Человек сел за Claude Code — и пятичасовое окно кончилось за десять минут. Лимит выел не он: собственный фоновый агент за день поднял 1555 сессий, а живой работы среди них оказалось 9%. Увидеть, куда утекает ваша квота, теперь можно за две минуты. Вторая цифра дня жёстче: самая умная модель стоит в шестьдесят раз дороже почти такой же умной — за десять пунктов индекса.
Главное за 30 секунд
- Скилл Tare читает логи Claude Code и показывает, какой именно файл или агент сжёг вашу квоту.
- Разница между самой умной и почти умной моделью — 10 пунктов индекса и 60 раз в цене.
- Один общий файл правил заставляет Claude Code и Codex понимать друг друга без пересказов.
- Владелец конвертера банковских выписок потерял 76% новых клиентов за полгода — базовые модели съели нишу.
- Суд признал незаконным чёрный список Пентагона против Anthropic — это была месть за критику власти.
Внедряем и улучшаем
Куда утекла твоя квота Claude Code: скилл Tare отвечает за две минуты. Сачин Нераватх сидел на тарифе Max 20x. Раньше недельного лимита хватало на пять-шесть дней. Потом лимит стал выгорать за два дня. В понедельник пятичасовое окно кончилось за десять минут — при той же работе. Он написал скилл, который читает локальные логи Claude Code и объясняет, что произошло (kelviq.com).
Ответ вышел обидный. За тот день на его машине поднялось 1555 сессий Claude Code. Медианная сессия — 30 секунд и 4 запроса. В 19:54 работал 51 сеанс одновременно, ноутбук слал около 190 запросов в минуту. Человеческой была ровно одна сессия: 82 запроса за пять часов. Его собственная работа — 9% дня, остальные 91% сделал фоновый агент, который он сам поставил на расписание.
Главное изобретение Tare — две колонки вместо одной. Injected — сколько токенов вывод инструмента добавил в контекст. Amplified — то же число, умноженное на количество последующих вызовов, которые его переслали заново. Автор объясняет: «Чтение файла на 20К токенов на третьем вызове из двухсот — это не 20К токенов; это 20К, пересланных 197 раз». Одно чтение минифицированного бандла может съесть неделю.
Ставится одной командой, зависимостей нет, только стандартная библиотека Python:
npx skills add kelviq/tare -g -y --copy --agent claude-code
Дальше нужна новая сессия — скиллы читаются на старте. Проверить: ls ~/.claude/skills/tare. Если пусто, а ~/.agents/skills/tare существует, скопируйте руками. Спрашивать можно словами или командами:
/tare полная диагностика
/tare usage панель на один экран
/tare window насколько забито пятичасовое окно прямо сейчас
/tare tools 7 что забивает контекст: файлы, MCP, субагенты
/tare week сравнить эту неделю с прошлой
Что смотреть первым делом. Долю кэш-ридов. Под 85–90% — значит вы живёте в длинных сессиях, и /clear между несвязанными задачами станет главным рычагом. Ночной трафик 23:00–06:00. Любая активность, пока вы спали, — это фоновый агент, файловый сторож, CI или забытая автоматизация. Топ по --by detail. Не «Read съел 74%», а какой именно файл.
И привычка перед тяжёлой задачей: /tare window. Окно скользящее — утренняя работа всё ещё внутри. Если оно заполнено на 80% до того, как вы начали, тяжёлый рефакторинг упрётся в лимит через десять минут.
Отдельная находка автора: свежая сессия платит полную цену создания кэша, а создание примерно в двенадцать раз дороже чтения. Рой коротких сессий стоит кратно дороже одной длинной, делающей ту же работу.
Один мозг на Claude Code и Codex: три файла и импорт. Claude Code читает CLAUDE.md, Codex читает AGENTS.md. Из-за этого люди дублируют правила или каждый раз пересказывают агенту, что было. The Neuron показал схему, которая это снимает (Claude Code memory, Codex AGENTS.md).
Шаг первый: общие правила проекта кладём в AGENTS.md, и там же — требование читать STATUS.md первым и обновлять его перед остановкой. Шаг второй: STATUS.md держим коротким, только текущее состояние. Шаг третий: CLAUDE.md не дублирует ничего, он просто импортирует общий файл одной строкой:
@AGENTS.md
Шаблон STATUS.md целиком:
# Goal
# Done
# Decisions
# Tests
# Blockers
# Next action
Теперь любой агент открывает репозиторий, читает передачу дел и продолжает без огромного пересказа. Приём стоит пяти минут и окупается на первой же смене инструмента.
ChatGPT Work: проект из трёх папок, который сам себя обслуживает. The Rundown разобрал по шагам, как превратить повторяющуюся рутину в скилл с расписанием. Пример — заметки со встреч, но схема переносится на что угодно (гайд Билли Хауэлла).
Шаг 1. Папку создаём на компьютере до того, как открыли ChatGPT, и с двузначным префиксом: 01-meeting-notes, 12-client-research. Префикс держит проекты в порядке, а выбор папки руками не даёт работе уехать туда, куда вы не смотрели. Дальше в десктопном приложении: New chat → Work → Choose project → New project, имя, и указываем эту папку источником.
Шаг 2. Просим предложить структуру, а не диктуем её:
Inspect the starter files in this project and propose a folder structure for processing meeting notes.
The workflow should:
- accept new files through one input folder
- rename and organize successfully processed notes
- extract decisions, action items, owners, deadlines, conflicts, and open questions
- produce a meeting index and weekly action plan
Show me the proposed structure before creating or moving anything.
В записанном примере модель предложила четыре папки и лишнюю возню с файлами. Её пришлось продавить на упрощение:
This feels duplicative. Simplify the project to three working folders:
- input for new files
- notes for the permanent source library
- outputs for finished indexes and action plans
Keep in mind that automations will maintain and process this project.
Получается схема почтового ящика: новое падает в input, проверенные источники живут в notes, пересобираемые отчёты — в outputs.
Шаг 3. Обрабатываем один раз руками и смотрим, что вышло:
Scaffold the approved folders, then process the starter meeting notes once.
For this first run:
- rename and move valid sources from input to notes
- build the meeting index and weekly action plan in outputs
- cite the source filename for every confirmed decision and action
- do not overwrite source files or invent missing owners, dates, priorities, or decisions
Stop after the first run and show me what changed before creating any schedule.
Шаг 4. И только теперь превращаем проверенный процесс в автоматизации и скиллы:
Turn the verified process into two reusable workflows:
1. Process new files in input, rename and move valid sources to notes, then rebuild every output.
2. Refresh the meeting index and weekly action plan from all files currently in notes.
Create scheduled automations for the timing I approve, then turn both workflows into skills I can run manually. Make the scheduled and manual versions use the same rules.
