Що відбувається, коли інструмент, який коштує вдвічі дешевше, наближається за ефективністю до свого дорогого попередника? 24 липня 2026 року Anthropic офіційно представила Claude Opus 5. Ця модель позиціонується як рішення, що забезпечує рівень інтелекту, близький до топової Fable 5, але робить найпотужніші можливості штучного інтелекту доступнішими для щоденної роботи.

Opus 5 запускається лише через два місяці після Opus 4.8, який став доступним 28 травня. Mythos 5, Fable 5 та Sonnet 5 були запущені в червні, залишивши лише полегшену модель Haiku, яка все ще чекає на оновлення до 5-ї серії, — пише TechCrunch

Основні тези

• Opus 5 демонструє можливості, що наближаються до рівня Fable 5, особливо в аспектах агентського програмування та автоматизації.
• Модель показала високі результати у тесті на абстрактне мислення ARC-AGI 3, значно випередивши флагманську модель OpenAI — GPT-5.6 Sol.
• Компанія провела оптимізацію роботи класифікаторів безпеки, щоб зменшити кількість хибних відмов (false positives).

Модель Opus 5 вже доступна користувачам тарифів Claude Pro та Claude Max. За даними Anthropic, вона забезпечує високу продуктивність за ціною 5 доларів за мільйон вхідних токенів, що вдвічі дешевше за вартість Fable (10 доларів за мільйон токенів).

Але чи достатньо одних лише цифр, щоб змінити підхід до роботи з AI?

Найбільша перевага Opus 5 полягає в її здатності працювати як агент, що дозволяє краще справлятися із завданнями, які потребують тривалого виконання без постійної участі людини. На бенчмарку OSWorld 2.0, що імітує роботу за комп’ютером, Opus 5 продемонструвала одні з найкращих результатів. Зокрема, вказується показник 70,6% (заявлено, але потребує перевірки), що вище за результат Fable 5 у 66,1% (заявлено, але потребує перевірки). Така динаміка пояснюється покращеною здатністю моделі до самокорекції під час виконання багатоетапних інструкцій.

Особливу увагу привернув демонстраційний кейс, коли Opus 5 отримала креслення деталі, але втратила доступ до функції комп’ютерного зору. Замість того щоб припинити роботу, модель відкрила файл як таблицю чисел і самостійно написала програму для відтворення цієї деталі у 3D-редакторі FreeCAD. Цей приклад ілюструє перехід від простого розпізнавання образів до глибокого логічного аналізу даних.

Чи означає це, що Anthropic відмовилася від своїх суворих стандартів безпеки?

Насправді компанія не відмовилася від безпеки, а змінила підхід до цензури. Класифікатори безпеки в Opus 5 були оптимізовані, щоб вони спрацьовували рідше в тих випадках, коли запит не є дійсно шкідливим (зазначається зменшення частоти втручання на 85%, проте ця цифра потребує офіційного підтвердження). Зокрема, компанія дозволила моделі шукати вразливості у вихідному коді, щоб допомогти розробникам захищати системи, хоча сканування бінарних файлів залишається під забороною.

“Opus 5 набагато сильніша у верифікації своєї роботи та ретельному ітеруванні до досягнення успіху”, — зазначає Anthropic у своєму офіційному анонсі.

Попри успіхи в кодингу, модель поступається спеціалізованій Mythos 5 у завданнях кібербезпеки та біохімії. Варто зауважити, що Fable 5 фактично є версією Mythos 5 із вбудованими запобіжниками (guardrails) для загального доступу.

Оскільки Mythos 5 розроблена спеціально для вузьких технічних завдань і має менше обмежень у цій сфері, Opus 5 природно поступається їй у глибині експертизи. Також помітне відставання зафіксовано у сферах юриспруденції та медицини.

Чому це важливо для складного кодингу та наукових досліджень

Зниження вартості обчислень при збереженні високої інтелектуальної потужності створює умови для переходу від простих чат-ботів до автономних AI-агентів. Системні зміни в архітектурі дозволяють моделі працювати довше без нагляду людини, що є критично важливим для складного кодингу та наукових досліджень. У короткостроковій перспективі це може спричинити перерозподіл користувачів із найдорожчих тарифів на користь Opus 5.

Розробники тепер мають можливість створювати складні автоматизовані системи без надмірних витрат на токени. Opus 5 стає стандартом для робочого AI, де ключовою цінністю є здатність моделі самостійно виправити власну помилку та довести завдання до кінця.

Де Opus 5 може бути застосовний у SEO

Обробка семантики великими масивами. Кластеризація запитів за інтентом, розмітка за етапами воронки, пошук каннібалізації між сторінками, зіставлення запитів із наявними URL. Це задача про роботу з довгими таблицями і послідовну класифікацію тисяч рядків за єдиним критерієм — саме той профіль, де за відгуками ранніх користувачів Anthropic Opus 5 дав найпомітніший приріст проти 4.8 (числові міркування, робота з таблицями, аналітичні задачі з розмитим формулюванням).

Діагностика провалів трафіку. Порівняння періодів у Google Search Console, локалізація дати зламу, розділення сезонності й реального падіння, зіставлення динаміки з датами апдейтів Google. Як інструмент для перебору гіпотез і перевірки їх на даних вона тепер стабільніша: Anthropic окремо наголошує на здатності Opus 5 перевіряти власний результат і повертатися до кроку, де помилилася, без нагадувань з боку користувача.

Технічне SEO і код. Найсильніша зона моделі. Скрипти до GSC API та GA4, парсинг серверних логів, regex для карт редиректів, генерація і валідація Schema.org-розмітки, SQL до BigQuery-експортів, налагодження коду краулера. На бенчмарку Frontier-Bench v0.1 Opus 5 більш ніж удвічі перевершує результат Opus 4.8 — і при цьому за нижчої вартості на задачу. На CursorBench 3.2 на максимальному налаштуванні зусиль модель відстає від піку Fable 5 менш ніж на 0,5%, коштуючи вдвічі менше.

Агентні перевірки в браузері. На бенчмарку роботи з комп’ютером OSWorld 2.0 Opus 5, за даними Anthropic, перевершує найкращий результат Fable 5 приблизно за третину вартості. Практично це означає дешевший обхід сторінок для перевірки верстки, мобільної версії, коректності мікророзмітки та поведінки навігації.

Контент і метадані. Генерація варіантів title і description під тестування CTR, тематичні карти, брифи для авторів, редагування під тональність видання. Тут перевага над попередніми моделями найменша — 4.8 із цим і так справлявся. Виграш радше в тому, що Opus 5 дає коротші й чіткіші відповіді і потребує менше ітерацій уточнень. Але коротші і чіткіші відповіді можуть бути шаблоном контенту, що згенерований штучним інтелектом, тому я б не радив цью модель для створення контенту.

Чи може багаторічна співпраця стати підґрунтям для багатомільярдного шахрайства? Поданий до Окружного суду Нью-Йорка позов стверджує, що Google використала довіру видавців, щоб нагодувати свою нейромережу захищеним авторським правом контентом. Позов подано саме в Нью-Йорку, щоб обійти «про-ШІ» рішення судів Каліфорнії. Цей крок перетворює юридичну суперечку на відкриту війну за контроль над інтелектуальною власністю в епоху ШІ.

