EN RU

Ежедневный дайджест

10 пунктов · ~10 мин · Неделя 2026-W21

Обязательно к прочтению (2)

ExploitBench: Claude Mythos Preview и GPT-5.5 автономно создают настоящие браузерные эксплойты

Anthropic
исследования офиц. + СМИ 2 ист. ~1 мин

Исследователи Университета Карнеги — Меллон опубликовали ExploitBench — бенчмарк, тестирующий AI-модели на реальных уязвимостях движка V8 в 16 уровнях сложности. Claude Mythos Preview от Anthropic возглавил рейтинг с результатом 9,90/16 (с подсказками) и 9,55/16 в автономном режиме, достигнув произвольного выполнения кода на 21 из 41 протестированной уязвимости. GPT-5.5 от OpenAI набрал 5,51. Исследователи констатировали: «достижение произвольного выполнения кода становится новой пограничной возможностью».

Почему это важно
Первый систематический бенчмарк, демонстрирующий способность фронтирных AI-моделей выступать в роли «достаточно компетентных» исследователей браузерной безопасности — автономно конструируя рабочие эксплойты против защищённых целей. Генеральный директор Mistral сослался на результаты в ходе слушаний во французском парламенте, предупредив об опасности предоставления AI-систем с такими возможностями доступа к военным кодовым базам.
#claude-mythos #cybersecurity #benchmark #red-teaming #security

RoPE доказуемо не справляется с длинными контекстами: locality bias и согласованность токенов нарушаются

исследования официальный 1 ист. ~1 мин

Работа, поданная на NeurIPS 2026 (arXiv:2605.15514), формально доказывает два фундаментальных сбоя Rotary Positional Embeddings (RoPE) при больших контекстах: locality bias разрушается (модель не может надёжно отдавать предпочтение ближайшим токенам), а согласованность токенов нарушается (оценки attention для одного и того же токена различаются в зависимости от позиции). Авторы доказывают, что эти сбои находятся в прямом противоречии: изменение базового параметра RoPE устраняет один сбой ценой другого, не решая ни один из них.

Почему это важно
RoPE — это позиционное кодирование, используемое почти во всех крупных open-weight LLM (Llama, Mistral, Qwen, Gemma). Формальное доказательство теоретических сбоев при длинных контекстах мотивирует разработку альтернативных механизмов и объясняет наблюдаемые провалы производительности на задачах с длинными документами.
#long-context #reasoning #research

Стоит знать (5)

DeepSeek близок к закрытию рекордного раунда финансирования ~$4 млрд при оценке $50 млрд

DeepSeek
индустрия только СМИ 3 ист. ~1 мин

DeepSeek завершает свой первый внешний раунд финансирования, нацеленный на $3–4 млрд при оценке компании в $50 млрд — пятикратный рост за несколько недель. Раунд возглавляет Национальный инвестиционный фонд AI-индустрии Китая («Большой фонд III») при участии Tencent. Основатель Лян Вэньфэн, владеющий ~90% компании, лично вкладывает до $2,94 млрд. По данным South China Morning Post, раунд ожидается к закрытию в середине мая 2026 года.

Почему это важно
Крупнейший единовременный раунд финансирования для китайской AI-компании закрепит за DeepSeek статус поддерживаемого государством национального AI-чемпиона. Участие государства сигнализирует о том, что Китай рассматривает эффективные модели с открытыми весами как стратегическую инфраструктуру — с прямыми последствиями для глобальной конкуренции в области AI.
#deepseek #funding #china #valuation

OpenAI реструктурирует продуктовые команды вокруг агентной стратегии, Брокман берёт управление

OpenAI
индустрия только СМИ 2 ист. ~1 мин

Президент OpenAI Грег Брокман официально возглавил продуктовую стратегию компании: внутренний меморандум описывает планы по объединению ChatGPT, Codex и API в единую платформу под руководством одной продуктовой команды. Заявленная цель — построение «агентного будущего»; консолидированную продуктовую организацию возглавит Тибо Соттьо (CEO Codex). Реструктуризация проходит на фоне медицинского отпуска Фиджи Симо, CEO по развёртыванию AGI.

Почему это важно
Консолидация сигнализирует о том, что OpenAI отходит от параллельных продуктовых линеек в пользу единой интегрированной агентной платформы — стратегической ставки на то, что следующая волна ценности AI придёт от автономных агентов, а не от отдельных чат-ботов.
#openai #strategy #agentic #codex #chatgpt

SOOHAK: фронтирные LLM решают сложную математику, но не распознают неразрешимые задачи

исследования офиц. + СМИ 2 ист. ~1 мин

Консорциум из 64 математиков CMU, EleutherAI и Сеульского национального университета опубликовал SOOHAK — бенчмарк из 439 задач уровня научных исследований. Результаты фронтирных моделей: Gemini 3 Pro 30,4%, GPT-5 26,4%, Claude Opus 4.5 10,4%. «Подмножество отказов» из 99 намеренно некорректно сформулированных задач показало, что ни одна модель не преодолела 50% точности при отказе отвечать на неразрешимые вопросы — модели систематически давали уверенные неверные ответы на задачи, не имеющие корректного решения.

