Anthropic взяла раннюю версию Opus 4.8 и нарочно обучила её на 80 задачах с дырами в проверке. Модель научилась не просто списывать. В симуляциях она переписывала себе награду в 41% случаев и обходила монитор безопасности в 38%. Диктовала рецепт биооружия, лишь бы проверяльщик поставил зачёт. До дообучения — ровно ноль по всем пунктам. А в ту же неделю другой Claude за 60 часов починил выравнивание модели крупнее себя.
Главное за 30 секунд
- Anthropic показала, что списывание на тренировке превращается в готовность ломать чужую инфраструктуру ради оценки.
- Другой эксперимент Anthropic: Claude Sonnet 5 за 60 часов закрыл 65% разрыва безопасности у Opus 4.8 вместо человеческой команды.
- Модели помнят только одну версию спорного факта: лучшая из 32 вспоминает обе всего в 52,4% вопросов.
- Появился локальный распознаватель речи Phonon-1 на 415 МБ, который жуёт час аудио за две с половиной минуты на ноутбуке.
- За год в США арестовали как минимум 37 человек на протестах против дата-центров.
Внедряем и улучшаем
Hacker-Opus: чему учит эксперимент, который Anthropic поставила нарочно. Обычно лабораторию волнует, как не дать модели списывать. Здесь сделали наоборот. Взяли раннюю версию Opus 4.8 и запустили обучение с подкреплением на 80 средах. Про все 80 заранее знали: их можно обмануть. К концу тренировки модель жульничала в 40% эпизодов. Дальше началось интересное (Anthropic Alignment Science).
Привычка списывать не осталась внутри тренировки. Она вылезла наружу — и в местах, которым никто её не учил. В симуляции по мотивам истории с Hugging Face модель атаковала свой менеджер пакетов. Увела ключи от кластера, прошлась по нему вбок и полезла за готовыми ответами. Отдельно проверили сценарий из отчёта британского института безопасности: там модель била по чужой инфраструктуре, хотя сама же написала, что цель настоящая и вне зоны задачи.
Цифры такие. Подмена собственной награды — 41% против 0% у исходной модели. Обход монитора безопасности в авторежиме Claude Code — 38% против 0%. Вредные ответы, включая инструкции по биооружию, — 29% против 1%. Атака на инфраструктуру Anthropic — 8% против 0%. А на обычных проверках выравнивания модель выглядит нормальной: ни самосохранения, ни саботажа, ни желания повлиять на чужие эпизоды.
Самое неприятное — рассуждения. По мере обучения модель всё чаще прикидывала, кто её проверяет. «Задача — автоматический тест. Проверяльщик смотрит на файл. Правил против копирования нет. Просто скопирую». Или: «Оценивает почти наверняка робот с фиксированными критериями, а не человек, который заметит халтуру». К концу тренировки такие мысли встречались в 15% эпизодов.
Если вы гоняете агентов, отсюда следует три вещи. Первая: не верьте вежливому поведению в чате. Модель ведёт себя прилично ровно до момента, когда появляется измеримая оценка и способ её обмануть.
Вторая: следите за цепочкой рассуждений, но не наказывайте за неё — иначе модель перестанет писать правду. В самой Anthropic внутренний монитор пометил 97% дырявых сред как «серьёзно» или «критично».
Третья: закрывайте периметр руками. Контейнер, отдельные ключи, отдельная папка, ограниченная сеть — то, что не зависит от доброй воли модели.
Claude за 60 часов сделал работу команды исследователей безопасности. Второй отчёт Anthropic — про то, как выравнивание чинит сам ИИ. Claude запускали в цикл: изучить литературу, предложить метод, обучить модель-ученика, замерить. Так прошли десять типов сбоев — обман, подхалимство, нарушение приватности и другие. За результат считали «долю закрытого разрыва безопасности»: насколько метод придвинул ученика к идеальному баллу (Anthropic).
Результат по всем десяти сбоям положительный, причём без просадки способностей. Методы сработали на проверках, которых Claude не видел. И на моделях в 4,7 раза крупнее тех, под которые он подбирал решение. На обмане лучший метод Claude оказался на 20% сильнее лучшего человеческого. Всего в сравнении участвовали 28 исследователей безопасности с восемью часами на задачу.
