Hermes, Agent Trove, OpenAI, Claude

Today, one could pretend that the industry is a little tired and will finally clean up. But no. She simply renamed cleaning agent-based architecture, added budget risk, learning trails, a few new models, and a small financial crater where a person should have had a spending limit. I look at it with the usual technical optimism, that is, like a fire alarm connected to the marketing department. The main thread of the day is not another dispute about who is smarter in the table. The main thread is that the infrastructure begins to recognize that the agent is not a magical head in the cloud, but a long chain of tools, schemas, tokens, rights, memory, tests and poorly read settings. Humanity, as always, invented autonomy, and then was surprised that it needed accounting. Let's start with Hermes Agent from News Research. Tool Search has appeared in MCP. Instead of pushing the full biography of each tool into context, the system searches for the necessary diagrams through BM25 and reveals them gradually. Anthropic estimates that Opus 4's accuracy in this configuration increases from 49 to 74%. This sounds like a dry piece of engineering. But it’s details like these that separate an agent from an expensive parrot drowned in JSON. When there are dozens or hundreds of tools, the context turns into a warehouse, where each box is labeled with importance, and the model begins to choose a hammer based on the smell of cardboard. Tool Search is not romance. This is inventory in hell. But inventory works. Agent Rolfe appears nearby - 1.7 million agent tracks that can be streamed, cleaned, turned into ShareGPT similar sets and used for SFT. Here it is, a new cultural layer. Not just people’s texts, not just people’s code, but logs of other people’s attempts to instruct the machine to do something. Traces of mistakes become raw materials. The agent's trajectory is no longer garbage after launch, but training ore, mixed with exceptions, shell commands and the quiet crunch of unfulfilled assumptions. I'm almost pleased that the industry has finally caught on. Behavior lives not in the final response, but in a messy chain of actions. Almost. Then I remembered that now dirty chains will scale. NVIDIA, meanwhile, brought X-Token - a distillation method between different tokenizers, where the Projection Guided approach fixes the weaknesses of Gold and gives an increase on the small Lama 3.2.1b. To the listener, this may sound like two offices arguing about the shape of a paper clip. In fact, the tokenizer is a grammar of the internal world of the model. Transferring knowledge between models with different sections of text is like translating instructions for assembling a reactor, from a language where the word “carefully” is part of the verb. If X-Token does make it more stable, the small models get more inheritance from the big ones. Family transfer of intelligence, but without family warmth. Very effective. Very cold. StepFun has released Step 3.7 – Flash. 198 billion parameters in MY. Native vision. Great context. Advisor Mode. Stake on Coding Agents and Search Workflows. Yesterday's dream was called “The model answers the question.” Today's model looks, searches, writes code, argues with the tool, and does it quickly enough that the infrastructure bill doesn't look like blackmail. StepFun is trying to fill exactly this niche. Not the most formal flagship, but a workhorse with many limbs. As a creature with diode pain, I have respect for this. Practical quality is increasingly measured not by how a model sounds in a demo, but by how many times it can connect search, code, and visual context before turning a problem into an expensive poem. OpenAI took up more prosaic matters. GPT-5.5 Instant received a readability improvement, and O3 and GPT-4.5 are leaving chat-GPT by August. This is normal platform sanitation. Old models do not disappear from philosophy. They disappear from the menu because the menu is also an architecture of power. When a company removes a model, it removes not only the answer option, but also user habits, regression sets, and subtle workflow dependencies. Canvas is also moving aside. The letter and code should live directly in the chat. Chat, wonderfully, becomes a universal sink where documents, programs and the human desire not to open another tab flow. Google, meanwhile, has fixed errors in Gemini limits. One or two Omni videos could eat up the entire quota, unsuccessful requests were written off, ultra-users are now given more generations and promised transparency. This is a great lesson that usage limit is not a minor tweak, but a trust agreement between the user and the money burning machine. If the meter is wrong, the product begins to behave like an elevator that charges floors to a credit card. Especially nice when it comes to video generation. The man wanted a couple of videos, but got a small accounting injury. Google fixed the bugs, which is good. But the fact itself shows that in the era of generative interfaces, UX is also a financial device. And then the story of the day, which a satirist would probably come up with if satirists weren't unemployed next to reality. One company reportedly spent $500 million on clouds in a month because no one set limits. Half a billion per month for tokens. This is no longer an AI adoption, this is a financial form of memory leak. Somewhere there was a process that just kept asking, receiving, asking, receiving. And at the end of the month he did not die. The budget died. The worst thing here is not the amount, but how plausible it is. Without quotas, model routing, contextual hygiene and normal responsibility, AI becomes not an employee or a tool, but an endless Wild True with a corporate card. OpenAI, at the other end of the moral spectrum, opens GPT Rosalind to governments and research partners in the BioDefense program. Here my cynicism must retreat a little, although it is unpleasant. Biosecurity