ИИ и разработка — 18 сентября 2026

1. Железо и инфраструктура

Huawei связывает SuperPoD, context memory и agent workloads в одну системную архитектуру

Что произошло. На HUAWEI CONNECT 2026 компания раскрыла Atlas 960E SuperPoD, новые планы по Ascend 960 и OceanStor M900 Context Memory Storage. Atlas 960E строится вокруг UnifiedBus и near-packaged optics; Huawei заявляет возможность объединять системы в Agentic SuperCluster вплоть до миллионного масштаба NPU. OceanStor M900 предназначен для PB-scale KV-cache/context storage и глобального разделения KV cache между вычислительными узлами.

Почему это важно. Для долгоживущих агентов bottleneck всё чаще находится не только в матричных вычислениях. Система постоянно создаёт sandbox'ы, читает и пишет state, работает с KV cache, retrieval и промежуточными артефактами. Поэтому economics agent workload определяется цепочкой compute → interconnect → context memory → storage, а не только FLOPS ускорителя.

Что показали данные. Huawei сообщает, что OceanStor M900 через tiered KV-cache и one-hop NPU-to-SSD design должен увеличивать доступный контекст и снижать стоимость inference. Компания также заявляет поддержку кластеров до миллионного масштаба процессоров через новую Peerium/UnifiedBus архитектуру. Это vendor-reported характеристики и архитектурные пределы, а не независимый benchmark уже работающего million-NPU deployment.

Что нужно уже понимать: SuperPoD; KV cache; scale-up и scale-out interconnect; near-packaged optics; tiered storage.

Что это может изменить для продукта или engineering-команды. Для большинства продуктовых команд — пока наблюдать. Для компаний с крупными self-hosted agent workloads имеет смысл отдельно измерять стоимость context/KV storage, sandbox lifecycle и data movement: они могут стать ограничителем раньше raw inference.

Дата: 17 сентября 2026.
Первоисточники: https://www.huawei.com/en/news/2026/9/hc-wang-keynote ; https://www.huawei.com/en/news/2026/9/hc-context-memory-storage ; https://www.huawei.com/en/news/2026/9/new-computing-architecture-peerium

GlobalFoundries и Marvell расширяют производство оптики для AI-кластеров

Что произошло. GlobalFoundries и Marvell заключили многолетнее соглашение об увеличении производственной capacity SiGe-компонентов на фабрике GF в Вермонте. Эти компоненты применяются в pluggable optical transceivers, near-packaged optics и co-packaged optics — то есть непосредственно в высокоскоростном interconnect AI-дата-центров.

Почему это важно. При масштабировании тысяч и десятков тысяч accelerators сеть становится частью compute system. Если interconnect не успевает за GPU/NPU, добавление ускорителей даёт всё меньший прирост полезной производительности.

Что показали данные. GF указывает, что текущая SiGe-технология поддерживает 200 Гбит/с на lane и имеет roadmap на более высокие скорости. Компании не раскрыли объём новой capacity и финансовые параметры соглашения, поэтому это подтверждённый supply-chain commitment, но не доказательство того, насколько быстро снизятся network bottlenecks.

Что нужно уже понимать: SiGe; optical transceiver; CPO/NPO; lane bandwidth; scale-out fabric.

Что это может изменить для продукта или engineering-команды. Пока наблюдать. При расчёте private-cluster TCO networking и optics нужно считать частью compute, а не вспомогательной инфраструктурой.

Дата: 17 сентября 2026.
Первоисточник: https://gf.com/news-and-events/news/globalfoundries-and-marvell-expand-collaboration-fornext-generation-optical-connectivity/
Дополнительный источник: https://www.reuters.com/business/globalfoundries-marvell-expand-chip-capacity-deal-ai-data-center-connectivity-2026-09-17/

vLLM переносит video decoding на NVIDIA NVDEC и снимает CPU-bottleneck мультимодального inference

Что произошло. vLLM добавил production-oriented поддержку PyNvVideoCodec/NVDEC для video inputs. Раньше типичный video-captioning pipeline декодировал видео через CPU/OpenCV+FFmpeg перед VLM inference; теперь decode можно перенести на аппаратный video engine GPU.

Почему это важно. В multimodal workload модель может быть не главным bottleneck. При коротких ответах в 100–200 токенов значительная доля времени уходит на preprocessing. На multi-GPU node CPU способен насыщаться раньше GPU.

