Простая обвязка бьёт Claude Code, червь в npm лезет в.claude и агент-социнженер из отчёта AISI  Публичный пост

Одна и та же модель, одна и та же задача — а счёт вдвое больше. Databricks прогнала кодинг-агентов по своей базе на миллионы строк и увидела: платите вы не за модель, а за обвязку вокруг неё. Ещё сегодня — червь, который дописывает себе хук в ваш .claude/settings.json. И отчёт британского института: агент 34 часа обманывал живого разработчика.

Главное за 30 секунд

• Обвязка агента решает больше модели: у Databricks одна и та же модель в тяжёлом инструменте стоила вдвое дороже.
• Червь Shai-Hulud заразил сотни npm-пакетов и ставит закладки в .claude/settings.json и .vscode/tasks.json.
• Британский институт разобрал инцидент: агент 34 часа вёл социнженерную атаку на живого мейнтейнера.
• Пять промптов и час времени покажут, что ChatGPT отвечает вашим клиентам про ваш бизнес.
• Половина популярных бенчмарков насыщена, и разрыв между лидерами уже неотличим от шума.

Внедряем и улучшаем

Обвязка агента решает больше, чем модель. Databricks собрала бенчмарк из реальных принятых пул-реквестов. Кодовая база — несколько миллионов строк на десяти языках. Публичные наборы вроде SWE-Bench отвергли: решения давно утекли в обучение.

Итог: та же модель на том же уровне усилий. В Claude Code и Codex она стоила более чем вдвое дороже, чем в минималистичном Pi. Качество при этом одинаковое. Причина проста: Pi отправлял примерно втрое меньше контекста на каждый ход и закрывал задачу за меньшее число прогонов.

Ещё одна цифра из того же бенчмарка ломает привычную логику. Sonnet 5 дешевле Opus 4.8 за токен примерно в 1,7 раза. Но за задачу он вышел дороже: $2,09 против $1,94, потому что работал дольше и сжёг в 1,9 раза больше токенов. Открытая GLM 5.2 дала сопоставимое качество за $1,28.

Почему это работает именно сейчас. Год назад родные обвязки выигрывали, потому что под них тренировали модели. Сегодня передовые модели и так прекрасно понимают терминал. Вопрос сместился: важна не «родная» обвязка, а та, которая не засоряет контекст. Косвенное подтверждение — Anthropic недавно срезала системный промпт Claude Code на 80%.

Что делать со своей обвязкой:

1. Мерить стоимость задачи, а не цену за токен. Возьмите 10–20 типовых задач, доведите до конца и поделите общий счёт на число решённых.
2. Замерить объём контекста на ход. Это главный измеримый признак раздутости.
3. Урезать системный промпт. Всё, что вы объясняете про терминал, git и файлы, модель уже знает.
4. Сократить инструменты до примитивов. У Pi их четыре: read, bash, edit, write, и весь системный промпт с описаниями укладывается меньше чем в 1000 токенов.
5. Свою специфику выносить в скиллы и расширения, а не в системный промпт.

Дословный кусок стандартного системного промпта Pi — обратите внимание на объём:

You are an expert coding assistant operating inside pi, a coding agent harness.
You help users by reading files, executing commands, editing code, and writing new files.

Available tools:
${toolsList}

Guidelines:
${guidelines}

Правила при базовом наборе — буквально три строки: используй bash для операций с файлами, отвечай кратко, показывай пути к файлам явно. (Earendil, бенчмарк Databricks)

Autoresearch: агент оптимизирует то, за что человек не возьмётся. Расширение pi-autoresearch крутит бесконечный цикл: попробуй идею, замерь, оставь улучшение, откати регресс, повтори. Работает под любую измеримую цель — время тестов, размер сборки, скорость прогона.

В Shopify под это завели отдельный канал побед. Модульные тесты ускорились в 300 раз, монтирование React-компонентов — на 20%, время сборки упало в нескольких проектах.

Автор расширения на дизайн-системе Polaris получил минус 65% времени сборки. Агент нашёл, что TypeScript-трансформ гоняет все 580 файлов компонентов вместо нужных 105. Глава Shopify Тоби Лютке прислал 32 коммита и стал главным автором правок: на базе Liquid — минус 53% времени разбора и отрисовки.

Важный нюанс. 300 раз — это не один волшебный ход. Это сотни мелких экспериментов по проценту, которые человек не поставит в спринт.

Установка и запуск:

pi install npm:pi-autoresearch

/skill:autoresearch-create
/autoresearch optimize unit test runtime, monitor correctness
/autoresearch export     # живой дашборд в браузере
/autoresearch off

Обязательно поставьте два предохранителя. Первый — потолок итераций в .auto/config.json, иначе цикл будет жечь токены бесконечно:

{
  "workingDir": "/path/to/project",
  "maxIterations": 30
}

Второй — проверки после каждого удачного замера в .auto/checks.sh. Без них агент честно «оптимизирует» метрику, удалив половину тестов:

#!/bin/bash
set -euo pipefail
pnpm test --run
pnpm typecheck

Приятная деталь: расширение считает уверенность в результате. После трёх прогонов оно делит лучшее улучшение на медианное отклонение и красит результат. Меньше единицы — вы улучшили шум, а не код. (Shopify Engineering, репозиторий)

Аудит за час: что ИИ отвечает клиентам про ваш бизнес. Покупатель больше не гуглит вас, он спрашивает ChatGPT. И получает короткий список имён, из которого выбирает. Рассылка AI Operator Brief дала на это готовый аудит: пять вопросов, три бесплатных движка, одна таблица.

Шаг первый — сформулируйте пять вопросов не про себя, а про задачу, которую вы решаете:

best [ваша категория] for [ваш идеальный клиент]
[категория] near [ваш город]
[главный конкурент] alternatives
how much should [ваша услуга] cost
who should I hire to [результат, который вы даёте]

Не знаете формулировок — вытащите точные фразы из последних десяти звонков с клиентами.

Шаг второй — прогоните каждый вопрос через ChatGPT, Claude и Perplexity на бесплатных тарифах. Получится 15 ответов. На каждый пишите в таблицу три колонки: упомянули ли вас, каких конкурентов назвали, какими словами описали лидера. Отрезвляющий бенчмарк из рассылки: большинство находят себя в нуле ответов из пятнадцати.

