Data Mining | Анализ данных🚀

⬇️⬇️⬇️

Mistral показала Large 4 - триллионную мультимодальную модель, которая на каждом токене включает только 49 млрд параметров. Главный прикол в том, что модель огромная по общему объёму, но при ответе запускает лишь нужную часть сети. Mistral пытается получить уровень флагманов без конского счёта за каждый запрос. Контекст у Large 4 - до миллиона токенов, в API миллион входных токенов стоит $1,36, выходных - $4,18. По данным Mistral, модель набрала 61,7% на DeepSWE, где агент решает долгие задачи в реальных репозиториях, и 59,9% на AutomationBench с многошаговыми рабочими процессами. Уже сейчас доступен preview через API, сами веса обещают выложить до конца октября. Тогда Large 4 можно будет скачать и запустить у себя, а не только арендовать у Mistral. Пока это сильная заявка, а не проверенный новый лидер. Бенчмарки опубликовала сама Mistral, подробности архитектуры и обучения обещают раскрыть позже.

⬇️⬇️⬇️

Длинные рассуждения не всегда делают модель умнее. Иногда она уже дошла до верного ответа, но продолжает гонять одни и те же проверки и просто сжигает токены. В Think Right модель во время дообучения учат выбирать длину размышления под сложность задачи. Если несколько попыток легко находят ответ, рассуждение можно сильнее сжать; если задача тяжёлая - лучше оставить больше шагов. Ненужные куски цепочки она определяет по собственному attention: убирает то, к чему финальный ответ почти не «обращается». На Qwen3-4B подход поднял среднюю точность на четырёх бенчмарках с 39,8% до 48,2%, а среднюю длину рассуждений сократил с 7,6 до 4,8 тыс. токенов. То есть модель стала и точнее, и на 36,8% менее болтливой - редкая комбинация, потому что обычное урезание рассуждений часто режет и качество. Обучали TRAAC только на математических задачах, но затем проверили на вопросах по науке и сложных логических задачах: там Qwen3-4B тоже прибавил в точности и сократил ответы примерно на 40%. Пока это не настройка, которую можно включить в любом чат-боте: метод требует отдельного дообучения модели. Но направление понятное - не заставлять ИИ всегда думать «на максимум», а давать ему ровно столько времени, сколько реально нужно. https://arxiv.org/abs/2510.01581

⬇️⬇️⬇️

OpenAI дропнула GPT 6.1 Sol – модель почти уровня Astra, но с ценником примерно в пять раз ниже. На DeepSWE, где агенты чинят реальные кодовые базы, новая Sol догнала Astra и обошла прошлую GPT 6 Sol на 6,4 п.п. На OSWorld 2.0 она отстала от Astra всего на 2,1 п.п., зато один такой запуск обходится примерно в семь раз дешевле. По API входной миллион токенов стоит $2, выходной – $10, а кэшированный входной контекст – всего $0,10. Для агентов это важная штука, потому что они постоянно переносят между запросами историю задачи, файлы и результаты прошлых действий. В научном Terminal Bench Sol в среднем тратила $5,47 на задачу против $23,80 у Astra, хотя Astra там всё ещё заметно сильнее. Но к цифрам при этом стоит относиться спокойно. OpenAI тестировала GPT 6.1 Sol в своей среде или через собственный API, а результаты конкурентов брала из их публичных отчётов. Поэтому это пока не полностью независимое сравнение. Но общий тренд уже виден: мощные агенты постепенно перестают быть дорогой игрушкой только для самых крупных команд.

⬇️⬇️⬇️

H Company выпустила Holo4 - открытого агента для интерфейсов, кода, API и MCP‑инструментов. В линейке две версии: плотная 27B и MoE‑модель 35B‑A3B. Для Holo4‑27B компания заявляет 85,2% на OSWorld при цене около $0,08 за задачу. На более свежем OSWorld 2.0 результат скромнее - 61,7%, тогда как у Claude Opus 5.5 там 81,8%. Плюс H Company выложила 7 366 полных траекторий тестов. То есть можно посмотреть не только на финальный процент, но и на конкретные действия агента: куда он кликал, где ошибался и как добирался до ответа. Независимой проверкой это пока не назовёшь, потому что Holo4 запускали в собственном harness, а результаты конкурентов взяли из разных источников и с разными настройками. Но теперь хотя бы есть что разбирать, помимо красивых цифр в релизе.

