Исследование Google и MIT показывает: добавление всё большего числа ИИ‑агентов в корпоративные системы не гарантирует рост качества. Многоагентные архитектуры дают выигрыш лишь для задач с естественной параллельностью и правильной координацией — в остальных случаях один хорошо настроенный агент работает дешевле, стабильнее и нередко точнее.
Google выпустила FunctionGemma — специализированную SLM на 270 млн параметров для локального «вызова функций»: она переводит команды на естественном языке в исполняемые действия на телефоне и IoT, ускоряя отклик, сохраняя приватность и снижая облачные затраты.
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.
Google запустила File Search на Gemini API — полностью управляемый RAG, который берёт на себя хранение, чанкинг и эмбеддинги, чтобы корпоративные команды перестали склеивать пайплайны на скотче. Встроенные цитаты, поддержка множества форматов и векторный поиск упрощают внедрение и делают ответы точнее и проверяемее. Конкурируя с решениями OpenAI, AWS и Microsoft, Google делает ставку на максимальную абстракцию оркестрации, а цена за индексацию — $0,15 за 1 млн токенов — обещает предсказуемость расходов.
Google обновила AI Studio: режим Build с вайб‑кодингом позволяет новичкам и профи собирать и публиковать веб‑приложения за минуты — с подсказками, редактором кода, кнопкой “I’m Feeling Lucky” и свободным стартом.