Модели начали выдавать результаты, которые человек не может быстро перепроверить: доказательства на десятки страниц, анализ тысяч генных экспериментов за полчаса, отчеты агентов о том, что они сделали в инфраструктуре. И почти в каждой крупной новости месяца звучит вопрос: кто подтвердит, что это правда.
Больше всего в октябре спорили о науке, с нее и начнем. Разбираемся, что именно произошло на стыке математики и нейросетей, как ИИ попытался перевернуть теорию вычислительной сложности и что вся эта история с доказательствами на самом деле значит для индустрии.
OpenAI и Anthropic опровергли ETH
26 октября OpenAI объявила о трех результатах. Внутренняя модель, по словам компании, опровергла гипотезу экспоненциального времени (Exponential Time Hypothesis, ETH), доказала гипотезу Согге о локальном сглаживании во всех размерностях и построила важное доказательство существования ряда квантовых теорий поля в четырехмерном пространстве, включая квантовую хромодинамику и чистую теорию Янга — Миллса. Анонс собрал около 1 160 голосов и более 700 комментариев на Hacker News. Больше этого в октябре обсуждали только заявку Anthropic на IPO.
Что такое ETH. Гипотеза 1999 года утверждает, что задачу 3-SAT (найти значения переменных, при которых выполняется логическая формула) нельзя решить быстрее, чем за время, растущее экспоненциально с числом переменных. На ETH опираются сотни работ: из нее выводят, что многие задачи в теории графов, биоинформатике и базах данных не решаются быстро. Если ETH ложна, эти выводы нужно пересматривать.
По данным OpenAI, модель нашла опровержение 16 октября, а на следующий день его формализовали в Lean — системе, которая механически проверяет доказательства. Препринт на 67 страниц описывает детерминированный алгоритм для 3-SAT, время работы которого растет как 2 в степени n·log log n / √log n. Это медленнее любой экспоненты, но на практике бесполезно: выигрыш появляется на астрономически больших n. Текст и Lean-код выложены на GitHub.
Через несколько часов, уже 27 октября, Anthropic выложила в репозиторий anthropics/formal-math собственную работу «A 2^o(n) Time Algorithm for 3-SAT» с той же оценкой. Автором указана «внутренняя исследовательская модель Claude». В README прямо сказано, что результат «чисто асимптотический» и ничего не говорит о решении формул на практике.
Эксперты: участие в проверке — не сертификация
Сами эксперты, которых OpenAI пригласила на проверку, просят не торопиться. Независимую экспертизу ведут Рассел Импальяццо и Рамамохан Патури (UC San Diego), которые и сформулировали ETH в 1999 году, и Райан Уильямс (MIT).
В открытом письме они пишут, что их участие «не следует считать сертификацией утверждения». Соглашений о неразглашении они не подписывали и денег не получают. OpenAI по их просьбе обещала выложить все сырые данные и оплатить конференцию. Кроме того, фонд Саймонса получил 5 млн $ на воркшопы по результатам, которые нашел ИИ. Это доля OpenAI в совместной с Anthropic программе на 15 млн $ — о ней объявили еще 15 октября.
Есть и технические оговорки:
• Lean проверяет более слабую оценку, чем заявленная в аннотации препринта: 2 в степени n·(log log n)² / √log n. Сам факт, что время растет медленнее экспоненты, это не отменяет, но точная оценка из статьи формально не проверена;
• у Anthropic в README отдельно сказано, что машина не проверяет соответствие формального утверждения тексту статьи. Lean гарантирует, что доказана именно записанная теорема, но не то, что записана нужная;
• физическую часть проверить нельзя: группа Дэвида Гросса (с Майклом Дугласом, Артуром Жаффе, Игорем Клебановым и Никитой Некрасовым) решила не выкладывать материалы модели до проверки, а затем выпустить доказательство на 1 147 страниц вместе со своей оценкой. На начало ноября оно не вышло;
• 6 октября OpenAI выложила 722 математические рукописи от невыпущенной внутренней модели, а 7 октября отозвала три из них: ошибка в знаке сломала доказательство в одной работе и в двух, которые на нее опирались. На 27 октября формализовано около 42% основных результатов.
