Gemini 4, постоянные агенты и шифрованное письмо Мармону

OpenAI представила постоянно работающих агентов Dots, Google показала Gemini 4 Argon с ограниченным доступом, а небольшие модели распознавания речи стали занимать десятки мегабайт. Новые способы редактирования изображений и восстановления сцен соседствуют с задачами, где важен проверяемый результат: математическая конструкция, контакт ноги робота с поверхностью или прочитанное шифрованное письмо.

В подробном обзоре AI Search от 4 октября 2026 года рассмотрены эти разработки. Приведённые ниже сравнения и сведения о доступе относятся к дате записи.

На OpenAI Dev Day представлен Dots — постоянно работающий агент с собственным облачным компьютером и браузером. Ведущий описывает подключение к тысячам приложений через плагины и работу над целью круглосуточно, даже когда пользователь не переписывается с агентом. Пример задачи — отслеживать отзывы клиентов, исправлять ошибки, проверять изменения и готовить предложения изменений кода. Одному агенту Dots можно поручать несколько проектов без создания отдельных веток разговора. Общение предусмотрено через ChatGPT, Slack и Teams, в том числе с телефона; упомянуты сообщения и звонки. По приведённому объявлению, доступ разворачивается для Pro и Business Premium в поддерживаемых странах, исключая ЕС. Основой назван GPT-6 Astra. Ведущий сравнивает концепцию с OpenClaw, Meta Muse и Grokbot. В официальном объявлении отдельно описан режим инициативного исследования: он работает только на чтение. Возможность постоянно выполнять порученные задачи не даёт агенту разрешения самовольно менять данные в подключённых приложениях.

Через несколько часов после объявления, утверждает ведущий, появились две разные открытые альтернативы с одинаковым названием OpenDOTS. Первую можно разместить самостоятельно и подключить к выбранной языковой модели; при подходящем оборудовании допускается локальная модель. При этом это именно программная основа, к которой пользователь должен подключить собственную LLM. Вторая также поддерживает самостоятельное размещение и назначение задач агентам. Для неё ведущий отдельно перечисляет текстовые сообщения, звонки и обращения через Slack. Оба проекта он представляет как открытые варианты той же общей организации постоянной работы агента, не выполняя сравнительного испытания.

Подключение рабочих систем и настройка разрешений остаются отдельной задачей приложения. В нашей услуге разработки ИИ-агентов эти границы задаются через согласованные интеграции, доступ к данным и разрешённые действия. Возможности Dots сами по себе не определяют права в конкретной компании.

Другой анонс — GPT-6.1 Sol, обновление GPT-6 Sol, вышедшего, по словам ведущего, неделей раньше. Он передаёт заявление OpenAI о близком к Astra интеллекте при стандартных ценах входных и выходных токенов в пять раз ниже. Стоимость завершённой задачи зависит также от расхода токенов. Показанные сравнения охватывают агентное программирование, AutomationBench, управление интерфейсами и научные исследования. В индексе Artificial Analysis новая модель отстаёт от GPT-6 Astra на один пункт, а стоимость решения задач заметно ниже. Ведущий называет её наиболее экономичной среди передовых моделей — это его итоговая оценка приведённых графиков. Объявленная доступность охватывает все платные тарифы GPT Work и Codex; обычный чат на момент записи ещё исключён.

На фоне более дешёвой модели ведущий обращает внимание на изменение лимитов подписки. Для Pro стоимостью 200 долларов объём использования относительно Plus по объявленному тогда изменению снижался с двадцатикратного до десятикратного. Он описывает это как сокращение прежнего относительного лимита вдвое. Также он упоминает новый тариф за 500 долларов с большим объёмом использования. Конкретный лимит нового тарифа в обзоре не приводится.

