W czerwcu Anthropic udostępnił Claude Fable 5, pierwszy publicznie dostępny model klasy Mythos, dotąd zarezerwowanej dla wąskiej grupy zespołów cyberobrony i operatorów infrastruktury krytycznej. W lipcu OpenAI odpowiedziało rodziną GPT-5.6, a w sierpniu dołożyło aktualizację z suwakiem sterującym tym, ile wysiłku rozumowania model poświęca na odpowiedź.
Prawdziwą nowością są poziomy dostępu
Fable 5 i Mythos 5 to ten sam model bazowy; różni je warstwa bezpieczeństwa. Wariant szeroko dostępny ma zabezpieczenia ograniczające zdolności podwójnego zastosowania w obszarach takich jak cyberbezpieczeństwo czy biologia (uruchamiające się, według Anthropic, w mniej niż 5% sesji), a wariant bez ograniczeń trafia wyłącznie do zweryfikowanych organizacji. Możliwości frontier przychodzą dziś z polityką dostępu w pakiecie i tak też dystrybuują je najwięksi dostawcy chmury (AWS Bedrock, Google Cloud, Microsoft Foundry).
Suwak wysiłku od OpenAI pokazuje ten sam trend od strony kosztów: jeden model, wiele punktów pracy. Pytanie „którego modelu użyć?” zamienia się w „który poziom, z jakim wysiłkiem, do którego zadania?”.
Co to oznacza dla Twojego stosu
- Kieruj ruch według zadania, nie przyzwyczajenia: dobieraj najtańszy poziom i wysiłek, który przechodzi Twój próg jakości, a wywołania frontier zostaw krokom, które ich naprawdę wymagają.
- Niech ewaluacje będą bramką: przy premierach co kwartał zestaw testów regresyjnych na własnych zadaniach to jedyny niezawodny sposób szybkiej i bezpiecznej adopcji nowych modeli.
- Planuj budżet z uwzględnieniem wysiłku: kontrola wysiłku zamienia koszt i opóźnienie w parametry produktu, nie w problem operacyjny.
- Utrzymuj cienką warstwę abstrakcji nad dostawcami: polityki poziomów i bramek różnią się i zmieniają; logika aplikacji nie powinna musieć o tym wiedzieć.
Budujemy stosy LLM niezależne od dostawcy, z routingiem i ewaluacjami w standardzie, żeby kolejne przesunięcie granicy było zmianą konfiguracji, a nie przepisywaniem systemu.