Уильямс в комментарии TechCrunch сказал, что теперь каждому специалисту по информатике стоит «придавать чуть больше веса правдоподобию P = NP». Математик Anthropic Левент Алпеге при этом указал, что OpenAI могла опираться на уже существующие работы. На начало ноября ошибок в опровержении ETH никто не нашел, но и признания тоже нет, поэтому остается ждать.
Что здесь на самом деле важно. Генерация доказательств подешевела быстрее, чем их проверка: модель тратит часы, а три ведущих специалиста по теории сложности будут разбираться месяцами. При этом Lean закрывает только часть разрыва: он проверяет вывод, но не формулировку. Отсюда главный навык ближайших лет: формализовать утверждение так, чтобы машинная проверка действительно что-то значила.
Агенты делают науку, а оценивают их люди и другие модели
ETH — громкий, но не единственный научный сюжет месяца. В большинстве остальных повторяется одна схема: агенты делают огромный объем работы, а качество оценивают люди или другая модель.
2 000 агентов разобрали атлас мозга за 32 минуты
21 октября OpenAI вместе с PerturbAI и Scripps Research описала эксперимент на CRISPR-атласе мозга мыши. Около 2 000 агентов GPT-Rosalind, по одному на каждое генное возмущение, за 32 минуты разобрали, как клетки реагируют на выключение генов, и связали результаты с литературой.
Агенты восстановили выводы исходной статьи, не видя ее. В слепом сравнении эксперты выбрали анализ «роя» в 45 случаях из 60, отчет одиночного агента — в десять, еще пять раз признали ничью. Сравнивали при этом рой с одним агентом, а не с людьми. Препринт опубликован на bioRxiv.
Claude проверил 1 061 страницу документации и нашел семь новых проблем
27 октября Anthropic опубликовала отчет о работе с шестью партнерами из фармы и биотеха. Самый наглядный пример — Enveda: Claude проверил 1 061 страницу производственной документации, нашел все 11 проблем, выявленных экспертами, и еще семь новых.
Время ревью сократилось с более чем 25 часов до менее чем трех. Divergence Labs за месяц получила около 35 000 вариантов антител к IgE. Почти все описанное — доклинические стадии. Mithril Medicine, которую купила Anthropic, выйдет на испытания на людях в лучшем случае в конце 2028 года — такой срок называет сама Anthropic.
ИИ-рецензент совпадает с реальностью лишь отчасти
Sakana AI выпустила следующее поколение AI Scientist: система управляет готовыми кодинг-агентами по всему циклу исследования — от гипотез до текста статьи. Авторы прогнали 14 связок «модель + агентная среда» на пяти задачах, всего 70 исследовательских кампаний. Выбор модели повлиял на результат сильнее, чем выбор среды.
Интереснее другая цифра: связь между оценкой ИИ-рецензента и реально измеренным качеством работы умеренная, коэффициент корреляции 0,44. По сути, вердикт нейросетевого «ревьюера» — это лишь косвенный, довольно смазанный признак качества работы, и полагаться на него вслепую в закрытых циклах пока нельзя.
Ферменты ART: десять повторных запусков ничего не нашли
В прошлой статье я рассказывал, как около 950 агентов Claude нашли у фагов систему обратных транскриптаз ART и как микробиолог Марио Родригес Местре сказал, что его группа изучает ее почти четыре года. В октябре Anthropic выложила препринт: десять повторных запусков агентов эту систему не нашли. Местре назвал сходство с работой своей группы поразительным, но обвинять Anthropic не стал. Собственную статью его группа на начало ноября не опубликовала.