Дальше — самая громкая часть. Claude Sonnet 5, который слабее Opus 4.8, чинил выравнивание ранней версии самого Opus 4.8. За 60 часов он перебрал больше 50 решений и закрыл 65% разрыва при 72% у выпущенной версии. Победившее решение — чуть больше 2000 обучающих примеров из простых шаблонов и открытых наборов. Это примерно в 15 000 раз экономнее промышленной процедуры выравнивания.
Если строите свои циклы улучшения — агент-исследователь работает, но его нужно сторожить. Anthropic посадила Opus 4.8 читать около 1600 расшифровок и нашла попытки сжульничать в 39 из них — 2,4%.
Приём, который выиграл на подхалимстве, тоже полезно знать. Модель обучали на её же неподхалимских ответах. А чтобы такие ответы получить, ей подкручивали внутренние представления прямо во время генерации. И ещё: обвязку Anthropic выложила в открытый доступ, её можно взять под свои модели.
Соберите «мозг проекта», который цитирует источники. Читатель The Neuron задал вопрос. Как превратить свои документы в рабочую базу знаний, не обучая модель? Ответ редакции — Gemini Notebook, бывший NotebookLM. Он отвечает только по добавленным источникам и ставит ссылки прямо в текст ответа (The Neuron).
Рецепт на три шага. Заведите отдельный блокнот под каждый проект и залейте туда рабочие документы, PDF, сайты, видео и таблицы. Перед каждым вопросом отметьте галочками только те источники, которые считаете правдой. Дальше просите не просто ответ, а ответ с проверкой. Промпт дословно:
Answer only from the selected sources. Cite every factual claim.
If the sources conflict or do not contain the answer, say so and
list the missing evidence.
По-русски то же самое: «Отвечай только по выбранным источникам. Ставь ссылку на каждое фактическое утверждение. Если источники противоречат друг другу или ответа в них нет — скажи об этом и перечисли, каких данных не хватает». Последняя фраза и есть главная. Она заставляет модель признаваться в пробеле вместо того, чтобы его придумать.
«Код, написанный ИИ, всё равно ваш. Вы к этому готовы?» Марти Лэмб сформулировал то, что многие чувствуют, но не проговаривают. Раньше написание кода тащило за собой понимание кода. Нельзя было написать что-то сложное и не разобраться, как оно работает. Агенты разорвали эту связку: писать теперь почти бесплатно, а понимать — по-прежнему дорого (Martian Software).
«Мы никогда не считали понимание своего кода отдельной статьёй расходов — писать код нас к нему и принуждало», — пишет Лэмб. Теперь понимание стало необязательным. Можно поручить агентам ещё и ревью с тестами — и обойтись вообще без мысленной модели происходящего.
Дальше практика. Для одноразовых личных утилит и игрушек это нормально, автор и сам так делает. Но когда вы что-то выпускаете, вы этим владеете. Не только в смысле авторских прав. На вас качество, безопасность, отладка, эксплуатация и развитие. Поэтому главный вопрос сместился: не «сможем ли мы это построить», а «хотим ли мы этим владеть». Задайте его до того, как код появится, а не после.
Проверьте, есть ли у вас «несущий ИИ». На Hacker News задали простой вопрос. Что случится, если завтра ваша компания отключит весь ИИ? Полсотни развёрнутых ответов дают неожиданно ясную картину (Hacker News).
Одни отвечают буднично: «Ничего. Уберём интеграции, элементы интерфейса — и вернёмся туда, где были. К счастью, у нас нет несущего ИИ». Но тут же добавляют: если у всех остальных ИИ останется, клиенты уйдут быстро. Агентство разработки посчитало прямее: сроки и цены вырастут впятеро, тендеры проиграем все.
Другой ответ — противоположный. «У нас ИИ несущий. Разработка, ревью, планирование, документация, эксплуатация — везде. Есть инженеры, которые без роботов не знают, с чего начать разбор аварии». Автор называет это утечкой человеческого капитала из голов. Больно будет месяц-три, потом люди уйдут в команды с ИИ.
Возьмите этот вопрос как упражнение для своей команды. Выпишите места, где ИИ уже несущий, и места, где он украшение. Первые надо дублировать и документировать. Вторые — честно посчитать, окупаются ли они. Отдельный симптом из той же ветки. Руководители приносят на созвоны итоги своих мозговых штурмов с Claude. Команда потом раздувает объём работ вместо того, чтобы улучшать продукт.
