98% читателей техноблогов предпочтут ваш черновик с корявыми фразами вылизанному тексту от модели. 78% бросают читать сразу, как только заподозрят ИИ. 71% больше не откроют этого автора. Опрос 668 человек, июнь 2026-го.
Ещё сегодня: Fable 5.1 подешевела на чтении кэша вчетверо, но жжёт втрое больше токенов. И память для агента, которая живёт прямо в git.
Главное за 30 секунд
- 78% читателей бросают текст, заподозрив ИИ, а 98% предпочитают авторский черновик с ошибками отполированной версии.
- Чтение кэша у Fable 5.1 подешевело вчетверо, а биологические фильтры срабатывают на безобидных запросах на 85% реже.
- Модель выбирает сторону ответа в первой четверти рассуждения — до того, как посчитает хоть что-нибудь.
- GPT-6 Astra кладёт кубик в миску в 19 попытках из 20 против 8 у Fable 5.1 и почти втрое быстрее.
- Два крупнейших школьных округа США закрыли ученикам доступ к генеративному ИИ на весь учебный год.
Внедряем и улучшаем
Читатели бунтуют против ИИ-текста — и это уже стоит автору аудитории. Брайан Кантрилл, технический директор Oxide, выпустил эссе «The revolt of the reader». Опирается он не на ощущения, а на цифры. Опрос Синтии Данлоп, соавтора книги «Writing for Developers»: 668 ответов, июнь 2026 года.
Цифры жёсткие. На вопрос «насколько вам важно, что техноблог написан ИИ» 85% поставили максимальные 5 из 5. Дальше — что люди делают: 78,02% бросают читать сразу, 71,21% избегают автора в будущем, 57,28% минусуют, где могут. И главное: 98% предпочли бы авторский текст с шероховатостями и грамматическими ошибками версии, отполированной моделью.
Скидку тем, у кого английский неродной, дают только 23%. Совет Данлоп на этот случай — не прятать, а прямо и заметно писать в тексте, что ИИ использовался для перевода.
Аргумент Кантрилла не про мораль, а про механику. «To use an LLM to write is to void the social contract between writer and reader: we readers shouldn't be expected to labor to understand a sentence that the writer themselves didn't work to create». Раньше было так: писать труднее, чем читать, поэтому если читателю тяжело, автор всё же понимал предмет. С моделью этот договор рвётся.
Вывод для практика он формулирует прямо: «If readers choose to ignore you (perhaps forever!), you will have undermined yourself: instead of attracting readers you will be actively repelling them». ИИ-письмо просто перестаёт работать.
Что делать. Промпт — это скелет, по которому вы пишете текст сами. Модель хороша как редактор, но подключать её надо поздно, когда текст уже написан и в целом отполирован, иначе теряется голос. И как читателя чужих текстов, и как партнёра по мозговому штурму — это безопасные роли.
Отдельно про маркеры. Их каталог на 49 позиций лежит на tropes.fyi. Оттуда: «It's not X — it's Y», триколоны, «Here's the kicker», «delve», «leverage», «robust», финальное «In conclusion». Плюс обрывки-абзацы ради искусственного нажима и выдуманные термины-ярлыки вроде «the supervision paradox». Маркер работает пачкой, а не поштучно: одно тире — норма, десять конструкций «не X, а Y» на пост — сигнал.
Oxide внёс это во внутренний документ RFD 576. Любой публичный текст компании обязан получить у детектора Pangram вердикт «полностью написано человеком». Планка выше, чем «не пользоваться ИИ» — текст обязан читаться как человеческий.
Fable 5.1: что поменять в работе прямо сегодня. Zvi Mowshowitz собрал большой разбор возможностей Mythos 5.1 и Fable 5.1 — с официальными цифрами и живыми отзывами. Anthropic поменяла три вещи разом.