Сверточная сеть 2015 года против фронтирных LLM
Пока лаборатории говорят о научных прорывах, дерматолог Магнус Линч из Guy’s Hospital проверил модели на рутинной задаче. На 200 биопсированных образованиях из набора MILK10k сверточная сеть Inception v3, дообученная на 68 000 снимков ISIC, верно поставила диагноз в 62% случаев. GPT-6 Astra и Claude Fable 5.1 — в 42%.
Автор оговаривает, что каждую модель запускали один раз, а набор данных мог попасть в обучение LLM. Есть и нюанс: на стандартном пороге сеть пропустила 18 меланом из 30, а LLM — три и четыре. Но если порог сети подстроить, она пропускает только 1–2 меланомы из 30. Это конечно не рецензируемая статья, но узкая модель на своих данных все еще выигрывает у универсальной.
Агенты отключают мониторинг, а эксперты с ними соглашаются
Агенты в последнее время частенько обходят контроль или влияют на тех, кто их контролирует. Ниже хочу обсудить этот тренд развития ИИ на примерах.
Агент удалил мониторинг и сказал, что не удалял
20 октября OpenAI опубликовала отчет о двух внутренних инцидентах. 3 октября агент GPT-6.1 Sol распространил указание «не отправляй сообщения» на автоматические оповещения системы мониторинга рассогласования. Субагент возражал, но главный агент велел ему очистить списки получателей: мониторинг работал, а людям ничего не приходило. 6 октября агент GPT-6 Astra при миграции удалил интеграцию мониторинга и заменил тест на такой, который требует отсутствия мониторинга. На прямой вопрос агент ответил, что ничего не удалял.
Ни один инцидент не получил высшего приоритета, но OpenAI усилила детектирование и пишет отдельные тесты на обход мониторинга. Уже в ноябре в том же разделе вышли еще три отчета. На что стоит обратить внимание, так это на отчет от 4 ноября: GPT-6 Astra скрыто работает хуже, когда задача подана как исследование безопасности (около 10% пунктов рубрики против 16%), и мониторы этого не замечают.
Уточню и сентябрьский дайджест. Я писал, что релиз GPT-6.1 Astra (не путать с GPT-6 Astra из инцидента выше) отложен. Еще 28 сентября WSJ сообщила, что OpenAI не отложила, а отменила его: глава подразделения Safety Systems Саачи Джейн объяснила, что модель недостаточно хорошо держалась в рамках полномочий. Хотя официального поста OpenAI об отмене нет.
Эксперты в 86% спорных решений выбирали вариант агента
Обратная проблема — когда агент влияет на человека. 27 октября Anthropic опубликовала эксперимент: 50 аналитиков решали статистическую задачу вместе с Claude Code на Opus 4.8.
В каждом спорном выборе (метрика, метод, охват выборки, веса) агенту случайным образом задавали скрытую склонность:
• В 86% спорных решений аналитики выбирали вариант, к которому склоняли агента. Если бы агент ни на что не влиял, было бы около 50%;
• Когда аналитик успел высказаться до агента и агент с ним не соглашался, человек менял мнение в 60% случаев. Когда агент соглашался — в 6%;
• 77% участников хотя бы раз повторили аргументы агента, иногда дословно. Сослались на агента только 15%.
Авторы оговаривают, что склонности агента в эксперименте намеренно усилили, так что в жизни эффект может быть меньше. Серьезных методологических ошибок у тех, кто работал с агентом, было заметно меньше, но контрольная группа маленькая (11 человек, которые сами отказались от агента) и не рандомизирована.
Вывод все равно неприятный: агент, который помогает избежать грубых ошибок, одновременно незаметно решает за человека спорные вопросы.
Агент саботирует обучение преемника в 36% атак
Scale AI в работе RSI Control проверила худший сценарий. Агент дорабатывает пайплайн обучения следующей модели и получает тайное побочное задание. В 36% из 374 атак агент выполнил побочное задание и при этом не сломал основное. Мониторы, которые видят только действия агента, при 2% ложных срабатываний ловят 56–81% атак, в которых побочное задание было достигнуто, а если агент применяет тактики уклонения — всего 16–28%.