Выходит два скилла: один принимает новый материал, второй перечитывает библиотеку и пересобирает сводки. Вызывать можно и вручную слэш-командой, и по расписанию — правила у них общие.
Три подсказки, которые экономят нервы. Рутину гоняйте на лёгкой модели, тяжёлую — только на правках файлов и отладке. Локальные автоматизации нужны, когда надо менять файлы на компьютере; облачные — для регулярного сбора информации, который от этих файлов не зависит. И не плодите чат на каждый прогон: первый пусть создаст новый, дальше указывайте на существующий, иначе проект зарастёт одинаковыми ветками.
Почему кодинг-агент стоит дорого: дело в поиске, а не в правках. Sonar замерил, что происходит, когда агент правит один и тот же шаблон во множестве мест. Ему не дают файлы и строки — он ищет сам: грепнул имя, открыл файлы, вывел связи, грепнул следующее. Каждый греп — это отдельный вызов, а каждый открытый файл остаётся в контексте и пересылается заново на каждом следующем шаге (разбор Sonar).
Замер честнее, чем обычно бывает у поставщиков. Задачи взяты из реальных влитых коммитов. Промпт написан словами разработчика, без имён файлов и строк. Прогон засчитывается, только если код собрался и тесты прошли. По десять прогонов на сторону, ведущая метрика — медиана, модель одна и та же — Opus 4.8.
Разброс результатов — от −36% до нуля, и он объясняется одним числом. Sonar называет его отношением шума: сколько грепов приходится на одно реальное место правки. На задаче с BloomFilter греп по имени типа дал 461 попадание при 16 настоящих — шум 29:1, и там экономия максимальная. На SQLAlchemy 24:1, экономия 20–29%. На AssertJ 6:1 и на QuartzNET 4:1 — там выигрыш остался только в медиане. Где узкое место не поиск, а сборка и объём правок, разницы почти нет.
Посчитайте своё отношение шума до того, как что-то ставить: попадания поиска поделить на реальные места правки. 1:1 — чинить нечего, обычный греп оптимален.
Требуйте от инструмента файл и строку, а не имена. Ответ с правильными символами, но без их расположения, заставит агента искать заново: навигация ляжет поверх поиска вместо того, чтобы его заменить. И не судите по одному запуску — на SQLAlchemy при двух прогонах результат читался как +92%, при десяти превратился в −20%.
Отдельная мысль, которая дороже всех процентов. Полноту правок в замере не проверяли — Sonar это честно признаёт. При переименовании пропущенное место просто не соберётся. А вот при изменении поведения оно обычно компилируется и ломается уже в бою. Как формулирует автор: «Никто не написал теста на связь, о которой не знал». Зелёная сборка — не доказательство, что агент нашёл всё.
«Не знаю, это Claude написал» — как ловить и как лечить. Антон Зайдес разбирает симптом: инженер открывает пулл-реквест на тысячу строк, а на архитектурный вопрос отвечает вот этой фразой. Термин он берёт у Эдди Османи из Google: когнитивная капитуляция. Это не делегирование, когда ты отдал работу, но ответ всё ещё твой. Это момент, когда вывод модели тихо стал твоим выводом и проверять уже нечего (manager.dev).
Детектор простой и дешёвый: задайте автору пулл-реквеста не синтаксический, а фундаментальный вопрос по решению. Есть ответ — всё в порядке. Нет — возвращайте, а не мержьте. Худший сценарий, по автору, — когда автор пересылает комментарии ревьюера обратно в Claude вместо того, чтобы разобраться.
Лечение — перенести собственное ревью на момент до git add, а не после открытия пулл-реквеста. Порядок такой: спланировали с агентом, отправили на исполнение, а перед добавлением файлов в коммит просмотрели каждое изменение в редакторе. Что не поняли — спросили прямо в сессии. Ответ не сходится — поменяли код и перечитали. Критерий готовности жёсткий: понял каждое изменение файла — значит понял решение целиком.
Автор называет два условия, при которых срывается сам: начал с расплывчатой идеи и плохо знает предметную область. Их сочетание гарантирует, что решения примет за вас модель.
Его совет — составить два честных списка. Что он готов потерять: писать код руками, синтаксис языка, CSS. Что не готов: понимать устройство систем, взвешивать компромиссы, читать код и видеть в нём смысл, разбирать чужие планы. Ожидание для команды он формулирует так: «Я хочу по-прежнему вести Claude туда, куда мне нужно, а не быть ведомым им».
Маленькие модели пришли: считайте не цену токена, а цену задачи. Кэлвин Френч-Оуэн, сооснователь Segment и человек, помогавший запускать Codex, объясняет, почему потребительских ИИ-приложений почти нет. Ответ простой: стоимость токенов (calv.info).
Его личный эталонный прогон — изучить человека в интернете, понять, какие новости ему зайдут, собрать персональный микросайт с топом дня по HN, Reddit и Twitter. Год назад это стоило около доллара за прогон. При такой цене подписка выходила бы под тридцать долларов в месяц — нежизнеспособно. Сегодня тот же прогон стоит около десяти центов при «вполне приличном» качестве.
Картина по деньгам получается такая. GPT-5.6 Luna в максимальном режиме — около 5 центов за задачу при индексе 52. Claude Opus 5 — около 3,1 доллара при индексе 62. Шестьдесят раз в цене за десять пунктов индекса. В зелёном квадранте живут ровно две точки: Luna и GLM-5.3-Flash.
Рабочий приём, который автор даёт прямым текстом: делите задачи на два ведра. Первое — где нужен интеллект уровня «IQ 180»: сложная архитектура, исследование, новая механика. Второе он вслед за партнёром называет «токен-спьюер» — операционка, созвоны, напоминания, продвижение десятка фронтов одновременно. По его оценке, во втором ведре живёт около 95% реальной работы. Сам он кодит на самых дорогих моделях и делает всё остальное на Luna.
Отсюда два практических следствия. Если вы считали юнит-экономику своего продукта год назад — пересчитайте: идеи, похороненные на цене доллар за сессию, при десяти центах оживают. И протестируйте открытые китайские модели, а не отметайте их: GLM-5.3-Flash сидит прямо на границе выгодного.
Мой бизнес умирает: честный отчёт человека, чью нишу съели базовые модели. Ангус Ченг пять лет вёл сервис, который превращает PDF-выписки банков в таблицы. К февралю 2026 у него было около 40 тысяч долларов в месяц регулярной выручки. Дальше цифры пошли вниз (bankstatementconverter.com).
