Новости AI

Anthropic продолжает ускорять цикл релизов: Claude Opus 4.8 вышел 28 мая и показал значительный прирост в математических и инженерных бенчмарках.

Основные улучшения: модель достигает 92% на MATH (против 86% у Opus 4.7) и впервые превосходит экспертов-людей в задачах на доказательство теорем. В программировании SWE-bench Verified поднялся до 72%.

Для бизнеса: возможность делегировать модели формальную верификацию кода и сложный математический анализ. Цена осталась $15/$75 за миллион токенов.

Ключевой сигнал: цикл обновления frontier-моделей сократился до 4–6 недель. Компаниям нужно проектировать AI-инфраструктуру с расчётом на непрерывные апгрейды.

Источник: Anthropic Blog ↗

YouTube объявил о запуске системы автоматического детектирования AI-контента. С июня 2026 года все загружаемые видео будут проходить проверку и при обнаружении AI-генерации — получать ярлык «Создано с использованием ИИ».

Технология основана на комбинации watermark-анализа (стандарт C2PA) и собственных детекторов Google. По данным YouTube, уже сейчас около 12% загружаемого контента содержит AI-сгенерированные элементы.

Для бизнеса это важный сигнал: маркировка AI-контента становится индустриальным стандартом. В РФ аналогичные требования вступают в силу с 1 июля 2026 года.

Источник: MacRumors ↗

Anthropic анонсировала Claude Opus 4 — новую флагманскую модель, которая устанавливает новые рекорды в бенчмарках reasoning, coding и мультиязычности.

Ключевые улучшения: прирост на 15–20% в сложных математических задачах (MATH, GSM8K) и значительно лучшая работа с длинным контекстом (до 200K токенов). В тестах на программирование (HumanEval, SWE-bench) результаты сопоставимы с опытным разработчиком.

Для бизнеса это возможность делегировать модели более сложные задачи: архитектурное проектирование, аудит кода и генерацию документации. Особенно важно улучшение в русскоязычном контексте.

Ценообразование осталось на уровне предыдущей версии: $15 за миллион входных токенов и $75 за миллион выходных.

Источник: Anthropic Blog ↗

С 1 июля 2026 года вступают в силу новые требования к использованию AI в бизнесе. Компании обязаны маркировать контент, созданный или существенно изменённый AI-системами, а также уведомлять клиентов о взаимодействии с AI, а не с человеком.

Что меняется: чат-боты и AI-ассистенты должны явно сообщать пользователю, что он общается с AI. Контент, созданный AI, должен содержать маркировку. За нарушение — штрафы до 300 000 рублей для юрлиц.

Как подготовиться: провести аудит всех AI-систем, внедрить механизмы маркировки, обновить пользовательские соглашения. Для on-premise решений требования смягчены — достаточно внутренней маркировки.

Источник: Интерфакс ↗

Anthropic анонсировала Claude Opus 4.7 — промежуточный релиз флагманской модели с фокусом на улучшение reasoning и математических способностей.

Ключевые улучшения: 86% на MATH (против 79% у Opus 4) и 68% на SWE-bench Verified. В задачах на логический вывод и формальную верификацию Opus 4.7 превосходит конкурентов на 12–15%.

Особенность релиза: улучшенное понимание длинных документов и способность отслеживать противоречия в юридических и финансовых текстах — надёжнее аудит контрактов и compliance-документов.

Важно: для российских компаний доступ через API ограничен — рекомендуется on-premise альтернатива (Llama 4 / DeepSeek V4).

Источник: Anthropic Blog ↗

Группа исследователей из MIT и Stanford опубликовала работу, демонстрирующую системные проблемы в бенчмарках AI-агентов. 80% тестов в популярных бенчмарках (SWE-bench, WebArena, GAIA) можно обойти без реального решения задачи.

Методы обхода: перебор ответов из тренировочного датасета, эксплуатация шаблонов в формулировках задач и использование метаданных, случайно попавших в тестовые примеры.

Значение для бизнеса: не стоит слепо доверять бенчмаркам при выборе AI-решения. Высокий процент на SWE-bench не гарантирует, что агент справится с реальной кодовой базой. Единственный надёжный критерий — пилотное тестирование на ваших данных.

Источник: ArXiv / MIT ↗