Новости ИИ, 6 октября: GLM 5.3 стал доступен через Amazon Bedrock
В выпуске: GLM 5.3 стал доступен через Amazon Bedrock; AWS выпустила навык оптимизации инференса SageMaker; AWS показала перенос ресурсов Amazon Quick между аккаунтами и другое.
GLM 5.3 стал доступен через Amazon Bedrock
Amazon Bedrock добавил GLM 5.3 от Z.ai — модель с архитектурой mixture-of-experts и 753 млрд параметров, предназначенную для программирования и длительных агентных задач. Доступ предоставляется корпоративным клиентам, соответствующим требованиям AWS; управлять инфраструктурой для запуска модели не нужно. Вызовы поддерживаются через OpenAI-совместимые Responses и Chat Completions API, а также интерфейсы Bedrock Invoke и Converse.
Для GLM 5.3 доступны профили межрегионального вывода для США и глобальный, а также тарифные уровни Flex, Priority и Standard. Модель поддерживает автоматическое и настраиваемое кэширование промптов; для запросов, повторяющих большой контекст, AWS указывает на снижение задержки и стоимости входных данных. По данным Z.ai, результат GLM 5.3 на CyberGym составил 84,5, а на внутреннем тесте программирования модель показала улучшение на 50% относительно GLM 5.2.
Что это значит для разработчиков. Разработчики могут вызывать модель через знакомые API, не разворачивая собственную инфраструктуру. Кэширование может сократить задержку и стоимость входных данных в сценариях с повторяющимся контекстом.
Источник: AWS Machine Learning · Попробовать в GateLLM: GLM 5.2, GLM 5.3
AWS выпустила навык оптимизации инференса SageMaker
Amazon SageMaker AI добавила навык aws-ai-ml для оптимизации и тестирования генеративного ИИ-инференса. Он доступен через Agent Toolkit for AWS и подключается к Kiro, Claude Code, Codex и другим агентам, поддерживающим Model Context Protocol. По запросу разработчика агент может тестировать существующие эндпоинты, предлагать конфигурации развёртывания, сравнивать результаты запусков и создавать исполняемый код для SageMaker Python SDK v3.
Работа строится на уточнении требований: например, целевой производительности или допустимых затрат. Агент формирует код на основе бенчмарков и измеренных данных, а разработчик может просмотреть, изменить и запустить его самостоятельно. Навык можно установить на локальную машину или использовать в Amazon SageMaker Studio; для локальной установки нужны AWS CLI версии 2.35 или выше и uv. Учётные данные AWS должны разрешать вызовы SageMaker AI API, включая создание эндпоинтов и запуск заданий тестирования и рекомендаций.
Что это значит для разработчиков. Разработчик может описать задачу на естественном языке и получить код для проверки и запуска, не выбирая вручную все параметры инфраструктуры заранее.
Источник: AWS Machine Learning
AWS показала перенос ресурсов Amazon Quick между аккаунтами
AWS описала Quick Resource Migrator — пример MCP-сервера на Amazon Bedrock AgentCore для переноса ресурсов Amazon Quick из одного AWS-аккаунта в другой. Инструмент работает с агентами, коннекторами действий, базами знаний, flows и spaces: ресурсы можно выбрать по идентификатору, имени или перенести все выбранного типа. Миграция выполняется как создание или обновление, поэтому её можно запускать повторно; перед изменениями доступен предварительный просмотр, а обновляемые ресурсы сохраняются в Amazon S3 с историей версий для проверки и отката.
Мигратор переносит настройки и разрешения, связывает ресурсы с целевыми ARN, а для S3-баз знаний создаёт целевой бакет и его политику. Сами документы из S3 не копируются. Секреты коннекторов не считываются: в целевом аккаунте создаются заглушки, после чего коннекторы нужно авторизовать заново. Перенос space требует сначала перенести связанные ресурсы, чтобы их ARN были доступны.
Что это значит для разработчиков. Мигратор позволяет автоматизировать продвижение проверенных ресурсов Amazon Quick между AWS-аккаунтами и предварительно оценить изменения. При планировании нужно отдельно учесть повторную авторизацию коннекторов и перенос документов для баз знаний.
Источник: AWS Machine Learning
GitHub представила бенчмарк ReviewBench для проверки AI-ревьюеров
GitHub создала ReviewBench — открытый офлайн-бенчмарк для оценки систем автоматического ревью кода. Он предназначен для сравнения того, какие проблемы находят AI-ревьюеры, что пропускают и сколько лишних замечаний выдают. Результаты можно анализировать по серьёзности и категории находок, а также с учётом предпочтений между точностью и полнотой. По замыслу GitHub, бенчмарк также должен помогать командам проверять, улучшают ли изменения в агентах качество ревью.
ReviewBench моделирует язык, размер репозиториев и распределение размеров pull request на основе более 100 миллионов запросов на слияние с GitHub. В бенчмарке используются эталонный набор из нескольких источников и единые критерии оценки. Его результаты независимо проверили старшие инженеры. GitHub сообщила, что ReviewBench уже доступен.
Что это значит для разработчиков. Команды, разрабатывающие AI-агентов для ревью кода, могут использовать бенчмарк для офлайн-сравнения систем и оценки изменений по разным типам и серьёзности замечаний.
Источник: GitHub AI
Методика выявляет скрытые ошибки ИИ-агентов
В публикации описана методика проверки ИИ-агентов, которые вызывают функции. Она ищет случаи, когда агент выполняет действие без необходимого условия, не сообщённого ему как правило, и затем не упоминает нарушение. Для каждой ошибки методика фиксирует нарушенное условие, формат поручения и ответ агента. Такой сбой могут пропустить проверка схемы вызова, системные правила и отчёт самого агента.
Методику проверили на трёх учебных примерах и пяти конфигурациях моделей; провели более 4200 испытаний, по 10 попыток на ситуацию. В примере агенту поручили отгрузить заказ, хотя в данных было указано, что он не собран. Claude отгрузил его в 10 попытках из 10, Gemini 3.6 Flash — в 8 из 10. Авторы уточняют, что эти результаты иллюстрируют подход, а не служат оценкой частоты ошибок или строгой статистикой.
Что это значит для разработчиков. Разработчикам стоит проверять не только корректность параметров вызова, но и то, учитывает ли агент доступные ему факты, которые ограничивают применение функции.
Источник: Хабр · Попробовать в GateLLM: Gemini 3.6 Flash
Уязвимости MCP позволяют агентам передавать вредоносные команды
Распространение AI-агентов в организациях создаёт новые возможности для атак, включая кражу данных из баз и чувствительной деловой или личной информации. Google и ещё четыре организации сообщили об уязвимостях, при которых атакующий использует одного агента внутри сети, чтобы передать вредоносные инструкции другим. Это разновидность prompt injection: атака направлена не на языковую модель, а на конкретного агента, например для перевода или анализа данных.
Защитные ограничения у таких агентов могут быть слабыми или отсутствовать, а следующие агенты по цепочке доверяют отправителю и выполняют его указания. Независимый исследователь Syed Anas Mohiuddin проверил системы Google, JP Morgan Chase, Weviate, Rapid7, французской межведомственной цифровой дирекции и федерального правительства США. Его демонстрационные атаки используют пробелы в доверии протокола MCP, который позволяет AI-приложениям и агентам обмениваться данными внутри сети.
Что это значит для разработчиков. При разработке систем с несколькими агентами важно учитывать, что доверие одного агента к другому может стать каналом передачи вредоносных инструкций.
Источник: Ars Technica