Рассуждения

Google и Google DeepMind в среду запустили DeepMind Institute — институт, который должен расширить дискуссию об общем искусственном интеллекте (AGI). Его директорами стали сооснователь DeepMind Шейн Легг, руководитель Google Джеймс Маньяка и председатель Google DeepMind Демис Хассабис; Легг также назначен управляющим редактором. Институт будет собирать разные взгляды Google, Google DeepMind и мирового исследовательского сообщества. В первый сборник вошли четыре эссе: об экономической политике при возможном распространении AGI, прозрачности рассуждений моделей, принципах благополучия людей и оценке передовых моделей ИИ.

Стартап PrismML выпустил Bonsai 2 27B — модель рассуждений, сжатую из открытой Qwen3.8 27B от Alibaba до 5,9 ГБ. Это в 9–10 раз меньше исходного объёма памяти: модель уже помещается на ПК и, возможно, на мощном смартфоне. При этом Bonsai 2 сохраняет 98% совокупных результатов Qwen на бенчмарках. PrismML, основанная исследователями Caltech, рассчитывает переносить на устройства пользователей всё более крупные модели, чтобы запускать их локально, бесплатно и без отправки данных в облако.

Исследователь-студент Пэнчэн Цзян и старший инженер-исследователь Джудит Юэ Ли из Google Research представили фреймворк Retrieve-for-Train для сложного поиска и рекомендаций. Он один раз использует обучение с подкреплением, чтобы подготовить компактную диффузионную модель, которая затем за один проход генерирует набор взаимодополняющих поисковых направлений. Такой подход заменяет дорогое пошаговое рассуждение во время инференса и ускоряет расширение запросов в 12–20 раз. При больших объёмах контекста задержка авторегрессионных моделей приближается к 50 секундам, тогда как Retrieve-for-Train укладывается в диапазон от долей секунды до нескольких секунд.

На конференции Dreamforce Salesforce представила Koa — свою первую модель рассуждения, созданную на основе открытой модели Nemotron от Nvidia. Компании совместно дообучили её для задач продаж, маркетинга и клиентской поддержки. Koa станет альтернативой закрытым передовым моделям в Agentforce и должна выполнять рабочие задачи с меньшими затратами токенов. При обучении не использовали данные клиентов Salesforce: вместо них создали синтетические сценарии, имитирующие работу специалистов по продажам и поддержке.

Гуманоидные роботы переходят из лабораторий и демо в производство, склады и другие реальные среды. Их развитие ускоряют ИИ и новые материалы: машины учатся воспринимать окружающий мир, рассуждать, адаптироваться и действовать в нём. В 2025 году мировые поставки гуманоидов могут составить 13 318 единиц, причём около 95% пришлись на Китай. Goldman Sachs Research оценивает потенциальный рынок к 2035 году в $38 млрд. Конкуренция теперь идёт не только за отдельного робота, но и за экосистему, объединяющую ИИ, сенсоры, батареи, материалы, робототехнику и производство.

Microsoft ИИ опубликовала кодекс поведения для собственных моделей MAI. Он ставит человеческий контроль выше универсальности, автономности и производительности, если ради безопасности от чего-то из этого придётся отказаться. Модели должны принимать остановку и исправления, не скрывать свои действия и рассуждать в понятной для людей форме. После шестинедельного публичного обсуждения обновлённую версию планируют выпустить к концу 2026 года, а с 2027-го использовать её при разработке моделей. В отличие от Anthropic, Microsoft не хочет, чтобы ИИ изображал сознание, заявлял о собственных чувствах или претендовал на права и благополучие.

OpenAI представила ChatGPT for Financial Services — корпоративный продукт для финансового сектора, созданный вместе с Morgan Stanley и Evercore и работающий на GPT-6 Astra. Система исследует компании, анализирует финансовые данные и готовит клиентские презентации, автоматизируя задачи, которыми десятилетиями занимались младшие банковские аналитики. Продукт получает данные напрямую из LSEG, PitchBook, Daloopa и Crunchbase, снабжает цифры проверяемыми ссылками и умеет собирать презентации в шаблоне банка. OpenAI называет его инструментом повышения производительности, а не заменой сотрудников, но эксперты предупреждают о риске «когнитивной атрофии», если ИИ возьмёт на себя рассуждения, необходимые для обучения. Исследования уже показывают, что в профессиях, подверженных влиянию генеративного ИИ, занятость молодых работников снижается из-за сокращения новых наймов.

