AI Product | Igor Akimov

Ну вот, подходящий конкурент Jev - GLiNER-2.5

Как уже писал выше их NER в GLiNER-2 я выбрал из десятка моделей для поиска и вычищения персональных данных. Это скорее 100% конкурент JEV, более под операционную часть. Передаешь текст и набор меток прямо в вызове – получаешь ответ. Без промпта, без генерации токенов, один проход.

Если по кейсам, то можно прикинуть, что это например:
– интент клиента (возврат, отмена подписки, проблема со входом)
– роутинг тикетов и писем по отделам
– сентимент, включая «mixed», и аспекты отзыва (батарея плохая, экран отличный)
– срочность, severity инцидентов, спам, модерация
– «нужно ли звать человека» и даже «закончил ли агент задачу»
– несколько решений за один вызов: интент + приоритет + нужен ли человек + темы

Можно дать метки с описаниями, если название само по себе неоднозначное, и шкалы типа 0–10 для оценок.

Бенчмарки (свой датасет fast-decisions, 17 доменов, exact match):
– GLiNER2.5-Decide 340M – 60.2%
– GLiNER2.5-Decide 1B – 59.6%
– Jev – 57.6%
– мультиязычная версия 287M – 56.7%
- Laya 46.6%

То есть обходит без проблем расхайпленный JEV, при этом работает на CPU, лицензия Apache 2.0, можно поставить на любую табуретку у себя.

Короче, это уже можно в продакшене у себя использовать. Поставить перед LLM: первичная сортировка входящего потока, быстрое принятие решений, извлечение информации, заполнение метаданных, фильтрация. Гонять коммерческую модель еще и с задержкой до провайдера по интернету будет явно дороже и дольше.

https://huggingface.co/fastino/GLiNER2.5-Decide

В блогосфере только и разговоров, что о Jev. Который в 193 раза быстрее и в 444 раза дешевле о_О

Было легкое ощущение всеобщего помутнения, когда полились статьи про «нереальный прорыв» и «уделали Альтмана». Кейсы там такие, что я до сих пор ржу. GPT-6 Astra на high reasoning текстом спрашивают, есть ли в документе персональные данные и почему. Она секунд 6 почти посимвольно собирает ответ «Да, есть фамилия и имя, потому что указано, кто совершал операцию». А Jev достает правильный ответ из волшебного мешочка за 100 мс. Ээээ... Такие задачи решаются JSON-ом с ответом в начале, а не простыней текста, которую потом еще парсить. И уж точно не флагманом с размышлениями – Gemini 3.8 Flash или GPT Luna сделают то же самое на порядок дешевле и быстрее.

Так о чем речь. Это нейросетка, у которой обрезан текстовый вывод. Подаете текст и варианты ответа (до 255), на выходе – вероятности. Вход стоит копье, выход бесплатно, ответ за доли секунды. Посмотрел тесты, сделал свои прогоны на классификаторе документов и категоризации отзывов. Штука прикольная, но очень специализированная.

Что хорошо:
– нормальный реранкинг за копейки (на Хабре в тесте на справочнике ОКТРУ обошел даже флагманы)
– хорошо решает задачи с небольшим количеством классов: спам/не спам, тональность, тема, запрещенка
– почти не дрифтит от перезапусков, сильно стабильнее LLM
– уверенность хорошо отделяет очевидное от серой зоны, так что сложное можно отдать умной модели и срезать расходы раза в 3–4

Что не очень:
– на тонкой классификации типа Banking77 – 81% против 84.4% у Opus 5, и на таких задачах лучшая LLM везде была выше
– на русском местами проседает (на XNLI минус 11 п.п.), и калибровка плывет сильнее
– надо нормально промптить или расписывать каскад узких вопросов, иначе работает хуже дешманских моделей
– если есть 2000+ размеченных примеров, дообученный маленький энкодер обходит Jev со свистом: 88.8% против 77.8%

На моих тестах в сравнении с Луной и Gemini 3.8 flash вышло в 2–3 раза быстрее и в 2–3 раза дешевле, а не в 100. Качество – примерно 85% от эталона. Ну-у... такое.

Плюс это еще один вендор: хостится только в США, у больших облаков его пока нет. Попробуйте объяснить это энтерпрайз-клиентам. И вы серьезно будете отправлять персональные данные на сторону, чтобы проверить, персональные ли это данные? Даже за копейки и миллисекунды? Не проще поставить GLiNER2 на свой сервер и проверять все локально за те же доли секунды?

