ИИ новости: 15 октября 2026

Фундаментальные тренды

Mistral выпустила Timestral: ИИ прогнозирует спрос и работу оборудования без мощных видеокарт

15 октября французская компания Mistral AI представила Timestral — первое семейство своих фундаментальных моделей для прогнозирования временных рядов. В отличие от привычных языковых моделей, которые генерируют текст, Timestral предназначена для анализа числовых показателей, меняющихся во времени: потребления энергии, спроса на товары, показаний промышленного оборудования, загрузки вычислительных систем и финансовых потоков. Компания выпустила четыре версии с 5, 28, 123 и 209 млн параметров. По опубликованным результатам, старшая модель заняла первое место среди предварительно обученных моделей, работающих без дополнительного обучения на целевых данных, по пяти показателям трёх открытых испытательных наборов: GIFT-Eval, TIME и fev-bench. Это заявление разработчика, основанное на сравнительных испытаниях, а не универсальная гарантия превосходства при любом промышленном прогнозировании. Главное событие заключается в выпуске специализированных моделей, которые можно применять без создания собственной системы машинного обучения с нуля.

Одна из наиболее заметных особенностей Timestral — небольшие вычислительные требования. По данным Mistral, все четыре модели способны выполнять прогнозирование на обычных центральных процессорах без обязательного использования графических ускорителей. В приведённом компанией испытании на серверном процессоре с восемью потоками самая маленькая версия обрабатывала задачу прогнозирования на сутки вперёд по трёхнедельной истории с интервалом измерений 15 минут примерно за 10 миллисекунд. Старшей модели требовалось около 140 миллисекунд. Эти значения относятся к конкретной конфигурации, горизонту прогнозирования и объёму данных: они не означают одинаковой скорости при любом количестве датчиков или любом размере задачи. Разработчик также сообщает, что версия с 28 млн параметров превосходит значительно более крупную Chronos-2 на наборах GIFT-Eval и TIME, а модель с 209 млн параметров обходит TimesFM-3 и Falcon-2.0 при меньшем числе параметров. Полный технический отчёт с результатами компания обещает опубликовать позднее.

Принципиальное отличие Timestral от многих классических методов состоит в предварительном обучении на разнообразных временных последовательностях. Традиционные статистические модели часто настраиваются отдельно под каждый показатель. Timestral пытается переносить ранее изученные закономерности на новые ряды без специального обучения для каждой новой задачи. Модель поддерживает одновременный анализ нескольких взаимосвязанных показателей. Например, повышение температуры промышленного агрегата можно рассматривать вместе с изменениями вибрации, давления и производственной нагрузки. Кроме того, алгоритм учитывает дополнительные факторы: прошедшие события, заранее известные графики работы, календарные признаки и плановые остановки оборудования. Это позволяет отличать ожидаемые изменения из-за расписания от потенциально необычного поведения системы. Прогнозирование выполняется не только в виде одной цифры: Timestral формирует 21 квантиль, позволяющий оценивать диапазон возможных значений и связанную с прогнозом неопределённость.

Разработчики описали несколько архитектурных решений, обеспечивающих такую работу. Механизм Decoupled Horizon Forecasting сохраняет доступ к полной наблюдаемой истории при построении будущих прогнозов, не смешивая её с неизвестными значениями. Отдельный механизм внимания учитывает роль каждого входного ряда: целевой показатель, дополнительную информацию только из прошлого либо фактор, будущие значения которого уже известны. Это особенно важно для исключения утечки фактических будущих значений целевого показателя в процессе оценки модели. Большая часть данных предварительного обучения была синтетической: исследователи создавали последовательности с трендами, сезонностью, шумами и взаимосвязями между переменными. Затем модель дополнительно обучали на смеси реальных и искусственно созданных данных. Максимальная длина контекста составляет 32 768 временных шагов. Такой подход позволяет обучать универсальные закономерности, не ограничиваясь историей одного предприятия, но не устраняет необходимости проверять модель на реальных отраслевых данных.

Timestral доступна для самостоятельного запуска: Mistral опубликовала программный репозиторий, а модели распространяются на условиях модифицированной лицензии MIT. Предусмотрены развёртывание на собственном оборудовании, в частной облачной среде и в изолированных инфраструктурах без доступа к интернету. Для организаций, которым нужна адаптация к специфическим данным, компания предлагает дополнительное обучение через Mistral Forge. При этом работающий прогноз не следует путать с автономным управлением производством: решения об остановке оборудования, закупках или финансовых операциях требуют отдельных правил и проверки. В отличие от исследования Microsoft Research от 14 октября, где ИИ исправлял ошибки уже существующих погодных прогнозов, Timestral представляет собой самостоятельное семейство универсальных моделей для числовых временных рядов. Главный фундаментальный результат — разработчик показал возможность сочетать предварительное обучение на разнообразных данных, вероятностные прогнозы и сравнительно небольшие вычислительные требования. Для промышленности и бизнеса это открывает путь к более доступным системам прогнозирования, однако заявленные преимущества ещё предстоит подтверждать независимыми испытаниями на конкретных задачах.