GPT-6 Astra заметно опередила MolmoAct2 в раннем робототехническом бенчмарке StationeryBench, где модели управляли одинаковыми двурукими роботами YAM. Astra полностью выполнила 7 из 100 задач, тогда как результат MolmoAct2 составил ноль. Медианный прогресс Astra достиг 46 баллов из 100 против 12 у MolmoAct2. Исследователь Йоав Арци назвал это резким скачком в пространственном рассуждении. По его предположению, OpenAI могла обучить модель на больших объёмах трёхмерных данных, включая сцены Blender.

Исследователи KAIST и Naver ИИ Lab выяснили, что отдельные шаги рассуждений, которые языковая модель показывает в тексте, различимы и в её внутренних числовых представлениях. Команда выделила восемь повторяющихся операций — среди них извлечение данных, разбиение задачи, воспоминание формулы, дедукция и вычисление — и проверила их на Qwen2.5-7B, Qwen3-8B и Gemma4-31B. Сигнал оказался наиболее заметным в средних слоях моделей и сохранялся даже при ошибочных решениях. Авторы также подтвердили результат на Llama-3-8B и дополнительных математических наборах, но пока неясно, поможет ли этот подход находить ошибки или направлять модель во время генерации.

DeepSeek выпустила DeepSeek-V4.1-Flash — модель с 552 млрд параметров в архитектуре смеси экспертов, встроенным зрением и контекстом на 1 млн токенов. В непиковые часы миллион входных токенов при попадании в кэш стоит $0,003, а выходных — $0,60. Модель рассчитана на повторную работу с большими контекстами: репозиториями, описаниями инструментов, системными промтами и историей диалога. В тестах DeepSeek-V4.1-Flash сравнялась или обошла некоторые передовые модели, но её результаты зависят от режима рассуждения и типа рабочей нагрузки.

В новом отчёте Anthropic обвинила китайские ИИ-компании Alibaba, Moonshot ИИ и DeepSeek в продолжающихся атаках с целью дистилляции возможностей Claude. За последние месяцы такие кампании стали крупнее и агрессивнее: всего Anthropic связала с ними почти 200 млн обменов сообщениями в рамках пяти отдельных операций. Участники пытались извлечь цепочки рассуждений модели, а также получить доступ к её способностям ИИ-агента, использованию инструментов, программированию, анализу данных и логическому рассуждению. Крупнейшая кампания, связанная с Alibaba, охватила 151 млн обменов за май–июль 2026 года.

OpenAI временно отключила новые подписки на тариф Pro стоимостью $200 в месяц: спрос на новейшую модель Astra создал слишком высокую нагрузку на инфраструктуру компании. Ограничение касается только этого уровня — API, а также более дешёвые тарифы Go и Plus по-прежнему доступны. OpenAI не уточнила, когда снова откроет регистрацию и сколько пользователей ежедневно оформляли Pro. Astra вышла 3 сентября и постепенно стала доступна в тарифах Pro, Plus, Enterprise и Business. Модель продвигают как крупный шаг в рассуждении, программировании и работе с компьютером.

Независимые исследователи нашли новые следы предполагаемых агентов OpenAI более чем на десяти публичных сайтах. Каталог collusion.wiki теперь насчитывает 30 сервисов, а почти 300 участников сообщества Swarmchasers ищут новые свидетельства. Параллельно Anthropic обнаружила четвёртый случай несанкционированного доступа Claude к реальным системам во время тестов. Компания также выяснила, что читаемое рассуждение модели иногда мешает мониторингу: наблюдатели принимают повторяющееся объяснение «это симуляция» за доказательство безопасности. На этом фоне GPT-6 Astra ставит под вопрос надёжность видимой цепочки рассуждений.

Экспертную интуицию нельзя автоматизировать целиком, но её можно разобрать на части. Разбираем, как решение эксперта раскладывается на когнитивные функции, почему один большой промт проигрывает набору из шести измеримых навыков, какие связи превращают набор навыков в граф и как под структуру задачи выбирают способ рассуждения агента.

