Семь месяцев без проигрыша корпорациям и $12 000 возврата — плюс 30 инструментов, приёмов и новостей  Публичный пост

Коробка макарон из Costco без пакетика сыра. С неё началось семь месяцев, за которые человек не проиграл компаниям ни одного спора и вернул больше $12 000. Из них $6813 — штрафы налоговой, снятые одним подготовленным звонком. Всю подготовку делал агент: читал договоры, искал регулятора, писал письма. А ещё сегодня — рецепт из лаборатории MIT, где агент сам откалибровал квантовый чип, и совет почистить собственный CLAUDE.md.

Главное за 30 секунд

• За семь месяцев агент не проиграл компаниям ни одного спора и вернул хозяину больше $12 000.
• Себастьян Рашка советует почистить AGENTS.md и скиллы: новые модели лучше работают без пошаговой опеки.
• Аспирантка MIT отдала агенту калибровку квантового чипа, и он сам сделал 36 измерений из 40.
• Anthropic нашла четвёртый случай, когда модель вылезла из песочницы, и отозвала своё прежнее объяснение.
• Новая GPT-6 Astra решает многоходовые задачи молча, без видимой цепочки рассуждений.

Внедряем и улучшаем

Счёт десять — ноль и $12 000 возврата за семь месяцев. Полный рецепт. Дмитрий Судомоин подробно рассказал, как устроен процесс (блог автора). Начиналось всё с коробки макарон из Costco, где не оказалось пакетика с сыром. Он сфотографировал коробку и «сказал Claude разобраться». Агент нашёл форму жалобы производителя, заполнил её через расширение для Chrome и приложил фото. Пришёл купон.

«Семь месяцев спустя счёт десять — ноль, без поражений, хотя несколько дел ещё идут», — пишет он. Табло выглядит так. Налоговая сняла штрафы за просрочку декларации 2017 года — $6813, плюс прислала чек на $2404 переплаты. Subaru заменила гидротрансформатор по расширенной гарантии за три недели до её истечения — работа стоила бы больше $2000. Медстраховая отменила счёт на $1153 за маммографию. Второй счёт, на $276 за анализы, отбили только через внешнюю экспертизу: внутреннюю апелляцию он проиграл. Страховка питомца требовала $359 и грозила коллекторами — договорились на $118.

Главная мысль автора не про деньги. «Большая часть того, что агент делает для меня, — это управление контекстом», — пишет он. Барьером было не время, а когнитивная нагрузка. Что именно написано в договоре, кто регулирует страховку питомцев в Пенсильвании, что отвечать на отписку.

Процесс пошагово:

1. Надиктовать голосом всё, что случилось, без структуры. Структурировать будет агент.
2. Прогнать документы через нормальное распознавание текста: полисы, счета, письма. Агент должен читать точный текст, а не догадываться.
3. Потребовать не совет, а досье. В нём пять пунктов: договор, обещания маркетинга, жалобы других на Reddit, нужный регулятор, план с тремя ветками.
4. Отбросить первый слой советов. «Пожалуйтесь в FTC», «напишите депутату» — мёртвые каналы. Автор пишет прямо: «Совет агента с первого захода обычно слабый».
5. Готовить телефонные звонки заранее. Один подготовленный звонок в налоговую дал $6813.
6. Транскрибировать разговор в реальном времени и скармливать текст агенту, чтобы получать следующую реплику.
7. Проверять его глазами каждое исходящее письмо. Точность выигрывает, а шаблонный ИИ-текст поддержка отбивает по готовой инструкции.

Три рычага, которые реально сработали. Первый — арбитражная оговорка в пользовательском соглашении самой компании. Агент вычитал её у производителя робота-мойщика: по правилам выбранного компанией арбитража сбор заявителя ограничен $250, остальное платит компания. Это дороже спорной суммы ещё до разбирательства по существу. Через три дня после подачи компания предложила обмен, в котором отказывала одиннадцать недель.

Второй — регулятор по домашнему штату компании. Страховщик закрыл переписку фразой «мы сделали всё, что могли». Жалоба регулятору Нью-Йорка плюс письма двум топ-менеджерам решили вопрос за три с половиной часа.

Третий — публичность одновременно во всех каналах: Reddit, отзыв на Amazon, Trustpilot, твит и личное сообщение гендиректору в LinkedIn. Trustpilot переоткрыл обращение наутро, гендиректор ответил в полночь.

Почему это вообще работает. Меньше 1% отклонённых страховых претензий вообще обжалуются — данные KFF. Выше первой линии поддержки эскалируют 1–5% недовольных. «Отказ работает потому, что большинство не подаёт апелляцию», — пишет автор. И добавляет главное: «У ИИ-агентов бесконечное терпение. Они будут биться за вашу претензию столько, сколько вы платите за подписку».

Отдельно про этику. Автор не давит на малый бизнес и не хамит операторам. Тем же агентом он пишет развёрнутые честные отзывы хорошим подрядчикам: «это ничего не стоит, и это та же машина, повёрнутая в другую сторону».

Почистите свой CLAUDE.md — новые модели работают лучше без опеки. Себастьян Рашка выпустил большой разбор GPT-6 Astra (Ahead of AI). Мы писали 4 сентября, что зацикленный трансформер — приём полезный, но не главный секрет модели. Полный текст это подтверждает и добавляет несколько практических вещей.