⬇️⬇️⬇️

Claude смог почти автономно выполнить девятицикловый расчёт из теоретической физики, который до этого напрямую не удавалось провести ни одной исследовательской группе. Задача была из N=4 super Yang-Mills: грубо говоря, нужно было шаг за шагом собрать крайне сложный расчёт амплитуды рассеяния. Claude Fable 5.1 работал через Claude Science и сделал это двумя способами, практически без научного надзора - исследователи в основном просто просили его продолжать работу. Один из запусков занял неделю на 96 CPU, а весь прогон обошёлся бы пользователю примерно в $1-2 тыс. Результат отдельно проверил физик Лэнс Диксон из SLAC и Стэнфорда. Почти параллельно похожего прогресса добилась и человеческая группа с GPT-6 в роли помощника. Поэтому главный момент здесь не в новом физическом методе, а в автономности: Claude без постоянной помощи человека смог сам пройти сложную исследовательскую процедуру, писать код, организовать вычисления и довести работу до конца. Мы всё ближе и ближе к тому, чтобы увидеть AI-агента не просто помощником учёного, а самостоятельной исследовательской единицей🤓

⬇️⬇️⬇️

Coding agents пока умеют чинить отдельные фичи, но теряются, когда из них нужно собрать работающий продукт. В ProgramDistill агенту показывают рабочую версию веб-сервиса и её сломанную копию. Кода оригинала он не видит, поэтому сначала сам разбирается, как работает нужная функция, а потом пытается вернуть её в копию. Чтобы понять, где агент начинает сыпаться, задачи разложили на восемь уровней. На первом нужно восстановить одну сломанную фичу - например, создание карточки. На втором к ней добавляют ещё одну зависимую функцию, на третьем - ещё одну, и так далее. На восьмом уровне уже нужно собрать обратно целый пользовательский путь из восьми частей: зайти в сервис, создать проект, доску, карточки, настроить права, написать комментарий. Если на любом шаге что-то не работает, задача считается проваленной. На первой ступени GPT-6 Astra справляется в 100% случаев, Claude Opus 5 - в 96%. Когда тот же сценарий разрастается до восьми связанных фич, показатели падают до 64% и 32%. В одном кейсе Astra даже вернула drag-and-drop в Trello, но при сбросе карточки в центр колонки ставила её в обратном порядке. Агент проверил другие действия на доске, а этот сценарий после финальной правки не повторил - и баг остался. Вот чем полезен такой бенчмарк: он показывает не только общий процент, но и место, где агент теряется. В наблюдении за продуктом, реализации фичи или проверке готового workflow. По таким задачам уже можно точнее настраивать и обучение, и саму логику coding agents. https://arxiv.org/pdf/2609.18805

⬇️⬇️⬇️

Perplexity пустила GPT 6 Astra ближе к продакшену, чем обычно пускают LLM. Модель уже не просто предлагает патчи в редакторе кода. В Perplexity она меняет рабочие системы, следит за production software и пишет тестовые программы для целых цепочек сервисов. Например, Astra может подменить внешний API или коннектор, сымитировать реалистичный ответ и проверить, не развалится ли весь сценарий на стыке нескольких сервисов. Инженеры говорят, что теперь не сидят у модели над душой после каждого действия - заглядывают заметно реже, чем с прошлыми поколениями. Довольно смелый мув, учитывая, что Perplexity доверила Astra не только код, но и изменения в рабочих системах с мониторингом продакшена крупного поисковика, конкурирующего с Google. Правда, есть и пара сомнительных моментов. Никаких конкретных цифр нам не показали, сам кейс вышел на сайте OpenAI, да и Perplexity не раскрыла ни рост точности поиска, ни число задач, которые Astra делает без человека, ни статистику ошибок. Поэтому, сейчас это больше похоже на громкий маркетинговый сигнал, чем доказательство, что AI-агент уже уверенно рулит продакшеном.