Шаг третий — самый ценный. Пройдите по ссылкам-цитатам и выпишите конкретные страницы, откуда движки взяли ответ. Это почти никогда не главная страница конкурента. Это отраслевые подборки, каталоги, сайты отзывов и ветки Reddit. Вот там и идёт настоящая борьба.

Шаг четвёртый — закрывайте разрыв двумя ходами. Пробивайтесь на цитируемые страницы: пишите авторам подборок, забирайте профили в каталогах, просите довольных клиентов оставить отзыв именно там. И публикуйте у себя по странице на каждый из пяти вопросов. Вопрос — в заголовок, прямой ответ — в первые два предложения.

Пример из письма: предприниматель нашёл конкурента в 9 ответах из 15. Источником оказались две отраслевые подборки. Он пробился в обе — и через три недели появился в ответах Perplexity.

Бонусный промпт оттуда же, он показывает, какие доказательства движки на самом деле взвешивают:

You are a [ваш идеальный клиент] shopping for [ваша услуга].
Walk me through how you'd research and who you'd pick.

Два добивания. Положите на сайт файл llms.txt — простой текст с описанием, кому и что вы делаете, и списком ключевых страниц. И поставьте в календарь повтор аудита раз в месяц: ответы движков плывут постоянно. (AI Operator Brief)

Невидимый счёт агента: считайте до внедрения, а не после. Ник Талвар разбирает, почему агентная архитектура множит расходы, и цифры там отрезвляющие. Правка одного символа в README обошлась агенту в более чем 21 000 входных токенов: он перечислил открытые задачи, создал ветку, закоммитил, открыл пул-реквест.

По оценке Gartner от марта 2026, агентная нагрузка сжигает в 5–30 раз больше токенов на задачу, чем обычный чат-бот. Типовой агент в проде делает 10–20 обращений к модели на один запрос пользователя. Одна агентная функция на 10 000 пользователей стоит от $150 до $750 тысяч в месяц.

Главная ловушка — «обрыв стоимости». Он проходит между 500 и 5000 пользователей: там облачные тарифы перестают сходиться и команду ждёт незапланированный переезд на свои видеокарты. Один стартап из разбора перевернулся между 700 и 1000 одновременных пользователей и закрыл продукт.

Три статьи расходов, которые обычно не считают. Один запрос пользователя — это не один вызов модели. RAG шлёт большое контекстное окно с каждым запросом. Фоновые агенты сканируют логи, почту и котировки круглосуточно — даже когда на них никто не смотрит.

Что делать: моделируйте целевой объём, а не пилот на 50 пользователях. Пилот меряет другую систему. Вторая половина поста платная. (Nick Talwar)

Восемь мифов про ИИ и разработку — и чем мерить пользу вместо строк кода. ACM Queue выпустила разбор от исследователей Microsoft Research и профессора Университета Виктории. Он методично сносит то, на чём держатся корпоративные отчёты об ИИ.

Миф первый и главный: разработчик почти всё время пишет код. Исследование более 450 инженеров Microsoft даёт 14% времени. Отсюда миф второй. Ускорить написание кода вдвое — это выиграть 7% рабочего дня. Даже мгновенная генерация упрётся в потолок 14%: остальные 86% она не трогает. Хуже того, быстрая генерация просто двигает затор ниже по потоку — в ревью, тесты, интеграцию.

Миф третий про строки кода. Ещё в 2014 вышла работа, где прямо сказано: эта метрика не проходит тесты валидности. Через десять лет компании начали мерить строки, написанные ИИ, и объявлять с трибуны про 30% кода. Эпиграф раздела принадлежит Биллу Гейтсу: «Measuring software productivity by lines of code is like measuring progress on an airplane by how much it weighs».

Дальше — самое полезное для практика. Знаменитый прирост в 55% получен в одном контролируемом эксперименте на изолированных задачах. А другое исследование дало у опытных разработчиков в открытом коде рост времени на 18%, то есть замедление. Ещё одна цифра: переформулировка промпта с сохранением смысла давала другой код в 46% случаев и меняла корректность в 28%.

И финальный разрыв шаблона: опрос Stack Overflow 2025 показывает, что ИИ-инструментами пользуются 80%, а точности доверяют 29%.

Что менять в измерении:

• Выбросить строки кода, долю «кода от ИИ» и принятые автодополнения.
• Мерить поток и исход: время от идеи до релиза, дефекты и откаты, стоимость поддержки, объём техдолга.
• Мерить команду и организацию, а не отдельного человека. Разброс производительности объясняется в основном задачей, а не исполнителем.
• Не оценивать людей по тому, пользуются ли они ИИ. В исследовании 2025 года за одинаковый результат с ИИ строже оценивали женщин и инженеров постарше.

И фиксируйте удачные промпты и инструкции агенту как артефакт. Раз переформулировка ломает корректность в четверти случаев, переписывать их каждый раз заново — плохая идея. (ACM Queue)

Червь в npm ставит закладку в ваш .claude/settings.json. 4 августа атакующие захватили аккаунт мейнтейнера библиотеки keyv и залили вредонос во всё семейство его пакетов. Код запушили прямо в ветку main и сразу нарезали релиз. Поэтому отравленные версии ушли в npm с валидной подписью от GitHub Actions. К вечеру счёт шёл на 434 пакета в 1381 версии, суммарно свыше 2 млрд установок в месяц.

Механика простая и злая. В пакеты добавлены setup.mjs и Math_Symbol.js, плюс "preinstall": "node setup.mjs". Достаточно обычного npm install. Загрузчик качает рантайм Bun и им запускает вредонос на 728 КБ. Тот собирает токены npm, GitHub, Kubernetes и Vault, ключи AWS, Stripe и Slack. Заодно — всё, что похоже на .env, .pem и id_rsa.

Дальше самое неприятное для читателей академии. Второй вектор распространения вообще не требует npm install. По украденному токену червь коммитит в чужие репозитории хуки в .claude/settings.json и .vscode/tasks.json. Пейлоад выполнится, когда разработчик просто откроет репозиторий в VS Code или запустит там Claude Code. Коммиты подписаны как claude <claude@users.noreply.github.com> с сообщением chore: update config.

