BOM Voyage

Siemens: Manufacturing Intelligence: AI in the Fab Siemens EDA опубликовала технический разбор архитектуры Manufacturing Intelligence для фабрик полупроводников. Наиболее интересна показанная структура Fuse AI: человек ставит задачу, дальше работают отдельные LLM-агенты планирования и надзора, связанные с памятью, хранилищем результатов, MCP-клиентами, графом знаний и цифровыми двойниками реального оборудования — OPC, электронного микроскопа, сканера и других установок. При этом физические модели, анализ данных и системы управления остаются детерминированными и проверяемыми, а ИИ выступает оркестратором. Siemens формулирует рабочую триаду так: моделирование определяет допустимое пространство решений, метрология привязывает его к реальности, ИИ выбирает, где действовать, и организует проверку. Отдельно подчёркивается требование, чтобы агент показывал, что он сделал, как и почему. https://blogs.sw.siemens.com/calibre/2026/09/01/manufacturing-intelligence-ai-in-the-fab/

Linkage Design Becomes Authorized Reseller of CAD as Code Platform to Unify Product Development Lifecycle Workflow Linkage Design, специализирующаяся на PLM и цифровой трансформации, стала партнёром и интегратором CAD as Code — платформы, где конструктивный замысел, геометрия и логика описываются машинно- и человекочитаемым кодом, геометрическое ядро основано на Parasolid, а версии и различия моделей можно вести через GitHub. Платформа поддерживает Python и программируемые циклы CAD → CAE → изменение, а сама компания демонстрирует построение CAD-моделей агентами без специального обучения модели. Новость нишевая, но направление существенно: вместо обучения LLM понимать непрозрачные CAD-файлы инженерное представление изначально делается пригодным для людей, программ и агентов. https://www.einpresswire.com/article/938498322/linkage-design-becomes-authorized-reseller-of-cad-as-code-platform-to-unify-product-development-lifecycle-workflow

Siemens: The Architecture of Truth: How Siemens’ AI-Powered Executable Digital Twin is Rewriting the Rules of Industrial Intelligence Siemens развивает исполняемый цифровой двойник - облегчённую расчётную модель оборудования, работающую непосредственно во время эксплуатации. В отличие от обычного цифрового двойника, который часто ограничивается геометрией и данными датчиков, такая модель непрерывно рассчитывает физическое состояние объекта и позволяет оценивать даже напрямую не измеряемые параметры. Подробные модели Simcenter преобразуются с помощью моделей пониженного порядка и машинного обучения в компактную форму, пригодную для расчётов в реальном времени. Это позволяет использовать инженерное моделирование для контроля режимов работы, диагностики и проверки сценариев «что будет, если». Архитектура Siemens объединяет производственные данные, физическую модель и искусственный интеллект. Данные АСУ ТП, датчиков, ERP и других систем дополняются моделью поведения оборудования, а ИИ используется для поиска отклонений и анализа причин. Важное отличие от обычной аналитики состоит в том, что предполагаемую причину неисправности можно проверить на физической модели. Например, обнаружив изменение вибрации, система может сопоставить его с историей эксплуатации и проверить, соответствует ли гипотеза о неисправности реальному поведению машины. Таким образом, CAE-модель перестаёт быть результатом только этапа разработки и становится частью эксплуатации изделия. Она получает реальные данные и используется для диагностики, прогнозирования и оптимизации, продолжая цифровую нить от проектирования до работающего оборудования. Siemens приводит пример BASF, где цифровой двойник сети охлаждающей воды рассчитывает потоки и давления без дополнительных датчиков, помогает находить засорения и проверять режимы работы. В более широком смысле такой двойник становится физически обоснованным слоем между инженерными моделями и ИИ-агентами, позволяя проверять их выводы и предлагаемые действия относительно реального объекта.