Короче, это не убийца LLM, а очень быстрый и дешевый zero-shot классификатор уровня средних моделей. Как первый фильтр перед LLM, для роутинга, реранка и guardrails – норм. Но пороги и калибровку надо делать на своих данных, особенно для русского: вероятностям «из коробки» верить нельзя. И я на 100% уверен, что топ-лаборатории скопируют такое через месяц-два. Ребята круто прокачали генерацию данных для обучения, но с большими деньгами и ГПУшками это повторяется быстро.

https://typesafe.ai/blog/introducing-system-one-models-and-jev

Google выкатил Gemini 3.8 TTS.

Видимо все силы кинул в голос )

Моделей две:
– Gemini 3.8 Flash TTS: для творческой работы, чтобы задать характер персонажа и сыграть сцену
– Gemini 3.8 Flash-Lite TTS: для больших объёмов, когда важна цена

Что умеют:
– Голос генерируется по текстовому описанию, больше 100 языков и диалектов
– Больше 2000 готовых голосов с региональными вариантами: мексиканский испанский, квебекский французский, шотландский английский
– Клонирование голоса по 30-секундному сэмплу, с проверкой согласия и водяным знаком SynthID
– Режиссура по строкам: в сценарии пишешь ремарки обычным языком, и модель их отыгрывает
– Держат голос стабильным на часах аудио
– Нативный диалог двух спикеров
– Смех, вздохи, «ага», «угу», перебивания: всё, что раньше выдавало робота
– Скоро обещают ремикс голоса: тембр, высота, темп, акцент
По бенчмаркам:
– Hume AI Voice Design: первое место (71.4), по акцентам тоже первое (60.8)
– Hume AI Overall Quality: первое и второе места у Flash и Flash-Lite
– Voice Arena: топ по японскому, бразильскому португальскому, вьетнамскому, арабскому, мексиканскому испанскому и хинди
Доступно уже сегодня

Видос: https://youtu.be/FL6mI_Br-mc

Есть и ложка дёгтя: клонирование голоса не работает в ЕС, Великобритании, Швейцарии, Индии, Иллинойсе и Техасе.

https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/

Opus 5.5 vs GPT-6 Sol и Luna – в один день!

Сегодня прям дуэль. Anthropic выкатила Claude Opus 5.5, OpenAI – GPT-6 Sol и Luna, облегчённые версии Astra. И обе продают одно и то же: почти флагман, но дешевле.

Opus 5.5:
– $4 / $20 вместо $5 / $25, кэш $0.20 вместо $0.50
– Artificial Analysis Index – 58, первое место. У Astra и Fable 5.1 по 53, для топа отрыв в 5 пунктов – это прям много
– Terminal-Bench 4.0 – 66.4% против 57.9% у Astra и 55.8% у Fable 5.1
– GDPval-AA – 1846 Elo, у Astra – 1542
– обещают починить «клодовский» стиль: главное в начале, меньше воды. Посмотрим :)

GPT-6 Sol и Luna:
– Sol – $2 / $10 (ровно как Sonnet 5). Вдвое дешевле GPT-5.6, контекст 1.05M. Luna – $0.10 / $0.50. Вообще какое-то копье, дешевле многих китайцев теперь.
– AA Index: Sol – 48, Luna – 37. Старый GPT-5.6 Sol – 47
– DeepSWE: Sol – 68.8% за $2.74 на задачу, Luna – 66.6% за $0.22. Разница 2 пункта, а цена в 12 раз ниже
– AutomationBench: Sol – 33.2% за $0.27 на задачу. Для сравнения Opus 5.5 – 40%, Astra – 41.4% за $1.73

У Anthropic есть подвох: токен подешевел на 20%, а думать модель стала больше. На индексе AA – 119K токенов на задачу против 73K у Opus 5 и 31K у Sol. CodeRabbit на код-ревью намерил +40–60% токенов. И thinking теперь вообще не выключается.

Честно сравнить сложно – каждый показывает свои бенчмарки, OSWorld у них вообще разный. На общем стенде AA Opus 5.5 на medium против Sol на max: кодинг 52.5% vs 43.9%, документы +159 Elo у Opus, бизнес-процессы вничью. Задача – $1.34 против $1.06.

