LinkedIn-дайджест: конкуренты передали четыре агентных проекта, аудит модельной карты и как устроены песочницы coding-агентов
Agentic AI Foundation добавил Agent Skills, Open Responses, OpenEnv и OpenSandbox. Мария Сухарева проаудировала таблицу бенчмарков Meta построчно. Пол Юстин объяснил три уровня песочницы под coding-агентами. Проверено по публичным первоисточникам.
Три публичных поста в LinkedIn за последние два дня, одна тема: скучная инфраструктура, которая решает, будут ли агенты вообще работать. Четыре конкурирующие лаборатории передали свою агентную "сантехнику" нейтральному фонду, ветеран скепсиса к бенчмаркам прошёлся ножом по новейшей модельной карте Meta, а инженер, строящий coding-агентов, объяснил, как на самом деле устроена песочница под ними. Короткие цитаты, ссылки и моё мнение. Ничего здесь не взято из чьей-либо приватной ленты.
Короткая версия
Agentic AI Foundation объявил о четырёх новых хостируемых проектах на AGNTCon + MCPCon в Сан-Хосе: Agent Skills (от Anthropic), Open Responses (от OpenAI), OpenEnv (от Hugging Face) и OpenSandbox (от Alibaba), доведя счёт до 10 проектов за первый год, - я всё это проверил по собственному анонсу фонда. Разбор Марии Сухаревой таблицы бенчмарков Meta перечисляет смешанные источники, смешанные харнессы, неуказанные ретраи и таймауты и отсутствие доверительных интервалов, при этом единственный независимый композит ставит Opus 5.5 от Anthropic впереди со счётом 58 к 56; её конкретные цитаты взяты из её публичного поста, который я прочитал, и я независимо не перепроверял числа Meta. Объяснение Пола Юстина раскладывает три реальных уровня песочницы coding-агентов: уровень ОС (Seatbelt, Bubblewrap), изоляция ядра в пользовательском пространстве (gVisor) и микроVM (Firecracker, Cloud Hypervisor). Все три поста я прочитал 23 октября 2026 года.
Agentic AI Foundation: четыре лаборатории, четыре слоя агентного стека, один нейтральный дом
Собственный анонс фонда от 22 октября с AGNTCon + MCPCon North America в Сан-Хосе говорит, что AAIF теперь хостит 10 проектов против трёх стартовых в декабре 2025. Четыре новых аккуратно ложатся на стек. Agent Skills, переданный Anthropic, - открытый формат для наделения агентов новыми возможностями: упаковка инструкций, скриптов и ресурсов так, чтобы специализированное ноу-хау было переносимо между агентными продуктами; Anthropic говорит, что запустила формат год назад и передаёт его, чтобы любой, кто строит со skills, мог формировать будущее. Open Responses от OpenAI - открытая спецификация мультипровайдерных LLM-интерфейсов на базе OpenAI Responses API: общая схема, согласованные потоковые события и расширяемый тулинг, чтобы запрос, написанный один раз, работал у разных провайдеров с минимальной трансляцией. OpenEnv от Hugging Face - фреймворк и комьюнити-хаб для RL-окружений: контейнеризованный сервис, предоставляющий агентный интерфейс, MCP и тренировочный протокол Gym, - с комитетом, называющим среди пользователей Hugging Face, Microsoft, Reflection, Meta-PyTorch, Fleet, Mercor, RadixArk, Modal и Prime Intellect. OpenSandbox от Alibaba - универсальная sandbox-платформа с мультиязычными SDK, унифицированными API и рантаймами Docker и Kubernetes для coding-агентов, GUI-агентов, оценки и RL-тренировки. Они присоединяются к MCP, goose, AGENTS.md, Agent2Agent, Agent Router и agentgateway под тем, что CTO AAIF Маник Суртани называет открытым, вендорно-нейтральным управлением. Моё мнение: год назад история агентной интероперабельности была в основном про MCP; на этой неделе нейтральный слой покрывает также skills, API, тренировочные окружения и песочницы исполнения, и контрибьюторы - те самые лаборатории, которые жёстче всех конкурируют друг с другом. Так стандартизируется сантехника.