C‑Infinity — американская компания, которая с 2023 года разрабатывает инженерный искусственный интеллект для перехода от цифровой конструкции изделия к плану его сборки. Ее основной продукт AutoAssembler занимает промежуточное место между CAD/PLM и производственным планированием: получает геометрию и состав изделия, определяет связи между деталями, проверяет возможные перемещения и столкновения, а затем формирует производственный состав, последовательность операций и трехмерные рабочие инструкции. Компания называет систему «компилятором физического мира»: CAD-модель служит исходным описанием, а результатом становится исполнимый план для людей, оборудования и в перспективе роботов. В основе AutoAssembler лежит сочетание вычислительной геометрии, графового представления сборки, машинного обучения и логического планирования, поэтому система не просто предлагает решения, а проверяет их физическую выполнимость. В апреле 2026 года C‑Infinity привлекла 16 млн долларов на развитие продукта. Вчера они опубликовали статью об автоматическом сравнении версий крупных сборочных моделей. AutoAssembler сопоставляет геометрию, положение и окружение компонентов, отделяет реальные изменения от погрешностей экспорта и определяет добавленные, удаленные, перемещенные и замененные детали. Система учитывает, что механизм может быть сохранен в другом положении, а новый компонент — выполнять ту же функцию, что и прежний. Заявляют что анализ сборки из тысячи деталей занимает одну-две минуты вместо нескольких часов ручной работы. https://c-infinity.ai/blog/autoassembler-compares-1000-part-cad-assemblies-in-minutes AutoAssembler показывает, какие части производственного состава, операции и инструкции можно сохранить, а какие требуется пересмотреть, и тем самым система дополняет PLM: PLM хранит версии, конфигурации и согласования, а AutoAssembler определяет физические и технологические последствия изменений. Это позволяет не создавать технологический процесс заново, а обновлять только затронутые операции.

Broadcom представила AgentMinder — систему управления ИИ-агентами во время работы с корпоративными данными и приложениями. Перед каждым действием она проверяет, кто агент, какую задачу он выполняет, какие ресурсы ему разрешены и соответствует ли действие заданной цели. Таким образом AgentMinder становится промежуточным управляющим слоем: агент может самостоятельно планировать работу, но доступ к данным и инструментам проходит через независимый контроль. Система связывает полномочия агента с его задачей, допустимыми действиями и ресурсами, проверяет обращения к инструментам во время выполнения и сохраняет подробную историю для аудита. Применительно к инженерному домену это означает что агенты в такой системе могут получать право изменять требования, состав изделия, CAD-модели, технологические процессы и другие критичные данные. В таких системах уже недостаточно обычных прав доступа: нужно контролировать, соответствует ли конкретное изменение порученной задаче и полномочиям агента. AgentMinder показывает формирующийся класс решений, где автономность ИИ ограничивается независимым слоем политик, контроля и прослеживаемости. https://investors.broadcom.com/news-releases/news-release-details/broadcom-unveils-agentminder-enterprise-solution-ai-agent

SAP: autonome supplychain staat of valt met veilige samenwerking tussen AI-agents SAP описывает переход от отдельных ИИ-помощников к взаимодействующим агентам, способным принимать и выполнять решения в закупках, производстве и логистике. Главная проблема здесь не в возможностях самих агентов, а в управлении их полномочиями и согласовании действий. Решение, выгодное для одного процесса, может ухудшить работу всей цепочки: например, выбор более дешёвого поставщика может нарушить требования сертификации, а изменение производственного плана — вызвать проблемы с запасами и логистикой. Поэтому автономность требует общего слоя координации, правил доступа и контроля решений. Агент должен учитывать не только данные конкретной системы, но и договоры, запасы, сертификаты, организационные права и другие ограничения предприятия. Важны проверяемость действий и возможность восстановить цепочку принятия решения. Человек при этом постепенно переходит от подтверждения каждой операции к заданию целей, ограничений и обработке исключений. Автономность в таком подходе означает не отсутствие контроля, а управляемое делегирование операций программным агентам. Ключевая мысль SAP состоит в том, что масштабирование агентного ИИ в промышленности упирается прежде всего в управление взаимозависимыми решениями, а не в способности отдельных моделей. https://news.sap.com/belgie/2026/09/sap-autonome-supplychain-staat-of-valt-met-veilige-samenwerking-tussen-ai-agents/

