ИИ

Goldman Sachs: использование токенов AI-агентами может вырасти в 24 раза к 2030 году. AI-агенты становятся первым серьёзным тестом на стоимость для всего AI-бума. На этой неделе уже писали, что Uber и Microsoft пересматривают дорогие сценарии использования агентов. Обычный чат-бот может просто ответить один раз. А агент планирует, вызывает инструменты, проверяет результат, исправляет ошибки и снова повторяет цикл. Из-за этого один пользовательский запрос может съесть в 10 раз, 50 раз или даже намного больше токенов, чем обычный ответ. Бычий сценарий Goldman Sachs: месячное потребление может дойти до 120 квадриллионов токенов к 2030 году, при этом стоимость inference за токен будет падать на 60–70% в год.

Но это слухи — мелочь по сравнению с другими слухами, о которых я вам сейчас расскажу. — GPT-5.6 станет последней моделью в серии 5.x. Выпуск GPT-6 запланирован примерно через месяц — раньше, чем ожидалось, и даже возможно, что анонс состоится уже в конце этого месяца. — GPT-6 будет основана на новой, значительно более масштабной базовой модели (в отличие от базовой модели «Spud» для 5.5/5.6). — В OpenAI с большим энтузиазмом относятся к этой новой базовой модели: они считают, что она сможет гораздо успешнее конкурировать как с Fable 5, так и с грядущей версией 5.1, релиз которых намечен примерно на то же время. Изначально OpenAI планировала использовать базу Spud и при создании GPT-6, но в итоге отказалась от этой идеи. — Что касается Fable 5.1, она находится на последних стадиях тестирования, и её выход ожидается «в ближайшие недели». — «Однако, когда я говорю «модель анонсируют», это может означать не массовый запуск, потому что правительство может сдерживать выпуск GPT-6, по крайней мере в самом начале». === С одной стороны это — слухи, и даже не от самых крупных инсайдеров. Да, Leo отмечался парой удачных предсказаний/пересказов того, о чем широкая общественность узнавала на пару дней позже. Твиты от Andrew Curran почти всегда пересказ новостей со ссылками на источники, поэтому в буллшите он не был замечен. С другой стороны описание выглядит правдоподобно: Mythos был впервые официально анонсирован ровно 3 месяца назад, и OpenAI уже в тот момент должны были понять (если не понимали или сомневались раньше), что модели имеет смысл масштабировать дальше, делать дороже, лучше, больше. 5.5 — это новая базовая модель, причём не просто «ну мы поучили с нуля», а «в неё вошли уроки, полученные нами за последние 2 года». Если это не пустая фраза представителей компании, а реальное положение дел (что может быть правдой — Dylan из SemiAnalysis говорил, что OpenAI отстали по претрейну и очень долго сидели на GPT-4o, и что даже GPT-5 была очень близка к ней). Но тогда выходит, что 5.5 это валидация подхода, и теперь его можно масштабировать дальше. Несмотря на то, что GPT-5.6 выходит только сегодня, техлид Next.js из Vercel и ключевой разработчик NextJs Tim Neutkens написал, что им модель была доступна уже 2 месяца, то есть через 2 недели после публичного релиза GPT-5.5. Я не вижу смысла ему врать, ну может округлил 7.5 недель до 2 месяцев, окей. А чем OpenAI тогда занимались последние 2 месяца? При том что они понимали, что им нечем (пока) ответить на Fable? В общем комбинация ситуации OpenAI <-> Anthropic и таймлайны выпуска моделей действительно подталкивают к тому, что OpenAI должны разрабатывать более крупную модель, чтобы не отставать, в этом я не сомневаюсь. Но готова ли она к анонсу через месяц? Скорее да, чем нет — иначе уж слишком большой отрыв будет между Fable 5.1 и GPT-5.6 Sol. Мощности у OpenAI для обучения точно есть. А вот назовут ли её GPT-6 — тут только гадать 🤷‍♂️ но если модель качественно лучше и использует новую базу, то почему нет? === Несмотря на всё написанное выше я всё равно отношусь скептически к этому слуху, но также вижу и основания для того, чтобы это оказалось правдой. Неужели мы получим GPT-6 до GTA VI???