Мария Сухарева (через Эрика Фрейзера): аудит таблицы бенчмарков Meta источник за источником
Мария Сухарева, чьи антихайповые разборы бенчмарков - жанр сам по себе, прошлась по документации за новейшей модельной картой Meta - 13 страниц таблиц, по её словам - и опубликовала находки; распространил пост контрактный CTO Эрик Фрейзер. Её список, цитирую по посту: смешанные источники - часть строк от Artificial Analysis, Vals, Surge, Datacurve или Abundant AI, часть из собственных "best-effort" прогонов конкурентных моделей Meta, а некоторые числа Claude взяты из системных карт Anthropic. Смешанные харнессы: на SWE-Marathon GPT-6 Astra работала в Codex, а Fable 5.1 в Claude Code - строка, которую сама Meta помечает как неконтролируемое сравнение, - тогда как DeepSWE смешивает репортёров без всякой пометки. На OSWorld Meta гоняла большинство моделей в собственном фреймворке, а результат Opus 5.5 - заявленный Anthropic, с неуказанным релизом OSWorld. Artificial Analysis запускает Opus 5.5 с дефолтным фолбэком на более старую модель Claude, и как часто он срабатывал, не сообщается. Ретраи и таймауты не указаны ни для одной строки, что важно на длинных агентных задачах. Нет доверительных интервалов и числа испытаний, при том что несколько разрывов меньше пункта. Две строки - собственные Meta: MemoryBench внутренний, а PSI - собранный Meta индекс без опубликованного взвешивания. И её финал: единственный независимый композит в таблице, Artificial Analysis Index, ставит Opus 5.5 первым - 58 против 56. Её вывод прямолинеен: "Я не узнала ничего о том, как модель будет работать на моих задачах по сравнению с другими моделями". Рамка Фрейзера ещё прямолинейнее. Моё мнение: ни одна из этих претензий не нова, и в этом суть - стандарты отчётности почти всех провайдеров не сдвинулись, поэтому публичный, конкретный, построчный аудит с процитированными пометками - самый полезный вид рецензирования, который таблица бенчмарков может получить. Одна оговорка от меня: я прочитал её пост, но не перепроверял числа по карте Meta, так что каждое конкретное утверждение считайте её цитатой, а не моим измерением.
Пол Юстин: три уровня песочницы coding-агентов
Пол Юстин, пишущий для Manning и построивший собственного coding-агента Decode, опубликовал компактное объяснение того, что реально мешает агенту трогать файлы за пределами проекта. Три уровня из его поста: песочница уровня ОС - Seatbelt на macOS и Bubblewrap на Linux - ограничивает доступ к ресурсам, разделяя ядро с хостом. Изоляция ядра в пользовательском пространстве - gVisor - перехватывает системные вызовы, добавляя изоляцию между агентом и ядром хоста. И микроVM - Firecracker и Cloud Hypervisor - дают отдельное гостевое ядро, ближайший вариант к традиционной VM. Его практическая заметка - то, что люди понимают неправильно: не нужно песочить весь агент целиком. Харнес остаётся локальным, а инструменты агента - Bash, Read, Write, Edit - исполняются внутри одной общей песочницы, чтобы каждый инструмент видел ту же файловую систему. В Decode он пришёл к одному интерфейсу исполнителя за локальным исполнением, Docker и удалёнными песочницами Modal, так что каждая сессия получает своё изолированное окружение. Моё мнение: разделение "харнес локально, инструменты в песочнице" соответствует тому, как серьёзные coding-агенты реально построены, и это правильная ментальная модель для любого, кто подключает такого агента на этих выходных: мозг агента бродит свободно, а руки работают в перчаточном боксе.