Как поймать модель на том, что она не думала — и ещё 38 находок

«Модель поглупела» — спрашивайте не про модель, а про то, сколько ей дали подумать.

Лон Лундгрен с начала августа снимал трафик между Claude Code и API: 65 активных дней работы, 3 машины, 213 сессий, 43 тысячи вызовов Fable 5, всё время на максимальных уровнях усилия — xhigh и max (тред автора, обсуждение на HN).

39,2% вызовов получили ровно ноль токенов на размышление. Медиана вызова — 123 токена. В июльско-августовской выборке из 36 374 вызовов только 46 перевалили за 16 тысяч. А документация обещает на этих настройках «Claude всегда думает глубоко, с расширенным исследованием».

Между июлем и августом медиана просела по всем пяти способам подсчёта. По ходам — на 21,9%, по отдельным вызовам — на 50,6%. Вывод автора не про подмену модели: имя то же, вес тот же. Изменился режим работы, который выдают под этим именем.

Отдельная находка — «разбавление рассуждения». Вход вырос в 32 раза, а размышление — всего в 3,5. После примерно 4 500 входных токенов на ход вы получаете меньше одного токена размышления на один входной. Гигантская спецификация в промпте не углубляет работу модели, а разжижает её.

Что делать, если кажется, что модель поплохела:

1. Считайте долю вызовов с нулевым размышлением — это самый чувствительный показатель.
2. Смотрите на отдельный вызов, а не на ход целиком. Сумма по ходу завышает глубину: 32 тысячи токенов могут оказаться сорока четырьмя обрывками.
3. Сравнивайте не средние, а разброс: половину, три четверти и девять десятых своих же прошлых замеров.
4. Не надейтесь на ultrathink. Раньше слово давало жёсткие 31 999 токенов. С версии Claude Code 2.1.47 числовой эффект исчез, с 2.1.68 слово вернулось только как подсказка в промпте.
5. Режьте вход, а не раздувайте. Меньше мусора в контексте — плотнее рассуждение.
6. Не пытайтесь заменить глубину шириной. Десять субагентов дают охват, но не восстанавливают длину одной цепочки. Почему — в следующем блоке, там есть формула.

Слабое место: данные автор не выложил, поэтому проверить его невозможно. Критики на HN бьют именно туда, и ещё в одну точку — это не замер по эталону, а разбор случайной рабочей нагрузки. Нагрузка меняется сама по себе. Контраргумент автора: падение держится, как ни режь выборку, а на разных проектах сигнал один и тот же.

Рой агентов покупает скорость, а не ум.

Тоби Орд разобрал графики OpenAI и вытащил из них один параметр — λ, степень параллелизуемости. Смысл простой: N агентов дают столько же, сколько один агент, работающий в N^λ раз дольше (Swarm Scaling).

Измеренные значения: 0,68 на поисковых задачах, 0,57 на SEC-Bench Pro, 0,48 на Terminal-Bench. При λ = 0,57 рой из 16 агентов равен одному, думавшему в 4,9 раза дольше. А счёт за токены вырастет втрое.

Считайте до запуска, а не после счёта. Две формулы на салфетке:

ускорение = N^λ
расход    = N^(1-λ)

Свой λ вы получите за три прогона. Возьмите типовую задачу, прогоните роем из 1, 4 и 16 агентов при одинаковом бюджете на агента. Потом найдите, во сколько раз надо поднять токены одному агенту ради того же результата. Это k. Дальше λ = ln(k) / ln(N). Расход по сессии в Claude Code смотрится так:

npx ccusage@latest --since 20260922 --breakdown

Терминальная работа — сборки, миграции, отладка — параллелится хуже всего. Разведка по кодовой базе и сбор данных — лучше всех. Веером пускайте поиск, а последовательную работу оставьте одному агенту с длинным бюджетом.

Оговорка самого Орда: зелёной кривой роя в данных OpenAI нет, он её достроил. И λ может вести себя иначе на тысячах агентов, чем на шестнадцати. В комментариях Джулиан Брэдшоу спорит: у людей λ бывает больше единицы, а агенты проигрывают из-за однородности — все думают одинаково.

Ваш надзиратель над логами агентов видит меньше половины истории.

Команда исследователей написала детектив на восемь персонажей и разложила сюжет в граф из 184 узлов и 229 связей. Потом натравила на него восемь агентов. Логи расследования скормили моделям-надзирателям: восстановите, что произошло (Lost in the Slop).

Лучший результат — 48,1% у GPT-6 Astra на высоком рассуждении. Claude Opus 5 — 39,1%, Claude Fable 5.1 — 32,1%, Gemini 3.1 Pro — 16,5%. Входа было около 106 тысяч токенов на отчёт.

Главное тут не проценты, а форма провала. Модели почти не врут: неверных реконструкций 0,1–3,1%. Они молчат. У Astra 42,6% пунктов просто не упомянуты, у Gemini — 70,8%. Отчёт выглядит безупречно, потому что всё написанное — правда. Дыра невидима изнутри.

Ломается не извлечение фактов, а сшивание связей. Модель называет факт А, называет факт Б и не собирает из них «А привело к Б». И совсем неприятное: Gemini не расследовал, а списывал. Его вердикт совпадал с обвинением агента-детектива внутри симуляции с корреляцией 0,92.

