📋 Дайджест ИИ | 02.05.2026

1️⃣ OpenAI представила GPT-5.2 — новый флагман для профессиональных задач — Модель показывает прорыв в многоэтапном рассуждении, работе с длинными контекстами и сложных рабочих сценариях. Важно: GPT-5.2 самостоятельно предложила новую формулу для глюонной амплитуды, которую затем формально доказали учёные. Модели начинают вносить вклад в фундаментальную науку. 🔗 OpenAI

2️⃣ GPT-Rosalind — доменная модель OpenAI для наук о жизни — Специализированная модель создана для ускорения разработки лекарств, геномного анализа, рассуждений о белках и научных исследований. GPT-Rosalind понимает биологические последовательности и молекулярные структуры на уровне, недоступном универсальным LLM. Тренд: рынок движется от одного большого универсала к экосистеме узкоспециализированных моделей. 🔗 OpenAI

3️⃣ GPT-5.4 mini и nano — компактные модели для высоконагруженных API — Уменьшенные версии GPT-5.4 оптимизированы для кодинга, использования инструментов и мультимодального рассуждения при меньшей латентности и стоимости. Предназначены для sub-agent архитектур, где нужна скорость, а не максимальная мощность. Демократизация доступа к сильным моделям ускоряется. 🔗 OpenAI

4️⃣ GPT-5.3-Codex-Spark — первая модель OpenAI для генерации кода в реальном времени — Генерирует код в 15 раз быстрее предыдущих моделей, поддерживает 128K токенов контекста и выходит в превью для ChatGPT Pro. Скорость, а не только качество — ключевой параметр для coding agents. Прямая угроза GitHub Copilot и специализированным IDE. 🔗 OpenAI

5️⃣ Пошаговая оптимизация делает компьютерных AI-агентов эффективнее — Алгоритм сокращает повторные обращения к LLM при веб-автоматизации, снижая стоимость и время выполнения. Агенты, взаимодействующие с интерфейсами, — следующий рубеж: машины смогут выполнять рабочие процессы end-to-end без ручного копирования результатов. 🔗 arXiv

6️⃣ InteractWeb-Bench: бенчмарк для мультимодальных агентов в веб-разработке — Тест проверяет, способны ли VLM-агенты адаптироваться к неожиданным изменениям при генерации интерактивных сайтов. Результаты: текущие модели часто не понимают последствий своих действий в визуальной среде — критический барьер для автоматизации веб-разработки. 🔗 arXiv

7️⃣ AgenticRecTune: мультиагентная система настройки рекомендаций в реальном времени — Координируемые агенты с динамическим Skillhub адаптивно оптимизируют рекомендательные системы. В отличие от статических ML-пайплайнов, агенты сами определяют, какие параметры корректировать. Применимо в e-commerce, контенте и рекламе. 🔗 arXiv

8️⃣ «Закон обратной мудрости»: почему большие группы AI-агентов принимают худшие решения — Парадокс: по мере роста числа агентов качество коллективных решений падает из-за архитектурных различий между моделями. Разные LLM по-разному интерпретируют одну задачу — это критический вывод для проектирования multi-agent систем. 🔗 arXiv

⚡ Ежедневный дайджест ИИ-новостей. Источники: TechCrunch, OpenAI, Hugging Face.