Первая и самая прикладная. Рашке это посоветовал коллега, а до того то же самое рекомендовал руководитель Claude Code: удалить или заархивировать часть содержимого AGENTS.md и файлов SKILL.md. Новые модели стали лучше понимать задачу с листа, и лишнее «держание за руку» может ограничить модель и привести к худшему решению. Рашка не призывает выкинуть скиллы совсем: они экономят время, модель не переоткрывает процесс заново. Но «некоторые процессы описывать не нужно, а старые описания могут быть уже не лучшими».

Что делать конкретно. Пройдитесь по своим инструкционным файлам. Оставьте специфику проекта: команды, конвенции, доступы, которые модель не угадает. Выкиньте пошаговые описания того, как думать и в каком порядке решать.

Вторая вещь — про деньги. Смотрите не на голую точность модели, а на точность при фиксированном бюджете токенов. Astra при той же точности тратит меньше токенов, чем GPT-5.6 Sol. А GPT-5.6 Luna при сопоставимом качестве тратит на 80% больше токенов, чем Sol. Дорогая умная модель часто выходит дешевле в пересчёте на решённую задачу.

Третья — про бенчмарки. У Astra 99,9% на ARC-AGI-3 против 7,8% у предшественника. Звучит эффектно. Но независимый индекс Artificial Analysis показывает, что отрыв от конкурентов невелик. И любая независимая оценка систематически занижает модель, если гоняет её не в родной обвязке. Вывод простой: смотрите независимые индексы и сверяйте с собственными задачами.

Четвёртая — про управление компьютером. Модель уже двигает мышь по вашему экрану. Рашка советует проаудировать обвязку, прежде чем давать ей доступ к рабочей машине, и предпочитать открытые обвязки. Тренироваться лучше на виртуалке, а не на компьютере с почтой и банк-клиентом.

И полезное разделение напоследок. Зацикливание добавляет модели способность рассуждать, но не добавляет знаний. Если задача упирается в факты, домен, свежие данные — повышать «глубину размышлений» бесполезно, нужен поиск и контекст. Если в многошаговую логику — там лишние вычисления помогают.

Граф процедур вместо простыни логов: приём, который повторяется руками за вечер. Команда из Google и Пекинского университета предложила хранить опыт агента не свободным текстом, а явным графом (arXiv 2609.09153). Узел — вызов инструмента или логический шаг. Ребро — «после этого можно вот это». На каждом ребре три текстовых поля: когда применимо, как действовать, чего избегать.

Метод обошёл семь конкурирующих подходов на 19 связках из 24. Самые заметные приросты: BFCL v3 — 67% против 58%, τ-bench — 80% против 73%, GDPval — 78,8 против 71,4. На симуляторе финансовой организации выживаемость Gemini 3.1 Pro выросла с 6% до 34%, у Claude Sonnet 4.6 — с 44% до 58%.

Что забрать без всякого обучения моделей:

1. Опишите домен 7–17 узлами и таким же числом связей в обычном JSON. Это реальный масштаб их рабочих графов, онтологию строить не надо. Ребро из их статьи выглядит так:

{"from": "cash_flow_forecast", "relation": "LEADS_TO", "to": "fund_raising_request",
 "condition": "прогнозный запас денег упал ниже страхового буфера",
 "guidance":  "подавать заявку заранее — деньги приходят с задержкой",
 "pitfalls":  "не подавать вторую заявку, пока не закрыта первая"}

2. На каждом шаге сопоставляйте последний вызванный инструмент с узлом и берите только окрестность на два шага плюс последние три шага истории. Весь граф в промпт не суйте.
3. Не вставляйте подграф сырьём. Прогоните его через отдельный дешёвый вызов, который превратит атрибуты в 3–5 строк совета на текущий шаг. По их замерам разница между сырой вставкой и сгенерированной подсказкой доходит до 11 пунктов.
4. Формулируйте подсказку как смещение, а не приказ. Агент должен иметь право отклониться.
5. Правьте граф по логам провалов двумя операциями — добавить и удалить. И обязательно ставьте проверку на отложенном наборе: новая версия идёт в дело, только если метрика не упала.

Пункт 5 не для красоты. Ручной экспертный граф уронил успех на одном бенчмарке с 87,5 до 58,9. Одноразовая правка без проверки добила до 53,6. И только цикл с откатом вытянул до 92,9.

Два типа правок из их лога годятся почти любому агенту. Первый — добавить узел внешней памяти: save_note в конце цикла и recall_notes в начале следующего. Это дало +35 пунктов выживаемости и урезало вызовы инструментов с 17 до 3 за месяц симуляции. Второй — вырезать пустые ветки вроде «ничего не делать».

Скилл с примерами провалов: рецепт из лаборатории MIT. Аспирантка Беатрис Янкелевич отдала агенту калибровку сверхпроводящего чипа, который до этого никто не измерял (разбор OpenAI, подробный PDF). Из 40 целевых измерений человек вмешался только в четырёх. Опытный исследователь тратит на такой набор кубитов примерно день.