TG-RAG: A Retrieval-Augmented Framework for Reasoning Guidance in Specialized Domains Продолжаем рассказывать об интересных работах с ICML 2026. Сегодня наш коллега, Сергей Юдин, разберёт статью о том, как справляться с когнитивным дрейфом больших моделей.

Большие рассуждающие модели (типа DeepSeek) хорошо думают «в общем», но буксуют в финансах, медицине, юриспруденции и других областях, где нужно строго следовать регламенту, SOP или стандартной операционной процедуре. Проблема в том, что на длинных цепочках рассуждений модель «сползает»: пропускает шаги, придумывает свои, отвлекается. Авторы называют это Cognitive Drift («когнитивный дрейф»). Обычные способы лечить этот дрейф работают плохо. Если запихнуть инструкцию в промпт, то модель следует ей только на первых шагах, но по ходу длинного рассуждения эффект уменьшается. Дообучать модель дорого и негибко, а знания быстро устаревают. Даже классический RAG подкидывает регламент как «справочный текст рядом» — то есть как совет, который модель вольна проигнорировать. Идея авторов TG-RAG — не советовать модели, а встраивать нужный шаг прямо в поток рассуждения в момент, когда это нужно. Модель думает шаг → система её останавливает → смотрит, где модель находится в регламенте → подсовывает следующую директиву прямо внутрь рассуждения → модель продолжает. И так до конца задачи. Директива становится более жёстким ограничением, от которого модели трудно отклониться.

#YaICML2026 Душный NLP

SWE-Bench Pro умер и больше не подходит для измерения моделей, – расследование OpenAI Некоторое время назад OpenAI выпустили статью, в которой заявили, что один из самых популярных бенчмарков для оценки способностй моделей в кодинге – SWE-bench Verified – больше не работает. Они нашли в нем кучу проблем, сказали, что результаты на нем мало чего стоят, и призвали всех переходить на SWE-Bench Pro. Подробности вот: t.me/data_secrets/8779. Это было в конце февраля, менее 5 месяцев назад. И угадайте, что? Сейчас OpenAI объявили, что провели аналогичный тест для SWE-Bench Pro, и он... тоже оказался сломан. В случае с SWE-bench Verified основная проблема состояла в том, что модели воспроизводят решения "по памяти" из-за утечек задач в обучающие датасеты. Здесь же проблема скорее в самих задачах. Дело в том, что issues и PR из опенсорсных репозиториев изначально создавались для человеческого сотрудничества через долгие переписки и уточнения, а вовсе не как изолированные, чистые задачи для оценки моделей. В частности, всплыли такие проблемы: – Слишком строгие тесты, которые навязывают конкретные детали реализации, не указанные в условии задачи, из-за чего множество функционально корректных решений отбраковываются. – Тесты с низким покрытием, которые, наоборот, недостаточно проверяют запрошенную функциональность, из-за чего неполные решения все равно проходят. – Вводящие в заблуждение условия, которые направляют модель к неверному поведению или прямо противоречат тому, что требуют тесты. OpenAI оценивает, что примерно 30% задач SWE-Bench Pro сломаны (автоматический пайплайн проверки пометил как испорченные 200 задач, а кампания ручной аннотации людьми – 249 задач, то есть 34,1%). Когда 1/3 задач бенчмарка – с такими ошибками в условиях, доверять ему сложно, поэтому OpenAI формально отзывает свою прежнюю рекомендацию использовать SWE-Bench Pro и "надеется, что сообщество разработает новые бенчмарки, созданные специально для тестирования возможностей моделей". openai.com/index/separating-signal-from-noise-coding-evaluations/