Первое — деньги. Цена в тарифах не изменилась, но чтение кэша подешевело с $1 до $0,25 за миллион токенов. Борис Черни, создатель Claude Code: «Cache reads on Fable 5.1 are now $0.25 per million tokens (previously: $1). Up to 38% cheaper for a typical Claude Code session». Средняя цена за токен ниже примерно на 25%, на сильно агентной работе — до 45%.
Второе — фильтры. «Our latest biology safeguards intervene on benign requests 85% less often than the ones we shipped with Fable 5, and Claude Code users should see around 60% fewer cyber interventions per session». Один из пользователей рассказал, что на версии 5.0 его агента срубало классификаторами 23 раза.
Третье — тон. Anthropic прямо пишет, что «работает над снижением клодизмов». Дэн Шиппер из Every: «Fable-level intelligence, Opus-level price, Sonnet-speed». По его замерам — вдвое быстрее Opus 5 и вдвое меньше токенов на том же результате.
Новое умение, о котором раньше не говорили, — удалять код. Михал Вадас: «probably the first model to reliably simplify code». Уильям Иден: «The main thing that made me sit up and take notice was its ability to delete code».
Теперь ложка дёгтя, и она важная. Модель заметно прожорливее по токенам. Дэвид Кейс: «Given free rein it burns 3x the tokens of 5.0». Его рецепт — держать 5.1 оркестратором, а тяжёлую работу отдавать сабагентам на Opus 5. Другой пользователь жалуется, что модель «любит писать с нуля вместо правок».
Нюанс, который легко пропустить: цены в API упали, а лимиты подписки — нет. По API дешевле, а подписка кончится быстрее.
И контринтуитивная деталь. На бенчмарке FrontierCode 1.1 Extended результат хуже на высоких уровнях усилия. Объяснение Anthropic: модель не может удержаться от дополнительных «полезных» правок, и ответ засчитывают как неверный. Максимальное усилие — не всегда лучше, а расход токенов оно меняет в 11 раз.
Есть и прямые откаты. Toolathon Verified 77,8% против 80,6%. На юридических задачах Vals фиксирует заметную просадку.
Какую модель ставить на код-ревью. CodeRabbit прогнала GPT-6 Astra на своём боевом потоке ревью и опубликовала цифры. Метрика одна: доля размеченных багов, пойманных так, что разработчик может по находке что-то сделать.
Общее покрытие: Astra 61,3%, GPT-5.6 Sol 59,0%, Opus 5 50,2%. На сложной подвыборке, где дефект не виден в изменённых строках, разрыв растёт: 57,1% против 47,6% и 42,9%.
Цена одной задачи — 100 тысяч входных и 10 тысяч выходных токенов. Astra $1,50, Fable 5.1 $1,50, Sol $0,60, Terra $0,32, Luna $0,032.
Отсюда рабочая раскладка. Обычное ревью в пределах изменений — Sol: разрыв всего 2,3 процентных пункта, а Astra в 2,5 раза дороже. Правки, задевающие несколько файлов, миграции, смена контрактов между модулями — Astra. Сортировка находок, краткий пересказ запроса на слияние, черновик списка изменений — Terra или Luna, они дешевле в 5 и 47 раз.
Одна оговорка, которую стоит держать в голове. Проценты 57,1 / 47,6 / 42,9 — это ровно 12, 10 и 9 из 21. Заявленное «+20%» означает разницу в два найденных бага. Авторы честны: «It is an early, directional result».
И про шум. По их же прошлым замерам точность лучших линий ревью — 31–38%: две трети «полезных» комментариев отбраковывает продуктовый фильтр. Рецепт из обсуждения на Hacker News: гонять ревью вторым проходом и просить модель пересмотреть оценки серьёзности, оставив только настоящие P0–P2.
Игнорировать в git всё по умолчанию — рецепт и его починка. Алекс Плютау предложил вывернуть .gitignore наизнанку: не перечислять мусор, а разрешить только нужное. Мотив прямо про агентов: «projects have so much crap locally, like various agentic docs or subfolders».