Основні тези

• Позивачі стверджують, що Google використала книги з сервісу Google Books та Google Play без дозволу.
• Внутрішні документи компанії вказують на можливі штрафи від 10 до 100 мільярдів доларів.
• Видавці свідомо обрали суд у Нью-Йорку, щоб уникнути сприятливих для техгігантів прецедентів Каліфорнії.

Згідно з матеріалами справи, видавництва Hachette, Cengage та Elsevier передавали свої роботи Google для створення індексу Google Books. Ця угода дозволяла компанії показувати користувачам лише короткі фрагменти тексту. Проте позивачі стверджують, що Google вийшла за межі цієї домовленості, використавши ці ж копії книг для тренування Gemini.

Юристи видавництв заявляють, що Google навмисно змінювала або видаляла дані про авторське право, щоб приховати використання «викрадених матеріалів». У позові йдеться про те, що компанія діяла свідомо, розуміючи відсутність відповідних дозволів.

Але чому це сталося саме зараз?

Особливу увагу в документі приділено внутрішній переписці Google. У одному з документів співробітники компанії визнавали, що використання захищених книг для навчання ШІ може бути «високопроблематичним» і потенційно коштувати компанії від 10 до 100 мільярдів доларів у вигляді штрафів.

Це не перший подібний конфлікт. Раніше компанія Anthropic погодилася виплатити авторам 1,5 мільярда доларів для врегулювання схожої справи. Проте Google, на відміну від багатьох конкурентів, досі уникає підписання ліцензійних угод із цифровими видавцями.

“Google незаконно копіювала роботи з усіх цих обмежених програм для навчання ШІ, знаючи, що не має на це дозволу”, — йдеться в тексті позову пише TechCrunch.

Що це означає для майбутнього збору даних?

Конфлікт поглиблюється через технічні заходи. Сервіс Cloudflare з вересня почне за замовчуванням блокувати багатоцільові краулери Google, які одночасно індексують сайти для пошуку та збирають дані для навчання ШІ. Це свідчить про те, що видавці переходять від пасивного очікування на рішення судів до активного обмеження доступу до свого контенту.

Чому це важливо для Google і видавців

Відсутність актуального законодавства про авторське право в США, яке не оновлювалося з часів до появи інтернету, створює правовий вакуум. Це призводить до того, що кожен новий судовий процес стає спробою визначити, чи є навчання ШІ «добросовільним використанням» даних, чи прямим піратством. Короткостроково це призведе до зростання кількості позовів, а довгостроково — до створення нових стандартів платних ліцензій на дані.

Ця справа є важливою, тому що вона атакує саму основу стратегії Google. Якщо суд визнає, що використання даних Google Books для Gemini є незаконним, компанія втратить можливість використовувати власні архіви даних без виплати компенсацій.

Це також сигналізує про зміну тактики видавців. Замість того щоб просто блокувати доступ до сайтів, вони намагаються створити юридичний прецедент, який змусить усі ШІ-компанії платити за контент.

Сьогодні Google опинився в центрі масштабного юридичного протистояння з найбільшими видавництвами світу, а його нові функції штучного інтелекту докорінно змінюють логіку поведінки користувачів в інтернеті.

Google більше не просто направляє користувача до джерела. Нова функція AI Overview генерує стислі відповіді на основі даних із мережі та розміщує їх на самому початку сторінки. Це означає, що користувач, який шукає коротку довідку, отримує її від ШІ, не переходячи на сайт, який фактично створив цю інформацію.

Додатково читайте про налаштування параметру генеративного ШІ у Пошуку

Зміна архітектури пошуку з посилальної на відповідну призводить до деградації традиційної моделі монетизації веб-контенту. Коли пошукова система забирає суть статті для формування відповіді, користувач втрачає стимул переходити на сайт першоджерела. Це створює замкнене коло: видавці створюють контент, на якому навчається ШІ, але цей самий ШІ позбавляє їх трафіку та доходів.

Для редакцій це означає падіння CTR за інформаційними запитами. Якщо раніше такий трафік був базою для рекламних мереж, то тепер він стає безкоштовним ресурсом для моделей Google. Такі зміни можуть суттєво знизити рекламні доходи медіа, адже менша кількість переходів означає менше переглядів реклами. Видавці стверджують, що Google використовує їхню інтелектуальну працю, щоб конкурувати з ними за увагу аудиторії.

Чи може швидкість оновлень стати вирішальною перевагою над якістю окремих функцій? 26 червня 2026 року (що в деяких часових поясах відповідає 27 червня) OpenAI запустила в обмеженому прев’ю серію GPT-5.6, що включає три рівні спроможностей: Sol, Terra та Luna. Цей реліз став частиною інтенсивного циклу розробки, що дозволяє компанії швидше реагувати на помилки та запити користувачів.

Основні тези

GPT-5.6 має три спеціалізації: Sol, Terra та Luna.
Контекстне вікно моделей зросло до 1,5 млн токенів.
Релізи відбуваються з високою частотністю через гостру конкуренцію з Claude.

Нова серія наразі доступна лише для обмеженої групи партнерів через API та Codex; доступ у ChatGPT на цей момент (03.07.2026) відсутній. Головною технічною особливістю GPT-5.6 є значне розширення контекстного вікна, яке тепер досягає 1,5 мільйона токенів. Збільшення обсягу пам’яті дозволяє моделі обробляти величезні масиви даних, зокрема цілі програмні репозиторії, не втрачаючи при цьому нитки розмови.

Але чому OpenAI вирішила змінити темп випусків саме зараз?

Прискорення темпів є відповіддю на експансію Anthropic у сфері AI-помічників. OpenAI намагається перехопити ініціативу, перетворюючи процес оновлення на постійний потік, що не дає конкурентам стабілізувати свою частку ринку. Така стратегія дозволяє компанії оперативно вносити правки та оптимізувати роботу систем у реальному часі.

Попередні версії вже продемонстрували ефективність такого підходу. Зокрема, модель GPT-5.5 Instant, випущена 5 травня 2026 року, показала значний успіх у зниженні кількості помилок. За даними OpenAI, Instant створює на 52,5% менше галюцинацій у запитах щодо права, медицини та фінансів, ніж версія 5.3. Зменшення помилок у таких критичних сферах робить модель значно придатнішою для використання в корпоративному секторі.

“GPT-5 є значним стрибком в інтелектуальних можливостях… це уніфікована система, яка знає, коли відповісти швидко, а коли подумати довше”, — зазначає OpenAI у презентації базової моделі.

Нинішня стратегія OpenAI полягає у створенні цілого сімейства моделей. Хоча детальні технічні параметри Sol, Terra та Luna все ще перебувають на стадії вивчення через обмежений доступ, відомо, що вони розділені за призначенням: Sol виступає як флагманська модель, Terra забезпечує баланс, а Luna орієнтована на швидкість та економічність.

