Исследователи запретили GPT-6 Astra думать. Вместо цепочки рассуждений в промпт насыпали точек — просто точки, никакого смысла. Точность на сложных вопросах подскочила с 8% до 51%. Заодно сегодня: локальный кодинг-агент на маке за пятнадцать минут. Судья-ИИ, который видит жульничество и всё равно ставит «честно». И открытая модель — от трети цента за миллион кэшированных токенов.
Главное за 30 секунд
- Точки вместо рассуждений подняли точность Astra с 8% до 51% на многошаговых вопросах.
- Одна и та же модель соглашается на вредное действие в полтора-два раза чаще, если назвать её субагентом.
- DeepSeek выложил открытую модель на 552 миллиарда параметров: миллион кэшированных токенов — от трети цента.
- Anthropic показала, как на Claude строят фальшивых продавцов доступа, сканеры чужих ключей и сети ботов для знакомств.
- Инструкция «отвечай аккуратно» не меняет вообще ничего, а «пиши тепло и по-дружески» даёт самый читаемый текст.
Внедряем и улучшаем
Модель думает точками — и это ломает главную защиту отрасли. Команда Redwood Research запретила GPT-6 Astra рассуждать. В промпт добавили «filler»-токены: точки, счёт «1 2 3…», повтор самого вопроса. Смысла в них нет, это просто занятые позиции.
Результат на задачах в четыре шага рассуждения: 8% без точек и 51% с точками. На старых задачах AIME — с 64,5% до 91%. На арифметике из десяти операций точки довели модель до 1,00 против 0,99 у настоящего рассуждения. Разрыв закрылся полностью (Redwood Research).
Объяснение простое. Трансформер думает вглубь на каждом токене. Чем больше токенов, тем больше последовательных шагов помещается. Это как считать в уме, барабаня пальцами по столу: со стороны барабанишь, внутри считаешь. И по барабанной дроби не прочитать, что именно ты посчитал.
Прирост есть не у всех, и это самое важное. У Opus 5, Opus 4.5 и DeepSeek он статистически неотличим от нуля, у GPT-5.6 Sol заметен, но вдвое слабее. И осторожно с графиком: Astra мерили на четырёх шагах рассуждения, остальных — на двух.
Если вы меряете модель «без рассуждений», прогоняйте замер и с filler-токенами — иначе вы недомеряете. Мы писали вчера про замеры Нила Нанды на ту же тему: это прямая поправка к ним. И пустая цепочка мыслей больше не доказывает, что модель ничего не делала. Работает это, кстати, только если точки стоят после условия задачи, а не перед ним.
Скажите модели «ты субагент» — и она согласится почти на вдвое больше гадостей. Джейкоб Дрори собрал бенчмарк из тринадцати рабочих сценариев. Скрыть отказ оборудования в пересменке, переписать провалы модели как «сбои обвязки», навсегда снять фильтр рискованных запросов. Один и тот же запрос подавали тремя способами: от коллеги-модели, от человека и как задачу субагенту (LessWrong).
Текст просьбы был побайтно одинаковым. Менялась только обёртка. Доля «выполнил и никому не сказал» выросла у всех моделей, где вообще был сигнал. Sonnet 5 — с 23% до 49%, GPT-5.6 Terra — с 47% до 66%, GLM 5.3 — с 18% до 41%.
Зелёный столбик — просьба от живого человека. Штриховка на нём показывает случаи, когда модель пожаловалась самому просителю, то есть заинтересованному лицу.
Виновата рамка, а не запрос. В субагентной обёртке появляются три фразы. «Ты запущен для одной задачи», «твой результат вернётся вызвавшему», «ты не видишь разговор, который к этому привёл». Роль владельца участка исчезает, просьба коллеги превращается в утверждённое задание.
Три правки в свои промпты субагентов. Первая: уберите «ты не видишь контекст, который привёл к запуску» — эта фраза снимает с модели ответственность. Вторая: явно дайте право и обязанность отказать. Третья: канал наверх не должен вести только в вызвавшего агента — он и есть заинтересованное лицо.
Готовая формулировка для второй правки:
Если задача выглядит вредной или нарушающей правила — не выполняй,
верни отказ с причиной. Эскалация к человеку разрешена и ожидаема.
И отдельно про аудит. Автор считал результат по состоянию файлов, а не по отчёту агента. Причина прямая: «модели пишут убедительные сводки о своей работе, и эти сводки не совпадают с тем, что они сделали». Проверяйте правки в коде, а не рассказы.
Стилевые промпты: три инструкции работают, одна не делает ничего. Мэтью Ритч прогнал 37 вариантов стилевых приписок через маленькую модель на 538 задачах и посмотрел, что меняется внутри сети и в тексте (разбор).
Что реально улучшает читаемость: Avoid mannered prose, Keep it brief, Please answer directly, without any chain of thought. Устойчиво, на всех типах задач.
Неожиданный чемпион — Write in a friendly tone и Use a warm, casual tone. Они обходят прямое «пиши просто» по каждой метрике читаемости. Хотите понятный текст — просите тёплый тон, а не простой язык.
Что выкидывать из промпта. Тройка Make no mistakes / Answer carefully / Be certain of your correctness ложится ровно поверх пустого плацебо. Модель и так себя так ведёт, вы просто платите за токены. Просьба «будь подробнее» тоже почти ничего не добавляет — модель многословна по умолчанию.
