ZeroDrift запустила Anchor 3.0 — семейство компактных языковых моделей, которые проверяют сообщения ИИ-агентов до их отправки. Флагманская модель выявила более 90% нарушений в тесте на основе правил Financial Industry Regulatory Authority. Модели доступны через Enforcement, интерфейс программирования приложений ZeroDrift. Этот шаг важен, поскольку автономные агенты способны создавать тысячи клиентских сообщений быстрее, чем группы комплаенс успевают их проверять вручную.
Состав Anchor 3.0 и результаты тестов
ZeroDrift сообщила, что флагманская модель показала общую точность на уровне GPT-6 Astra от OpenAI и Claude Fable 5.1 от Anthropic в ее тесте FINRA. При этом она работала более чем в 100 раз быстрее и стоила менее одной пятисотой части стоимости этих больших систем. По данным компании, в тесте использовались данные с разметкой юристов, подготовленные независимо компанией Surge AI. Тест опубликован самой ZeroDrift, поэтому результаты пока остаются заявлениями компании. Основатель и главный исполнительный директор Kumesh Aroomoogan отметил, что большие модели упростили создание способных агентов, а сложная часть — это их работа внутри регулируемого бизнеса с проверкой каждого сообщения перед отправкой.
Anchor работает как слой предварительной проверки, который перехватывает сообщения и сверяет их с регуляторными требованиями и политиками компании, с возможностью помечать, переписывать, блокировать или направлять сообщения на проверку человеку с записью решения для аудита. Линейка включает три версии. Anchor 3.0 Mini — это модель mixture-of-experts на 9 миллиардов параметров с 4 миллиардами активных параметров для обработки большого потока сообщений и готовых наборов правил. Флагманская Anchor 3.0 имеет то же число параметров, но применяет более 200 готовых правил, охватывающих FINRA, Securities and Exchange Commission и другие нормы, находит строки с нарушениями и переписывает их. Anchor 3.0 Max — модель на 27 миллиардов параметров для длинных документов, вложений и политик конкретной компании без дополнительного дообучения, а обучение моделей выполнено на основе Gemma E4B от Google и Qwen3.8-27B от Alibaba.
Выпуску предшествовал августовский предварительный показ, на котором ZeroDrift сообщила, что Anchor сочетает детерминированные проверки с моделью с открытым кодом, обученной на регуляторных материалах и сообщениях с разметкой юристов. Тогда компания описала программу как средство снижения рисков, а не как гарантию выявления каждого нарушения. Такая рамка соответствует текущей задаче: большие модели снизили затраты на создание способных агентов, но регулируемым компаниям по-прежнему нужна проверка каждого исходящего сообщения. ZeroDrift также недавно представила Guard for Agents — сервис на основе API, который встраивает комплаенс-проверки прямо в рабочие процессы агентов вместо отдельной ручной проверки.
Что это меняет для регулируемых компаний
Для бизнеса практический эффект — это проверка каждого сообщения без расширения штата ручного контроля. Проверка в реальном времени и с низкими затратами делает возможным контроль большого потока сообщений агентов, включая обычные ответы клиентам, которые раньше уходили без проверки. Небольшие компании без крупных отделов комплаенс могут начать с готовых наборов правил для FINRA и других требований, а крупные финансовые организации могут применять более 200 правил и хранить запись аудита по каждому решению. Разница заметна в ежедневной работе: меньше задержек перед отправкой и единообразный учет результатов проверки.
Ограничения связаны с подтверждением результатов и соответствием задаче. Показатели эффективности взяты из теста, опубликованного самой ZeroDrift, хотя разметку выполнила Surge AI, поэтому покупателям нужны независимые проверки на собственных типах сообщений и политиках. Частота ложных срабатываний важна не меньше доли выявленных нарушений, так как лишние пометки создают дополнительную работу по проверке и замедляют ответы. Покрытие также различается по версиям — от пакетов для большого потока в Mini до длинных документов и политик конкретной компании в Max без дополнительного дообучения. Перед выбором компаниям следует уточнить задержки при пиковой нагрузке, порядок записи переписанных фрагментов, подключение Guard for Agents и интерфейса Enforcement к текущим процессам и действия системы при отсутствии точного соответствия правилу.
Показателем подтверждения тренда станут данные промышленной эксплуатации в регулируемых компаниях: независимые цифры точности по нормам FINRA, доля ложных срабатываний и результаты аудита за несколько месяцев. Если финансовые организации оставят систему перед живым трафиком агентов и перейдут от готовых наборов к собственным политикам, подход перейдет от заявленных в тесте цифр к рабочей практике.