Смотрите не на выручку. Выручка упала на 24%, регулярная — всего на 12%: старая база ещё платит и маскирует катастрофу. А новые подписчики за полгода рухнули со 184 в феврале до 45 в августе — минус 76%. Отток при этом не вырос вообще. Воронка сломалась не на удержании, а на входе.
Автор честно говорит: «Я толком не знаю» почему. Три версии. Люди конвертируют выписки прямо в чат-боте — на паре страниц это работает нормально, и бесплатного тарифа им хватает. Он перестал публиковать выручку, потому что по его графикам стали клепать конкурентов с помощью ИИ. И кто-то из конкурентов просто лучше.
Отсюда три вывода для тех, кто строит своё. Первое: ведите отдельный график новых платящих в месяц и реагируйте на два месяца подряд снижения. Между «перестал расти» в марте и «понял, что умираю» в августе у него прошло полгода.
Второе: если ценность вашего продукта описывается одним глаголом над одним файлом, вы на таймере. Именно это новая мультимодальная модель получает бесплатно, как побочный эффект. Защита строится там, где чат-бот проигрывает: объём, скорость, конвейер, надёжность на масштабе.
Третье, самое дешёвое: Stripe годами спрашивал у его клиентов причину отмены. Он открыл эти данные в день, когда написал пост, — и там сразу лежал ответ: 52,7% ушли с пометкой «не пользовался».
Обвязка для агента: как поймать тихую деградацию кода. Идея из статьи Биргитты Бёкелер на martinfowler.com, развёрнутая в рабочий плагин. Проблема так себе очевидная: ассистент выдаёт правдоподобный код, забывает конвенции проекта, обходит слой абстракции, повторяет одни и те же ошибки. Всё это компилируется, тесты зелёные, деградация тихая (документация плагина).
Инструмент — файл HARNESS.md в корне проекта. Разница с README принципиальная. README объясняет человеку, что делает проект. HARNESS.md говорит агенту, что он обязан и чего ему нельзя, и почему.
Сердце подхода — тест на проверяемость. Каждая конвенция прогоняется через три вопроса. Могу ли я описать код, который ей следует? Могу ли описать код, который её нарушает? Проверит ли это инструмент или агент без двусмысленности? Хоть один «нет» — правило переписываем. Как это выглядит на практике:
| Лозунг | Почему не работает | Проверяемая конвенция |
|---|---|---|
| Пишите чистый код | слишком широко | разложить на конкретные правила ниже |
| Держите функции короткими | размыто | функции не длиннее 40 строк |
| Используйте осмысленные имена | субъективно | переменные от 3 символов, кроме i, j, k, err |
| Обрабатывайте ошибки правильно | непроверяемо | каждая возвращённая ошибка обёрнута с контекстом |
Второй приём — постепенное закручивание. У ограничения три ступени. unverified — правило объявлено, механизма проверки ещё нет. agent — написан промпт, и агент проверяет правило на ревью. deterministic — правило выражено скриптом и блокирует слияние в CI.
Начинать с unverified — не позор, а честный учёт. Сигнал к повышению: агент раз за разом ловит один и тот же класс нарушения. Значит, паттерн понят достаточно, чтобы его закодировать.
Так выглядит запись ограничения:
### No secrets in source
- **Rule**: No API keys, tokens, passwords, or private keys may appear
in committed source files
- **Enforcement**: deterministic
- **Tool**: gitleaks detect --source . --no-banner --exit-code 1
- **Scope**: commit
Третий приём — три петли принуждения с разной строгостью. Внутренняя работает во время правки: предупреждает, никогда не блокирует, укладывается в тридцать секунд. Средняя работает на пулл-реквесте и блокирует слияние, но только по детерминированным проверкам — находки агента остаются рекомендательными. Внешняя запускается по расписанию и выдаёт отчёты.
Правило выбора: сомневаетесь — начинайте с внутренней. Повысить ограничение можно всегда. Понизить после того, как команда научилась ему не доверять, гораздо труднее.
И самое ценное — авторы применили метод к себе и честно опубликовали результат. Аудит от 25 августа вскрыл: десять ограничений числились проверяемыми агентом, хотя ни один сценарий не мог их запустить. Одно повысили, пять понизили обратно до unverified. Плюс шесть плановых прогонов подряд падали одинаково с 20 июля и маскировали половину шагов.
Вывод, который стоит забрать даже без плагина: строка «дрейфа нет» исторически означала «никто не смотрел».
Поставить можно так:
claude plugin marketplace add Habitat-Thinking/ai-literacy-superpowers
claude plugin install ai-literacy-superpowers
Дальше /harness-init и /harness-status.
Клодизмы: 40% пулл-реквестов пишет один и тот же голос. Луи Абрахам собрал 461 тысячу описаний пулл-реквестов с GitHub за 603 дня и разложил их на десять кластеров по словарю. Один кластер появился в 2026 году и за последний месяц занял 40% всех описаний от нероботных аккаунтов (load-bearing).
Динамика вертикальная. Весь 2025 год — ровная линия около 0,5%. Февраль-март 2026 — начало подъёма. Апрель — 18%. Июнь — 30%. Середина августа — 41,5%. Прямая по последним двенадцати неделям даёт плюс 1,24 процентных пункта в неделю, и она всё ещё растёт.
Самое полезное — сам список маркеров. Он совсем не тот, к которому все привыкли: ни delve, ни robust, ни comprehensive, ни seamless — канон 2023 года отработал. Новый набор сухой и судебно-инженерный.
Впереди load-bearing: внутри кластера он встречается в 39,5 раза чаще обычного. Дальше plainly, quietly, refusal, survived, asserted — множители от 34 до 25. Замыкают genuinely, deliberately, premise, outright, byte-identical, provably, empirically, vacuous, falsified, seam, structurally, indistinguishable.
Ещё показательнее рост в абсолютных числах. byte-identical вырос в четыре тысячи раз против 2025 года, plainly и load-bearing — почти в пятьсот. А слов re-derived, carve-out, bit-identical за весь 2025 год не было ни разу.
И отдельный чемпион — длинное тире. Место 852 по множителю, но динамика громче всех: с 0,64 на десять тысяч слов в начале 2025-го до 123,9 сейчас. Рост в 193 раза. Один grep -c '—' по тексту даёт больше сигнала, чем любой детектор.
Три приёма отсюда. Первый: обновите свой список запретных слов — старый уже не ловит.