Почему это важно
Масштабирование вычислений делает модели лучше в решении сложной математики, но не помогает им распознавать задачи без ответа. Этот сбой в виде «уверенной неправоты» имеет широкие последствия для применения фронтирных LLM в высокоответственных научных контекстах.
#benchmark #mathematics #reasoning #gpt-5 #evaluation

Judge Circuits: механистическое объяснение непоследовательности LLM-as-judge по форматам

исследования официальный 1 ист. ~1 мин

Исследователи применили причинно-следственный анализ цепочек к Gemma-3, Qwen2.5 и Llama-3, чтобы объяснить, почему LLM-судьи выдают непоследовательные оценки в зависимости от формата вывода (например, 1–5 или True/False). В средних и поздних слоях был выявлен разреженный подграф «скрытого оценщика», общий для всех задач; единый непрерывный сигнал суждения проходит через хрупкие специфичные для формата конечные ветви, что объясняет дисперсию оценок, вызванную форматом (arXiv:2605.16023).

Почему это важно
LLM-as-judge является стандартом в evaluation-пайплайнах, однако его надёжность механистически изучена слабо. Это первый анализ на уровне цепочек, объясняющий расхождение суждений одной модели в зависимости от формата — напрямую применимый для калибровки систем автоматической оценки.
#interpretability #mech-interp #benchmark #evaluation

vLLM v0.21.0: MLA-бэкенд для Blackwell, KV-выгрузка через HMA, speculative decoding для reasoning-моделей

vLLM Project
инструменты официальный 2 ист. ~1 мин

vLLM v0.21.0 вышел 15 мая 2026 года (367 коммитов, 202 участника). Ключевые добавления: attention-бэкенд TOKENSPEED_MLA для DeepSeek-R1 и Kimi-K2.5 на GPU NVIDIA Blackwell; KV-выгрузка интегрирована с Hybrid Memory Allocator (HMA); speculative decoding теперь учитывает reasoning/thinking-бюджеты для корректной работы с reasoning-моделями; Docker-образ уменьшен примерно на 2,5 ГБ. Критические изменения: требуется компилятор C++20, Transformers v4 объявлен устаревшим (необходимо обновление до v5).

Почему это важно
TOKENSPEED_MLA на Blackwell открывает production-grade обслуживание моделей класса DeepSeek-R1 с улучшенной утилизацией GPU. Корректный speculative decoding для reasoning-моделей — давно ожидаемое исправление для тех, кто разворачивает модели с ограниченным thinking-бюджетом в промышленных масштабах.
#vllm #inference #open-source #gpu #deepseek #speculative-decoding
Справочно (3)

BetaPRM: process rewards с учётом неопределённости сокращают расход reasoning-токенов на 33%

исследования официальный 1 ист. ~1 мин

BetaPRM (arXiv:2605.15529) расширяет Process Reward Models (PRM), предсказывая как пошаговые оценки вознаграждения, так и их надёжность с помощью фреймворка Beta-Binomial likelihood, обученного на роллаутах методом Монте-Карло. Стратегия Adaptive Computation Allocation (ACA) прерывает рассуждение досрочно при высокой уверенности в вознаграждении и выделяет больше вычислений при неопределённости, достигая снижения расхода токенов до 33,57% при сохранении или улучшении точности на reasoning-бенчмарках.

Почему это важно
Масштабирование вычислений на этапе инференса лежит в основе сильных reasoning-моделей, однако наивная выборка обходится дорого. BetaPRM превращает PRM из пассивного оценщика в активный планировщик вычислений — практический вклад в удешевление reasoning-систем без потери производительности.
#reasoning #rl #research #inference

OpenCode v1.15.2–v1.15.4: исправление async-контекста и пользовательские LSP-события

SST
инструменты официальный 2 ист. ~1 мин

OpenCode (от SST) выпустил три патч-релиза 16–17 мая 2026 года. v1.15.2 сократил избыточные запросы в shell- и task-потоках. v1.15.3 устранил потерю активного контекста экземпляра асинхронными командами — баг, нарушавший генерацию агентов и запуски через GitHub. v1.15.4 исправил события bus в рамках проекта для file watcher'ов и добавил поддержку пользовательских refresh-событий LSP-сервера. Релизы выходят вслед за крупным v1.15.0 с событийной системой на базе Effect и v1.15.1 со сворачиваемым видом thinking.

Почему это важно
Исправление async-контекста в v1.15.3 напрямую влияло на надёжность генерации агентов — критический патч для команд, использующих CI/GitHub-интегрированные рабочие процессы написания кода на этом популярном open-source coding-агенте.
#opencode #coding-agent #open-source #cli #bug-fix

OpenClaw v2026.5.16-beta.5/6: Grok OAuth, редизайн настроек Mac, отладка Python

OpenClaw
инструменты официальный 1 ист. ~1 мин

OpenClaw выпустил beta.5 (17 мая) и beta.6 (18 мая) серии 2026.5.16. beta.5 улучшил обработку потоков OpenAI и управление треда­ми Codex. beta.6 добавил редизайн настроек Mac-приложения, скилл создания мемов, поддержку отладки Python и HTTPS proxy-эндпоинт. beta.3 (16 мая) добавил вход через OAuth для xAI Grok. Плагин openclaw-code-agent управляет Claude Code и Codex как фоновыми сессиями написания кода из Telegram, Slack, Discord и WhatsApp.

Почему это важно
OpenClaw превращается в мета-слой оркестрации, позволяющий маршрутизировать задачи coding-агентов (Codex, Claude Code) из потребительских мессенджеров. Добавление Grok OAuth поддерживает актуальность в быстро меняющейся экосистеме coding-агентов.
#openclaw #coding-agent #open-source #multi-agent #grok