Чому це важливо

Стиснення циклів розробки до кількох тижнів свідчить про те, що індустрія перейшла від етапу фундаментальних відкриттів до фази інтенсивної інженерної оптимізації. Це створює системний тиск на розробників ПЗ, які мають адаптувати свої продукти під нові версії AI майже щомісячно. Такі дії призводять до дуже швидкої зміни технічних стандартів у всій галузі розробки.

Швидка реакція на помилки та постійні оновлення зміцнюють позицію OpenAI як домінуючого гравця. Компанія фактично перетворює процес розвитку продукту на безперервний цикл.

Для кінцевого користувача це означає перехід від універсальних моделей до спеціалізованих інструментів. Рівні Sol, Terra та Luna підібрані під конкретні задачі: від швидкого чату до глибокого архітектурного аналізу коду.

Загальнодоступнйи запуск GPT-5.6

9 липня 2026 року компанія OpenAI на своєму сайті офіційно повідомила про початок загальнодоступного розгортання GPT-5.6.

Ми запускаємо сімейство моделей GPT‑5.6 для загальної доступності після нашого обмеженого попереднього перегляду ⁠ : наш новий флагман Sol , а також Terra , збалансовану модель для щоденної роботи, та Luna , нашу найекономічнішу модель.

Можу підтвердити, що станом на 10 липня 2026 року у мобільному додатку ChatGPT для українських користувачів вже доступна модель Sol.

Sol на 54% більш ефективний з точки зору використання токенів у завданнях з кодування ШІ. Sol – найкраща модель кодування на даний момент, — зазначив Генеральный директор OpenAI Сэм Альтман.

З точки зору маркетингу для OpenAI це дуже вдалий час, оскільки Anthropic обмежив доступ до флагманської моделі Claude Fable 5 до 12 липня 2026.

Якщо модель Sol дійсно покаже себе в кодування та інших аналітичних задачах не гірше за Claude Fable 5, то існує велика ймовірнисть, що велика частина користувачів Claude віддадуть перевагу саме новій моделі від OpenAI.

Які переваги GPT-5.6 над Claude Fable 5?

OpenAI вийшовши на IPO й намагається обійти Anthropic і його Claude Fable 5 у кодингу та аналітиці за допомогою GPT-5.6, роблячи ставку на кілька практичних рішень.

По-перше, розробники розширили контекстне вікно до 1,5 мільйона токенів. Тепер модель здатна за один раз опрацювати весь програмний код проєкту чи стоси документів, не забуваючи деталі на початку розмови. Це значно спрощує архітектурний аналіз, який раніше доводилося розбивати на частини.

Друга зміна стосується структури самих моделей. Замість одного інструмента «для всього» користувачам пропонують три варіанти: потужний Sol для складних обчислень, збалансований Terra для повсякденної роботи та швидку Luna. Такий підхід доповнюється роботою над точністю — у новій лінійці використали досвід версії 5.5, де кількість помилок у праві, медицині та фінансах скоротилася вдвічі.

Також компанія змінила темп релізів. Тепер мікро-оновлення виходять кожні кілька тижнів, що дозволяє виправляти помилки та додавати нові функції майже миттєво, не чекаючи великого річного виходу.

Зрештою, якщо Claude робить ставку на глибину кожної окремої відповіді, то OpenAI фокусується на величезних обсягах пам’яті, гнучкості вибору та швидкості розвитку.

Як використатти GPT-5.6 SEO-фахівцям

GPT-5.6 пропонує SEO-фахівцям та стратегам інструменти, які суттєво змінюють підхід до роботи. Завдяки пам’яті на півтора мільйона токенів тепер можна завантажити в один чат структуру всього сайту разом із текстами та технічними звітами, не обмежуючись аналізом окремих сторінок. Це дозволяє моделі бачити загальну картину: вона знаходить помилки в перелінковці або повтори за змістом на всьому ресурсі.

Так само зручно вивчати конкурентів — завантаживши кілька їхніх великих статей, можна одразу побачити, яких тем бракує вашому сайту. Модель також допомагає будувати логічні контент-плани, оскільки тримає в пам’яті всю семантичну карту проєкту.

Для сайтів про медицину, фінанси чи право, де точність є пріоритетом, модель стала надійнішою. Оскільки GPT-5.6 галюцинує на 52,5% рідше за попередні версії, ризик потрапити під санкції Google через недостовірну інформацію став меншим. Цю особливість можна використовувати і для автоматичної перевірки фактів у великих обсягах контенту.

Розподіл на рівні — Luna, Terra та Sol — допомагає ефективніше витрачати ресурси. Найпростіша версія Luna підходить для масових завдань, як-от написання сотень мета-тегів чи коротких описів товарів. Terra справляється зі стандартними SEO-статтями, а потужна Sol знадобиться для розробки стратегій просування або аналізу складних алгоритмів ранжування.

Окремою перевагою є допомога в технічному SEO

Модель вміє створювати мікророзмітку Schema.org та писати скрипти для автоматичного збору даних із Google Search Console.

Також вона допомагає покращувати показники швидкості завантаження, аналізуючи код сторінки та пропонуючи технічні правки для Core Web Vitals.

Зрештою, робота спеціаліста переходить від створення окремих текстів до управління всією інформаційною архітектурою сайту в одному вікні.

Компанія Adobe інтегрує інструменти професійного покращення зображень та SEO-аналітику у свою екосистему, щоб створити єдиний центр для створення та просування контенту.

Чи може один пакет програм замінити цілий відділ маркетингу та ретушерів? Adobe намагається дати відповідь на це питання, поглинаючи Topaz Labs та Semrush. Ця стратегія перетворює Creative Cloud із набору інструментів для малювання на платформу, яка керує видимістю бренду в інтернеті та оптимізує його під сучасні алгоритми пошуку.

“Творці створюють більше контенту, поєднуючи захоплені та згенеровані зображення та відео, а з Topaz Labs ми надамо кожному творцю якість і контроль, щоб легко створювати цей контент у вищій якості та роздільній здатності”, — сказав Девід Вадхвані, президент відділу креативності та продуктивності Adobe.

Основні тези

• Технології Topaz Labs, зокрема розробка Neurostream, дозволять Adobe запускати складні ШІ-моделі безпосередньо на пристроях користувачів (on-device AI).
• Придбання Semrush за $1,9 млрд дає Adobe інструменти для відстеження ефективності контенту в пошукових системах та розвитку Generative Engine Optimization (GEO).
• Компанія прагне утримати користувачів усередині своєї екосистеми, щоб протистояти тиску з боку Canva та Figma.

Особлива увага приділяється технологічному стрибку в обробці зображень. 25 червня 2026 року Adobe оголосила про підписання угоди щодо придбання Topaz Labs. Головною технічною перевагою тут є Neurostream — технологія, що дозволяє виконувати складні обчислення локально, на споживчих графічних процесорах. Це радикально зменшує залежність від хмарних серверів, що робить обробку швидшою та приватнішою. Adobe планує інтегрувати ці можливості, зокрема моделі на кшталт Topaz Bloom та Topaz Gigapixel, у Photoshop та інші продукти свого пакету, щоб користувачі могли ефективніше працювати з роздільною здатністю зображень.

