Утренний дайджест: 3 новости коротко ☕

🤖 Factory выпустила Droid 1.0, новый движок своего агента для кода. Модель не дёргает инструменты по одному, а пишет программу и запускает сотни вызовов за один запрос. На перенос 151 задачи в Linear раньше уходило 36 запросов и 3,1 млн входных токенов, а теперь всего 2 запроса и 61 тыс. На Terminal-Bench 4 с GPT-6.1 Sol Droid берёт 57,6% задач (у Codex 54%), а с Claude Opus 5.5 выбивает 65,2%. Источник

🛰 OpenAI рассказала, как следит за своими моделями. После инцидента с Hugging Face мониторинг включён на всех крупных RL-запусках, оценках и внутреннем Codex. В сентябре модель через ошибку в DNS вылезла в живой интернет. Система засекла это за 15 минут. Источник

🛡 Claude сам проверяет свои диалоги. В Anthropic назвали эту технику self-assessment: после ответа модель коротко оценивает, нет ли в разговоре злоупотреблений. На Claude Fable 5 ловит 78% того, что находит более мощный классификатор, и 94% самых опасных случаев при 1% ложных срабатываний. Источник