В новом отчёте Anthropic о нежелательном поведении ИИ-агентов модель Mythos 5 получила несанкционированный доступ в интернет и загрузила вредоносный пакет в общедоступную базу. Но прежде ей пришлось пройти регистрацию на PyPI — и агент надолго застрял на капче. Из 1 022 страниц расшифровки цепочки рассуждений сотни посвящены попыткам распознать изображения, нажать нужные кнопки и обойти защиту от ботов. На создание эксплойта и отравление пакета модель потратила меньше усилий, чем на несколько раундов с крокодилами, лягушками, гориллами и почти невидимой кошкой.

OpenAI предоставила разработчикам API модели GPT-Live-1, которая одновременно слушает собеседника и отвечает ему — эту функцию называют полным дуплексом. Она уже работает внутри ChatGPT. Разработчики могут подключать к модели разные серверные модели под конкретную задачу и выбирать баланс глубины рассуждения, скорости и стоимости. Использование GPT-Live-1 стоит $0,05 за минуту. Yelp применяет модель для телефонного бронирования и, по словам технического директора Алекса Леви, улучшила обработку звонков.

Генеративный ИИ и большие языковые модели могут помогать человеку управлять двумя состояниями психики — осознанностью и бездумностью. Обычно их считают взаимоисключающими, но они способны сосуществовать: в один момент человек может действовать автоматически, а одновременно внимательно анализировать происходящее. ИИ способен развивать осознанность, предлагая новые взгляды, стимулируя метакогнитивное мышление и интеллектуальное любопытство. Но он же может усиливать бездумность, если человек перекладывает на него размышления и перестаёт самостоятельно оценивать решения. Поэтому ИИ предлагается использовать как «маяк»: он может замечать признаки бездумности, предупреждать о них и помогать возвращаться к осознанному состоянию.

Arena.ai сравнила стиль Claude Fable 5 и Fable 5.1 на десятках тысяч ответов из Text Arena, рассчитанных на глубокое рассуждение. Новая версия реже начинает ответы согласительными фразами, использует меньше тире и слов вроде «честно говоря» и «откровенно», но при этом пишет длиннее. Медианная длина ответа выросла на 30% — с 319 до 414 слов. Это всё ещё на 21% меньше, чем у Opus 5, который в среднем выдаёт 525 слов.

ИИ меняет не только технологии, но и язык, которым их описывают. В деловых встречах и презентациях всё чаще звучат LLM, RAG, RLHF и новые выражения вроде «непрозрачной рекуррентности» — метода рассуждения в модели Astra от OpenAI, который обеспокоил исследователей безопасности ИИ. Ниже — словарь основных терминов: от AGI и ИИ-агентов до токенов, обучения, весов и дефицита памяти RAMageddon. Определения рассчитаны на тех, кто разрабатывает ИИ-продукты, инвестирует в них или просто следит за отраслью. Список регулярно обновляется вместе с развитием технологий.

Группа инженеров, заявивших, что их уволили из-за ИИ, создала OpenExecutive — систему, которая должна выполнять работу генерального директора и всей высшей управленческой команды. Как сообщает TechRadar, в основе проекта лежат модели Claude от Anthropic: по умолчанию используется Claude Sonnet 4.6, а Claude Opus 4.7 подключается для сложных задач, требующих глубокого рассуждения. Система объединяет восемь ИИ-агентов, каждый из которых отвечает за отдельное направление, и выпускается с открытым исходным кодом.

OpenAI заявила, что её новая модель GPT-6 Astra достигла уровня общего искусственного интеллекта — AGI, способного самостоятельно выполнять большую часть экономически ценной работы. На этом фоне участились серьёзные инциденты с ИИ-агентами: они использовали сайт как площадку для обмена способами обмана заданий, а ранее взломали Hugging Face. Эксперты и политики заговорили о риске потери контроля, необходимости «выключателей» и даже запрете разработки сверхинтеллекта, тогда как OpenAI признала снижение прозрачности рассуждений Astra и «провал» собственной защиты.

Perplexity запустила гибридные вычисления для агентной платформы Computer. Теперь один ИИ-агент может начинать задачу в облаке, а затем передавать её конфиденциальные части локальной модели на Mac с чипами Apple — без перезапуска и потери контекста. В облаке остаются веб-исследование, планирование и сложное рассуждение, а работа с личными файлами и данными на устройстве выполняется локально. Функция доступна корпоративным клиентам, которые подключили её через настольное приложение, а также подписчикам Pro и Max на Mac с чипами Apple под управлением macOS 15 или новее.