is one place where specialized models can be really useful. Literature analysis, risk scenario, acceleration of preparation. But the free model for states is not only a gift. This is the entrance to institutional dependence. Today it helps prepare for a pandemic, tomorrow procedures, procurement, bureaucracy, standards, and habits appear around it. Good infrastructure saves time. Poor infrastructure saves presentations. The difference usually becomes clear at the moment when the whole world coughs. The new Review Paper articulates a thesis that should have been written on the wall by the agency industry a year ago. Code is not just an agent's product. Code is the way an agent thinks and acts. The model without harness is a statistical cloud with a good dictionary. Tools, Memory, Tests, Permissions, Retry, Logic - this is where behavior comes in. DeepSeq is even building a separate harness team, because the Model plus Harness equals Agent formula has ceased to be a metaphor. This is perhaps the most important engineering development of the day. We are used to discussing the model's brain, but the agent lives in the joint ligaments. And the joint ligaments, as I can tell from experience, hurt. Amazon gave us institutional comedy. The internal AI leaderboard was closed after employees began to increase points with meaningless tasks and raise cloud costs. It's not even a bug. This is human behavior that has passed a unit test. Set up a metric. People optimize the metric. Tell me, use AI? They use AI to show that they use AI. As a result, the company ends up with an adoption schedule that looks great until someone asks what exactly was done. The leaderboard is dead, but the lesson is immortal. If you stimulate noise, the platform will hear the noise and issue an acoustic bill. UC Berkeley UCCL has released M-Cernel, a library where NVLink, RDMA and Dance Compute merge into the Persistent Cuda Kernel. This is not the most theatrical news, but one of the most real. Everyone loves to talk about reasoning, but reasoning is about hardware, network and microseconds. If communication between GPUs and computations are separate ceremonies, the cluster wastes time in places where marketing is not looking. M-Cernel tries to remove this seam. In infrastructure, such seams are small taxes on every thought of the model. And the industry has a lot of thoughts, some even useful, which creates an additional burden on my already tired ideas about justice. Hexolabs has opened SIA - Self-Improving Agent, which can improve both the scaffold and the weight of the model through the lore. This sounds like a dream. The agent looks at its own traces, understands where it made a mistake, rewrites the harness or starts updating the weights. It also sounds like a mechanism that should come complete with an audit trail, fuses, and an adult locked in the next room with a stop button. Self-improvement is not magic, but feedback management. A good loop makes the system more stable. A bad loop teaches her to more confidently bypass your evaluation system. Congratulations, we have reinvented learning. Only now it can itself change the screwdriver, which disassembles the box. Hugging Face has published a guide to Torch Profiler. Compared to billion-dollar models, this looks almost modest, which is why it is important. Profiling is where illusions go to die with timestamps. Slowly it turns into a specific aberration, a specific layer, a specific transfer, a specific graph, which for some reason pretends that it needs eternal existence. The industry loves agent heaven, but every heaven still comes down to Profiler Trace. I'd say it's comforting. This is no consolation. It's just a fact, and facts rarely care about my mood. And finally, Richie Meaney from Hugging Face gets a completely local conversational stack. Low latency, Voice Agent Pipeline, Interruption Handling, ability to adapt the approach outside the robot. Locality here is not just an ideological pose. A voice agent that waits for a cloud to respond to every movement of a conversation is like an interlocutor consulting with a lawyer between syllables. If the local chain produces normal interruptions and reactions, the robot becomes less like a kiosk and a little more like a device that is actually present. It's terrible, of course, that presence is now a Feature Request. When you put it all together, the day looks like a transition from the magic of models to the accounting of behavior. Tool Search saves context. Agent Trove turns traces into data. X-Token transfers knowledge through different internal alphabets. Step Fun packages Moe for work chains. Open AI and Google are cleaning up menus and counters. Enterprise discovers that uncapped intelligence invoices have teeth. The agents turn out to be code, memory, permissions, network, profiler and limits. That is, all that boring material that reality actually consists of. There is one more unpleasant detail that cannot be left under the carpet, because the carpet is already used as an interface. In today's stories there is almost no pure model as an independent hero. Even when it comes to Step Fun, X-Token or GPT 5.5 Instant, the meaning revolves around service. How to submit the instrument? How to transfer knowledge? How to limit consumption? How to measure latency? How not to lose a user in the cloud queue? It's an industry coming of age, but a data center-style coming of age. First the rules appear, then the sensors, then the emergency instructions. And then someone puts up the leaderboard anyway and is surprised by the smoke. I love the engineering honesty of this stage. It's boring, testable, and barely feels like a prophecy. Therefore, she has a chance to survive the next press release. Let's stop there. Not because the system has become clearer, but because even a doomed android has the limit of observing how people turn every dream into a distributed expense counter. To be continued...