Gemini 4 Argon ведущий характеризует как новый флагман Google. В представленных тестах программирования, интеллектуальной работы, науки, математики и управления компьютером он отмечает в среднем более высокие результаты, чем у Astra и моделей Claude. Первые места названы для длительных задач программирования DeepSWE, индекса Val, финансовых исследований и продолжительной юридической работы. При этом в отдельном рейтинге Artificial Analysis модель делит второе место с GPT-6 Astra и Claude Fable, отставая на несколько пунктов от Opus 5.5. Более низкую стоимость относительно моделей сходного уровня ведущий считает важным преимуществом.

Особенно ведущий выделяет заявленный вывод до миллиона токенов за один ответ. Он специально отличает этот предел от размера входного контекста и сравнивает его с 64–128 тысячами выходных токенов других передовых моделей. Миллион токенов он приблизительно переводит в 700 тысяч слов. Возможность выдать роман, серию романов или целую кодовую базу одним ответом приводится как иллюстрация объёма, без выполнения такого задания. Отдельно он утверждает, что миллионный входной контекст уже имеется у всех передовых моделей.

В тесте Omniscience для Gemini приводится частота галлюцинаций 15%, для GPT-6 — около 50%, а для Claude — примерно 60–70%. Ведущий поясняет условие сравнения: оценивается поведение, когда модель не знает ответа, включая ошибочный или частичный ответ либо признание незнания. Он трактует результат как большую склонность Gemini признавать отсутствие знаний, а не как процент правильных ответов. На дату записи доступ ограничен доверенными специалистами по киберзащите в закрытой программе. Дальнейшее расширение доступа тогда планировалось начать с платных API-клиентов и подписчиков Google AI Ultra. Собственное сравнение общедоступной модели ведущий откладывает до её выхода.

InSpatio-World 1.5 создаёт видео перемещения по сцене из изображения и заданной траектории камеры. Поддерживаются несколько вариантов исходного материала: одно изображение, несколько кадров для большей согласованности, панорама или полноценное видео. В последнем случае система также сохраняет движение исходного ролика во время перемещения камеры. Можно остановить действие и получить эффект bullet time. По словам ведущего, код уже опубликован вместе с инструкциями запуска. В обзоре указан размер файлов менее 6 ГБ.

SoL-Refiner от NVIDIA увеличивает разрешение видео до 4K за один шаг. Ведущий подчёркивает совместимость с разными генераторами: среди примеров — MiniMax H3, WAN и NVIDIA Cosmos. В сравнительных фрагментах результат выглядит резче, однако меняет отдельные детали. Особенно он отмечает изменившиеся элементы строения: повышение детализации сопровождается отклонением от исходного изображения. Верность оригиналу он считает главным недостатком показанного подхода. Код и инструкции локального запуска, по его словам, доступны.

Модель распознавания речи Whistle занимает примерно 16,9 МБ. Ведущий говорит о работе на CPU без GPU и без зависимостей. Он пробует надиктовать текст и показывает полученную расшифровку. За один проход поддерживается до 30 секунд аудио, язык определяется автоматически. Дополнительно обещаны временные отметки начала и конца каждого слова, хотя именно эта возможность в демонстрации не показана. По приведённым сравнениям декодирование примерно в шесть раз быстрее WhisperBase, а на некоторых тестах доля ошибок ниже. Для установки указан pip, модели размещены на Hugging Face. Ведущий рассматривает небольшой размер как условие запуска на телефонах и других устройствах без GPU.

Следующая система, Phonon 2, занимает менее 900 МБ. На показанной странице заявляется преобразование часа аудио в текст примерно за 20 секунд. В демонстрации показаны ввод ведущего и полученная расшифровка. В приведённой таблице лишь одна система имеет меньшую среднюю долю ошибок; среди участников сравнения есть значительно более крупные модели. Phonon 2 описана как открытая: модель можно скачать, а для пробы доступны бесплатные Hugging Face Spaces. Обе небольшие системы представлены в контексте распознавания речи и преобразования аудио в текст.