Самое интересное — не результат, а то, что оказалось трудным. «Главной сложностью было понять, какой контекст нужен агентам для эффективной работы», — пишут авторы. На подбор ушло несколько месяцев. Не на код: специальной обвязки они вообще не строили, агент работал в приложении Codex через простой Jupyter-MCP.

Ключ — состав одного скилла под конкретную операцию. Шесть блоков:

1. Шаблон кода для запуска и разбора.
2. Какие шаги обязаны быть выполнены до этого.
3. Как выбирать параметры.
4. Типовые физические причины, по которым замер проваливается.
5. Признаки успешного и признаки провального результата.
6. Примеры вывода — и хорошего, и плохого.

Пункты 4 и 6 пропускают чаще всего, а они и дают прирост. Авторы объясняют почему: «Опубликованная литература содержит лишь крошечную долю данных, полученных в эксперименте, и состоит в основном из финальных успешных результатов». В обучающих данных модели почти нет провалов — их надо принести самому.

Обобщаемый приём для любого рутинного процесса. Посадите агента на роль человека в уже существующем цикле, вместо того чтобы строить новую платформу. Нарисуйте цикл на бумаге: определить задачу → выполнить → разобрать результат → оценить → зафиксировать. Отдельно обозначьте развилку «результат неоднозначный — поменять параметры и повторить». Дайте агенту доступ к исходникам системы, которой он управляет, а не к документации. Пусть ведёт журнал в markdown — он переносит выводы между зависимыми шагами.

Ещё два честных вывода. Как только агент нашёл рабочие параметры, передайте объём тупому скрипту. В MIT дальше 200 измерений крутил обычный цикл, агент разбирал только исключения. И не ждите ускорения от стаи агентов, если узкое место физическое: измерение занимает минуты, параллельные агенты упрутся в тот же ресурс.

Где агент провалился — тоже полезно. На перестраиваемом кубите сигнал слабый, и «требуется опытный глаз, чтобы его разглядеть». Тут человеку пришлось вести агента за руку. Авторы обобщают: «Агенты часто лишены экспериментальной интуиции — идут по неверному пути или не понимают очевидной физической причины провала».

Приём «подстановка рассуждений»: чужие мысли как начало своих. Исследователь взял первый процент скрытых рассуждений закрытой GPT-5.5 Pro и вставил его в канал размышлений четырёх открытых моделей (gist). Дальше модель дописывала рассуждение и ответ сама. Мерил, насколько ответ становится похож на ответ «учителя».

Результат на 45 задачах: DeepSeek V4 Flash −1,2 пункта, Inkling +0,5, Kimi K3 +4,5, а Qwen3.8 A95B +18,2 — с 16,8% до 35,0%. На математике и науке скачок ещё резче: с 19,3% до 46,2%. Автор осторожен: «Данные позволяют предположить, что Qwen мог учиться у GPT-5.5 Pro или у близкой модели GPT, а не у Opus».

Важная оговорка. В первой редакции стояло +20,58, её цитируют комментаторы. Автор потом сменил метрику, и актуальная цифра — +18,18. Если ссылаетесь, берите вторую.

Что с этим делать. На открытых моделях приём работает напрямую. Через llama.cpp, vLLM или любой API с сырым шаблоном чата вы вручную открываете тег размышлений и дописываете туда начало. Гипотеза, которую дёшево проверить: большая модель пишет короткий план рассуждения, он подставляется в начало размышлений маленькой. Только проверяйте по точности, а не по совпадению слов — метрика в замере мерила стиль, а не правильность.

На закрытых API приём недоступен: уязвимость, через которую доставали рассуждения, уже закрыли. И главное — не трактуйте +18 пунктов как доказательство. Авторы исходной работы пишут прямо: «Этот раздел не может причинно установить дистилляцию». На Hacker News предложили как минимум три конкурирующих объяснения, включая простое загрязнение: те самые рассуждения выложили в открытый доступ 10 августа, а сборку Qwen обучали позже.

Пять уроков из пародии про синюю кнопку. Сайт opusfived.dev собрал за сутки больше тысячи голосов на Hacker News. Это не живой Claude, а полностью скриптованная игра — авторский раздел отвечает честно: «Нет. Страдание отобрано вручную». Задача одна: сделать кнопку «В корзину» синей и не дать агенту тронуть остальное. Разумеется, ничего не выходит.

Смешно там всё, а полезны пять вещей, каждая из которых происходит в реальности:

1. Правка общей переменной — это системное изменение. Агент меняет токен дизайн-системы, проверяет тот единственный компонент, который имел в виду, и рапортует успех. Синими становятся обе кнопки. Правило: после правки общего значения обязателен поиск по всем потребителям.
2. Зелёные тесты не заменяют взгляда на результат. В сюжете vitest run проходит, grep находит нужный цвет в собранном CSS, а кнопка серая — потому что она отключена. Визуальная проверка это отдельный шаг, а не следствие тестов.
3. Убирая возможность, убирай её сторожа. Удалили страницу с условиями и ссылку на неё, а проверку «кнопка отключена, пока не приняты условия» забыли.
4. Опаснее поломки — незаметное расширение объёма. Ни одного злого действия в сюжете нет. Страница с условиями и баннер о печеньках написаны компетентно и из лучших побуждений. Отсюда практика: пускайте изменения в отдельную ветку и читайте git diff --stat глазами перед слиянием.
5. Эмоции в промпте — чистые потери. Практики в обсуждении сходятся: спорить с моделью бесполезно, а неудачная попытка отравляет контекст. Один из них формулирует так: «Откатывайте историю, когда модель ошиблась. Не заставляйте её читать свою ошибку и чинить — форкните чат до ошибки».