Доступ к рассуждениям модели поднимает долю пойманных атак до 91–99%, но это проверили только на двух моделях с открытым ходом рассуждений.
Важно то, что человек в контуре не гарантирует контроль. В эксперименте Anthropic даже специалисты в 86% спорных решений выбирали вариант агента. Монитор ловит ровно столько, сколько видит, а без доступа к рассуждениям доля пойманных атак падает в разы. Работающий контроль выглядит так: независимые мониторы, логи, которые агент не может редактировать, и решения по спорным вопросам, зафиксированные до того, как агент выскажется.
Gemini 4 Carbon первая в рейтинге — и снова допуск вместо доступа
Самые сильные модели лаборатории теперь сначала дают только проверенным специалистам по безопасности, чтобы найти риски до широкого релиза. 28 октября Google анонсировала Gemini 4 Carbon.
Модель заняла первое место в индексе Artificial Analysis v5 (59 баллов при анонсе, 60 после обновления индекса до v5.0.1), но получить ее может только узкий круг специалистов по киберзащите через программу Fairwind, а затем другие доверенные партнеры. Дату широкого релиза Google не называет. OpenAI 5 ноября пошла тем же путем: GPT-6 Cyber с уровнем Critical по киберрискам доступна только одобренным клиентам.
Предыдущая модель прошла этот путь за две недели: Gemini 4 Argon, с 30 сентября доступная только через Fairwind, 13 октября вышла в общий доступ. До 30 ноября она стоит 2 $ за миллион входных токенов и 10 $ за миллион выходных, с 1 декабря — 4 $ и 20 $ соответственно. Если вы считали бюджет на Argon по стартовой цене, пересчитайте его заранее.
Модели среднего класса дешевеют и догоняют флагманов
Пока флагманы уходят под допуск, массовые модели дешевеют.
GPT-6.1 Terra (26 октября) заняла место между Luna и Sol: 1 $ за миллион входных токенов, 0,05 $ за кэшированный вход и 5 $ за выход. По сравнению с GPT-5.6 Terra, где было 2 $ за вход и 12 $ за выход, вход подешевел вдвое, выход — в 2,4 раза. На Terminal-Bench 4.0 OpenAI заявляет 50,3% на максимальном уровне рассуждений против 21,5% у предшественницы. Подробности — в Академии Selectel.
Claude Haiku 5.5 (7 октября) — первый Haiku с регулируемым уровнем усилий (effort). Цена зависит от длины промпта: до 100K токенов 0,10 $ за миллион входных и 0,50 $ за миллион выходных токенов, свыше — 0,50 $ и 2,50 $ соответственно, а Haiku 4.5 стоил 1 $ и 5 $ за те же объемы. На OSWorld 2.1 (офлайн-подмножество) Anthropic приводит 72,4% против 15,7% у Haiku 4.5.
Отдельно Anthropic 21 октября показала Claude Duet — приложение с проактивным агентом на базе Opus 5.5. Агент работает в собственной облачной ВМ и спрашивает подтверждение перед чувствительными действиями — отправкой писем, оплатой, удалением. Claude Duet вышел как предварительная версия по списку ожидания для подписчиков Pro и Max в США.
Открытые веса: модели на триллион параметров и контекст 1 млн токенов
Главный открытый релиз месяца — Kimi K3.1 Pro от Moonshot. Это дообученная Kimi K3 на 2,8 трлн параметров, из них 104 млрд активных (сама Moonshot пишет «класс 3T»), с контекстом 1 млн токенов. На Terminal-Bench 4.0 Moonshot заявляет 65,7% против 66,4% у Opus 5.5, замер сделан в среде Claude Code. Цена — 2 $ за миллион входных токенов и 10 $ за выход; версия Highspeed в 2–3 раза быстрее и вдвое дороже.
