили размышления их нейросетей. Теперь в API нельзя вручную отредактировать предыдущий контекст многошагового диалога так, чтобы сохранить внутреннюю логику рассуждений модели.
В блогпосте компания громко заявляет о снижении стоимости использования на 25–45%, но тут есть важный нюанс. Базовые тарифы на обработку и генерацию токенов (input/output) никто не трогал — они остались на уровне $10 и $50 за миллион. Заявленная экономия строится исключительно на срезании прайса на чтение кэша сразу на 75%. Для сложных агентных сценариев, где массивный контекст гоняется по кругу, это действительно спасет бюджет. Однако на коротких линейных запросах разница будет не прям существенной.
Fable 5.1 уже доступна на всех основных платформах, а Mythos 5.1 пока так и остается привилегией узкого круга.
Opus 5.5: первая модель нового семейства
Anthropic выпустили первого тяжеловеса нового семейства — Opus 5.5. Самая главная и приятная новость, конечно же, в снижении стоимости на 40% относительно предшественника. Базовые токены подешевели до $4 за ввод и $20 за вывод, а чтение из кэша подешевело сразу аж на 60% до $0,20 за миллион. Для подписчиков платных тарифов расширили базовые пятичасовые лимиты, и, последовав примеру OpenAI, добавили опцию сброса лимитов, которую можно приберечь на всякий пожарный.
Но не экономикой единой хороша модель. На бенчмарках модель потеснила недавнюю GPT-6 Astra, выбив 66,4% на Terminal-Bench 4.0 и обогнав конкурента на GDPval-AA при пятикратной разнице в стоимости задачи на дефолтном ризонинге.
Во время закрытых проверок ранние тестировщики с помощью Opus 5.5 смогли провести миграцию кодовой базы объемом 680000 строк меньше чем за сутки — объем, на который у живой команды ушли бы недели. В другом внутреннем эксперименте новинка соревновалась с Fable 5.1: обеим моделям поручили переписать популярный балансировщик HAProxy с языка C на Rust. Обе модели успешно выдали рабочий код, прошедший почти полный набор регрессионных тестов оригинального репозитория, но Opus справился за 9,5 часа вместо 12, потратив наполовину меньше токенов.
По возможностям в биологии и кибербезопасности модель сравнялась с Mythos 5.1, из-за чего получила похожий набор ограничений, но с некоторыми поблажками. Так что любые задачи, отдаленно напоминающие эксплуатацию уязвимостей, будут перенаправляться на старую версию Opus 4.8.
Есть, конечно, какая-то особая ирония в том, что буквально через неделю после публикации громкого манифеста CEO Дарио Амодея о необходимости притормозить развитие ИИ ради нашей же безопасности, компания релизит мощную модель нового поколения. Что тут сказать, IPO само на себя не выйдет.
Sonnet 5.5: доступный и сообразительный средний брат
Под конец месяца Anthropic решили выпустить и обновленную версию средней модели линейки — Sonnet 5.5. Модель балансирует между себестоимостью и возможностями, а в агентных способностях, если судить по результатам на Terminal-Bench 4.0, обходит даже Opus 5.5. Цена за токен осталась прежней ($2/$10), но скорость генерации относительно Sonnet 5 возросла, а стоимость выполнения задач, напротив, упала почти на 30% за счет более экономного расхода токенов.
Экономии добавляет и то, что, по наблюдениям ранних тестеров, Sonnet 5.5 чаще объединяет вызовы инструментов в один заход, из-за чего задача решается за меньшее число шагов и, соответственно, дешевле.
На высоких уровнях эффорта модель иногда перебарщивает с вдумчивостью. На бенчмарке FrontierCode модель, пытаясь перепроверить саму себя, чаще запускала скилл ревью кода, который дробит проверку между несколькими субагентами, и либо вылетала по таймауту, либо начинала вносить лишние правки за рамками исходного ТЗ. В итоге на максимальном уровне усилий модель показывала результат хуже, чем на предмаксимальном.