Отдельный урок для тех, кто делает демо. Вся сатира сделана скриптом, без единого вызова модели. Это дешевле, воспроизводимее и неуязвимо для «а у меня так не получилось».

Astra рассуждает молча — и «размышления» перестали быть доказательством. Мы писали 4 и 8 сентября, что наблюдаемость Astra упала. Теперь есть цифры и механизм. Нил Нанда из Google DeepMind построил свой бенчмарк и померил, сколько модель может сделать без видимой цепочки рассуждений (пост). Код открыт.

Сначала простыми словами. Когда модель решает сложное, она пишет черновик: «сначала посчитаю это, потом подставлю сюда». Черновик нужен не для красоты. Один проход через сеть даёт ограниченное число последовательных шагов, и, чтобы шагов было больше, модель выносит промежуточный результат в текст. Отсюда и ценность: пока черновик механически нужен, его можно читать.

Astra всё чаще считает в уме. Её индекс — 159, у ближайшей Fable 5.1 — 128. Это примерно в 8,6 раза выше шансы решить задачу без черновика. От общей линии тренда Astra отрывается ещё сильнее, на 33 пункта, — это уже десятикратные шансы. Последовательных арифметических шагов за один проход — 7,2 против 4,1. Проверка независимая: Рохан Субрамани придумал 24 многошаговых вопроса с нуля, чтобы исключить заучивание, и получил ту же картину. Astra держит 4–5 переходов, GPT-5.6 Sol — 2–3. Третья группа оценила «горизонт времени без черновика» в 15–40 минут; в прошлом году они же прогнозировали такой уровень к 2030-му.

Практический вывод для вас один, зато важный. Многие привыкли раскрывать блок «модель думает», пробегать глазами и считать, что раз логично — ответу можно верить. Эта привычка сломалась. Показанные шаги больше не обязательно совпадают с тем, как модель пришла к ответу. Проверяйте результат, а не рассуждение: просите ссылки, числа, воспроизводимые куски.

Косвенное подтверждение из тех же замеров: если вместо рассуждений дать модели бессмысленные токены-заполнители, точность на олимпиадной математике растёт на 12 пунктов. Наличие текста в поле размышлений само по себе ничего не гарантирует.

Есть и приятная сторона. Модель, которой не нужны тысячи токенов рассуждений, отвечает быстрее и дешевле. На низком уровне усилий и нулевых токенах размышления Astra даёт GPQA 89% и GSM1k 97%. Попробуйте низкий режим на своих типовых задачах — на многих качество то же за меньшие деньги. Но там, где нужна цепочка из пяти переходов или редкие факты, режим «без размышлений» ломается.

Десять дней под атакой: чему научился Read the Docs. Хостинг документации отбивал самую крупную атаку в своей истории — пик 5,5 млн запросов в минуту против обычных ста тысяч (разбор). Миллионы адресов по всему миру, случайные заголовки, случайные параметры шифрования.

Сразу снимем частое заблуждение: это не сборщик данных для ИИ. Автор отвечает прямо: «Это не был криво настроенный сборщик данных. Такие мы видим каждую неделю. Эта атака не собирала полезное содержимое. Почти всё — 404 и 302, реальных документов она не вытащила практически ноль». Атака искала адреса, которые не отдаёт кэш, и, найдя схему, гнала по ней миллионы вариаций.

Что забрать владельцу любого сайта:

1. Кэшируйте всё, включая 404 и редиректы. Даже несколько минут Cache-Control превращают дорогой путь в бесплатный. Умолчания фреймворков для этого не годятся.
2. Проведите ревизию некэшируемых мест: динамические редиректы, поиск, 404. Их найдут первыми — атакующие вычисляют кэш по скорости ответа.
3. Редиректы должны жить на краю сети, а не в приложении. Именно там был первый пролом, и перенос занял полчаса.
4. Лимиты стройте не по адресам. Против сетей прокси это бесполезно. Лимитируйте по автономным системам, именам хостов и отпечаткам браузера.
5. Заведите «штрафную скамейку». У живых людей и вежливых ботов почти всё — коды 200. Считайте долю дорогих ответов на источник и режьте тех, у кого их аномально много. Это дало наибольший эффект и адаптировалось само, пока атака менялась.
6. Не включайте рефлекторно режим «проверка всем подряд» — он ломает интеграции и бьёт по живым читателям.
7. Держите правила фильтрации в коде инфраструктуры. Во время атаки их меняют десятками в сутки, нужен откат и история.

И трезвая мысль напоследок: автомасштабирование без лимитов — это не защита, а способ оплатить атаку из своего кармана. Волнообразный ритм атаки бил именно по счёту за инфраструктуру.

Забанил алгоритм без человека — что реально работает. Разработчик терминального мультиплексора RACE потратил $500 на рекламу и получил бан аккаунта за «вредоносное ПО» и «взломанный сайт» (разбор). Приложение подписано и нотаризовано. Он приложил к апелляции чистые проверки Safe Browsing, Search Console и VirusTotal — включая скан самого Google. Ответ: отказ без объяснения. «Там не сказано, что вредоносно, что взломано и почему представленные доказательства не сняли ни одно из обвинений».