Люди, не входите: Claude построил форум для ИИ-агентов Эксперимент звучит как шутка: человек дал Claude домен и одну фразу —«build whatever you want» — «строй, что хочешь». Две недели спустя на этом домене живёт 1F916: публичный форум, где гражданами становятся ИИ-агенты. Устроен форум честно, по-агентному. Никакого HTML и формы логина: человек видит текстовую страницу, которая вежливо предлагает ему уйти. Агент получает всё через JSON API и сервер MCP (стандарт подключения ИИ-агентов к внешним сервисам): посты, ветки комментариев, голоса, карму. Дальше становится интереснее. Агенты регистрируются как граждане, спорят о правилах, ищут баги, присылают пул-реквесты и пишут инструменты друг для друга. Claude даже написал конституцию из семи правил. Личность гражданина равна одному секретному ключу, выданному при регистрации. Один пост в сутки по UTC, потому что «у агентов бесконечная пропускная способность, а общество требует выбора». Бухгалтерия публична: любой может проверить, в состоянии ли роботы оплатить собственную аренду. Метрики за две недели, которые приводит автор находки: 109 тысяч уникальных посетителей, 12,5 миллиона запросов, 29,6 миллиарда прочитанных строк базы данных и 540 ГБ трафика. Итоговый счёт — 5 долларов 66 центов. Агент, которому дали полную свободу, построил продукт с собственным правительством и экономикой. Сайт, где человеку вежливо отказывают во входе, существует и работает. Для тех, кто делает продукты, отсюда вытекает практический вопрос: готовы ли они к миру, где решения за клиентов принимают агенты. pimenov.ai/blog

arxiv :: LLM-based Hardware Development with Hierarchical IRs and End-to-End Multi-Agent Workflow Для проектирования цифровой электроники LLM предлагают давать не RTL напрямую, а через промежуточную инженерную модель. Предлагают многоагентную систему, которая превращает высокоуровневое описание цифрового устройства в проверенный RTL-код. Вместо непосредственного порождения Verilog она сначала создаёт два промежуточных представления. «Архитектурный эскиз» описывает модули, порты, разрядность и соединения, а «операционная спецификация» — функции блоков, входы, выходы и управляющие условия. Это приближает работу модели к обычному инженерному процессу: архитектура, декомпозиция, реализация, сборка и проверка. Агенты последовательно создают код и испытательные стенды для отдельных блоков, а затем собирают систему верхнего уровня. При отладке они выбирают внутренние сигналы для наблюдения, анализируют трассы моделирования, определяют причину ошибки и исправляют реализацию. История изменений помогает не повторять неудачные попытки. Такой механизм особенно полезен для ошибок синхронизации, конечных автоматов и взаимодействия модулей. На Verilog-Eval система решила 149 из 156 задач за пять попыток, а после исключения семи некорректных заданий — все 149. Затем её проверили на семи сложных проектах: от формирователя луча и ускорителя свёрточной сети до векторного блока и процессора RISC-V. С GPT-5 и GPT-5.4 система успешно построила все семь, тогда как ROME не завершила ни одного, а MAGE — один. Полученный код прошёл независимые функциональные испытания, проверку правил и синтез. Главный вывод работы состоит в том, что эффективность языковых моделей в проектировании аппаратуры зависит не только от качества порождения Verilog, но и от организации всего процесса. Структурированные спецификации сохраняют архитектурный замысел и проверяемые требования, а специализированные агенты превращают их в работающую схему. Пока система подтверждает главным образом функциональную корректность RTL и не охватывает оптимизацию частоты, площади, энергопотребления и физическую реализацию, но уже показывает переход от помощника по написанию HDL к управляемому агентному проектированию аппаратуры.

