Motif Technologies из Южной Кореи выпустила Motif-2-12.7B-Reasoning и показала воспроизводимый рецепт обучения: качество рассуждений рождается из распределения данных, правильной инфраструктуры длинного контекста, устойчивого RL и жесткой оптимизации памяти — а не из простого наращивания размера модели.
Модель здесь ни при чём: корпоративные пилоты «кодящих» ИИ проседают из‑за плохо спроектированного контекста и старых процессов. Побеждают те, кто строит среду для агентов: рабочую память, спецификации, оркестрацию, метрики и жёсткие CI/CD‑ограждения.
Новый бенчмарк FACTS от Google и Kaggle показывает: даже топ‑модели застряли ниже 70% точности. Поиск и привязка к источникам — спасение, мультимодальность — зона повышенного риска. Что это значит для архитектуры RAG и корпоративных продуктов — разбираемся простыми словами.
Код генерировать стало легко, но внедрять его в живые системы — нет. Разбираем, почему ИИ‑агенты пока срываются на хрупких контекстах, повторяющихся галлюцинациях, устаревших практиках безопасности и отсутствии «операционного» чутья.
Как три команды — Daydream, Duckbill и Mindtrip — столкнулись с упрямой реальностью ИИ и научились совмещать модели, людей и терпение, чтобы дойти до пользы.