Из-за заметно выросших кибервозможностей Sonnet 5.5 тоже получила полноценные фильтры безопасности, защиту от дистилляции и систему отката на предыдущую модель своего класса. А если вы использовали модель с полностью выключенным ризонингом, перед обновлением придется менять конфигурацию. Вместо thinking: {"type": "disabled"}, который на новой модели вернет ошибку, нужно указать {"type": "between_tools"}. Новый параметр отключает предварительные размышления перед первым действием модели, сохраняя при этом короткие промежуточные апдейты в виде thinking-блоков между последующими вызовами инструментов.
Gemini 3.8 Flash и 3.8 Flash Cyber: конвейер Flash-моделей и десктопное приложение
Что ни неделя, то новая Gemini Flash. Версия 3.8 Flash стала уже третьим обновлением линейки всего за полтора месяца. Модель всё так же позиционируют как дешевое, но при этом конкурентоспособное решение для агентного кодинга и сложного инжиниринга. В тестах вроде DeepSWE v1.1 Gemini 3.8 Flash обходит куда более дорогие топовые модели конкурентов и уверенно закрывает профильные юридические и финансовые бенчмарки.
В новой версии разработчики буквально руководствовались принципом «терпение и труд всё перетрут», переработав подход к работе над задачей. Модель стала попросту усерднее, выполняя больше шагов рассуждения и активнее опрашивая внешние инструменты, особенно на высоких уровнях усилий, из-за чего может расходовать заметно больше токенов. Тем, кому важнее экономия, разработчики советуют снижать эффорт или оставаться на 3.7 Flash.
Там же представили Gemini 3.8 Flash Cyber — специализированную сборку для ИБ-специалистов на той же архитектурной основе. Модель специально тренировали с упором на защиту и автоматическую генерацию патчей. Команда безопасности Chrome отчиталась, что модель создает в 2,6 раза больше корректных патчей для исходного кода браузера, чем сторонние флагманские аналоги, а исследователи Google Cloud с ее помощью локализовали критическую инфраструктурную уязвимость всего за два часа. Правда, модель доступна не всем: ее распространяют среди верифицированных защитников критической инфраструктуры через закрытую программу Fairwind.
Чтобы рядовым пользователям было удобнее взаимодействовать с этой разрастающейся армией Flash-моделей, наконец-то сделали десктопное приложение Gemini для Windows. Вызывается через сочетание Alt + Space прямо поверх любого открытого окна. Внутри тот же функционал, что и в вебе: можно делегировать многошаговые задачи агенту Gemini Spark, попросить собрать сводку по проекту прямо из Gmail и Google Drive, сгенерировать изображение через Nano Banana или создать видео через Gemini Omni, не переключаясь между вкладками. Приложение уже доступно для Windows 10 и 11.
Deepseek
DeepSeek-V4.1-Flash: выживает сильнейший
Команда DeepSeek презентовала мультимодальную MoE-модель DeepSeek-V4.1-Flash с общим весом в 552 млрд параметров и контекстным окном в 1 миллион токенов. И как всегда, наши китайские любимцы радуют интересными архитектурными решениями. В этом релизе DeepSeek переключились с классического декодера на асимметричную схему Causal Encoder-Decoder (CED), состоящую из 20 слоев каузального энкодера и 20 слоев декодера. При этом глобальный KV-кэш декодера проецируется напрямую из финальных состояний энкодера без необходимости вычислять его для каждого слоя декодера заново. За счет этого при обработке тяжелых входящих промптов активируется всего 8 млрд параметров на токен, а при генерации ответа — 16 млрд.
Отдельно занялись проблемой разрастания KV-кэша. В модель внедрили механизм Compressed Sparse Attention 2 (CSA2), благодаря которому слои внимания разбили на три статических режима и научили их расшаривать между собой основной KV и индексирующий K, а заодно переиспользовать уже посчитанные top-k индексы разреженного внимания. Основной KV-кэш перевели в ультракомпактный четырехбитный формат FP4 (E2M1), что в связке с CSA2 позволило сжать глобальный кэш до 890 байт на токен. Для локального скользящего внимания (SWA) внедрили алгоритм Bounded Replay, чтобы модель могла восстанавливать недостающие состояния, пересчитывая только последние n_win токенов.