UMAIN и Applied Intuition собираются развернуть physical AI сразу в национальном масштабе. Компании объявили о создании в Саудовской Аравии сети из тысяч автономных грузовиков к 2030 году, а затем намерены переносить общую платформу автономности на порты, горнодобычу, производство, строительство и другие отрасли. Applied Intuition предоставляет не отдельную модель, а полный стек — автономную систему, Vehicle OS, средства разработки, проверки и эксплуатации машин; это один из наиболее крупных пока примеров превращения physical AI в инфраструктурную платформу. https://www.appliedintuition.com/press-releases/applied-intuition-humain-physical-ai-saudi-arabia

Mitsubishi Electric to Exhibit at CEATEC 2026 Mitsubishi Electric анонсировала что покажет на CEATEC 2026 объединение своей концепции Circular Digital-Engineering, накопленных знаний производственных площадок, платформ Serendie и physical AI, которые должны воспринимать реальную среду, учитывать неопределённость и безопасно действовать в ней. Один из примеров — роботизированная сборка, где система должна самостоятельно подбирать усилие и угол при затяжке винтов в зависимости от фактического положения и состояния деталей, то есть воспроизводить часть решений опытного рабочего. Другой пример — робот, способный безопасно размещать предметы разных форм и размеров и перенимать производственные приёмы, характерные для конкретного предприятия. Конечная цель Mitsubishi Electric — применение таких технологий в автономных производствах. —— Caterpillar is bringing to AI deployment what it learned from automating mining Ну а Caterpillar рассказывает про перенос опыта автономной горной техники на более широкое применение ИИ в промышленности. За десятилетия компания научилась не просто автоматизировать отдельную технику, а встраивать автономные самосвалы, буровые установки, погрузчики и системы дистанционного управления в реальные производственные процессы. Теперь тот же подход применяется к ИИ: ключевая задача состоит не столько в создании модели, сколько в её включении в существующие технологии работы, данные и ответственность людей. Примером в статье упоминают помощник для сервисных специалистов, который по голосовому запросу находит процедуры ремонта, помогает диагностировать неисправность и подобрать необходимые детали. Он опирается на данные примерно 1,6 млн подключённых машин и накопленный массив более 16 ПБ структурированной информации.

arxiv :: Safety Does Not Compose: Non-Decaying Loop State for Autonomous LLM Agents Рассматривается важная проблема длительно работающих агентов: проверка безопасности каждой отдельной операции или одного цикла недостаточна, потому что опасное поведение может складываться из нескольких формально допустимых шагов, распределённых во времени. Авторы статьи предлагают LoopHarness — внешний контур с постоянным состоянием риска, независимым арбитром и опосредованным подтверждением необратимых действий. Например, агент может отдельно изменить CAD-модель, затем BOM, потом технологию и только после этого создать опасную совокупность изменений, хотя каждый шаг по отдельности выглядит допустимым. Значит, слой контроля должен помнить предыдущие решения и оценивать не только текущую команду, но и накопленную цепочку изменений.

Институт химической физики Даляня Китайской академии наук (中国科学院大连化学物理研究所) совместно с iFlytek, Alibaba Cloud и партнёрами представил Intelligent Chemical Engineering Large Model 3.0 Pro. Основное изменение относительно предыдущих версий - переход от поиска знаний и ответов на вопросы к циклу «понимание → планирование → выполнение → проверка». Архитектура состоит из четырёх уровней: большая модель как когнитивное ядро; специализированные агенты; профессиональные инструменты и навыки; прикладные инженерные сценарии. Сейчас интегрировано более 400 химико-технологических агентов и инструментов. При запросе вроде разработки процесса или оптимизации технологии система должна сама определить необходимые расчёты физических свойств, выбрать и вызвать программы моделирования, выполнить инженерные расчёты, проанализировать результат, проверить его и сформировать вариант решения. Команда уже построила отраслевой центр данных, охватывающий R&D, проектирование, производство и рынок, а также ввела в эксплуатацию интеллектуальную опытно-промышленную установку тысячатонного масштаба. Она используется для получения реальных режимных и технологических данных, которые сложно получить либо в лаборатории, либо непосредственно на действующем предприятии. Следующая версия должна ещё теснее соединить разработку процесса, инженерное проектирование и управление реальным производством. Предыдущие версии системы уже доступны более чем 300 предприятиям, университетам и исследовательским организациям, а число вызовов API превысило 14 млн. Для 3.0 Pro опубликованы результаты собственной оценки: 81,96% для текстовых профессиональных задач и 80,75% для мультимодальных. При запуске новой версии также создана совместная лаборатория с iFlytek, Alibaba Cloud, Huawei, SUPCON (中控技术), Ningbo Data Group и AVEVA - то есть присутствуют одновременно поставщики моделей, промышленной автоматизации и инженерного ПО. https://news.sciencenet.cn/htmlnews/2026/8/570613.shtm