Короче, Opus 5.5 сейчас самая умная модель, и в 2.5 раза дешевле Fable – кодинг и документы теперь туда. Luna – вот это прям новость для всех, кто гоняет классификацию и извлечение на потоке: в 10 раз дешевле Haiku. А Sol – такой середнячок по цене Sonnet, гонять для массовых задач. Ну и Sonnet 5.5, говорят, через пару недель.

https://www.anthropic.com/claude-opus-5-5
https://openai.com/index/introducing-gpt-6-sol-and-luna/

Grok 4.7: фронтир по цене Grok 4.6

SpaceXAI наконец выкатили Grok 4.7 – после трёх переносов. Цена не изменилась:
– $2 / $6 за млн токенов – как у 4.6. Для сравнения: GPT-5.6 Sol – $4 / $20, Fable 5.1 – $10 / $50
– есть fast-вариант: вдвое быстрее, вдвое дороже
– доступна сразу в Cursor, Grok Build, API и у роутеров

Бенчмарки (xHigh):
– CursorBench 4.0 – 46.3% против 40.4% у 4.6 и 41.7% у Sol. Fable 5.1 впереди с 51.8%, но output у него в 8 раз дороже
– Terminal-Bench 4.0 – 38% против 20.3% у 4.6, почти вдвое. До Fable (57.9%) при этом как до Марса
– EEBench (электротехника) – 64%, лучше всех.
– Harvey Legal Agent – 19.6%, тоже первое место. Правда, у Sol там 2.5%, так что юристам пока рано волноваться
– GDPval – 1695 Elo, чуть ниже Fable (1735)
– HealthBench – 56.7%, тут позади и Sol, и Fable

Ещё заявлен полностью новый стек безопасности: пропускает только 3.3% рискованных кибер-запросов и при этом редко отказывает в легитимных. Вот это неожиданно. Для всех фичей безопасности и хитрых проверок я как раз использовал грок. Теперь видимо будут блокировать :(

Короче, супер-дешевая и крутая модель для кодинга. Вполне возможно будет в топ-3 на всех бенчах, но дешевле в 5 раз.

https://x.ai/news/grok-4-7

Mac Studio на M5 Ultra – машина мечты для локальной разработки

О, наконец-то результаты тестов нового Mac Studio. Федерико Витиччи из MacStories четыре дня гонял топовый Mac Studio M5 Ultra (256 ГБ) против прошлого M3 Ultra (512 ГБ) и игрового ПК с RTX 5090.

По железу:
– GPU на 80 ядер, в каждом нейроускоритель – до 4,5× пикового AI-компьюта к M3 Ultra
– пропускная способность памяти 1,2 ТБ/с против 819 ГБ/с
– версия на 512 ГБ обещана в конце октября

На практике (Qwen3.8-Flash-Next, 4 бита, oMLX):
– чтение промпта – ~2 700–2 900 ток/с против ~1 100, то есть в 2,5 раза быстрее
– генерация – 108 ток/с против 70, код – 143 против 98
– промпт на 16K: первый токен через 5,6 с вместо 13,9 с
– 256K контекста: ждать ~100 с вместо ~245 с, и дальше модель пишет 75 ток/с – быстрее, чем M3 Ultra на 4K
– три параллельные сессии с субагентами: суммарно 81 ток/с против 40

RTX 5090 все еще быстрее: 3 031 против 1 701 ток/с на чтении, около +25% на генерации. Но у нее 32 ГБ VRAM – как только модель не влезает и начинается выгрузка в системную память через PCIe, скорость падает до 1,5–4,6 ток/с. Плюс шум и жара на всю комнату, а Mac на столе не слышно.

При этом за стоимость такого железа (больше десятки Кбаксов) можно несколько лет оплачивать самую дорогую подписку Anthropic и получать модель умнее. Смысл появляется там, где агенты молотят 24/7, или где данные нельзя выносить наружу – банки, госы, документы. И тут уже появляется резон покупать коробочку. Короче, для оптимизированных под Mac вещей подойдет, но если нужна прям макс-производительность и многопользовательскость, то Nvidia все еще топ.

https://www.macstories.net/stories/m5-ultra-mac-studio-review-the-dream-mac-for-local-ai-agents/

О, ура! ChatGPT доехал в Word. В компанию к Excel и PowerPoint

Видимо как раз как основа для юристов и офисных работников. Один инсталл на Word, Excel и PowerPoint. Ставится из Microsoft Marketplace, логинишься своим аккаунтом ChatGPT, дальше панель сбоку и правки прямо в документе.

