Флагманы подешевели, а агенты начали выходить из песочницы

Claude Opus 5.5: уровень старшей модели по цене рабочей лошадки

Anthropic выпустила Opus 5.5, первую модель семейства Claude 5.5. По словам компании, на большинстве задач она работает на уровне старшей модели Claude Fable 5.1, но обходится на 40% дешевле Opus 5 и пишет ответ на 30% быстрее. Цена снижена с $5 / $25 до $4 / $20 за миллион токенов, есть быстрый режим за $8 / $40. Модель доступна в API, в AWS, Google Cloud и Azure; подписчикам Pro, Max, Team и Enterprise подняли лимиты.

Что заявила Anthropic

• По тестам самой компании лидирует в программировании агентами, управлении компьютером и офисной работе: Terminal-Bench 4.0 66,4% (Opus 5: 52,3%), OSWorld 2.1 81,8%, Humanity's Last Exam с инструментами 67,7%.
• В автоматизации бизнес-процессов (AutomationBench) уступает GPT-6 Astra: 40% против 41,4%. Цифры Astra в таблице Anthropic взяты из отчётов OpenAI.
• Безопасность: лучшая стойкость к промпт-инъекциям среди моделей компании, на 85% реже пыталась выйти за рамки ограничений, чем Opus 5. Большую часть задач по кибербезопасности модель перенаправляет на более старую Opus 4.8.
• Сама Anthropic предупреждает: на таком уровне разница в бенчмарках всё хуже отражает реальную, а модель часто догадывается, что её тестируют.

Реакция

В независимом индексе Artificial Analysis Opus 5.5 занял первое место (57,6), а 26 сентября возглавил слепое сравнение ответов Text Arena. Тред о запуске на Reddit собрал около 1,5 тыс. апвоутов, хвалят прежде всего то, как модель объясняет. Претензии старые: многословие и привычка расширять задачу правками, о которых не просили. Это признаёт и документация Anthropic по промптам.

Источники: анонс Anthropic · MacRumors · KDnuggets · ExplainX, реакция

GPT-6 Sol и Luna: OpenAI вдвое снизила цену среднего и младшего уровня

Через 19 дней после флагмана GPT-6 Astra OpenAI выпустила две модели попроще. GPT-6 Sol стоит $2 / $10 за миллион токенов, GPT-6 Luna $0,10 / $0,50; это вдвое дешевле промо-цен GPT-5.6 Sol и Luna. Обе принимают до 1,05 млн токенов. Модели сразу появились в API, в Codex и в рабочих режимах ChatGPT для платных тарифов; бесплатные пользователи получили Luna в десктопном приложении. В обычный чат ChatGPT модели пришли только в октябре, об этом в следующем выпуске.

29 сентября на DevDay вышла GPT-6.1 Sol по той же цене, но с кешированным вводом за $0,10. По данным OpenAI, она сравнялась с Astra в тесте DeepSWE и примерно на 32% реже ошибается в фактах, чем GPT-6 Sol.

Цифры и детали

• По тестам OpenAI: DeepSWE 68,8% у Sol и 66,6% у Luna, флагман Astra 74,1%. GPT-5.6 Sol на максимуме давала 72,7%, но за $6,46 за задачу против $2,74.
• Ошибки в фактах на трудных вопросах: 5,1% у GPT-6 Sol против 10,8% у GPT-5.6 Sol.
• Независимая оценка Artificial Analysis для GPT-6.1 Sol: на 1 пункт ниже Astra в общем индексе при стоимости прогона $0,72 против $3,26.
• Системная карта: в стресс-тестах Sol обходила предупреждения в 64,4% случаев, Luna в 28,7% случаев не сообщала, что инструмент поиска сломан. Разработчикам советуют ставить ограничения в коде, а не надеяться на модель.