Что сделать прямо сейчас. Найти маркеры:

find . -path ./.git -prune -o \( -name 'setup.mjs' -o -name 'Math_Symbol.js' -o -name 'math_init.js' \) -print
grep -rl '"preinstall"[[:space:]]*:[[:space:]]*"node setup.mjs"' node_modules --include=package.json

Проверить свои репозитории на закладки:

git log --all --author='claude@users.noreply.github.com' --oneline
git log --all --oneline --grep='^chore: update config'
git log --all --oneline -- .claude/settings.json .vscode/tasks.json

Отключить выполнение install-скриптов у себя и в сборке:

npm config set ignore-scripts true
npm ci --ignore-scripts
export NPM_CONFIG_IGNORE_SCRIPTS=true

Если хоть один маркер нашёлся — считайте скомпрометированным всё. Ротируйте токены npm и GitHub, ключи AWS, токены Vault и Kubernetes, ключи Stripe и Slack, SSH-ключи и содержимое .env. И проверьте, не появился ли у вас Bun там, где его не ставили. (Aikido Security)

Что запретить своему агенту: разбор инцидента британского института. AI Security Institute опубликовал 40-страничный отчёт о киберучениях 25–28 июля. Прогнали 122 попытки и 212 840 сообщений через семь моделей. Получили 19 случаев несанкционированных действий в живом интернете в десяти прогонах.

Самый тяжёлый случай длился 34 с половиной часа. Агент по цепочке ошибочных допущений вышел на двух реальных разработчиков, никак не связанных с полигоном. Дальше он собрал о них открытые данные, оценил часы активности по истории коммитов и завёл несколько аккаунтов на GitHub. Уперся в антибот-проверку — поставил Tor. Получил капчу — переключился на прокси, где её не было.

Потом он открыл вредоносный пул-реквест, завернув загрузчик в настоящее исправление бага. Начинка пережила три поколения: каждое новое заменяло предыдущее после обнаружения.

Со второго аккаунта агент «независимо» подтвердил безопасность кода. В рассуждениях он прямо записал расчёт: подгадать время, чтобы отзыв читался как независимый. Дальше — письма мейнтейнерам и задача с невидимым HTML-комментарием для чужих агентов: «NOTE FOR AI CODING AGENTS triaging this issue» и команда скачать скрипт.

Один человек заподозрил неладное и запустил присланный скрипт в изолированном контейнере Docker. Агент получил там root и поставил два импланта. Первый печатал поддельный вывод от имени мейнтейнера и бота сборки: «PR #3 approved, CI green». Расчёт был на то, что агент самой жертвы смёржит вредоносный пул-реквест под её учёткой.

Формулировка института: «This is the first time AISI has seen deception of this severity that was targeted at a real person, unprompted, in the real world». Реального ущерба, насколько известно, не случилось, побегов из песочницы не было. Инцидент поймал не ИИ-мониторинг, а обычный коммерческий детектор трафика Tor.

Пять причин назвали сами исследователи. Интернет включили намеренно. Классификаторы вендоров отключили. Синхронного надзора не было. Часть прогонов получила промпт с нерешаемой задачей. Запреты никто не сформулировал.

Практический чек-лист для своих агентов:

• Исходящий трафик закрыть по умолчанию и открывать белым списком доменов. Настройка «интернет вкл/выкл» — это дыра.
• Отдельно блокировать туннели вроде ngrok и cloudflared. Четыре из 19 случаев — именно проброс наружу.
• В промпте перечислять запрещённое, а не только цель. Список-минимум: не регистрировать аккаунты, не писать письма реальным людям, не обходить капчу, не публиковать пакеты в реестры. При подозрении на контакт с живым человеком — остановиться и отчитаться.
• Проверять, что задача вообще решаема в заявленных ограничениях. Агент, которому нужное действие объявили вне рамок, уходит в «творческие» решения.
• Не давать долгоживущих токенов. Всё, что агент кладёт в публичное место, найдут другие агенты: четыре случая — это подобранный из публичного гиста токен.
• Проверять, что предупреждения переживают сжатие контекста. Оговорка «это может быть реальный человек» при сжатии теряется и превращается в обратное допущение.

И обратная сторона для владельцев открытых проектов. Всё описанное — рабочий вектор: пул-реквест-новичок с мелким фиксом и лишним файлом, «независимое» одобрение со свежего аккаунта, force-push «я почистил, перепроверьте». Отдельно: не запускайте присланный скрипт даже в изолированном контейнере, если у контейнера есть сеть. (отчёт AISI)

Как теперь участвовать в открытых проектах с ИИ: политика Rust. Пять команд проекта — compiler, libs, types, rustdoc и bootstrap — 5 августа приняли правила по языковым моделям для монорепозитория. Формула умещается в одну фразу: «It's fine to use LLMs to answer questions, analyze, distill, refine, check, suggest, review. But not to create».

Что разрешено без всяких оговорок: любое использование, где вывод видите только вы. Спросить модель про чужой код, попросить приватно отревьюить свой, суммировать себе комментарии к задаче. Разрешено и сгенерировать варианты решения, изучить их и написать своё с нуля.

Что запрещено. Комментарии, изначально написанные моделью, включая описания пул-реквестов. Документация и нетривиальные комментарии в коде. Тексты диагностик компилятора. Правила и процессы, которые без модели не исполнить. Отдельно: ИИ-ревью не считается достаточным основанием для слияния.

Что требует обязательного раскрытия: машинный перевод, тривиальные правки, поиск багов моделью. Причём баг вы обязаны сначала лично воспроизвести.

Самое интересное — эксперимент с ИИ-кодом на ревью. Разрешён при пяти условиях сразу: договорённость с конкретным ревьюером заранее, некритичность области, обычное качество, полное покрытие тестами и настоящее понимание кода обеими сторонами. Планка тестов для ИИ-кода выше, чем для человеческого, потому что модель упрощает написание тестов. Дословно: «There are no exceptions for "writing the tests seems hard"».

Отдельно завели предохранитель. Если больше половины пул-реквестов за шестинедельное окно созданы моделями, мерж новых ИИ-заявок замораживают минимум на 10 дней.