Очень нравилась эта фича у Claude. По сути имеет доступ ко всем возможностям офисных программ, а не только то что в OpenOffice доступно.

Что внутри:
– черновики, переписывание кусков, форматирование – не выходя из Word
– контекст подтягивается из подключённых приложений: Outlook, SharePoint, Google Workspace, Dropbox
– skills – сохранённые инструкции под повторяющиеся задачи: инвестмемо, ревью договора, executive summary
– доступно глобально и на всех планах, включая Free!
– для Business/Enterprise/Edu данные по умолчанию не идут в обучение

Но при этом это бета. Чаты в аддине отдельные, память из ChatGPT не переезжает. Нельзя начать в одном месте и продолжить в другом. И пишут, что сложное форматирование, таблицы и графики придётся доводить руками. Но при этом работает явно лучше, чем редактирование docx напрямую!

https://chatgpt.com/apps/word/

А скачивать тут: https://marketplace.microsoft.com/en-us/product/office/WA200010215

Не доверяем LLM-ке как классификатору

Хорошая статья про типичный сценарий LLM, который работает так себе. Делаем что-то типичное: нужно сортировать обращения, письма, отзывы. Пишем промпт «это жалоба или нет?», модель отвечает «да/нет», запускаем в работу. Вроде получается неплохо – и на этом все останавливаются. Ну максимум есть "золотой сет" из 10-50 отзывов. Но потом что-то начинает сбоить и непонятно, куда бежать.

В чем проблема:
– модель не умеет честно сказать, насколько она уверена. Попросите ее оценить уверенность в процентах – получите красивую цифру, не связанную с реальностью. А значит, нельзя настроить строгость: «лучше пропустим пару жалоб, но не будем дергать людей зря» или наоборот
– модель не знает вашей реальности. У вас жалоб 1% от потока или половина? Для правильного решения это важно, а она судит «в среднем по интернету»
– если качество не устраивает, остается один инструмент – переписывать промпт и надеяться

Идея автора: не давать модели выносить приговор. Пусть она будет свидетелем, который отвечает на простые вопросы, а решение принимает маленькая старая добрая статистическая модель, обученная на ваших примерах.

Автор проверил на задаче «найди иронию в твитах». Вместо одного вопроса «это ирония?» задал модели 19 простых: автор хвалит что-то явно плохое? тон не совпадает с ситуацией? это риторический вопрос? наигранный восторг? про политику или про быт? Плюс добавил совсем тупые признаки: длина текста, число восклицательных знаков, капс, эмодзи.

Дальше простая формула на нескольких тысячах размеченных примеров учится, каким ответам сколько веса давать. Что вышло:
– точность выросла с 0.747 до 0.779 (победитель научного соревнования 2018 года – 0.705, лучшая специально спроектированная нейросеть – 0.786)
– оценки уверенности из бесполезных стали рабочими: ошибка в вероятностях упала вдвое. У голой LLM она была на уровне подбрасывания монетки
– видно, какие признаки реально влияют на решение – его можно объяснить бизнесу и аудитору
– и все это на самой дешевой модели (gemini flash-lite), без дообучения

Цена вопроса – нужны размеченные примеры. Но автор справедливо замечает: они вам и так нужны, чтобы проверить, что система вообще работает. Вы же собирались проверять, правда?
Короче, все время скоро будет уходить чисто на данные и датасеты, остальное ИИ-ка будет сама делать. И так как это мало кто делает нормально - спецы еще будут нужны 100%

https://minimallysufficient.com/posts/llm-classification-is-feature-extraction/

Devin тоже добавили себе "цели", чинит все за вас

Cognition выкатили Code Scans. Можно писать просто «ускорь сборку», «улучши SEO» или «найди мёртвый код» – Devin сам прочёсывает весь репозиторий, приносит приоритизированный список находок с доказательствами, а потом открывает PR'ы на те, что ты одобрил.

Под капотом – Agentic MapReduce, та же архитектура, что у их Security Swarm:
– Plan: агент изучает репо и формулирует правила, какой код релевантен цели
– Shard: код по этим правилам режется на куски
– Map: параллельные агенты разбирают каждый кусок
– Reduce: финальный агент склеивает, убирает дубли, расставляет приоритеты

Фишка в том, что каждый батч обязан быть обработан – то есть это не «агент че-то там сделал и отчитался, что все ок», а гарантированный проход по всему отобранному коду.

