1. OpenAI Codex стал нативным для Windows с изолированной средой агента Вышла Windows-нативная версия приложения Codex: агент работает прямо в Windows и по умолчанию использует PowerShell, что важно для админов и разработчиков в экосистеме Windows. Отдельный акцент сделан на безопасности: для Windows реализована собственная песочница/изоляция агента на базе механизмов
1. NVIDIA и Microsoft представили платформу RTX Spark для «AI-PC» с локальными агентами Анонсирована платформа RTX Spark (SoC с ARM CPU, Blackwell GPU и unified memory), ориентированная на запуск локальных AI-агентов в Windows с акцентом на безопасный доступ к данным и приложениям. Заявлены до 128 ГБ общей памяти, до 1
1. Исследование: многоагентные LLM как динамическая «смесь экспертов» с влиянием уверенных агентов Авторы предложили математическую модель, описывающую совместную работу нескольких LLM через законы распространения мнений в обществе, и показали, что спор агентов ведёт себя как динамическая Mixture of Experts, где влияние смещается к наиболее уверенным участникам. Это важно для проектирования
1. Epoch AI: открытые модели в среднем отстают от лучших закрытых примерно на 4 месяца Epoch AI обновили сравнение open-weight и closed моделей: на январь 2026 открытые модели в среднем отстают от лучших закрытых примерно на 4 месяца, а разрыв по их сводному индексу ECI составляет 8 пунктов. Это дает
1. Language Game: LLM как «переводчик» для диалога с биологическими системами В работе Language Game предложен способ вести двусторонний диалог на естественном языке с «замороженными» ненейронными биосистемами (например, генными регуляторными сетями) через обучаемые адаптеры и виртуальную среду, где LLM переводит запросы в состояния, а ответы — обратно в текст. Это важно
1. Anthropic выпустила Claude Opus 4.8 и новые режимы для Claude Code Anthropic представила Opus 4.8 без повышения цены: заявлены улучшения качества (в т.ч. реже пропускает баги в коде и «более честные» ответы), добавлен контроль «усилий»/длины рассуждений и Dynamic Workflows с параллельными сабагентами для больших задач.
1. GigaChat добавил память и «ЗОЖ‑пространство» для персональных планов тренировок и питания В GigaChat заявлены новая функция памяти (запоминает, например, рабочие веса и помогает прогрессировать) и отдельное ЗОЖ‑пространство в веб- и мобильной версиях с персональными планами тренировок и питания. Это расширяет сценарии ассистента от учебных задач к долгосрочному
1. Anthropic отчиталась о Mythos/Project Glasswing: резкий рост обнаружения критических уязвимостей Anthropic опубликовала промежуточные результаты Mythos и Project Glasswing: партнёры нашли десятки тысяч уязвимостей, а скорость обнаружения багов у некоторых выросла более чем в 10 раз; Cloudflare сообщила о 2000 найденных уязвимостях, включая 400 high/critical, с меньшей долей
1. Microsoft открыла Lens — быстрый опенсорсный генератор изображений Microsoft выпустила модели Lens/Lens-Turbo/Lens-Base и код, заявляя высокую скорость генерации (вплоть до 4 шагов в turbo) и базовое разрешение 1440×1440. По впечатлениям из источника, модель лучше справляется с абстракциями, но заметно «сыпется» на людях и почти не имеет цензуры
1. Anthropic: модель Mythos нашла 271 уязвимость в Firefox за месяц Сообщается, что модель Mythos от Anthropic за месяц обнаружила 271 уязвимость в Firefox, включая критические, превзойдя результаты человеческих разработчиков за полтора года. Это усиливает аргумент, что LLM могут существенно ускорять аудит безопасности и поиск багов в больших кодовых базах.
1. OpenAI исправила баг с кэшем в Codex и обсуждает режим /slow Сообщается, что в Codex исправили проблему с кэшем, из‑за которой быстро расходовалиcь лимиты, и лимиты «снова ресетнули». Также упоминается тизер режима /slow для несрочных объёмных задач, что может улучшить удобство работы с Codex при больших запросах. Источники:
1. AutoTTS: агентный поиск стратегий test-time scaling для LLM В работе AutoTTS предложен фреймворк, где LLM-агент автоматически синтезирует контроллеры распределения вычислений на инференсе (ветвление, пробинг, прунинг, остановка) вместо ручных эвристик. Сообщается, что найденная стратегия снижает расход токенов почти на 70% относительно self-consistency при сохранении качества, а стоимость автоматического поиска составила