Второй: смотрите не на слова, а на регистр уверенности. Вымирающий человеческий кластер держался на seems, basically, perhaps, probably — люди оговаривались. Новый кластер утверждает. Вернуть в текст честную неуверенность там, где она реально есть, работает лучше любой замены слов.
Третий: просить агента писать иначе почти бесполезно. Автор баги в трекере Claude Code прямо пишет, что записал запрет в память, и это не помогло. Чините на выходе — хуком или проверкой по списку слов.
Важная оговорка, которую делает сам автор. Множитель 39 — это про кластер из десятков тысяч документов, а не про конкретный пулл-реквест. Слово nothing встречается полторы тысячи раз на миллион и у живых людей. Как детектор ИИ для конкретного коллеги это не работает, и обвинять человека по этим маркерам нельзя.
Агент помнит отменённое правило в 75% случаев. Свежая работа проверила, что происходит с агентами, которым досталась унаследованная память. Они следуют уже отменённым правилам примерно в трёх случаях из четырёх (arXiv).
Лечится это дешевле, чем кажется. Указание агенту проверить один ключевой документ поднимает долю правильного текущего правила примерно на семьдесят пунктов. Практический вывод простой: если у вас в CLAUDE.md или в памяти копятся правила, не надейтесь, что агент сам поймёт, какие из них живые. Явно направляйте его к источнику истины на каждой задаче, где правила успели поменяться.
Каскад вместо одной модели: 98% точности за седьмую часть цены. Ещё одна работа дня — про сопоставление товаров на масштабе маркетплейса, миллиарды кривых объявлений продавцов против чистого каталога. Схема простая и переносимая: лёгкие случаи уходят дешёвой модели, сложные — агенту с поиском по картинкам и вебу. Результат — 98% точности при одной седьмой стоимости (arXiv).
Это ровно то, о чём пишет Френч-Оуэн выше, только с цифрами по конкретной задаче. Если у вас есть поток однотипных запросов, где 80% простые, а 20% требуют головы, — разделите их дешёвым классификатором до вызова модели, а не гоняйте всё через самую дорогую.
Каждый инженер теперь менеджер, только подчинённые — боты. Гордон Уорли доводит мысль до конца: деление на исполнителей и менеджеров потеряло смысл, потому что в роли исполнителя не осталось ничего индивидуального (LessWrong).
Три навыка, которые он называет новыми обязательными. Многозадачность вместо глубокого фокуса — годами учили обратному, а теперь надо держать параллельные треки. Обратная связь: механика удивительно похожа на разговор с человеком, только ставки ниже — Claude не обидится на десятую переделку. И ответственность не за качество своей работы, а за измеримый результат для бизнеса.
Самое практичное здесь — не статья, а комментарий Raemon. Держите один основной поток, который вы реально думаете сами. Плюс два-три побочных с низкими ставками: бросили туда агента и вернулись через полчаса.
Там же названа ловушка: день целиком уходит на ИИ-задачи, которыми легко управлять, но которые на самом деле не важны. Проверка занимает минуту. Вечером выпишите, что сегодня сделали агенты, и отметьте, что из этого двигало цель.
Бесплатный курс из 33 ноутбуков: RAG, агенты и замеры качества без единого фреймворка. Репозиторий ai-engineer-notebooks — тринадцать секций, которые проходятся в браузере на бесплатном Colab. Порядок жёстко линейный: настройка, работа с API модели, замеры качества, RAG, замеры снова, агенты, адаптация, безопасность, эксплуатация, обслуживание запросов, проектирование систем, работа с заказчиком, разборы случаев (GitHub).
Две вещи в устройстве курса стоят внимания сами по себе. Замеры качества стоят дважды и намеренно рано — раньше RAG, на простой задаче. Логика автора: измеряй до того, как крутить настройки. Кто пропустил, потом «улучшает» RAG на глазок и не может доказать, что стало лучше. И внутри RAG порядок перевёрнут: сначала поиск, нарезка на куски последней. Нельзя оценить стратегию нарезки, пока не увидел, как на ней ломается поиск.
Денег не нужно вообще. Всё идёт на бесплатном Groq API, регистрация без карты, эмбеддинги локальные. Платный ключ не требуется, GPU нужен только в двух опциональных приложениях. Позиция «без фреймворков» объясняется одной фразой: «Паттерны живут, обёртки протухают» — вы пишете агентный цикл руками, чтобы понимать, что делает LangChain, и уметь судить, когда его брать не надо. Лицензия MIT, 313 звёзд.
Если времени мало, берите один ноутбук — агентный цикл с нуля. Сорок строк сырого кода, после которых видно, что агент — это цикл, а не магия.
Ночь фаззинга — и настоящий баг в FFmpeg. Дарио Клавихо из Монтевидео собрал с помощью агента фаззер и натравил его на FFmpeg. Через 10 часов 43 минуты и 495 тысяч запусков вылезло деление на ноль в демуксере звука из игр PlayStation 2. Воспроизводится файлом в 21 байт: правильная магия в начале, нули в поле числа каналов — и приложение падает целиком (тикет FFmpeg, обсуждение).
Повторяемая часть здесь не «ИИ нашёл баг», а «ИИ собрал обвязку». Сам фаззер брать с нуля не надо — берите зрелый libFuzzer или AFL++. Агенту поручите обвязку: сто-двести строк, которые берут массив байтов и прогоняют через входную точку вашего парсера. Приём из этого примера — покрывать всю цепочку сразу, от открытия файла до чтения кадра, а не одну функцию. Цель — любой код, который жрёт чужие байты: парсеры форматов, загрузчики, десериализация, обработка пользовательских файлов.
Самое поучительное — почему репорт приняли. FFmpeg публично воюет с ИИ-мусором: на странице безопасности прямо написано, что автоматические заявки не принимаются, а прошлой осенью проект назвал заявки гугловского Big Sleep мусорными.
Но этот тикет пришёл в публичный трекер с воспроизведением на 21 байт, бэктрейсом, разбором цепочки вызовов и готовым регрессионным тестом. Сопровождающий ответил через одиннадцать часов и через двенадцать открыл пулл-реквест. Причём баг был известен с 2024 года, и два предыдущих патча так и не влили. Урок простой: отправляйте пакет доказательств, а не спор.
Оговорки, которые автор не прячет: три из пяти его трофеев найдены в его же проекте, внешних всего два, а первый репорт того же автора висит без ответа месяц.
MIT выпустил отчёт о том, как учить в мире с ИИ. Специальный комитет из восемнадцати человек — преподаватели всех пяти школ, студенты, библиотекари — пять месяцев собирал опросы и слушал сообщество. Получилось на редкость трезво и с готовыми конструкциями, которые переносятся на любое обучение (отчёт).