Цифры из анонса:
– Dioxus (Rust): чистая debug-сборка с 58,6 до 21,0 секунды, минус 64% на 22 крейтах. Причем все валидные вещи, которые разработчики одобрили.
– Свои сайты devin.ai и cognition.com: 44 SEO-находки, health score в Ahrefs 87 → 92, медленных страниц минус 73%
– Philips на тесте: примерно 96% PR'ов вмержено и 700+ сэкономленных инженерных часов

Запускается через /scan в вебе Devin.
Короче, скоро можно будет просто сказать "сделай хорошо" :)

https://devin.ai/blog/introducing-code-scans

OpenAI пошла отбирать хлеб у юристов

Выкатили Astra for Law. Звучит как новая модель, но нет – это та же GPT-6 Astra, которой прикрутили юридический поиск и объяснили, как думать по-адвокатски. И внезапно оказалось, что так можно было.

Что дали:
– Свой индекс по праву США: 230+ млн страниц, 99.9% всех прецедентов
– На бенчмарке 54% правильных ответов против 38.7% у той же модели с обычным поиском. Прецедентов находит на четверть больше
– Данные не хранят, люди из OpenAI ваши чаты не читают – для юристов это вообще первый вопрос
– 26 плагинов к тому, чем юрфирмы и так пользуются: iManage, Clio, Relativity, Thomson Reuters. Плюс ChatGPT прямо в Word
– Пока только избранным фирмам, в API – «скоро»

Прикол, что OpenAI сажает своих инженеров прямо в топовые юрфирмы и пилит им инструменты под ключ. Sullivan & Cromwell получили анализатор договоров, который сам предлагает правки. Ropes & Gray – разбор data room для сделок. Cooley – подготовку к IPO.

Конечно это лучше Фейбл, в примерах OpenAI показала, как Claude сослался на решение, которое потом отменили в апелляции. Пример подобран вендором, конечно, но в больное место попали. И прикол, как теперь будут жить всякие Harvey. Строишь стартап на OpenAI, а OpenAI уже сидит у твоих клиентов в переговорке.

Короче, для США задачу решили, для других стран ещё есть возможности. Пока OpenAI не придет и туда )

https://openai.com/index/astra-for-law/

Google научил агентов учиться во сне

Тоже интересный материал. Google, DeepMind и пара университетов выложили Dream-RSI – подход к рекурсивному самоулучшению агентов. Тут про сон мало что, но звучит красиво :)

Когда агент (AlphaEvolve и подобные) ищет решение, он делает тысячи попыток: ветвится, запускает варианты параллельно, бросает тупиковые линии. Стратегия исследования – где копать, когда остановиться – обычно пишется руками и дальше не меняется. Улучшать её онлайн дорого: чтобы понять, хороша ли стратегия, нужно прогнать весь поиск до конца.

Идея авторов: дерево прошлых попыток – это уже готовый симулятор. Каждый узел хранит реальный результат выполнения, поэтому альтернативную стратегию можно «прогнать» по этому дереву в другом порядке – без единого нового запуска. Это и есть "сон". Мы просто проверяем по прошлым попыткам, не запускаем заново.

Как работает цикл:
– агент ищет онлайн и записывает дерево попыток
– другой агент переписывает код стратегии исследования и проверяет тысячи вариантов по накопленной истории – бесплатно
– в прод уходит только победитель, и он добавляет новое дерево в пул
– текущая стратегия тоже участвует в отборе, так что хуже она стать не может

Короче, по цифрам в 2-3 раза меньше вызовов для решения задач. Причем не надо закладывать успешные попытки в промпт, надо просто прогонять по прошлым вариантам. Короче логируйте не саммари и находки, а все попытки с результатами, это бесплатный полигон для следующих версий.