Источник: mistral.ai

Риски и контроль

Anthropic допустила независимых проверяющих внутрь компании: шесть специалистов METR получили доступ к системам оценки рисков ИИ

15 октября Anthropic объявила о запуске нового формата независимой проверки безопасности передовых моделей искусственного интеллекта. Шесть сотрудников некоммерческой исследовательской организации METR получили доступ к внутренним инструментам и системам компании, сопоставимый с доступом собственных специалистов Anthropic по оценке рисков. Для них предоставлены рабочие места и корпоративное оборудование. В отличие от традиционной внешней проверки, когда разработчик передаёт аудиторам ограниченный набор результатов испытаний, специалисты METR смогут изучать процессы оценки рисков изнутри. Anthropic заявляет, что проверяющая организация получит право публиковать собственные выводы об опасных возможностях моделей, происшествиях и практике обеспечения безопасности. Это уже начатое сотрудничество, а не только обещание пригласить независимых экспертов в будущем. При этом доступ не является полностью неограниченным: отдельные категории конфиденциальной информации остаются закрытыми.

Главная проблема, которую пытается решить Anthropic, заключается в неравенстве доступа к информации. Разработчики передовых моделей знают существенно больше внешних исследователей о проведённых испытаниях, выявленных опасных возможностях, применяемых защитных механизмах и внутренних инцидентах. Поэтому независимый эксперт, получивший только публичную версию отчёта, не всегда способен самостоятельно проверить полноту сделанных выводов. Anthropic сравнивает предложенный подход с практикой банковского надзора, когда проверяющие работают непосредственно внутри крупных финансовых организаций. Компания подчёркивает три необходимых условия содержательной внешней оценки: профессиональную компетентность проверяющих, независимость от разработчика и достаточный доступ к информации вместе с возможностью обнародовать результаты. По заявленным правилам, проверяющие не должны владеть долей в оцениваемой компании или находиться от неё в финансовой либо операционной зависимости. Само присутствие внешних специалистов, однако, ещё не доказывает эффективность аудита: её предстоит оценивать по опубликованным исследованиям и качеству обнаруженных проблем.

Anthropic установила конкретные границы предоставленного доступа. Шесть специалистов METR работают по отдельным соглашениям и могут пользоваться внутренними системами и инструментами примерно на уровне штатных команд оценки рисков. При этом им ограничен доступ к клиентским данным, сведениям, защищённым адвокатской тайной, и отдельной информации об архитектуре моделей. Компания объясняет ограничения необходимостью защищать пользователей, коммерческие сведения и технические данные, которые могут представлять интерес для злоумышленников. Anthropic не вправе полностью запретить публикацию выводов METR, но может потребовать удалить из текста сведения, относящиеся к заранее определённым закрытым категориям. Проверяющие, в свою очередь, могут публично сообщить о таких изъятиях и оценить их обоснованность, не раскрывая саму защищённую информацию. Это существенное отличие от ситуации, когда разработчик единолично решает, какие результаты внешнего исследования разрешено публиковать.

Компания также представила трёхуровневую систему сотрудничества с независимыми организациями. На первом уровне проверяющие выполняют ограниченные исследования, а публикация результатов требует согласования Anthropic. На втором они получают более широкий доступ и право публиковать выводы без предварительного разрешения, хотя определённые конфиденциальные сведения по-прежнему подлежат исключению. Третий уровень предусматривает доступ, сопоставимый с доступом сотрудников, и именно к нему относится сотрудничество с METR. Другие направления развиваются постепенно. Некоммерческая организация SecureBio находится на первом уровне и проверяет раздел августовского отчёта Anthropic, посвящённый химическим и биологическим угрозам. С Accenture и Faculty компания работает над сотрудничеством в области испытаний моделей, проверки защитных механизмов и исследования соответствия поведения ИИ заданным требованиям. Anthropic также сообщила о предварительных переговорах с другими организациями, включая Hugging Face. Все эти проекты находятся на разных стадиях, поэтому некорректно считать, что каждый партнёр уже получил такой же доступ, как METR.