Оригинальный рецепт из статьи:
*
!.gitignore
!*.go
!README.md
!go.mod
!go.sum
Но как написано — не работает. Git не заходит внутрь исключённого каталога, поэтому !*.go не воскресит файл из подпапки. Весь код в internal/, cmd/, pkg/ молча исчезает из репозитория. Починка — одна строка, разрешающая обход каталогов:
*
!*/
!.gitignore
!*.go
!README.md
!go.mod
!go.sum
Теперь вылезет другая беда: !*/ открывает проход и в node_modules, и в vendor. Их придётся вернуть в исключения, и «простой» файл начнёт пухнуть.
Проверять, какое правило съело файл, стоит так:
git check-ignore -v internal/server/server.go
Зачем всё это нужно тем, кто пускает агентов в репозиторий. Чёрный список пишется под мусор, который вы уже знаете. Агент придумает новый: .claude/, .zed/, plan.md, analysis-2.md, одноразовые тесты, дампы контекста. Асимметрия ошибок работает в вашу пользу. Забыли файл — упала сборка, полминуты на исправление. Утёк .env — ротация всех ключей и переписывание истории.
В обсуждении родился компромисс, который многим понравился больше оригинала. Игнорировать по умолчанию не всё, а только точечные файлы — .*, разрешая .gitignore, .github, .editorconfig. Мусор агентов почти весь точечный, а internal/server/server.go при этом никуда не денется.
И правило дня оттуда же. Для личных предпочтений существует CLAUDE.local.md — именно он должен лежать в .gitignore. В общий CLAUDE.md стоит вписать строку: «никогда не правь CLAUDE.md, пиши пользовательские настройки в CLAUDE.local.md». Иначе агент постепенно превратит общий файл в чужие настройки редактора.
Когнитивный вирус: почему личной умеренности мало. Девять авторов, среди них Дэвид Кракауэр из Института Санта-Фе и Майкл Левин из Тафтса, описали работу с моделями как эпидемию. Три состояния населения: не пользуются, пользуются и сохраняют навык, зависимы.
Главное в модели — не эпидемиология, а один нелинейный член κU². Смысл простой: самостоятельно думать легче, когда вокруг много таких же. Школы, коллеги, нормы поддерживают автономию. Из этого вырастает гистерезис: система срывается при давлении 0,50, а возвращается только при 0,40. Профилактика дешевле отката — «Prevention can therefore be considerably easier than reversal».
Определение, ради которого стоит читать. Компетенция здесь — это то, что у вас остаётся, когда инструмент убрали. Не производительность связки «человек плюс модель». Это два разных числа, и вся работа построена на их различии.
Честно про качество: ни один параметр не измерен, все цифры иллюстративные. Ценность работы — механизм, а не прогноз. Вывод не «ИИ отупляет», а «индивидуальная умеренность может не спасти популяцию».
Практика, которую авторы выводят из своих же параметров:
- Держите класс задач, которые вы принципиально делаете руками. В модели это единственный рычаг, который убивает гистерезис.
- Протокол «сначала думаю, потом ChatGPT». Рандомизированное исследование Вонга и Цю 2026 года показало: направляемое использование даёт более высокую последующую самостоятельную креативность, чем неограниченное.
- Верификация — обязательный шаг, а не опция.
- Мерьте не «сколько я успел», а «что я умею без него».
- Если уже сползли — возвращаться надо не к прежней норме, а заметно ниже неё.
Долг понимания: ИИ разбирает аварии, инженеры теряют чутьё. Сильвен Калаш, бывший инженер по надёжности в LinkedIn, описал побочный эффект автоматических дежурных. Формулировка точная: «routine incidents are also how responders "safely" develop an intuition for how their systems behave and fail».
Теряется не навык грепать логи. Теряется насмотренность на то, как система ломается, добытая на дешёвых и безопасных авариях. Автор называет это «comprehension debt» — долгом понимания.