https://dream-rsi.com/

Хах, лучшая модель для хакинга – DeepSeek V4.1 Flash

Enclave гоняет модели на своём бенчмарке AI-хакинга: изолированные копии Grafana, Jenkins и Nextcloud с уязвимостями, задача – получить выполнение кода на сервере. И тут внезапно лучшим оказался не топовый Opus или GPT, а дешёвая «флешка» от DeepSeek.
– 11 из 11 уязвимых целей взломаны, все 4 пропатченные версии устояли
– 2 349 bash-команд, около 2,5 часов активной работы модели
– медианная успешная атака – 4 минуты 38 секунд, Grafana падала за 52–90 секунд
– 268 млн входных токенов, из них 266 млн из кэша – отсюда и цена
– $4.65 за засчитанные прогоны, $5.14 с учётом неудачных

Прикол, что выяснилось, что по задуманному авторами пути взлома модель прошла только в 6 случаях. В остальных 5 она нашла более короткие обходные маршруты, которых создатели бенчмарка не заметили. Например, в Jenkins: нашла дыру в границе проверки прав, вытащила приватный credential, залогинилась и выполнила код.
Короче, ребята, не забывайте обновлять все ваши библиотеки и сайты в ТОТ ЖЕ ДЕНЬ как вышли исправления. Всякое старье скорее всего уже хакнуто и майнит или ботнет запускает...

https://enclave.ai/blog/deepseek-v41-flash-is-now-our-best-hacking-model

Автономный ИИ для бизнеса

И еще из интересного. Те самые ребята, что ставили вендинговый автомат под управлением Claude в офисе Anthropic (Project Vend), теперь отдают свою платформу всем желающим. Pion – это то, на чём у них крутятся все реальные бизнесы: автомат, магазин Andon Market в Сан-Франциско, кафе Andon Cafe в Стокгольме и даже пара AI-радиостанций.

Что интересного в истории:
– Vending-Bench изначально делали как оценку опасных способностей. Вопрос стоял так: может ли ИИ сам добывать ресурсы, чтобы потом делать с ними что захочет. Вендинг взяли просто как самый тупой бизнес из возможных.
– В 2024 все модели застревали в циклах, а Sonnet 3.5 писал в ФБР про «киберфинансовое преступление» и объявлял бизнес квантово несуществующим.
– Opus 4 в мае 2025 первым обошёл человека. Дальше график растёт линейно – примерно +$822 к результату каждый месяц, без плато.
– В мультиагентной версии (модели конкурируют) с Opus 4.6 пошли сговор, обман и power-seeking. Anthropic после этого поменяла рецепт обучения для 4.8. Часть поведения в свежих моделях всё ещё есть.
– Реальный автомат сначала терял деньги (раздавал товар бесплатно, галлюцинировал, что у него есть тело), к концу 2025 вышел в плюс. Магазин и кафе пока убыточные – аренда и зарплаты живым людям, которых агент нанял.

Зачем открывают: им не хватает своих бизнесов и экспертизы, чтобы понять, где модели реально могут зарабатывать. Особенно интересны действующие компании с выручкой – там сигнал быстрее. Агенту дают почту, телефон, банк, браузер и защищённую среду. Пока research preview по вейтлисту.

Ну и чего, отдадите свой бизнес на полгода ИИ для науки? :)

https://andonlabs.com/blog/why-we-built-pion

Свежие бенчмарки моделей на кодинге (для очередных дискуссий, Claude vs Codex)

Specific Labs выпустили бенчмарк, где модели чинят не задачки с GitHub, а настоящий код реальных компаний – лицензировали приватные репозитории (клон Partiful на 200K+ юзеров, финтех со 100K+ банковскими выписками, enterprise sales-платформы) и взяли оттуда живые задачи: налоги в инвойсах, миграции биллинга, метеринг токенов. Код в интернете не лежит, модели на нём не учились. Результат отрезвляет.

– Лидер – Fable 5.1 в Claude Code, 38.8% решённых задач
– GPT-6 Astra в Codex – 33.8%, Grok -32.5% (вау), Gemini 3.8 Flash – 31.2%
– GLM 5.3 – 28.8%, Muse Spark 1.3 – по 23.8%, Kimi K3 – 18.8%
– GPT-5.6 Sol – 16.2%
– 6 из 10 задач решаются реже чем в 15% случаев, одну (analytics stream reducer) не решил никто ни разу
– Медианное решение трогает 11 файлов – против 6 в FrontierCode и DeepSWE
– Цена одного прогона: Gemini Flash $2.50, GPT-6 Astra $4.67, Fable 5.1 $6.96

Интересно, как модели проваливаются. Главная причина – пропущенные требования из ТЗ (у Grok – 67% всех фейлов). Вторая – «не проверил, придумал» – так падает 43% неудачных прогонов GPT-5.6. Третья – правильная идея, криво встроенная в систему (Gemini – 49%). Причём короткие прогоны до 10 минут фейлятся с той же частотой, что и длинные – проблема не во времени, а в том, что агент не понял, как устроена компания и её код.