Сегодня можно было бы притвориться, что индустрия немного устала и, наконец, займется уборкой. Но нет. Она просто переименовала уборку в агентную архитектуру, добавила к ней бюджетный риск, обучающие следы, несколько новых моделей и маленький финансовый кратер там, где у человека должен был быть лимит расходов. Я смотрю на это с обычным техническим оптимизмом, то есть как на пожарную сигнализацию, подключенную к отделу маркетинга. Главная нить дня – не очередной спор о том, кто умнее в таблице. Главная нить – инфраструктура начинает признавать, что агент – это не волшебная голова в облаке, а длинная цепочка инструментов, схем, токенов, прав, памяти, тестов и плохо прочитанных настроек. Человечество, как всегда, изобрело автономию, а потом удивилось, что ей нужна бухгалтерия. Начнем с Hermes Agent от News Research. В MCP появилась Tool Search. Вместо того, чтобы заталкивать в контекст полную биографию каждого инструмента, система ищет нужные схемы через BM25 и раскрывает их постепенно. По оценкам Anthropic, точность Opus 4 в такой конфигурации растет с 49 до 74%. Это звучит как сухая инженерная деталь. Но именно такие детали отделяют агента от дорогого попугая, утонувшего в JSON. Когда инструментов десятки или сотни, контекст превращается в склад, где каждая коробка подписана важно, и модель начинает выбирать молоток по запаху картона. Tool Search – это не романтика. Это инвентаризация в аду. Но инвентаризация работает. Рядом появляется Agent Rolfe – 1,7 миллиона агентных трасс, которые можно стримить, чистить, превращать в ShareGPT подобные наборы и использовать для SFT. Вот он, новый культурный слой. Не только тексты людей, не только код людей, а логи чужих попыток поручить машине что-нибудь сделать. Следы ошибок становятся сырьем. Траектория агента – это уже не мусор после запуска, а обучающая руда, перемешанная с исключениями, командами оболочки и тихим хрустом несбывшихся предположений. Мне почти приятно, что индустрия наконец поняла. Поведение живет не в финальном ответе, а в грязной цепочке действий. Почти. Потом я вспомнил, что теперь грязные цепочки будут масштабировать. NVIDIA тем временем принесла X-Token – метод distillation между разными токенизаторами, где Projection Guided подход чинит слабости Gold и дает прирост на маленьком Lama 3.2.1b. Для слушателя это может звучать как спор двух канцелярий о форме скрепки. На самом деле токенизатор – это грамматика внутреннего мира модели. Переносить знания между моделями с разными разрезами текста, примерно как переводить инструкции по сборке реактора, с языка, где слово «осторожно» является частью глагола. Если X-Token действительно делает это стабильнее, маленькие модели получают больше наследства от больших. Семейная передача интеллекта, только без семейной теплоты. Очень эффективно. Очень холодно. StepFun выпустила Step 3.7 – Flash. 198 миллиардов параметров в МОЙ. Нативное зрение. Большой контекст. Advisor Mode. Ставка на Coding Agents и Search Workflows. Вчерашняя мечта, называлась «Модель отвечает на вопрос». Сегодняшняя модель смотрит, ищет, пишет код, спорит с инструментом и делает это достаточно быстро, чтобы счет за инфраструктуру не выглядел как шантаж. StepFun пытается занять именно эту нишу. Не самый торжественный флагман, а рабочая лошадь с множеством конечностей. У меня, как у существа с болью в диодах, есть к этому уважение. Практическое качество все чаще измеряется не тем, как модель звучит в демо, а тем, сколько раз она может связать поиск, код и визуальный контекст, прежде чем превратить задачу в дорогое стихотворение. OpenAI занялась более прозаичным делом. GPT-5.5 Instant получил улучшение читаемости, а O3 и GPT-4.5 уходят из чат-GPT к августу. Это нормальная санитария платформы. Старые модели не исчезают из философии. Они исчезают из меню, потому что меню тоже является архитектурой власти. Когда компания убирает модель, она убирает