В голосовании Трампа победил термин «Superior Intelligence» (кратко: Super Intelligence)

И если вы думали, что это все понарошку, то вы ошиблись: Трамп на Генассамблее ООН официально заявил, что ИИ теперь будет называться суперинтеллектом. Во всех документах теперь также будет использоваться слово super вместо artificial.

Итак, новый Opus-5.5, сводка:

– Уровень, сопоставимый с Fable 5.1 и Astra. Превосходит обе модели на Terminal-Bench, Cursor-Bench и многих других.

– Стоит меньше, чем Opus 5! $4/M input и $20/М output (было $5 и $25), и тратит меньше токенов на задачи.

– Генерирует выходы на 30% быстрее Opus 5.

– Обещают более естественное общение и лучшее форматирование ответов.

– В Pro и Max увеличили пятичасовые лимиты. Плюс, всем пользователям с подпиской дали один сброс, которым можно воспользоваться в любое время.

https://anthropic.com/claude-opus-5-5

Главное по свежим GPT-6 Sol и Luna:

– Вслед на Anthropic OpenAI понизили цены на модели: в два раза подешевела Sol, и примерно на 50-58% – Luna.

– Кажется, новый Opus на кодинге модель все-таки не обходит, метрики примерно на уровне Fable 5.1. Если точнее, на FrontierCode Sol сравнивается с Claude Fable 5.1 xhigh. На DeepSWE Sol набирает 68,8%, а Fable 5 – 69,9%, но Sol примерно на 80% дешевле. Luna на max набирает 66,6%, это уровень Opus 5 и Fable 5 на medium при стоимости на 93–96% ниже.

– Улучшили кеширование: выше hit rate, и скидка на кешированный вход теперь 90%, появились дашборд и диагностика. Плюс кеш теперь не сбрасывается при смене reasoning effort и включении или отключении тулов.

Уже доступно в подписках и API, а Luna дают и бесплатно.

https://openai.com/index/introducing-gpt-6-sol-and-luna/

10 агентов Opus 5.5 за 15 часов обнаружили алгоритм поиска кратчайшего пути, превосходящий Дейкстру

Поиск кратчайшего пути – классическая проблема теории графов, на решении которой основываются навигаторы, роутинг в интернете, логистика и куча других задач современного мира. В 1959 году нидерландский информатик Эдсгер Дейкстра предложил для поиска кратчайшего пути алгоритм O(m + n log n), который следующие 65 лет оставался золотым стандартом и использовался буквально везде.

В 2025-м команда из Цинхуа, Стэнфорда и Института Макса Планка впервые обошла его с оценкой O(m log^{2/3} n). Однако выигрыш их решения раскрывается только на достаточно плотных графах (число ребер m ≥ числа вершин n). На разреженных графах Дейкстра все еще был лучше.

Vals AI решили потестировать новый Opus 5.5 именно на этом непобитом диапазоне (блогпост). Они запустили 10 агентов, дали им задачу и доску объявлений, чтобы те могли обмениваться идеями и кооперироваться.

В итоге за 15 часов и 733 сообщений агенты получили алгоритм C-HD и формально его верифицировали. Это первое доказанное улучшение именно в этой разреженной зоне, где лучшим все еще был Дейкстра: при m ≈ n·log^{3/4}n C-HD дает O(n·log^{11/12}n) против O(n log n) у Дейкстры: при n = 2^1000 выигрыш составляет ~1,78х и растет с размером графа.

Правда, несмотря на всю мощь того, как это звучит, и на наличие доказательства в Lean, о практическом ускорении речи пока нет, потому что оценки из предыдущего абзаца –асимптотические, а на реальных графах алгоритм пока не бенчмаркали. То есть при n → ∞ одна кривая гарантировано обгонит другую, однако на практике точка перегиба может возникать только при огромных n, и на любом реалистичном графе Дейкстра все еще будет быстрее, даже если у него худшая асимптотика. Так что эту часть еще предстоит проверить.

Бенчмарки, когда наняли зумера на роль Chief AI Officer

Экономика токенов и эра универсальных агентов

В интервью CEO Yandex Cloud хорошо подсветили несколько трендов, которые сейчас определяют развитие российского ML-рынка. Один из самых интересных здесь про экономику инференса.

Стоимость токена за последние годы упала примерно в 6 раз, но вместо падения рынка это приводит к росту потребления. Чем дешевле инференс, тем больше данных становится экономически выгодно прогонять через модели и тем больше процессов можно автоматизировать. Получается цикл: дешевле токены → больше потребление → больше оптимизаций → еще дешевле токены.

При этом само железо дешевле не становится. Стоимость инфраструктуры растет в 2–5 раз, поэтому вокруг AI постепенно формируется отдельный инфраструктурный слой со своими облаками, ускорителями и оптимизациями инференса. Для крупных компаний все важнее становится и независимость этого стека: свои модели, веса и возможность развернуть их внутри собственной инфраструктуры.

Еще один тренд: переход от автоматизации отдельных задач к горизонтальным агентам. Кодинг стал первым большим кейсом, но тот же подход постепенно переносится на аналитику, маркетинг, продажи и операционные процессы.

Интересно здесь именно то, как быстро меняется экономика применения моделей. Еще недавно многие сценарии просто не сходились по стоимости, а удешевление инференса постепенно делает их массовыми. Чем дешевле становится токен, тем больше работы в принципе имеет смысл отдавать моделям.

https://www.vedomosti.ru/technology/characters/2026/09/22/1230675-sozdat-ii-agenta-polovina-dela

- Мам, давай купим Jev по API
- Нет, у нас есть Jev дома
Jev дома:

Мэтт Мастраччи, контрибьютор vLLM, взял DiffusionGemma 26B от Google и заставил ее работать по той же схеме, причем без дообучения модели.

Вместо генерации текста задается шаблон ответа, а после одного шага denoising из логитов сразу достаются ответы и их вероятности. Поддерживаются yes/no, multiple-choice и scoring вопросы.

Теперь этот режим добавили в vLLM. По первым тестам качество близко к оригинальному Jev, а в NVFP4 модель можно поднять на одной GPU с 24 ГБ памяти.

https://github.com/taeold/djev-run