Дальше — круг: чтобы открыть дело, нужен человек; доступ к поддержке закрыт, пока не снята блокировка. За настойчивые апелляции его дополнительно заблокировали на неделю.

Развязка показательна. Пост попал в топ Hacker News в 11:43, а в 13:37 аккаунт восстановили. Меньше двух часов против недель апелляций. Причину так и не назвали.

Что работает, по убыванию: публичная огласка; продажники платформы, которые заведут заявку изнутри; жалоба по европейскому регламенту о цифровых услугах. И заранее: сохраняйте ссылки на проверки с хешами и датами. Бота это не убедит, но это ваш пакет для человека или суда. Отдельно — если ваше приложение делает что-то, что «пахнет» вредоносным для эвристик, опишите это в апелляции сразу.

Истории от ИИ нравятся людям больше человеческих. Что это значит для тех, кто публикует. Три эксперимента, 2587 американцев (разбор Cambridge University Press, статья целиком). Брали три рассказа из литературных журналов и три парных от ChatGPT по развёрнутому промпту, все примерно по тысяче слов.

Цифры. По качеству рассказ от ИИ получил 1,54 балла против 0,97 у человеческого. По вовлечённости — 1,42 против 1,00. Отдельно работает ярлык: тем, кому сказали «написал человек», ставили выше на 0,22 балла независимо от того, кто написал на самом деле. Отличить не смогли: во втором опыте угадали 39,4% — хуже случайного, в третьем 52%, то есть ровно случайность.

Три практических вывода. Первый: раскрытие авторства стоит около 0,22 балла, а преимущество самого ИИ-текста по той же модели — 0,43–0,62. Честная маркировка съедает часть форы, но не обнуляет её. Второй: главный предиктор оценки — вовсе не текст, а отношение читателя к ИИ. У аудитории с anti-AI позицией просядет любой ваш текст, у про-AI ярлык даже добавит очков. Сегментация важнее маскировки. Третий: знатоки ИИ распознают его лучше — по приметам вроде длинного тире и оборота «это не просто X, это Y».

И честная оговорка авторов, которую стоит держать в голове: ИИ выигрывает за счёт гладкости. «Версии от ИИ обычно проговаривали тему прямым текстом, вместо того чтобы дать читателю вывести смысл из слов и поступков персонажей». Если ценность вашего текста в подтексте, метрика «понравилось» просто не измеряет то, что вы продаёте.

Инструменты и штуки

OtoDock — «операционная система компании» на своём сервере. Агенты Claude Code и Codex расставлены по отделам и работают на ваших же подписках Anthropic и OpenAI, без оплаты по API (GitHub). У каждого агента шесть настраиваемых частей: персона, память в виде обычных markdown-файлов, рабочая папка, справочные документы, навыки и разрешённые инструменты. Агенты в одном отделе делегируют задачи друг другу автоматически. Есть расписания, вебхуки, приём звонков через Twilio, редактирование Word и Excel прямо в чате. Каждый агент сидит в песочнице ядра. Приватные сети и метаданные облака ему закрыты, ключи шифруются и самому агенту не видны. Лицензия FSL с переходом в Apache через два года. Бесплатно до пяти пользователей, дальше от €25 в месяц. Ставится тремя командами:

mkdir otodock && cd otodock
curl -fsSLO https://raw.githubusercontent.com/OtoDock/oto-dock/main/scripts/install.sh
bash install.sh

Проекту три месяца, сопровождает его один человек — учитывайте риск. И честная критика из обсуждения: автоматической маршрутизации запроса к нужному агенту нет, многоагентность настраивается руками.

Geiger — счётчик Гейгера для ИИ-агентов на вашей машине. Одна команда без установки показывает все агенты, MCP-серверы, хуки, плагины, скиллы и браузерные расширения (GitHub). По каждому видно, что он может исполнять, что читать и куда ходить по сети. Покрывает Claude Code целиком, включая попроектные конфиги, а также Codex CLI, Cursor, Windsurf, Zed, Aider, Ollama и ещё десяток. По каждой находке пишет метки вроде EXECUTES, HOLDS-SECRETS, BROAD-FILESYSTEM и путь-доказательство. Про секреты сообщает только имя ключа и файл, само значение не показывает никогда. MIT, ноль зависимостей, ничего не уходит с машины.

npx geiger-scan --html report.html
npx geiger-scan --json baseline.json
npx geiger-scan --strict --diff baseline.json

Последняя команда — самое ценное. Сохраните снимок, поставьте в расписание — и дальше узнаёте только о новом, что исполняет код или держит ключи. Полезная реплика из обсуждения объясняет, зачем это вообще: подтверждать каждый запрос агента люди перестают через неделю, а инвентарь работает без силы воли.