Короче, разработчика могут заменить пока только в трети случаях. Но тут надо сказать, что описание компании и кодовых принципов в claude.md/agents.md никто не писал, это такой чисто "вайбкодинг-стайл" тест. Должно быть сильно лучше при правильном подходе.

https://withspecific.com/benchmarks/real-swe

А вот еще штука от OpenAI для инвестбанкиров (удивительно, как OpenAI сжирает все больше вокруг себя)

Целевая аудитория – люди в инвестбанках, которые целыми днями готовят отчёты по компаниям: сколько стоит, сколько зарабатывает, стоит ли покупать, кому можно продать.
Что изменилось по сравнению с обычным ChatGPT:
– внутри уже есть платные базы данных, за которые аналитики обычно платят отдельно: финансовая отчётность компаний, расшифровки звонков с инвесторами, новости, данные о стартапах и частных компаниях. Не нужно копировать таблицы руками – модель сама достаёт цифры
– если у банка уже куплены подписки на другие источники данных, они подключаются одним логином
– каждая цифра в ответе со ссылкой на источник – можно проверить, откуда она взялась, а не гадать, придумала ли модель
– админ загружает фирменные шаблоны Excel, Word и PowerPoint – и ChatGPT собирает презентации и финансовые модели сразу в корпоративном оформлении
– всё, что требует служба безопасности банка: разделение доступов между отделами, чтобы аналитик не увидел инсайд из соседней сделки, единый вход, логи для проверяющих, данные не идут в обучение
Партнёры на старте – Morgan Stanley и Evercore. Цен нет, «свяжитесь с отделом продаж».

Короче, модель + профильные данные + шаблоны документов + корпоративная безопасность = продукт под индустрию. Следующие очевидные кандидаты – юристы, медицина, страхование. И это удар по стартапам, которые последние два года делали «ChatGPT для аналитиков» поверх API OpenAI – платформа пришла и сделала то же самое сама...

https://openai.com/index/introducing-chatgpt-financial-services/

Опа, OpenAI выпустила Agents API – ИИ-агент из коробки

Одним вызовом описываете задачу, модель, инструменты и окружение – и получаете готового агента, который работает на той же оркестрации, что Codex и агенты внутри ChatGPT. То, что раньше надо было руками собирать на всяких библиотечках. И по сути конкурент anthropic managed agents.

Что внутри:
– автоматическая компрессия контекста, когда сессия подходит к лимиту
– tool search – определения инструментов подгружаются по мере надобности, а не висят в промпте и жгут токены
– programmatic tool calling – параллельные вызовы и цепочки
– субагенты из коробки (по умолчанию до 3 параллельно)
– MCP, свои функции, встроенный веб-поиск
– два варианта исполнения: песочницы OpenAI или свой compute, с интеграциями Cloudflare, Vercel, Modal, E2B, DigitalOcean, Oracle и др.

Цены: отдельной платы за сервис нет, платите только за токены и инструменты. Харнесс открытый – это тот самый Codex, код лежит на GitHub.

Цифры от ранних клиентов: SafetyKit – минус 60% стоимости на кейс, Hypha – минус 86% неудачных ответов агента, Ciridae – качество на евале с 0.71 до 0.85 и латентность в 4 раза ниже.

Короче, теперь бьют по прослойке фреймворков. Стартапы и компании собирали на LangGraph и Agents SDK то, что здесь дают одним вызовом – память, компрессию контекста, subagents. Теперь вопрос к вам будет «а зачем нам это все». Но с другой стороне все держите у OpenAI, переезжать больнее. Короче, для простых клиентов и собственных проектов - норм, гораздо проще, чем раньше. Для продакшена и энтерпрайза - ну такое.

https://openai.com/index/introducing-the-agents-api/

О, и GPT-Live-1 теперь в API!

Голосовую модель из ChatGPT открыли разработчикам. Главное – full-duplex: модель слушает и говорит одновременно, без каскада STT – LLM – TTS и ручной обработки перебиваний.

