Меньше ошибок, больше контекста и адаптивного общения 🤖

OpenAI представила GPT‑5 — свою самую продвинутую языковую модель. Она поддерживает до 400 000 токенов контекста, что позволяет:

🔘 обрабатывать длинные входные данные
🔘 строить глубокие многошаговые рассуждения
🔘 учитывать контекст для точных и непротиворечивых ответов на протяжении всего диалога

Новая версия лучше исправляет сложные баги, оптимизирует запросы (например, в Stripe), работает с фоновыми и параллельными агентами. OpenAI также интегрировала GPT‑5 в Cursor AI (среда для разработки), и команда уже использует его для сложных инженерных задач — от генерации кода до работы с репозиториями и protobuf.

AI демонстрирует рекордные результаты (по сравнению с прошлой версией) на SWE‑bench Verified (74,9 %) и Aider Polyglot (88 %) — бенчмарках для многоязычного кода. Она справляется с задачами по фронтенду, дизайн-системам и навигации по большим кодовым базам.

На медицинском бенчмарке HealthBench Hard она набрала 46,2 %, продемонстрировав способность объяснять медицинские термины и задавать пользователю уточняющие вопросы.

GPT‑5 также стала точнее при работе с фактами:

🔘 допускает на ~45% меньше фактологических ошибок, чем GPT‑4o
🔘 галлюцинирует в 6 раз реже (по данным LongFact и FActScore)

Результаты на популярных бенчмарках:

🔘 GPQA (вопросы уровня PhD): 88,4 %
🔘 AIME (математическое соревнование): 94,6 %
🔘 MMMU (визуальные задачи): 84,2 %
🔘 Tau2‑bench (инструменты и функции): до 96,7 %

Интерфейс сделали более гибким. Модель адаптируется под стиль работы пользователя и поддерживает новые режимы общения — Cynic, Robot, Listener и Nerd.

Всего пользователям доступны пять версий GPT‑5:

🔘 стандартная gpt-5-main
🔘 ускоренная версия gpt-5-main-mini
🔘 «размышляющая» gpt-5-thinking
🔘 продвинутая reasoning-модель gpt-5-thinking-pro
🔘 компактная gpt-5-thinking-nano для быстрого решения сложных задач

Если GPT‑4 был умным собеседником, способным ответить почти на любой вопрос, то GPT‑5 — уже полноценный соисполнитель. Он не просто подсказывает, а выполняет конкретные задачи: генерирует приложения, помогает с кодом, документами и исследованиями. Модель стала самостоятельнее, точнее и ещё ближе к общему AI (AGI).

🔥 — побежали тестировать новинку

Свежая публикация: AI-инсайды из Шанхая 🔥

Андрей Белевцев, старший вице-президент и руководитель блока «Технологическое развитие» Сбера, рассказал о трендах с World Artificial Intelligence Conference (WAIC) в Шанхае.

Что выделили на конференции:

🔘 Рост значимости AI-агентов и мультиагентных систем
🔘 Усиление человеческих возможностей через Intelligence Augmentation
🔘 Популяризацию робототехники и Embodied AI
🔘 Развитие AI Governance — от этики и безопасности до госрегулирования

Подробности — здесь ⬅️

🔥 — за технологии без границ

«Лето» искусственного интеллекта — так специалисты называют периоды активного развития нейросетей.

Похоже, сейчас самый разгар: регулярно выходят новые приложения и модели для разных сфер и нужд. Они во многом меняют устоявшиеся годами подходы к решению тех или иных задач в жизни.

Как внедрить нейросети в повседневную рутину? Какие направления AI-разработки наиболее востребованы? Отвечают эксперты Сбера в новом выпуске подкаста «Короче».

В беседе участвуют:

🔘 Сергей Марков — директор по развитию технологий искусственного интеллекта, начальник Управления экспериментальных систем машинного обучения Сбера
🔘 Анна Овчинникова — старший управляющий директор, директор Управления привлечения талантов Сбера
🔘Мария Командная — журналист и предприниматель
GigaChat — автор сценария выпуска

❤️ — если было познавательно
👍 — если нейросети помогают вам строить карьеру

Российские учёные придумали, как ускорить обучение распределённых AI-систем ⚡️

Cпециалисты Сбера вместе с коллегами из МФТИ представили метод, который ускоряет обучение распределённых и федеративных ML-моделей. Он сокращает время на синхронизацию устройств в распределённых системах обучения AI-моделей.

В чём суть?

Модели с миллиардами параметров часто обучают на распределённых кластерах, где данные делятся между устройствами. В таком случае много времени тратится на обмен информацией между ними. Если передача данных медленная или происходит с задержками, то распределённое обучение перестаёт быть выгоднее и эффективнее, чем централизованное.

Что предлагают учёные?

Гомогенные (похожие) данные объединяются в единый алгоритм. В сочетании с техниками сжатия данных метод позволяет реже синхронизировать устройства с сервером, сохраняя при этом качество модели. Тесты показали, что при правильной настройке можно значительно сократить время обучения без потерь в точности.

Наша работа открывает новые возможности для масштабирования искусственного интеллекта и будет полезна организациям, которые работают с большими распределёнными системами

— Глеб Гусев, директор Центра практического искусственного интеллекта Сбера

Новый метод ускоряет обучение больших AI-моделей и подходит для финансов, телекоммуникаций и промышленности. Он будет особенно эффективен для задач с ограниченными ресурсами, например, в сетях с edge-устройствами.

❤️ — за российскую науку и инновации!

Как создать агента с нуля 🔥

Давно хотите создать агента для своих задач, но не знаете как? У команды GigaChain есть решение. Разработчики опубликовали пошаговый гайд по созданию ReAct-агентов с помощью фреймворка LangGraph.

Что такое ReAct

ReAct — это паттерн поведения LLM-агентов, при котором пошаговые рассуждения чередуются с наблюдениями и действиями. Это позволяет агенту работать автономно. Для этого современные агенты подключают внешние инструменты. Модель выдаёт запрос в виде JSON-объекта. А фреймворк в основе агента вызывает соответствующую функцию в коде.

«Академическая работа ReAct: Synergizing Reasoning and Acting in Language Models создавалась, когда LLM были сильно глупее и не умели вызывать тулзы. Реализация подхода в оригинальной статье и в актуальных фреймворках для разработки агентов существенно различается. И этот момент особо не подсвечивается в материалах ни на русском, ни на английском языке», — пишет Сергей Тращенков из команды GigaChain

Чем примечателен LangGraph

LangGraph позволяет создавать сложных агентов с памятью и восприятием контекста, а также мультиагентные системы. Он собирает процессы с параллельными ветками задач в граф с циклами. Получается интерпретируемая схема. В отличие от агентов, построенных на базе другой популярной библиотеки — LangChain, такую структуру легко настраивать и расширять.

Из гайда вы узнаете:

🔘 как ReAct-агенты перешли от парсинга текста к tool calling
🔘 чем отличаются LangGraph и LangChain и для каких задач они подходят
🔘 как собрать агента с нуля
🔘 как настроить вызов инструментов, память и поиск — в гайде есть пример готового кода

Читайте материал по этой ссылке и быстрее пробуйте!