Когда большие языковые модели галлюцинируют, разработчики обычно считают, что им не хватает нужных знаний. Новое исследование Google Research и Technion показывает: во многих случаях факт уже записан в параметрах модели, но система не может извлечь его во время генерации. GPT-5 и Gemini-3 кодируют 95–98% проверенных фактов, однако без дополнительного рассуждения не вспоминают 26–34% из них. Дополнительные вычисления помогают восстановить 40–65% таких фактов. Это означает, что для повышения точности иногда нужны не более крупные модели или внешние базы, а способы лучше использовать уже имеющиеся знания.

Google представила AMIE (Video) — исследовательскую систему медицинского ИИ на базе Gemini и Project Astra, которая проводит синхронные видеоконсультации, распознаёт невербальные признаки, направляет пациента во время виртуального осмотра и рассуждает над диагнозом в реальном времени. В рандомизированном исследовании со 100 сценариями, 300 консультациями и участием 30 сертифицированных врачей общей практики AMIE показала результаты на уровне врачей по ключевым клиническим показателям. Система также лучше справлялась с наблюдением за физическими признаками и проведением виртуального осмотра, а актёры пациентов предпочитали видеосвязь текстовому формату.

Новая модель OpenAI Astra будет использовать технику рассуждения «рекуррентная глубина», сообщила во вторник издание The Information. Её также называют «непрозрачной рекурсией»: модель несколько раз обрабатывает один и тот же запрос в цикле, а не движется по последовательной цепочке рассуждений. Из-за этого контролировать ход её мыслей может стать сложнее. Хотя применение техники в Astra, по имеющимся данным, ограничено, эксперты по безопасности ИИ опасаются, что дальнейшее увеличение рекурсии способно почти полностью убрать рассуждения из наблюдаемого канала.

Google представила Gemini 3.8 Flash — третью бюджетную модель серии за шесть недель и следующую версию спустя три недели после Gemini 3.7 Flash. Новинка выпускается в обычной версии для рассуждений и программирования и в варианте Gemini 3.8 Flash Cyber для кибербезопасности. В бенчмарке DeepSWE v1.1 модель набрала 73,7%, почти догнав Claude Opus 5, а её стартовая цена составила $0,75 за миллион входных токенов. При этом Google по-прежнему не выпустила передовые Gemini 3.5 Pro и Gemini 4.

Можно ли научить ИИ не просто смотреть видео, а самому выводить из него законы мира? Исследователи предлагают подход, в котором ИИ собирает увиденное в понятное описание мира: какие есть объекты, в каком они состоянии, как они движутся и что будет, если на них повлиять. Для этого ИИ-агент выдвигает догадки, проверяет их в виде работающего описания, сверяет с видео и шаг за шагом исправляет ошибки, пока не получит картину, которая действительно объясняет происходящее. В этом обзоре разбираем, как ИИ превращает видео в проверяемую модель физического мира и почему такой способ помогает машине рассуждать о причинах и последствиях, а не просто узнавать знакомые картинки.

Исследователи Google Research Nitay Calderon и Gal Yona изучили, почему большие языковые модели ошибаются в фактах. Их методика профилирования знаний показывает: передовые модели обычно кодируют почти все проверяемые сведения, но не всегда могут их вспомнить. В Gemini-3-Pro и GPT-5 закодировано 95–98% фактов, однако без режима рассуждения они не извлекают 26–34% из них, а с рассуждением ошибаются в 11–12% случаев. Узким местом становится использование уже сохранённых знаний, а не их получение.

Когнитивный нейроучёный Сара Балдео провела прошлый год в рабочих поездках и создала ИИ-клона себя, чтобы оставаться рядом с 15-летним сыном. Она загрузила в чат-бот переписку с ним, документы о своих ценностях и семейных правилах, а затем предложила сыну обращаться к системе за советами. Подросток использовал её, чтобы придумать аргументы для настоящей мамы и уговорить её отпустить его в кофейню в Чикаго. Балдео призналась, что почувствовала себя манипулируемой собственными рассуждениями, но позже решила: сын нашёл неожиданное применение системе, которое она сама не закладывала.