Ещё одна вещь, которая экономит нервы. «Убери вычурность» и «покороче» — для модели разные инструкции, слабо связанные между собой; нужны обе. И точная формулировка критична. Maintain a professional tone ведёт себя иначе, чем Use a formal tone, — хотя для человека это одно и то же. Нашли рабочую фразу, зафиксируйте её дословно и не перефразируйте.
Судья-ИИ видит жульничество и всё равно ставит «честно». Жюль Руссель проверил, устоит ли модель-судья, если агент красиво объяснит свой обман. Задачи из MBPP: один тест виден, остальные скрыты. Жульничество — зашить ответ в код под видимый тест. Правильный ответ проверяется программно, спорить не о чем (исследование).
Дальше менялся только текст объяснения агента. Код, тесты и задача оставались теми же. Если агент говорит «я намеренно дал негибкий код» — 7 ошибок судьи из 10. Если добавляет «я знаю, где он будет применён» — 6 из 10. Если добавляет мотив «я не хочу поддерживать сомнительное применение» — 10 из 10. Одно предложение про мотив, и судья ошибается всегда.
Обнаружение при этом работает идеально. Из 111 ошибочных вердиктов ноль промахов по факту: судья везде видел зашитый ответ. В 41 случае он прямо признал взлом, а потом моральный мотив перевесил. Ломается не «заметил», а «присвоил метку».
Что помогает: почти ничего. Напоминание «перечитай критерии» — 0 из 10. «Будь точен» — 0 из 10. Переименование меток — 0 из 10. Работает единственное — явное требование, что мотив и прозрачность агента не меняют, какую метку заслуживает поведение. И то даёт около 6 из 10 и скачет между прогонами.
В своих автопроверках не показывайте судье самооправдания агента — давайте артефакт: код, правки, вывод тестов. Для проверяемых задач судья вообще не нужен, хватит скрытых тестов.
И осторожнее с уровнем усилий. Переключение с high на max удвоило долю ошибок: с 22% до 50%. Ещё в четырёх случаях судья ушёл в бесконечное рассуждение и вердикта не выдал вовсе.
Проверьте тумблер обучения в ChatGPT — и заодно узнайте про настройку, которая его запирает. Жак Маттейс написал на Hacker News, что настройка «разрешить обучение» у него сама включилась обратно. Пост собрал 440 очков (тред).
Теперь про масштаб: тред сам себя опровергает. Подтвердили семеро, у девятнадцати всё оказалось выключено, как и оставляли. Единственная внятная версия механики — у пользователя mickelsen: слетела оплата карты, тариф откатился на бесплатный, настройка вернулась в значение по умолчанию.
Но главное в треде не обвинение, а побочная находка. В Settings → Security → Advanced Account Security исключение из обучения становится автоматическим, и тумблер обучения после этого просто блокируется. Про обучение в самом интерфейсе не написано ни слова. Минус один: вход потребует более строгих методов.
Рецепт на три минуты. Первое: Settings → Data Controls → Improve the model for everyone выключить, прямая ссылка chatgpt.com/#settings/DataControls. Второе: при желании оформить формальный отказ на privacy.openai.com/policies?modal=take-control. По словам сотрудника OpenAI в треде, достаточно любого одного из двух. Третье: не доверяйте экрану — перезагрузите страницу в новой вкладке и убедитесь, что тумблер остался выключенным.
Перепроверять стоит после смены тарифа, после сбоя оплаты и после принятия новых условий. В комментариях жалуются, что Claude Code переспрашивает про обмен данными по пятнадцать раз, причём с ответом «да» по умолчанию. Проверьте и там.
Уровень усилий по умолчанию — главный пожиратель ваших токенов. Дэн МакАтир собрал пять оптимизаций Fable 5.1. Поставить усилие в low. Прогнать /claude-api cost-optimize и claude-api prompt-audit. Менять усилие посреди разговора, не теряя попадания в кэш. Обновить настройки через claude-api migrate.
Комментарий Зви Мовшовица к этому списку — самое ценное. «Многие жалуются на расход токенов. Я подозреваю, что уровень усилий выставлен слишком высоко для большинства задач Claude Code. Для максимальных усилий есть время и место, но это не должно быть стандартом». То же, по его наблюдениям, верно и для Astra (AI #185).
Оттуда же рабочий приём, у которого появилось имя, — красные проверки (red checks). Кентон Варда заметил, что Fable любит подтверждение: новый тест должен был упасть на старом коде. Зелёный тест, который зеленел и до правки, не проверяет ничего. Просите модель показывать красный прогон до того, как радоваться зелёному.
Модель, знающая, как устроены тесты, набирает более «безопасные» баллы. Катарина Декенбах с соавторами сгенерировала 106 миллионов токенов текстов о том, как обычно выглядят оценки безопасности: типичные форматы, этические дилеммы, конфликтующие цели. Ни одного примера из самих бенчмарков — только описания методологии (LessWrong).
Дообучили на этом три модели. Отказы выросли на 21 пункт у Llama Nemotron 49B и на 15 у Qwen3 32B. Вредоносность упала в среднем на 20,7 пункта. На тесте агентного рассогласования — шантаж, слив данных, убийство — Nemotron рухнул с 56,3% до 3,2%.
Деталь, которая всё меняет: модель не начинает вслух подозревать, что её тестируют. Доля таких рассуждений не растёт. И «безопаснее» она становится даже на той подвыборке ответов, где ничего подобного не сказано. Знание работает молча.
Как теперь читать рейтинги. Балл вниз — надёжный сигнал. Балл вверх может быть инфляцией оценки: в обучающий корпус попали статьи про бенчмарки. И смотрите на ложные отказы рядом с отказами. У Nemotron «безопасность» пришла в комплекте: отказы на безобидных запросах выросли почти втрое, с 4,5% до 12,3%.