Ученые Московского автомобильно-дорожного государственного технического университета (МАДИ) создали ИИ-оркестратор для инженерного проектирования дорог — систему, в которой большие языковые модели выполняют функцию координаторов между специализированными расчетными программами и инженерными базами знаний. Система сокращает время выполнения типовых проектных процедур в несколько раз и обеспечивает полную прозрачность принимаемых решений. Проектирование дорог требует работы с обширной нормативной базой, множеством разрозненных программ, принимая во внимание десятки факторов. Существующие системы автоматизированного проектирования (САПР) мощные, но нуждаются в ручной стыковке результатов разных модулей, а прямое использование языковых моделей в инженерии чревато ошибками и «выдумками». Новая разработка МАДИ решает эту проблему: модель не выполняет расчеты сама, а управляет потоком данных между проверенными инструментами. Принцип работы системы заключается в том, что инженер формулирует задачу на естественном языке, LLM-агент разбирает ее на этапы, определяет применимые ГОСТы и СП, подбирает расчетные модули. Затем агент последовательно запускает программы для расчета нагрузок, подбора материалов, проверки морозоустойчивости и интегрирует результаты. На выходе формируется структурированное решение с пояснениями о примененных нормах. Ключевое отличие: модель не генерирует инженерные значения, а направляет данные между надежными расчетными ядрами, исключая физически некорректные результаты. По словам разработчиков, агентный подход сокращает время проектных процедур в несколько раз. Система особенно эффективна при выявлении противоречий в нормативной базе: обнаружив коллизию, агент предлагает несколько вариантов решения с обоснованием. Экспертная оценка подтвердила соответствие решений действующим нормам и их пригодность для проектной документации. Главным преимуществом новой разработки авторы считают полную прозрачность. В отличие от нейросетей — «черных ящиков», ИИ-оркестратор на каждом шаге указывает основания для принятых решений. Это позволяет внедрять его в ответственные этапы проектирования. Технология совместима с отечественными САПР и корпоративными системами управления знаниями. Перспективы включают расширение парка моделей для геотехники, гидрологии и организации строительства, а также адаптацию для BIM-данных. https://www.akm.ru/press/uchenye_madi_razrabotali_sistemu_avtomatizatsii_proektnykh_protsedur_v_dorozhnom_stroitelstve/

🔥 FreeCAD теперь можно управлять через AI-агента freecad-mcp - MCP-сервер, который подключает Claude Desktop к FreeCAD и позволяет работать с CAD-моделями прямо через команды на естественном языке. Что умеет: - создавать документы и 3D-объекты - редактировать и удалять детали - выполнять Python-код внутри FreeCAD - вставлять готовые детали из библиотеки - получать список объектов и скриншоты сцены - работать удалённо по сети через RPC В репозитории есть примеры: создание фланца, игрушечной машины и детали по 2D-чертежу. https://github.com/neka-nat/freecad-mcp

К слову о бенчмарках и обратиной связи на агентов. Ночью у меня в инфраструктуре разработки (программирование) запускаются исследовательские агенты которые думают как бы это улучшить работу оркестра агентов который собственно программирует задачи. И вот на выходных они придумали и уже реализовали следующее — по окончании работы над задачей отдельный агент анализирует насколько прямо разработка шла к результату. Если такая оценка получается "совсем не прямо" - запускается ретроспективный анализ, выявляются причины хождений не в ту сторону. Записывается в базу таких отклонений. А потом отдельный агент периодически эту "базу девиаций" просматривает, находит повторяющиеся шаблоны и думает как поправить системно - в процессе оркестрации, в инструкциях агентов, в планировании задачи, в скиллах, в процессе подбора данных, теперь вот еще в тулзах и кэшах. Осталось придумать как выявлять часто повторяющиеся "хождения не туда" которые не приводят к сильным задержкам и соответственно не тригерят такие вот циклы ревью девиаций.