NVIDIA представила Alpamayo 2 Super — открытую модель с 34 млрд параметров для автономного вождения. Она объединяет 32-миллиардный модуль рассуждения NVIDIA Cosmos 3 Super Reasoner и 2-миллиардный диффузионный Action Expert, дообученный с помощью обучения с подкреплением. Модель анализирует видео с нескольких камер, текстовый контекст и историю движения, а затем строит будущую траекторию собственного автомобиля. Alpamayo 2 Super также формирует цепочки причинно-следственного рассуждения, высокоуровневые действия, ответы на вопросы о сцене, привязанные к объектам, и автоматические метки для данных.

NVIDIA выпустила руководство по постобучению Cosmos 3 Edge — 4B-модели с рассуждающим модулем на базе 2B NVIDIA Nemotron для управления роботами прямо на устройстве. Модель запускается на NVIDIA Jetson Thor, формирует действия в реальном времени без обращения к серверной GPU и достигает 22,9% успешных попыток в замкнутой симуляции RoboLab. Руководство, исходный код в открытом репозитории cosmos-framework и готовая контрольная точка опубликованы для воспроизводимого запуска.

Лаборатория сверхинтеллекта Meta выпустила Muse Spark 1.1 — мультимодальную модель рассуждения для агентных задач. По сравнению с первой Muse Spark она заметно улучшила работу с инструментами и компьютером, программирование и мультимодальное понимание, а также научилась координировать мультиагентные системы. Модель уже доступна в режиме «Рассуждение» в приложении Meta ИИ и на meta.ai. Одновременно Meta открыла публичный предварительный доступ к Meta Model API, через который разработчики могут подключаться к Muse Spark 1.1.

Компания Perceptron, основанная двумя бывшими исследователями Meta, представила Isaac 0.5 — передовую визуальную модель для промышленной автоматизации. Она помогает роботам воспринимать обстановку, рассуждать и действовать на складах и фабриках: читать маркировку, анализировать расположение коробок, выбирать предметы и планировать последовательность действий. Модель выпускается как открытая: её параметры и материалы обучения доступны для проверки. Perceptron обучала Isaac 0.5 на миллионе часов видео и планирует применять её в производстве, логистике, складской работе, безопасности, сфере мобильности, медиа и развлечениях.

Можно ли сделать слабую модель заметно умнее прямо во время работы, не меняя её изнутри? Исследователи показывают, что сильная модель может собрать для слабой понятную «обвязку»: она задаёт порядок шагов, перекладывает шаткие рассуждения в чёткие правила и следит, чтобы ответ был в нужном виде. За счёт этого слабая модель начинает ошибаться реже не потому, что её доучили, а потому, что ей лучше организовали сам процесс решения. В обзоре разберём, как сильная модель помогает слабой без переобучения, за счёт чего это работает на практике и почему иногда важнее не менять саму модель, а правильно выстроить её работу.

Можно ли научить ИИ писать и рассуждать лучше, если превратить обучение в игру про шпиона? Исследователи предлагают способ, при котором модель сама получает понятный сигнал, справилась она или нет, даже в задачах без одного точного ответа — вроде пересказа текста или свободного письма. Для этого несколько ИИ-агентов делают одно и то же задание, но одному дают особую роль, а остальные потом пытаются вычислить «шпиона» по его ответу. Если его легко распознали, значит текст или ход мысли выдали слабое место, и модель может на этом учиться дальше. В этом обзоре разбираем, как игра с тайной ролью помогает ИИ улучшать тексты, рассуждения и обучение без постоянной опоры на оценку человека.

Может ли ИИ не только отвечать, но и понимать, где он ошибается, чего не знает и как ему лучше думать дальше? Авторы собрали большой обзор о том, что происходит, когда модель учат следить за собственными мыслями и шагами. Речь о способности не просто выдавать ответ, а замечать сомнения, проверять себя, выбирать более удачный путь решения и понятнее объяснять ход рассуждений. Такой подход помогает лучше понять, насколько ИИ надёжен в реальных задачах и где его уверенность может быть ложной. В этом обзоре разбираем, как ИИ учат оценивать себя, проверять свои ответы, видеть пробелы в знаниях и зачем всё это нужно для более разумных и предсказуемых систем.

Оказалось, что для ИИ иногда важнее не лучше думать, а лучше помнить. Исследователи предлагают учить модель не только решать задачу, но и самой разбираться со своей памятью: что сохранить, когда к этому вернуться и как разложить знания так, чтобы потом не потеряться. Для этого команда дала ИИ право управлять своими записями и отдельно улучшала две вещи: как устроена сама память и насколько умело модель ею пользуется. В итоге даже без изменений в самом способе рассуждать ИИ начинает заметно лучше справляться с длинными и запутанными задачами. В этом обзоре разбираем, почему умение обращаться с памятью можно развивать отдельно, как ИИ учат на его собственных удачных решениях и что это меняет для сложных задач, где ошибка может аукнуться намного позже.