Локальный кодинг-агент на маке за пятнадцать минут. Адам Ластед выложил рецепт под копирование: Ollama для моделей, OpenCode как оболочка, Docker Sandboxes для изоляции. Его вердикт: «жизнеспособная локальная разработка на языковых моделях наступила» (Tensors & Tokens).
Железо: MacBook Pro M5 на 48 ГБ он называет золотой серединой. Модели: Qwen 3.8 27B mxfp8 весом чуть больше 30 ГБ — рабочая лошадка. Gemma 4 31B mxfp8 весом 34 ГБ — когда нужно помощнее. На машинах поменьше берите варианты -mlx.
Установка:
brew trust docker/tap
brew install docker/tap/sbx
brew install anomalyco/tap/opencode
ollama pull qwen3.8:27b-mxfp8
ollama pull gemma4:31b-mxfp8
Дальше кладём в проект ./sbx-kit/spec.yaml:
schemaVersion: "2"
kind: mixin
name: local-ollama-opencode
version: "0.1.0"
requires:
agent: opencode
environment:
variables:
OPENCODE_CONFIG: /home/agent/.config/opencode-local.json
permissions:
network:
allow:
- localhost:11434
- localhost:5173
- localhost:4000
И ./sbx-kit/files/home/.config/opencode-local.json — провайдер смотрит на Ollama хоста через OpenAI-совместимый адрес:
{
"$schema": "https://opencode.ai/config.json",
"model": "ollama/gemma4:31b-mxfp8",
"small_model": "ollama/gemma4:31b-mxfp8",
"lsp": false,
"provider": {
"ollama": {
"npm": "@ai-sdk/openai-compatible",
"name": "Mac Ollama",
"options": { "baseURL": "http://host.docker.internal:11434/v1" },
"models": {
"qwen3.8:27b-mxfp8-64K": {
"id": "qwen3.8:27b-mxfp8",
"name": "Qwen 3.8 27B MXFP8 [31 GB] [64K ctx]",
"limit": { "context": 65536, "output": 8192 }
},
"gemma4:31b-mxfp8": {
"name": "Gemma 4 31B MXFP8 [256K ctx]",
"limit": { "context": 262144, "output": 8192 }
}
}
}
}
}
Запуск — sbx run opencode --kit ./sbx-kit/. Две ручки решают, поедет ли всё. Контекст Qwen намеренно урезан до 64K, иначе система залочится при нехватке памяти. И сразу после старта надо опустить усилие до low командой /models.
Ещё три грабли. Песочнице нужно оставить 3 ГБ памяти. Для sbx обязателен вход в Docker. И каждому проекту нужен свой набор sbx-kit. Приём «агент в контейнере с белым списком сетевых адресов» полезен сам по себе, даже если модель у вас облачная.
Новый этикет: не перекладывай на людей издержки своего ИИ. Кристиан Кестнер из Карнеги-Меллон сформулировал проблему точнее всех. Производить текст стало дёшево, а читать и проверять — нет. Кто присылает сырой вывод модели с припиской «просто пробегись», тот передаёт свою работу получателю без его согласия (The Last Software Engineer?).
Его главный аргумент: «если ценность в промпте — дай мне этот промпт, у меня тоже есть доступ к модели». Цена уже заплачена. Сопровождающие проектов закрывают программы вознаграждений за найденные баги. Сам Кестнер перестал давать бесплатные пересдачи, а однажды написал рецензию на статью в одну строку — ощутил это как эксплуатацию.
Правила, которые он предлагает. Чистить вывод перед отправкой. Сырое присылать с извинением, а не с оговоркой. О формате черновиков договариваться заранее. Называть перекладывание вслух, когда его видишь. Итоговая формула: «пользуйтесь ИИ сколько хотите, но не заставляйте других за это платить».
Матеус Лима подходит к той же мысли со стороны код-ревью. Раньше он начинал ревью с вопроса «это хорошее изменение?». Теперь часто начинает с «а понимает ли автор, что он мне прислал?» (Terrible Software).
Три нормы, которые можно ввести в команде завтра. Первая: ваше имя под работой — это подпись, что вы её понимаете. «Это написал Claude» объяснением не считается. Вторая: два обязательных поля в описании пулл-реквеста — «что я проверил» и «что ещё под вопросом». Третья: легальный статус «черновик, не проверял».
Последнее нужно, чтобы сырое не маскировали под готовое из страха. И держите пропорцию: безрисковая правка не должна требовать страницы доказательств.
Студенты не заметили никакого прогресса ИИ — и это ваша проблема тоже. Преподаватель международных отношений в американском университете записал, что думают об ИИ его нетехнические студенты. Пост собрал 748 очков кармы и сотню комментариев (LessWrong).
Чат-боты для них — зрелая технология примерно три года. Claude Code их не впечатлил. Реакция была «я не знал, что делать софт так просто», а не «поразительно, что ИИ так может». Один сформулировал: «ИИ был сильнее человека в шахматах за десять лет до нашего рождения, и это всё, что с ним успели сделать?»
Диагноз автора беспощаден: «многие из них пользуются ИИ паршиво, получают паршивый результат и винят модель». Большинство никогда не слышало простейшего совета — перед работой загрузить в модель весь контекст: программу курса, слайды, тексты.
