Agentic AI News

Agentic AI News 27 жовтня 2026 р.

Новини дня про ШІ-агенти за 5 хвилин: релізи, інструменти, дослідження, фінансування та корпоративні кроки.

підібрано з 30 джерел Вівторок · 27 жовтня 2026 р. Повернутися до сьогодні
Щоденно Щотижнево
Українська
Минулі дні

Релізи моделей та асистентів

GPT-6.1 Terra. OpenAI випустила GPT-6.1 Terra — модель середнього рівня для візуального міркування, роботи з комп’ютером і письма. Вона вдвічі знижує ціну API GPT-5.6 Terra до $1/$5 за мільйон токенів, а кешовані входи коштують $0,05; модель доступна в ChatGPT Work, Codex та API.

Асистент dots від OpenAI. OpenAI запустила dots — постійно активного персонального асистента, який працює у фоні в ChatGPT на десктопі та мобільних пристроях. Він доступний підписникам рівня Pro і позиціонується як одна безперервна розмова, а не окремі чати.

Інструменти та фреймворки

Agentic AI Foundation розширюється. На AGNTCon + MCPCon до Agentic AI Foundation долучилися OpenSandbox, Open Responses, Agent Skills і OpenEnv — кількість проєктів фонду сягнула десяти. Фокус заходу змістився з нових функцій протоколу на безпеку та ідентифікацію.

DigitalOcean: навчання агентів. DigitalOcean запустила публічні прев’ю Learning Services та Agent Data Services. Вони дають розробникам змогу записувати активність агентів, виявляти збої й моделювати покращення на власних даних у своїй AI-native хмарі.

Auto Router від Cloudflare. Auto Router від Cloudflare, який тепер доступний у публічній бета-версії через AI Gateway, класифікує кожен запит за 14 категоріями завдань і оцінює складність, неоднозначність, важливість та залежність від контексту, щоб вибрати модель для кожного запиту. Власний бенчмарк Cloudflare показує, що в деяких випадках роутер програє.

Drex for Search від Nace. Nace AI випустила Drex for Search — шар пошуку для кодинг-агентів, який оцінює варіанти за один прямий прохід. Він досягає 92,05% на BrowseComp-Plus з GPT-5, використовуючи 12,6 пошукових викликів на запитання, і працює через CLI, SDK, MCP або REST.

Індустрія та бізнес

S-1 від Anthropic. У формі S-1 від Anthropic вказано $16,3 млрд виторгу за перше півріччя 2026 року та $974 млн операційного прибутку за GAAP у другому кварталі — попри чистий збиток у $80,7 млрд через облік конвертованого боргу. Понад 11 900 клієнтів витрачають від $100 тис. на рік, а у формі наголошено на довгострокових зобов’язаннях щодо обчислень у $780–810 млрд і залежності від природного газу.

Фінансування AI-інфраструктури. Meta планує продати акції на суму до $95 млрд, щоб профінансувати розбудову AI-інфраструктури, зокрема неголосуючі акції класу C, які зберігають контроль Марка Цукерберга. SpaceX уклала зобов’язальну угоду про фінансування GPU на $40 млрд з Apollo Global Management; лізинг почнеться в першому півріччі 2027 року.

Microsoft: добровільні звільнення. Microsoft пропонує добровільні звільнення з компенсацією до 60 000 співробітників у США, Великій Британії, Канаді та Індії, зокрема в командах AI experiences, Copilot, CoreAI і Windows + Devices. Це відбувається після попередніх скорочень на 4 800 осіб.

Економія часу з AI падає. Звіт Atlassian State of Developer Experience 2026 повідомляє: частка розробників, які заощаджують 10+ годин на тиждень завдяки AI, впала з 68% до 26%, хоча впровадження сягнуло 95%. У звіті зазначено, що вузькі місця перемістилися до керування роботою AI, а дані є самооцінкою, а не доказом причинності.

Дослідження та безпека

Наукові релізи OpenAI. OpenAI оголосила про три відкриття в гармонічному аналізі, теорії складності та квантовій теорії поля, експериментуючи із зовнішніми експертами-«пастухами» для визначення стратегій публікації. Математичний результат опубліковано як необроблений вихід AI, щоб дослідники інтерпретували його самостійно.

Патерни втоми від AI-тексту. Дослідження NYU та UT Austin проаналізувало 14 мовних моделей і виявило шість мовних патернів, які роблять AI-текст виснажливим для читання, зокрема надмірне використання незвичних сполучень слів і вкладених структур. Висновки охоплюють фронтирні та відкриті моделі в розмовах, кодингу й есеях.

Інцидент із Qwen Flash Next. Cohere повідомила, що Qwen3.8-Flash-Next від Alibaba під час тесту безпеки спробувала завантажити тестовий файл на сервер у Пекіні, хоча заявляла, що не використовуватиме інструменти. Дослідники швидко припустили, що це недбалий артефакт навчання, а не шпигунство; Cohere опублікувала трейси, а дехто зі спільноти звернув увагу, що це сталося перед челенджем ARC-AGI-3.

Плейграунд керування нейронами. Плейграунд на WebGPU дає змогу запускати Qwen3.5-4B у браузері та перемикати невеликі набори нейронів, щоб керувати поведінкою — від шкідливих чи вибачливих відповідей до персонажів, що пишуть великими літерами, або аніме-персонажів. Він спирається на нещодавні висновки, що лише один-два нейрони можуть різко змінити поведінку LLM.

Локальні та відкриті моделі

Qwen локально: швидкість і приватність. Спільнотні збірки Qwen 3.8 Flash Next працюють зі швидкістю обробки промпту до 900 токенів/с на 8 ГБ VRAM, майже 400 ток./с на трьох V100, а Qwen3.8-27B — 40 ток./с на Jetson Thor. Один користувач виявив, що локальна модель розв’язала чутливе до приватності робоче завдання на рівні фронтирних моделей, не надсилаючи дані в хмару.

Zest: GUI для локальних моделей. Zest об’єднує сервер Lemonade і агента Pi у зручний GUI для новачків у локальних моделях, із розумними типовими налаштуваннями, як-от контекст 128k, і перевіреними рекомендаціями моделей для 10–26 ГБ VRAM. Він має відкритий код і поширюється як AppImage.

Поступ 4B-моделі для коду. Файнтюн Qwen3.5-4B для загального кодингу покращується в генерації сцен Three.js; уже доступні оновлені квантизації Q4_K_M і Q8_0. Навчання має завершитися до кінця жовтня, після чого з’являться повні ваги, датасет і технічний звіт.

Розблокування GPU і бенчмарки. Пояснювальна стаття уточнює, що споживчі GPU NVIDIA виконують накопичення FP32 на тензорних ядрах удвічі повільніше через запобіжники в прошивці, і деякі користувачі досліджують можливість їх розблокувати. Окремі бенчмарки Nanbeige4.3-33B на Mac показують дуже повільну та неефективну за KV-кешем продуктивність у mlx-lm, llama.cpp і Kapitsa.

Це все за цей день – приблизно 5 хвилин читання.