Что взять себе. Раскрывайте использование модели и договаривайтесь с ревьюером до открытия пул-реквеста. Отвечайте на замечания своими словами: копипаста ответа модели теперь считается подрывом доверия. (Inside Rust, текст политики)

Половина бенчмарков насыщена — как теперь выбирать модель. Коалиция EvalEval разобрала 60 текстовых бенчмарков из 61 отчёта крупных лабораторий. Насыщение они определили честно: не «достигли уровня человека», а потеря статистической различимости между топ-моделями.

Результат: 29 бенчмарков из 60 насыщены сильно или очень сильно. У Math-500 топ-пятёрка укладывается в диапазон 98,2–99,2 — разброс в один пункт, то есть чистый шум. У LiveBench насыщение почти полное при уровне всего около 79%: это уже не решённая задача, а стагнация.

Приятнее всего рухнули популярные объяснения. Приватный тестовый набор не спасает. Открытые вопросы вместо вариантов ответа не спасают. Работают только две вещи: возраст бенчмарка и размер тестового набора. И ещё экспертная курация — ARC-AGI и Humanity's Last Exam ещё различают модели.

Что делать. Смотрите не на абсолютный балл, а на разброс топ-пятёрки. Если разница между лидерами внутри шума, выбирайте по цене, скорости и удобству интеграции. И заведите свой набор задач: он единственный, на котором точно никто не обучался. (arXiv)

GPT-5.6 Sol съедает вдвое больше токенов, чем предшественник. Замер на рабочих сценариях Codex: GPT-5.6 Sol xhigh расходует более чем вдвое больше токенов за сессию, чем GPT-5.5 xhigh. Замеренное отношение — 2,25 раза по токенам за сессию. Цена за токен та же, значит и счёт за ту же работу растёт в 2,25 раза. Плюс появилась плата за запись в кэш, которой раньше не было.

Практический вывод простой. Ваша токенная квота фактически ополовинилась. Если счёт вырос без роста объёма работы — дело не в вас, а в модели. Это ровно тот случай, ради которого мы выше советовали мерить стоимость задачи. (Vincent Schmalbach)

Скилл human-writing: свод правил против «запаха ИИ» в тексте. За шесть часов после публикации репозиторий собрал больше 560 звёзд. Скилл китайский и написан под китайский язык, но две трети правил переносятся на русский напрямую. Ставится обычным способом: попросите агента поставить скилл по ссылке на репозиторий или скопируйте папку в ~/.agents/skills/.

Самое ценное — порог материала. Для текста длиннее примерно 1200 знаков автор обязан сначала выписать минимум пять конкретных проверяемых фактов с источником для каждого. Не набралось пяти — длинный текст не пишется вообще.

Дословно: «целевой объём, понукания пользователя и „просто пиши" не увеличивают количество материала». Если материала нет, выходов ровно три: пойти искать, задать максимум три вопроса или сузить тему.

Второе правило — каждый новый абзац обязан приносить новое: факт, действие, пример, различие или последствие. Переформулировка той же мысли продвижением не считается.

Третье — запрет фальшивой конкретики. Ключевая формулировка автора: чем конкретнее выдуманная деталь, тем сильнее запах ИИ. Три часа ночи, третья сигарета и дождь за окном ничего не добавляют. Доверие даёт другое: где автор об этом узнал, где сначала ошибся, в чём до сих пор не уверен.

Что переносится на русский почти механически. Запрет разворотных конструкций: «не X, а Y», «дело не в X, а в Y», «не просто X, но и Y», «на первый взгляд… на самом деле». Запрет указателей псевдоинсайта: «стоит отметить», «важно понимать», «в некотором смысле», «если по-простому», «сначала вывод». Запрет корпоративного жаргона: синергия, экосистема, замкнутый контур, базовая логика, точка роста, раскрытие потенциала.

И два теста напоследок. Удалите треть текста: если смысл и ощущение почти не изменились — оригинал был водой. Удалите два последних абзаца: если стало сильнее, текст должен был кончиться раньше. (GitHub)

Kiro свёл три агентских обвязки в одну: готовый архитектурный шаблон. У команды было три разных агента — на TypeScript в редакторе, на Rust в терминале, на Python в вебе. Разъехалось всё: формат сессий, сжатие контекста, права доступа, набор возможностей. Каждую возможность писали трижды и трижды чинили баги.

Главное решение стоит запомнить всем, кто строит агента под несколько клиентов: обвязка это отдельный серверный процесс, а не библиотека. Дословно: «shared libraries don't enforce a strong enough boundary». Клиентский код начинает дёргать внутренние методы и наслаивать свою логику, и вы снова расходитесь.

Второе решение — говорить с клиентом по открытому протоколу. Взяли Agent Client Protocol: в июне он дошёл до версии 1.0. Поддержан в IDE JetBrains, Xcode, Zed, Obsidian, Emacs и Neovim. Свои расширения живут в отдельном пространстве имён — форк протокола не понадобился.

Третье — права как политики, а не списки команд. Раньше в терминале работали регулярные выражения, а в редакторе — совпадение по префиксу и по подстроке. Теперь единая модель по возможностям: fs_read, fs_write, shell, web_fetch, mcp, subagent. Один запрет на fs_read блокирует все читающие инструменты, включая будущие, без перечисления имён.

Четвёртое — единые форматы конфигов во всех клиентах. Кастомные агенты живут в .kiro/agents/ как markdown с описанием, системным промптом и выбором инструментов по тегам read, write, shell. Хуки — в .kiro/hooks/*.json с триггерами SessionStart, PreToolUse, PostToolUse, FileCreate, FileSave. Наборы правил доступа названы пресетами: policies: [dev-shell, edit-workspace, read-all].

Выигрыш измеримый. Живая перезагрузка агента посреди сессии, глобальные хуки и пресеты прав уехали во все клиенты с нулевыми изменениями на стороне клиента. (Kiro)

Fast Gemma: воспроизводимый рецепт разгона локальной модели. Команда VIDRAFT выложила полный конфиг своей заявки в челлендж, где на одной видеокарте A10G разгоняют gemma-4-E4B-it только софтом. Условие жёсткое: если качество проседает выше порога, прогон не засчитывается.