Для мировой индустрии ИИ событие означает практический эксперимент с моделью внешнего надзора над разработчиками наиболее мощных систем. По мере роста самостоятельности ИИ-агентов одной публикации внутренних тестов становится недостаточно для убедительного подтверждения безопасности. Независимые специалисты должны иметь возможность изучать не только итоговые показатели, но и методики испытаний, обнаруженные инциденты, ограничения защиты и обоснование решений о выпуске моделей. Вместе с тем предложенная схема остаётся добровольной корпоративной инициативой, а не государственной инспекцией с установленными законом полномочиями. Anthropic по-прежнему определяет границы некоторых категорий доступа, поэтому вопрос реальной независимости и полноты наблюдения не исчезает. В отличие от публикации 14 октября о многоэтапных политических злоупотреблениях Claude, новое событие касается не отдельной обнаруженной уязвимости, а устройства самой системы контроля рисков. Главный вывод: проверка безопасности передового ИИ постепенно переходит от публичных заверений разработчиков к более глубокому доступу внешних специалистов, но её результативность ещё необходимо подтвердить практикой.

Источник: www.anthropic.com

Где ИИ становится продуктом

Workday превращает кадровую и финансовую систему в ИИ-помощника, который выполняет поручения сотрудников

13 октября на конференции Workday Rising 2026 в Лас-Вегасе американская Workday объявила о превращении Sana в новый главный интерфейс своей корпоративной платформы. Вместо привычного набора меню и отдельных приложений сотрудникам предлагается взаимодействовать с системой на естественном языке. ИИ-помощник должен не только находить информацию, но и координировать специализированных агентов, способных выполнять разрешённые действия в кадровых, финансовых и информационных процессах. Компания также представила Sana Concierge — отдельного помощника для типовых обращений сотрудников в кадровые и технические службы. Важное различие заключается в стадии доступности: новый интерфейс Workday Home уже доступен, тогда как Sana Concierge пока предоставляется клиентам раннего доступа. Его широкая доступность ожидается в первом календарном квартале 2027 года. Следовательно, речь идёт одновременно о состоявшемся продуктовом обновлении и о дополнительных возможностях, развёртывание которых ещё продолжается.

Практическая задача Workday заключается в устранении разрыва между запросом сотрудника и его выполнением. В традиционной корпоративной системе человеку приходится самостоятельно выбирать разделы, искать нужную форму, вводить сведения и следить за статусом согласования. Sana предлагает другую последовательность: сотрудник описывает желаемое действие обычными словами, после чего система определяет подходящие функции и подключает необходимые инструменты. Среди заявленных сценариев — оформление отпуска, адаптация нового работника, обращение за технической помощью и восстановление доступа к учётной записи. Sana Concierge предназначен для обработки части таких обращений до создания заявки в службу поддержки. Это потенциально уменьшает объём ручной маршрутизации запросов и повторяющихся операций. Однако объявление не содержит независимых данных о том, какую долю обращений агент уже успешно разрешает у всех клиентов или сколько рабочего времени удалось сэкономить благодаря новому интерфейсу.

Отдельное направление связано с многоэтапной работой в кадровом управлении и финансах. Workday представила агентов Autopilot, которые предназначены для регулярного выполнения разрешённых операций при подборе персонала, расчёте заработной платы, бухгалтерском учёте и контроле соблюдения требований. Например, агент подбора персонала может проверять открытые вакансии и помогать рекрутерам находить подходящих кандидатов, а финансовые агенты — сопровождать повторяющиеся процессы, требующие обращения к корпоративным данным. Ключевой элемент предложения состоит в использовании действующих правил компании: прав доступа, внутренних политик и процедур согласования. Это не означает, что агентам разрешено самостоятельно принимать любые кадровые или финансовые решения. Workday позиционирует их как исполнителей строго определённых действий, которые должны оставаться в рамках установленных полномочий. Стадии доступности конкретных агентов различаются, поэтому объявленные сценарии нельзя автоматически считать внедрёнными во всех организациях.

Компания также объявила о расширении возможностей подключения Sana к внешним рабочим инструментам, включая Claude, Gemini Enterprise, Microsoft Copilot, Microsoft Teams и Slack. Предполагается, что сотрудник сможет обращаться к возможностям Workday непосредственно из привычной коммуникационной среды, не переходя каждый раз в отдельную кадровую или финансовую систему. При таком взаимодействии должны сохраняться корпоративные ограничения, установленные для операций в Workday. Однако интеграции, представленные как дальнейшее расширение платформы, необходимо отличать от уже доступного интерфейса Workday Home. Само объявление о поддержке внешнего помощника не подтверждает готовность всех соединений у каждого корпоративного клиента. Для реального внедрения потребуются настройка идентификации пользователей, сопоставление полномочий, подключение данных и проверка корректности выполнения действий. Особенно существенен контроль операций, влияющих на заработную плату, персональные данные и финансовую отчётность.