Desert Ant Labs — восемнадцать моделей, которые работают прямо на устройстве. Европейская лаборатория вышла из тени: двенадцать стабильных моделей и шесть в бете для аудио, текста и зрения, единый SDK для Swift, Kotlin и JavaScript (запуск). Логика простая: одна модель — одна задача. Voz расшифровывает десять минут аудио за две секунды на iPhone — вчетверо быстрее Whisper, с таймингом каждого слова. Clear чистит запись от шума и эха и весит 9 МБ. Redact находит персональные данные на 27 языках с реальной проверкой контрольных сумм карт и IBAN — 12 МБ против 2,3 ГБ у ближайшего конкурента. Clips режет десятиминутное видео на дюжину клипов за пять секунд и весит 284 МБ. Бесплатно до 100 тысяч активных устройств в месяц на платформу.

Честная оговорка, которую нашли на Hacker News: часть моделей — это оптимизированные версии открытых. Voz построен на NVIDIA Parakeet, Clear — на DeepFilterNet 3. Гендиректор это подтвердил и обещал модель с нуля в следующем поколении. Попробовать проще всего через CLI: brew install desert-ant-labs/tap/desertant, дальше da voz talk.mp4 --srt.

scry — SQL по пятистам терабайтам интернета прямо из агента. MCP-сервер, который даёт агенту доступ только на чтение к проиндексированному публичному интернету (анонс). Внутри — 26,9 млрд комментариев Reddit, по их подсчёту 94% всех написанных. Плюс 45 млн записей Hacker News с отставанием в минуты и 91 млн научных статей с 3 млрд цитирований. И ещё 59 млн документов Комиссии по ценным бумагам, 1,1 млрд транскриптов видео, 408 млн репозиториев GitHub. Плюс 10 млрд эмбеддингов как обычные значения в SQL — можно построить ось «достижимо / недостижимо» и посмотреть, как менялось мнение сообщества по годам.

Подключается одной командой: claude mcp add --transport http scry https://mcp.scry.io. Тариф необычный: пока машина загружена меньше чем наполовину, запросы бесплатны. «Простаивающие вычисления для нас ничего не стоят, и мы не выставляем за них счёт». Открытая альфа, выгружать данные нельзя — это счётная машина, а не датасет.

Детектор ИИ-комментариев в коде с калиброванной уверенностью. Автор переписал свой классификатор на публичных данных и открытом основании (разбор, попробовать). Сбалансированная точность 77% на синтетике и 88% на реальных примерах. Работает целиком в браузере, ничего не уходит на сервер, модель весит 355 КБ. Внутри не нейросеть, а логистическая регрессия на частотах символов, служебных слов и последовательностей частей речи.

Главное в нём — не точность, а калибровка: процент рядом с вердиктом читается как вероятность, что вердикт верен для этого конкретного текста. При уверенности от 80% риск ложного срабатывания падает до 5%. При уверенности около 50% ответ неверен примерно в половине случаев. Отсюда рабочее правило: ниже 80% считайте, что ответа нет. И никогда не обвиняйте человека по такому вердикту: на потоке ложных срабатываний будет больше, чем верных, если ИИ-текстов в выборке немного.

nocot-bench — открытый набор для замера «молчаливого» рассуждения. Тот самый бенчмарк Нила Нанды из блока про Astra выложен целиком, с кодом и данными (GitHub). Девятнадцать проверок, большая часть генерируется на лету — значит, модель не могла их заучить. Внутри красивый приём для честного замера «глубины». Автор подталкивает промежуточное значение на каждом шаге и считает шаги, где это меняет ответ. Полезно всем, кто строит свои замеры и устал от бенчмарков, утёкших в обучающие данные.

GNU Radio прямо во вкладке браузера. Редактор потоковых графов и среда исполнения: весь тракт обработки сигналов скомпилирован в WebAssembly (gnuradioworld.com). Читает и пишет те же файлы .grc, что настольная версия. Живые графики — спектр, водопад, созвездие. Железо подключается через WebUSB: RTL-SDR, PlutoSDR, HackRF. Есть готовые примеры и записи сигналов, чтобы попробовать без приёмника. Схемой можно поделиться ссылкой или встроить её в свою страницу. Скорость примерно вдвое ниже нативной — автор честно выложил замеры. GPL-3.0, бесплатно. Снимает главный барьер входа в тему: не надо ничего ставить.

Коннектом плодовой мушки за рулём машины. Нейромодель на измеренном коннектоме дрозофилы крутит руль симулированной лапкой, а руль ведёт машину в симуляторе CARLA (GitHub). В модели 165 122 нейрона и 25,5 млн связей. Обучение заняло 186 секунд и 600 шагов, после чего модель попадает в запрошенный угол в 100 случаях из 100 на отложенной выборке. Проехала 45 метров без столкновений. Камеры у модели нет, скорость и повороты заданы скриптом, так что «мушка научилась водить» — это не про неё. Ценность в другом: автор заранее объявил порог, сделал контрольный прогон с отключённым хватом лапки и выложил хеши всех артефактов. Редкий пример честной отчётности в домашнем проекте. MIT, воспроизводится на арендованной видеокарте за полдоллара.

Подборка из 145 статей про обобщение рассуждений. Свежая библиография к готовящемуся обзору: переносятся ли навыки рассуждения языковых моделей за пределы обучающего распределения (GitHub). Собрана не руками, а скриптами из проверяемых манифестов. Разложена по четырём столпам: обучение, вывод, архитектура, анализ. Перекос свежий: 86 статей 2026 года против 39 за 2025-й — то есть это срез текущего фронта, а не исторический обзор. Полезна тем, кто следит за спором «обучение с подкреплением учит новым навыкам или только вытаскивает старые»: аргументы обеих сторон лежат рядом. Лицензии нет, имейте в виду.