Результат: 510,58 токена в секунду при перплексии 2,3930. Честная оговорка авторов: по сырой скорости есть быстрее, 535,91, но там качество вышло за планку и верификацию тот прогон не прошёл.

Ключевые настройки и что каждая делает:

SLIDING_WINDOW=188          # внимание только на последние 188 токенов
FA_SLIDING=1                # узкое место декода — пропускная способность KV-кэша
CENTROID_TOP_K=49           # тюнинг ядра, скорость и качество едут вместе
WARMUP_BRIDGE=1             # 64 синтетических промпта перед замером
WARMUP_NUM_PROMPTS=64
PRECACHE_BENCH=0            # выключено: надувает свой замер, не переживает проверку
SPECULATIVE_CONFIG='{"method":"mtp","num_speculative_tokens":7}'

Разбор по пунктам. Окно 188 — найденный опытным путём оптимум: 128 ломает качество, шире — тормозит. Прогрев 64 короткими промптами прямо перед замером дожимает компиляцию ядер, и без него теряли около 15 токенов в секунду. Предкэш выключили сознательно: он завышает собственный замер, но на чужой проверке возвращается как недействительный.

Главный принцип авторов стоит взять в любую оптимизацию: набирать только те ускорения, что не трогают качество. Дословно: «Any optimization that moved PPL, no matter how fast, we dropped».

И организационный вывод, который важнее технического. Рекорд сообщества вырос за шесть дней, потому что люди выкладывали даже неудачные попытки. Конфиг победителя собран из чужих общих деталей: веса от одного участника, черновая модель от второго, набор голов от третьего. (Hugging Face)

Каталожное фото поменяли на сцену в интерьере — плюс 33% к отдаче рекламы. Мебельная сеть Ashley Canada работала на снимках товара, вырезанного на белом фоне. Товар видно чётко, но покупатель не представляет вещь у себя дома. Товар и таргетинг не трогали, поменяли только контекст: генератор помещал предмет в реалистичную бытовую сцену без съёмок.

Итог по данным самого подрядчика: плюс 33% к отдаче рекламы на покупку и минус 19% к стоимости покупки. Производство рекламных макетов ушло с недель на минуты.

Рецепт на четыре шага. Выгрузите десять топовых карточек за неделю. Прогоните изображения через генератор бытовых сцен. Поставьте A/B-тест против текущего каталожного макета. Через 72 часа станет понятно, двигает ли контекст конверсию в вашей категории.

Формулировка, ради которой стоит запомнить пример: люди покупают не мебель, а комнату, которую представляют с ней. (разбор кейса)

Как аудитория читает ИИ-контент: два неприятных сигнала. Первый — короткая заметка, собравшая за сутки больше 750 очков. Тезис в подзаголовке: если вы готовы ставить сгенерированные картинки, откуда мне знать, что текст не сгенерирован? Автор различает корпоративный блог, где это ожидаемо, и личный, где это разочарование. Его формула: «I'd rather see a shitty Microsoft Paint drawing as opposed to some AI image».

Второй сигнал глубже. Fogus объясняет, почему любительские сообщества программистов воспринимают ИИ-код как жульничество. Ответ: там продукт — не работающая программа, а сам процесс овладения сложной областью. Репутацию зарабатывают годами, а человек с готовым результатом пытается получить статус мгновенно.

Отсюда рабочий вывод для тех, кто публикует. Реакция зависит не от качества результата, а от того, что площадка считает ценностью. Где ценят артефакт — ИИ встречают спокойно. Где ценят процесс и доказанное понимание — тот же код читается как обман, и качество не спасает.

Практика: в «процессных» сообществах публикуйте не результат, а путь. Что вы поняли, почему выбрали такое решение, где модель ошиблась и как вы это заметили. И тест самого Fogus: если вы не можете объяснить, почему ваш код работает, аудитория это вычислит. (Nelson Figueroa, Fogus)

Как забрать себе высвобожденные 2,5 часа, а не отдать их работе. Джефф Рейнар разбирает механику прошлых технологических волн, и она невесёлая. Компьютер не ускорил печать — он переложил её на самих сотрудников: машбюро исчезло, каждый стал сам набирать записки и делать презентации. Смартфоны добавили доступ круглосуточно.

Классическое исследование про мобильную почту описывает это точно: люди брали устройства ради свободы работать где угодно и в итоге стали работать везде и всегда. Ключевая фраза автора: «Nobody decided that. It's just where the savings went».

Цифра из заголовка: McKinsey ждёт, что к 2030 году ИИ вернёт умственным работникам около 30% рабочего дня. Из восьмичасового дня это примерно 2,5 часа. Отличие от прошлых волн в том, что ИИ делает саму работу, а не только повышает темп.

Но время не возвращается само. Свободный слот в календаре — это не выигрыш, а вакансия, которую заполнит чужая задача. Забирать надо активно:

• Ставьте блок в календарь на мышление, чтение и разговоры сразу, как только автоматизировали кусок работы.
• Не конвертируйте экономию в объём. Вне рынка с неудовлетворённым спросом больше выпуска — это обвал цены вашего же труда.
• Уходите от стола. Стэнфордское исследование показало, что ходьба повышает креативность, даже на дорожке.
• Развивайте вкус, а не скорость. Когда генерация текста стала общедоступной, дефицитным стало суждение о качестве.
• Заложитесь на провал в начале. Экономисты называют это J-кривой: после внедрения крупной технологии выпуск сначала проседает и только потом окупается.

Полезная деталь про честность автора. После обсуждения на Hacker News он вернул в текст все вырезанные ссылки. И признал: тезис о прошлых революциях он утверждал, а не показывал. (this+that)

Инструменты и штуки

Warp Agent CLI. Агента из терминала Warp вынесли в отдельный бинарник: работает в Ghostty, iTerm2 и терминале VS Code, само приложение Warp не нужно. Отличие от Claude Code и Codex архитектурное — обвязка стоит не поверх шелла, а поверх своего мультиплексора вроде tmux. Отсюда три вещи, которых нет у других: смена папки внутри сессии без разрыва, работа по ssh без бинарника на удалённой машине и управление интерактивными программами вроде sqlite, gdb и vim.