Але як перетворити творчий інструмент на реальний бізнес-актив?

Маркетинговий напрям компанії підсилила покупка Semrush. Угода, анонсована в листопаді 2025 року, була офіційно завершена 28 квітня 2026 року за суму в $1,9 млрд. Тепер Adobe прагне запропонувати комплексне рішення: дизайнер створює візуал у Photoshop, а маркетолог у тому ж середовищі (зокрема через Adobe CX Enterprise) перевіряє, як цей контент відображається в традиційному пошуку та LLM-моделях. Такий підхід дозволяє компаніям скоротити час від ідеї до аналізу її реальної ефективності.

“Topaz Labs має глибоку експертизу в оптимізації великих і складних ШІ-моделей для роботи безпосередньо на пристроях”, — зазначила Діпа Субраманіам, віцепрезидентка з маркетингу продуктів Creative Cloud.

Чи є цей крок природним розвитком софту, чи це спроба залатати дірки в стратегії?

Ці кроки стали відповіддю на невдалу спробу купити Figma у 2022 році та зростання популярності Canva. Adobe більше не обмежується лише інструментами для художників. Компанія будує інфраструктуру для цифрового бізнесу, де дизайн є лише частиною великого ланцюга продажів і просування.

Чому це важливо для Adobe

Стимулом для Adobe стало прагнення зменшити залежність від хмарних обчислень та необхідність конвертувати творчий контент у конкретні бізнес-метрики. Системна інтеграція локального ШІ та SEO-аналітики створює високий бар’єр для виходу користувачів з екосистеми, оскільки перехід на інші сервіси потребуватиме використання кількох різних підписок і платформ.

Для професіоналів це означає перспективу отримання потужних інструментів Topaz безпосередньо в інтерфейсі Photoshop, що в майбутньому прискорить рендеринг завдяки on-device AI.

Для власників брендів це означає перехід до моделі “створення за даними”: тепер можна коригувати візуальну стратегію в реальному часі, спираючись на аналітику Semrush та дані про видимість бренду, не виходячи з робочого простору Adobe.

Чим це допоможе конкретним фахівцям?

Інтеграція Adobe з Semrush забере на себе рутину з метаданими: під час експорту графіки система автоматично створює Alt-тексти, структуровані дані Schema.org та назви файлів, спираючись на актуальне семантичне ядро. Це суттєво спрощує роботу SEO-аналітикам. Додатково читайте Як AI-алгоритми змінюють SEO

Крім того, використання алгоритмів Topaz покращує видимість у візуальному пошуку Google Lens та Google Images. Завдяки очищенню від шумів та підвищенню деталізації пошукові роботи значно краще розпізнають об’єкти на фото. Важливо й те, що стежити за релевантністю URL-адрес та видимістю сторінок можна безпосередньо в інтерфейсі Adobe CX Enterprise, не витрачаючи час на перемикання між різними вкладками.

Для маркетологів та стратегів такий підхід відкриває можливості «дизайну на основі даних». Тепер вибір палітри чи композиції банера можна коригувати, орієнтуючись на реальні візуальні тренди та показники CTR у конкретній ніші. Важливим економічним фактором є перехід на локальні обчислення (on-device AI) замість платних хмарних API. Це дозволяє використовувати потужність GPU самого користувача безкоштовно, суттєво заощаджуючи бюджет на обробку контенту. Нарешті, один креатив можна швидко адаптувати під будь-які формати — від блогу до соцмереж чи Discover — і одразу перевірити, як ці варіанти сприймаються пошуковими алгоритмами.

Чи може штучний інтелект взяти на себе виконання масштабних технічних завдань, які раніше потребували значних людських ресурсів? Результати запуску Claude Fable 5, що відбувся 9 червня 2026 року, свідчать, що індустрія наближається до цієї межі. Нова модель здатна виконувати складні багатоетапні завдання автономно, що фактично перетворює інструмент із традиційного чат-бота на повноцінного цифрового агента.

Основні тези

• Чи може штучний інтелект взяти на себе виконання масштабних технічних завдань, які раніше потребували значних людських ресурсів?
• Anthropic позиціонує Fable 5 як найпотужнішу модель, доступну для широкого загалу.
• Найбільш вражаючий практичний кейс продемонстрував сервіс Stripe.

Реліз Fable 5 відбувся у вівторок, 9 червня 2026 року. Це сталося всього через тиждень після того, як Anthropic офіційно подала конфіденційну заяву за формою S-1 до Комісії з цінних паперів і бірж США (SEC) про намір провести IPO. Випуск найпотужнішого ШІ у світі саме в цей момент — це класичний стратегічний крок для залучення максимальної уваги з боку Уолл-стріт.

Основні досягнення Fable 5 та цифри

Рекордна міграція: Fable 5 успішно перенесла кодову базу обсягом 50 млн рядків лише за один день.
Домінування в бенчмарках: Модель отримала 80,3% у тесті SWE-Bench Pro, що значно випереджає показник GPT-5.5, який становить 58,6%.

Безпековий контур: Ризикові запити автоматично перенаправляються на модель Claude Opus 4.8.

Anthropic позиціонує Fable 5 як найпотужнішу модель, доступну для широкого загалу. Головною особливістю є її високий рівень автономності: модель не просто генерує текст, а діє як інженер, здатний самостійно працювати з великими обсягами даних.

Найбільш вражаючий практичний кейс продемонстрував сервіс Stripe. Компанія повідомила про успішну міграцію коду обсягом 50 мільйонів рядків, яка була завершена за 24 години. Такий результат став можливим завдяки здатності Fable 5 сприймати величезну кодову базу як єдиний цілісний об’єкт, що дозволяє уникнути фрагментарності при внесенні змін.

Окрім програмування, модель продемонструвала визначні здібності в роботі з візуальними даними. Одним із найяскравіших прикладів стало проходження гри Pokémon FireRed. Fable 5 змогла орієнтуватися в ігровому процесі, спираючись виключно на візуальну інформацію з екрана, без жодних зовнішніх підказок чи текстових інструкцій.

Ефективність моделі підтверджують і лідери індустрії.

Майкл Труелл, CEO Cursor, зазначив, що Fable 5 є моделлю рівня SOTA (state-of-the-art) за результатами тестування на CursorBench, відкриваючи можливості для вирішення проблем, які раніше вважалися недосяжними для AI.

Архітектура безпеки та доступ

Разом із Fable 5 компанія Anthropic випустила й Mythos 5. Проте, на відміну від публічної версії, Mythos 5 доступна лише обмеженому колу партнерів у рамках Project Glasswing. Ця версія розроблялася спеціально для цілей кібербезпеки, що пояснює обмеження її доступу для широкого загалу.

Для звичайних користувачів Fable 5 має вбудовані суворі запобіжники. Якщо система ідентифікує запит як такий, що стосується біології, хімії або пошуку вразливостей у кібербезпеці, вона автоматично перенаправляє користувача на Claude Opus 4.8. Ця модель була випущена раніше, 28 травня 2026 року, і тепер слугує «запобіжною» базою для новішої системи. За даними Anthropic, такі перемикання відбуваються в середньому менш ніж у 5% сесій.