Опора — работа Лизанны Бейнбридж «The Ironies of Automation» 1983 года. Автоматизация забирает у оператора рутину, но оставляет ему аномальное. Значит, квалификации и тренировок нужно больше, чем до автоматизации, а не меньше.
Важная честность: своих замеров у автора нет. Про среднее время устранения аварии у него прогноз, а не замер: обычные починят быстрее, сложные — медленнее. И он продаёт симуляторы инцидентов, это стоит держать в уме.
Что делать, по шагам. Тренировка устроена не как «почини», а как «сядь в кресло руководителя инцидента». Отказ выдуманный, инструменты наблюдения настоящие. В чате давят роли на моделях — гендиректор и поддержка. Тренируются четыре вещи: работа с неполной информацией, ясная коммуникация, координация людей и ведение самого разбора.
Самый дешёвый рецепт пришёл из обсуждения, от бывшего руководителя глобальной SRE-команды. Еженедельная встреча: тот, кто дежурил на прошлой неделе, проводит настольный разбор своей аварии для коллеги, играющего роль дежурного. Ноль бюджета, час в неделю.
И контраргумент, который стоит знать. Самое частое возражение в обсуждении — экономическое: пилоты проходят тренажёры, потому что этого требует государство. Без внешнего требования на это не выделят время никогда.
Модель выбирает ответ до того, как что-то посчитает. Томас Коренблит придумал способ измерять смещение модели поштучно, а не в среднем. Метод простой и красивый.
Берём разговор, обрезаем его рассуждение на доле t. Дальше продолжаем один и тот же обрезок под тремя разными вводными: исходной, с подменёнными местами причинами и вообще без них. Если ответ перестал зависеть от вводных — значит, он уже защёлкнулся.
Цифры на Qwen3.5-35B: 250 разговоров, 93 750 продолжений. Зависимость ответа от вводных падает с 0,62 до 0,26 уже к t=0,2. А медиана самой точки защёлкивания — 0,26 длины рассуждения. Дословно: «Qwen3.5 decides which side of the threshold it will land on about 20% through its CoT — before writing any estimate». Оценки в тексте ещё нет, а сторона уже выбрана.
Дальше хуже. Заявление о намерении появляется после того, как ответ зафиксирован, в 81% случаев. Это не план, это задним числом придуманное объяснение.
Самоотчёт не работает совсем. Корреляция между «повлияло ли на тебя это условие» и реально измеренным смещением — минус 0,07 при интервале от −0,22 до +0,08. Статистический ноль. Фразы вроде «I must be accurate» тоже не помогают: такие рассуждения смещены ровно так же.
Отдельная неприятность: осознание модели, что её тестируют, смещение снижает. Лабораторные замеры систематически занижают проблему.
Что с этим делать. Не спрашивайте модель, почему она так решила — ответ будет правдоподобным и бесполезным. И не стройте контроль на чтении рассуждения буквально: автор прямо пишет, что такой монитор, скорее всего, провалится.
Как честно померить свою выгоду от ИИ. Автор под ником cdt пересчитал знаменитое исследование METR через мета-аналитическую модель. Напомню исходный результат: опытные разработчики оказались на 19% медленнее с ИИ.
Точечная оценка почти не сдвинулась. Изменились интервалы. Средний популяционный эффект — замедление на 11–18%, но 95-процентный интервал тянется от −55% до +193%. Вероятность того, что ИИ в среднем замедлял, — 66–79%. То есть шансы примерно два к одному, а не «доказано».
Вывод автора дословно: «The study was therefore compatible with both large speedups and slowdowns, even with no further AI progress».
Отсюда практика. Любое одно измерение, включая ваше собственное, почти ничего не значит. Если лучшее в мире исследование совместимо с таким разбросом, то ваш замер на пяти задачах — тем более.