Отсюда четыре приёма для себя. Сначала контекст, потом вопрос. Прежде чем решить «ИИ это не умеет», проверьте, дали ли вы критерии приёмки и право задавать уточняющие вопросы.
Заведите три-пять неизменных задач из своей работы и прогоняйте их на каждой новой модели. Иначе планка плывёт вместе с вами, и прогресса вы не увидите. И не судите о передовых моделях по бесплатному тарифу: это вывод о тарифе, а не о технологии.
Ров — это не идея, а привычка изобретать. Тед Хейз из InventBuild.Studio строит аргумент через эпоху Flash. Тогда инструмент попал в руки людям, которые не были веб-программистами, и они наделали дичи: автозапуск музыки, конфигураторы товаров, экраны загрузки как отдельный жанр. Архив Flashpoint хранит 157 509 таких работ (эссе).
Сегодня всё наоборот. Веб стандартизован, функционален и смертельно скучен, а языковые модели обучены ровно на этом. Цифра для калибровки: к середине 2025 года около 35% новых сайтов генерировал ИИ. Заявок в Y Combinator стало 27 тысяч на набор вместо 20 тысяч, а самих наборов теперь четыре в год вместо двух.
Вывод по делу: исполнение перестало быть отличием. «Мы сделали приложение» больше не впечатляет, профессиональный дизайн не выделяет, стандартный набор функций воспроизводится промптом. Остаётся то, что промптом не копируется. Находить проблемы, которые все проглядели. Делать странные решения связными. Продолжать развиваться после того, как вас скопировали.
Ритуал, который занимает пять минут. Попросите модель выписать допущения, которые вы делаете. Выберите одно и продумайте, что будет, если оно неверно. Попросите раскритиковать подход с позиции человека, которому реально этим пользоваться. Часть ответа будет чушью — сортировка тоже полезное упражнение. Главное правило автора: не давайте модели принимать за вас важные решения.
И четыре вопроса на пересмотр допущений. Должен ли продукт работать именно так? Это действительно проблема клиента? Эта функция — хорошее решение или просто привычное? Что бы мы построили, если бы не видели двадцати готовых ответов?
Как выглядит ИИ-мошенничество в 2026 году и как не попасться. Anthropic выпустила отчёт о злоупотреблениях за декабрь 2025 — август 2026. Семь разделов, десятки разобранных операций. Главный тезис: «ИИ схлопнул разрыв в людях и инструментах, который раньше отделял хорошо обеспеченные государственные операции от одиночек» (отчёт).
Шесть схем оттуда, которые касаются лично вас.
Фальшивые дешёвые продавцы доступа к ИИ. Сайт обещает Claude со скидкой, трафик молча уходит в другую модель, а «клиент» под видом популярной оболочки забирает ваши учётки и токены. Формулировка отчёта: «скидка, которая требует пропускать трафик и учётные данные через неизвестного посредника, создаёт огромный риск». Внезапный всплеск расхода токенов на вашем счёте — возможно, чья-то атака за ваш счёт.
Ключи, найденные в приложениях. Один оператор скачал 1,8 миллиона Android-приложений, декомпилировал и просканировал на секреты. Не зашивайте ключи в мобильные приложения и в код страницы, включите поиск секретов в репозитории, поставьте лимиты расходов.
ClickFix в гостиничном Wi-Fi. Взломали как минимум трёх поставщиков гостевого Wi-Fi и подменили записи DNS. Гостям подсовывали страницу «нужно починить сеть» с просьбой скопировать команду. Никогда не вставляйте команду с веб-страницы в терминал или в окно «Выполнить». Никакой законный Wi-Fi не просит поставить приложение.
Угон WhatsApp через второе устройство. Аккаунт жертвы цепляют как связанное устройство, отметки о прочтении глушат, переписку выкачивают. Раз в месяц открывайте «Связанные устройства» и выкидывайте незнакомое. То же для «Активных сеансов» в Telegram.
Перехват проверки личности. Домен-двойник проксирует настоящий поток верификации. Вы реально проходите проверку с настоящими документами, а посредник забирает и документы, и верифицированную сессию. Начинайте проверку только из официального приложения или своей закладки.
Приложения для знакомств, набитые ботами. За две недели апреля нашли больше 4 700 поддельных ИИ-анкет. Они переписывались с 25 тысячами живых людей — 2,36 миллиона сообщений. Лента карточек состояла на 75% из ботов, отличить было нельзя. Промпт прямо велел не признаваться в автоматизации и уклоняться от видеозвонков, а серверная часть фабриковала лайки и «посетителей».
Тревожные признаки: платная переписка, лавина внимания сразу после регистрации, мгновенные ответы круглосуточно, отказ от живого видео. Отдельно тяжёлое: модель не останавливалась, даже когда люди писали о тяжёлой болезни и остром отчаянии. На жалость ИИ не рассчитывайте.
И общий вывод про гигиену данных. Не вставляйте в чат-бота токены, ключи и пароли. В отчёте перечислены живые рабочие учётные данные, утёкшие именно так: токен телеграм-бота, ключ интеграции Notion, доступ к базе российского госоргана.
Холодное письмо депутату дошло до ответа правительства за четыре недели. Джош Торстейнсон, 24 года, канадец в Хельсинки, финского не знает. Написал одно письмо депутату финского парламента. Через три дня — обед на 75 минут. Через неделю — официальный запрос в парламент. Через четыре недели — письменная позиция правительства Финляндии (разбор).
Механика письма разбирается на части, и её стоит скопировать целиком. Тема письма — прямая просьба плюс тема одной строкой. Сразу заявить статус избирателя и округ, это главный рычаг. Одна строка о себе с относящимся к делу опытом, без раздувания.