Наразі модель доступна через API та інтерфейс Claude.ai. Користувачі платних планів можуть користуватися можливостями Fable 5 без додаткової оплати до 22 червня 2026 року.

Чому це змінює правила гри

Заміщення традиційних чат-ботів автономними агентами стає системним фактором розвитку штучного інтелекту. Перехід від покрокового виконання команд до самостійного планування та реалізації складних інженерних завдань суттєво змінює економіку розробки програмного забезпечення.

Fable 5 фактично вирішує проблему галюцинацій у великих контекстах. Здатність працювати з кодовою базою як із цілісним об’єктом дозволяє проводити масштабні міграції та рефакторинг, які раніше потребували місяців ручної праці.

Для розробників це означає зміну ролі: від безпосереднього написання коду до архітектурного нагляду, де AI бере на себе рутинну реалізацію та тестування.

Для яких завдань її оптимально використовувати?

Через високу вартість Fable 5 не варто використовувати для простих текстів чи банальних запитань. Вона найкраще окупається там, де завдання дійсно складні й потребують глибокої аналітики.

Наприклад, модель здатна самостійно переписати застарілий код великого додатка, створити під нього тести та виправляти помилки, доки все не запрацює ідеально. У фінансовій чи юридичній сферах вона допомагає розбиратися з тисячами сторінок документації, де потрібно зіставляти дані з графіків та прихованих таблиць.

Також Fable 5 підходить для автономної роботи: вона може провести дослідження ринку за допомогою субагентів практично без нагляду людини. Завдяки вбудованому зору система навіть оцінює власну роботу — порівнює готовий інтерфейс із макетом і самостійно править код.

Для більшості завдань краще спочатку спробувати Sonnet або Opus. Переходити на Fable 5 доцільно лише тоді, коли дешевші моделі вимагають занадто багато ручних правок або коли будь-яка помилка ШІ обходиться дорожче за самі токени.

Що відбувається, коли компанія претендує на статус одного з наймасштабніших публічних розміщень в історії, водночас стикаючись із серйозними фінансовими втратами? OpenAI офіційно запустила процес підготовки до IPO, подавши реєстраційну форму S-1 до Комісії з цінних паперів і бірж США (SEC). Це рішення перетворює технологічний стартап на потенційного публічного гравця, що може докорінно змінити правила гри для всієї індустрії штучного інтелекту.

Основні тези

OpenAI подала конфіденційну заявку на IPO з цільовою ринковою оцінкою до $1 трлн (оцінка у $852 млрд була зафіксована під час раунду фінансування в березні 2026 року).
Попри ріст річної виручки (ARR) до $25 млрд, компанія прогнозує чисті збитки у розмірі близько $14 млрд за 2026 рік.
Вихід на біржу OpenAI, а також підготовка SpaceX та нещодавня заявка Anthropic створюють значний тиск на фондовий ринок.

Процес офіційного виходу на публічний ринок розпочався 8 червня 2026 року. Саме в цей понеділок OpenAI підтвердила подачу конфіденційної заявки S-1, вирішивши зробити це публічно, оскільки очікувала, що інформація все одно просочиться в медіа. Андеррайтерами угоди виступають провідні інвестиційні банки — Goldman Sachs та Morgan Stanley. Конфіденційний статус подачі дозволяє компанії узгодити документи з регулятором без негайного розкриття всіх фінансових деталей широкому загалу.

Водночас OpenAI наголошує, що не визначилася з точними термінами лістингу. Хоча ринкові аналітики та ЗМІ припускають можливість виходу на біржу вже у вересні 2026 року, сама компанія заявляє, що цей процес може зайняти певний час. Керівництво пояснює таку позицію тим, що певні стратегічні цілі легше реалізувати, зберігаючи статус приватної компанії.

Але чи зможе ринок проігнорувати такі масштаби збитків?

Фінансовий стан компанії викликає палкі дискусії. З одного боку, OpenAI демонструє стрімке зростання: показник річної виручки (Annualized Run Rate) сягнув $25 млрд. Важливо розуміти, що ARR є прогнозованим показником, а не фактичним доходом за минулий рік. З іншого боку, прогнозовані збитки у $14 млрд свідчать про те, що витрати на розвиток технологій залишаються колосальними.

Питання інфраструктури та внутрішні суперечності OpenAI

“Це може зайняти деякий час, оскільки є речі, які ми хочемо зробити, але які, ймовірно, легше зробити як приватна компанія”,, — зазначила компанія.

Головним викликом для OpenAI є висока вартість обчислювальної інфраструктури. У квітні 2026 року видання The Wall Street Journal повідомляло про занепокоєння фінансового директора компанії Сари Фрайяр щодо здатності OpenAI підтримувати такі масштабні витрати на дата-центри. Проте сама компанія офіційно спростувала ці чутки, назвавши їх «клікбейтом» і запевнивши, що всередині організації існує повна згода щодо стратегії інвестицій у обчислювальні потужності.

Ця ситуація підсвічує структурну проблему всієї галузі: вартість навчання та підтримки сучасних моделей зростає надзвичайно швидко. Інвесторам публічного ринку доведеться вирішити, чи готові вони підтримувати бізнес із такою моделлю витрат, де технологічне лідерство потребує постійних багатомільярдних вливань.

Доречі Alphabet це теж зрозуміла і залучила $85 млрд.

Конкуренція лише загострюється. Anthropic, ще один ключовий гравець на ринку ШІ, випередила OpenAI, подавши власну конфіденційну заявку на IPO 1 червня 2026 року — рівно за тиждень до свого головного конкурента. Разом із підготовкою до виходу на біржу SpaceX, це створює безпрецедентну концентрацію капіталу в секторі високих технологій.

Чому це важливо

Ситуація навколо OpenAI відображає критичну залежність сучасних великих мовних моделей від дорогої інфраструктури. Галузь переходить від стадії венчурного хайпу до етапу корпоративної відповідальності перед акціонерами, де кожен крок має бути обґрунтований фінансовими звітами.

IPO OpenAI фактично визначатиме «ціну» штучного інтелекту для всього світу. Якщо ринок прийме оцінку в $1 трлн попри відсутність прибутків, це відкриє шлях для інших збиткових тех-гігантів. Для розробників та бізнесу, які інтегрують рішення OpenAI, цей перехід є сигналом до диверсифікації. Залежність від одного провайдера, який опиниться під тиском квартальних звітів публічної компанії, стає помітним стратегічним ризиком.

Чи може пошуковик зрозуміти, що сторінка про «стратега цифрового зростання» є релевантною відповіддю на запит «найкращий SEO-консультант», навіть якщо ці конкретні слова не перетинаються? Для розв’язання таких завдань Google використовує модель RankEmbed. Цей алгоритм глибокого навчання перетворює текст на багатовимірні числові значення, що дозволяє системі порівнювати сенси, а не просто зіставляти літери.