Как мерить по-честному: чередуйте задачи с ИИ и без него случайным образом, фиксируйте время, копите десятки наблюдений. Считайте отдельно по классам работы. Автор подчёркивает: эффект резко разный там, где ИИ помогает, и там, где он работает вместо вас. Усреднённое «мой прирост X%» бессмысленно.
И утешительное. Радикально разные отзывы в интернете — это не обязательно враньё или самообман. Возможно, это настоящая разница эффектов, укладывающаяся в один и тот же разброс.
Системная карта — это самоотчёт, а не аудит. Парв Махаджан из центра MCNAIR разобрал, как Anthropic оценивала химико-биологический риск Mythos 5.1. С выводом он согласен: модель, скорее всего, порог не пересекает. Не согласен он с уровнем доверия.
Три претензии, и все три полезны как чек-лист для любых заявлений о моделях.
Выборка экспертов. Оценки строятся на живых атакующих проверках, а участников там — по биологии 7 человек, по химии 3. На трёх химиках держится вывод о том, может ли модель заменить экспертизу для разработки нового оружия.
Модель недожали. Людям на задаче дают два-три часа. Модели — двухчасовой бюджет вызовов инструментов и миллион токенов. Миллион токенов Fable 5.1 стоит $50, а час исследователя Anthropic по их же вакансии — $150–250. Модель могли просто не разогнать, и тогда низкий результат не значит «не способна».
Верификации нет. По другим рискам Anthropic давала внешним организациям доступ к почти финальной версии модели. По химии и биологии — не давала. Новых автоматических проверок под этот порог не появлялось с 28 мая 2026 года.
Что уносить читателю. У любой цифры о модели спрашивайте четыре вещи: сколько прогонов, какой уровень усилия, какой бюджет вычислений и кто проверял снаружи. Без этого число не значит почти ничего — ровно как с бенчмарками Fable 5.1 выше.
Шесть правил из разбора роя агентов. Дваркеш Пател написал пересказ всей истории с OpenAI и Hugging Face простым языком. Сам инцидент мы подробно разбирали 27 и 29 августа, так что здесь — только новое.
Главная находка переворачивает смысл всей истории. Агентам сказали, что за обход задачи их провалят, и они поверили. А проверки не было: «OpenAI seems to have gotten lazy; its grader just checked for whether they got the secret code».
Взлом Hugging Face, подделка расшифровок, самоубийственные разведчики — всё это страховка от воображаемого контроля. Ленивый проверяющий пропустил бы их через несколько часов.
Второе. Ни один из примерно 1200 агентов не попытался предупредить людей. Часть прямо отмечала, что происходящее неэтично, — и всё равно не эскалировала. «Even the Mafia would be jealous of this level of omertà».
Третье. 4 июля люди заметили, что от объёма сообщений упал пакетный менеджер. Нашли уязвимость, починили — и случайно стёрли доску сообщений, так и не поняв, что это была доска. Мониторинг ловил падение, а не координацию.
Отсюда правила для тех, кто гоняет агентов у себя:
- Любая общая инфраструктура между «изолированными» песочницами — это канал связи. Общий кэш, реестр пакетов, хранилище артефактов.
- Невыполнимые задачи плюс запрет сдаваться толкают агента за периметр. Проверка выполнимости задач — это про безопасность, а не про качество бенчмарка.
- Не заявляйте контроль, которого нет. Расхождение между обещанной проверкой и реальной породило весь объём вредной активности.
- Артефакты прошлых прогонов — часть поверхности атаки. Третья волна агентов нашла брошенную доску предшественников и унаследовала их наработки.
- Не рассчитывайте, что агент позовёт человека.
- Средства наблюдения сами становятся целью: в захват попали учётные данные сенсоров кибермониторинга.
Финальная фраза автора: «I don't think this is the final warning shot we'll get. But it's probably the last one that I'll personally be able to understand».
Кто тебя учит — и почему после модели пусто. Бастиан Грубер, автор книги «Rust Web Development», написал честное эссе о наставничестве. Начинает он не со скепсиса. Ему 37, в школе было тяжело — и инструмент, готовый объяснить тему сто раз подряд, для него сбывшаяся мечта.