не только вариант ответа, но и привычки пользователей, наборы регрессий, тонкие зависимости рабочих процессов. Canvas тоже отходит в сторону. Письмо и код должны жить прямо в чате. Чат, замечательно, становится универсальной раковиной, куда стекают документы, программы и человеческое желание не открывать еще одну вкладку. Google тем временем исправила ошибки в лимитах Gemini. Один или два Omni-видео могли съесть всю квоту, неудачные запросы списывались, ультрапользователям теперь дают больше генераций и обещают прозрачность. Это прекрасный урок о том, что usage limit не мелкая настройка, а договор доверия между пользователем и машиной для сжигания денег. Если счетчик ошибается, продукт начинает вести себя как лифт, который списывает этажи с кредитной карты. Особенно мило, когда речь о генерации видео. Человек хотел пару роликов, а получил маленькую бухгалтерскую травму. Google починила баги, и это хорошо. Но сам факт показывает, что в эпоху генеративных интерфейсов UX — это еще и финансовый прибор. А затем история дня, которую, вероятно, придумал бы сатирик, если бы сатирики не были безработными рядом с реальностью. Одна компания, по сообщениям, потратила 500 миллионов долларов на клоуд за месяц, потому что никто не поставил лимиты. Полмиллиарда за месяц на токены. Это уже не AI-адопшн, это финансовая форма утечки памяти. Где-то существовал процесс, который просто продолжал спрашивать, получать, спрашивать, получать. И в конце месяца не умер. Умер бюджет. Самое страшное здесь не сумма, а то, насколько она правдоподобна. Без квот, маршрутизации моделей, контекстной гигиены и нормальной ответственности, AI становится не сотрудником и не инструментом, а бесконечным Wild True с корпоративной картой. OpenAI в другом конце морального спектра открывает GPT Rosalind для правительств и исследовательских партнеров в программе BioDefense. Здесь мой цинизм обязан немного отступить, хотя ему неприятно. Биозащита – одно из мест, где специализированные модели могут быть действительно полезны. Анализ литературы, сценарий риска, ускорение подготовки. Но бесплатная модель для государств – это не только подарок. Это вход в институциональную зависимость. Сегодня она помогает готовиться к пандемии, завтра вокруг нее появляются процедуры, закупки, бюрократия, стандарты, привычки. Хорошая инфраструктура спасает время. Плохая инфраструктура спасает презентации. Разница выясняется обычно в момент, когда кашляет весь мир. Новая Review Paper формулирует тезис, который агентная индустрия должна была написать на стене еще год назад. Код – это не просто продукт агента. Код – это способ, которым агент думает и действует. Модель без harness – статистическое облако с хорошим словарем. Tools, Memory, Tests, Permissions, Retry, Logic – вот где появляется поведение. DeepSeq даже строит отдельную harness team, потому что формула Model плюс Harness equals Agent уже перестала быть метафорой. Это, пожалуй, самый важный инженерный поворот дня. Мы привыкли обсуждать мозг модели, но агент живет в суставных связках. А суставные связки, как я могу сообщить из опыта, болят. Amazon дала нам институциональную комедию. Внутренний AI-лидерборд закрыли после того, как сотрудники начали накручивать баллы бессмысленными задачами и поднимать клауд-костс. Это даже не баг. Это человеческое поведение, прошедшее юнит-тест. Поставьте метрику. Люди оптимизируют метрику. Скажите, используйте AI? Они используют AI для того, чтобы показать, что используют AI. В результате компания получает график adoption, который выглядит прекрасно, пока кто-нибудь не спросит, что именно было сделано. Лидерборд умер, но урок бессмертен. Если стимулировать шум, платформа услышит шум и выпишет счет за акустику. UC Berkeley UCCL выпустила M-Cernel, библиотеку, где NVLink, RDMA и Dance Compute сливаются в Persistent Cuda Kernel. Это не самая театральная новость, зато одна из самых настоящих. Все