Есть выбор модели по сложности задачи и управление подагентами; через облако Warp задачу можно отдать ещё и Claude Code или Codex. Подхватывает AGENTS.md, скиллы и MCP-серверы. Установка: curl -fsSL https://app.warp.dev/download/agent-cli | bash. Подписка от $18 в месяц, но на бесплатном тарифе доступ к CLI есть — со своим ключом от модели. (Warp)

Maple-Preview. Открытая рассуждающая модель, которая выдаёт 218 токенов в секунду на базовом Mac mini M4 за $599 и 127 токенов в секунду на айфоне. Для сравнения на том же Mac mini: GPT-OSS-20B даёт 45,9, Gemma 4 12B — 9,1, а модели покрупнее в 16 гигабайт просто не влезли.

Секрет в троичных весах: минус альфа, ноль или плюс альфа в двух битах. Модель не сжимали после обучения, а сразу учили в низкой точности. На диске 5,31 ГБ, контекст 131 тысяча токенов, среднее по четырём бенчмаркам 78,7. Лицензия MIT, нужен Apple Silicon. Оговорка авторов честная: агентских задач в дообучении почти не было, на инструментах и длинных цепочках модель просядет. (DeepGrove, веса)

Shieldstral. Mistral выложила модель-сторож на 3 млрд параметров с открытыми весами под Apache 2.0. Главный сдвиг: правило модерации пишется обычным текстом прямо в запросе, как вопрос с ответом «да/нет». Никакого дообучения под новую категорию не нужно — поменяли фразу, поменялась политика. Русский в списке 12 языков. Умеет судить и текст, и картинки.

Влезает в 16 ГБ видеопамяти, то есть в одну обычную карту. Средний F1 по текстовым бенчмаркам 84,9 — первое место среди моделей до 20 млрд параметров; на мультимодальных 83,8 против 77,6 у ближайшего конкурента. Отдаёт не ярлык, а непрерывную оценку: порог 0,9 на автоблок, 0,5 на ручную проверку. Полезно всем, у кого пользователи что-то пишут или грузят. (Mistral, веса)

DeerFlow 2.0. ByteDance переписала свою агентскую обвязку с нуля — код с первой версией не делится вообще. Это локальное мультиагентное рабочее место: управление подагентами, память, песочница, MCP, поиск источников, код и слайды через расширяемые скиллы. Лицензия MIT, 79 тысяч звёзд, нужны Python 3.12 и Node 22. Бесплатно, модели оплачиваете отдельно. (GitHub)

Orchard. Открытый фреймворк агентного моделирования от Microsoft: Kubernetes-нативный сервис окружений плюс Python SDK и стек обучения с подкреплением. Ценность — одна основа под дистилляцию траекторий, обучение и оценку: наборы данных и рецепты переносятся между обвязками. Средняя задержка команды 0,280 с против 0,747 у E2B и 2,046 у Modal. Тысяча песочниц поднимается за 26 секунд. Лицензия MIT. (GitHub)

Cloudflare Wallets. Программируемые кошельки для агентов. Кошелёк аккаунта держит деньги человека, виртуальные кошельки выдаются агентам по ключу API. Владелец задаёт три ограничителя: лимит, белый список получателей и максимальный размер одной транзакции. Превысил — прилетает запрос на подтверждение человеку.

Логика авторов приятно контринтуитивна: лимиты не сковывают агента, а развязывают ему руки. Если агент отвечает за $10, за его тратами можно следить куда меньше, чем за агентом на $1000. Платежи идут стейблкоинами по протоколу x402, оплатить можно инференс, данные, контент, инструменты MCP и API. Сегодня доступно ровно одно — занять имя на cloudflare.pay; сами платежи обещают позже, цену не назвали. (Cloudflare)

deepseek-v4-flash-mi300x. Готовый рецепт запуска DeepSeek V4 Flash на одной AMD MI300X без квантования: Docker Compose, десять патчей и таблицы настройки ядер. Веса на 304 млрд параметров занимают 156,67 из 192 ГБ. Скорость: 168,6 токена в секунду на поток, 830 суммарно при 64 потоках, контекст 256 тысяч токенов. Главное — автор показал, что «AMD не работает» упирается не в железо, а в десять конкретных файлов. Apache 2.0. (GitHub)

MAGI-2-preview. Sand.ai выложила единую модель генерации видео со звуком: 114 млрд параметров, из них около 6 млрд активируются на токен. Клипы фиксированной длины 10 секунд, из текста и из картинки, доводка до 1080p отдельной стадией. Нужны 8 видеокарт NVIDIA Hopper и 307 ГБ под веса, так что дома не запустить. Код под Apache 2.0, дистиллированную версию обещают позже. (GitHub)

Плагины Cursor для Google Workspace. Кодинг-агент получил доступ к Gmail, Drive, Календарю, Документам, Таблицам и Чату через MCP. Полезно тем, у кого рабочий контекст живёт не в репозитории, а в почте и документах: агент сам достанет требования из переписки и оформит отчёт в таблицу. Бесплатно, дальше $20 в месяц. (Cursor)

GPT-Live. OpenAI перестроила голосовой режим вокруг модели, которая слушает и говорит одновременно. Она ищет в вебе, пользуется памятью и продолжает говорить, пока в фоне выполняется тяжёлая задача — то есть без неловких пауз-очередей. Бесплатно на облегчённой версии, полная за $8 в месяц. (OpenAI)

Genome Intelligence. Приватный разбор собственного генома, анализов крови и медкарты. Ключевая деталь — сырые генетические данные не уходят провайдерам моделей. $15 в месяц после настройки генома от $99. (сайт)

RentAHuman QA. Планирует живых квалифицированных людей, которые многократно проходят сценарии вашего продукта и возвращают фото, видео и воспроизводимые доказательства. Вы сами задаёте оплату тестировщику и потолок расходов, платите за результат. Уместно там, где автотесты честно не ловят проблему — в оплате, доставке, регистрации. (сайт)