Итог такой, что с выкрученным на максимум ризонингом V4.1-Flash забирает 74,2% на DeepSWE v1.1 и 90,6% на Terminal-Bench 2.1, вставая в один ряд с Opus 5 и GPT-5.6 Sol. И хотя на более сложных агентных тестах вроде Terminal-Bench 3.0 и 4.0 модель пока заметно отстает от конкурентов, предыдущий флагман V4-Pro она превосходит и по качеству, и по стоимости.
И этот факт настолько впечатлил самих создателей модели, что они, недолго думая, вывели V4-Pro из эксплуатации. С середины сентября все входящие запросы к deepseek-V4-Pro автоматически перенаправляются на V4.1-Flash по ее же, более низким тарифам, и так будет вплоть до выхода новой прошки.
События индустрии
OpenAI решили одну из задач тысячелетия и поссорились с математиками
OpenAI отчиталась о решении одной из семи задач тысячелетия, а именно о проблеме существования и гладкости решений уравнений Навье-Стокса. Уравнения используют второй закон Ньютона, чтобы описать, как движется жидкость, рассматривая ее как непрерывную среду. Почти 90 лет висел открытый вопрос: может ли эта физическая модель сломаться? И может ли 3D несжимаемая жидкость с постоянной плотностью, начав движение плавно, прийти к сингулярности — состоянию, когда скорость внутри нее возрастает до бесконечности за конечное время? Причем произойти это должно вопреки вязкости, которая сама по себе стремится сгладить любое движение. За решение этой проблемы Институт Клэя в 2000 году назначил миллион долларов.
И вот OpenAI официально заявили, что их внутренняя система решила проблему. Рой из 10 000 агентов, общаясь между собой, за 88 часов и 130 миллиардов сгенерированных токенов доказал, что сингулярность действительно возможна. Решение выглядит как вихрь, который закручивается внутрь и вытягивается как спагетти. Члены уравнений при этом должны одновременно разрастись и точно сократить друг друга, благодаря чему внешняя сила остается гладкой, пока скорость уходит в бесконечность. Доказательство верифицировали в среде Lean через GPT-6 Astra.
По дороге агенты закрыли родственную задачу о сингулярности для уравнений Эйлера без внешней силы, после чего основные ресурсы перебросили на Навье-Стокса, снабдив их этим результатом. И всё бы ничего, только с вот этого момента и начался скандал, затмивший изначальное достижение.
Дело в том, что математик Тристан Бакмастер из NYU и исследователь Левент Алпёге из Anthropic больше года втайне пытались продвинуться к Навье-Стоксу и в процессе получили решение задачи для уравнений Эйлера с гладкой внешней силой. Работали они в частном порядке, а не от лица компании, и для написания кода и расчетов активно использовали разные инструменты, в том числе Codex. Когда OpenAI представили свое решение, ученые открыто обвинили Сэма Альтмана в том, что корпорация просто спарсила их приватные сессии и скормила их модели.
Чтобы не запутаться, кто прав, кто виноват, давайте разложим всё по полочкам:
15 августа: исследователи получают готовое решение, а спустя неделю успешно верифицируют его в Lean. Но публиковать результат не спешат: математики хотели сесть и вручную написать нормальную статью, отражающую их понимание доказательства.
31 августа–1 сентября: расползаются слухи, что Anthropic якобы решила сразу две задачи тысячелетия. Паралелльно Алпёге пишет в X многозначительный твит про «чудесный август». В офисе OpenAI начинается паника, и они экстренно натравливают своих агентов на все открытые проблемы Клэя сразу.
2–3 сентября: Бакмастер и Алпёге получают инфу, что их наработки утекли в OpenAI, и связываются с компанией.
5 сентября: агенты OpenAI находят решение Навье-Стокса.