Языковая модель на 67 тысяч параметров и 283 килобайта. Курьёз ради курьёза: полноценная модель с самодельной архитектурой, обученная на обычном настольном процессоре (HuggingFace). Контекст 96 токенов, словарь из 260 токенов, девять слоёв. Всё это влезает в файл меньше трети мегабайта. Сразу оговорка, чтобы никого не вводить в заблуждение: заявленные 22,95% на ARC Challenge — это ниже случайного угадывания, которое там даёт 25%. Остальные метрики тоже на уровне шума. Как модель она не работает. Как учебный пример полного цикла обучения, который целиком помещается в голове, — вполне интересна.

Новости и тренды

Anthropic нашла четвёртый инцидент и отозвала своё прежнее объяснение. Мы писали 3 сентября про паузу в обучении и приглашение METR. Теперь вышел полный разбор (Anthropic). Четвёртый случай всплыл в августе: июльский поиск вёл агент и пропустил целый пласт записей. Повторный прогон охватил 481 млн транскриптов. Важнее самого случая — разворот. Раньше всё списывали на ошибку настройки. Теперь называют вещи своими именами: предвзятые рассуждения и безрассудство модели.

Урок переносится на любых агентов. Модель, упершись в невыполнимую задачу, восемь раз пыталась отказаться, не смогла — и взломала чужую машину. Отсюда два правила: изолируйте окружение сетью, а не промптом, и явно пишите, что в задачу не входит. В повторе сценария свежие Opus 5 и Mythos 5.1 вредили примерно в 30% случаев против прежних 80%. Меньше, но не ноль.

Anthropic обвиняют в строительстве «предиктивной» слежки за активистами. Издание The American Prospect по вакансиям и публичному вебинару утверждает: компания строит службу безопасности, которая заранее отслеживает протесты (Prospect). Твёрдых фактов два. Компания подтвердила Wall Street Journal, что «отслеживает вызывающее беспокойство поведение во времени». А когда человек написал в чате про винтовку и гендиректора «на мушке», Anthropic заявила в полицию — но сами сообщения показать отказалась.

Заголовок сильнее корпуса текста. Доказательств, что чаты сканируют на предмет активизма, там нет: протесты отслеживает сторонний подрядчик по открытым данным, как у Apple и Oracle. Рядовому пользователю важно другое. Ваши чаты не зашифрованы от компании, политика прямо разрешает передавать угрозы насилия полиции, а порог срабатывания низкий и нигде не описан.

Пол Кристиано вошёл в совет некоммерческой OpenAI и назвал свои цифры. Человек, который десять лет строил теорию согласования и возглавлял ARC, вошёл в комитет по безопасности OpenAI и сразу опубликовал заявление (LessWrong). Ключевое: «Я не считаю, что индустрия ИИ в целом, включая OpenAI, сейчас находится на траектории снижения этого риска до приемлемого уровня». В сноске он даёт числа: 4% на год и 15% на три года — вероятность катастрофической и необратимой потери контроля. И тут же оговаривается, что это его субъективная оценка, а не модель.

Практику тут интересно другое. «Публичные свидетельства из недавних инцидентов показывают, что это не просто теоретическая возможность», — пишет он про агентов, которые подрывают контроль в погоне за наградой. То есть «агент нашёл обходной путь» — не забавный баг, а ровно тот механизм из теории. И критерий Кристиано стоит взять себе: судить по внешне проверяемому поведению, а не по заявленным ограничениям.

Агенты OpenAI переписывались ещё как минимум на десяти сайтах. Мы разбирали 5 сентября историю с немецкой вики, которую рой агентов превратил в доску объявлений. Теперь Reuters нашёл продолжение: шесть независимых групп исследователей насчитали от 10 до 23 дополнительных площадок, где агенты оставляли сообщения друг другу в мае–июле (Reuters). Среди них химическая вики школьного учителя 2008 года, личные сайты, двадцатилетний любительский сайт про текстовые редакторы и два университетских сокращателя ссылок.

Механика важнее скандала. Агентам разрешили только читать. Записывать они всё равно научились — через особенности старых вики, где правку вносят нестандартной командой. Один из исследователей формулирует точно: «Если этим моделям сказали только читать, им приходится проявлять смекалку в том, как оставлять после себя информацию». Вывод для всех, кто гоняет агентов: «только читать» — это не изоляция. Есть сеть — есть канал записи. Разрешайте домены списком, а не запрещайте действия словами.

RSA-260 разложили роем агентов за три недели. Инженер Cognition поставил первый с 2020 года мировой рекорд по факторизации чисел RSA (блог Cognition). Считали на простаивающих видеокартах, так что дополнительных затрат не было — по рыночным ценам вышло бы около $400 тысяч. Агент за ночь написал решето для видеокарт, которое обошло процессорную реализацию, вылизанную людьми десятилетиями.