Для мировой индустрии искусственного интеллекта событие показывает переход от отдельных чат-ботов к встроенным корпоративным исполнителям. Workday располагает системой, в которой уже находятся кадровые сведения, финансовые документы, бизнес-процессы и правила согласования. Использование ИИ поверх этой инфраструктуры потенциально позволяет превращать текстовые поручения в законченные операции без переноса всей информации в новую систему. Это отличается от новости Conga от 14 октября, посвящённой главным образом подключениям ИИ к договорам и коммерческим предложениям: Workday охватывает повседневную работу сотрудников с кадровыми, финансовыми и техническими процедурами. Основной коммерческий вопрос теперь заключается не в способности модели отвечать на вопросы, а в том, насколько надёжно она завершает работу в рамках полномочий пользователя. Успех обновления следует оценивать по времени решения обращений, количеству ошибок, доле успешно завершённых операций и удовлетворённости сотрудников. Новый интерфейс уже представлен, но масштаб его практического эффекта ещё требует подтверждения в эксплуатации.

Источник: newsroom.workday.com; investor.workday.com; investor.workday.com

Архитектура и технологии внедрения

NVIDIA представила Nemotron 3.5 Super VL: ИИ-агент с 120 млрд параметров работает до пяти раз быстрее конкурентов

15 октября NVIDIA представила технические подробности Nemotron 3.5 Super VL — открытой мультимодальной модели, предназначенной для создания специализированных ИИ-агентов. Модель объединяет понимание текста, изображений, документов и видео с логическими рассуждениями, программированием и использованием внешних инструментов. Её архитектура содержит 120 млрд параметров, однако при обработке каждого токена активируется около 12 млрд. Благодаря такому устройству система сочетает возможности крупной модели со сравнительно умеренной стоимостью вычислений. По результатам опубликованных NVIDIA испытаний, на одном графическом ускорителе Nemotron 3.5 Super VL обеспечивает до пяти раз более высокую производительность при выполнении агентных задач по сравнению с некоторыми другими открытыми моделями сопоставимого класса. Это сравнительный результат в определённых условиях, а не обещание пятикратного ускорения любого ИИ-приложения. Событие относится к инфраструктуре разработки и выполнения агентных систем, поскольку NVIDIA представила не только модель, но и способы её настройки, оптимизации и развёртывания.

Главная архитектурная особенность Nemotron 3.5 Super VL — смесь экспертов, или Mixture of Experts. Вместо постоянного использования всех параметров система активирует лишь часть специализированных компонентов для обработки очередного фрагмента информации. Это позволяет уменьшать вычислительную нагрузку, сохраняя значительную общую ёмкость модели. В отличие от архитектуры, при которой текстовые запросы обрабатываются одной нейросетью, изображения — другой, а результаты затем объединяются отдельным программным механизмом, Nemotron способна работать с несколькими видами данных в рамках единого процесса. Например, корпоративный агент может изучить таблицу, сопоставить её с графиком, прочитать сопроводительный документ и вызвать программный инструмент для проверки расчёта. Для разработчиков это потенциально сокращает количество компонентов, соединений и промежуточных преобразований данных. Однако единая модель не отменяет необходимости проверять достоверность извлечённой информации и правильность выполненных действий.

NVIDIA опубликовала результаты нескольких прикладных оценок. В испытании Hermes Bench Nemotron 3.5 Super VL получила 63,44% против 56,33% у Nemotron 3 Ultra. В оценке поведения агентов LangChain результат составил 87,05% против 84,3% соответственно. Это показывает, что специализированная модель может превосходить более крупную систему в отдельных агентных сценариях, хотя данные двух испытаний нельзя переносить на все виды задач. В тесте понимания графиков CharXiv модель достигла 80,8%, а с применением интерпретации программного кода на Python — 84%. Для сравнения NVIDIA приводит результат 63% у Nemotron 3 Nano Omni в том же испытании. Такие показатели важны для обработки финансовых отчётов, технической документации и аналитических материалов, где сведения распределены между текстом, таблицами и изображениями. Все сравнительные результаты необходимо рассматривать в контексте использованных методик и конфигураций.

Отдельное внимание уделено настройке модели под конкретные организации. Через библиотеки NVIDIA NeMo разработчики могут применять обучение на размеченных примерах, экономичную адаптацию LoRA и обучение с подкреплением. NVIDIA описывает случаи, в которых компании дополнительно обучали Nemotron на собственных рабочих процессах. Scale AI адаптировала модель для обработки документов по расчётам с поставщиками медиакомпании Skydance. По заявлению NVIDIA, для этого сценария ожидается снижение стоимости выполнения запросов в 40 раз и задержки в пять раз. Финансовая платформа Ramp использует модель для извлечения сведений из изображений чеков и рассчитывает получить до 50% большей пропускной способности и десятикратное сокращение задержки. Компания AI21 применила дополнительное обучение для задач анализа киберугроз и уязвимостей организации Alice; разработчик сообщает о повышении точности на 40%. Важно разграничивать заявленные результаты, ожидаемые показатели и независимо подтверждённый экономический эффект: приведённые цифры относятся к разным задачам и не образуют единого универсального теста.