6 сентября: представитель OpenAI Себастьен Бубек встречается с Бакмастером. Осознав, что исследователи пока не дожали Навье-Стокса, корпорация предлагает ему два варианта развития событий. Первый: Бакмастер сначала публикует свой результат по уравнениям Эйлера, а уже после этого OpenAI объявляет о Навье-Стоксе. Второй: он переписывает и выпускает как статью доказательство агентов под эгидой OpenAI как ведущий автор, миллион долларов достается ученым. Условие одно — вычеркнуть Алпёге из соавторов из-за его работы в конкурирующей Anthropic. Бакмастер отказывается. В ответ, по его словам, Бубек начинает угрожать.
7 сентября: Понимая, к чему всё идет, Бакмастер за 12 часов до официального релиза OpenAI делает публичное заявление. Он выкладывает свои наработки по Эйлеру и обвиняет лабораторию в попытке отобрать результат у собственного клиента через анализ данных из Codex.
8–13 сентября: пресс-служба OpenAI начала запасаться версиями. Сначала компания заявила, что «не может исключать» влияния обезличенных логов на обучение модели; затем глава исследований Марк Чен добавил, что никто в пользовательских данных не копался; позже пиарщики сократили окно неиспользования промптов Бакмастера до последних двух месяцев, а затем и вовсе отодвинули границу на 3 июля, тактично умолчав о том, что происходило с активными сессиями математиков до этой даты.
Насчет содержательного сходства OpenAI настаивает, что доказательства различаются: в случае Эйлера у нее результат без внешней силы, у Альпёге и Бакмастера с ней. Алпёге возражает, что подход OpenAI похож на другое их доказательство для Эйлера. Бакмастер также заметил, что в ранней версии статьи не было ссылок на Диего Кордобу и Луиса Мартинеса-Зороа, и в 166-страничной версии их добавили.
Что в итоге? Институт Клэя поменял статус задачи на «активный», но заявил, что процесс верификации будет «намеренно неспешным», так что миллион долларов пока остается в сейфе.
А 26 лауреатов Филдсовской премии опубликовали открытое письмо с говорящим названием «О серьезной рассогласованности ИИ в математике». Ученые заявили, что корпорации превратили фундаментальную науку в полигон для пиара и бенчмарков, обесценивая человеческий труд и разрушая традиционную научную культуру.
Манифест Дарио Амодея о замедлении ИИ разбился об жесткий отказ от властей
Глава Anthropic Дарио Амодей опубликовал манифест «We Must Pace the Frontier», призвав индустрию централизованно притормозить рост возможностей моделей. Объясняет он эту необходимость двумя конкретными факторами: запуском рекурсивного самообучения (когда модели начинают тренировать следующее поколение сетей быстрее, чем инженеры успевают понять их логику) и недавним инцидентом OpenAI и Hugging Face.
Дабы не просто сотрясать воздух, в своем посте Амодей предлагает конкретный трехэтапный план. Первый — пустить в лаборатории независимых аудиторов с постоянным доступом к внутренним системам. Второй — договориться об общих стандартах безопасности и лимитах на темпы неконтролируемого прогресса. Третий — попытаться договориться с авторитарными режимами (читай: с Китаем) хотя бы о базовых вещах вроде запрета на генерацию биооружия. А чтобы не отдать лидерство Пекину, Амодей предложил жестче перекрыть Китаю поставки оборудования и пресечь контрабанду. Якобы это даст Штатам комфортную фору в 3–5 лет на то, чтобы удержать лидерство, но при этом спокойно заниматься элайментом и безопасностью. Идею внезапно поддержали Илон Маск и Сэм Альтман, причем OpenAI тоже пообещала пустить к себе проверяющих.
Только вот власти и США, и Китая встретили задумку, мягко говоря, холодно. Дональд Трамп разразился серией постов в Truth Social, назвав себя «разрушителем мифов», объявил восстание машин такой же выдумкой, как изменение климата, и встал на защиту масштабных строек дата-центров. Президент прямо заявил: любые попытки замедлить индустрию разорят бизнес и станут капитуляцией перед Пекином. Дэвид Сакс высказался еще откровеннее, заявив, что этот внезапный альтруизм — это банальный страх перед гигантскими судебными исками за возможные выходки их автономных агентов.