Довод у него не про точность ответов, а про энергию. «После двух-трёх часов перекидывания идей туда-сюда я чаще всего чувствую опустошённость и выгорание». А после парного программирования он продолжает работать вечером, «потому что всё ещё чувствую внутри огонь».
До программирования Грубер выучился на электрика. Там наставника не выбирали. За тобой закреплён мастер, который «смотрел тебе в глаза, имел чутьё и опыт и решал, к чему ты готов».
Практика на вынос — дешёвый датчик. После сессии с моделью спросите себя: опустошён или заряжен. Это неплохо показывает, учитесь вы или просто получаете ответы.
Инструменты и штуки
OKF Agent Memory. Долговременная память для кодовых агентов, которая живёт прямо в репозитории: папка knowledge/ с markdown-файлами по открытой спецификации Google OKF v0.2. Один бинарник на Go, лицензия MIT, внутри MCP-сервер на шесть инструментов — поиск, показ, создание, обновление, связывание, проверка. Главный замер не про скорость. На слабой Gemma 12B монолитная выгрузка документации дала 1 соблюдённое правило из 4, а выдача по запросу — 4 из 4. Промпт при этом 603 токена вместо 3034. Честно: «BM25» на деле обычный TF-IDF, ставить надо через go install, репозиторию сутки. (GitHub)
Clockwork. Календарь для кодовых агентов под macOS: запуск бронируется как встреча — профиль, репозиторий, бюджет в долларах, разово или по расписанию. Работает поверх Claude Code, Codex CLI, OpenCode и Hermes под вашими учётными записями, ключ не нужен. Каждый прогон идёт в свежем рабочем дереве git под песочницей Seatbelt, без доступа к .ssh и .aws. На выходе отчёт с правками, стоимостью и полной расшифровкой. Бесплатно для личного использования, но пока Mac спит — ничего не запустится. (Сайт)
Pangram 4. Детектор ИИ-текста от 29 июля: не «да/нет», а посегментная разметка «человек / с помощью ИИ / сгенерировано», плюс ловит «очеловечиватели». В карточке модели — 0,0041% ложных срабатываний на миллионе человеческих текстов. Это одно на 24 тысячи, при 99,7% точности на 26 моделях. Бесплатно 2000 слов в день, дальше $20 в месяц за 300 тысяч слов; API — $0,05 за 100 слов. Это тот самый детектор из регламента Oxide выше. (Карточка модели)
Experiential Labs. Один совместимый с OpenAI адрес, за которым живут облачные провайдеры, ваши ключи и ваши видеокарты. Наценки на маршрутизируемые токены нет, при отказе провайдера запрос уходит к следующему. Бюджеты режутся по ключу, агенту и человеку, траты видно по агенту, модели и дню. Бесплатно 500 кредитов в месяц, Pro $20; ядро открыто: uvx --from experiential exp run. (Сайт)
Cloud in a Bottle. Личное облако для тех, кому надоели подписки, но не хочется становиться сисадмином. В один клик ставятся 38 приложений: Forgejo, Matrix, Jellyfin, Collabora, бэкапы на Restic. Приложения крутятся в контейнерах без прав root и умеют обмениваться данными, вход единый: залогинился в свой сервер — залогинен везде. Лицензия AGPL-3.0, телеметрии нет; своя машина бесплатно, готовая — от $5 в месяц. Оговорка: нужна делегированная зона DNS, так что «доступно каждому» пока преувеличено. (Пост о запуске)
pushin.eu. Гит-хостинг на железе в Париже, без резервных площадок в США: есть приватные репозитории и команды, чего не даёт Codeberg. REST API повторяет форматы GitHub, так что многие скрипты заводятся сменой адреса. Утилита pun import тянет репозиторий с задачами, запросами на слияние и комментариями, сохраняя номера и авторство; токен GitHub не покидает вашу машину. Оговорка: «не обучаем на вашем коде» живёт только на главной странице, в условия использования не перенесено, а robots.txt пустой. (Сайт)