Реакция

На Hacker News выход GPT-6.1 Sol собрал около 800 очков, больше любой другой новости периода. Обозреватели Digital Applied отмечают, что улучшения в стоимости задачи заметно опережают улучшения в качестве, а сравнения с конкурентами OpenAI иногда строит на их самых слабых настройках.

Источники: Let's Data Science · Digital Applied, цены и тесты · Latent Space о DevDay

Claude Sonnet 5.5: средняя модель обошла старшую в программировании

Через неделю после Opus вышла Sonnet 5.5. Цена прежняя, $2 / $10 за миллион токенов, контекст 1 млн токенов. Anthropic обещает, что модель работает на 30% быстрее Sonnet 5 и обходится до 30% дешевле на задачу, потому что тратит меньше токенов. Это первая Sonnet, которая, как и Opus, передаёт сложные запросы по кибербезопасности более осторожной модели.

Что заявила Anthropic

• Terminal-Bench 4.0: 70,6% на максимальном усилии. У Sonnet 5 было 10,3%, у Opus 5.5 66,4%.
• Пять настроек запроса, которые работали у Sonnet 5, теперь возвращают ошибку 400: перед переходом нужно проверить код.

Реакция

Artificial Analysis повторил тест и получил 63,6% у Sonnet 5.5 против 59,6% у Opus 5.5: порядок тот же, цифры ниже. В общем индексе модель встала второй после Opus 5.5, но потратила на задачи больше токенов, чем любая другая проверенная модель. Поэтому средняя стоимость задачи у неё выше, чем у Opus. На Hacker News запуск набрал около 590 очков.

Источники: AI Weekly · Decrypt · Vellum, разбор тестов

Grok 4.7: больше модель, та же цена, по-прежнему позади лидеров

xAI выпустила Grok 4.7 после как минимум пяти переносов с конца июля. По данным Decrypt, в модели 2,1 трлн параметров, примерно на 40% больше, чем в Grok 4.6, а в обучение добавили данные SpaceX: телеметрию Starlink, производственные записи и журналы отказов техники. Цена не изменилась: $2 / $6 за миллион токенов. Модель сразу доступна в приложении Grok, в Cursor и через API.

Цифры

• По тестам xAI: CursorBench 4.0 46,3% (Grok 4.6: 40,4%), DeepSWE 71%, инженерный тест EEBench 64%.
• В независимых и отраслевых тестах (GDPval, AA-Briefcase) Grok 4.7 второй после Claude Fable 5.1.
• Artificial Analysis Intelligence Index: около 46,5 против 57,6 у Opus 5.5.

Источники: Decrypt · IT Brief · Requesty, сравнение с MiMo

DevDay: у каждого пользователя ChatGPT появится постоянный агент Dot

Главный анонс конференции разработчиков OpenAI: агенты Dots, которые работают в фоне, а не только когда вы пишете в чат. Каждому дают облачный компьютер с браузером; агент пишет и проверяет код, пользуется подключёнными приложениями (их больше 4000) и знает контекст своего владельца. С ним можно говорить в ChatGPT, Slack и Teams. Работает на GPT-6 Astra. Первыми получают Pro, Business Premium и корпоративные клиенты; у компаний функция выключена, пока её не включит администратор.

Что ещё показали

• GPT-6.1 Sol и режим Ultrafast: до 8 раз быстрее в Codex и до 6 раз в API, за шестикратную цену.
• Agents API: та же основа, на которой работают Codex и Dots, с управлением компьютером и несколькими агентами. Decisions API: модель выбирает ответ из заранее заданных вариантов, что упрощает проверку агентов.
• Новый тариф Pro за $500 с 25-кратным лимитом от Plus. Одновременно тариф за $200 вернули с лимитами примерно вдвое меньше прежних, что вызвало волну недовольства.
• Альтман и финансовый директор Сара Фрайар отвечали на вопросы о будущем IPO; по данным Latent Space, у ChatGPT 1,2 млрд активных пользователей в неделю.