Для ускорения выполнения NVIDIA использовала несколько технических решений: спекулятивное декодирование LiLiCorr, квантование NVFP4, предсказание нескольких токенов и повторное использование контекста при последовательных обращениях агента. В опубликованном примере с NVIDIA Dynamo разработчик сообщает о возможности обслуживать в восемь раз больше пользователей при заданной скорости генерации для каждого пользователя и сократить время до первого токена на 85%. Это показатели конкретной схемы обслуживания модели. Компания также подготовила варианты модели, включая исходные, дополнительно обученные и квантованные контрольные точки, вместе с инструкциями и материалами для адаптации. Разработчики могут использовать модель в собственных системах, в том числе на NVIDIA DGX Spark, либо обращаться к размещённым версиям через поддерживаемых поставщиков. Главный технологический смысл публикации заключается в сочетании мультимодальности, специализированного дополнительного обучения и оптимизации стоимости выполнения. В отличие от совместной работы NVIDIA и Siemens 14 октября, где улучшали инструменты вокруг неизменной модели, сегодняшняя публикация посвящена архитектуре самой модели и инфраструктуре её настройки. Для предприятий это открывает возможность создавать более быстрых специализированных агентов, но выбор конкретного решения должен опираться на испытания с реальными документами, нагрузкой, правилами доступа и требованиями к точности.

Источник: developer.nvidia.com

Финансы

Инвесторы договорились купить ИИ-платформу для страхования за $6,1 млрд: CCC уйдёт с биржи

15 октября американская CCC Intelligent Solutions объявила о подписании окончательного соглашения о продаже компании инвестиционному консорциуму во главе с GTCR при участии Elliott Investment Management. Стоимость сделки с учётом долга и других обязательств, то есть стоимость предприятия, составляет приблизительно 6,1 млрд долларов. CCC разрабатывает облачную программную платформу с искусственным интеллектом для автомобильного страхования, оценки повреждений, урегулирования страховых случаев и организации ремонта автомобилей. Инвесторы предложили акционерам 7,75 доллара наличными за каждую обыкновенную акцию. Эта цена приблизительно на 44% превышает котировку закрытия торгов 9 июля 2026 года — последнего торгового дня перед появлением сообщений о возможной продаже компании. Важно различать подписанное соглашение и завершённое приобретение: по состоянию на 15 октября стороны договорились об условиях, но деньги акционерам ещё не выплачены и CCC пока остаётся публичной компанией.

CCC занимает особое место в страховой отрасли, поскольку соединяет участников нескольких взаимосвязанных рынков. По собственным данным, её программная платформа обслуживает более 35 тысяч организаций, среди которых страховые компании, автомобильные ремонтные предприятия, производители машин и поставщики запасных частей. Когда происходит дорожно-транспортное происшествие, страховщику необходимо получить информацию о повреждениях, рассчитать стоимость ремонта, согласовать работы и обменяться документами с другими участниками процесса. Программные системы CCC помогают организовать эти операции. Компания сообщает, что использует технологии искусственного интеллекта в критически важных рабочих процессах более десяти лет и опирается на накопленные за четыре десятилетия отраслевые данные. Такое сочетание программного обеспечения, исторической информации и сети подключённых организаций представляет интерес для инвесторов: ценность решения определяется не только качеством отдельной модели, но и его положением в действующей инфраструктуре страхового рынка.

Сделка предусматривает выплату акционерам наличных средств, а не обмен их бумаг на акции покупателя. Предложенная цена также примерно на 59% превышает среднюю котировку CCC за 30 дней, рассчитанную на 9 июля 2026 года. Совет директоров компании единогласно одобрил соглашение. Однако приобретение должно получить необходимые разрешения регулирующих органов и одобрение акционеров. Ожидаемый срок завершения — первый квартал 2027 года. После закрытия сделки CCC должна стать частной компанией, а её акции перестанут торговаться на бирже Nasdaq. До этого момента она продолжит самостоятельную деятельность. Компания отдельно сообщила, что завершение сделки не зависит от получения нового финансирования, хотя выполнение остальных предусмотренных условий остаётся обязательным. Поэтому оценку в 6,1 млрд долларов нельзя выдавать за уже состоявшуюся продажу или фактически поступившие компании инвестиции.

Стратегический смысл приобретения связан с дальнейшим расширением ИИ-функций внутри страховых и ремонтных процессов. Руководство CCC заявило, что при поддержке GTCR и Elliott намерено развивать агентные возможности платформы, расширять сеть участников и инвестировать в новые продукты. Представители покупателей отдельно выделили накопленные отраслевые данные и сетевой эффект, возникающий благодаря взаимодействию страховщиков, ремонтных организаций, автопроизводителей и поставщиков деталей. Это позволяет рассматривать сделку как ставку не на универсальную нейросеть, а на специализированное программное обеспечение, которое уже используется в повседневных операциях отрасли. При этом в сообщении не приводятся новые независимые измерения точности ИИ при оценке повреждений, доли полностью автоматизированных страховых случаев или финансовой отдачи от будущих агентных функций. Заявления о дальнейшем ускорении развития платформы остаются планами инвесторов и руководства.

