За эту неделю вышло сразу несколько интересных обновлений. Anthropic показала модель, которая координирует тысячи агентов и берётся за научные задачи. Google продолжает переносить Gemini из чатов в физический мир. Meta* выпустила компактную модель для агентных сценариев, а разработчики бенчмарков пытаются наконец-то оценивать реальную работу ИИ.
Собрали главное за 9–15 ноября: релизы, исследования, инструменты и немного индустриальной кухни.
Claude Fable 5.2 и Mythos 5.2
9 ноября Anthropic представила Claude Fable 5.2 и Mythos 5.2. Это одна базовая модель, но с разными ограничениями безопасности. Fable доступна обычным пользователям, Mythos — организациям, которые проходят проверку Anthropic.
Fable 5.2 стала быстрее и дешевле предыдущей версии. Цена API снизилась с $10/$50 до $8 за миллион входных и $40 за миллион выходных токенов. Появился Fast Mode: генерация до 2,5 раза быстрее, но стоимость вдвое выше — $16/$80.
На FrontierCode 2.0 Fable 5.2 с High effort набрала 45,3%. Это почти результат Opus 5.5 с Max effort — 45,5%. При этом выполнение задачи, по оценке Anthropic, обошлось примерно вдвое дешевле. Важное уточнение: речь о стоимости выполнения задачи, а не о цене токенов. Сам Opus 5.5 по тарифу API дешевле.
Подробнее читайте здесь, а попробовать можно на BotHub.
Meta* Muse Ember: компактная модель для агентной рутины
В этот же день Мeta* выпустила Muse Ember — небольшую мультимодальную модель для задач, которые агенты выполняют постоянно: вызовы инструментов, небольшие фрагменты кода, маршрутизация запросов, обработка документов и извлечение данных.
У модели контекстное окно на 1 млн токенов. Она принимает текст, изображения, аудио, видео и PDF. Стоимость API — $0,10 за миллион входных и $0,50 за миллион выходных токенов.
Ember* предлагают использовать вместе с более мощными моделями: одна планирует сложную задачу, другая берёт на себя множество небольших операций. Идея понятная: не тратить дорогие токены большой модели на каждый чих агента.
Muse* Ember обошла Claude Haiku 5.5 и GPT-6 Luna в ряде агентных сценариев. На AutomationBench-AA она набрала 37,8% против 13,9% и 20,2% соответственно.
*Принадлежит компании Meta, деятельность которой признана экстремистской и запрещена на территории РФ
Google выпустила Gemini 4 Hydrogen
Gemini 4 Hydrogen — новая модель Google для повседневного кодинга и агентных сценариев. Её выпустили 12 ноября.
В отличие от более мощных Gemini 4 Carbon и Argon, Hydrogen рассчитана на быстрые операции и массовое использование. Её можно подключать через BotHub, Gemini API, AI Studio, приложение Gemini, Google Search и корпоративные продукты Google.
Google на этой неделе, в целом радовали новинками, подробнее о Carbon, Omni и Robotics 2.5 читайте здесь.
Отдельно стоит отметить обновление AlphaGenome — модели для анализа последовательностей ДНК и прогнозирования влияния генетических вариантов.
Главное изменение — учёт конкретного типа и состояния клетки. Ведь один и тот же участок ДНК может влиять на активность генов по-разному в клетках сердца, иммунной системы или других тканей.
AlphaGenome 2 обучали более чем на 100 млн профилей отдельных клеток из 68 тканей. По данным DeepMind, модель выявляет почти вдвое больше вариантов, влияющих на экспрессию генов, по сравнению с предыдущей версией.
Для некоммерческих исследований AlphaGenome 2 уже доступна через API. Коммерческим командам пока предлагают закрытый предварительный доступ.
Также Google DeepMind рассказала об AlphaProof Code — агентной системе для формальной проверки программного кода.