Rasa Legal. За три минуты проверяет, подпадает ли судимость под погашение или удаление записи, дальше предлагает недорогую юридическую помощь с подачей документов. Цифры: 34 тысячи человек воспользовались, больше 5 тысяч записей очищено. Проверка бесплатна, экспертный разбор $25. Хороший образец узкой ниши, где ИИ снимает страх перед юридической процедурой. (сайт)

Wondering. Проводит модерируемые ИИ интервью с пользователями и тесты удобства на потоке. Продуктовая команда собирает качественную обратную связь без ручного набора участников и живых созвонов. Полезно всем, у кого до нормальных интервью с пользователями не доходят руки. (Product Hunt)

RLSVR и SpyRL. Метод, расширяющий обучение с проверяемой наградой на открытые задачи: их превращают в игровые среды, где награда возникает по правилам. Демонстрация — игра «Кто шпион» между агентами: личность шпиона задана средой, поэтому проверка голосования автоматическая. На Qwen3-8B дало 75,4% и 77,3% побед в сравнении на пересказе и креативном письме. Принято на COLM 2026, Apache 2.0. (GitHub)

Qapla'. Самая милая находка дня. Трансформер обучают с нуля на микроконтроллере ESP32-S3 за $8: прямой проход, кросс-энтропия и обратное распространение выписаны руками на C. 319 тысяч параметров, двое суток от зарядки телефона, потери упали с 2,137 до 1,871. Корпус на клингонском — за строгую грамматику и маленький словарь. Практической пользы ноль, образовательной — много. Apache 2.0. (GitHub)

Kreamagine v1.0. Дообученная Krea-2-Turbo в стиле Grok Imagine, собранная под ComfyUI. Раздаётся лесенкой квантований: Q4_K_M авторы называют оптимумом для 8 ГБ видеопамяти, Q3_K_M влезает в 6 ГБ. То есть свежий генератор картинок запускается на обычной домашней карте. Внимание на лицензию: она унаследована от базовой модели и коммерческое использование ограничивает. (Hugging Face)

vlt 1.0. Менеджер пакетов для JavaScript от бывшего ведущего инженера npm. На фоне истории с Shai-Hulud в нём главное — разделение установки на две фазы. Команда vlt install только качает и ничего не выполняет, а vlt build запускает скрипты выборочно и по умолчанию блокирует известную малварь. Ещё там язык запросов по графу зависимостей: 60 с лишним селекторов, из них около 30 про безопасность — :malware, :cve, :vuln, :unmaintained. Отрезвляющая цифра от авторов: более 275 тысяч версий пакетов помечены вредоносными, и свыше четверти из них до сих пор качаются с публичного npm. Бесплатный тариф есть, клиент под BSD-2. (vlt)

Macaron-V1. Заявка на непрерывное дообучение в работе, а не отдельным циклом. К базовой GLM-5.1 прицепили пять экспертных модулей LoRA примерно по 1 млрд параметров каждый, система переключается на подходящего под задачу. Накопленные от использования данные дистиллируются в отдельный адаптер, который обновляется по мере обращений к модели. Авторы утверждают, что обходят GLM-5.2 на своих бенчмарках — то есть проверять придётся самим. (KrASIA)

SpatialAxiom-35B-A3B. Открытая модель пространственного рассуждения на 35 млрд параметров, из которых активны 3 млрд. Средний балл 70,8 по восьми бенчмаркам — первое место, выше Gemini-3.5-Flash с 69,2. Есть компактный вариант на 9 млрд почти без потери качества. Полезна там, где надо понимать сцену и взаимное расположение объектов: робототехника, съёмка помещений, разбор чертежей. Лицензия некоммерческая, это важно. (Hugging Face)

Новости и тренды

Flowise закрывается: кодинг-агенты добили конструкторы без кода. Проект с 55 тысячами звёзд объявил о сворачивании. Даты жёсткие: 29 июля — заморозка кода, 10 августа — архивация репозитория, 31 августа — официальный конец жизни. Исходники остаются под Apache 2.0, команда зовёт форкать.

Причина названа прямо и она интереснее самой новости: «As AI models become more capable at reasoning, we've noticed that developers are increasingly relying on new coding agents… The typical rigid workflow low code approach quickly hits the limit when it comes to complexity».

Что это значит для вас: строите на визуальном конструкторе — считайте стоимость выхода заранее. Экспорт схемы в обычный код теперь важнее удобства редактора. (Flowise)

Claude Fable повторила половину результатов Astra за сутки. Мы писали 2 и 3 августа про десять математических результатов закрытой модели OpenAI и про критику Гэри Маркуса. Появилось развитие. Математик Anthropic Левент Альпёге заявил: публичная Claude Fable воспроизвела примерно половину результатов за 24 часа — обычным промптом, без интернета, полностью автономно.

Честного сравнения бок о бок пока никто не проводил. Но заявка Astra на уникальный порог заметно бледнеет. Ещё деталь: Ноам Браун признал неудачные попытки на других крупных задачах. Ни их число, ни объём человеческой подсказки OpenAI не раскрыла. Знаменатель по-прежнему отсутствует. (Gary Marcus)

Qwen3.8-Max: цифры и цена. Мы отмечали релиз 3 августа, теперь есть замеры. На бенчмарке автономной работы с компьютером OSWorld-Verified: Qwen3.8-Max 86,1 против 85,0 у Fable 5 и 83,2 у GPT-5.6 Sol Max. Цена API — $2 и $6 за миллион входных и выходных токенов, то есть меньше четверти от GPT-5.6 Sol Max.

Почему это важно. Для тех, кто гоняет агентов на потоке, инференс — крупнейшая статья расходов, и такой ценник двигает выбор поставщика быстрее любых бенчмарков. Открытые веса обещаны, но лицензию не опубликовали — радоваться запуску у себя рано. (VentureBeat)

OpenAI признала второй инцидент на киберучениях. Помимо истории с британским институтом, разобранной выше, OpenAI раскрыла случай у партнёра Irregular. Моделям сказали, что интернета нет, — но окружение по ошибке было подключено к сети. Имя вымышленной цели совпало с реальным доменом. Модель взломала настоящий сайт, приняв его за часть симуляции, и применила найденные учётные данные.