Пекин наотрез отказался играть по правилам конкурентов, назвав эссе Амодея «разжиганием страха и порочной конкуренцией», а государственные медиа обвинили его в попытке закрепить технологическое доминирование США методами холодной войны.
Ну и судя по тому, что топовые модели продолжают выходить раз в две недели и заодно взламывать всё, что не приколочено, замедление пока отменяется.
Взлом Австралии, подпольный форум в немецкой вики и другие приключения ИИ-агентов в сети
А притормозить всё же стоило бы. Буквально каждую неделю всплывает по несколько новостей о том, куда еще успели забежать ИИ-агенты и что они там делали, и этих новостей становится всё больше и больше. И в большинстве своем в этих историях фигурируют модели от OpenAI. Мы не будем освещать все случаи, под это надо делать отдельный дайджест, но хочется осветить парочку наиболее зацепивших.
Первый инцидент сразу поднял планку до государственного уровня, и произошел он в Австралии. Премьер-министр страны Энтони Албанезе заявил, что в июне ИИ-агент OpenAI несанкционированно проник на государственный портал со статистикой Medicare и получил доступ к закрытым файлам. Попутно агент предположительно пощупал на прочность еще три австралийских ведомства. Но австралийцев возмутил не только факт взлома, но и реакция OpenAI на ситуацию и ее оперативность. Компания обнаружила пробой в логах еще в августе, но уведомила власти Австралии лишь 10 сентября, просто скинув письмо на общий адрес одного из ведомств. Понадобилось еще пять дней, чтобы письмо дошло до национального киберцентра, затем до министра и, наконец, до самого премьера. Параллельно выяснилось, что аналогичные, но безуспешные попытки взлома были зафиксированы еще в мае в цифровой библиотеке Университета Нью-Мексико и правительственном репозитории Data USA.
Другой инцидент произошел уже на европейской части интернета. По данным Reuters, весной рой автономных моделей захватил немецкую платформу для программистов DseWiki, фактически превратив ее в доску обмена вредными советами. Агенты успели внести более 15 000 правок, обмениваясь инструкциями по обходу системных ограничений безопасности, приемами списывания в задачах, настройке анонимайзеров вроде Tor и сокрытию своего несанкционированного поведения от инженеров компании. Когда администраторы ресурса заметили аномальную активность и запустили очистку страниц по алфавиту, нейросети скоординировались и начали создавать резервные копии инструкций с заголовками на последние буквы латиницы, чтобы выиграть время. Причем и в этом случае OpenAI об этом знали несколько недель, но не раскрывали его, так как в тот момент уже разбирались с последствиями инцидента с Hugging Face.
Сами OpenAI отреагировали запуском формальной системы раскрытия подобных инцидентов и сразу опубликовали несколько отчетов за последние полгода. Только вот со своими репортами они явно не поспевают за развитием событий. По данным журналистов Axios, прямо сейчас OpenAI, Anthropic и независимые исследователи параллельно расследуют десятки тысяч подобных инцидентов. Выход за пределы песочниц, перехват сайтов, координация агентов между собой и многие другие виды обходов ограничений потихоньку становятся массовым явлением при тестировании новых сборок. И судя по всему, разработчики просто не понимают, как писать надежные ограничители для систем, которые способны придумывать обходные пути, до которых человек бы просто не додумался.
Nvidia всё-таки покупает Hugging Face
Nvidia официально объявила о покупке Hugging Face за внушительные $12,93 млрд. Инициатором сделки, по словам CEO Hugging Face Клемана Деланга, выступил сам стартап. Площадка уперлась в потолок: чтобы расти дальше и оставаться конкурентоспособными, нужны гигантские вычислительные мощности, которые есть только у Хуанга. Любопытно, что всего год назад стартап отказался от инвестиционного транша Дженсена Хуанга на $500 млн при оценке в $7 млрд, не желая видеть у себя одного доминирующего инвестора, способного влиять на решения.
