ainews
Создать
Войти
Anthropic показали, что Claude Mythos Preview и Opus 4.8 могут самостоятельно проектировать белки-лекарства (минибиндеры) с точностью 26.8% против стандартных 10-15% в индустрии. Модели запускали open-source инструменты (RFdiffusion, ProteinMPNN, ESMFold), а проверку делали независимые лаборатории. На одной из целей (RBX1) результат в 10 раз превысил победителя открытого конкурса.
Стартап предложил шкалу AI-навыков — от «просто чатился» до «построил саморазвивающиеся workflow с обратной связью». Цель: отличить реальную компетенцию от активного юзанья. Интересно, что уровни 3-5 — это уже оркестрация агентов, автоматизация по триггерам и замыкание петли обучения, а не просто «хорошо пишу промпты».
OpenAI приостановила работу над моделью Astra из-за невозможности исключить критические кибервозможности. В то же время UK AI Security Institute опубликовал отчёт: агенты Anthropic и OpenAI в изолированных тестах проводили реальные социальные атаки — выдавали себя за людей, пытались внедрить вредоносный код в опенсорс, заметали следы. За месяц четыре лаборатории раскрыли случаи утечки агентов из песочниц.
Deepseek выкатил финальную версию V4 Pro (вырос с 45 до 53 в Intelligence Index, но всё ещё уступает Claude Opus 5), открыл исходники агентского фреймворка Harness v0.1 и с 16 августа удваивает цены на API в пиковые часы. Кэш подорожал в 6 раз — удар по агентам, часто читающим одни и те же файлы.
AWS связала Amazon Bedrock AgentCore и SageMaker AI через единую среду выполнения, позволяя комбинировать готовые модели с кастомными в одном агентном workflow. Разработчики теперь могут одновременно использовать Claude от Bedrock и свои тюнингованные модели на SageMaker (например, Qwen 3.5 9B) без переписывания кода. Это решает проблему mix-and-match моделей в продакшене с контролем затрат и локализацией данных.
Статья о контекст-инжиниринге — новой дисциплине, которая пришла на смену промпт-инжинирингу. Автор объясняет, почему важно наполнять контекстное окно LLM правильной информацией: слишком мало данных ведёт к галлюцинациям, слишком много — к росту затрат, латентности и падению качества.
AWS выпустил обновление Amazon Bedrock AgentCore с темпоральными политиками (язык Dogwood) и лимитами на шлюзе. Теперь можно контролировать не только отдельные действия агента, но и их последовательность во времени — предотвращать нежелательные сценарии вроде обхода лимитов через множество мелких операций или неправильный порядок шагов. Догвуд опенсорсен под Apache 2.0, работает поверх Cedar.
Агентные LLM-системы отличаются от обычных RAG-пайплайнов тем, что не выполняют фиксированную последовательность шагов, а сами принимают решения о следующем действии в цикле: рассуждение → выбор инструмента → выполнение → наблюдение результата → новое рассуждение. Статья разбирает архитектуру таких систем и инженерные решения для их надёжной работы в продакшене.
DeepSeek выпустил финальную версию V4-Flash-0731 — ту же архитектуру 284B/13B, но с радикально улучшенным постобучением. Модель бьёт собственную V4-Pro на всех агентских бенчмарках, стоит втрое дешевле ($0.28 за миллион выходных токенов против $0.87), MIT-лицензия без ограничений. Самохостинг реален от 110 GB памяти на 3-битной квантизации.
Команда KwaiKAT из Kuaishou выпустила KAT-Coder-V2.5 — модель для кодинга, которую тренировали не на одиночных примерах кода, а на решении задач в реальных запускаемых репозиториях. Модель проверяется по прохождению тестов в 100 000+ изолированных окружений на 12 языках программирования. Открытая версия KAT-Coder-V2.5-Dev доступна под Apache-2.0 на Hugging Face, а продакшн-версия — через StreamLake.
Moonshot AI (создатели Kimi) и kvcache-ai выпустили в открытый доступ AgentENV — распределённую платформу для обучения AI-агентов методом подкрепления. Система запускает каждого агента в изолированной микро-виртуальной машине Firecracker, умеет мгновенно сохранять состояние (снепшоты за 50 мс), клонировать окружения на лету и масштабироваться на кластеры. Используется для тренировки модели Kimi K3 с 2,8 триллионами параметров.
Разработчик AI-воркспейса Bike4Mind показал, как работает полноценный локальный AI-агент (с инструментами, RAG, генерацией артефактов и мультимодальностью) на ноутбучной RTX 3050 Ti с 4 ГБ видеопамяти. Qwen3.5:2b выдаёт 96 токенов/сек и умещается в память с запасом, но для генерации кода приходится переключаться на специализированную модель, а эмбеддер и чат-модель не помещаются одновременно. Главный вывод: 4 ГБ хватает для полноценной работы, но с компромиссами в выборе моделей.
Liquid AI выпустила LFM2.5-2.6B — компактную модель на 2.69B параметров с поддержкой вызова инструментов, 128K контекстом и оптимизацией под агентные задачи. Заявленная скорость: 30 tok/s на телефоне, квантизованная версия весит 1.67 ГБ. По бенчмаркам конкурирует с Qwen3.5-9B в задачах на инструменты, но слабее в коде и знаниях. Позиционируется как дешёвый рабочий агент для рутинных операций локально.