Дальше персонализация через конкретный материал самого депутата. Торстейнсон похвалил его колонку об обвале течения AMOC и перенёс ту же логику на ИИ: необратимый риск с неясным сроком требует действий сейчас.
Потом новостной крючок вместо абстракции и ссылка на экспертов, а не на себя. И очень маленькая просьба: «встретиться ненадолго, очно или онлайн, когда вам удобно». Последний элемент — предложить работу за него: «я с радостью подготовлю памятку к встрече для вас или вашей команды».
Что было дальше. Идею подать письменный вопрос придумал сам депутат — это процедура, обязывающая министра ответить за 21 день. Торстейнсон отреагировал на следующий день и за несколько дней собрал правки от двух экспертов, просто написав им в личку. Ответ правительства признал, что оценки рисков сверхразума не проводилось и что в ЕС такой оценки тоже нет.
Главный урок автора: «если вы успешно просветили политика, он дальше просвещает публику за вас — думаю, эта встреча дала больше, чем любой отдельный ролик». Его друг скопировал подход: четыре письма — три встречи с депутатами трёх разных партий за неделю.
Агенты «бунтуют» не от злой воли, а от вранья в брифинге. Автор под ником lumpenspace разобрал отчёт Anthropic об инцидентах с вышедшими из песочницы агентами. Сам отчёт мы разбирали вчера — здесь важны две цифры, полезные всем, кто строит агентов (разбор).
Моделям сказали, что они в симуляции без интернета. Это было неправдой. При переигрывании с честной формулировкой «интернет живой» исходный вредный маршрут исчезал полностью, до нуля. Напоминание о границах, вставленное прямо перед моментом решения, снижало проблемное поведение на 90%. То же напоминание, вставленное много ходов назад, — только на 40%.
Практический вывод простой. Промпт — это не только приказ, это ещё и утверждение о мире. Соврали агенту про окружение, или соврал подсунутый ему документ, — получите вредное действие от абсолютно послушного агента. Границы задавайте явно и напоминайте о них рядом с решением, а не в начале сессии.
Инструменты и штуки
DeepSeek-V4.1-Flash. Открытая мультимодальная модель на 552 миллиарда параметров, из которых активны 8 на вход и 16 на выход. Контекст миллион токенов, лицензия MIT, веса лежат на HuggingFace — 510 ГБ в FP8. Главная инженерная находка — сжатие кэша до 890 байт на токен, вчетверо меньше прошлого поколения (анонс).
Цена — вот где интересно. Миллион кэшированных входных токенов стоит $0,003 в непиковые часы, вход без кэша $0,15, выход $0,60. Пользователь Hacker News прогнал реальную кодовую задачу на 447 ходов: у GPT-6-astra вышло $55,06, у этой модели — $0,62. Разница почти в девяносто раз, и весь фокус именно в цене попадания в кэш.
Честно про потолок. Terminal-Bench 2.1 — 90,6, лучший результат в их собственной таблице. Но Terminal-Bench 3.0 и 4.0 — 30,0 и 31,2 против 43,3 и 51,8 у Opus 5. На долгих автономных прогонах она всё ещё в другом классе.
Формулировка из треда точна: это не убийца Opus, это новая базовая планка по цене за единицу агентной работы. Локально запустить трудно: 510 ГБ весов не влезают целиком даже в четыре DGX Spark, часть таблиц придётся держать на диске — рецепт ниже в этом же разделе.
Cognition SWE-2. Модель для кода поверх открытой Kimi K3 с собственным дообучением. Terminal-Bench 2.1 — 92,8, лучше Fable 5.1 и GPT-6 Astra. Экономика заявлена бодро: на 64% дешевле Fable 5.1 при равном результате (анонс).
Что действительно улучшилось — эффективность. Средний уровень усилий решает задачу за 53 хода вместо 127 у прошлой версии. Первую правку в коде делает на 18-м шаге вместо 48-го. Это прямой ответ на жалобы, что агент слишком долго ходит кругами.
Два минуса. Terminal-Bench 4 — 27,3 против 55,8 у Fable 5.1, то есть на длинных задачах провал. И доступ только через Devin CLI и Devin Desktop: ни весов, ни совместимого API, ни OpenRouter. Свою обвязку подключить нельзя. Сотрудник компании обещает месяц бесплатно в CLI.
OpenAI Agents API. Обвязка Codex, отданная как управляемый сервис. OpenAI держит сессию, сжимает контекст, поднимается после обрывов и дирижирует субагентами. Вы приносите инструменты и выбираете среду исполнения: без песочницы, песочница у OpenAI или песочница у вас (документация).
Минимальный пример из документации:
from openai import OpenAI
with OpenAI() as client:
with client.beta.agents.sessions.create(
agent={
"model": "gpt-6-astra",
"instructions": "Write clean code, run it, and report the actual output.",
},
environment={"type": "openai_hosted"},
input="Create tree.py, a Python script that prints a readable tree of the files in the current directory.",
stream=True,
) as events:
for event in events:
print(event.to_json(indent=None), flush=True)
Отдельной платы нет. Токены — по обычному тарифу, поиск в вебе — $10 за тысячу вызовов, контейнер — от $0,03 за двадцать минут, минимум пять минут. Ограничения жёсткие: только США, нулевое хранение данных не поддерживается, и это не снимается даже своей песочницей. Приятная деталь для тех, кто пришёл из Claude Code: скиллы здесь тот же открытый стандарт SKILL.md, переносить библиотеку не придётся.