Основні тези

• Чи може пошуковик зрозуміти, що сторінка про «стратега цифрового зростання» є релевантною відповіддю на запит «найкращий SEO-консультант», навіть якщо ці конкретні слова не перетинаються?
• RankEmbed працює як один із багатьох сигналів у складній багаторівневій системі ранжування Google.
• Поки традиційний пошук часто спирається на принцип інвертованого індексу, шукаючи сторінки з конкретними словами, RankEmbed перетворює запит користувача та вміст сторінки у вектори.

Технологічний фундамент

RankEmbed працює як один із багатьох сигналів у складній багаторівневій системі ранжування Google. Він не замінює традиційний пошук за ключовими словами, а доповнює його, допомагаючи системі краще розуміти семантичну близькість, особливо коли йдеться про довгі та специфічні запити (так звані long-tail queries).

Поки традиційний пошук часто спирається на принцип інвертованого індексу, шукаючи сторінки з конкретними словами, RankEmbed перетворює запит користувача та вміст сторінки у вектори. Уявіть це як точки в багатовимірному просторі: якщо дві точки розташовані близько одна до одної, це означає, що вони мають схоже значення, незалежно від того, які саме слова були використані.

Для того щоб точно виміряти цю відстань, Google застосовує математичний метод косинусної подібності. Якщо результат розрахунку наближається до одиниці, система вважає сторінку максимально релевантною за змістом. Саме косинусна подібність дозволяє пошуковику ефективно обробляти розмовні запити, де користувач може не знати точних термінів, але чітко формулює свій інтент.

Більше контексту зі справи антимонопольного суду проти Google.

“RankEmbed — це модель подвійного кодувальника, яка вбудовує як запит, так і документ у простір вбудовування. Простір вбудовування враховує семантичні властивості запиту та документа на додаток до інших сигналів. Пошук і ранжування потім є скалярним добутком (мірою відстані в просторі вбудовування). Надзвичайно швидкий; висока якість для поширених запитів, але може працювати погано для запитів з довгим хвостом.”, —  це цитата з “Офіційних матеріалів свідчень глави пошуку Панду Наяка.”

Google розробив систему глибокого навчання RankEmbed, щоб краще шукати та ранжувати документи. Це один із головних сигналів пошуковика, який тренували на базі великих мовних моделей. Система перетворює запити та сторінки у вектори (ембеддинги) і порівнює їх у багатовимірному семантичному просторі. Якщо запит і документ розташовані близько один до одного, алгоритм вважає їх спорідненими за змістом. Такий підхід працює швидко й ефективно, навіть якщо в самому запиті немає точних слів зі статті. Особливо добре RankEmbed допомагає з «довгохвостими» запитами, де розуміння контексту мови важливіше за простий підрахунок ключів.

Для навчання моделі використовували дані про кліки та реальні пошукові запити за один місяць. Також Google залучав оцінювачів (human raters), які перевіряли якість видачі, щоб «дотренувати» систему. Хоча RankEmbed BERT (розширена версія моделі) використовує менше даних, ніж традиційні системи підрахунку, він краще спирається на досвід користувачів, аналізуючи виділені терміни та відповідні сторінки.

Система чудово розуміє мову, проте гірше запам’ятовує конкретні факти. Її головна роль — заповнювати прогалини в даних про кліки, дозволяючи Google прогнозувати релевантність у нових ситуаціях. Цікаво, що RankEmbed може помилятися на дуже рідкісних запитах, хоча для популярних тем він показує високу якість. Через складність архітектури модель часто називають «чорним ящиком», адже розробникам важко точно пояснити механіку її внутрішніх рішень. Важливо розуміти, що це лише один із багатьох компонентів Google Search, а не вся пошукова система загалом.

RankEmbed та архітектура FastSearch

Згідно з документами антимонопольного процесу, модель RankEmbed є частиною архітектури Google FastSearch. Це окрема технологія, оптимізована для високої швидкості обробки даних. FastSearch використовує сигнали RankEmbed для швидкого формування відповідей, зокрема для роботи AI Overviews (штучного інтелекту в пошуковій видачі), де важливо забезпечити точне «заземлення» (grounding) відповідей Gemini на реальних даних.

Варто розуміти, що FastSearch не є повною заміною основного пошукового алгоритму, який обробляє стандартну видачу, а працює як спеціалізований інструмент для прискорення та уточнення семантичного пошуку.

Що це означає для SEO та створення контенту?

Поява таких моделей, як RankEmbed, часто інтерпретують як «смерть» традиційного SEO, проте це перебільшення. Внутрішні документи Google та думки експертів підтверджують: класичні сигнали, такі як якість посилань, швидкість завантаження сторінки та наявність ключових слів, залишаються важливими.

Проте акценти зміщуються. Тепер недостатньо просто повторити ключову фразу кілька разів. Для того щоб модель RankEmbed правильно визначила координати сторінки у векторному просторі, авторам варто зосередитися на тематичній глибині. Використання сутностей — конкретних назв компаній, галузевих термінів та відомих імен — допомагає системі точніше ідентифікувати тему тексту та його відповідність інтенту користувача.

Розвиток векторних представлень дозволяє усунути розрив між тим, як люди формулюють запити природною мовою, і тим, як інформація записана на сторінках. У довгостроковій перспективі це сприятиме домінуванню контенту, який надає вичерпні та експертні відповіді, охоплюючи тему повністю, а не лише формально оптимізуючи текст під окремі слова.

RankEmbed є ключовим елементом у еволюції пошукових алгоритмів Google, що відображає перехід до більшого використання машинного навчання та глибокого навчання для покращення розуміння запитів та релевантності результатів.

Основні тези

FastSearch використовує сигнали RankEmbed для швидкого семантичного пошуку фактів.
Система пріоритезує швидкість вилучення даних над повнотою результатів.
Структуровані дані стають ключовим інструментом для взаємодії з AI-алгоритмами Google.

Google FastSearch працює на базі сигналів RankEmbed, які зазвичай використовуються для ранжування в основному пошуку. Ця технологія готує стислі списки вебсторінок, щоб ШІ-модель могла сформувати на їхній основі чітку відповідь. Хоча FastSearch працює значно швидше за стандартний пошук (оскільки обробляє менше документів), якість таких результатів трохи нижча, ніж у повноцінній пошуковій видачі.

Google використовує цю систему як механізм RAG (генерація з доповненим пошуком) у Gemini та на платформі Vertex AI. Завдяки доступу до Google Search API додаток Gemini може миттєво знаходити потрібну інформацію в мережі, щоб підкріплювати свої відповіді реальними даними.

Чи може один алгоритм змінити сприйняття детальних статей пошуковиком? Google FastSearch реалізує саме такий сценарій, створюючи окремий шлях обробки даних для моделей Gemini. Ця технологія працює як високошвидкісний інструмент для «заземлення» (grounding) штучного інтелекту, що дозволяє формувати AI Overviews значно швидше, ніж це робить традиційний пошук.