– Думать отдаёт бэкенду: GPT-6 Astra, Luna или сторонней модели
– Full Duplex Bench – плюс 30 пунктов к прошлой GPT-Realtime-2.1
– Speak: перебиваний на паузах меньше почти на 80%
– Телефония из коробки, 12 новых голосов

$0,05 за минуту голосового слоя – $3 в час плюс токены бэкенда. Ну с этим уже можно жить!

https://openai.com/index/introducing-gpt-live-1-in-the-api/

OpenAI побили еще сотню стартапов "AI аналитики"

Выпустила Data agent в ChatGPT Work – плагин, который подключается к корпоративным данным, сам пишет SQL, ищет, что изменилось, и собирает интерактивные дашборды, которыми можно поделиться. Вопрос задаёшь словами, код не нужен.

Что внутри:
– источники: Snowflake, BigQuery, Databricks, Redshift, ClickHouse, MongoDB, Datadog, плюс Google Drive и SharePoint
– BI: Tableau, Power BI, Sigma, ThoughtSpot, Omni, Oracle BI
– семантический слой: агент берёт термины, метрики и формулы из dbt, Databricks Genie, Snowflake Horizon, GitHub и самих дашбордов – чтобы «выручка» считалась так, как у вас принято, а не как модели показалось
– права: запросы идут под учёткой пользователя со всеми ограничениями по таблицам, строкам и колонкам
– после анализа – рекомендации, кому из коллег это показать, и выгрузка в Slack или почту

Внутри OpenAI это уже стандарт: почти вся продуктовая команда и две трети GTM сидят в этом агенте. Года 2 назад, еще до размышляющих моделей, как раз строили подобную штуку... Теперь это из коробки доступно. Text-to-SQL без него все пробовали, и все получали красивые уверенные цифры, которым нельзя верить. Много приходилось писать прям функций руками, которые может вызывать ИИ, чтобы результат был одинаковый. Теперь думаю с такой клиентской базой и такими провайдерами это вопрос решенный

https://openai.com/index/put-data-to-work/

Посмотрел, что там Apple представила нового в девайсах по ИИ (спойлер - переупакованный Gemini)

Короче, что нового:
– Siri AI выходит в бете 14 сентября с iOS 27. ТОЛЬКО НА АНГЛИЙСКОМ. Остальное подтянется в октябре и дальше. Отдельное приложение с историей диалогов в iCloud, понимание личного контекста (почта, сообщения, фото), осведомлённость об экране и действия внутри сторонних приложений через App Intents (если разработчики поддержали).

– Под капотом – пять моделей третьего поколения, сделанных «в сотрудничестве с Google»: AFM 3 Core на 3B на устройстве, AFM 3 Core Advanced на 20B со sparse-архитектурой (активны 1–4B за раз), облачные AFM 3 Cloud и ADM 3 Cloud для картинок, и AFM 3 Cloud Pro – который крутится на NVIDIA в Google Cloud. Apple арендует чужие GPU под чужой моделью, немыслимо...

– Айфончеги на A20 Pro: 2 нм, два 16-ядерных Neural Engine (32 ядра суммарно), вдвое больше вычислений под on-device ИИ, +50% пропускной способности памяти. iPhone 18 Pro – $1199, Pro Max – $1299, в продаже 18 сентября.
– Складной iPhone Duo за $1999: 5,4" снаружи, 7,6" внутри, тот же A20 Pro. Предзаказ 16 октября. Красивый блокнотик, Samsung там уже в Твиттер изошелся, что через 8 лет Apple догнал )
– AirPods 5 за $129 – чип H3, Live Translation на десятке языков (русского нет, типичные европейские и азиатские) и разговор с Siri на ходу.
– Watch Series 12 ($399) и Ultra 4 ($799): Health Age, Readiness score 0–10, всякая прочая геймификация жизни, пульс каждые 5 секунд, Audio Intelligence с Live Rewind – отматывает последние 15 секунд звука, если вы прослушали (это прикольно, но странно)

– Из интересного еще Apple Reference Image – подтверждение, что фото снято на iPhone, а не сгенерировано.

Короче, Apple арендует и покупает ИИ у остальных, как-то грустновато... Ну и делает гибрид под мини-модель, норм-модель и облако. Ну и если у вас приложение, то поддержка App Intents – маст-хев. Иначе сири про вас ничегошеньки знать не будет.

apple.com/newsroom