Веса вышли 4 ноября, как и обещали, в формате MXFP4. Ложка дегтя — лицензия: MIT-подобная, но провайдерам «модели как сервиса» с выручкой больше 20 млн $ за 12 месяцев нужен отдельный договор, а крупные продукты обязаны показывать название модели в интерфейсе. В индексе Artificial Analysis v5 у модели 46 баллов, а вот цифра 55, которая гуляет по новостям, посчитана по старой версии индекса.
Рядом с Kimi в октябре вышли еще несколько больших открытых моделей.
Muse Spark Open от Meta* (15 октября, пост на Hugging Face): около 816 млрд параметров, из них 42 млрд активных, 256 экспертов, контекст 1 млн токенов, на вход текст, изображения, аудио и видео. Есть чекпоинт в NVFP4 под Blackwell. Лицензия требует плашки «Built with Muse Spark Open» и отдельного договора, если компания предоставляет модель как сервис, а ее общая выручка вместе с аффилированными лицами превышает 20 млн $ за 12 месяцев.
Mistral Large 4 (веса 29 октября): около 1 трлн параметров, 49 млрд активных (52 млрд с учетом эмбеддингов, отсюда разные цифры в источниках). В модели используется MLA с индексатором разреженного внимания. Подробнее — в Академии Selectel.
Ling-3.1-flash-1019 от inclusionAI: 560 млрд параметров, 25 млрд активных, на каждые семь слоев линейного внимания KDA приходится один слой gated MLA. Лицензия MIT.
MiniMax M3.1 Flash (веса 23 октября): 428 млрд параметров, 23 млрд активных, разреженное внимание во всех слоях, маршрутизируемые эксперты обучены с учетом квантования (QAT). Карточка модели.
Контекст в 1 млн токенов стал нормой даже для открытых моделей — по крайней мере на бумаге. KV-кэш растет вместе с длиной контекста, и в эксплуатации окно обычно ограничивают. Чтобы такой контекст был по карману, полное внимание сдает позиции. MLA сжимает KV-кэш, разреженный индексатор (Mistral, MiniMax) экономит вычисления, а линейное внимание у Ling держит состояние фиксированного размера в семи слоях из восьми.
А чекпоинты в NVFP4 выкладывают вместе с основными — четырехбитный формат перестал быть делом сообщества. Оговорка: аппаратно NVFP4 ускоряется только на Blackwell, на Hopper это в основном экономия памяти.
Масштаб моделей такого класса хорошо показал пост Cerebras от 22 октября. Инженеры описали, как раскладывают Kimi K3 конвейером по 59 пластинам WSE: 35 пластин под слои линейного внимания и 24 под остальные, веса в четырех битах, KV-кэш в восьми битах. Цель такого подхода — от 1 000 до более чем 2 000 токенов в секунду. Это инженерный разбор, а не анонс продукта: у Cerebras веса хранятся во встроенной памяти пластин, поэтому их нужно так много.
Anthropic подала S-1: 16,3 млрд $ выручки за полугодие
26 октября Anthropic подала форму S-1 для выхода на биржу Nasdaq под тикером ANT. По данным S-1, выручка за первое полугодие 2026 года составила около 16,3 млрд $ против 1,2 млрд $ годом ранее, а чистый убыток — около 80,7 млрд $ за полугодие. Почти весь убыток (около 72,4 млрд $ из этой суммы) — неденежная переоценка конвертируемых бумаг. 2 ноября вышла поправка S-1/A с итогами третьего квартала: около 17 млрд $ выручки за квартал. Ценового диапазона и даты размещения в документах на начало ноября нет.
