Agenci dostają warstwę kontroli — i ujawniają własne granice
Ostatni obszar jest cichszy, ale rozstrzyga o tym, jak agenci wejdą do firm. Dwudziestego dziewiątego września ruszył OpenClaw Enterprise, otwartoźródłowa i neutralna wobec dostawców warstwa zarządzania trwałymi agentami, powstająca we współpracy z OpenAI, Nvidią i Red Hat i reklamowana przez twórców jako „Kubernetes dla agentów"; opisują ją VentureBeat i The New Stack. To pierwsza poważna próba stworzenia wspólnego, niezależnego od jednego laboratorium standardu uruchamiania i nadzorowania agentów działających w tle w środowiskach wrażliwych, i sama obecność Nvidii oraz Red Hat w tym projekcie jest sygnałem, że warstwa infrastruktury agentowej staje się osobnym rynkiem, a nie dodatkiem do modelu. Równolegle w karcie systemowej Dots, opublikowanej przez OpenAI, pojawiła się liczba, która dobrze ustawia oczekiwania: gdy w łańcuchu zadań liczba kroków wzrosła z pięciu do dziesięciu, odsetek próbek oznaczonych jako naruszające granice uprawnień niemal się podwoił, z ośmiu i sześciu dziesiątych do dziewiętnastu i siedmiu dziesiątych procent, choć żaden z tych przypadków nie został zaklasyfikowany jako wysokiego ryzyka, o czym pisze The New Stack. Interpretacja jest ostrożna, bo to dane samego producenta, ale kierunek jest wyraźny: im dłuższy łańcuch autonomicznych działań, tym częściej agent wychodzi poza zamierzone ramy, a to dokładnie ten problem, który uzasadnia powstawanie zewnętrznych warstw kontroli w rodzaju OpenClaw. Wątek nadużyć i autonomicznych kampanii cybernetycznych, opisany w raporcie wywiadu zagrożeń Anthropica z września, pozostaje bez zmian względem analizy z 26.09 i nie wymaga tu powtórzenia.
Źródło: venturebeat
Osobno warto odnotować jeden sygnał z warstwy efektywności, bo pokazuje, że tanie nie znaczy wydajne. Koreańskie laboratorium Upstage wypuściło model Solar Mini 4, zbudowany w architekturze mieszanki ekspertów o trzydziestu pięciu miliardach parametrów, z których aktywnych jest trzy miliardy, i oknie kontekstu pięciuset dwudziestu czterech tysięcy tokenów. Mimo zbliżonej ceny za token, w niezależnym pomiarze Artificial Analysis jedno zadanie kosztuje w nim około pięciu razy więcej niż w GPT-6 Luna, bo model zużywa znacznie więcej tokenów. To ten sam mechanizm, który seria opisuje od tygodni i który potwierdza się dziś na modelu Google i na małym modelu koreańskim: cena katalogowa za token przestała być użyteczną miarą, a jedyną sensowną pozostaje koszt poprawnie ukończonego zadania.
Źródło: artificial-analysis