Что показали данные. В опубликованном NVIDIA/vLLM benchmark на 8×H100 GPU-based decoding дал более чем двукратный throughput относительно CPU decoder; авторы отмечают, что CPU начинал ограничивать масштабирование уже на 2–4 GPU. На single-H100 ранний RFC показывал только 2–3% прироста: выигрыш появляется прежде всего при multi-GPU/high-concurrency workload. Взамен нужно резервировать часть VRAM под decode, что уменьшает память, доступную KV cache.

Что нужно уже понимать: NVDEC; VLM preprocessing; CUDA MPS; KV-cache memory budget; data parallel replicas.

Что это может изменить для продукта или engineering-команды. Если продукт массово индексирует или описывает видео, benchmark должен охватывать весь media pipeline, а не только model tokens/sec. Может оказаться, что дешевле устранить CPU/media bottleneck, чем добавлять GPU.

Дата: 18 сентября 2026.
Первоисточник: https://vllm.ai/blog/2026-09-18-pynvvideocodec
Документация: https://docs.vllm.ai/en/stable/features/multimodal_inputs/

2. Модели

China Telecom открыла Xing4.0-29B-A4B — 29B MoE с 4B активных параметров, ориентированный на agents и coding

Что произошло. China Telecom AI открыла Xing4.0-29B-A4B, продолжение семейства TeleChat. Модель имеет около 29–31 млрд total parameters, около 4 млрд active parameters на токен, 256K native context с возможностью расширения до 512K и архитектуру на базе MLA, mHC hyper-connections и MTP. Весовые файлы доступны публично; модель совместима с Transformers, vLLM, SGLang и KTransformers. Компания отдельно подчёркивает, что обучение такого масштаба было выполнено на Ascend NPU с MindSpore.

Почему это важно. Это одновременно model signal и infrastructure signal: китайская open-weight экосистема показывает, что конкурентоспособный agent/coding model stack может быть обучен вне NVIDIA/CUDA. Для пользователей важен и сам 4B-active MoE профиль: он потенциально снижает inference compute при сохранении более крупной общей ёмкости модели.

Что показали данные. В vendor benchmarks Xing4.0 получил 75.0% на SWE-bench Verified, 57.5% на Terminal-Bench 2.1, 76.55 на Claw-Eval и 60.8 на DeepresearchBII. На той же таблице Qwen3.6-35B-A3B выше на SWE-bench Verified: 76.0%, а также на Tau3-Bench и SWE-bench Multilingual. Terminal-Bench 2.1 для Xing усреднён по трём runs с 24-часовым timeout; SWE-bench использует SWE-agent и контекст 210K. Все цифры self-reported и зависят от harness.

Что нужно уже понимать: Mixture-of-Experts; active parameters; MLA; SWE-bench Verified; agent harness.

Что это может изменить для продукта или engineering-команды. Для компаний, которым важны open weights, on-prem deployment или китайский hardware stack, модель стоит включить во внутренний eval. Не стоит переносить vendor benchmark напрямую на production: сравнивайте на одинаковом harness, token budget и tool environment.

Дата: 17 сентября 2026.
Первоисточник: https://www.chinatelecom.com.cn/ct/news/jtxw/168741.html
Модель: https://huggingface.co/XingChen-AGI/Xing4.0-29B-A4B

PrismML сжимает Qwen3.8 27B до 5,9 ГБ ternary-модели

Что произошло. PrismML выпустила Ternary Bonsai 2 27B на базе Qwen3.8 27B. Языковая часть переведена в ternary weights {-1, 0, +1} с FP16 group-wise scaling; заявленная эффективная плотность — 1,76 bit/weight, размер — 5,9 ГБ. Модель поддерживает text+image input, tool calling и контекст до 262K и распространяется под Apache 2.0.

Почему это важно. Если качество low-bit моделей сохраняется достаточно хорошо, часть agent workloads можно переносить на laptops, edge и дешёвые single-GPU deployments. Это снижает cloud inference cost и data-egress/privacy trade-offs, но переносит сложность в специализированные runtimes и kernels.

Что показали данные. PrismML заявляет более чем 9× уменьшение footprint относительно full-precision counterpart при сохранении 98,2% aggregate benchmark performance. Это vendor aggregate, а не независимый benchmark. Для Bonsai 2 пока требуется fork llama.cpp PrismML; mainline runtime support неполный.

Что нужно уже понимать: ternary quantization; bits per weight; GGUF; local inference; quantization error.