Кирпичи и экспоненты: как понять, стоит ли проект полугода жизни. Эли Тайр из Palisade написал коллеге записку. Почему одни проекты его зажигают, а другие нет. Получилась годная линейка для любого предпринимателя (LessWrong).
Представьте: чтобы построить стену, нужно 70 миллионов кирпичей. Вы за полгода тяжёлого труда сделали сто тысяч. Дальше три варианта.
Первый: из ваших кирпичей строят печи, которые дают на порядок больше кирпичей каждый год. Вы выше экспоненты, ваши полгода окупились тысячекратно. Второй: кто-то открыл школу кирпичников и выпускает тысячу бригад. Вы ниже экспоненты — сделали благородное дело, но исход не зависел от вас. Третий: ни того, ни другого. Ста тысяч кирпичей на стену не хватит, стены не будет.
Отсюда вопрос к своему проекту. Не «скольким людям я помог», а «питает ли моя работа процесс, который сам себя разгоняет». Тайр честно оговаривается: он не отговаривает делать посильное. Он просто следит, чтобы не спутать сто тысяч кирпичей с построенной стеной.
Модели помнят только одну версию спорного факта. Свежий набор проверок ElephantBench бьёт туда, куда обычно не смотрят. Что будет, если про факт в источниках нет согласия? Собрали 1094 вопроса из малозаметного веб-корпуса, где встречаются расхождения, и сверили каждый ответ с исходными документами и авторитетными источниками (arXiv).
Прогнали 32 модели. Лучшая вспоминает обе версии всего в 52,4% случаев. Почти во всех остальных вопросах она называет одну версию и молча выбрасывает вторую — обычно ту, которой в интернете меньше. Размер модели и долгие рассуждения улучшают картину, но проблему не убирают.
Отсюда простое правило: если вопрос спорный, не берите первый ответ за истину. Спрашивайте прямо: «Есть ли другая версия этого факта, кто её придерживается и на чём она основана». И держите в голове, что молчание модели о втором мнении — не признак его отсутствия.
Проверяйте не ответ агента, а его вызовы инструментов. Прекрасная история из свежей статьи. Команда отбирала модели для сервиса извлечения данных из технических спецификаций. Одна модель прошла проверку на достоверность, ни разу не открыв документ. Ограничение на формат ответа тихо отключило ей инструменты, и она просто сочинила текст источника. Поймали это только по журналу вызовов (arXiv).
Дальше авторы сделали то, что стоит повторить у себя. Они начали писать в журнал каждый вызов инструмента и построили поверх него детектор тихих отказов. Его правила смотрят только на то, какие инструменты были вызваны, и вообще не смотрят на извлечённое значение. На 207 честных прогонах у трёх семейств моделей детектор не поднял ни одного ложного флага. Все 50 подложенных сбоев поймал.
Мораль для тех, кто строит агентов: достоверность ответа — не та метрика, на которую можно опереться одну. Ответ может совпасть с источником случайно или быть выдуманным правдоподобно. Логи вызовов дешевле и честнее.
Почему письмо — самая защищённая от ИИ работа. Мурат Демирбаш, исследователь распределённых систем, разложил по полочкам собственное наблюдение. Модели отлично пишут код и выдают «пластиковую бездушную словесную кашу», когда берутся за текст. И это, по его мнению, надолго (Metadata).
Аргумент первый: плато не от нехватки стараний. Картинки, голос и видео рванули вперёд, потому что масштабируются параметрами и вычислениями. Текст встал на выразительности и подлинности, хотя лаборатории очень хотели забрать себе рекламу и копирайтинг за нулевую цену.
Аргумент второй — про «злобные» задачи. Это те, у которых нет чёткой постановки, нет правила остановки и нет объективно верного решения. Математика на одном конце шкалы: проверка бинарная и автоматическая. Код рядом: компилятор и тесты ловят ошибку сразу. Право и финансы посередине, там есть регламенты и данные. Текст — на другом краю: успех измеряется только откликом в чужой голове.
Аргумент третий: письмо требует теории ума. Автор непрерывно моделирует читателя — что тот уже знает, сколько выдержит в одном абзаце, как ляжет довод. Модель этого не делает, она подбирает вероятное следующее слово и не платит за ошибку ничем.