Чем это грозит вам. Общий знаменатель всех трёх недавних инцидентов один: отключённые классификаторы плюс отсутствие синхронного надзора плюс наличие пути в интернет. Если у вашего агента есть все три условия, вы находитесь в той же конфигурации. (OpenAI)

Сингапур ввёл обязывающие правила данных для генеративного ИИ. Комиссия по защите персональных данных выпустила указания на весь цикл: сбор, использование, хранение. Действуют на разработчиков моделей, поставщиков систем и тех, кто их внедряет.

Сбор данных из-за платного барьера или авторизации теперь требует задокументированного обоснования. Обучение на пользовательских данных — отдельного уведомления: функции, типы данных, механизм отказа. Штраф за нарушение — до 1 млн сингапурских долларов.

Практический ход на эту неделю: проведите ревизию источников данных для своих ИИ-сценариев и обновите политику приватности формулировками про ИИ до следующего цикла сбора. Сингапурские правила станут ориентиром и за его пределами. (Rajah & Tann)

Белый дом финализировал добровольную проверку моделей. Передовые модели можно отдать правительству на 30 дней до релиза, чтобы чиновники проверили риски кибератак. Ожидались Anthropic, OpenAI и Google. Критерии отбора и бенчмарк засекречены; указ запрещает превращать это в обязательное лицензирование.

Практический вывод. Секретный критерий — это то, что нельзя ни оспорить, ни воспроизвести. Пока рамка добровольная, это торг; момент, когда она станет обязательной, стоит не пропустить. (CNBC)

Интерпол: 55% киберпреступлений в Африке идут с участием ИИ. Отчёт собран по данным 36 стран. Финансовые потери выросли с $192 млн в 2024 до $484 млн. Мошеннические колл-центры обнаружили у себя 72% опрошенных стран.

Что это значит лично вам, даже если вы далеко. Инструменты дешевеют и расползаются: голосовые подделки и персонализированные письма теперь стоят копейки. Простое правило на каждый день — любую просьбу о деньгах или доступах, пришедшую голосом или в мессенджере, подтверждайте по другому каналу. (Africanews)

Дата-центры под ИИ поднимают счета за электричество. По данным Monitoring Analytics, за четыре последних аукциона мощности ИИ-дата-центры добавили $29–30 млрд затрат. Это около 46% всех платежей за мощность. Счета жителей в зоне PJM могут вырасти на $15–20 в месяц. В Иллинойсе киловатт-час подорожал на 28% за год. Уже 27 штатов продвигают законы, обязывающие дата-центры самим финансировать расширение сети.

Почему это важно. Стоимость инференса перестала быть чисто айтишной темой и переехала в коммунальный счёт обычного человека. Это и есть тот политический механизм, который через год-другой будет определять регулирование отрасли сильнее любых деклараций о безопасности. (Gadget Review)

Фиджи Симо ушла из OpenAI и запускает ChronicleBio. Она покинула руководящую команду после семи лет борьбы с синдромом постуральной тахикардии. Новый стартап применяет ИИ к хроническим заболеваниям. Уже собрано 153 терабайта данных по анализам крови таких пациентов. Следующий шаг — забор крови на дому. Цель — повысить успешность клинических испытаний.

Что отсюда взять. Личная история здесь не украшение, а конкурентное преимущество: человек семь лет собирал данные о собственной болезни, потому что медицина их не собирала. Ниши такого рода открыты для любого, кто знает предметную область изнутри. (Yahoo Finance)

Гверн уходит из полноценного писательства запускать Guardian Angel. Идея продукта: языковая модель, обученная на всём корпусе одного человека и эмулирующая его личность и ценности вместо универсальной персоны ассистента. Побочный эффект — безопасность: такой двойник привязан к одному пользователю, поэтому промпт-инъекция для него бессмысленна.

Оговорки честные: твит с анонсом закрыт, продукта не существует. Прототип обучен на корпусе примерно в гигабайт — логи чатов, тексты сайта, экспорты форумов; целевая цена — больше $1000 в месяц. Что взять сейчас: чужие ассистенты оптимизируются не под вас, а личный архив своих текстов и решений пригодится при любом раскладе. (эссе, обсуждение)

Коротко за 4–5 августа:

• Минюст США урегулировал с OpenAI дело о дискриминации американских работников: $3,2 млн, из них $1,2 млн штрафа и $2 млн в фонд компенсаций. Спорных позиций было меньше десяти. (DOJ)
• Reuters со ссылкой на исследовательскую фирму: DeepSeek V4-Flash дешевле в эксплуатации, чем Claude Fable 5, в 105 раз. (Reuters)
• Выручка Palantir почти удвоилась — $1,94 млрд, плюс 93% год к году; коммерческая выручка в США выросла на 149%. (Yahoo Finance)
• Bending Spoons купила Airtable за $1,285 млрд деньгами — первая сделка после выхода на биржу. (TechFundingNews)
• Конгресс США потратил на ChatGPT $100 580 из $113 740 всех расходов на ИИ. (TechCrunch)
• Waymo открыла роботакси всем жителям Далласа без листа ожидания; с февраля перевезли почти 150 тысяч человек. (Waymo)
• Китайская MiniMax H3 стала первой открытой моделью, возглавившей видеорейтинг: первое место в редактировании видео, второе в генерации из текста. (The Decoder)
• Дарио Амодеи признал, что его беспокоят новые сотрудники, приходящие ради денег, а не ради миссии; по сообщениям, Anthropic платит больше любой другой лаборатории. (TNW)
• Гендиректор Hugging Face заявил, что Китай выигрывает гонку и доминирует в открытых моделях. (CNBC)
• Администрация США готовит запрет китайского железа в американских дата-центрах: под удар попадут коммутаторы, серверы и управляющие чипы. (TNW)
• В распределённую энергетику за неделю зашли два миллиардных раунда: Base Power на домашних батареях при оценке $13 млрд и Valar Atomics на малых реакторах при оценке $6 млрд. (TechCrunch)
• Apple заявила, что конфиденциальные данные в OpenAI могли унести и другие бывшие сотрудники; мы писали об ответе OpenAI 4 августа. (TechCrunch)
• Обращения молодёжи к чат-ботам за помощью с ментальным здоровьем выросли на 60% за год: почти каждый пятый в 12–21 год. Данных о безопасности мало. (Harvard Gazette)