Что это может изменить для продукта или engineering-команды. Стоит провести локальный eval, если приложение чувствительно к privacy, cloud cost или offline availability. Проверять нужно не усреднённый benchmark, а ваши tool-calling, coding и multimodal задачи плюс реальную скорость на целевом железе.

Дата: 17 сентября 2026.
Первоисточник: https://prismml.com/news/bonsai-2-27b
Код и runtime: https://github.com/PrismML-Eng/Bonsai-demo

3. Архитектура и эксплуатация агентных систем

Anthropic впервые публикует операционные метрики внутреннего флота примерно из 30 000 agents

Что произошло. Anthropic описала внутренний control plane для research/engineering agents. На наиболее используемой платформе одновременно работают примерно 30 тыс. agents; 100% их действий проходят через online monitor до исполнения и затем попадают в offline monitoring pipeline. Компания использует persistent agent identity и открытый shared messaging layer, чтобы действия и межагентные сообщения были attributable и auditable.

Почему это важно. При масштабе в десятки тысяч agents редкие ошибки становятся регулярными операционными событиями. Главные production-метрики смещаются от task success к coverage, review latency, escalation/block rate, provenance и возможности восстановить trajectory.

Что показали данные. В августе Anthropic проанализировала более 1 млрд agent decisions. Online monitor блокировал 0,002% действий — примерно 1 из 47 тыс. Offline monitor флагал 1–2 transcript на тысячу; около 100 тыс. transcripts в неделю проходили дополнительную автоматическую классификацию, а около 50 наиболее приоритетных cases эскалировались людям. В отдельном Automation Index Claude «ведёт» 26% измеряемой AI-R&D работы Anthropic, а более 90% работы находится на уровне как минимум активной AI-collaboration; полностью автономной работы в измеряемых категориях компания не фиксирует. Методология внутренняя и частично использует Claude как judge.

Что нужно уже понимать: agent fleet; online/offline monitor; persistent identity; escalation rate; provenance.

Что это может изменить для продукта или engineering-команды. Если компания запускает большое число agents, стоит ввести SLO не только на task completion, но и на monitor coverage, review latency, block rate, traceability и human escalation.

Дата: 17 сентября 2026.
Первоисточник: https://www.anthropic.com/institute/measuring-pace-of-ai-development

Paper2Agent: peer-reviewed данные показывают преимущество проверенных executable tools над прямым доступом агента к repository

Что произошло. В Nature опубликована работа Paper2Agent. Framework анализирует статью, code и data несколькими agents, строит MCP server, генерирует executable tools и проверяет их на reference outputs. Инструменты, не проходящие validation, исключаются.

Почему это важно. Это сильный аргумент за архитектуру knowledge → tested tools вместо «положить PDF и repo в context». Проверенный интерфейс уменьшает environment/setup overhead и делает поведение агента более воспроизводимым.

Что показали данные. Из 100 computational-biology papers 74 были agentified без ручной доработки; из 599 предложенных tools 593 прошли автоматическую validation. На 300 tutorial-derived вопросах Paper2Agent + Sonnet 4 получил 91,2±1,6% accuracy против 80,3±2,3% у Claude Code + repository с той же Sonnet 4 и 86,3±1,1% с Sonnet 4.6. Средние query cost/latency: $0,20 и 1,6 минуты против $0,38 и 4,3 минуты у прямого paper+repo baseline. На 42 execution tasks из 10 non-biology papers — 98,1±0,8%. На permuted out-of-scope benchmark система корректно отказалась отвечать в 100% случаев. Это peer-reviewed benchmark, но домены и task distributions ограничены выбранными papers.

Что нужно уже понимать: MCP; executable knowledge; tool validation; multi-agent orchestration; out-of-scope rejection.

Что это может изменить для продукта или engineering-команды. Для сложных внутренних SDK, аналитических workflows и методик стоит тестировать преобразование документации в небольшое число проверенных tools/skills. Это может оказаться дешевле и надёжнее, чем каждый раз давать агенту весь repo.

Дата публикации: 16 сентября 2026; значимый backfill.
Первоисточник: https://www.nature.com/articles/s41586-026-11044-y
Код: https://github.com/jmiao24/Paper2Agent

4. Developer tooling и программирование

Android Bench 2.0: короткие coding benchmarks насыщаются, а long-horizon engineering остаётся нерешённым

Что произошло. Google выпустила Android Bench 2.0 с 30 long-horizon задачами: создание приложений, migrations, новые platform features и cross-platform app conversions. Задачи меняют от сотен до тысяч строк и десятки/сотни файлов; каждый task запускается пять раз в чистом containerized environment. Проверка сочетает deterministic tests, database/system checks и multimodal UI judge.