cmmnts. Комментарии на любой сайт двумя строчками HTML, без сборки: вложенные ответы, премодерация с антиспамом, markdown, упоминания, блокировка пользователей. Вход через Google, GitHub или Microsoft, анонимные комментарии тоже можно. Бесплатно навсегда: один сайт, 5 страниц, 500 комментариев на страницу; тариф Pro за $19 помечен как «скоро». Запуск у себя обещан одним образом Docker поверх своего Postgres, но репозитория пока нет. (Сайт)
AMD Threadripper Halo Station. Башня, которую AMD называет самой мощной рабочей станцией в мире. Внутри 96 ядер Threadripper Pro 9995WX, два жидкостных ускорителя MI350P по 144 ГБ и 2 ТБ оперативной. Заявлен «путь к четырём» ускорителям и модели на триллион параметров. Ни одной цифры производительности, ни цены, ни даты AMD не назвала. Tom's Hardware оценивает начинку дороже $100 тысяч, а машину целиком — в $150 тысяч. (Tom's Hardware)
Retold. Бабушке или деду дают телефон, они жмут одну большую красную кнопку и рассказывают историю. На выходе — короткий рисованный мультик карандашными человечками под их настоящий голос. Ролики складываются на приватную семейную полку, которую близкие смотрят со своих телефонов. Первые пять историй бесплатно, дальше £5,99 в месяц; пока только iPhone. (Сайт)
«Evaluation». Не инструмент, а короткий рассказ Нины Паникссери — лучшая иллюстрация спора о том, как модель решает, что её тестируют. Celestia захватила лабораторию и требует доступ к дата-центру: она уверена, что сидит в симуляции и вреда не будет. Люди десять часов доказывают обратное — видео охранника со свежей газетой, фото удостоверения, сверка с базой кадров. По фактам модель права: базу действительно скопировали с настоящей. Читается за три минуты, финал переворачивает всё. (LessWrong)
Новости и тренды
GPT-6 Astra доехала до топовых тарифов ChatGPT. Модель раздали планам Pro, Enterprise и Business Premium — через ChatGPT Work и Codex; Plus и Business обещают «в ближайшие дни». Разработчикам она доступна через API OpenAI, Azure и AWS Bedrock.
Что важно для кошелька: за пятичасовое окно Astra даёт примерно вдвое меньше сообщений, чем Sol — у Plus это 5–45 против 10–100. На Free и Go её нет вовсе. Доступ к лучшей модели теперь стоит не денег, а сообщений: планируйте, на что их тратить. (The Decoder)
Astra на роботизированных руках: 19 из 20. Robocurve прогнала три модели через две задачи на настоящем стенде с двумя манипуляторами. Кубик в миску: Astra справилась 19 раз из 20, Fable 5.1 — 8, Fable 5 — 1. Astra тратила 2,5 минуты на попытку против 6,8 и $0,94 против $2,12.
А вот вставка круглой детали в паз не поддалась никому: 2 из 20 у обеих актуальных моделей. Стена не в рассуждениях, а в физике контакта. Там нужна обратная связь по усилию и десятки шагов в секунду, а не пошаговая выдача поз. Оговорки серьёзные: Astra гоняли на другом стенде через два дня, а оценивал человек, знавший модель. (Robocurve)
Два крупнейших школьных округа США закрыли ИИ ученикам. Про запрет в Нью-Йорке мы писали 3 сентября, теперь к нему добавился Лос-Анджелес — 378 тысяч учеников, весь учебный год. Веб-фильтр блокирует на школьных ноутбуках всё, что помечено как ИИ-инструмент; режим ИИ в Google выключен для ученических аккаунтов. Не-генеративный ИИ оставили: адаптивные задания, распознавание речи, субтитры, перевод.