⬇️⬇️⬇️

OpenBMB выпустили MiniCPM5 2B - открытую локальную модель на 2,6 млрд параметров. В свежем Intelligence Index она набрала 15 баллов. Это лучший результат среди открытых моделей меньше 4B: ближайшая Granite 4.2 3B получила 11, а Qwen3.5 4B - 14. По сути, модель размером для локального запуска уже держится рядом с вариантами в 2-4 раза крупнее. MiniCPM5 2B не ограничили обычным чат-режимом. Ей дали контекст на 131 тыс. токенов, работу с инструментами и упор на код, математику и агентские задачи. В тестах OpenBMB она решила 46,4% задач SWE bench Verified - заметно выше Qwen3.5 4B с 33,6%. Веса вышли под Apache 2.0 вместе с 4-битными версиями для Ollama, LM Studio и llama.cpp. Годный вариант для тех, кому нужен локальный помощник по коду или небольшой агент без облака и платного API.

⬇️⬇️⬇️

Один и тот же LLM-judge может выдать разные рейтинги, даже если отправить ему ровно один и тот же запрос. В статье прогнали 52 988 API-вызовов и проверили, насколько стабильно модель ранжирует ответы. Повторные рейтинги в одном окне дали корреляцию 0,40 при пороге 0,90, а на следующий день совпали только 78 из 100 ранжирований вместо нужных 99. При этом запросы были идентичны по SHA-256, модель та же, temperature 0, ответы валидные - но порядок кандидатов всё равно плыл. Увеличение числа вызовов картину не исправило. В симуляции число запросов подняли до 748 000: медианная корреляция выросла с 0,33 до 0,57, но ни один из 500 прогонов не прошёл порог 0,90. Усреднение снижает случайный шум, но здесь различия между кандидатами оказались меньше шума самого инструмента. Дальше прогнали тот же тест через DeepSeek, Mistral, OpenAI и Qwen. Совпадение рейтингов в течение дня оказалось на уровне 0,74-0,88 у всех четырёх. За API модели скрывается shared infrastructure с батчингом и нагрузкой, а название модели в ответе не гарантирует, что сегодня и завтра она будет вести себя одинаково. Поэтому перед запуском бенчмарка или LLM-фильтра стоит сначала проверить, насколько стабилен сам судья. Иначе разница в пару баллов между моделями может оказаться не результатом теста, а случайным сдвигом в ранжировании. https://doi.org/10.48550/arXiv.2609.04198

⬇️⬇️⬇️

OpenAI притормозила обучение Astra, потому что новая модель слишком хорошо ищет уязвимости. Во внутренних тестах Astra находит и помогает эксплуатировать ранее неизвестные баги лучше любой публичной модели OpenAI (даже флагманской GPT-5.6 Sol), при этом тратит меньше вычислений. Компания впервые отнесла её к уровню «критических» кибервозможностей - такой порог требует защиты уже во время обучения, а не только перед релизом. OpenAI пришлось на две недели заморозить этап reinforcement learning, чтобы усилить защиту исследовательской среды: изолировать рискованные запуски от сети, ужесточить песочницы и расширить мониторинг. Крупнейший обучающий ран запустили обратно только 28 августа. Теперь каждый запуск Astra с доступом к инструментам постоянно мониторят. Если система замечает попытку получить доступ, украсть данные или обойти защиту, у команды есть 30 минут, чтобы разобраться, иначе работу останавливают. Такой контроль добавляет около 20% к вычислительным затратам именно проверяемых запусков. Astra обещают отдать ограниченной группе пользователей уже скоро, но кого именно туда пустят, OpenAI пока не раскрывает.