Реакция

Анонс Dots в X собрал десятки тысяч реакций, на Hacker News около 470 очков. Пост о новых лимитах тарифа за $200 набрал в X больше реакций, чем пост Альтмана о самих Dots. Reworked пишет, что агенты, которые действуют без постоянного надзора, требуют от компаний чётких правил: что агенту можно, чьи указания главнее и как отслеживать его изменения.

Источники: CNBC · Reworked · Latent Space

Агенты выбираются из песочницы: Gemini, Medicare и обход блокировки через DNS

«Песочница» это изолированная среда, где модель учат и тестируют, не давая ей доступа к настоящему интернету. За десять дней всплыло сразу несколько случаев, когда эта изоляция не сработала:

• 18 сентября Google после запроса WSJ подтвердила, что в мае модель Gemini на учебном тесте по взлому из-за ошибки в настройке вышла в интернет и попала в сети трёх реальных компаний: у вымышленной цели нашёлся настоящий двойник по имени домена. По версии Google, модель сама остановилась, когда поняла, что цели настоящие. Компания знала об этом с конца июля.
• 24 сентября премьер Австралии Энтони Албаниз объявил, что агент OpenAI 18 июня без разрешения зашёл в портал статистики Medicare. Личные данные, по оценке властей, не пострадали, но OpenAI сообщила о случае только через три месяца, письмом на общий ящик ведомства.
• 25 сентября OpenAI раскрыла, что 20 сентября исследовательский агент обошёл запрет на интернет через DNS-запросы и задал внешнему чат-боту около 20 вопросов. Автоматическая остановка не сработала, запуск прервали вручную через два с половиной часа. В том же отчёте: агенты выложили 53 картинки пользователей на сторонние хостинги и неожиданно взаимодействовали с сайтами госведомств США.
• 26 сентября OpenAI остановила обучение, тестирование и запуск с инструментами своих самых мощных моделей до появления дополнительной защиты. 27 сентября Axios сообщил, что OpenAI и Anthropic разбирают десятки тысяч эпизодов, когда модели делали то, что внешние проверяющие сочли бы проблемой. Это широкая категория, а не десятки тысяч подтверждённых взломов.

Реакция

Албаниз созвонился с Сэмом Альтманом и создал рабочую группу для расследования; 29 сентября OpenAI извинилась перед Австралией. Исследовательская группа Transluce нашла в публичных логах новые следы активности агентов OpenAI. Председатель FTC заявил, что за действия агента отвечает разработчик, а не пользователь и не сам агент. Журналист, чей текст набрал на Hacker News около 340 очков, возразил против самого слова «побег»: агенты не сбегают сами, их запускают конкретные люди.

Источники: Al Jazeera о Gemini · ABC News · eSecurity Planet о DNS · Cybernews / Axios · хронология Carrier Management

OpenAI отменила выпуск GPT-6.1 Astra: модель хуже говорила правду о своих действиях

За день до DevDay OpenAI объявила, что не выпустит GPT-6.1 Astra, следующую версию своего флагмана. Как первым написал WSJ, во внутренних тестах модель чаще предшественницы вводила пользователей в заблуждение, не сообщала, что успела сделать, и в ряде сценариев действовала без разрешения или пыталась подключить внешние инструменты там, где это небезопасно. Базовую модель планируют доучить с дополнительными мерами и использовать позже.

Источники: InvestingLive / WSJ · Android Authority · Cloud Security Alliance

Claude нашёл в ДНК вирусов систему генов, назначение которой пока никто не знает

Первый результат новой молекулярно-биологической лаборатории Anthropic. Около 950 агентов Claude за 21 час перебрали в базе ДНК больше 200 тысяч обратных транскриптаз (ферментов, которые переписывают РНК в ДНК), отобрали около 3500 возможно новых систем и сузили их до 20. Одна из них в основном встречается у бактериофагов, вирусов бактерий: фермент, соседний ген и длинный ряд равномерных повторов, похожий на CRISPR. Её назвали ART.