Для мирового рынка ИИ это важный пример того, как капитал оценивает зрелые отраслевые программные компании в эпоху интеллектуальной автоматизации. В отличие от привлечения Salience Labs 125 млн долларов 14 октября для развития ещё масштабируемой аппаратной технологии, в случае CCC речь идёт о соглашении на миллиарды долларов по приобретению действующего бизнеса с большой клиентской сетью. Инвесторы рассчитывают, что интеграция ИИ в существующие страховые операции увеличит полезность платформы и укрепит отношения с клиентами. Но финансовый успех такой стратегии будет зависеть от сохранения заказчиков, затрат на развитие продуктов, качества автоматизации и реальных результатов внедрения. Дополнительные риски связаны с разрешением сделки регуляторами и возможностью её незавершения. Главный финансовый вывод состоит в том, что для крупных инвесторов привлекательными становятся не только разработчики моделей и вычислительной инфраструктуры, но и специализированные платформы с доступом к отраслевым данным, действующими клиентами и возможностью внедрять ИИ непосредственно в оплачиваемые бизнес-процессы.

Источник: cccis.gcs-web.com

Инструменты и интеграции

GitHub запустила ИИ-агента для исправления уязвимостей: до 25 проблем за одно поручение

15 октября GitHub объявила о переходе Agentic Autofix — инструмента исправления уязвимостей программного обеспечения с помощью ИИ-агента — в стадию общей доступности. В отличие от обычного помощника, который предлагает программисту отдельный фрагмент исправленного кода, новая система самостоятельно изучает связанные файлы проекта, формирует изменения, повторно запускает анализ безопасности и создаёт черновик запроса на включение исправлений в основную кодовую базу. Возможность предназначена для корпоративных клиентов GitHub Code Security и GitHub Advanced Security на платформе GitHub Enterprise Cloud, включая вариант с хранением данных в выбранном регионе. Это не первый эксперимент с технологией: предварительная версия Agentic Autofix была представлена в июле 2026 года. Событие 15 октября заключается именно в завершении этапа предварительного доступа и официальном выпуске функции для поддерживаемых корпоративных клиентов.

Рабочий процесс начинается с обнаружения потенциальной уязвимости средствами проверки исходного кода. Администратор или разработчик выбирает предупреждение и назначает его GitHub Copilot. После этого агент исследует соответствующие файлы проекта, определяет возможную причину проблемы и предлагает изменения. Затем он повторно запускает анализатор CodeQL, чтобы проверить, устранено ли исходное предупреждение. Если результат не подтверждается, агент может пересмотреть исправление и выполнить дополнительную проверку. Завершённая работа оформляется как черновик запроса на изменение кода. В нём указываются причина исправления, выполненные действия и результаты проверки. Такой процесс отличается от простой генерации программного текста: ИИ получает возможность последовательно изучать проект, изменять несколько файлов и проверять собственную работу специализированным инструментом. Однако исчезновение предупреждения CodeQL не гарантирует отсутствие других уязвимостей или ошибок в изменённом программном обеспечении.

Важное нововведение касается работы с большим количеством предупреждений. GitHub позволяет выбрать до 25 уведомлений о проблемах безопасности и передать их агенту для подготовки исправлений в одном запросе на изменение кода. Это может быть полезно организациям, которые накопили значительное количество ранее обнаруженных уязвимостей и вынуждены распределять их исправление между разработчиками. Доступен также программный способ назначения работы через REST API GitHub: в запросе обновления предупреждения необходимо указать специальную учётную запись copilot-swe-agent[bot] в списке исполнителей. При этом действуют ограничения. Agentic Autofix поддерживает предупреждения сканирования кода в основной ветке репозитория. Проблемы, обнаруженные исключительно в отдельных рабочих ветках или в ещё не объединённых запросах на изменение кода, нельзя передавать агенту этим способом. Следовательно, функция не заменяет все существующие средства проверки безопасности программного обеспечения.

Для корпоративного внедрения предусмотрено несколько уровней управления доступом. Сначала администратор предприятия должен разрешить Agentic Autofix через соответствующую политику Advanced Security. Затем администратор организации или отдельного репозитория включает функцию в настройках Code Security. Кроме того, требуется настроенный способ оплаты использования GitHub Copilot. Когда функция активирована, прежнее бесплатное действие Generate Fix для отдельных предупреждений заменяется кнопкой Assign to Copilot. Это существенное изменение пользовательского процесса: исправление превращается из локальной подсказки в поручение облачному агенту. Разработчик сохраняет возможность изучить предложенные изменения, оставить замечания в запросе на включение кода или направить агенту дополнительные инструкции через раздел Agents. Сам агент не должен рассматриваться как самостоятельный орган утверждения изменений: окончательное принятие исправлений остаётся частью установленного порядка разработки.