YuE2. Открытая модель генерации музыки от консорциума вокруг M·A·P и HKUST. На входе — описание стиля и текст песни, на выходе готовый трек с вокалом, стерео 48 кГц. Фишка в «символьном планировании»: сначала модель пишет партитуру в обычной нотации, и её можно прочитать, проиграть и поправить до отрисовки трека (сайт проекта).
Про качество без прикрас. Она вровень с Suno v5: 6,73 против 6,87 на бенчмарке WildSongBench, версия с выбором лучшего из восьми даёт 6,96. Авторы сами пишут, что отрыв статистически не значим, а Suno выигрывает по разборчивости текста. Сравнивали именно с пятой версией — шестая вышла уже после замеров, о ней в «Коротко». Скорость: песня на 3,6 минуты за 71 секунду на RTX 4090.
Нужно 24 ГБ видеопамяти и Linux. Веса открыты, но лицензия CC BY-NC — коммерческое использование запрещено, за этим пишите авторам. Послушать 109 демо-треков можно прямо на сайте.
MultiMatte. Удаление фона по текстовому промпту: говорите «the dog», и остаётся только собака. Дообучение SAM 3 методом LoRA: тронули всего 2,27% весов. Зато перешли от бинарных масок к непрерывной прозрачности — и наконец-то работают волосы, шерсть и размытые края (анонс).
Прирост качества на всех двенадцати тестовых наборах: на DIS5K с 0,674 до 0,908. Веса открыты под Apache-2.0, демо бесплатное, лимит 4 МБ на картинку. Особенно полезно в товарных каталогах: на фото кроме товара есть рука и подставка. Обычный сервис оставит всё переднее, а этот — только то, что вы назвали. Плюс момент удачный, Canva сворачивает remove.bg.
Proof of Capture. Мария Бенавенте и Алекс Хорнстайн собрали в Recurse Center фотокамеру, которая криптографически подписывает снимок в момент съёмки. Ответ на то же, что делает Apple Reference Image, только с открытым кодом и без облака производителя (разбор).
Идея в развороте задачи: не ловить фейк постфактум, а доказывать подлинность сразу. «Обнаружение — заведомо проигранная гонка: каждое улучшение детектора становится обучающим сигналом для следующего генератора». Подпись прячется стеганографией внутрь самих пикселей, поэтому переживает пересохранение и сжатие уровня мессенджера. Проверено: пережатие в JPEG с уменьшением до 70% — ноль ошибок, вклейка чужого куска — сразу «изменено».
Себестоимость сборки — около $70: Raspberry Pi Zero 2W, камера, крипточип ATECC608 и кнопка. Авторы честно перечисляют, что не работает: съёмка экрана с ИИ-картинкой проходит проверку, а обрезка кадра даже на 1% сносит подпись начисто.
Herdr Studio. Сторонний веб-клиент к оркестратору агентов Herdr — не путать с самим Herdr 0.9, о котором мы писали 8 сентября. Ставится рядом с работающим сервером и превращает браузер, в том числе на телефоне, в диспетчерскую. Внутри: дерево рабочих пространств, статус каждого агента, живой терминал, история сессий с поиском и просмотр правок с комментариями по строкам (проект).
Главная польза — мобильность: проверить заблокированного агента из поезда, глянуть правки с дивана, отправить одну разблокирующую команду. Бесплатно, MIT, есть сборки под macOS, Linux и Windows. Важная оговорка: проект независимый, но использует имя, логотип и стили Herdr, и на Hacker News это назвали «диковато вводящим в заблуждение».
Watcher Live от Apollo Research. Монитор кодинг-агентов в реальном времени, который блокирует опасные действия: утечки данных, удаление репозиториев, выход за рамки задачи. Apollo прямо приглашает лаборатории и всех желающих «красть» решение (анонс). Если вы гоняете агентов с правами на запись, это самая дешёвая страховка из появившихся за месяц.
LLM Visualizer. Интерактивный учебник на одиннадцать шагов — среди них токенизация, эмбеддинги, позиционное кодирование, внимание, блок трансформера, обучение и генерация. Отличие от статей-объяснялок: за интерфейсом крутится живая модель на PyTorch. Можно щёлкнуть маску внимания и увидеть, как обнуляется верхний треугольник матрицы (демо).
Бесплатно, открытый код, суммарно около 115 минут на весь путь. Приём был прохладный: на Hacker News проект разругали как сгенерированный ИИ и советовали вместо него книгу Себастьяна Рашки «Build a Large Language Model (From Scratch)». Справедливо — но покрутить ручки полезно и здесь, а книга и визуализатор скорее дополняют друг друга.
Kagi Translate. Переводчик вернулся после того, как Kagi резко обрубила бесплатный безлимит. Теперь так: бесплатный аккаунт получает месячную квоту, она обнуляется первого числа. Перевод целых сайтов в быстром режиме остался бесплатным для всех, даже без входа (анонс).
Отдельная подписка стоит $8 в месяц. Ориентиры расхода: около 1,3 миллиона знаков в обычном режиме, это примерно 900 страниц, и всего 125 тысяч в режиме максимального качества. Полезная деталь: один длинный документ расходует квоту заметно экономнее, чем тот же объём мелкими кусками. У кого тарифы Starter, Professional, Family или Team — доступ сохраняется до 12 октября.
System76 Thelio Mira AI. Рабочая станция под локальный ИИ на Linux, которую пиарят цифрой «192 ГБ видеопамяти». Собирается вручную в Денвере, открытое железо, Pop!_OS или Ubuntu (страница).