Вот он, настоящий киберпанк Мы тут радостно смотрели, как робаты прыгают сальтухи или разбирают посудомойку. И гоготали, когда они падали на сцене или сходили с ума. Ибо кожаные их так научили. Теперь все наоборот. ИИ говорит кожаному, что делать, и кожаный послушно делает: играет на пианино(хотя не умеет), рисует прямые линии (хотя криворукий по жизни), играет в камень-ножницы-бумага как ему говорит электрический сигнал (дилеры в казино - тема). Короче, теперь кожаный превращается в робата, а его мышцы в приводы. Используется Electrical Muscle Stimulation, EMS - электрическая стимуляция мышц. Как работает этот Human Operator: Камера на голове видит сцену от первого лица. Пользователь произносит команду, например: «Помоги сыграть мелодию». Изображение и команда отправляются в ИИ через Claude API. Модель выбирает последовательность доступных движений: указательный палец, средний палец, большой палец, движение запястья и так далее. Компьютер превращает план в команды с временными метками. Arduino и плата реле подключают нужный канал EMS. Электроды стимулируют соответствующую мышцу, и палец нажимает клавишу. И это не MIT как взвизгивает твиттор, а прототип, созданный командой из всего шести участников на 48(!)-часовом хакатоне MIT Hard Mode 2026. Он победил в категории Learn Track. А дальше мы с вами представляем костюм Айрон Мена, когда вся поверхность отдана под управление. Шутки про nsfw - отставить! Короче, кожаные тренируют робатов, а ИИ - кожаных. Ну и правда, зачем 7 лет ходить в музыкалку - надел перчатки и ну лабать на свадьбах и похоронах! https://humanoperator.org/ @cgevent

Что-то в последнее время я всё чаще вижу статьи о том, что нейронки вообще-то должны были помогать человечеству, а на деле загоняют нас куда-то не туда. Типа мы должны были работать меньше — а работаем больше. Должны были деливерить быстрее — а по ощущениям скорость всё та же. 🤔 И у меня, честно, двоякие мысли по этому поводу. С одной стороны, я действительно на себе ощущаю эту штуку, когда у тебя есть целая армия агентов, и ты вместо того, чтобы работать меньше, начинаешь работать больше. Потому что это очень сильно затягивает. 🤷‍♂️ Ты видишь эту скорость и такой: — О, я могу ещё вот это реализовать — А ещё вот эту задачу закрыть — А у меня же был проект, который я забросил, потому что не было времени. Сейчас можно и его сделать И ты попадаешь в петлю бесконечной работы. 😩 Потому что скучную, рутинную, неинтересную часть теперь может сделать кто-то другой. А ты как визионер просто говоришь: идём вот в этом направлении. И получается парадокс: работать мы стали больше. 🤔 С другой стороны, я вроде как НЕ вижу какого-то сильного увеличения скорости закрытия задач. На работе я всё так же укладываюсь в оценку, которую ставлю на задачи. И оцениваю я их примерно так же, как и до LLM-эры. Но потом я немного посмотрел на это ретроспективно. Пооткрывал старые задачи, вспомнил, как это было раньше, и понял, что это ощущение, скорее всего, ложное. Оно появляется из-за того, что пока агент выполняет задачу, я могу отвлечься и сделать параллельно что-то ещё. 😅 Из-за этого время выполнения как будто растягивается. И ты такой: «Ну, быстрее вроде не стало». А на самом деле стало. Например, создание какого-то нового экрана в приложении раньше у меня могло занимать до недели. Сейчас я могу сделать экран меньше чем за день. 🤯 Просто потому что нейронка напишет большую часть рутинного кода, и мне не нужно будет тратить на это время. 🤷‍♂️ То есть, с одной стороны, ускорение есть. С другой стороны, из-за того, что тратится время на генерацию, ты отвлекаешься. И все ускорение нивелируется тем, что ты начинаешь размазывать фокус. 🤔 Получается странная штука. Технология вроде крутая, она правда ускоряет, она правда помогает. Но либо мы ещё не научились пользоваться ей так, чтобы она была нам не во вред а в пользу, либо это как со сладким: вроде вкусно и полезно, но если много съесть — то вредно. 😅 Какие-то такие мысли. Вывода у меня нет, просто делюсь горячими мыслями. Если у вас есть свои наблюдения — давайте в комментариях пообсуждаем. Помогают нейронки или делают только хуже? Свята место | 10МДК | ВЕБМастер | YHub