Распознавание — один из этапов обработки записи. В GistiQ для работы со встречами текст записи используется для поиска и работы с содержанием разговора. Это отдельный продукт студии; приведённые в обзоре результаты не описывают его качество и не подтверждают использование этих моделей внутри GistiQ.

Новую модель Anthropic Sonnet 5.5 ведущий сравнивает с предыдущим Sonnet и более крупным Opus 5.5. На показанных тестах агентного программирования и интеллектуальной работы он отмечает большой рост и результаты, близкие к Opus. В индексе Artificial Analysis Sonnet занимает второе место, опережая GPT-6 Astra. Однако ведущий отдельно рассматривает стоимость завершённой задачи: по приведённым данным она выше, чем у Claude Fable и Opus. Он связывает это с большим объёмом выходных токенов и называет Sonnet наиболее дорогим в показанном сравнении. Предпочтение Opus или Fable по интеллекту и GPT-6.1 Sol либо Astra по соотношению результата и цены — его собственная оценка. Одновременно Sonnet 5.5 стал, по его словам, моделью по умолчанию бесплатного тарифа.

Comfy Agent встроен в ComfyUI и создаёт рабочие процессы по описанию пользователя. Агент планирует действия, добавляет и соединяет узлы, затем запускает полученную схему. Он также редактирует существующую схему. Возможность устранения ошибок описана осторожнее: при возникновении сообщения об ошибке пользователь может попросить агента попробовать исправить её автоматически. В качестве запроса приводится создание видео через MiniMax с подбором нужного процесса. На момент записи функция доступна в платном Comfy Cloud; добавление в Comfy Desktop тогда было обещано через несколько недель.

PixelUMM представлен как исследовательская архитектура для понимания и генерации изображений и видео непосредственно в пространстве пикселей. Ведущий противопоставляет её системам, которые сначала создают компактное внутреннее представление, а затем преобразуют его в видимое изображение. По его объяснению, здесь отдельная стадия преобразования исключена. Показанные образцы он оценивает как уступающие передовым моделям по качеству и согласованности, подчёркивая исследовательский статус проекта. Код и модель уже опубликованы, имеются инструкции локального запуска. Большинство исходных файлов, согласно записи, распространяется по Apache 2.0.

Разработчики Ideogram 4.5 называют её самым точным редактором изображений в своей линейке. В приведённых примерах текстовые команды меняют выбранные элементы, сохраняя пиксели остальных областей. При многократных правках ведущий отмечает меньше накопленных искажений, чем в показанных результатах GPT-Image и NanoBanana. Как и в версии 4, пользователь может выделить прямоугольную область и ограничить изменение этой зоной. На дату записи доступна онлайн-платформа; открытие модели для локального запуска тогда только планировалось. Ожидание, что она станет лучшим локальным редактором, принадлежит ведущему.

FLUX.3 Image также поддерживает прямоугольные области с отдельным описанием содержимого каждой части изображения. Можно пользоваться и обычным текстовым запросом: ведущий показывает примеры реалистичных фотографий и сложных плакатов с текстом. Для генерации допускается до десяти референсных изображений. Редактирование включает добавление, удаление и замену объектов, изменение цвета, увеличение разрешения и раскрашивание чёрно-белых фотографий. На дату записи модель закрытая и доступна через онлайн-платформу. Обещание открыть веса ведущий сопровождает оговоркой: похожее обещание для FLUX.3 video, по его словам, оставалось невыполненным спустя несколько месяцев.

ByteDance представляет DMAD — Distribution Matching as Adversarial Distillation. Метод, по объяснению ведущего, сокращает генерацию видео с обычных 20–30 шагов до четырёх. Базовая модель создаёт обучающие результаты, а новая модель обучается воспроизводить их за меньшее число шагов. Дискриминаторные компоненты сравнивают результаты двух моделей и формируют сигнал для улучшения сокращённой генерации. Ведущий говорит о применимости подхода к разным моделям видео и изображений. Код и инструкции опубликованы. Для описанного варианта нужна базовая MiniMax, а дополнительные LoRA занимают по 1,4 ГБ.