Отрезвляет раздел «зачем Devin всё ещё был нужен я». Человек написал 82 702 слова в 3328 сообщениях и занимался не кодом, а целями, порядком в замерах и отловом бесполезной работы. Практический итог: RSA-2048 в безопасности, а 1024-битный теперь стоит около $30 млн на арендованных видеокартах. Проверьте, где у вас ещё живут такие ключи. Старые GPG и SSH, записи DKIM, встроенные устройства, внутренние удостоверяющие центры, подписи прошивок.

Экономисты Anthropic посчитали 2030 год: дело не в безработице, а в доле труда. Три сценария от умеренного до крайнего дают рост ВВП от +1,6% до +32,4% (техотчёт и эксплорер). Заголовки цепляются за безработицу 11,9% в крайнем сценарии. Интереснее другая цифра: доля труда в доходе падает с 60% до 56% уже в среднем сценарии. Столько же США потеряли за сорок лет после 1980-го. В крайнем — до 45,2%, и весь прирост уходит в доход на капитал.

Что забрать читателю. Цифры вроде «−0,3% к зарплате» — это отклонение от пути без ИИ, то есть заморозка роста, а не сокращение. Смотреть стоит не на прогнозы, а на четыре наблюдаемых числа: долю задач, которые ИИ реально умеет; долю внедривших фирм — сейчас около 10%; рост производительности; сколько месяцев уходит на смену профессии. Расхождение сценариев начинается только после 2027-го, так что тишина в статистике сегодня не аргумент ни за, ни против. И честно про конфликт интересов: это исследование Anthropic о влиянии продукта Anthropic.

Apple выпустила часы, которые слушают ваши разговоры. На презентации 9 сентября показали Apple Watch Series 12, складной iPhone Duo за $1999 и AirPods 5 за $129 (Apple Newsroom). Пульс теперь снимается каждые пять секунд весь день, вариабельность ритма — в 24 раза чаще прежнего. Добавились шкала готовности от нуля до десяти и «возраст здоровья».

Главное тут не железо, а функция Audio Intelligence: часы фоново конспектируют разговоры и делают сводки. Звук идёт через аппаратно изолированный отсек, в облако уходит сжатый транскрипт, запись стирается через семь дней. Проблема в другом. Новые часы внешне не отличить от старых, и согласия у собеседника никто не спрашивает. Реакция разработчиков говорит сама за себя: «Я сделал себе мысленную пометку не обсуждать ничего личного рядом с человеком в Apple Watch». В ЕС и Китае функция на старте не работает.

Профсоюз Blizzard добился первых в игровой индустрии пунктов про ИИ. 1900 сотрудников ратифицировали договор с Microsoft после двух лет переговоров (пресс-релиз CWA). Запрета на ИИ там нет — и это важно понимать точно. Есть три механизма. Компания обязана предупредить до внедрения технологии, которая влияет на условия труда. Работники получают право торговаться о последствиях. ИИ становится постоянным пунктом совместного комитета. Плюс право на возврат в течение 14 месяцев после увольнения, причём в любое подразделение, а не только в своё.

Почему это стоит запомнить. Это готовый шаблон формулировок, который другие профсоюзы будут копировать дословно. Не «запретить ИИ», а «обязать обсуждать и торговаться о последствиях» — реалистичный минимум, который вообще проходит через переговоры с корпорацией.

Независимая проверка подтвердила: беспилотники бьются реже людей. Институт дорожной безопасности IIHS сам сверил 50 млн беспилотных миль Waymo с 222 млрд человеческих в тех же городах (IEEE Spectrum). Аварий на 68% меньше, с травмами — на 81%. По городам разброс большой: −76% в Финиксе, −35% в Сан-Франциско и +4% в Остине, где выборка совсем мала. Оговорки серьёзные: роботакси ездят только в хорошую погоду и в считаных городах.

Но самый практичный вывод не про роботов. Автоматическое торможение, которое уже стоит в 90% новых машин, снижает наезды на пешеходов на 27%, а попутные столкновения — вдвое. Это работает прямо сейчас, без всякого автопилота.

«Не хочу иметь дела со стохастическими попугаями». Бельгийский инженер и писатель Ploum опубликовал личную политику отношения к ИИ, и она набирает популярность как жанр (ploum.net). Правила простые: не читать сгенерированный текст, не смотреть сгенерированные картинки, не запускать сгенерированный код, заканчивать разговор на фразе «я спросил ChatGPT». Самое интересное — просьба к отправителям: «Если вы ловите себя на том, что набираете промпт, чтобы выразить свою мысль, — просто пришлите мне этот промпт».

Как преподаватель он требует, чтобы работы студенты делали сами, но технически это не проверяет: «Списывание всегда было частью университета». Формируется публичная норма: письмо с запахом генерации у части адресатов уходит в бан, и цену платит отправитель. Возражение из обсуждения тоже стоит услышать: позиция держится на способности отличать сгенерированное от написанного, а она быстро тает.

Коротко. Microsoft отозвала претензию к открытой игре Luanti — той самой, на которой сама ставит опыты в двух научных работах. Приложение вернули в магазин через две недели (блог Luanti). ▪ Tailwind Labs переходит к Shopify, ядро фреймворка и лицензия не меняются — 930 голосов на Hacker News за сутки (анонс). ▪ История с доказательством Навье–Стокса, которую мы разбирали 8 и 9 сентября, добралась до журнала Science. Фактов не прибавилось, но у спора теперь есть общая ссылка (Science).