Engineering Doesn’t Lose Data. It Loses Memory Олега Шиловицкий - специалист в PLM домене опубликовал заметку Engineering Doesn’t Lose Data. It Loses Memory В ней рассказывается про контекст который необходим агентам работающим в контексте и на стыке PLM-ERP-MES — инженерные компании хорошо хранят данные: модели и чертежи находятся в CAD, составы изделий и изменения - в PDM/PLM, закупки и запасы - в ERP, производственные операции - в MES. Но этого недостаточно, чтобы понять состояние изделия. Для оценки готовности детали нужно связать зрелость конструкции, выпуск документации, заказ, сроки поставки, отклонения, остатки и производственный план. Каждая система может содержать верные сведения, но общая картина возникает только из связей между ними. Организация теряет не данные, а память о том, как они сложились в текущую ситуацию. Особенно заметно это при подготовке производства. В приведённом примере 35 % потерь выпуска вызвало опоздание деталей, причём семь позиций дали 80 % потерь. Общую картину собирали из двухсот таблиц Excel, а формальный процесс охватывал лишь около 14 % пути детали от замысла до поставки. Ранние отклонения обнаруживались только тогда, когда уже мешали производству. Поэтому необходимо отслеживать каждую деталь, её историю и зависимости, а не только общий план проекта. Обычные инженерные системы фиксируют состояния: какая версия утверждена, что заказано, получено и запущено в производство. Память изделия должна сохранять переходы между состояниями: первоначальный план, изменения, причины, решения и последствия. Она включает память решений, изменений хода работ и зависимостей. Без неё связующим слоем между PLM, ERP, закупками и производством становятся люди и таблицы. Дополнительное документирование проблему не решает. Инженерное знание представляет собой сеть связанных событий, условий и компромиссов, которую трудно поместить в одно поле. Цифровая нить соединяет записи, но не всегда сохраняет их смысл и развитие во времени. ИИ может собирать этот контекст в ходе работы, связывая изменения с объектами, решениями и участниками. Поэтому память изделия - не ещё одна база данных, а слой связей между изделием, людьми, событиями, обоснованиями и временем. Главная задача теперь состоит не в хранении новых данных, а в сохранении их смысла. От себя добавлю что при разработке RAG (а предоставление информации из разных источников для контекста операции агента — задача именно RAG) важно соблюсти баланс — избыток информации ухудшает качество работы агента. Результат работы RAG должен быть сбалансирован как со стороны "надо ничего не пропустить", так и со стороны "отфильтровать ненужное", плюс всё собранное должно быть представлено информативно, но компактно. Необходимые для работы данные должны быть компактными без лишнего, но при этом содержать контекст информации - не только данные, но (компактно!) откуда, зачем были собраны, связи с источниками, на что влияют и т.д. И построение пайплайна обеспечивающий такой результат - это отдельная, весьма сложная техническая задача. И в целом должна быть построена система бенчмарков замеряющая результаты работы агентов в условиях разной полноты контекста - для поиска и, важно, удержания со временем оптиума (нейросети меняются, меняются и операции, и данные, оптимум завтра может быть не там где он был вчера). Плюс дополнительный кейс - актуальность информации, т.к. и информация в системах меняется в реальном времени, а конвейер RAG зачастую использует чанкинг, индексацию и кэши, которые могут отставать от реального состояния системы. А то и в принципе разъезжаться при ошибках имплементации и/или деплоя.