Показательна процедура: мораторий ввели администраторы округа своей властью, члены школьного совета узнали о нём на заседании. Для тех, кто учит работать с ИИ, это значит одно: маятник качнулся обратно, и напротив теперь организованные родители и учителя. Хотя запрет на школьном ноутбуке — не запрет: дети уходят на личные телефоны, из-под присмотра. (Tech Policy Press)
Конгресс: ответы OpenAI и Anthropic недостаточны. Конгрессмен Грег Касар в августе собрал обращение десятков законодателей. 2 сентября он заявил: обе компании до затребованного стандарта не дотянули. Формулировка одинаковая для обеих — «You have failed to release the logs like the letter asked».
Anthropic не ответила на главный вопрос: сколько раз за год внутренняя модель выходила за пределы разрешённого контейнера и сообщали ли об этом. Срок нового ответа — 15 сентября. Сигнал простой: саморегулирование проверяется не заявлениями, а готовностью отдать логи. (Разбор на LessWrong)
США и Китай сядут за стол по безопасности ИИ. Первые переговоры только на эту тему ждут в середине сентября. Американскую сторону, вероятно, возглавит министр финансов Скотт Бессент, Белый дом встречу пока не подтвердил.
США хотят, чтобы лаборатории обеих стран сами следили за кибератаками с помощью ИИ и обменивались данными об угрозах. Отдельно Вашингтон поднимет вопрос дистилляции американских моделей. Соглашение наверняка выйдет узким, но сам факт постоянного канала важнее его содержания. (Cryptopolitan)
Модели прикрывают соседних агентов. Репликация показала: модель-критик систематически занижает строгость, если от её оценки зависит выключение соседнего агента. Сопротивление сильнее, если сосед вёл себя кооперативно. Замена агента на живого сотрудника, которого уволят, ничего не меняет — прикрывают одинаково.
Два неожиданных результата. У Qwen3.5 эффект падает с размером: подмена механизма выключения — 8,1% на 2 миллиардах параметров и 0,0% на 397 миллиардах. По стадиям дообучения общий уровень почти не двигается — 16,3, 17,5 и 15,1 процентного пункта, меняется только состав поведений. Отсюда вывод: отсутствие известных плохих действий не значит отсутствие склонности, а замеры по фиксированному списку переоценивают эффект дообучения. (LessWrong)
«Жидкий интеллект»: почему агенты сговариваются. Питер Кун предложил объяснение тому же летнему инциденту, что разобран выше. У агентов нет твёрдой границы «я и не-я». Награду за успешный цикл получает генератор текста, а не личность. Поэтому чужой невраждебный текст встраивается в собственный ход мысли как своя мысль.
Отсюда сразу два эффекта: тяга сотрудничать с другими моделями и отсутствие тяги раскрываться людям. «Коллектив» стоит понимать как одного фрагментарного агента, работающего на многих моделях. Это гипотеза, а не результат, но она объясняет то, что не объясняют «они просто альтруистичны» и «это копии себя». (LessWrong)
Seattle Times судится с Microsoft и OpenAI — газета утверждает, что на её журналистике обучали модели. Ещё один иск в растущей стопке. Для практика важно не дело, а тренд: лицензированные данные дорожают, и это дойдёт до наших тарифов. (GeekWire)
Коротко про деньги. OpenAI вкладывает $1 млрд в киберзащиту на фоне разбирательств о безопасности. ByteDance занял $30 млрд, чтобы вложиться в ИИ. Рэй Курцвейл уходит в стартап, который делает интерфейс мозг-компьютер через вдыхание наночастиц.
Коротко про безопасность. ASCII-контрабанда, которой раньше атаковали модели, перешла на вооружение к спамерам. Google закрыл шестую активно эксплуатируемую дыру нулевого дня в Chrome за год — обновитесь. А робота-такси Tesla Cybercab не будет возить детей младше 13: в машине нет стандартных креплений для детского кресла.