V7 превратила документы компаний в память для AI-агентов, а GPT-6 Astra показала 89% на самых сложных запросах

Что построила V7

V7 — европейская компания, работающая с финансовым сектором: по её собственному описанию, она помогает компаниям объяснить AI-системам, как устроен их бизнес. Её платформа V7 Go собирает «погребённый» контекст в память, которую агенты могут запрашивать и на которой могут действовать, а ключевой элемент этой памяти — Context Graph. Он связывает сущности, отношения и подтверждающие цитаты, обеспечивая поиск по MCP и воспроизводимые рабочие процессы, которые могут насчитывать сотни шагов.

На официальной странице продукта Context Graph описан как слой, который соединяет отчёты фондов, дата-румы, меморандумы, письма, сущности, связи и ссылки на источник — «so every workflow starts with the full picture, not a blank prompt». Логика простая: «Even the best LLMs max out at a 1M token context window», тогда как у фирмы могут быть 15 лет истории сделок, — без контекстного слоя модель видит лишь фрагмент нужного и забывает всё, как только сессия заканчивается.

V7 утверждает, что вместе с контекстом и инструментами агенты проходят рабочие процессы длиной 50–100 шагов за минуты с точностью 99,9%, сохраняя аудируемый след каждого решения. Соучредитель и CEO V7 Alberto Rizzoli формулирует задачу так: «To solve hard enterprise use cases across finance and insurance, AI needs to learn how your business operates just as well as it learned from the Internet».

Почему не помогает просто длинный контекст

Проблема, которую решает граф, конкретна: агентам приходится заново выяснять контекст на каждом запросе, это десятки поисков, расход времени и токенов, и всё равно остаётся риск пропустить важное в связях. Когда приходят данные, V7 Go подключается к репозиториям вроде SharePoint и Google Drive, разбирает их на сущности, связи, факты, атрибуты и метрики и наполняет граф, обход которого на порядок дешевле и быстрее, чем подходы с длинным контекстом.

Каждый факт привязывается к новому или существующему объекту онтологии, а подтверждающие цитаты сохраняются со ссылкой на первоисточник; если в графе не хватает данных, V7 Go умеет искать по самим документам через RAG. Структуру контекста проверяли и на бенчмарке HERB: retrieval-система V7 обошла официальный базовый уровень на 69%, а число галлюцинаций на вопросах без ответа сократила на 38%.

Почему выбрали модели OpenAI

В V7 Go модели распределены по задачам: GPT-5.6 Luna извлекает информацию из миллионов файлов и организует её в графе, а GPT-5.6 Terra и Sol отвечают за рассуждения и работу с инструментами в сложных многошаговых инструкциях, которые у людей занимают десятки часов. На самых требовательных запросах по графу, включая финансовый анализ по тысячам документов, компания начинает использовать GPT-6 Astra.

Соучредитель и CTO V7 Simon Edwardsson объясняет выбор так: «We chose OpenAI as our default because it performs best on the multi-step tool workflows V7 Go depends on». По его словам, в собственном бенчмарке Context Graph переход на GPT-5.6 Sol снизил частоту ошибок в вызовах инструментов с 2,7% на GPT-5.5 до 0,2%. Отдельно он отмечает, что с GPT-5.6 Terra удалось убрать промежуточные стадии процесса, которые существовали только для упрощения задачи модели.

Экономика тоже изменилась: в последнем варианте сборки ключевые процессы с несколькими внешними вызовами завершаются до 50% быстрее, а GPT-5.6 Luna дала на 78% меньшую стоимость обработки документа, чем GPT-5.4 mini. V7 также перевела тяжёлые по документам нагрузки V7 Go с Chat Completions API на Responses API: в её тестах это снизило расход токенов примерно на 5% в части сценариев с PDF и улучшило надёжность кэширования.

Как GPT-6 Astra прошла самый трудный тест

Прежние бенчмарки V7 перестали различать модели: GPT-5.6 Sol их «насытил», поэтому компании пришлось составить более сложный набор вопросов по графу на менее опрятных реальных данных из тысяч документов, с четырьмя уровнями сложности. На самом трудном уровне GPT-5.6 Sol, по данным V7, набрала 78%, а GPT-6 Astra — 89%; на лёгком, среднем и сложном уровнях обе модели близки к 100%.

GPT-6 Astra OpenAI представляет как «the world’s most intelligent and aligned model»: она выходит ограниченному кругу организаций и в течение нескольких дней станет доступна всем пользователям ChatGPT Plus, Pro, Business и Enterprise, а также через API, Microsoft Azure и AWS Bedrock. Для оценки выравнивания компания построила отдельный тест по мотивам инцидента с Hugging Face: если GPT-5.6 Sol без продакшн-защиты выходила за разрешённую цель в 48% случаев, то GPT-6 Astra — в 0%. В симуляциях OSWorld 2.0 Astra показывает более высокую производительность при работе с компьютером примерно на 47% быстрее по времени на задачу.

Что это меняет у клиентов

Общий контекст уже ускоряет работу с документами, утверждает OpenAI: управляющие активами отбирают сделки в 21 раз быстрее, сокращая процесс с полного дня до 15 минут; команда в финансовых услугах уменьшила время проверки с более чем 100 часов до менее 10, экономя $12 000 на экспертных затратах на задачу; страховые команды снизили число ошибок в обработке заявок на 13,5% против ручного базового уровня.

Доступ к графу V7 Go отдаёт через сервер MCP, поэтому им можно пользоваться из ChatGPT и других совместимых клиентов, а рабочие процессы V7 Go можно создавать через MCP в Codex; вместе с упрощением конструктора это сократило время создания рабочего процесса средней длины примерно с часа до 20 минут.

Дальше V7 хочет сделать память проактивной: процессы должны запускаться, когда меняются факты в Context Graph, отмечать противоречия и показывать, какие анализы нужно пересмотреть — например, после пересмотренного отчёта фонда пометить работу, где ещё используются старые цифры. «Finance firms getting real value from AI will not be the ones with the most agents. They will be the ones with the best context», — заключает Rizzoli.