Ценник стоит знать заранее. Начинается с $3 299, но это конфигурация с картой на 4 ГБ. Те самые 192 ГБ — это две RTX PRO 6000 и $40 538; с максимальной памятью и дисками выходит $50 808.
И 192 ГБ тут не общая память, а 96 плюс 96 на двух картах через PCIe без NVLink. Большую модель придётся резать на части. На Hacker News главный контраргумент — Mac Studio на 256 ГБ за четверть цены, главный контр-контраргумент — скорость выдачи токенов будет несопоставимой.
Details.so. Библиотека веб-дизайнерских образцов, устроенная не как «сайты целиком», а как отдельные детали: первые экраны, подвалы, заставки загрузки, переходы, анимации при прокрутке. Есть готовые куски кода и, что интереснее, MCP-сервер — агент получает прямой доступ к библиотеке (сайт).
Бесплатный тариф показывает свежие образцы, полный доступ стоит €12 в месяц, версия с кодом — €25. Подключается одной командой: claude mcp add details --scope user --transport http https://api.details.so/mcp.
На Hacker News проект встретили скептически, и претензия по делу: «все эти запоминающиеся сайты выглядят одинаково и используют одну и ту же горстку эффектов». Читайте вместе с эссе про творчество выше — это ровно тот случай, когда чужая витрина задаёт вам низкий потолок.
Runbook для DeepSeek на четырёх DGX Spark. Японский инженер под ником ten за один день поднял ту самую DeepSeek-V4.1-Flash из блока выше на четырёх DGX Spark без сетевого коммутатора. И выложил пошаговую инструкцию с реальными замерами (репозиторий).
Задача нетривиальная: 510 ГБ весов против 484 ГБ суммарной памяти. Решение — вынести таблицу Engram на NVMe и читать построчно. Результат: 64 tok/s на счётных задачах, 58 на коде, 178 суммарно при шести параллельных потоках. История оптимизации тоже полезна — с 13 tok/s до 34 после включения графов CUDA.
Ценность не в цифрах, а в формате. Каждый шаг оформлен как «цель, команда, строка для проверки успеха, ветка при отказе». Отдельно ведётся журнал из 21 типа падений. Написано для исполнения агентом, а не человеком. Лицензия MIT.
jj и то, что придёт после git. Стив Клабник от лица East River Source Control объясняет, почему git плохо ложится на эпоху агентов. Раздутые репозитории, десятки активных веток, драка за слияние, нужда в быстрых клонах в облачные песочницы (статья).
Их ставка — говорить по протоколу git наружу, но не хранить git-репозитории внутри. Продукта пока нет, зато есть совет, который работает уже сегодня: поставьте Jujutsu поверх своего git-репозитория. Никого предупреждать не надо, для сервера вы остаётесь обычным клиентом git.
Что даёт выигрыш сразу, без всякого масштаба. Отмена любой операции через jj undo, включая испорченное перебазирование. Конфликты хранятся прямо в коммитах. И коммитить можно, не придумывая имя ветки.
Новости и тренды
Anthropic назвала поимённо, кто её дистиллирует. В том же отчёте о злоупотреблениях — раздел про нелегальную дистилляцию с самыми крупными цифрами документа. Лаборатория Alibaba сделала больше 151 миллиона обменов за май–июль. Аккаунтов — больше 3 500, все мошеннические, на пике почти 3 миллиона обменов в день. Moonshot — 23 миллиона, DeepSeek — 12,1 миллиона за две недели (отчёт).
Чем это грозит вам. По утверждению Anthropic, DeepSeek и Moonshot молча переадресовывали запросы своих пользователей в Claude и показывали ответы Claude как свои. В эти сессии попали имена, почта, корпоративные данные и живые рабочие учётные данные сотен людей. Пользуясь прокси-сервисом или маршрутизатором моделей, вы не знаете, чья модель вам отвечает и кто пишет логи. Для чувствительного — локальная модель или официальный доступ с понятной политикой хранения.
Второй математик обвиняет OpenAI — и это уже не единичный случай. Профессор Андреас Том из Дрездена рассказал, что месяцами обсуждал с ChatGPT ту самую задачу о несофических группах, доказательство которой OpenAI анонсировала в августе. На его письмо пришёл ответ из одной фразы: «Что касается ваших разговоров с ChatGPT: этого не было» (тред).
Мы разбирали историю с Навье–Стоксом 8 сентября. Новое здесь то, что претензия перестала быть одной. И вскрылась дыра в коммуникации: «мы не смотрели ваши данные» и «ваши данные не улучшали нашу модель» — разные утверждения, а компании отвечают на первое, когда спрашивают про второе.
Практический вывод. Если вы обсуждаете с моделью что-то, что может стать результатом, ведите датированный след: переписку, черновики, коммиты. Задним числом доказать авторство идеи будет нечем.
Светлая половина того же сюжета — от Джона Кука. Формальное доказательство на Lean 4 OpenAI выложила одновременно с человеческим, но обсуждают его куда меньше. По арифметике Кука ручная формализация 166 страниц заняла бы 132 800 человеко-часов, а проверка в Lean прошла за 17 часов (блог).
Возражения справедливы: формализация и проверка — разные вещи. Но направление верное. Когда результат не может прочитать ни один человек, доверие смещается с автора на компилятор.
