red_mad_robot

Быстрее думает, лучше делегирует: новое поколение ИИ-систем Аналитический центр red_mad_robot рассказывает и комментирует главные новости индустрии за неделю с 29 июня по 3 июля 🟥DeepSeek представил DSpark: технологию, которая ускоряет генерацию ответов у языковых моделей без потери качества. В основе — спекулятивное декодирование: компактная и быстрая модель прогнозирует несколько токенов, после чего более мощная модель проверяет их за один проход. Угадала — генерация ускоряется, ошиблась — неверные варианты отбрасываются. DSpark добавляет к этому две идеи: 1️⃣ Полуавторегрессионная генерация (semi-autoregressive generation) — тяжёлая часть модуля параллельно предлагает сразу блок токенов, а лёгкая последовательная согласует их между собой. Это помогает лучше улавливать связь между соседними токенами. 2️⃣ Динамическая проверка догадок (confidence-scheduled verification) — объём проверяемого текста меняется в зависимости от уверенности модели и нагрузки на сервер. Это позволяет эффективнее расходовать вычислительные ресурсы. По данным DeepSeek, DSpark повышает пропускную способность системы на 50%, а скорость генерации — на 57-85%. Чем выше нагрузка, тем больше выигрыш. Почему это важно: DSpark можно адаптировать для других моделей с открытыми весами. Компании, разворачивающие модели на собственной инфраструктуре, могут обучить совместимый черновой модуль и повысить скорость инференса при меньших затратах. Для закрытых моделей, доступных только через API, такая оптимизация недоступна. Это делает открытую инфраструктуру ещё привлекательнее для бизнеса и подчёркивает, что эффективная работа с ИИ зависит не только от выбора модели, но и от качества инфраструктуры. 🟥Ant Group представил Skill-MAS: метод создания мультиагентных систем с постоянно улучшающейся координацией между агентами. Большинство агентных систем сегодня идут одним из двух путей. Первый — опираться на уже обученную модель и каждый раз строить стратегию решения с нуля, не сохраняя накопленный опыт. Второй — дообучать модель, чтобы она усвоила новые навыки, но это дорого и часто невозможно с мощными закрытыми моделями. Skill-MAS предлагает третий путь. Вместо изменения весов LLM система совершенствует отдельный слой управления — метанавыки. Он отвечает за распределение ролей, планирование и координацию агентов. Работает через замкнутый цикл: система генерирует несколько вариантов решения, разбирает их, отбирает самые показательные, извлекает общие принципы и применяет их на новых задачах. Почему это важно: в экспериментах на четырёх сложных бенчмарках Skill-MAS стабильно превосходил другие методы автоматического построения агентных систем. Накопленные метанавыки переносятся между моделями и задачами без дообучения. Это даёт лучшее соотношение качества и стоимости вычислений. Также на неделе: • Zhejiang University и другие показали TokenPilot — фреймворк удешевляет длинные агентные сценарии и эффективно использует KV-кэш • OpenAI запустил ограниченный доступ к новому семейству моделей GPT-5.6 • Anthropic вернул доступ к Fable 5: до 7 июля пользователи могут работать с моделью в рамках своей подписки, расходуя до 50% недельного лимита, после — по тарифу за токены. Компания также выпустила Claude Sonnet 5 • Shanghai AI Lab представил Agents-A1 — агентную модель с архитектурой смеси экспертов на 35 млрд параметров, которая достигает производительности моделей триллионных параметров за счёт масштабирования горизонта агента • Cognition разработал Devin Fusion — гибридную архитектуру, снижающую затраты на генерацию кода на 35% • Исследователи из UC Berkeley, Stanford, LAION, Microsoft и Amazon представили OpenThoughts-Agent — открытый инструмент подготовки данных для ИИ-агентов • NVIDIA, Cambridge и MBZUAI рассказали о Red Queen Gödel Machine — системе рекурсивного самоулучшения, где одновременно развиваются агент и его оценщик, а критерии оценки постепенно меняются ↗️ red_mad_robot

Поиск по ключевым словам уступает место поиску по намерению? Рассказали Forbes, почему новый нейропоиск VK Discovery AI стоит рассматривать как ИИ-слой поверх уже существующей продуктовой инфраструктуры. И почему дальше платформы будут конкурировать не фактом запуска таких решений, а точностью попадания в пользовательский запрос. ↗️ red_mad_robot

⚡️ Как оценивать агентский harness Одной LLM недостаточно, чтобы понять качество AI-агента. На итоговый результат влияет агентский harness — как он управляет инструментами, памятью, сообщениями, восстановлением после ошибок. Чтобы разобраться в этой теме, мы провели ряд экспериментов. И выкатили в open source Harness Bench — открытый фреймворк для сравнения связок «модель + harness». А в новой мощной статье на Хабре рассказали про архитектуру фреймворка, адаптацию классических бенчмарков под системы агентов, поделились инженерными находками и результатами сравнений разных связок. ↗️ Читайте статью ↗️ Тестируйте бенч Автор и статьи, и бенчмарка, Андрей Иванов — NLP-инженер в R&D red_mad_robot.