Наверное, как и многие, я выбрала все лимиты fable 5 внутри подписки ещё ко вторнику. Чтобы ни один «бесплатный» токен не пропал. Смешно, но у меня было даже лёгкое разочарование: fable в подписке продлили, а ресет лимитов не сделали. Модель так хороша, что апгрейднула подписку снова до 200€, потом ещё докупила extra usage credits, лишь бы закрыть задачу. Но 20€ улетают за пару запросов. Теперь жду 14:00 завтра, чтобы снова активно загружать fable и выбрать все возможное до 12 числа. А сегодня ждём gpt 5.6, главного конкурента fable 5. Поэтому все утро я занимаюсь чем? Да чем угодно, но немного и планированием задач на выходные. Попробую продолжить концепцию building in public. Буду рассказывать, над чем работаю. omnu.ai: – Лендинг: карточки с рецептами – Маркетинг: google keywords, google ads, instagram, tiktok, youtube – доработка генерации с учётом имеющихся ингредиентов, оборудования и замен – Библиотека рецептов от omnu – Библиотека кофейных профилей + поиск поставщиков по локации – Возможность добавить свою посуду или работать с выбранными брендами Сайд-проекты: puzzle app landing, wishlist app, matie (context app), nicelook (themed photoshoots), calima app, content stream app, mediastream app, storybook, waiter app Посмотрим, сколько из этого будет сделано к понедельнику. Ведь у меня выходные - самые загруженные дни, ведь в садике выходные. @wealldesigners

👀 Fable 5 vs GPT-5.6-Sol - "мудрая сова" против "ротвейлера" Питер Гостев (AI Capability в Arena.ai) выдал лучшее сравнение двух фронтовых моделей, которое я видел. Метафора такая: Fable 5 - "wise owl" - Фундаментально умнее: даже на низком reasoning выдаёт инсайты - Пишет ясно и убедительно - UI с нуля строит красивее, флоу приложения изящнее - Но высокомерная: просил сделать бенчмарк - вернулась через 40 минут с "вайб-слопом" и сама себе поставила 100% - Часто упускает ключевые детали - "никогда не можешь расслабиться" - Заметно медленнее и жрёт больше токенов GPT-5.6-Sol - "rottweiler" - Схватит задачу за горло и не отпустит пока не сделает - Дашь список из 8 пунктов - будешь уверен что всё выполнено - Тот же бенчмарк делала 6 часов, но в итоге рабочий и протестированный - Надёжность: "почти никогда не случается" что что-то упущено - Computer use - реально рабочий, монтаж видео из 1ч footage делает 5мин хайлайты - Субагенты и долгие задачи через /goal - можно гонять днями - Следует существующим паттернам кода - без просьбы делает в стиле проекта - Сильно экономнее токенов и быстрее чем 5.5, в реальности быстрее Fable тоже Идеальный воркфлоу по Питеру: архитектура с Fable - реализация с 5.6 - снова с Fable. Как вам сравнение? 🗿 @how2ai |

📖Фундаментальный гайд по сборке ИИ-агентов Голая языковая модель - это просто генератор текста. Чтобы она начала выполнять задачи автономно, нужна инфраструктура. На GitHub выложили подробное руководство по созданию таких обвязок с нуля. 🔍Внутри разобрана вся техническая механика. Авторы пошагово показывают, как прикрутить к LLM долгосрочную память, настроить динамическую сборку контекста, подключить выполнение внешних инструментов и жестко задать границы безопасности. Отдельно препарируется логика работы в изолированных песочницах и оркестрация мультиагентных систем. Материал построен на практике и подкреплен готовым кодом. Для понимания рынка авторы напрямую сравнивают подходы к архитектуре в популярных инструментах: Cursor, Aider и Claude Code. Руководство полностью открытое. Если планируете собирать рабочие системы, а не просто перекидываться текстовыми промптами в чате - забирайте репозиторий по этой ссылке. 🦔 CyberYozh