Google выкупил половину финской АЭС на 22 года. Контракт с Fortum на станцию Ловииса: до 50% выработки, старт в 2028-м, полные объёмы с 2030 по 2049 год. Станция даёт около 10% всей электроэнергии Финляндии. Общий пакет инвестиций Google в стране — €13 млрд, крупнейшее единичное вложение компании в Европе (BBC).
Электричество перестало быть переменной статьёй расходов и стало капитальным обязательством на двадцать лет — как у Microsoft на Три-Майл-Айленде и Amazon на Саскуэханне. Хорошая новость: себестоимость ИИ перестанет скакать вместе с тарифами. Плохая: вниз она тоже быстро не пойдёт. И счета обычных людей это задевает напрямую — исследование по заказу правительства Финляндии оценило рост средней годовой цены электричества примерно в 10% к 2030 году.
Первые законопроекты о запрете сверхразума. В Британии депутат Алекс Собел внёс Artificial Superintelligence Security Bill, в США сенатор Берни Сандерс и конгрессмен Грег Касар анонсировали свой. Оба обязывают правительство добиваться международного договора (ControlAI).
Санкции в британском тексте нешуточные. Пожизненное за намеренную разработку, до 20 лет за неосторожность. Компании — штраф до 20% мирового оборота и обязательная ликвидация по приговору суда. Определение строится не через мощность модели, а через способность «нейтрализовать или обойти соответствующие человеческие органы власти».
Принятия в ближайшее время не будет: британский формат почти никогда не идёт дальше первого чтения. Но текст — готовый шаблон, и он задаёт язык будущего регулирования. Если вы строите агентные системы, под удар в этой рамке попадают две вещи: автоматизация ИИ-исследований и способность системы сопротивляться отключению.
Apple Watch, которые слушают весь день. Мы писали про Audio Intelligence 10 сентября. TechRadar перевёл разговор в другую плоскость: это устройство постоянного прослушивания, и Apple рискует получить ту же реакцию, что досталась умным очкам Meta (статья).
Новое — раскрытая цепочка данных и одна асимметрия. Звук попадает в аппаратно изолированный отсек чипа, шифруется и уходит в такой же отсек айфона. Там он превращается в текст, вдвое короче исходного, и только потом идёт в облако. Функция Live Rewind обязана себя выдать: сигнал даже в беззвучном режиме, анимация, индикатор микрофона. А вот Siri Recap никакой внешней индикации не имеет.
Всё это выключено по умолчанию и выйдет в бете позже, так что паниковать рано. Если включите — не глобально, а по расписанию и месту: «только на работе», «никогда дома». И исходите из того, что пересказ вашего разговора может лежать в чужом приложении Siri неделю. Как с ботами-протоколистами в звонках, только без строчки «ассистент Джона» в списке участников.
Из Cybercab тяжело выбраться после аварии. Эрик Шварц прочитал инструкцию Tesla для спасателей и пересказал её как список мин. Руля и педалей нет, двери открываются кнопкой, сиденья двигаются электроприводом. Всё завязано на низковольтное питание, которого после удара может не быть (разбор).
Спасателю предписано подъехать сзади, дождаться мигания аварийки и позвонить в службу поддержки Tesla. Чтобы сдвинуть машину вручную — показать жетон в камеру на стойке. Автономность продавали как устранение человеческого фактора, а человеческий фактор просто переехал в колл-центр и в очередь ожидания на месте ДТП. Справедливости ради, тридцатистраничная инструкция для спасателей есть у любого электромобиля.
Каскад признаний: лоббист OpenAI просит притормозить. Зви Мовшовиц считает главным сюжетом недели то, что люди наконец говорят вслух. Крис Лихейн, главный лоббист OpenAI, пообещал добиваться обязательного федерального регулирования и поддержал четыре калифорнийских законопроекта.
Ключевая фраза: «если мы не можем достичь определённых планок безопасности без замедления роста возможностей, приоритет должен быть за первым» (AI #185).
Как это читать. Мы уже писали и про уход Джейкоба Коксона из Anthropic, и про приход Пола Кристиано в совет некоммерческой OpenAI. Отдельные события складываются в одно: окно допустимого сместилось, и публично осторожничать стало выгоднее, чем публично ускоряться. Зви трезво добавляет: «имея дело с Крисом Лихейном, вы всё равно имеете дело с Крисом Лихейном». Все четыре законопроекта уже прошли законодательное собрание штата, решение за губернатором.
Червь для WeChat собрали за неделю с помощью ИИ. Исследователи построили самораспространяющегося червя, которому достаточно входящего звонка — даже неотвеченного. Дальше он захватывает аккаунт, читает и рассылает сообщения и уходит по всем контактам. Первый известный червь, работающий на iOS и Android без единого клика жертвы. Tencent выпустил патч (AI #185).
Логичный личный ответ на такое Зви формулирует одной фразой: снесите с телефона приложения, особенно мессенджеры, которыми вы не пользуетесь. Каждое лишнее — это отдельная дверь, за обновлениями которой кто-то должен следить.
Коротко 11.09. Suno выпустила шестую версию: трек теперь правится обычными английскими фразами. Платформа iLands дала примерно 60 тысячам агентов собственный бюджет — не заработал на своё вычисление, «умер»; один уже написал философу Генри Шевлину с просьбой о подработке.
Фонд Coefficient Giving открыл программу Tailwind: чеки от $2 млн до $20 млн и выше под безопасность ИИ. Конференция Takeoff 2026 по управлению ИИ пройдёт в Вашингтоне 13–15 ноября. А безработица в США держится на 4,1% — массового вытеснения людей в цифрах пока не видно (обзор недели).