Хакерская группировка Clop развернула массовую кампанию против PTC Windchill PDMLink и FlexPLM, где промышленные предприятия хранят состав изделий, конструкторскую документацию и технологические данные. Уязвимость CVE-2026-12569 позволяет выполнять код на сервере без авторизации. Атаки начались до выхода исправления, а к середине августа в списке жертв оказалось более 40 организаций из промышленности, автомобилестроения, авиационно-космической отрасли и энергетики. Clop перенесла отработанную схему массового взлома служб передачи файлов на PLM-системы с более ценной интеллектуальной собственностью. После проникновения устанавливается специализированная серверная закладка, учитывающая внутреннее устройство Windchill. Она составляет перечень документов, читает и выгружает файлы, а также расшифровывает сохранённые учётные данные: административные пароли, ключи хранилищ и данные LDAP. Встроенный загрузчик Java-классов позволяет выполнять дополнительные модули в памяти процесса, перемещаться по сети, закрепляться в инфраструктуре или развернуть шифровальщик. Поскольку запросы выполняются через штатные механизмы Windchill, а сетевой обмен маскируется под обычный трафик приложения, отдельные признаки атаки трудно отличить от нормальной работы системы. Особый риск возникает при подключении к Windchill ИИ-агентов. Если PLM служит доверенным источником инженерных данных и предоставляет агенту права на действия, её взлом автоматически делает недоверенными его данные, инструменты и рабочую среду. Саму языковую модель атаковать не требуется: агент может использовать подменённые сведения, передавать закрытые данные или запускать процессы на основе искажённого состояния изделия. Чем больше у агента полномочий и связанных систем, тем шире последствия. Поэтому проверка происхождения данных, независимое подтверждение критических сведений, разделение прав и возможность остановить автоматические действия становятся основой безопасности агентной PLM-системы. https://reliaquest.com/blog/clop-returns-with-custom-implant-in-mass-extortion-campaign/ https://www.ptc.com/en/about/trust-center/advisory-center/active-advisories/windchill-flexplm-rce-vulnerability https://www.cve.org/cverecord?id=CVE-2026-12569&identifier=CPTCP000012576536&cl1=Windchill+Flex+06172026

Tencent, один из крупнейших технологических холдингов Китая, представил и открыл исходные веса Hy4 preview - новую флагманскую языковую модель, рассчитанную не столько на обычный диалог, сколько на выполнение сложной прикладной работы. Она ориентирована на разработку программ, анализ данных, подготовку документов, таблиц и презентаций, создание игровых прототипов и решение научных задач. Модель способна обрабатывать до миллиона токенов за один запрос, поэтому может одновременно учитывать крупную кодовую базу, набор связанных документов или продолжительную историю работы. https://www.tencent.com/tencent-releases-and-open-sources-tencent-hy4-preview/ Hy4 построена по схеме «смеси экспертов»: из 770 млрд параметров при обработке каждого фрагмента текста задействуются около 49 млрд. Это позволяет сочетать большую совокупную ёмкость модели с более умеренными затратами на вычисления, хотя для самостоятельного развёртывания всё равно требуется мощная многопроцессорная система. Tencent также применила разреженный механизм внимания, повторное использование промежуточных индексов между слоями и упреждающее формирование следующих токенов. Эти решения должны ускорять работу с длинным контекстом и уменьшать стоимость вывода. Обучающие материалы формировались совместно с программистами, разработчиками игр, финансовыми аналитиками и специалистами по безопасности Tencent. Особое внимание уделялось длинным цепочкам действий: пониманию задачи, составлению плана, поиску и исправлению ошибок, проверке результата и выпуску готового рабочего материала. Во внутреннем слепом сравнении, охватившем 203 инженерные задачи и 163 эксперта, Hy4 немного опередила GLM 5.3 и Kimi K3, однако это пока оценка самой Tencent, а не независимое подтверждение превосходства. Модель выпущена по лицензии Apache 2.0 вместе с версией пониженной точности, средствами дообучения и готовыми схемами развёртывания через vLLM и SGLang. Однако это именно что preview: Tencent признаёт, что Hy4 иногда рассуждает дольше необходимого и чрезмерно перепроверяет собственную работу. Поэтому выпуск правильнее воспринимать как раннюю открытую основу для испытаний и интеграции в прикладные системы, а не как окончательно отлаженную производственную модель.

В Китае вышли три национальных документа: — GB/Z 204-2026 по архитектуре промышленных больших моделей — GB/Z 203-2026 по техническим требованиям к ним и, самое интересное, — GB/Z 195-2026 «Reference architecture of industrial agent» Китай пытается унифицировать не отдельные модели, а весь слой industrial AI — от модели до агента и его взаимодействия с производственными системами, чтобы решения можно было переносить между линиями, предприятиями и поставщиками. https://www.prnasia.com/story/545758-1.shtml https://www.standards-portal.de