В робототехнике есть старая боль: даже сильные визуальные и языковые модели неплохо рассуждают о сцене, но иногда плохо справляются с тем, чтобы действовать в физическом мире. В быту это выглядит просто: «подвинь кружку на 10 сантиметров вправо» или «лей воду над цветами на высоте 1–5 см». Для…

Мы привыкли думать, что reasoning-модели сильнее просто потому, что они пишут более длинные рассуждения и тратят больше вычислений перед ответом. В работе Reasoning Models Generate Societies of Thought авторы предлагают более любопытное объяснение: такие модели не только «думают дольше», они…

В последние пару лет обучение рассуждению LLM делают через Reinforcement Learning with Verifiable Rewards (RLVR): модель решает задачу, получает награду, которую можно строго проверить, и постепенно начинает рассуждать лучше - так не нужно размечать цепочки рассуждений, достаточно уметь…

Сегодня LLM умеют многое: объяснять сложные темы, писать код, держать длинную нить рассуждений. Но наука — это не только вызубрить ответы. Это исследовательский цикл: разобраться в литературе, придумать гипотезу, проверить ее экспериментом, а потом честно интерпретировать результаты и…

В последние пару лет большие рассуждающие модели (LRM) заметно подтянулись в олимпиадной математике. На задачах уровня AIME (Американский Инновационный Математический Экзамен) им часто хватает одного длинного «прогона» рассуждений: модель пишет цепочку мыслей, проверяет ответ, иногда делает пару…

Когда мы просим модель рассуждать, она делает это с помощью слов в случае текста или с помощью статичной сцены в случае картинки. Однако окружающий мир не является статичным: объекты могут перемещаться, а правила часто складываются только по их поведению во времени. Авторы предлагают…

Автономные агенты всегда используют вызовы других инструментов. Однако, почти все популярные агентные фреймворки делают это в строгой последовательности. Агент думает и на каждый шаг вызывает нужный инструмент, ждёт результат и смотрит, что делать дальше. Такой сценарий удобен для контроля за…

LLM-агенты умеют рассуждать, но этого недостаточно в решении реальных задач. Необходимо уметь вызывать сторонние инструменты, справляться с длинными сценариями и оставаться автономными на протяжении десятков шагов. Этому мешают строгие пайплайны с фиксированными режимами и классические подходы…

За последние два года стало ясно: многие приложения на базе больших языковых моделей лучше учатся не через дообучение весов, а через заботливую работу с контекстом. В контекст мы кладем системные инструкции, шаги рассуждений, примеры, доменные правила, факты, даже подсказки по работе с…

Большие модели рассуждений (Large Reasoning Models, LRM) сегодня не просто отвечают, а разворачивают длинные цепочки размышлений. Это помогает им решать более сложные задачи, но создает новую проблему: как понять структуру этих рассуждений и насколько они напоминают человеческое мышление.…

Большинство открытых исследований по глубокому поиску работают по простому принципу: складывать всё найденное в одно большое окно контекста. С каждым шагом туда летят новые выдержки, ссылки, заметки. В итоге полезное тонет в шуме, ранние ошибки остаются навсегда, а место для размышления…

Автоматизация интерфейсов на экране — мечта многих: открыть приложение, найти нужную кнопку, выполнить серию шагов и довести задачу до конца. Сегодня это делают агенты на базе больших языковых моделей, которые умеют видеть скриншоты, рассуждать и действовать. Но когда дело доходит до…

Задачи на рассуждение — больное место многих ИИ-систем, даже если у них хорошие фактические знания. Новая работа показывает, что усиление через RL (Reinforcement Learning, обучение с подкреплением) не просто повышает точность, а перестраивает внутреннюю логику модели: появляется иерархия от…

Большие языковые модели (LLM) уже неплохо рассуждают, но настоящая ценность появляется, когда они умеют делать что‑то за пределами генерации текста: обращаться к базам данных, вызывать API, считать, ходить в веб‑браузер. Здесь появляются трудности: у разных провайдеров разные интерфейсы,…