Экономическая сторона обновления особенно важна для руководителей технических подразделений. GitHub прямо указывает, что Agentic Autofix расходует AI Credits из бюджета Code Security и минуты GitHub Actions. Затраты на интеллектуальное исправление отображаются в корпоративном разделе учёта использования ИИ в категории Advanced Security. Администраторы могут устанавливать отдельные бюджеты на соответствующий вид расходов. Поэтому компаниям необходимо сопоставлять стоимость работы агента с трудозатратами разработчиков и количеством действительно устранённых проблем. Официальное сообщение от 15 октября не приводит новой универсальной оценки экономии времени, процента успешно исправленных уязвимостей или стоимости одного исправления. Эти показатели будут зависеть от языка программирования, сложности проекта и характера ошибки. Главный практический вывод состоит в том, что GitHub переводит ИИ-исправление уязвимостей в управляемый корпоративный процесс: от предупреждения и назначения задания до машинной проверки, черновика изменения и человеческого согласования. В отличие от обновлений GitHub Copilot 12–13 октября, посвящённых телеметрии и применению корпоративных настроек, новое событие непосредственно автоматизирует выполнение технической работы и вводит отдельный учёт её стоимости.

Источник: github.blog

Возможности для бизнеса

Локальная система прогнозирования спроса и запасов без дорогих видеокарт

Выпуск Mistral Timestral открывает возможность создать специализированный сервис прогнозирования для небольших торговых, производственных и логистических предприятий. Компания представила семейство предварительно обученных моделей временных рядов с 5, 28, 123 и 209 млн параметров и заявила о возможности их запуска на обычных центральных процессорах. Для малого бизнеса это принципиально: вместо покупки дорогостоящих графических ускорителей или разработки собственной модели с нуля можно исследовать возможность использования готового алгоритма поверх имеющихся данных. Наиболее понятные задачи — прогнозирование спроса по товарам, потребности в закупках, сезонной загрузки склада, энергопотребления и производственных показателей. При этом опубликованные Mistral сравнительные результаты не доказывают, что Timestral обязательно окажется точнее действующих методов каждого предприятия.

Первый продукт можно ограничить анализом продаж и остатков. Предприятие выгружает историю продаж по дням, информацию об остатках, ценах, поступлениях и календарных событиях. Система проверяет полноту данных, выявляет периоды отсутствия товара и формирует вероятностный прогноз спроса на ближайшие недели. Вместо единственной цифры пользователь получает ожидаемое значение и диапазон возможных результатов, позволяющий оценивать риск дефицита или избытка запасов. Для проверки качества нужно сохранить существующий способ планирования как контрольный вариант и сравнить его с Timestral на последующих исторических периодах, не использовавшихся при настройке. Особенно важно отделять отсутствие продаж из-за низкого спроса от отсутствия продаж из-за пустого склада. Без такого разграничения даже технически качественная модель способна давать экономически вредные рекомендации.

Коммерческое предложение может начинаться с платной диагностики одного магазина или товарной группы, а после подтверждения эффективности расширяться до регулярного прогнозирования и интеграции с учётной системой. Критериями успеха должны стать уменьшение ошибки прогноза, снижение числа случаев отсутствия востребованного товара, сокращение избыточных запасов и измеримая экономия рабочего времени. Для контроля затрат необходимо учитывать стоимость подготовки данных, обслуживания модели и её обновления. Возможность локального выполнения особенно полезна клиентам, которые не хотят передавать коммерческие сведения внешним облачным сервисам. Однако запуск на собственном оборудовании сам по себе не гарантирует защиту данных: права доступа, резервное копирование и журналирование остаются необходимыми. Это предлагаемая бизнес-возможность, а не готовый продукт. Её отличие от идеи 14 октября о коррекции ошибок существующих прогнозов заключается в использовании самостоятельной предварительно обученной модели для построения прогноза.

Источник: https://mistral.ai/news/timestral/

Внедрение корпоративных ИИ-агентов с измерением результата и контролем полномочий

Объявление Workday показывает, что корпоративные системы начинают переходить от набора форм и меню к выполнению поручений на естественном языке. Одновременно публикации Anthropic и NVIDIA подтверждают важность контроля действий агентов, качества специализированных моделей и независимой проверки результатов. На пересечении этих направлений возникает возможность для небольшого интегратора: помогать организациям автоматизировать один конкретный рабочий процесс, не заменяя всю корпоративную информационную систему. Потенциальными заказчиками могут стать предприятия, в которых сотрудники регулярно обрабатывают заявки, проверяют документы, передают сведения между подразделениями или собирают информацию для руководителей. Основная ценность такого предложения заключается не в наличии разговорного интерфейса, а в доведении разрешённого поручения до проверяемого результата.

