AI-дайджест: Copilot, Qwen Code и проверка бенчмарков

Microsoft обновила Copilot, Qwen Code добавил управляемые агентные сессии, а Stanford HAI поставил под вопрос валидность AI-бенчмарков.

Главное

Три события дня: Microsoft меняет продуктовую роль Copilot, Qwen Code формализует управляемый жизненный цикл агентных задач, а Stanford HAI ставит вопрос о валидности метрик, которыми сравнивают модели.

Продукты и платформы

Microsoft обновила Copilot. Компания представила три режима: Home для повседневных задач, Code для разработки и Autopilot для многошаговых действий. Источник Microsoft

Почему важно. Для команд это сдвиг Copilot от отдельного чат-бота к единому интерфейсу для личных и рабочих сценариев, где важны права доступа и контроль автономных действий.

Open source

Qwen Code 0.24.6. В CLI появились контракт Managed Runtime v2 для запуска, статуса и отмены задач, а также просмотр управляемых агентных сессий. Релиз Qwen Code

Почему важно. Для тех, кто встраивает Qwen Code в автоматизированные процессы, жизненный цикл задач становится явной частью интерфейса.

Исследования и безопасность

Stanford HAI о AI-бенчмарках. Исследование ставит под сомнение валидность части тестов, которыми сравнивают рассуждение, безопасность и смещения AI-моделей; авторы анализировали 56 распространённых бенчмарков. Материал Stanford HAI

Почему важно. Сравнение моделей, закупочные решения и регулирование часто опираются на такие оценки. Лидерборды нельзя читать как прямую меру надёжности или безопасности, если метрика измеряет не то, что обещает.

Что отслеживать

• Детали доступа и администрирования Autopilot в Copilot.
• Следующие изменения Managed Runtime в Qwen Code.
• Публикацию исследований о валидности AI-бенчмарков.