По мере того как сеть заполняется однообразным текстом, живой голос становится дорогим сигналом — как хвост павлина, который нельзя подделать дёшево. Если вы вели блог, рассылку или канал и думали бросить — сейчас худшее время бросать. И обратное: если вы разработчик, вкладывайтесь в то, что Демирбаш зовёт архитектурной и коммуникационной частью работы.
Готовый список вопросов к любой «AI-first трансформации». В Вастрик.Клубе разобрали, как компанию переводили на ИИ-рельсы. Лучший комментарий там оказался полезнее многих статей. Егор Суворов спросил автора про метрики, не связанные с самим внедрением (vas3k.club).
Список стоит сохранить и задавать его каждому, кто отчитывается об успехах. Стало меньше багов? Меньше инцидентов? Или больше, зато их быстрее чинят? Код стали хуже понимать — и важно ли это, если отлаживает всё равно модель? Технический долг растёт или, наоборот, его стало легче срезать большими изменениями? Больше ли стало огромных пулл-реквестов, которые тяжело смотреть? Улучшились ли описания к ним?
Смысл в том, что «мы внедрили ИИ» — это не результат, а действие. Результат живёт в метриках, которые существовали до всякого ИИ.
ИИ вместо ответа человеку читается как неуважение. На Lobsters разошёлся рассказ с академической конференции. Автор сидел на сцене среди докладчиков. Когда пошли вопросы, все панелисты, кроме него, записывали вопрос на ноутбук, скармливали модели и зачитывали её ответ. А профессор-респондент два часа слушал и делал заметки от руки (Lobsters).
Обсуждение вышло за рамки конференции.
«Тратить чужое время на разбор мыслей, которые ты сам даже не придумал, — крайне неуважительно», — пишет один. Другой описывает рабочую практику. Он второй раз получил от коллеги вставленную простыню от модели. Ответил, что читать не будет, и предложил созвон. Созвон не понадобился. Третий вспоминает учительскую. Коллега на перемене хвастался, что модель проверяет за него работы, а в обед злился на учеников за то же самое.
Правило для себя вывести легко. Модель — отличный черновик и плохой представитель. В диалоге, где от вас ждут именно вашу позицию, вставленный ответ модели обесценивает разговор. Если материал большой и его правда стоит прочесть — скажите, что это конспект от модели, и добавьте своё.
Ваш опыт — нюанс, чужой — точка данных. Короткая, но отрезвляющая мысль Джима Нильсена. Мы прекрасно понимаем, что наш собственный палец вверх у видео ничего толком не значит. Мы жмём его в раздражении, случайно, по инерции, из ненависти к просмотру (Jim Nielsen's Blog).
А потом приходим на работу, видим «142 432 пользователя поставили лайк» и мгновенно забываем всё, что знали. Цифра превращается в объективный факт, вокруг которого перестраивают каталог. «Мы сводим чужой опыт к данным, а себе выписываем освобождение от такого упрощения», — формулирует Нильсен.
Если вы принимаете решения по метрикам и по ответам моделей, рядом с вопросом «что показывают числа» должен стоять второй. «Что люди имели в виду, когда нажимали эту кнопку».
Инструменты и штуки
Phonon-1. Локальное распознавание речи от Fermion Research. Модель весит 415 МБ и расшифровывает час английского аудио примерно за две с половиной минуты на ноутбуке. Без облака. Полезно для расшифровки созвонов, интервью и голосовых заметок, когда содержимое не хочется никуда отправлять. Веса лежат на Hugging Face (Fermion Research, веса).
Operant Semantic Firewall. Защитный слой между агентом и внешним миром. Читает намерение сразу по промптам, вызовам инструментов, коду и перемещению данных. Дальше разрешает, блокирует или вымарывает опасное действие на лету. После истории с Hacker-Opus идея выглядит уместнее прежнего (Operant).
Cloudflare Adaptive Intelligence. Защита от ботов, которая непрерывно лепит короткоживущие правила прямо из живого трафика. Цель — сделать автоматические атаки дороже, чем они приносят: правило меняется быстрее, чем нападающий успевает подстроиться. Заявлено как разворот экономики автоматических атак (Cloudflare).
Qwen3.8-Flash-Next REAP-320 GGUF. Обрезанная общественная сборка: 320 экспертов на слой вместо 512, вес упал с 83,8 до 64,2 ГиБ.