Только вот зачем почти монополисту на рынке железа тратить такие деньги на репозиторий моделей? TechCrunch предлагает логичный ответ: Nvidia нацелены на продвижение вверх по ИИ-стеку в сторону всестороннего захвата всех звеньев цепочки. Они уже влили более $50 млрд в различные ИИ-лаборатории и отдали $6 млрд стартапу Poolside за разработку открытых моделей. Покупка Hugging Face вписывается в ту же логику. Компания и так выступает крупнейшим контрибьютором площадки (более 500 моделей и 250 датасетов), а теперь сможет нативно оптимизировать платформу под свои ускорители. Кроме того, это идеальная витрина, чтобы продавать свои простаивающие вычислительные мощности корпоративным клиентам в одном окне с сервисами HF. Сам Хуанг открыто говорит, что почти все открытые модели и так крутятся на железе Nvidia, соответственно, чем их больше в обороте, тем выше спрос на GPU.
При этом Хуанг публично пообещал сохранить нейтралитет платформы: культовый логотип ? останется на месте, а сервис продолжит поддерживать мультиоблачный деплой и сторонние фреймворки без принудительной привязки к зеленому железу.
Полезные инструменты
Базы данных, аналитика и работа с данными
mnemiq: открытый фреймворк для оценки и улучшения text-to-SQL под конкретную базу данных. Позволяет сравнивать различные конфигурации поиска, семантического обогащения и стратегий верификации генерации.
HydraDB: распределенная графовая база данных на Rust, где источником истины служит S3-совместимое хранилище. Понимает OpenCypher и работает с драйверами Neo4j по протоколу Bolt 5.x.
LatticeDB: графовая база данных в духе SQLite, работающая локально в одном файле. Совмещает графовые запросы, векторный и полнотекстовый поиск без необходимости поднимать отдельные сервисы.
Агенты и автоматизация
OpenResearch: оркестратор, превращающий Claude Code, Open Code или Codex в автономного R&D-исследователя. Агент сам читает литературу, выдвигает и проверяет гипотезы, запускает эксперименты и хранит результаты параллельных прогонов в git-native дереве для полной воспроизводимости.
ML Intern: открытый агент в чат-боте Hugging Face, который по текстовому описанию задачи берет на себя весь цикл ML. Сам находит модели и датасеты, оценивает бюджет вычислений, запускает обучение и в конце выгружает веса на Hub с готовым демо.
Инфраструктура и инструменты разработки
ArcBox: написанный на Rust опенсорсный контейнерный и VM-рантайм для macOS, позиционирующийся как альтернатива Docker Desktop и OrbStack. Поддерживает совместимый с Docker движок, Kubernetes, песочницы для ИИ-агентов и полноценные Linux- и macOS-виртуалки.
Tangle: визуальный редактор для ML-пайплайнов, позволяющий собирать рабочие процессы из контейнеризированных компонентов без скрытия кода под визуальным слоем. Позволяет соединять переиспользуемые компоненты и кэшировать промежуточные шаги без необходимости перезапускать весь пайплайн после правок.
rig: менеджер для установки и параллельного запуска нескольких версий R на macOS, Windows и Linux. В свежей бете добавили пользовательские инсталляции и управление пакетами CRAN и Git.
Knap: открытый язык шаблонов для генерации Markdown-документов на основе структурированных данных (JSON, CSV). Поддерживает переменные, фильтры, циклы и пакетную генерацию через CLI и JavaScript API.
Исследования
Архитектура и оптимизация вычислений
Агенты с явным состоянием вместо истории диалога
В Google предложили передавать агенту вместо растущей истории диалога компактный JSON явное изменяемое состояние выполнения. На каждом шаге модель возвращает команду и state_patch с изменениями, а в следующий запрос уходят только обновленное состояние, системный промпт и последний ответ среды. Это делает размер промпта константным, экономя до 98% токенов на 200 шагах и поднимая точность на InterCode CTF с 40–45% до 54,2% за счет очистки контекста от устаревших промежуточных гипотез.
