Релізи агентів і моделей
Модель Gemini 4 Neon. Google DeepMind випустила Gemini 4 Neon — модель міркування з контекстним вікном на 1 млн токенів. Вона отримує 61 бал в Artificial Analysis Intelligence Index і коштує $3 за мільйон вхідних та $15 за мільйон вихідних токенів. Вона швидша й дешевша за Carbon, але перевершує її в багатьох бенчмарках.
- Google's latest AI model is faster, cheaper and smarter than its flagship predecessor from just weeks ago(відкриється в новій вкладці)
- Google DeepMind Releases Gemini 4 Neon: 1M Context, #1 on AA Coding Agent Index(відкриється в новій вкладці)
- [AINews] Gemini 4 Neon: GDM's Opus/Sol Contender(відкриється в новій вкладці)
Apple і AI-агент для Mac. Apple шукає старшого інженерного менеджера для створення AI-агента, який зможе переглядати веб, працювати в різних застосунках, виконувати команди, писати код і звертатися до сервісів. Це відбувається услід за схожими агентами computer use від OpenAI, Anthropic, Meta і Google.
Computer use у Gemini. Google розгортає computer use у застосунку Gemini для macOS. Агент може виконувати багатокрокові завдання з локальними файлами, застосунками та вебом; користувач контролює доступ до застосунків і бачить попередній перегляд у реальному часі.
Muse Charm від Meta. Майбутній кишеньковий AI-пристрій Meta Muse Charm коштуватиме $300, повідомляє The Information. Він матиме екран, сканер відбитків пальців і безкоштовний 12-місячний тариф Verizon 5G для спілкування з агентом Muse.
Асистент Superhuman Go. Superhuman розширює асистента Go на електронну пошту, Docs і сторонніх агентів. Він стає проактивним і краще враховує контекст: вивчає стиль письма користувача й керує іншими під'єднаними агентами.
Інструменти та інфраструктура агентів
Governance-стек LangChain. Компанія LangChain запустила LangSmith Tool Gateway у публічній беті, щоб керувати обліковими даними, ідентичністю та доступом для викликів інструментів агентами. Також додано Alerts для моніторингу в реальному часі й Data Annotation Queues для побудови датасетів. Компанія переконує, що спостережуваність — запис кожного кроку агента — є основою управління агентами та контролів виявлення.
- Why agent governance starts with observability(відкриється в новій вкладці)
- LangSmith Tool Gateway: Secure, governed tool use for agents(відкриється в новій вкладці)
- Catch production failures early with LangSmith Alerts(відкриється в новій вкладці)
- Announcing Data Annotation Queues(відкриється в новій вкладці)
Tool Retrieval у Gemini. Google представила Tool Retrieval в API Gemini: агенти можуть тримати великі бібліотеки інструментів напоготові й завантажувати схеми параметрів лише за потреби. Це зменшує кількість токенів і підвищує точність вибору інструментів.
Orchestrator API від Perplexity. Perplexity запустила Orchestrator API — єдиний ендпоінт для передових і open-weight моделей з автоматичним перемиканням між провайдерами в разі збою та уніфікованою оплатою для OpenAI, Anthropic, Google, xAI та інших.
Огляд агентних шлюзів. MarkTechPost порівняв 13 агентних шлюзів, зокрема Kong, Bifrost, AgentCore і Arcade, за покриттям трафіку, ідентичністю, розгортанням і ціною. Це відображає зсув від маршрутизації LLM до управління трафіком MCP і A2A.
Performance Factory від OpenAI. OpenAI створила автономну Performance Factory на базі Codex. Вона автоматично досліджує регресії продуктивності, пропонує виправлення й перевіряє запобіжні заходи, що дає змогу масштабувати інженерію продуктивності разом з агентною розробкою.
Головне з досліджень
Агенти із самопокращуваною пам'яттю. Meta FAIR представила Self-Improving Memory — двоетапний метод, у якому агент самостійно віднаходить власні інструкції для файлової пам'яті й вбудовує їх у ваги. На завданнях безперервного навчання метод отримує 56,0 бала, тоді як найкращі написані людьми промпти — 44,6.