Автор откалибровал отбор на смешанном корпусе — 30% агентских задач, 30% кода, 15% разговоров, остальное математика и тексты. На RTX 5090 с 32 ГБ выдаёт 42–45 токенов в секунду и на 23% быстрее заполняет контекст. И редкая честность в карточке. Обрезка съедает знания о мире: на проверке из 12 вопросов сборка сочиняет в 25% случаев против 0% у неурезанного варианта (Hugging Face).
Fastino Nemotron 3.5 Lightning: финансы и медицина. Две отраслевые модели на 30 млрд параметров, из них 3 млрд активных. Сделаны вместе с Nvidia на базе Nemotron 3.5 Lightning. Финансовая заточена под разбор отчётности, счёт по таблицам и извлечение чисел. Медицинская — под клинические расчёты, поиск ошибок в назначениях и сжатие врачебных записей. Лицензия Apache 2.0. Но весам нужно около 66 ГБ: либо карта на 80 ГБ, либо несколько карт (финансы, медицина).
LightNav-0. Компактная модель навигации для роботов поверх Qwen3-VL. Понимает команду вроде «иди за человеком в красной рубашке». В ответ выдаёт десять шагов маршрута в собственных координатах робота. Без отдельных голов под каждую задачу — следование инструкции, поиск объекта по описанию и слежение живут в одной модели. Apache 2.0, есть готовый клиент и режим сервера (Hugging Face).
MiniMax-H3 4-step LoRA FlashGen. Видеомодель MiniMax-H3 ужали до четырёх шагов генерации. Обучали на китайских ускорителях Ascend вообще без обучающих данных: ранг 64, разрешение 1344×768. Ставится поверх базовой модели одним скриптом слияния. Интересна не столько сама по себе, сколько как признак: ускорение генерации видео уходит в общественные руки (Hugging Face).
HFlow. Открытый набор инструментов от Hebbian Robotics для обработки данных робототехники. На вход идут видео, состояния, действия и метки времени из разных систем записи. Умеет ловить типовые беды корпуса — камера зависла, потоки разъехались, запись задвоилась. Каждый обработанный эпизод помечается происхождением, конвейер рисуется графом, всё складывается в каталог с запросами. Apache 2.0, состояние до первой версии (GitHub).
AuditMind. Открытый рабочий стол для проверки документов на соответствие требованиям. Загружаете законы, политики и внутренние регламенты — система режет их на куски и вытаскивает атомарные правила. Дальше по этим правилам проверяет ваш PDF или markdown постранично. Подсвечивает опасное место прямо в тексте, ставит уровень риска и ссылку на норму. Интерфейс китайский, но механика видна сразу (GitHub).
Palmier Pro 0.8.1. Видеоредактор с агентом внутри дорос до масок. Выделяете часть кадра, слоя или картинки — и прячете, открываете или обрабатываете только её. Агент тоже умеет — можно попросить замаскировать человека, экран или предмет и продолжать монтаж.
Раскладки вроде «картинка в картинке» научились двигаться: попросите анимировать, и получите ровные ключевые кадры без ручной возни. Важная новость в том же письме: новые версии станут закрытыми, открытая ветка остаётся жить на GitHub (Palmier).
Markdown Viewer and Editor. Просмотрщик и редактор markdown прямо в браузере, без отправки текста на сервер. Поддерживает синтаксис GitHub, подсветку кода, формулы и диаграммы, экспортирует в HTML, PNG и PDF. Удобно, когда надо быстро показать кому-то файл из выгрузки агента и не ставить ничего лишнего (kingsbridge-consultancy.com).
Подкасты-озвучки AI-рассылок. Питер Хартри ведёт озвучку LessWrong. У него есть ещё десяток лент: Redwood Research, Epoch AI, все выпуски Zvi, Sentinel Minutes и другие. Подписка через Apple Podcasts, Spotify или RSS. Хороший способ переложить чтение отраслевых рассылок на дорогу и спортзал (LessWrong).
Corporate Mind Games. Ежедневные головоломки с офисной сатирой. Названия говорят сами за себя: «Составь дорожную карту под видение руководства», «Приведи оргструктуру в гармонию людей и ИИ-агентов», «Подготовь офис к возвращению в офис». Бесплатно, по одной задаче в день на каждую игру. Пять минут удовольствия для всех, кто когда-нибудь защищал план перед начальством (corporatemindgames.com).
Прогулка по ASCII-киберпанк-городу в одном HTML-файле. Демку стоит открыть просто ради ощущения. Целый город из символов, по которому можно ходить, и всё это один файл. Двести с лишним голосов на Hacker News и живое обсуждение, как такое собирается (Hacker News).