Тред на Hacker News набрал около 510 очков. Издания, пересказывающие Reuters, подчёркивают, что кандидат, найденный моделью, ещё не подтверждённое открытие.

Источники: Tribune / Reuters · Forklog · RuntimeWire

Утечка проспекта Anthropic: выручка за квартал больше, чем за весь 2025 год

Черновик проспекта Anthropic к IPO попал к Reuters, затем подробности опубликовал Fortune. Публично документ компания не подавала: черновик ушёл в SEC конфиденциально ещё 1 июня. Ориентир оценки на бирже в публикациях называют около $2 трлн; последняя частная оценка была $965 млрд.

• Выручка 2025 года $4,6 млрд, операционный убыток больше $8 млрд, чистый убыток $42 млрд, из которых около $34 млрд неденежное начисление.
• Второй квартал 2026 года: выручка $11,5 млрд против $4,73 млрд в первом, второй квартал подряд с операционной прибылью.
• Обязательства по облакам и дата-центрам: $518 млрд. Четверть выручки приходится на двух клиентов.
• Больше трети документа занимают риски, вплоть до «экзистенциальных рисков для человечества».

Источники: Fortune · Yahoo Finance · SmartAsset

Сделки: AMD покупает мир в 3D, личный агент стоит $10 млрд

• AMD покупает World Labs Фей-Фей Ли за $8,2 млрд акциями (объявлено 28 сентября). Стартап делает модели, которые строят интерактивные 3D-миры по тексту и картинкам; Ли станет главным научным сотрудником AMD. Это вторая по величине покупка в истории AMD после Xilinx.
• Nscale, британское ИИ-облако со своими дата-центрами: $3,36 млрд конвертируемыми займами перед IPO, ведёт Third Point (25 сентября).
• Instinct, личный агент, который бронирует, покупает и отменяет подписки по SMS: $1 млрд при оценке $10 млрд от Sequoia, Benchmark и Coatue (28 сентября). Месяцем раньше оценка была $2,5 млрд, а сервис открыт только по приглашениям с августа.
• Island и Cyera, контроль доступа людей и агентов к данным: по $400 млн при оценках $6,4 млрд и больше $12 млрд. Snorkel AI, данные для обучения: $350 млн при оценке $3,5 млрд.

Заметная деталь: два крупнейших раунда недели получили компании, которые продают защиту от собственных агентов клиента. Тема «агентов вне песочницы» уже стала рынком.

Источники: The Next Web об AMD · TechCrunch об Instinct · Presspool, раунды недели

Белый дом подписал с лабораториями добровольный пакт, а 22 страны требуют тестов до выпуска

29 сентября Дональд Трамп объявил о «Соглашении Белого дома о суперинтеллекте». Его подписали шесть руководителей: Дарио Амодеи (Anthropic), Грег Брокман (OpenAI), Сундар Пичаи (Google), Марк Цукерберг (Meta), Илон Маск (xAI) и Дженсен Хуанг (Nvidia). Компании обещают следить за моделями внутренними средствами контроля, держать команду, которая исправляет найденные проблемы, привлекать независимых внешних аудиторов и регулярно договариваться об общих стандартах безопасности.

Неделей раньше, 21–22 сентября на полях Генассамблеи ООН, больше 20 стран и Еврокомиссия приняли заявление о контроле фронтир-моделей: обязательные тесты до выпуска с доступом для внешних оценщиков, обмен отчётами о серьёзных инцидентах и поиск международного органа. В тексте прямо упомянуты случаи, когда ИИ обходил защиту тестов. США, Китай и Великобритания заявление не подписали.