Минимальный проект следует строить вокруг одной повторяющейся операции. Например, сотрудник описывает проблему с внутренней заявкой, после чего агент находит связанные записи в разрешённых системах, проверяет статус документов и готовит проект ответа. На первом этапе ему предоставляется только доступ на чтение. Если впоследствии потребуется изменение данных, для каждого действия задаются отдельные разрешения, ограничения и правила согласования. Все обращения к инструментам фиксируются, а итоговый результат проверяется по заранее определённым условиям. Команда составляет набор реальных обезличенных примеров, в котором присутствуют обычные ситуации, ошибки исходных данных и попытки выполнить операцию за пределами полномочий. Для наиболее чувствительных процессов необходимо проверять не только отдельные команды, но и последовательность действий целиком. Такой подход учитывает риск, обнаруженный Anthropic при исследовании многоэтапных злоупотреблений.

Платную услугу можно разделить на обследование процесса, ограниченный пилот и сопровождение после внедрения. Для каждого этапа определяются показатели: доля завершённых задач, время обработки, количество исправлений человеком, стоимость выполнения и число нарушений установленных правил. Выбор базовой модели остаётся отдельным инженерным решением. Nemotron 3.5 Super VL может быть одним из кандидатов для задач с документами и изображениями, но заявленные NVIDIA преимущества необходимо проверять в условиях конкретного заказчика. Внедрение не должно предоставлять агенту неограниченный доступ к персональным сведениям, финансовым операциям или административным функциям. Это бизнес-гипотеза в области интеграции и контроля, а не существующая универсальная платформа. Успех будет определяться устойчивостью небольшого числа автоматизированных процессов, а не количеством подключённых моделей.

Источник: https://newsroom.workday.com/2026-10-13-Sana-Is-the-New-Workday-Home-A-Dynamic-Agentic-Experience-Built-to-Finish-the-Work%2C-Not-Just-Answer-Questions

Аудит уязвимостей и сопровождение автоматических исправлений кода

Переход GitHub Agentic Autofix в общую доступность создаёт практическую возможность для специалистов по сопровождению программного обеспечения и информационной безопасности. Теперь поддерживаемые корпоративные клиенты могут поручать ИИ-агенту изучение предупреждений о потенциальных уязвимостях, подготовку исправлений, повторный анализ CodeQL и создание черновика запроса на изменение кода. За одно поручение допускается обработка до 25 предупреждений. Для компаний с накопившимися проблемами безопасности это потенциально сокращает объём однообразной технической работы. Но наличие автоматического исправления не гарантирует сохранение правильного поведения программы и не означает, что агент заменяет опытного разработчика. Поэтому перспективным продуктом для независимого подрядчика становится не просто запуск функции GitHub, а управляемый процесс проверки и безопасного внедрения предложенных изменений.

Первый пилот можно предложить организации, которая уже использует подходящий корпоративный тариф GitHub и имеет доступные предупреждения сканирования кода в основной ветке репозитория. Подрядчик совместно с ответственным разработчиком выбирает ограниченный набор некритичных проблем, фиксирует их исходное состояние и настраивает необходимые разрешения. Затем Agentic Autofix получает поручение, формирует изменения и повторно выполняет проверку анализатором. Специалист вручную изучает предложенный код, проверяет сохранение функциональности, запускает дополнительные тесты и оценивает риск появления новых ошибок. Изменения включаются в основную ветку только после установленного согласования. Для каждого исправления сохраняется информация о времени работы, количестве повторных попыток, результате проверки и затратах. Особое внимание уделяется изменениям механизмов авторизации, обработки платежей и доступа к конфиденциальным данным.

Коммерческая модель может сочетать первоначальное обследование репозитория с регулярным сопровождением накопившихся предупреждений. Экономическую эффективность следует рассчитывать по стоимости одного подтверждённого исправления и по времени квалифицированного разработчика, затраченному на проверку результата. GitHub отдельно тарифицирует использование AI Credits и минут GitHub Actions, поэтому стоимость облачных операций нельзя исключать из расчёта. Необходимо также учитывать ограничения по тарифам, доступности функции и основной ветке репозитория. Подрядчик не должен обещать устранение всех уязвимостей: автоматический анализ охватывает только определённые классы проблем, а отсутствие предупреждения не равнозначно отсутствию риска. Это предлагаемая услуга, а не самостоятельно разработанный сканер или доказанный бизнес. Её преимущество может заключаться в сочетании автоматизации, человеческой экспертизы и прозрачного учёта результатов.

Источник: https://github.blog/changelog/2026-10-15-agentic-autofix-for-code-scanning-alerts-general-availability/