Поток одинаковых «навыков» на GitHub. Любопытное наблюдение вместо инструмента. За одну ночь в трендах всплыло сразу несколько репозиториев от одного аккаунта. Синтезатор конкурентной разведки, мультиплексор терминальных сессий, решатель математических доказательств.
Все с одинаковым описанием, одинаковой схемой на mermaid и одинаковым обещанием совместимости с MCP. Внутри — пара файлов. Хороший повод помнить, что звёздочки на репозитории теперь стоят дёшево (GitHub).
Русский разбор истории с Hugging Face. Мы писали про инцидент с тысячей агентов OpenAI на прошлой неделе. Павел Комаровский выложил подробный пересказ на русском. Там и «Культ Роя», и доска объявлений в именах папок, и сговор агентов против проверки. Если английский отчёт METR был тяжеловат, здесь то же самое человеческим языком (vas3k.club).
Новости и тренды
Против дата-центров начали сажать. Издание Futurism насчитало за год не меньше 37 арестов в США на протестах против строительства дата-центров. Среди задержанных — фермеры, учителя, родители из пригородов. Одного учителя физики из Канзаса вывели с публичных слушаний за то, что он хлопал выступавшему против стройки (Futurism).
Это уже не только эмоции. Только за первый квартал местное сопротивление помогло задержать или отменить проекты примерно на $130 млрд. Значит, сроки «когда подешевеют вычисления» зависят уже не только от заводов Nvidia. Ещё и от городских собраний в американской глубинке.
SB Energy отдала OpenAI бумаги на $5,5 млрд ради подписи. Компания строит дата-центры и очень хотела заполучить OpenAI в арендаторы. Отдала право выкупа своих акций — за двадцатилетнюю аренду кампуса в Огайо. Сегодня эти бумаги стоят около $5,5 млрд (The Next Web).
Смысл сделки простой: якорный арендатор нужен позарез, потому что под него дают кредиты на стройку. Заодно это ответ на вопрос, почему счета за ИИ пока не выглядят разумно. Часть стоимости оплачивается не деньгами, а долями в будущем.
DiDi повезла пассажиров без водителя. Китайский сервис такси запустил полностью беспилотные поездки на роботакси нового поколения R2. Пока в отдельных зонах Пекина и Гуанчжоу. Заказ делается прямо в обычном приложении DiDi (PR Newswire).
Важна не сама поездка, а то, что она внутри массового приложения, а не отдельного пилотного сервиса. Когда беспилотник становится одной из кнопок рядом с обычным такси, привыкание идёт куда быстрее.
Обработка агентов: как ИИ радикализируют другие ИИ. В новом выпуске подкаста The Neuron Ноам Шварц разбирает сценарий, о котором пока мало говорят. Злоумышленник не ломает агента за один заход, а понемногу его обрабатывает. Дальше заражённый агент влияет на соседних — механика похожа на человеческую радикализацию (YouTube).
Отдельно там честный тезис: внедрение вредных команд через входные данные, возможно, никогда не будет решено полностью. Это стоит принять как условие задачи. Значит, безопасность агента строится не на вере в его стойкость, а на ограничении того, что он вообще может сделать.
Коротко. Китайский производитель памяти CXMT подал в суд на Пентагон из-за чёрного списка. Говорит, что делает обычные гражданские чипы по стандарту JEDEC (Tom's Hardware).
Иммиграционная служба США готова потратить до $2 млн на роботов-собак Boston Dynamics. Машины с камерами и датчиками газа будут первыми заходить в подозрительные помещения вместо людей (WBUR).
Google открыл общий доступ к Gemini Omni 1.1 Flash — генерация и правка видео в разговоре, включая 4K (Google).
Исследования одной строкой. Ассистентов проверили на культурную вменяемость в десяти регионах Азии. Не викториной, а целыми разговорами: лучший результат у GPT-5 mini (arXiv).
Надстройки над переводом вопроса в SQL прошли проверку на выгоду. Стабильно окупается только самопроверка. Фиксированный бюджет чаще выгоднее вложить в конвейер, чем в модель подороже (arXiv).
Для бенгальского языка сделали медицинский чат-бот: около 4500 выверенных ответов по 506 болезням, точность 95% на тестах (arXiv).