Команда использовала её для проверки отдельных свойств безопасности криптографического протокола Signal. Сначала исследователи вместе с моделями подготовили математические спецификации и проверили их. Затем агенты сгенерировали более 6 млн строк доказательств на Lean.
Система также проверила, что умеет находить ошибки: исследователи вернули в изолированную копию кода два ранее исправленных бага, и AlphaProof Code смогла показать, что изменённые версии небезопасны.
MKA: тест на полноценную профессиональную работу
Google DeepMind вместе с Artificial Analysis запустила Multimodal Knowledge Agent — бенчмарк для оценки агентов, которым приходится работать со сложными визуальными документами.
В тест вошли 200 задач из 10 отраслей и 83 профессий. Среди них инженерия, строительство, финансы, медицина, право и наука.
Вместо простых вопросов модели получают наборы файлов: чертежи, схемы, изображения и документы. На выходе нужно подготовить полноценный результат — например, отчёт, таблицу или презентацию. По оценке разработчиков бенчмарка, такие задачи у специалиста занимают от трёх до восьми часов.
Все модели работают в одинаковой агентной среде и с одним набором инструментов. При этом разница в эффективности оказалась большой: на одну задачу протестированные системы тратили в среднем от 30 до 130 ходов.
Embodied First Exam: готовы ли кодинг-агенты управлять роботами?
Исследователи представили Embodied First Exam — бенчмарк для проверки того, как кодинг-агенты справляются с управлением разными роботами.
В тест вошли 1156 задач и 47 робототехнических платформ. Модели могут выбирать подход: управлять роботом напрямую, писать для него код или обучать отдельную управляющую политику.
Здесь проверяют не только перемещение предметов. Есть пространственные головоломки, сложные манипуляции, взаимодействие нескольких роботов и управление всем телом гуманоидных платформ.
В основном наборе из 456 задач лучший результат среди восьми проверенных агентов показал GPT-6 Astra в Codex — 34% успешных решений.
До уверенного управления физическим миром ещё далеко. Но теперь можно хотя бы сравнивать модели на более реалистичных задачах, а не только на демонстрационных сценариях.
AWS UAEF: единый способ оценивать ИИ-агентов
AWS представила Universal Agent Evaluation Framework — фреймворк для оценки агентов независимо от того, на чём они собраны.
LangGraph, LangChain, Strands и другие платформы по-разному записывают действия агентов, вызовы инструментов и передачу задач между ними. Сравнивать результаты становится неудобно.
UAEF приводит трассировки к общему формату и предлагает 36 метрик в семи категориях. Среди них — качество ответов, вызовы инструментов, безопасность, производительность, работа с контекстом и взаимодействие нескольких агентов.
Результаты можно сохранять и сравнивать между версиями. Например, проверить, не стал ли агент хуже работать после смены модели или промпта.
Не самый громкий релиз недели, но полезная инфраструктурная штука. Чем больше агентов попадает в прод, тем меньше хочется оценивать их качество на глаз.
ElevenLabs обновила распознавание речи: Scribe v3 и Scribe v3 Live
ElevenLabs выпустила Scribe v3 и Scribe v3 Live — модели распознавания речи для записанного аудио и работы в реальном времени.
Компания заявляет, что Scribe v3 снижает количество ошибок распознавания на 27% по сравнению с Scribe v2 на 102 языках. Live-версия рассчитана на потоковую обработку: она быстрее реагирует на смену говорящих и лучше определяет границы реплик.
Появилась и поддержка смешанной речи, когда человек переключается между языками прямо посреди предложения.
Итоги
Всё больше релизов посвящено системам, которые могут выполнить задачу целиком. Либо, все стараются просто хорошо закрыть Q4) Большинство моделей можно попробовать на BotHub, по ссылке бесплатные токены (мы тоже хотим хороший Q4, простите)
Какой релиз был для вас наиболее интересным? Спасибо за прочтение!
Источник: habr.com