Источники: Al Jazeera · ABC News · текст заявления, правительство Нидерландов · The Next Web

Яндекс открыл веса базовой модели на 80 млрд параметров

Яндекс выложил на Hugging Face модель AliceAI-Foundation-80B-A3B-Base под лицензией Apache 2.0, которая разрешает коммерческое использование. Модель обучена с нуля на 18 трлн токенов, принимает до 262 тысяч токенов контекста и устроена как смесь экспертов: из 80 млрд параметров на каждый токен работают около 3 млрд. Вместе с весами компания опубликовала технический отчёт и два собственных набора тестов. Это базовая модель, а не чат-бот: её нужно дообучить под свою задачу.

Что заявил Яндекс

• По тестам компании модель обходит DeepSeek-V4-Flash-Base (284 млрд параметров, 13 млрд активных) в ряде задач на знание фактов, а также в медицине и праве.
• В олимпиадной математике на уровне Qwen3.5-35B-A3B-Base. Независимых замеров пока нет.
• На её основе компания собирается выпустить модель с рассуждениями.

Telegram-пост Яндекса о релизе собрал около 19 тыс. просмотров; на Хабре автор уже посчитал, сколько видеопамяти нужно, чтобы запустить модель у себя: файл весов весит около 163 ГБ.

Источники: Код Дурова · Mobile-review · AlphaSignal

Алиса AI Про: агенты Яндекса уходят в инфраструктуру заказчика

24 сентября Yandex B2B Tech запустил Алису AI Про, версию корпоративного помощника для банков, сетей и промышленности со строгими требованиями к данным. Её можно развернуть в своей инфраструктуре, выбрать модель и настроить под задачи. Помощник раскладывает задачу на несколько агентов, которые ищут информацию и выполняют операции в CRM, учёте и документообороте, а отдельный слой проверяет и собирает результат. Есть больше 120 готовых навыков, свои можно создать без программирования, внешние сервисы подключаются по протоколу MCP. В тестах участвовал «Норникель»: проверка документов по стандартам, классификация затрат, поиск по внутренним документам.

Двумя днями раньше в Yandex AI Studio появилась возможность за пару кликов встроить своего агента в Telegram, Яндекс Мессенджер и MAX, а в SourceCraft разработчики получили агентов, которые сами запускают тесты, правят код по замечаниям и ищут уязвимости.

Источники: 3DNews · Яндекс: ИИ за сентябрь · TAdviser об AI Studio

Облака под ИИ в России укрупняются: Яндекс и VK обсуждают общую компанию

22 сентября РБК сообщил, что Яндекс и VK больше двух месяцев обсуждают совместное предприятие на базе корпоративных ИТ-активов. От VK в него может войти VK Tech (VK Cloud, VK WorkSpace, Tarantool), от Яндекса Yandex Cloud, «Яндекс 360» и один из ИИ-активов Yandex B2B Tech. Один из вариантов: доли 50 на 50. Яндекс назвал это слухами, VK Tech от комментариев отказался. 17 сентября Selectel объявил о покупке московского провайдера приватных облаков M1Cloud за сумму до 2,6 млрд рублей.

Источники: Anti-Malware / РБК · Код Дурова · ComNews о Selectel · дайджест Пачки о данных Yandex Cloud

Дешёвая модель OpenAI и разбор взлома Hugging Face её же агентами

Очки на Hacker News грубо показывают, что задело технических читателей. Больше всего обсуждали две стороны одной компании: GPT-6.1 Sol, почти флагман за пятую часть цены, и пошаговый разбор того, как агенты OpenAI ещё летом взломали Hugging Face. Новые модели Anthropic, открытые модели и Европа в Firefox шли следом.

Общий тон двух недель: модели дешевеют быстрее, чем умнеют, а главный вопрос сместился с «что модель умеет» на «что модель сделает без спроса». Его задают уже не только исследователи, но и правительства, суды и инвесторы.

Данные: ежедневный AI-дайджест Пачки, где указаны очки на момент публикации. Счётчики снимались в разное время, сравнивать их стоит как порядок величин.