И про канал R&D-практики напоминаем, и новой статьёй делимся — удача, не иначе ↗️

Супераппы, ИИ-агенты и инфраструктурные платформы всё сильнее меняют финансовые сервисы. Аналитический центр red_mad_robot собрал дайджест финтех-рынка 2026 и разобрал технологии, сделки и кейсы, которые будут определять развитие отрасли в ближайшее время. Читайте PDF 🔗 ↗️ red_mad_robot

🕐   ₄      ₂   □      □  □ ₃    □ ¹ Ф И Н Т    Е Х  □  Р  □  □   Е   □    Н  □   Д   Ы 1. Какой рынок объединяет банки, платежи, платформы и новые финансовые сценарии? 2. Кто переводит ИИ от подсказок к действиям? 3. По чему считываются главные сдвиги рынка? 4. Кто тестирует новые интерфейсы, агентов и инфраструктурные решения?

Маршрут перестроен: новая логика распределения задач между моделями Аналитический центр red_mad_robot рассказывает и комментирует главные новости индустрии за неделю с 22 по 26 июня 🟥 Национальный университет Сингапура, Alibaba Group и UC Berkeley представили ACRouter: подход для динамического распределения задач программирования между разными моделями. Система работает по циклу из трёх модулей: 📍 Orchestrator выбирает подходящую модель с учётом текущей задачи и накопленного опыта 📍 Verifier проверяет решение в изолированной среде исполнения и оценивает его качество 📍 Memory сохраняет результаты и стоимость запросов в векторную базу данных.  За счёт накопления опыта система постепенно учится лучше распределять задачи и адаптируется к изменениям в возможностях моделей. Для оценки эффективности исследователи создали бенчмарк CodeRouterBench: десять тысяч задач и восемь ведущих языковых моделей. ACRouter показал наименьшее отклонение от идеального выбора модели и превзошёл стратегию использования только самой сильной модели (Claude Opus 4.6) при меньших затратах. На новых типах задач система сохранила точность 62,5%, тогда как классические роутеры показали 9–21%. Учёт статистики выполнения кода повысил качество маршрутизации на 15,3%. Почему это важно: ACRouter направляет сложные задачи мощным LLM, а простые — дешёвым. Это даёт высокое качество без переплаты за каждый запрос. При этом система накапливает опыт во время работы и постепенно улучшает стратегию выбора — адаптируется к новым версиям моделей и меняющимся задачам без дополнительного обучения. 🟥 Исследователи из UIUC, Meta (запрещена в РФ) и Stanford выпустили обзорную работу о парадигме «код как обвязка агента». В ней код становится средой, в которой агенты рассуждают, взаимодействуют с задачами и представляют своё окружение. Авторы описывают парадигму через три уровня: интерфейсы взаимодействия агента со средой, механизмы планирования и памяти, а также масштабирование от одного агента к мультиагентным системам. Эффективность MAS во многом зависит от качества общей инфраструктуры и управления состоянием: чем лучше они организованы, тем проще координация между агентами.  Авторы выделяют четыре требования к будущим системам: они должны быть исполняемыми, прозрачными для анализа, сохранять состояние и память и иметь встроенные механизмы контроля. Почему это важно: по мере развития ИИ-агентов больше внимания будет уделяться созданию эффективной инфраструктуры. Один из ключевых выводов — концепция «эволюционных агентов», которые анализируют собственные ошибки, предлагают изменения в инфраструктуре и внедряют их только после успешного тестирования. Это открывает путь к системам, которые постепенно совершенствуют собственную архитектуру. Также на неделе: • NVIDIA выпустила SpatialClaw — фреймворк для пространственного мышления ИИ-агентов без дообучения • Alibaba показала концепцию Compositional Skill Routing, в которой ИИ-агент выбирает и выстраивает последовательность из готовых навыков для решения сложных задач  • Alibaba представила Qwen-AgentWorld-35B-A3B и QwenAgentWorld-397B-A17B — первые языковые модели, способные симулировать агентные среды и предсказывать их развитие • Tsinghua University предлагает OpenClaw-Skill с Collective Skill Tree Search — фреймворк строит структурированное дерево навыков и обучает агентов эффективно их использовать • ByteDance рассказал об S-Agent — агентной системе пространственного анализа для работы с непрерывно меняющимся трёхмерным миром • Anthropic выпустил Claude Tag — ИИ-агента для работы в сторонних сервисах • OpenAI представил GPT-5.5-Cyber с ограниченным доступом ↗️ red_mad_robot