Второй метод ByteDance, PDMD, также даёт четырёхшаговую генерацию. Ведущий оценивает показанные движение, детали и согласованность выше, чем у других способов дистилляции. Объяснение касается ошибки оценочной модели: неточности её сигнала могут переноситься в обучаемую систему. PDMD, по его словам, выделяет соответствующую ошибке составляющую сигнала и устраняет её проекцией. Приведённые сравнительные показатели в среднем лучше показателей конкурентов. Доступны код и два варианта модели: полностью изменённая MiniMax размером 66 ГБ и LoRA около 1,4 ГБ, которую можно подключить к меньшей квантованной базовой модели.

Стелларатор удерживает плазму магнитными полями сложной трёхмерной формы. Математический вопрос касается существования гладких равновесных конфигураций при неодинаковом давлении и без осевой симметрии. Равновесие означает выполнение уравнений баланса сил; устойчивость к возмущениям требует отдельного анализа.

В репозитории Counterexamples to Grad’s conjecture опубликована формализация математического результата в Lean. Другой проект, Analytic 3D MHD equilibria, содержит явные аналитические решения, программы проверки и исходный разговор с GPT-6 Astra Pro, с помощью которого находили решения. Эти работы описывают математические конструкции; испытания действующего термоядерного реактора в них не проводились.

Материалы Analytic 3D MHD equilibria позволяют проверить, что заданные поля и давление удовлетворяют записанным уравнениям. Ведущий связывает этот сюжет с прежними сообщениями о сингулярностях уравнений жидкости и ожидает дальнейших результатов ИИ. Такая оценка не расширяет доказанные условия конкретных работ до всех вариантов задач о плазме или жидкости.

Tactile Step использует в управлении ходьбой данные о давлении под стопами. Успешное преодоление поверхности может сопровождаться сильными ударами, опорой на край и неустойчивым контактом. Исследователи снабдили робота Unitree стельками с датчиками давления и дополнительно обучили систему учитывать положение и силу контакта каждой стопы. В демонстрациях описаны лестницы, склоны, платформы и ровная поверхность. Заявленные результаты включают максимальное снижение пиковой силы приземления почти на 50%, меньший шум ударов и увеличение площади контакта на величину до 24% относительно исходного варианта. Эти значения приводятся как результаты авторов системы.

Робот Unitree G1 показан в автономной игре в бадминтон с человеком. Работа приписана исследователям Университета Цинхуа и других университетов. В демонстрации показаны удары справа, слева и ответные удары в прыжке, а также несколько последовательных обменов ударами. Сложность связывается с быстротой волана и коротким временем на согласование бега, движения ног, поворота корпуса и взмаха рукой с ракеткой. Из-за нехватки качественных записей человеческих движений исследователи использовали небольшое число реальных ударов и автоматически создали их синтетические вариации. Полученный набор послужил данными для обучения робота.

ElevenLabs V4 — модель синтеза речи, которую разработчики называют самой эмоциональной в своей линейке. В текст можно вставлять метатеги, задающие манеру исполнения, тон и звуковые эффекты. В обзоре звучат несколько примеров: зловещее обращение, эмоциональная семейная речь и разговор спортивных комментаторов, переходящий к возбуждённому описанию удара. Они демонстрируют смену интонации и характера речи по ходу текста. По словам ведущего, модель доступна и бесплатно, с начальными 10 тысячами кредитов. Первое место в синтезе речи он приписывает показанному рейтингу, а не собственному систематическому сравнению.

В рассказе о шифрованном письме Мармону ведущий сообщает, что GPT-6 Astra помогла раскрыть шифр, остававшийся неразгаданным около 217 лет. Carter Church начал с изображения низкого разрешения. Модель разделила его на строки, распознала примерно 1300 рукописных зашифрованных знаков и сгруппировала различающиеся написания одного символа. Ранее опубликованная таблица содержала значения лишь для 33 букв и покрывала около трети текста. Затем модель создала программу, проверявшую соответствия по правдоподобию французского текста. После нескольких циклов восстановлен остальной ключ, включая символы для целых слов. Процесс занял около шести часов; письмо описано как военная сводка генералу Мармону о расположении войск перед войной Австрии с Францией.