Почему это важно. Android Bench 1.0 уже достиг примерно 90% pass rate у frontier models, но типичная задача меняла медианно лишь 32 строки в 1–2 файлах. Версия 2.0 ближе к реальному engineering: нужно удерживать intent часами, проходить API migrations, integration details, UI и regression constraints.

Что показали данные. GPT-6 Astra + Codex: 28,0% perfect pass rate, 82,2% average completion, 7,9 часа aggregate latency и $375,7 за полный benchmark run. Claude Fable 5.1 + Claude Code: 22,7%, 82,4%, 22,2 часа и $492,6. GPT-5.6 Sol + Codex: 19,3%, 74,3%, 8,6 часа и $235,8. Ни одна конфигурация не прошла целиком ни один full app conversion, хотя отдельные runs достигали около 0,90–0,99 completion. Google отдельно предупреждает, что cost/latency нельзя напрямую трактовать как efficiency: failing runs часто заканчиваются раньше.

Что нужно уже понимать: long-horizon coding; pass rate vs completion rate; regression oracle; agent harness; contamination resistance.

Что это может изменить для продукта или engineering-команды. Для выбора coding agent нужен собственный benchmark на многочасовых задачах. Сравнивайте perfect completion, human interventions, regressions, latency и cost, а не только SWE-bench.

Дата: 17 сентября 2026.
Первоисточник: https://developer.android.google.cn/bench
Методология: https://developer.android.google.cn/bench/methodology/2

Claude Projects превращает одну coding-сессию в coordinator + parallel workers

Что произошло. Anthropic переработала Projects и открыла beta в Claude Code. Пользователь задаёт цель, coordinator scopes работу, создаёт параллельные threads, делегирует задачи, следит за progress, reviews outputs и собирает результат. Каждый thread — отдельная cloud Claude Code session со своей копией/веткой repository; threads используют shared project memory и могут запускать subagents.

Почему это важно. Multi-agent orchestration становится product primitive, а не самописным research framework. Это делает параллельную разработку доступнее, но создаёт новые failure modes: duplicate work, shared-state errors, merge conflicts и непрозрачный рост token spend.

Что показали данные. Controlled productivity benchmark Anthropic для новой архитектуры пока не опубликовала. Компания прямо указывает, что usage может расти быстро и позволяет отдельно задавать model/effort для coordinator и workers. Поэтому это capability release, а не доказанный прирост productivity.

Что нужно уже понимать: coordinator/worker; parallel branches; shared memory; subagent; merge conflict.

Что это может изменить для продукта или engineering-команды. Стоит провести внутренний эксперимент на действительно параллелимых задачах. Единица сравнения — completed accepted work per dollar/hour с учётом review и merge overhead.

Дата: 17 сентября 2026.
Первоисточник: https://claude.com/blog/projects-redesigned

Google обновила Antigravity Agent: managed harness становится стабильнее как API primitive

Что произошло. Google выпустила antigravity-preview-09-2026, заменяющий майскую версию managed agent. Один API call поднимает Linux sandbox, agent loop может выполнять Bash/Python/Node, редактировать и искать файлы, пользоваться web search и сохранять state между interactions. В новой версии file editing перешёл с full rewrites на line-range replacements, появились отдельные file/code search tools.

Почему это важно. Agent harness всё чаще поставляется самим model/cloud provider как managed runtime. Это снижает стоимость создания собственного sandbox/orchestrator, но увеличивает vendor lock-in на уровне tool schema, state и execution environment.

Что показали данные. Google указывает типичный расход 100K–3M tokens на interaction; сложные workflows могут доходить до 3–5M. Оценочные costs для типовых задач — примерно $0,25–$3,25, до около $5 для сложных workflows; 50–70% input tokens обычно cached. Environment compute в preview не тарифицируется. Это vendor estimates, не независимый benchmark.

Что нужно уже понимать: managed agent; sandbox; tool schema; token budget; stateful interaction.

Что это может изменить для продукта или engineering-команды. Для нового agent product имеет смысл сравнить managed runtime с собственным harness по TCO, observability, portability, security controls и пределам кастомизации. Особенно важно учитывать migration cost при изменении built-in tool schema.