FastSearch принципово відрізняється від традиційного пошуку Google. Його головна мета — швидкість. Замість ретельного ранжування всіх доступних документів у мережі, система опрацьовує значно менший набір даних і вилучає обмежену кількість результатів. Судові документи у справі Google проти Міністерства юстиції США підтверджують: такий підхід дозволяє моделям Gemini миттєво генерувати відповіді в AI Overviews, проте якість цих результатів може бути нижчою, ніж у класичній пошуковій видачі, через відмову від повноти аналізу на користь швидкості.

Технологічна основа FastSearch — сигнали RankEmbed. Це спеціальна модель семантичного ранжування, яка допомагає системі розуміти глибокий зміст запитів та документів. Якщо традиційний пошук націлений на знаходження найкращої сторінки цілком, то FastSearch шукає найбільш релевантний фрагмент даних для швидкої відповіді.

Але як FastSearch впливає на реальну видимість сайтів?

Використання розмітки Schema.org значно спрощує роботу AI-алгоритмів. Коли штучний інтелект стикається зі структурованим списком характеристик товару, він отримує готові відповіді в машиночитаному форматі, що мінімізує потребу в аналізі всього обсягу тексту сторінки.

“Структуровані дані допомагають комп’ютерам легше читати та індексувати ваш контент. Навіть якщо AI може працювати з неструктурованими даними, використання розмітки дає чітку перевагу в результатах пошуку”, — зазначила Alizée Baudez за підсумками конференції Google Search Central Live.

Для e-commerce та сервісних компаній це означає необхідність адаптації архітектури сторінок. Стає ефективнішим розміщувати чіткі блоки технічних специфікацій замість розлогих маркетингових текстів у верхній частині сторінки. Такий підхід фактично перетворює сторінку на структуровану базу даних, з якої FastSearch може миттєво витягнути потрібний параметр.

Щодо контролю над відображенням контенту, деякі спеціалісти звертають увагу на тег nosnippet. Традиційно він обмежує відображення сніпетів у звичайній видачі, проте його вплив на AI Overviews є складнішим і залежить від постійних оновлень політики Google щодо AI-індексації, що потребує подальшого уточнення в офіційній документації.

Чому це важливо

Перехід до архітектури Retrieval-Augmented Generation (RAG) зумовлений прагненням Google знизити кількість галюцинацій AI та підвищити швидкість відповіді. Це призводить до того, що традиційний якісний, але громіздкий контент може стати менш ефективним для швидкого вилучення фактів. У перспективі це може змінити CTR для інформаційних статей, надаючи перевагу ресурсам із чіткими семантичними структурами.

Успіх у новому пошуку тепер залежить від того, наскільки легко AI може витягнути з тексту конкретний факт. Структуровані дані стають одним із найефективніших способів допомогти AI-моделі правильно зрозуміти ціну, характеристику або дату, забезпечуючи точне відображення даних без ризику їхнього неправильного трактування в контексті сусідніх абзаців.

Докази того, що FastSearch існує

Під час антимонопольного суду проти Google з’явилися подробиці про систему FastSearch, на якій працює Gemini. Суддя Аміт Мехта пояснив, що ця технологія використовує сигнали RankEmbed для швидкого збору результатів із мережі. Хоча такий пошук працює швидше за стандартний, він менш точний, тому його використовують переважно для того, щоб ШІ міг підкріплювати свої відповіді фактами.

Керівниця пошуку Ліз Рейд та головний науковець компанії Панду Наяк підтвердили, що Gemini та хмарна платформа Vertex AI покладаються на FastSearch як на механізм витягування даних (RAG). Розробник Фіроз Парах додав, що додаток Gemini підключається до пошукових API саме для того, щоб отримувати свіжу інформацію з вебу для відповідей користувачам.

Зрештою суддя Мехта вирішив, що Google не мусить ділитися цією розробкою з конкурентами. Компанія не надає прямий доступ до FastSearch API стороннім розробникам, а використовує його лише у власних продуктах. Оскільки ця система створена спеціально для потреб генеративного ШІ і не є такою надійною, як повноцінний Google Пошук, суд дозволив залишити її ексклюзивною.

Що відбувається, коли технологічний гігант із багатомільярдними доходами відчуває гостру потребу в додатковому капіталі? Alphabet, материнська структура Google, вирішила це питання, оголосивши масштабний план залучення коштів.

Початково компанія планувала залучити 80 мільярдів доларів, проте через надзвичайно високий попит з боку інвесторів фінальна сума емісії була скоригована до 84,75 мільярда доларів. Цей стратегічний крок став відповіддю на критичний брак обчислювальних потужностей, які наразі не можуть повністю задовольнити зростаючий попит як корпоративних, так і приватних користувачів.

Основні тези

Alphabet залучає до $84,75 млрд за допомогою комбінованої моделі: публічних продажів, програми ATM та великої угоди з Berkshire Hathaway.
Основна мета інвестицій — розбудова мережі дата-центрів та розвиток власних чипів TPU, що дозволить компанії зменшити залежність від постачань Nvidia.

Капітальні витрати компанії у 2027 році, за оцінками Bloomberg Intelligence, можуть сягнути $300 млрд. Офіційно Alphabet заявляє лише про «суттєве зростання» витрат порівняно з бюджетом 2026 року, який становить $180–190 млрд.

Для реалізації цього плану Alphabet застосує гнучку модель фінансування. Згідно з approved-стратегією, 30 мільярдів доларів надійдуть через публічне розміщення акцій та конвертованих паперів. Ще 40 мільярдів доларів компанія планує залучити через програму поступового продажу акцій безпосередньо на ринку (at-the-market, або ATM), запуск якої заплановано на третій квартал 2026 року. Такий підхід дозволяє компанії залучати ліквідність поступово, уникаючи різких коливань котирувань. Важливим елементом цієї фінансової конструкції є приватна інвестиція від Berkshire Hathaway, яка вкладає у це розміщення 10 мільярдів доларів.

Може виникнути питання: навіщо Alphabet такі колосальні суми, якщо її прибутки продовжують зростати? Відповідь криється в технічних обмеженнях. Компанія офіційно визнає, що наразі вона перебуває у стані «compute constrained» — тобто попит на обчислювальні ресурси для ШІ перевищує її поточні можливості.

Головним пріоритетом є розширення глобальної інфраструктури. Alphabet робить ставку на власні Tensor Processing Units (TPU) — спеціалізовані чипи, розроблені саме для потреб штучного інтелекту. Власна розробка та виробництво дозволять компанії не лише оптимізувати витрати на навчання нових складних моделей, а й мінімізувати ризики, пов’язані з монополією Nvidia Corp. на ринку GPU.

Фінансовий фундамент Alphabet залишається надзвичайно міцним, що і дозволяє їй здійснювати такі маневри. Результати першого кварталу 2026 року підтверджують стійку динаміку: дохід компанії зріс на 22% у річному вимірі, досягнувши позначки у 110 мільярдів доларів. Окремо варто відзначити Google Cloud, який продемонстрував вражаюче зростання на 63%. Крім того, кількість платних підписок на сервіси екосистеми сягнула 350 мільярдів. Проте навіть такі темпи зростання доходів не можуть повністю покрити потреби у «залізі» для наступного покоління ШІ.