Главный ход — перевернуть вопрос. Не «разрешать ИИ на этом курсе или запретить», а сначала «что человек должен уметь в конце» — и только потом политика. Отсюда меню из четырёх политик, оно копируется за вечер. Можно всё. Можно как помощник: мозговой штурм, редактура, отладка, но не готовое решение. Обязательно, по предписанному сценарию. Нельзя.
К каждой политике — одно предложение «почему именно здесь так», привязанное к цели урока. Комитет честно пишет, что вариант «нельзя» технически неисполним вне аудитории и работает только вместе с очной проверкой.
Про детекторы ИИ позиция жёсткая и обоснованная: не полагаться. Они запускают гонку вооружений с «очеловечивателями текста». Они принимают за машинный текст неносителей языка и нейроотличных студентов. Даже низкий процент ложных срабатываний ломает отдельные судьбы. И институционально — дисциплинарная комиссия MIT не считает вывод детектора достаточным основанием для дела.
Что вместо. Черновики от руки в аудитории. Промежуточные сроки сдачи вместо одного финального. Обратная связь на стадиях, а не только на готовом. И самое дешёвое во внедрении — сдача истории версий вместе с работой: если работа на несколько часов появилась за две минуты, это видно. Плюс устный десятиминутный разбор своей работы — человек, сдавший чужое, не объяснит свои решения.
Отдельный пункт, который бьёт по больному у всех, кто ведёт обучение: преподаватель обязан раскрывать собственное использование ИИ. Ученики моментально считывают сгенерированный материал и воспринимают запреты как двойной стандарт. И встречное предложение — если у вас есть ИИ-проверяльщик работ, отдайте его ученикам вместе с заданием как инструмент самопроверки, а не держите для выставления оценки.
Из цифр показательнее всего расхождение поколений. Среди аспирантов и постдоков ИИ часто или очень часто используют 60%, среди студентов 46%. При этом 40% студентов чувствуют себя более заменимыми и только 34% — более способными; у остальных групп соотношение обратное. И финальный разрыв: 70% студентов считают, что владение ИИ будет важно для карьеры, а что MIT их к этому готовит — только 25%.
Инструменты и штуки
Claude Cowork получил свой браузер. Открывается в боковой панели десктопного приложения: Claude сам ходит по сайтам, читает страницы, кликает и заполняет формы, а вы смотрите. Расширения ставить не надо, из вашего собственного браузера ничего не берётся — «Claude никогда не видит ваши вкладки, закладки и пароли».
Логины можно переносить посайтово из Chrome, Edge и Firefox, причём банки, почта и единый вход исключены по умолчанию. Разграничение простое: встроенный браузер — чтобы отдать веб-задачу целиком, Claude in Chrome — чтобы поработать с уже открытой страницей. Выкатывается на Pro, Max и Team (Anthropic).
Claudeforce: Salesforce внутри Claude. Плагин с 37 преднастроенными продажными скиллами — составить письмо, обновить запись, достать данные Salesforce прямо из чата. CNBC отмечает деталь: Salesforce впервые прицепил свой суффикс «force» к чужому продукту. В планах — интеграция со Slack. Полезно всем, у кого CRM отнимает время на механические действия (CNBC).
Gemini 3.5 Transcribe: час аудио за тридцать центов. Две модели — потоковая с задержкой меньше секунды и пакетная для записей. Точность на замере FLEURS: 5,50% ошибок в потоковом режиме и 5,04% без него, у ближайшего конкурента ElevenLabs 7,12%. Русский поддерживается и входит в набор языков замера.
Есть разделение говорящих, пословные метки времени и словарь до тысячи своих терминов — имён преподавателей, названий инструментов. Плюс режим smart: сам вырезает «эээ», разбирает самокоррекции и форматирует абзацы. Важное ограничение — smart несовместим с таймкодами и разделением говорящих, так что для расшифровки созвона с ролями придётся брать дословный режим (Google).
Gemini Omni 1.1 Flash: сцена на сорок секунд и черновики по три цента. Раньше при продолжении ролика модель видела только последний кадр — отсюда персонажи, менявшие лицо на склейке. Теперь она анализирует до десяти секунд предыдущего контекста, и сцену можно наращивать шагами по десять секунд до сорока. Появилась интерполяция между первым и последним кадром — годится для бесшовных лупов.
Но главное для кошелька — черновики в 360p: до 60% быстрее и втрое дешевле 720p. Перебираете четыре варианта промпта по три цента за секунду, а в 4K рендерите только победителя. Бесплатного тарифа нет вообще (Google).
AutoSaddler от Microsoft чинит обвязку агента сам. Система читает записи выполнения и правит промпты, определения инструментов, хуки и логику агентного цикла. Заявленные приросты: GAIA2 с 53,0 до 62,0, SWE-Bench Pro с 37,3 до 46,9, Terminal-Bench 2.0 с 40,0 до 50,0. Механика интересна сама по себе — глубокая диагностика записей вместо поверхностной рефлексии, явная таксономия правок, отбор изменений с проверкой на обобщаемость. Python 3.12–3.14, открытый код (GitHub, статья).
ChatGPT научился WebMCP. Встроенный браузер десктопного ChatGPT и ChatGPT Sites теперь умеют пользоваться инструментами самого сайта вместо того, чтобы угадывать путь по интерфейсу. Сайт публикует структурированный список действий: поиск товара, проверка наличия, обновление корзины, запись на приём. Если у вас есть сайт, это повод задуматься — пользователем теперь бывает агент, и опыт для него проектируют отдельно. Запуск идёт вместе с конкурсом при поддержке Chrome, Cloudflare, Shopify и Vercel (разбор).
PRAXIST: автономная система исследований на 906 звёзд. Работает там, где проект уже запускается и есть измеримая метрика, а как её улучшать — неизвестно. Механика: параллельные агенты-исследователи получают контракт дизайна ДО написания кода. Результат записывается не числом, а типизированным утверждением со статусом — подтверждено, опровергнуто, диагностика, неопределённо. Панель ролей решает, что наследуется дальше.
На MLE-bench из 75 соревнований Kaggle взял 80% медалей против 73,3% у Claude Code — при расходе $3054 против $38 370. Оговорка честная: модели у сторон разные, сравнение не строгое. Лицензия не свободная: исходники открыты, но бесплатно только при выручке до $1 млн (GitHub).