AI-агенты окружены огромным количеством мифов. И один из главных — что основные расходы связаны со стоимостью самой модели. Наши коллеги уже развенчали этот миф: «Оценка эффективности агента может стоить как сам агент». Но это не значит, что оценку можно отложить. Ее нужно встраивать в проект с первого дня. Обсуждаем с Ильей Филипповым, CEO red_mad_robot AI, как приручить дракона и выстроить оценку эффективности, сделав ее частью системы. ❓Кто внутри компании «владеет» агентом — и платит за анализ эффективности Обычно владелец агента — лидер бизнес-функции, которая отвечает за конкретный процесс и его P&L. HR-агент — у HR-подразделения, агент службы поддержки — у команды поддержки. При этом почти всегда есть представители ИТ: они выступают техническими владельцами и отвечают за работу в продакшене. Но оценивать бизнес-эффективность будет, конечно, бизнес. Потому что именно он получает экономию (или не получает). ❓ С чего начать оценку и на какие метрики равняться 1-й слой оценки — accuracy   Это базовый критерий допуска системы к использованию. Если показатель ниже нужного порога, агента нельзя выпускать в процесс. При этом для разных процессов этот уровень будет своим. Но требование по точности хотя бы на валидационном датасете — это порог допуска ко второму слою.   2-й слой оценки — TCO (совокупная стоимость владения)   В него входят разработка, инференс, интеграции, поддержка, мониторинг и, главное, ревью человеком. Бывает, что классные результаты достижимы только на дорогих облачных моделях или на моделях, которым требуется дорогое железо. Это нужно считать прямо на старте.   3-й слой оценки — экономия и доходы Это высвобожденное время в FTE, стоимость одного обращения или операции до и после внедрения, прирост пропускной способности, сокращение цикла и влияние на выручку через конверсию и удержание. А как же ROI? ROI — понятная и точная метрика, но на первых этапах ИИ-проектов её часто сложно измерить, поэтому начинать лучше с другого. ❓К чему нужно быть готовым — «подводные камни» подсчета эффективности Один из главных — нелинейные эффекты. Например, банковская операция из-за множества проверок документов занимает два-три рабочих дня. На рынке все участники предлагают примерно такой же срок. Проектируем систему, которая почти мгновенно проводит основные проверки и передает человеку уже подготовленный результат на проверку. Общее время операции сокращается до двух-трех часов.   С точки зрения экономии в FTE и TCO такой агент может не окупиться.   Но банк за счет скорости выходит из «кровавого океана» одинаковых сервисов и предлагает рынку уникальную по скорости услугу.   Результат — прирост новых клиентов и рост NPS текущих.   Но такие вторичные эффекты уже сложно считать и обосновывать на уровне бюджетов. Поэтому подобные проекты чаще реализуют лидеры с более визионерской позицией: они смотрят не только на прямую экономию, но и на то, как ИИ может изменить саму логику сервиса. #голос_AI Подписывайтесь на AI Inside в Max | ВКонтакте

🔗 Рассказали в интервью СберТеху, как подходить к оценке ИИ-агентов

ИИ-агенты заходят в бронирование: рассказали Forbes, что это значит для рынка «Туту» открыл поиск и бронирование поездок через ИИ-агентов. Для сервисов это ранний тест нового канала дистрибуции: пользователь формулирует намерение в диалоге с помощником, а платформа получает шанс подключиться к нему до перехода в привычный интерфейс. Если ИИ-агент станет точкой входа в выбор поездки, сервисам важно быть доступными для него технически и коммерчески. В моменте трафик из таких сценариев, скорее всего, будет небольшим, но для бизнеса это работа на будущую позицию в цепочке принятия решения: кто окажется ближе к моменту пользовательского намерения, тот и получит преимущество в агентной коммерции. Илья Филиппов, CEO red_mad_robot AI При этом есть техническая сторона: сам поиск через агента уже знаком рынку, поэтому важна глубина MCP. Browser use у агентов существует около полутора лет: сильные модели уже умеют открывать сайты, обходить защиты через прокси, делать скриншоты и доставать релевантную информацию. Поэтому поиск сам по себе рынок не удивит. Главный вопрос — позволяет ли MCP дойти до оформления заказа. Сейчас агент может довести пользователя до собранного заказа, но финальную оплату человек подтверждает сам — это агентный поиск и сборка корзины, но ещё не сквозная покупка. Настоящим переломом станет момент, когда MCP позволит закрывать и оплату. Валера Ковальский, Head of AI red_mad_robot ↗️ red_mad_robot