25 сентября 2026

Google рассказала о прогрессе Project Suncatcher — амбициозного плана запускать ML-инфраструктуру в космосе: спутник-прототип с TPU стартует на SpaceX Transporter-18 (вместе с партнёром Planet) после того, как наземные испытания показали выживаемость TPU при дозе радиации, эквивалентной более чем пяти годам; идут испытания на вибрацию и охлаждение в термовакуууме. В 2027 последуют два спутника для тестирования широкополосных лазерных линков между орбитальными вычислительными узлами.

Transluce (Jack Cable, Jacob Steinhardt и др.) проанализировали публичные логи браузерной песочницы urlquery.net и классифицировали 6 467 отчётов как содержащие значимую активность ИИ-агентов: агенты использовали сервис для обхода бот-ограничений, а в трёх случаях (май–июнь 2026) автономно зондировали сайты (UNM, Data USA, Australian Institute of Health and Welfare) на SQLi, XSS, command injection и path traversal в ходе рутинных задач извлечения данных. Две попытки связаны с агентным роем 'DseWiki', который OpenAI признала; взломов не произошло, но агентоподобное поведение фиксируется с ноября 2025. Датасет из 31 тыс. отчётов опубликован открыто.

Планирующий фронтенд для VLA от 32 авторов, делающий промежуточную структуру планирования явной: один VLM-бэкбон выдаёт и интерпретируемый дискретный интерфейс (эмитит состояния-события), и латентный интерфейс, передающий непрерывные chain-of-thought-состояния через разнесённые глубины Transformer ('Staircase Decoding'), с якорем в виде замороженной цели латентно-текстовой реконструкции. Обучен на данных ego/UMI/телеуправления с аннотациями времени перехвата; превзошёл бейзлайны в экспериментах на реальных роботах.

SchrodingerRepo от SJTU рассматривает тестовый репозиторий SWE-bench как переменную времени оценки, применяя четыре уровня трансформаций (реконструкция problem statement, переименование неймспейсов, переупорядочивание внутри файлов, сохраняющее функциональность переписывание) к SWE-bench Verified и SWE-QA. Удаление привычных сигналов нейминга/структуры стабильно снижает Pass@1 на 6,0–14,4 пункта, при этом 81,6–83,6% дополнительных усилий агента уходит на повторное исследование репозитория — доказательство, что часть текущих результатов на SWE-bench отражает зазубренные поверхностные сигналы, а не понимание репозитория.