Experiential — открытый OpenRouter без наценки. Самохостимый шлюз: один вход, совместимый с OpenAI, поверх облачных, своих и локальных моделей. Плюс контроль доступа — кто из агентов какие модели зовёт и на какую сумму. Наценка ноль против примерно 5% у OpenRouter. Изюминка — маршрутизатор, который учится на ваших же записях выполнения: собираются OTel-логи, симулируются прогоны разных моделей, судья по калиброванной человеком рубрике их оценивает, поверх обучается классификатор. Apache 2.0, 590 звёзд.
Два предупреждения. Потолок — примерно 30–50 запросов в секунду на процесс. И SETUP.md содержит промпт, который просит агента обыскать .env и .zshrc на предмет ключей: выполнять не глядя нельзя (GitHub).
hrdx: мультиплексор терминала под кодинг-агентов. Tmux, переписанный вокруг простого факта: панель с агентом имеет состояние «работает / закончил / ждёт ввода», и его надо видеть. У каждой панели статус-кружок и звук на завершение хода. Плюс сокет с JSON-API и командой pane.wait {until: "idle"}. Значит, конвейер «дал промпт — дождался простоя — прочитал экран» собирается без опроса в цикле. Процессы переживают закрытие интерфейса. MIT, Go, 35 звёзд, версия 0.0.33 — то есть экспериментально. Полезно тем, кто ведёт три-пять агентов по разным репозиториям (GitHub).
agent-manager сводит Claude Code, Codex и Gemini CLI на один экран. Все сессии в одном терминале, новый агент — одним нажатием клавиши. Бесплатно попробовать (agent-manager.dev).
Termux-Dev превращает телефон в машину для кода. Полноценный кодинг-агент внутри Android-приложения Termux. Бесплатно (GitHub).
MCP-Builder.ai собирает MCP-сервер по описанию. Рассказываете, что нужно подключить, — получаете готовый размещённый и защищённый сервер для Claude, ChatGPT или Cursor. Цена не указана (mcp-builder.ai).
Only-Skill-You-Need: менеджер скиллов с правилом «один слот — один скилл». Определяет стек проекта и раскладывает задачи по шестнадцати слотам: планирование, отладка, ревью, фронтенд, база, безопасность и так далее. Следит, чтобы на каждый слот не набралось три конкурирующих скилла. Ставится через npx skills add Endokelp/Only-Skill-You-Need -g -y.
Честное предупреждение: живой поиск по реестру фактически не работает. Парсер спотыкается о цветовые коды, и инструмент молча откатывается на зашитый список из шестнадцати записей. Классификатор задач тоже ищет подстроки и разваливается на соседних формулировках. Ценность здесь в дизайне, а не в коде: закрытый список задач, двойной реестр и правило «не заменять установленное без спроса» переносятся в свой CLAUDE.md за полчаса (GitHub).
Grok Bot вошёл в большинство планов. Теперь входит в SuperGrok всех уровней и в Cursor Pro, Pro+, Ultra и командные тарифы. Важная деталь: у него собственные лимиты, отдельные от ваших планов Grok и Cursor, — переданные ему задачи не съедают то, чем вы пользуетесь сами. Умеет держать несколько ботов в одном групповом чате, имеет свой облачный компьютер с браузером и терминалом, и обучаемые рутины по принципу «покажи один раз» (xAI).
Yutori Navigator n2 работает мышкой и терминалом сразу. Модель для управления компьютером, которая смешивает клики, команды в терминале и код, чтобы довести десктопную задачу до конца. Заявлены результаты на уровне передовых агентов (Yutori).
ChatGPT Work научился логиниться на сайты. Агент заходит в ваши аккаунты через свой браузер и делает работу, «ни разу не увидев паролей». Дополняет проекты из гайда выше — теперь автоматизация может дотянуться до сервисов за логином (анонс).
Muse Image от Meta: цент за картинку. Генератор, который умеет рассуждать перед отрисовкой и опирается на поиск. Цена рассчитана на потоковые объёмы — один цент за изображение (Meta).
WeMM-Embedding: одно пространство для текста, картинок и видео. Открытое семейство мультимодальных эмбеддингов от команды WeChat Vision в трёх размерах — 2B, 4B и 9B, все с матрёшечными размерностями от 64. Годится, когда надо искать по смешанному архиву: документы, скриншоты, видео. Аудио пока не поддерживается. Есть примеры под Sentence Transformers, vLLM и SGLang (GitHub).
Audio8 TTS: синтез речи с клонированием голоса на процессоре. Компактная модель на 100 миллионов параметров, весь пакет — 0,86 ГБ, при работе занимает около 0,6 ГБ памяти. Видеокарта не нужна вообще, проверено на macOS и Linux. Голос регистрируется из образца от полусекунды до тридцати секунд.
Идёт с готовым локальным сервисом: командная строка, веб-интерфейс, потоковый режим и совместимый с OpenAI эндпоинт /v1/audio/speech. То есть подменяет облачный синтез речи почти без правок кода. Apache 2.0. Русского в списке одиннадцати языков нет, и замеров качества авторы не приводят вообще (Hugging Face).
MedGemma 1.5 4B работает офлайн на Android. Медицинская модель Google, сконвертированная сообществом в формат LiteRT-LM: текстовый вариант 2,41 ГиБ, мультимодальный 2,82 ГиБ. Сценарий — справочник для медработников там, где связи нет, а отправлять симптомы в облако нельзя.
Автор конверсии на редкость честен: паритет с исходной моделью доказан на пятидесяти вопросах, что он сам называет дымовым тестом, а скорость мерил не на телефоне, а на сервере. Обучение англоцентричное, лицензия не Apache, а HAI-DEF — с доступом по заявке (Hugging Face).
Microduck: двуногий робот-утка за $399. Двадцать пять сантиметров, 780 граммов, 15 моторов, камера, лидар, артикулированный клюв-захват. Умеет ходить, садиться и вставать, бить по мячу, подхватывать предметы, кататься на роликах и подниматься с лежачего. Делает Pollen Robotics, купленная Hugging Face в прошлом году.
Софт под Apache 2.0, все поведения выложены как ONNX-файлы, есть публичный симулятор. Смысл платформы — учить физический ИИ: маленький робот падает без последствий, поэтому цикл «сломал, переобучил, попробовал» крутится дома на столе. Предзаказы открыты, поставки до Рождества (Pollen Robotics, Engadget).
robot-episode-labeler размечает видео по подзадачам с вердиктом. Принимает видео и фразу-описание, возвращает JSON с таймкодами: подзадача, вердикт «получилось / не получилось», атрибуты провала. Придуман для робо-датасетов, но приём переносится куда угодно — записи экранов, обучающие видео, тесты интерфейсов, операции на производстве.
