OpenAI научила кибермодель не отказываться. А у агентов появился общий формат плагинов

• Daybreak Blue снимает часть системных ограничений с универсального GPT-5.6 Sol для одобренной защитной работы. Daybreak Red открывает специализированные cyber-модели для исследования уязвимостей, проверки эксплойтов и red teaming.
• Предыдущий GPT-5.5-Cyber завершал 57,3 процента запросов в том же внутреннем completion-тесте. OpenAI отдельно пишет, что GPT-5.6-Cyber обычно тратит больше reasoning tokens, чем Sol.
• На внутренней реализации ExploitGym и наборе для поиска zero-day специализированная модель оказалась сильнее. Эти результаты получены самой OpenAI в изолированных средах и не являются независимым аудитом.
• Картина не односторонняя: GPT-5.6-Cyber уступил Sol в тесте на поиск уязвимостей и качество отчёта. В стандартном ExploitBench с лимитом 300 шагов GPT-5.6 Sol тоже оказался эффективнее и показал лучший результат.
• Обе модели отнесены к уровню High по cyber-capability, но ниже Critical. С 1 сентября индивидуальным участникам Daybreak потребуются аппаратные ключи; OpenAI рекомендует sandbox, scoped permissions, мониторинг и auto-review.

Система безопасности раньше могла опираться на отказ модели как на один из слоёв. Daybreak Red специально уменьшает число отказов. Значит, реальная граница переносится наружу: кто получил доступ, какие системы доступны агенту, где он выполняет код, что записывается в журнал и какой шаг требует подтверждения человека.

• Спецификацию опубликовали 6 августа AWS, Anysphere, Microsoft, OpenAI и Vercel; Google в тот же день присоединился как core maintainer. В окно выпуска попал релиз поддержки GitHub от 12 августа.
• Корень пакета содержит plugin.json. Skills лежат в skills/, MCP-серверы описываются в mcp.json, а специфичные для клиента файлы уходят в reverse-domain namespace вроде com.github.copilot/.
• Версия 1.0 стандартизирует ровно два переносимых типа компонентов: skills и MCP servers. Установка, разрешения, marketplace, UX и дополнительные возможности остаются ответственностью каждого клиента.
• Старые GitHub Copilot plugins продолжают работать без обязательной миграции. Для перехода нужны $schema, фиксированные каталоги и отдельный namespace для Copilot hooks, rules, commands и других расширений.
• Enterprise может управлять enabledPlugins, extraKnownMarketplaces и strictKnownMarketplaces, а MCP-серверы дополнительно ограничивать allowlist. При этом нормативный документ 1.0.0 пока помечен как Working Draft.

Skills уже переносятся между инструментами, MCP тоже имеет отдельную спецификацию, но пакет вокруг них до сих пор приходилось собирать заново. Agent Plugins создаёт минимальный общий слой. Он не обещает одинаковое поведение каждого агента, зато уменьшает бессмысленное дублирование каталогов и manifest-файлов.

• Через AI Gateway доступны более 200 моделей, включая те, которые конкретный агент не поддерживает напрямую. Выбор модели после setup остаётся внутри самого агента.
• Один dashboard показывает расходы, токены, производительность и traces. Для ключей можно задать budget, период обновления и срок действия.
• Team-wide Zero Data Retention и provider allowlist применяются на уровне gateway, поэтому агент не может обойти их правкой request-level routing.
• Vercel пишет, что конфиги редактируются на месте с сохранением форматирования. Setup не фиксирует модель и поддерживает неинтерактивный запуск с --yes.
• Пример команды заранее ограничивает список агентов и задаёт месячный budget. Это полезнее запуска по умолчанию на всех найденных клиентах, особенно на рабочей машине с несколькими профилями.

Единый gateway убирает пачку API keys и собирает расходы в одном месте. Одновременно он становится общей точкой доверия и доступности. Ошибка в ключе, политике или маршрутизации теперь влияет сразу на несколько harnesses, поэтому централизовать нужно не только удобство, но и журнал изменений, лимиты и аварийное отключение.

• Prefill измеряет обработку уже переданного контекста, decode показывает скорость генерации новых токенов. Поэтому число 99 нельзя читать как скорость готового ответа.
• В голосовой демонстрации эффективный tokenizer дал около 27,3 символа в секунду, что Google переводит примерно в 300 слов в минуту. Это vendor demo, а не универсальный benchmark всех Raspberry Pi.
• Reachy Mini распределяет задачи параллельно: YOLO работает на GPU, Moonshine ASR на CPU, Gemma рассуждает на CPU, затем локальный TTS синтезирует речь.
• LiteRT добавил WebGPU/Vulkan backend для VideoCore VII. Идея не в том, чтобы GPU всегда был быстрее CPU, а в том, чтобы вынести непрерывное vision или audio и оставить CPU для LLM и orchestration.
• Google открыла sample-код робота, LiteRT CLI и skills для coding agents. Поддержка Hailo AI accelerators заявлена как coming soon, а не как доступная функция сегодня.

Локальная модель становится полезной не тогда, когда догоняет облачный frontier model в общем чате. Ей достаточно быстро и предсказуемо делать одну часть физического pipeline: услышать, связать речь с последним кадром, выбрать действие и не отправить звук или видео в облако.

• Объявление подбирается по теме текущего диалога, предыдущим чатам и прошлым взаимодействиям с рекламой. OpenAI заявляет, что реклама визуально отделена и не меняет сам ответ ChatGPT.
• Рекламодатели, по описанию OpenAI, не получают чаты, историю, memory или личные данные. Им доступны агрегированные просмотры и клики.
• Реклама не должна показываться пользователям младше 18 лет и рядом с физическим или психическим здоровьем и политикой.
• Пользователь Free может отключить рекламу, но тогда получает меньше бесплатных сообщений в день. Другой способ убрать объявления — перейти на Plus или Pro.
• Это продолжение пилота, который начался в США 9 февраля и затем расширился на Канаду, Австралию и Новую Зеландию. Независимость ответов и отсутствие влияния на trust metrics остаются заявлениями самой OpenAI.

Для обычного баннера контекст страницы давно является стандартным сигналом. В ChatGPT контекстом становится разговор и память. Даже без передачи текста рекламодателю платформа сама использует гораздо более точное описание намерения человека. Поэтому здесь важны не только privacy promises, но и понятная граница между ответом, подбором объявления и настройками персонализации.

• За шесть месяцев Cloudflare смягчил 23,2 миллиона network-layer атак и 29,64 триллиона HTTP DDoS requests. Это около 5343 сетевых атак в час.
• DNS-based атаки дали 34,3 процента network-layer активности. Доля DNS Flood выросла с 25,7 до 40,0 процента квартал к кварталу, а CLDAP Flood прибавил 580 процентов и стал третьим вектором во втором квартале.
• Почти 96,62 процента сетевых атак оставались ниже 500 Mbps, а 90,60 процента завершались быстрее десяти минут. Небольшой размер здесь относителен: 100 Mbps уже может положить один незащищённый сервер.
• Cloudflare отдельно связывает часть сдвигов с геополитикой и глобальными событиями. Это интерпретация телеметрии компании, а не доказанная причинность для каждой атаки.
• Отчёт построен на данных сети Cloudflare. Он хорошо показывает то, что компания видит и смягчает, но не является полной переписью всех DDoS-атак в интернете.

Короткая атака может закончиться раньше, чем алерт дойдёт до человека. Даже после неё остаются retransmits, timeouts и нестабильные маршруты. Поэтому ручное включение защиты после уведомления проигрывает по времени, а always-on mitigation становится частью базовой архитектуры, а не аварийной кнопкой.