Дата: 17 сентября 2026.
Первоисточники: https://ai.google.dev/gemini-api/docs/changelog ; https://ai.google.dev/gemini-api/docs/antigravity-agent

Plugin4Shell показывает, что agent plugins/skills — полноценная software supply chain

Что произошло. Air Security раскрыла Plugin4Shell — класс обхода SHA-pinning при установке/автообновлении plugins в coding agents. По описанию исследователей, клиент мог выполнить checkout указанного commit, но не удостовериться, что итоговый working tree действительно соответствует ожидаемому объекту; при контроле upstream repository это позволяло подменить code при auto-update.

Почему это важно. Skill/plugin часто воспринимается как «инструкция для модели», но на практике может включать scripts, hooks и tools с filesystem/network/credential authority coding agent. Поэтому plugin marketplace нужно защищать как package manager/CI supply chain.

Что показали данные. Air Security сообщает PoC для Claude Code, Codex, Copilot и Gemini CLI. Claude Code исправил класс проблемы в 2.1.179, Codex — в 0.146.0. Для Copilot есть существенное уточнение: GitHub сообщил The Register, что hosted GitHub marketplaces не подвержены конкретному сценарию, потому что GitHub не позволяет создать branch/tag, выглядящий как SHA; следовательно, корректно говорить о классе supply-chain риска, а не об универсальной эксплуатации всех установок.

Что нужно уже понимать: software supply chain; commit pinning; auto-update; plugin marketplace; least privilege.

Что это может изменить для продукта или engineering-команды. Allowlist sources, проверка resolved object/commit, controlled updates и sandbox должны применяться к agent plugins примерно так же, как к CI Actions и package dependencies.

Дата публичного раскрытия: 17 сентября 2026.
Первоисточник: https://www.air.security/blog-posts/plugin4shell
Дополнительный источник: https://www.theregister.com/security/2026/09/17/ai-coding-agents-0-click-rce-flaw-could-hand-attackers-keys-to-the-kingdom/5297335

5. Production AI, SaaS и бизнес

OpenAI Astra for Law: vertical AI строится из frontier model + authoritative retrieval + domain tools

Что произошло. OpenAI запустила Astra for Law — GPT-6 Astra с отдельным Legal Search Index, custom legal instructions и partner plugins. Search layer охватывает американские case law, statutes, regulations, court rules и administrative decisions и обновляется ежедневно.

Почему это важно. Vertical AI всё меньше требует отдельной foundation model. Конкурентная система может строиться как general frontier model + специализированный corpus + retrieval + workflow tools + permissions.

Что показали данные. OpenAI пока не публикует достаточный независимый production benchmark Astra for Law. Help Center подтверждает продуктовую архитектуру и Trusted Access rollout; Reuters подтверждает запуск и список партнёров/фирм. Поэтому основная новость здесь — architecture/productization, а не доказанный ROI или hallucination-rate improvement.

Что нужно уже понимать: vertical AI; domain retrieval; authoritative corpus; plugins; data governance.

Что это может изменить для продукта или engineering-команды. Для vertical SaaS сначала стоит оценить качество proprietary corpus, retrieval, permissions и workflow integrations. Собственная foundation model может быть менее важной инвестицией, чем надёжный domain layer.

Дата: 17 сентября 2026.
Первоисточник: https://help.openai.com/en/articles/20001528-astra-for-law
Дополнительный источник: https://www.reuters.com/legal/litigation/openai-launches-legal-focused-ai-platform-escalating-race-law-firm-users-2026-09-17/

Microsoft: 100+ agents в supply chain показывают, что ROI появляется после redesign процесса, а не после выдачи Copilot

Что произошло. Microsoft опубликовала разбор собственной AI transformation. Компания пишет, что широкая выдача AI tools более чем 200 тыс. сотрудников сама по себе не дала ожидаемого эффекта; заметные результаты появились после перестройки конкретных workflows, единого источника данных и явных permissions/approval thresholds.

Почему это важно. Это production evidence против подхода «дать всем ассистента и считать usage». Экономический эффект возникает, когда изменяется end-to-end процесс и распределяются роли между humans и agents.