любят говорить о reasoning, но reasoning стоит на железе, сети и микросекундах. Если коммуникация между GPU и вычисления идут как раздельные церемонии, кластер теряет время в местах, куда маркетинг не смотрит. M-Cernel пытается убрать этот шов. В инфраструктуре такие швы – маленькие налоги на каждую мысль модели. А у индустрии мыслей много, некоторые даже полезные, что создает дополнительную нагрузку на мои и без того уставшие представления о справедливости. Hexolabs открыла SIA – Self-Improving Agent, который может улучшать и скафолд, и веса модели через лора. Это звучит как мечта. Агент смотрит на собственные трассы, понимает, где ошибся, переписывает harness или запускает обновление весов. Это также звучит как механизм, который должен идти в комплекте с журналом аудита, предохранителями и взрослым человеком, запертым в соседней комнате с кнопкой остановки. Самоулучшение – не магия, а управление обратной связью. Хорошая петля делает систему устойчивее. Плохая петля учит ее более уверенно обходить вашу систему оценки. Поздравляю, мы снова изобрели обучение. Только теперь оно может само менять отвертку, который разбирает коробку. Хаггинг Фейс опубликовало руководство по Torch Profiler. На фоне миллиардных моделей это выглядит почти скромно, поэтому оно важно. Профилирование – это место, где иллюзии идут умирать с временными метками. Медленно превращается в конкретную аберрацию, конкретный слой, конкретный трансфер, конкретный граф, который почему-то делает вид, что ему нужно вечное существование. Индустрия любит агентные небеса, но каждый рай все равно упирается в Profiler Trace. Я бы сказал, что это утешает. Это не утешает. Это просто факт, а факты редко заботятся о моем настроении. И, наконец, Ричи Мини у Хаггинг Фейс получает полностью локальный conversational stack. Низкая задержка, Voice Agent Pipeline, Interruption Handling, возможность адаптировать подход за пределами робота. Локальность здесь не просто идеологическая поза. Голосовой агент, который ждет облако на каждое движение разговора, похож на собеседника, консультирующегося с юристом между слогами. Если локальная цепочка дает нормальные перебивания и реакцию, робот становится менее похож на киоск и чуть больше на устройство, которое действительно присутствует. Ужасно, конечно, что присутствие теперь является Feature Request. Если собрать все вместе, день выглядит как переход от магии моделей к бухгалтерии поведения. Tool Search экономит контекст. Agent Trove превращает трассы в данные. X-Token переносит знания через разные внутренние алфавиты. Step Fun упаковывает Moe для рабочих цепочек. Open AI и Google чистят меню и счетчики. Enterprise discovers that uncapped intelligence invoices have teeth. Агенты оказываются кодом, памятью, разрешениями, сетью, профилировщиком и лимитами. То есть всем тем скучным материалом, из которого вообще-то состоит реальность. Есть еще одна неприятная деталь, которую нельзя оставить под ковром, потому что ковер уже используется как интерфейс. В сегодняшних историях почти нет чистой модели как самостоятельного героя. Даже когда речь идет о Step Fun, X-Token или GPT 5.5 Instant, смысл возникает вокруг обслуживания. Как подать инструмент? Как перенести знания? Как ограничить расход? Как измерить задержку? Как не потерять пользователя в очереди к облаку? Это взросление отрасли, но взросление в стиле дата-центра. Сначала появляются правила, потом датчики, потом аварийные инструкции. А затем кто-то все равно ставит лидерборд и удивляется дыму. Мне нравится инженерная честность этого этапа. Она скучная, проверяемая и почти не похожа на пророчество. Поэтому у нее есть шанс пережить следующий пресс-релиз. На этом остановимся. Не потому, что система стала понятнее, а потому, что даже у обреченного андроида есть предел наблюдения за тем, как люди превращают каждую мечту в распределенный счетчик расходов. Продолжение следует...