Подборка методов улучшения LLM На этот раз собрали несколько статей на тему обучения и инференса LLM. Ожидаемо, эта область на ICML 2026 — самая популярная и обсуждаемая. Rethinking the Trust Region in LLM Reinforcement Learning Сингапурские учёные рассматривают проблему нестабильности GRPO-like-алгоритмов. Авторы связывают её с асимметричностью применяемого клиппинга относительно абсолютного значения правдоподобия сгенерированной траектории. Разброс значений IS (очень шумной оценки trust region в PPO) снижается с ростом вероятности, вследствие чего клиппинг чаще срабатывает на высокоэнтропийных генерациях. Эту проблему уже частично лечили в DAPO, повышая правую границу клиппинга. Здесь же предлагают перейти к более точным оценкам trust region: через KL-отклонение по полному словарю, по top-K или через альтернативную, но более подходящую односемпловую оценку. В экспериментах показывают более стабильное обучение. Кроме того, в статье много аблейшнов и интересных выводов. Don't Force the Fit: Bounded Log-Likelihood Loss for Enhanced Reasoning in Large Language Models Очный доклад о модификации SFT-лосса для обучения на ризонинг-задачах. Предлагают перейти от классической кросс-энтропии L = - log p к ограниченной в нуле: L = log (2 - p). На высоковероятных токенах градиент нового лосса приближается к классическому CE, а вот на низковероятных — не улетает в бесконечность, а ограничен небольшим значением. Мотивация такого подхода в том, что в ризонинг-цепочках есть множество высокоэнтропийных токенов, которые отвечают скорее за «стиль» рассуждения, но не влияют на его качество. При этом они отбирают значимую часть обучения, не давая как следует обучиться действительно важным токенам. Приросты на графиках выглядят неправдоподобно большими. Sparser Block-Sparse Attention via Token Permutation Ресёрчеры решают проблему long-context-префилла: full attention дорогой, а обычный block-sparse attention не всегда хорошо работает, потому что важные key-токены размазаны по разным блокам. Идея PBS-Attn: перед block-sparse attention переставить K/V-токены так, чтобы важные токены оказались рядом. Аттеншн не меняется при одинаковой перестановке K/V, зато sparse-блоки становятся более плотными и полезными. Из-за каузальной маски нельзя перемешивать всё подряд, поэтому авторы делают перестановку внутри сегментов. Это сохраняет авторегрессивность, но всё ещё позволяет «дефрагментировать» матрицу аттеншна. Плюс в том, что это не новая архитектура. Можно взять предобученную модель, добавить permutation и block-sparse-кернел и ускорить long-context-инференс. На LongBench качество почти такое же, как у full attention, и лучше, чем у других бейзлайнов. По скорости заявляют до 2,75× ускорения на long-context-префилле. Critique-GRPO: Advancing LLM Reasoning with Natural Language and Numerical Feedback Ещё один подход к тому, как делать критику в GRPO. На сложных бенчах обучение в какой-то момент начинает стагнировать. Авторы предлагают добавить reward-модель, которая будет писать критику ответа актора. Затем эта критика подаётся модели вместе со старым ответом, и модель пишет ответ лучше. После этого даунсемплят такие аугментированные примеры и конкатят их с обычными. На сете семплов с критикой модель учат сразу на улучшенный ответ — без промежуточной критики и первого ответа, как будто это изначально была такая генерация. На математических и научных бенчах (AIME, MATH, GPQA) получают приросты от 7 до 12 пунктов. Спросил автора, как бы он внедрял это в агентный RL. Он сказал, что, по его мнению, у модели должна быть тула «покритикуй мою текущую траекторию». Интересный подход. Личное мнение: непонятно, насколько вообще критика в RL полезна. Как будто правильнее решать проблемы, которые она пытается закрыть, другими способами. Увидели интересное ❣ Алексей Зотов, Влад Тыцкий и Тимофей Смирнов #YaICML2026 Душный NLP