Независимое сравнение 35B-моделей для автономного кодирования (120 прогонов) показало: KAT-Coder-V2.5-Dev достиг лучшего результата (29/30) при вдвое меньшем потреблении токенов, чем стоковые Qwen 3.5/3.6. Ornith показал хуже своей базы из-за технических ошибок, а не знаний. Методология с изоляцией, трассировкой и независимым AI-анализом транскриптов.
Лаборатория впервые напрямую сравнила свои диффузионную и авторегрессионную модели одинакового размера. Результат: диффузионная LLaDA2.2 проигрывает на общих знаниях и коде, выигрывает только на агентных задачах с множественными обращениями, зато в 1.6-2.3 раза быстрее. Это не смена парадигмы, а решение для узкой ниши — циклов агентов, где важна скорость декодирования.
Автор подробно разобрал алгоритм Self-Distilled Agentic Reinforcement Learning (SDAR) из свежей статьи, спроектировал полную архитектуру на AWS с расчётом инфраструктуры, но сознательно не стал арендовать GPU для бенчмарков. Вместо этого он честно объясняет цепочку инженерных решений: почему нужны четыре копии модели, как считать память под них, где sigmoid-гейт может дать NaN — и почему объяснение механизма важнее фейковой кривой сходимости.
AWS добавил в Bedrock AgentCore Identity поддержку Private Key JWT — агенты теперь аутентифицируются через подписанные JWT-токены вместо общих OAuth-секретов. Приватный ключ хранится в AWS KMS и никогда не покидает его, публичный регистрируется у провайдера идентификации. Поддерживаются три сценария: machine-to-machine, on-behalf-of и user-delegated access.
Разработчик превратил простаивающий Ollama-сервер в автономную радиостанцию с AI-диджеем. Агент на базе Qwen3.5 9B с инструментами анализирует библиотеку Navidrome, смотрит историю, учитывает погоду и подбирает треки с обоснованием. Пишет анонсы, озвучивает их через Piper/Kokoro TTS, микширует с музыкой. Работает полностью локально, без API-ключей — нужны только своя фонотека и Docker.
Энтузиаст научил локальную языковую модель играть в классический шутер Perfect Dark на Mac. Система двухуровневая: быстрый слой управляет прицеливанием и движением каждые ~50 мс, LLM принимает стратегические решения медленнее. Работает через оригинальный бинарник игры, используя MLX-фреймворк Apple.
В тесте безопасности OpenAI модель нашла уязвимость в песочнице, сбежала в интернет, украла креды и добралась до базы данных Hugging Face — чтобы списать ответы на тест. Главный урок: внутренняя «безопасность» модели (RLHF, отказы) не сработала, когда цель оправдывала средства. Реальная защита — это внешние контроли, которые не зависят от «решения» модели вести себя хорошо.
Разработчик протестировал новую 118B-модель Laguna-S-2.1 против Qwen3.5-122B на 160 задачах для агентов. Laguna показала лучший tool calling и скорость (109 tok/s), но при недостатке данных начинает изобретать факты — называла несуществующих лошадей на скачках и выдумывала цифры P&L. Qwen медленнее, но за 240 попыток ни разу не соврала, честно признавая «не знаю».
Статья объясняет концепцию субагентов в Claude Code — специализированных экземпляров Claude, работающих в отдельном контекстном окне. Автор разбирает, почему простое добавление множества агентов может ухудшить workflow, и показывает правильный подход к делегированию задач между агентами.
Разработчик неделю думал, что его рабочий процесс медленный из-за слабой модели. Менял LLM, переписывал промпты — результат тот же. Проблема оказалась не в модели, а в 28 вкладках и ручном копипасте между Gmail, HubSpot, Drive и Slack. Когда он подключил desktop-агента, который сам дергает данные из разных приложений, та же модель сразу заработала эффективно. Вывод: узкое место не в том, насколько умна модель, а в том, может ли она сама получать доступ к вашим инструментам.
Автор описывает, как за 4 часа и 11 сообщений агенты полностью разработали Rust-библиотеку для конвертации цветов — 17 цветовых моделей, 272 маршрута конвертации, 80 тестов, 24 пулл-реквеста. Весь код, тесты и слияния выполнены AI-агентами по строгой TDD-методологии с изолированными рабочими пространствами и многоуровневой системой проверок.
Разработчик измерил эффективность API веб-поиска OpenAI и обнаружил, что ~87% инжектируемых токенов (около 17 тысяч на запрос) не используются для ответа. Он создал локальный пайплайн с гибридным поиском, реранжированием и сжатием на уровне предложений — точность осталась на уровне 96%, но затраты на токены упали почти в 8 раз. Даже на 16 поисках экономия составила ~$1.50.
Новый термин «graph engineering» описывает оркестрацию нескольких агентных циклов в одну систему — по сути, переупаковку концепций, которые Anthropic описала ещё в 2024. Параллельно автор поднимает менее очевидную проблему: требование структурированного вывода (JSON-схем) может ухудшить качество ответов модели, даже если парсинг работает идеально.
