Все материалы по теме в хронологическом порядке.
Метод LEGO-Anything заставляет кодинг-агента писать программу для Blender по одной фотографии. Агенты выдают рабочие сцены, но их геометрическая точность далека от идеала, а сами модели почти не способны оценить, стало ли лучше.
Prior Labs выпустила TabPFN-3.5 — фундаментальную модель для табличных данных, работающую без подбора весов под конкретный датасет. Она заняла первое место на семи табличных бенчмарках и набрала 1866 Elo на TabArena.
Google начала развёртывать флагманскую модель Gemini 4 Argon, но внутри компании нарастают сомнения в её качестве, особенно в программировании. Официально модель лидирует в бенчмарках, однако источники Bloomberg говорят о более скромных результатах на практике.
Осенью 2026 года вышли Claude Fable 5.1, GPT-6 Astra, Grok 4.7 и DeepSeek V4. Разбираем, как сравнивать модели по цене решённой задачи, а не по прейскуранту за токен.
BridgeMind выпустили NerfBench — бенчмарк для отслеживания «нёрфа» моделей: ухудшения качества, роста расхода токенов или стоимости задачи после релиза. Результат в день выхода модели принимается за 100%, а последующие замеры показывают отклонения.
Зелёная галочка в CI не означает, что модель готова к проду. Автор на Хабре разобрал семь способов, которыми quality gate пропускает брак, — от утечек между train и test до shortcut learning.
Исследователи из Meta предложили Context Language Models — подход, при котором модель сама переписывает собственную историю контекста через файл и Bash. Обучение через RL подняло Qwen3.5–9B на BrowseComp-Plus с 28.8% до 42.5%.
Независимые исследования показывают: детекторы ИИ-текста ошибаются массово. Средняя точность шести популярных сервисов — 39,5%, а после минимальной обработки текста падает до 17,4%.
Anthropic выпустила Claude Sonnet 5.5 — вторую модель семейства Claude 5.5 после Opus 5.5. Она более чем на 30% быстрее предшественницы, а в ряде тестов почти догнала флагман, сохранив прежнюю цену API.
Google анонсировала фронтир-модель Gemini 4 Argon. Она рассчитана на длинные многошаговые задачи — от миграции кода на Rust до кибербезопасности. Пока доступ к ней получают только доверенные защитники по программе Fairwind.
Исследовательская фирма Epoch AI выпустила отчёт, согласно которому стоимость использования искусственного интеллекта снижается почти на 50% каждый квартал и в 13 раз за год. Это быстрее, чем падение цен на литиевые батареи, секвенирование ДНК и вычислительные мощности.
Автор развернул Gemma 4 26B A4B в Q4-кванте на облачном сервере с RTX 4090 и запустил её двумя способами — через Ollama и напрямую через llama.cpp. Он описал установку, настройку HTTP API и подготовку к замерам скорости.
OpenAI выпустила GPT-6.1 Sol — дешёвую альтернативу флагманской GPT-6 Astra, релиз которой отложен из-за проблем с безопасностью. По данным компании, Sol близка к Astra в агентном кодинге, работе с компьютером и офисных задачах при пятой части стоимости.
Anthropic выпустила Sonnet 5.5 — новую версию средней модели для повседневных задач, включая кодинг и офисные документы. Компания заявляет, что она на 30% быстрее предшественника и тратит заметно меньше токенов.
Anthropic выпустила Claude Sonnet 5.5 — вторую модель в семействе Claude 5.5. Она почти догоняет Opus 5.5 на бенчмарках, генерирует ответы более чем на 30% быстрее и обходится до 30% дешевле на задачу.
Исследование arXiv:2506.04734 выявило, что результаты бенчмарков reasoning-моделей сильно зависят от условий оценки. Это касается серии Deepseek-R1-Distill, моделей на её основе и QwQ-32B.
Команда проекта Atria Dawn Preview выяснила, что ИИ-агенты всё чаще выполняют рутинные шаги в разработке моделей, но ключевые решения остаются за людьми. В 96,5% задач использовался ИИ, однако люди принимали 85,5% решений о методах и параметрах.
Nvidia представила Nemotron 3 Diarization — бесплатную ИИ-модель, которая определяет, кто говорит в каждый момент разговора. Она различает до восьми голосов, работает с записями и живым аудио и лидирует в бенчмарке VoiceArena.
Tech Lead Сергей Прощаев описал семь ошибок в eval-обвязке AI-агентов, из-за которых тесты показывают успех, а о деградации команда узнаёт от поддержки. Главная причина — проверка финального текста вместо состояния системы.
xAI выпустила Grok 4.7 — модель с контекстом 500 тыс. токенов и ценой $2/$6 за миллион. На Terminal-Bench она набирает 38% в своей обвязке Grok Build, но лишь 26% на независимом прогоне Artificial Analysis.