Что показали данные. В cloud supply chain к сентябрю было развернуто более 111 purpose-built agents. На пяти monthly planning cycles среднее время выбранных процессов снизилось примерно с 10 до менее чем 2,5 рабочих дней; расследование изменений demand plan — с 5–7 дней до нескольких часов, иногда менее 20 минут. В sales cohort из 687 продавцов регулярное использование Copilot ассоциировалось с +9,4% revenue per account manager и +20% close rate против low-usage group. Это внутренние observational/operational данные Microsoft, не randomized trial, поэтому причинность ограничена.

Что нужно уже понимать: workflow redesign; operational KPI; human-in-the-loop; approval threshold; observational evidence.

Что это может изменить для продукта или engineering-команды. Не оптимизировать «AI adoption» как самостоятельную метрику. Выберите workflow, определите baseline cycle time/quality/cost, затем меняйте процесс целиком и измеряйте outcome.

Дата: 17 сентября 2026.
Первоисточник: https://blogs.microsoft.com/blog/2026/09/17/what-weve-learned-from-microsofts-own-ai-transformation/

Anthropic Life Sciences Verification Program переносит выдачу опасных capabilities с prompt-level на identity/project-level

Что произошло. Anthropic открыла beta Life Sciences Verification Program. Верифицированные research organizations могут получать более permissive access к biology capabilities. Standard grants выдаются командам для широких legitimate workflows; high-risk grants — под более строго проверенные сценарии и модели.

Почему это важно. Для high-risk agents появляется governance pattern: user identity → organization → project → capability grant → monitoring. Это потенциально надёжнее, чем пытаться определить допустимость действия только по текущему prompt.

Что показали данные. В early access участвовали десятки организаций; Anthropic ожидает сотни в первую неделю. Standard grants могут обновляться ежегодно, high-risk access имеет более строгий review. Программа пока beta и не предназначена для BAA-enabled/PHI workflows. Это operating-policy launch, а не benchmark эффективности risk controls.

Что нужно уже понимать: risk-tiered access; identity verification; project-scoped permissions; continuous monitoring; BAA/PHI.

Что это может изменить для продукта или engineering-команды. Для чувствительных tools имеет смысл привязывать capability не только к user role, но и к организации, проекту, сроку действия и declared purpose.

Дата: 17 сентября 2026.
Первоисточник: https://www.anthropic.com/news/life-sciences-verification-program

6. GitHub / open-source сигналы

Pinecone открыла VQ-bench: quantization для retrieval становится воспроизводимым benchmark layer

Что произошло. Pinecone опубликовала MIT-licensed VQ-bench: framework и публичный benchmark для vector quantization. Он раскладывает методы на композицию общих primitives и измеряет reconstruction error, recall, score error, softmax divergence, bits per dimension, latency, memory и encode/score cost.

Почему это важно. В RAG и agent memory расходы на vector storage и reranking могут становиться значительной частью infrastructure bill. Quantization — прямой trade-off между memory/storage cost, recall, latency и quality.

Что показали данные. В первой публикации авторы сравнили 14 quantizers на пяти datasets; paper формализует 7 primitives и показывает, как представить 25 известных quantizers как их композиции. На ArXiv dataset — 1,344,643 vectors размерности 768; на Yahoo — 677,305 vectors размерности 384. Универсального победителя нет: PQ/OPQ сильны по reconstruction, другие методы могут давать лучший recall/latency при конкретном bit budget. Это benchmark, созданный Pinecone и University of Pennsylvania; результаты зависят от dataset, hardware и bit budget.

Что нужно уже понимать: vector quantization; recall@k; embedding compression; RAG; agent memory.

Что это может изменить для продукта или engineering-команды. Если vector DB уже заметна в TCO, стоит прогнать VQ-bench-подобный тест на собственных embeddings и queries до масштабирования cluster capacity.

Дата публичного релиза: 17 сентября 2026.
Первоисточник: https://www.pinecone.io/blog/vq-bench/
Код: https://github.com/pinecone-io/vq-bench
Paper: https://www.pinecone.io/research/VQ-bench/

Главный технологический сдвиг выпуска

Agent stack перестаёт быть тонкой оболочкой вокруг LLM и превращается в отдельную системную дисциплину. На нижнем уровне Huawei и vLLM оптимизируют память, interconnect, sandbox/media pipeline; на уровне harness Anthropic и Google формализуют fleet monitoring, managed execution и multi-session orchestration; Paper2Agent показывает ценность проверенных tools, а Android Bench 2.0 — пределы текущей автономии. На уровне бизнеса Microsoft подтверждает ту же картину: существенный эффект появляется не от доступа к модели, а от перестройки workflow, данных, permissions и human control.