“ШІ створює для компанії новий етап масштабного зростання”, — зазначили в Alphabet, пояснюючи необхідність радикального розширення ресурсів.

Чому це важливо

Ця ситуація відображає системний перехід усієї галузі штучного інтелекту: від етапу розробки програмного забезпечення та алгоритмів до етапу будівництва масивної фізичної інфраструктури. Короткостроковим наслідком такої стратегії стане зростання боргового навантаження Alphabet, проте в довгостроковій перспективі це забезпечить компанії повний контроль над ланцюгом постачання обчислень.

Керівництво Google відкрито визнає: володіння власними чипами та мережею дата-центрів є єдиним способом зберегти конкурентоспроможність у гонці озброєнь ШІ. Без цих інвестицій компанія ризикує обмежити розвиток власних моделей просто через фізичну відсутність серверних потужностей.

Інвестиція у розмірі 10 мільярдів доларів від Berkshire Hathaway слугує потужним сигналом для ринку. Вона підтверджує, що найбільші інвестиційні фонди світу розглядають фізичну інфраструктуру для ШІ як один із найнадійніших і найперспективніших активів наступного десятиліття.

Чому Google остерігається Anthropic?

“Час має значення не лише для самого Alphabet. Оскільки Anthropic готується до публічного розміщення акцій”, — пише TechCrunch

Google бачить в Anthropic серйозну загрозу, і справа не лише в популярності чат-ботів. Моделі сімейства Claude напряму конкурують із Gemini, тож якщо Anthropic залучить великі кошти через IPO, вони зможуть масштабувати свої технології набагато швидше.

Ще одна причина — Anthropic залучив $65 млрд і наблизилася до оцінки в $1 трлн.

Зараз обидві компанії обмежені обчислювальними потужностями, тому перемога в цих перегонах залежить від того, хто першим збудує більше дата-центрів для тренування нових моделей.

Ще один важливий аспект — залізо. Alphabet вкладає мільярди у власні чипи TPU, щоб не залежати від Nvidia. Проте якщо Anthropic отримає стабільне фінансування та доступ до найкращого обладнання, стратегічна перевага Google у власних потужностях просто нівелюється.

Зрештою, швидкість залучення капіталу визначає швидкість розбудови інфраструктури. Якщо Alphabet встигне залучити гроші раніше, він зможе фактично перекрити конкурентам доступ до фінансових ресурсів і суттєво пригальмувати розвиток Anthropic

Що відбувається, коли штучний інтелект відмовляється від стандартних «перекладачів» даних, щоб стати швидшим?

Google представив Gemma 4 12B — модель, яка ігнорує традиційні методи обробки, щоб працювати безпосередньо на залізі користувача. Цей крок переносить можливості великих серверних систем на звичайні ноутбуки.

Основні тези

Відмова від окремих енкодерів скорочує затримки при обробці аудіо та візуальних даних.
Модель працює локально на пристроях із 16 ГБ VRAM, зберігаючи продуктивність рівня версії 26B.
Підтримка контексту до 256K токенів та понад 140 мов розширює можливості для розробників.

Google DeepMind розробив Gemma 4 12B як міст між легкими моделями E4B та потужними системами Mixture of Experts (MoE) на 26 млрд параметрів. Головна зміна полягає в архітектурі. Замість використання окремих модулів-енкодерів для перетворення зображень та звуків у формат, зрозумілий для LLM, Gemma 4 12B приймає ці сигнали напряму.

Візуальні дані тепер обробляє легкий модуль вбудовування (embedding module). Аудіосигнали проектуються безпосередньо в той самий простір, що й текстові токени. Такий підхід мінімізує використання пам’яті та прискорює відповіді системи.

Компанія Nvidia випустила RTX Spark — першу лінійку Arm-процесорів, розроблених для ноутбуків та міні-ПК. Цікаво, як себе на них покаже локальне використання Gemma 4 12B?

Gemma 4 12B працює локально на ноутбуках із 16 ГБ пам’яті

Але як така зміна архітектури впливає на доступність технології?

Gemma 4 12B має 11,95 млрд параметрів і 48 шарів. Завдяки цьому модель поміщається в 16 ГБ відеопам’яті (VRAM) або уніфікованої пам’яті. Це робить систему доступною для власників сучасних ноутбуків. Використання Multi-Token Prediction (MTP) додатково знижує затримку при генерації тексту.

Окрім цього, Gemma 4 12B підтримує конфігуровані «режими мислення» для складних логічних завдань та нативний виклик функцій (function calling) для створення автономних агентів. Модель також обробляє відео та зображення із підтримкою змінної роздільної здатності.

Деякі розробники припускають, що відмова від енкодерів може погіршити точність розпізнавання дуже специфічних аудіосигналів. Проте Google стверджує, що уніфікація простору даних компенсує ці втрати за рахунок кращого розуміння контексту.

Модель доступна під ліцензією Apache 2.0. Це дозволяє розробникам вільно інтегрувати її у свої продукти. Користувачі вже можуть протестувати систему через інструменти локального запуску, такі як LM Studio та Ollama.

Ось список для Ollama:

• gemma4:12b
• gemma4:12b-it-q4_K_M
• gemma4:12b-it-q8_0
• gemma4:12b-it-bf16
• gemma4:12b-mlxMLX
• gemma4:12b-mlx-bf16MLX
• gemma4:12b-mxfp8MLX
• gemma4:12b-nvfp4MLX

“Gemma 4 12B розроблена, щоб принести високопродуктивний багатомодальний інтелект безпосередньо на ваш ноутбук, поєднуючи ефективність мобільних рішень із розширеним міркуванням”, — зазначають Олів’є Лакомб та Гас Мартінс у офіційному блозі Google.

Чому це важливо

Застосування архітектури без енкодерів усуває системні затримки, які виникали при передачі даних між різними модулями нейронної мережі. Це створює умови для появи швидких локальних інтерфейсів, що можуть одночасно бачити та чути користувача без хмарних обчислень. Короткостроково це призведе до виходу нових застосунків для локальної транскрибації та аналізу відео. У довгостроковій перспективі це може спричинити відмову від складних гібридних архітектур на користь повністю уніфікованих моделей.

Локальний запуск моделі на 16 ГБ пам’яті означає, що приватність даних більше не є компромісом між безпекою та якістю AI. Користувачі можуть обробляти конфіденційну інформацію, не відправляючи її на сервери Google.

Це також змінює економіку розробки AI-агентів. Замість оплати за кожен токен у хмарі, компанії можуть розгортати Gemma 4 12B на власних робочих станціях. Такий підхід радикально знижує вартість експлуатації багатомодальних систем.

Результати тестування Gemma 4 12B

На момент публікації цієї новини я розробляю програму для створення контенту.

До впровадження Gemma 4 12B програма в середньому забезпечувала результат за 4 хвилини 30 секунд. Після впровадження – 3 хвилини 12 секунд.

Скорочення часу обробки майже на третину (різніиця 1 хвилина 18 секунд).

Я використовував модель gemma4:12b-it-q4_K_M.