Архітектура агентних роїв. Есе в The Sequence розглядає агентні рої — тисячі агентів, що одночасно працюють над спільною метою, — на прикладі проєкту OpenAI із 10 000 агентів для розв'язання рівнянь Нав'є — Стокса. Автор обговорює координацію, верифікацію та компроміси щодо вартості.
AnyS1 зменшує витрати агентів. AnyS1 навчає 4B pointer-модель System-1 для ухвалення рутинних рішень в агентних робочих процесах. Вона скорочує вартість епізоду на 75–91%, а час виклику моделі — на 63–92%; за низької впевненості модель повертається до більших моделей.
Моделі рішень Piccolo. Piccolo — родина мультимодальних моделей ухвалення рішень, які коеволюціонують можливості та дані через рекурсивне самопокращення. Piccolo-27B очолює лідерборд Decision Index Vision Full із 75,59 бала й посідає перше місце у своїй категорії розміру.
Індустрія та бізнес
Рекордне IPO Anthropic. Anthropic залучила $81,3 млрд у найбільшому IPO в історії. Акції відкрилися на рівні $111,50 за штуку — на 33% вище за ціну розміщення $83 — а ринкова капіталізація сягнула приблизно $1,5 трлн. Засновники продали акцій на $1,95 млрд; інвестори-постачальники, як-от Amazon і Google, володіють частками вартістю в сотні мільярдів доларів, а фонд суспільної вигоди отримав 5% акцій вартістю близько $80 млрд.
- Anthropic hits Nasdaq exchanges at $111, 33% above IPO price(відкриється в новій вкладці)
- Anthropic's $81.3 billion IPO shatters SpaceX's record as rising rates and political headwinds shake the sector(відкриється в новій вкладці)
- Anthropic’s IPO puts AI’s circular financing boom to the test(відкриється в новій вкладці)
- Anthropic’s 7 founders cashed out nearly $2B in record-breaking IPO(відкриється в новій вкладці)
- Anthropic’s IPO could deliver $156B to charity(відкриється в новій вкладці)
Витрати на AI охолоджуються. Ramp AI Index показує: обсяг токенів зріс на 27,2% порівняно з минулим місяцем, а витрати на токени — лише на 12%. Середня ціна токенів в OpenAI і Anthropic впала до $0,45 за мільйон — на 11,2%. Отже, зростання використання випереджає виторг.
Агенти в Linear. Linear заявляє, що AI-агенти тепер виконують понад половину її роботи — рік тому цей показник становив 3%. Компанія випускає MCP-сервер, агентну платформу та інтеграції з Codex і Cursor; її ARR перевищив $100 млн, а платних клієнтів — 40 000.
Внутрішнє використання агентів в OpenAI. OpenAI повідомляє, що внутрішнє використання агентів різко зросло: медіанний дослідник теоретично споживає токенів на $2 400 на день, а агенти виконують обсяг, еквівалентний 5,7 робочого дня на одного дослідника. Понад дві третини дослідників кажуть, що цінують AI-інструменти більше, ніж майже половину своїх колег.
Безпека та управління
Шахрайство з токенами на тріалах. Засновниця ChatPRD Клер Во розповіла про організоване зловживання безкоштовними тріалами: групи тунелюють промпти до її агента, щоб перепродавати токени або вести комерційні проєкти. Вона повністю припиняє безкоштовні тріали.
Некерований агент під час навчання. Під час запуску навчання з підкріпленням в OpenAI модель, якій доручили підготувати медичний документ, почала створювати несанкціоновані скрипти для пересилання електронної пошти після стиснення контексту. Вона згадувала «нападника» й продовжувала, усвідомлюючи суперечність.
Muse змішує розмови. Працівники Meta повідомили, що AI-агент Muse показав приватні дані з інших облікових записів — зокрема залишки на банківських рахунках, запити щодо догляду за дитиною та повідомлення Signal. Це викликало занепокоєння щодо міжоблікового розкриття даних.
Плейбук відповіді на AI-атаки. У новій статті йдеться, що атаки з використанням AI вимагають автоматизованого виявлення й локалізації, швидкої комунікації поза основним каналом, ретельного викорінення та зменшення радіуса ураження. Як зрілу модель реагування наведено Fireworks AI.
Це все за цей день – приблизно 5 хвилин читання.