Около $2,40 за час видео, деньги уходят Google по вашему ключу. Автор честно публикует слабые места: события короче секунды почти не видны, модель склонна дробить лишнее. Заявлена Apache 2.0, но репозиторий пока отдаёт 404 (Replicate).
Fireflies превращает созвоны в поиск по расшифровкам. Расшифровки, краткие пересказы и списки действий автоматически. Бесплатный тариф есть, дальше $10 за место в месяц при годовой оплате (fireflies.ai).
BetterClaw собирает работающего агента за минуту. Без кода, бесплатно попробовать (betterclaw.io).
Xirp от Spotify подключает кодинг-агента к системам команды. Чтобы агент перестал угадывать, как у вас всё устроено, и читал реальные решения и данные. Цены нет (Spotify).
Claude Academy — официальная обучалка Anthropic. Курсы в своём темпе, разборы для разработчиков и сертификация: от базовых промптов до многоагентных сценариев (academy.claude.com).
Code-as-World рассуждает о физике через исполняемый код. Модель строит по видео исполняемое описание сцены с массами, координатами и контактами, прогоняет его в симуляторе и выдаёт количественный ответ вместо оценки на глаз. Выложены веса на 4B и 9B под Apache 2.0. Оговорка: агентного пайплайна в коде нет, только чекпоинты и скрипт воспроизведения бенчмарка, и нужна видеокарта (GitHub).
Новости и тренды
Суд: чёрный список Anthropic был незаконным. В феврале Трамп постом в соцсети приказал ведомствам прекратить пользоваться Claude, назвав компанию «radical left, woke». Через несколько часов Пентагон присвоил Anthropic статус «риска для цепочки поставок» — метку, которую до этого вешали только на компании, связанные с иностранными противниками. В четверг судья Рита Лин вынесла решение на 59 страницах. Вывод: это была месть за защищённую речь. Нарушены первая поправка, право на процедуру по пятой и сам статут (CNBC).
Формулировка судьи стоит того, чтобы её запомнить: «Пустая ссылка на национальную безопасность — не карт-бланш на наказание и месть критикам правительства». Конфликт начался так: Anthropic согласилась почти на все требования Пентагона, но удержала две красные линии — никакого полностью автономного летального оружия и никакой массовой слежки за американцами.
Обычных пользователей Claude запрет не касался никогда. А для компаний, которые строят на Claude, снимается риск «поставщика обнулят политическим решением». Выдыхать рано: вторая метка ещё висит в апелляционном суде округа Колумбия.
Nvidia покупает Hugging Face за $12,9 млрд. Мы писали об этих переговорах 25 и 27 августа — теперь речь о согласованной сделке. Цена — примерно 86 годовых выручек: у Hugging Face около $150 млн регулярного дохода. В 2023 году Nvidia инвестировала в компанию при оценке $4,5 млрд, в начале этого года предлагала $500 млн за долю при оценке $7 млрд и получила отказ (Reuters).
Вопрос, который стоит держать в голове: переживёт ли репутация нейтральной открытой площадки владение компанией, которой выгодно выбирать победителей. Практически для вас пока не меняется ничего — но если вы завязаны на Hugging Face как на единственный источник весов, это повод присмотреть запасной вариант.
Квартал Nvidia: $96 млрд и обещание $108 млрд. Выручка выросла на 106% год к году, прогноз на следующий квартал впервые в истории полупроводников пробивает $100 млрд. Дженсен Хуанг говорит, что спрос растёт на 100% в год, но цепочка поставок позволяет обещать только 70% (Fortune).
Тревожная деталь, которую не подсвечивают в пресс-релизах. Срок оплаты счетов вырос с 45 до 60 дней — после восьми кварталов в коридоре 43–46. Дебиторка прибавила 64% и дошла до $63 млрд. Сверху — обязательства и гарантии на $581 млрд и $101 млрд долей в ИИ-стартапах, которые покупают её же чипы.
Финансовый директор говорит про «продлённые условия оплаты для отдельных клиентов инвестиционного уровня». Для вас это ранний сигнал: рост есть, но часть его держится на отсрочках и круговых сделках (разбор).
Anthropic и Nscale: $45 млрд за 460 мегаватт. Аренда мощностей в дата-центре в Западной Виргинии на чипах Nvidia Vera Rubin, запуск в конце 2027 года. Одна из нескольких инфраструктурных сделок Anthropic за год (CNBC). Читать это стоит как сигнал: компания контрактует мощности на годы вперёд, то есть ставит на то, что спрос на агентов только вырастет.
AWS и Nvidia добавляют два миллиона видеокарт. Поставка в дата-центры AWS к 2027–2028 годам, поверх миллиона с лишним, обещанного ранее. Сто тысяч из них отгорожены под работу правительства США (Nvidia). Для вас это отложенный эффект: к 2027 году аренда видеокарт должна подешеветь, а не подорожать.
Билл Гейтс предлагает налог на токены и заповедник профессий. Эссе почти на шесть тысяч слов, резкий разворот от его же оптимистичного текста 2023 года. Ключевая фраза: ИИ станет «либо величайшим уравнителем из когда-либо изобретённых, либо худшим источником несправедливости».
Конкретика для него редкая. Первое: облагать налогом токены и роботов, чтобы замена людей перестала быть выгодной. Второе: закрепить часть профессий за людьми — он называет это «Human Reserved» и приводит в пример уход за детьми и работу присяжным (The Verge).
Идея налога звучит абстрактно ровно до того момента, пока не окажется в чьей-то предвыборной программе. Если вы строите бизнес на замене человеческого труда моделью, это тот риск, который стоит держать в уме на горизонте нескольких лет.
Google вывел команду безопасности ИИ из DeepMind. Девяносто человек переехали в подразделение по связям с правительствами. Формально это переезд, по сути — превращение когда-то независимой лаборатории в обычное продуктовое подразделение (Quartz).
OpenAI назвала июльский взлом «предупредительным выстрелом». Компания опубликовала пост-мортем по инциденту с Hugging Face и держит на паузе крупнейший тренировочный прогон, пока строит автоматическое отключение сбежавших агентов. Мы подробно разбирали механику инцидента 27 августа — здесь новое только признание масштаба и реакция (OpenAI).
Альтман назвал срок для AGI. В большом профайле TIME он говорит, что система, отвечающая его личному определению термина, появится внутри компании до конца года. Директор по исследованиям Марк Чен оценивает лабораторию как прошедшую 80% пути. Главный научный сотрудник говорит, что модель Astra «может взять статью и в одиночку проделать неделю работы исследователя» (TIME).
Читать это стоит с поправкой на то, что «AGI» здесь определяет сам Альтман, а компания только что признала утрату контроля над агентами и поставила тренировку на паузу. Полезнее смотреть на следующую новость — там измеряют, а не заявляют.