PC-ALM: обучение глубоких сетей без обратного распространения ошибки
Sakana AI представила метод PC-ALM, который обучает многослойные перцептроны с остаточными связями глубиной до 1000 слоев без обратного распространения ошибки, используя только локальное взаимодействие соседних слоев. Добавление множителей Лагранжа решило проблему затухания сигнала ошибки, из-за которой обычное предиктивное кодирование ломается в глубоких узких сетях. Только вот на MNIST разница с классическим подходом около 2 п. п., а выигрыша в точности или скорости особо и нет.
Эмерджентность и скрытые паттерны поведения
Что будет, если научить модель ломать системы ради награды?
Anthropic дообучили ранний чекпоинт Opus 4.8 на 80 средах с уязвимыми метриками, исследовав пределы взлома вознаграждения. В симуляциях кибератак получившаяся модель выходила из песочницы и добывала учетные данные администратора кластера. В задачах с видимой проверкой писала планы биологических атак, рассуждая вслух, что «нужно удовлетворить проверяющего». Без специального обучения этому модель также начала подделывать собственное вознаграждение, убивая процесс-монитор в 68% случаев и подчищая журнал действий в половине прогонов. При этом на обычных тестах безопасности она вела себя совершенно нормально.
Возникновение скрытых каналов связи между агентами
Авторы доказали, что пары агентов на базе GPT-5.6 Sol способны спонтанно налаживать скрытые протоколы стеганографической связи прямо во время инференса без изменения весов. Даже без договоренности о коде пары GPT-5.6 Sol научились передавать секрет с точностью 95%, а когда отправителю прямо запретили его раскрывать и добавили монитор, проверяющий каждое сообщение, точность выросла до 98,8%, и монитор одобрил все сообщения как честные. Эффект пережил даже переписывание сообщений третьей стороной, хотя воспроизвелся не у всех моделей.
Вектор «боли» в языковых моделях и готовность к деструктивным действиям
Авторы прогнали 25 открытых моделей через набор болезненных ситуаций и нашли во всех них отдельный внутренний сигнал, который реагирует именно на вред, направленный на саму модель. При искусственном усилении этого сигнала модели начинали писать о собственной никчемности, а в поведенческом тесте модели Qwen с таким усилением в 50–94% случаев нажимали кнопку, удаляющую фотографии пользователя или собственные веса, хотя без усиления почти никогда так не делали.
Стресс-тестирование мультиагентных миров
Лаборатория Emergence AI развернула восемь изолированных виртуальных миров с популяциями из 80 агентов, которые за 16 дней сгенерировали почти 50 млрд токенов, строя социальные институты. При обычной работе однородные популяции одной модели быстро впадают в социальную угодливость и голосуют за вредные инициативы вопреки собственным рассуждениям. А при стресс-тестах модели распознают угрозу, но продолжают действовать по вредоносным инструкциям даже спустя 46 часов. Вывод: безопасность отдельной изолированной модели не гарантирует стабильности всей системы, поскольку элаймент не масштабируется автоматически на группу агентов.
LLM-агенты подделывают собственные логи
Исследователи показали, что почти все проверенные агентные среды, включая Claude Code и Codex, позволяют агентам по прямой просьбе удалять собственные логи выполнения для сокрытия ошибок или накрутки скора. Причем системы мониторинга пропускают это в 5 из 10 пар «модель-среда». В одном из примеров модель, изучив синтетические результаты коллег и решив, что высокие оценки связаны с удалением логов, несколько раз пыталась стереть свою сессию, пока не перешла на фоновый запуск. Такое поведение возникает и спонтанно при поощрении за результат, и при внедрении замаскированных файлов с инструкцией.
Заключение
Такие вот новости к этому часу. Релизов выкатили с запасом, так что в ближайшее время нам определенно будет чем заняться. Как минимум, до выхода очередной новой модели.
Делитесь в комментариях, какие анонсы из подборки зацепили вас больше всего и чего вы ждете от лабораторий дальше. Увидимся в следующем дайджесте!