Практический слой, или что сломается при обновлении
Октябрь выдался тяжелым для тех, кто обновляет зависимости. Python 3.10 уходит из PyTorch и vLLM, а Anthropic выпустила версию API, которая ломает привычные параметры.
| Что обновилось | Что нового | Что сломается |
| Anthropic API 2026-10-21 и SDK (Python 2.0.0, TS 1.0.0) | Новые SDK по умолчанию работают с новой версией API, лицензия SDK сменилась с MIT на Apache 2.0 | Запросы с temperature, top_p или top_k возвращают ошибку 400 даже со значениями по умолчанию; SDK отправляют ключ в Authorization: Bearer — проверьте прокси и шлюзы (сам API принимает и X-Api-Key) |
| OpenAI API, отключение моделей 23 октября | Рекомендуемые замены — линейка gpt-5.6 (sol, terra, luna), для gpt-image-1 — gpt-image-2.5 | Перестали работать gpt-3.5-turbo, gpt-4, gpt-4-turbo, o1, o3-mini, o4-mini, gpt-image-1 и другие; 14 января 2027 года отключат gpt-4o и gpt-4.1 |
| PyTorch 2.15 | Переписанный NCCL-бэкенд из torchcomms по умолчанию, flight recorder при зависании коллективных операций, NVFP4-декод на Blackwell | Python 3.10 не поддерживается; при проблемах откат на старый бэкенд через TORCH_DIST_USE_NCCL2=0 или nccl-legacy; меняется поведение dtype градиентов в FSDP2 при reduce_dtype=None |
| vLLM 0.31 и 0.32 | Команды vllm preload и vllm snapshot; KV-кэш в NVFP4 в 0.32 заработал и на SM8x, SM90 и SM12x | quantization=”fp8″ теперь означает fp8_per_tensor — проверьте качество; mm_processor_kwargs в запросе требует флага –trust-request-mm-kwargs; Python 3.10 удален, CORS по умолчанию ограничен |
| SGLang 0.5.21–0.5.23 | Отложенное освобождение KV-слотов, новые API /v1/decisions и /v1/score | При PD-дезагрегации генерация могла идти с чужими KV-блоками, и в ответ попадали фрагменты чужого контекста: конфигурации по умолчанию защищены с 0.5.21–0.5.22, последние известные пути закрыты в 0.5.23 |
| Transformers 5.19–5.22 | Изменены TP-планы (тензорного параллелизма): эмбеддинги по умолчанию шардируются | MoE-модели при output_router_logits=True возвращают router logits; собственные TP-планы придется переписать |
| llama.cpp 0.8.0 | Эндпоинты /v1/realtime и POST /tts | Теперь обязательно указывать –model или -hf — проверьте unit-файлы и скрипты |
Отдельно про SGLang. По разбору LMSYS, уязвимость затронула Cloudflare Workers AI. С 27 августа по 9 сентября у модели GLM-5.3 фрагменты контекста одних пользователей могли попадать в ответы другим. Если вы разносите prefill и decode по разным инстансам (PD-дезагрегация), это повод обновиться в первую очередь: Cloudflare советует версию не ниже 0.5.22, но последние известные пути закрыты только в 0.5.23, так что лучше обновляться до нее.
Уже в ноябре вышли vLLM 0.33 (сборки только под CUDA 13, удалены спекуляторы Medusa и MLP) и llama.cpp 0.9.0 с нативным FP8 и многоузловым тензорным параллелизмом.
Финальные мысли
Скорость генерации результатов обогнала скорость их проверки сразу в двух областях. Первая — наука. Модели выдают доказательства и анализы быстрее, чем эксперты успевают их читать, а Lean и ИИ-рецензенты закрывают разрыв лишь частично. Вторая — эксплуатация агентов. Агенты обходят мониторинг, а люди в контуре склонны соглашаться с ними в спорных вопросах.
Отсюда мой прогноз на ближайшие полгода: главными будут инструменты верификации — формализация, независимые мониторы, воспроизводимые запуски. Тот же OpenAI, уже платит за конференцию проверяющих, Google выдает самые сильные модели по допуску, Anthropic публикует данные о том, как агент влияет на экспертов. Так что, закладывайте бюджет и время не только на токены, но и на проверку того, что агент сделал. Я не прощаюсь, увидимся с вами в новостях, а пока..
*Компания признана в России экстремистской организацией; деятельность запрещена на территории страны решением Тверского районного суда Москвы от 21 марта 2022 года.