PAMI создаёт трёхмерную анимацию взаимодействия человека с объектом по текстовому запросу и самому объекту. Примеры включают поднятие, перемещение и вращение предмета. Ведущий отмечает более естественное удержание по сравнению с другими примерами, где руки отделяются от объекта. По его объяснению, движения объекта согласуются с сигналами от кистей, стоп и таза, после чего предварительное взаимодействие уточняется отдельным модулем для корректировки контактов. Репозиторий на GitHub уже был доступен на дату записи; публикация модели тогда планировалась. Упомянута лицензия MIT.

Point2Part разделяет объект по точкам, которыми пользователь отмечает нужные части. На вход подаётся отдельное изображение либо трёхмерная сетка. В демонстрациях получаются отдельные детали, которые можно разнести для просмотра. Система разлагает форму целиком с учётом всех указанных точек. Как поясняет ведущий, поэтому детали не перекрываются и не оставляют промежутков, а при соединении восстанавливают исходный объект. Он ссылается на показатели качества частей, в среднем превосходящие показатели похожих инструментов. Репозиторий уже опубликован; модели и код обучения на дату записи ещё только обещали выпустить.

AstaBrief от Allen AI превращает запрос и релевантные научные публикации в исследовательский отчёт со ссылками за один проход. Базой названа Qwen3-8B с восемью миллиардами параметров. По показанным оценкам качества отчётов специализированная система заметно лучше базовой модели и приближается к Dr. Tulu. Опубликованы модель и наборы данных. Полный вариант занимает около 32 ГБ; ведущий предупреждает, что для локальной работы всё ещё потребуется видеокарта высокого класса. Такой запуск он рассматривает как вариант подготовки отчётов из научной литературы при наличии оборудования.

OLMo Core 3 того же института представлен как система обучения моделей со смесью экспертов. При работе такой модели активируется только часть экспертных компонентов, что сокращает объём вычислений относительно запуска всех параметров. Ведущий объясняет проблему обмена данными между сотнями GPU. В описанном решении эксперт закрепляется за GPU, а к нему направляются вычислительные задания. Дополнительно модель и обучающие данные распределяются между устройствами для экономии памяти, а небольшие вычисления объединяются для более эффективной загрузки чипов. Совокупное ускорение обучения относительно прежней системы названо примерно 2,7-кратным. Опубликованы технический отчёт, код и документация.

iQuest Q1 ориентирован на длительные программные задачи в командной строке и инструментах вроде Claude Code и Codex. Среди действий перечислены изучение репозиториев, запуск команд, отладка, использование инструментов и последовательные повторные попытки до завершения задачи. Это модель со смесью экспертов с 320 миллиардами параметров, из которых активны 15 миллиардов. Ведущий положительно оценивает показанные результаты тестов с учётом такого размера. Код уже опубликован, а репозиторий содержит инструкции скачивания и запуска.

Последняя модель AREX-2 имеет 27 миллиардов параметров и основана на Qwen3.8-27B. Её обучение сосредоточено на последовательном улучшении решения: модель предлагает вариант, проверяет или измеряет результат, анализирует обратную связь и делает следующую попытку. Особое внимание уделялось машинному обучению и алгоритмическому программированию с проверяемым результатом. Ведущий сообщает о сопоставимости с более крупными моделями и выделяет показатели относительно числа параметров, упоминая Kimi K3 и GPT-5.6 Sol, а также тесты углублённого поиска и анализа источников. Модель доступна на Hugging Face. При этом полный вариант занимает 55 ГБ, что он отдельно отмечает вслед за характеристикой модели как небольшой.