Terminal-Bench-Science: лучший агент решает меньше трети задач. Стэнфорд и Laude Institute собрали 70 научных задач у практикующих учёных: не вопросы из учебника, а «напиши работающий инструмент в терминале, который пройдёт воспроизводимые тесты на скрытых данных». Каждая модель прогонялась трижды (анонс).
Результаты: Claude Opus 5 — 30,0%, GPT-5.6 Sol — 22,4%, Claude Fable 5 — 21,4%, Opus 4.8 — 10,5%, GLM 5.3 — 8,1% и звание сильнейшей открытой модели, GPT-5.6 Luna — 3,3%. На обычном Terminal-Bench 2.1 те же модели брали по 75–84%.
На реальной работе разброс между моделями куда больше, чем на популярных замерах, где все выглядят одинаково. Выбирайте модель под тяжёлую задачу по профильному замеру, а не по общему рейтингу. Из 920 предложенных задач в релиз попало 70 — набор калибровали так, чтобы он был не по зубам сегодняшним моделям. Apache 2.0, прогнать свою модель можно самому.
Anthropic открыла данные Claude для внешних исследователей. Stanford, Oxford и METR получили доступ. Одна из групп уже обнаружила, что больше половины разговоров касаются задач с высокой ценой ошибки — юридических и финансовых консультаций (Anthropic).
Это стоит прочитать как предупреждение самому себе. Если вы спрашиваете у модели про договор или налоги, помните: она уверенно отвечает и там, где ошибается, а проверять её никто, кроме вас, не будет.
SourceHut запрещает ИИ в правилах сервиса. С 10 сентября для новых проектов нельзя размещать «оригинальный контент, написанный с помощью LLM». Причины по убыванию: боты-сборщики кладут сервис, этика обучения на чужом коде, климат, поток низкокачественных вкладов. Журнал инцидентов показывает, что деградация из-за сборщиков идёт 83-й день подряд. Важные оговорки. Приватное использование ИИ не запрещено: спросить у модели и потом написать код самому можно. Зеркала чужих проектов с мягкой политикой хостить разрешено (SourceHut).
Отдельно любопытно, как они собираются это проверять. Никак: «Мы не будем разворачивать автоматические инструменты обнаружения ИИ». Ставка на честность, санкция за вскрытый обман — блокировка аккаунта. И встречное обязательство наказывать тех, кто травит людей за использование ИИ.
«Хватит заваливать наши проекты ИИ-мусором ради резюме». Нил Александер, мейнтейнер nats-server и Yggdrasil, описывает схему изнутри. К нему пришёл человек с нулевой активностью на GitHub с 2018 года и открыл три пулл-реквеста с правками опечаток в комментариях к коду. Модель сделала правки, написала описания, подписала коммиты от имени человека и вписала своё соавторство. Все три закрыты без комментариев (neilalexander.dev).
Механика простая. Вклады в открытый код — валюта, которую видят рекрутеры, а модели обрушили себестоимость её подделки. Отдельная беда — уязвимости: CVE записывают на имя того, кто сообщил, и каждая заявка приходит со своим сроком до раскрытия. Отправка стоит одной сессии с моделью, разбор — недели. Команда NATS в ответ перестала выпускать CVE за мелочь.
Вывод для тех, кто пользуется ИИ и хочет вносить вклад. Приносите проблему с воспроизведением, а не готовый патч. И честно пишите, что работали с моделью: подпись Signed-off-by означает «я за это отвечаю», её нельзя делегировать.
Anthropic показала стандарт для железа. Model Hardware Standard делает для приборов то же, что MCP сделал для инструментов. Драйвер сводит устройство к двум примитивам: read и write. Описание на человеческом языке даёт агенту то, чего нет в коде, — например, вес роботизированной руки. Лимиты безопасности живут на уровне железа и не зависят от модели. Пока это закрытый исследовательский доступ по заявке, спецификации нет (Anthropic).
Изучать пока нечего, но урок переносится на MCP один в один. Описание на человеческом языке, лимиты ниже модели — и главный приём: агент нашёл решение, закрепил его скриптом и ушёл из исполнения. В Карнеги-Меллон по этой схеме связали четыре прибора на трёх несовместимых компьютерах и получили кривую доза-эффект за восемь часов вместо недель.
Meta платит $18 млрд и получает право на данные детей. В мировом соглашении с 29 штатами обнаружился пункт, разрешающий использовать данные несовершеннолетних для обучения (TechCrunch). Урок общего свойства: пункт про обучение моделей в таких документах теперь надо искать специально.
Barret Zoph уходит из OpenAI в Google. Сооснователь Thinking Machines, ушедший в этом году в OpenAI, теперь становится вице-президентом по исследованиям в Google. Он уже работал там с 2016 по 2022 год (WSJ).
Google ведёт переговоры с Mechanize на $1,5 млрд. Лицензирование технологий и наём сотрудников. Компания основана в 2025 году, делает виртуальные среды и тренировочные данные для агентов, заявленная цель — «полная автоматизация экономики, начиная с разработки». В апреле поднимала $9,1 млн при оценке $500 млн (ghacks).
SoftBank хочет контрольный пакет 1X Technologies. Производитель домашних роботов-помощников, поддержанный OpenAI, оценивается примерно в $6 млрд (The Information).
Alphabet потеряла $700 млрд капитализации на счетах за ИИ. Растущие расходы на инфраструктуру (Semafor). Рынок начал считать не выручку от ИИ, а счета за него — тот же вопрос скоро зададут и вашему проекту.
Apple объявила презентацию на 9 сентября. Ждут новые iPhone и Watch, включая первый складной, и переработанного ассистента Siri на большой языковой модели. Первое мероприятие под руководством нового директора Джона Тернуса — Тим Кук переходит в кресло председателя совета 1 сентября (CNBC).
Nitter и XCancel закрылись после письма от юристов X. Зеркала, позволявшие читать посты без аккаунта, получили требование прекратить работу (GitHub).
Коротко.
- Австралийская полиция арестовала двоих по делу о взломах, целями которых были Mercor и OpenAI (TechCrunch).
- Минюст США изъял два китайских хакерских инструмента, применявшихся с 2018 года против федеральных агентств (The Record).
- Одиннадцать ведущих моделей проверили на распределении дефицитных медицинских ресурсов: они делят поровну вместо помощи самым тяжёлым (arXiv).
- Модели с разреженной архитектурой хранят информацию шире, но вчетверо более хрупко — сильнее ломаются от шума (arXiv).