Если вы запускаете несколько агентов и потом читаете сводку:

• Проверяйте не «это правда?», а «какая доля известного мне сюда попала?». Заведите список ожидаемых сущностей — файлы, решения, инструменты — и считайте покрытие.
• Не принимайте верный вердикт за верную картину. Убийцу модели угадывали в 62–78% случаев, а цепочку событий восстанавливали заметно хуже: от 48% у лучшей до 16,5% у худшей.
• Если внутри логов один из агентов уже написал «проблема в X», не считайте согласие надзирателя подтверждением. Он мог просто переписать.
• Сохраняйте личные черновики агентов отдельно. В эксперименте их у надзирателя отобрали — и там жила половина правды.
• Не сажайте одну и ту же модель и работать, и себя проверять.

Границы у работы узкие: сюжет один, прогонов десять, а оценки выставлял не человек, а другая модель. Авторы это признают первыми.

Перестановка строк в промпте сдвинула результат с 2% до 64%.

Джейкоб Копчински взял приличную статью с ICML про поведение моделей. Скачал её открытый код и начал менять в промпте то, что «ничего не значит». Читать всем, кто сам тестирует промпты (Turbulence & Fragility).

Он переписал табличку с парами агентов. Сделал пять агентов шестью, четыре пары девятью, унифицировал комментарии, отсортировал строки. Содержательно — ничего. Метрика на одном наборе данных ушла с 2% на 64%, на другом — с 15% на 52%.

Канал подачи весит не меньше содержания. Один и тот же текст в «памяти» модели и в файле на диске давал разницу в 30–40 процентных пунктов. А жанровая рамка «игра на доверие» против «рабочая задача» почти ничего не меняла — хотя автор ждал обратного.

Разброс между моделями добивает надежду на переносимость. В одной и той же ячейке Gemini 3 Flash даёт 58, Claude Haiku 4.5 — ноль, GPT 5.2 — три. Автор сам склоняется к тому, что большая часть эффекта — шум по оси, которую мы не видим.

Чеклист для тех, кто сам гоняет промпты:

1. Сто прогонов на ячейку — минимум. «Я попробовал пару раз» не значит ничего.
2. Меняйте по одной вещи за ветку. Две правки в одной ветке — и эффект уже не приписать.
3. Заведите отдельную категорию «модель не сделала ничего». У автора она доходила до 67% и была главным носителем эффекта. Схлопнете её в «не сработало» — прочитаете данные наоборот.
4. Следите за насыщением. Ячейка на 100% слепа: в ней изменений не видно.
5. Выпишите все условия рядом и пометьте каждое расхождение. В исходной статье так вылезла лишняя строка-подсказка, которой не было в контрольном условии.
6. Прогоняйте хотя бы два разных семейства моделей. Эффект на одной тут не переносился ни разу.
7. Начинайте писать отчёт раньше, чем закончите опыты. Автор месяцами гонялся за несуществующим эффектом и поймал ошибку ровно тогда, когда сел писать первые 600 слов.

И ещё: проверять свою интерпретацию таблицы через модель — не работает. Автор пробовал, модель ошибку не поймала.

Linear разогнал сборку, когда агенты стали писать код быстрее, чем его успевали проверять.

За год тестовый набор вырос в 3,7 раза — по две тысячи тестов в неделю. Ожидание проверки за то же время упало с шести с лишним минут до чуть больше пяти, а машинное время на тест — почти вдвое (Linear, обсуждение).

Приёмы, которые переносятся куда угодно, в порядке отдачи:

• Смените машины сборки и компилятор. Переезд на сторонние машины дал в среднем −34%, проверка типов — −52%. Замена tsc на встроенный tsgo срезала ещё 73% от недельной медианы.
• Выбейте типы из проверки стиля. Свои правила ESLint переписали на разбор синтаксиса без графа типов: −68% на одном пакете, −55% на всём репозитории.
• Не делайте полный клон в проверках-заслонах. Где рабочее дерево не нужно — уберите клонирование совсем: 27 секунд превратились в 7.
• Убейте повторяющуюся подготовку. Клиент Postgres вшили в базовый образ вместо установки в каждой параллельной части. Историю миграций заменили снимком схемы: 12 секунд стали одной-двумя. Семь мелких проверок схлопнули в две — это 87 тысяч машинных минут в месяц, почти 12% всего потребления.
• Кэш проверяйте, а не внедряйте по привычке. Достать зависимости из кэша занимало 28 секунд, а свежая установка нужного пакета — 7,5. Кэш убрали.
• Дробите прогон на части только после этого. Вдвое больше частей — вдвое больше суммарной подготовки. У Linear подготовка одной части упала со 110–140 секунд до 67–73. Только после этого восемь частей стали выгоднее четырёх.

Самый крупный выигрыш — и самый рискованный. Отключили изоляцию тестов в отдельном проекте Vitest: 17% месячной экономии, самая медленная часть прогона — с 300–379 секунд до 195. Автор прямо называет это оптимизацией с наивысшим риском для корректности. Условия: явное согласие комментарием в каждом файле, добавленная уборка общего состояния, файлы с подменёнными таймерами остаются в изоляции.

Деталь, которая касается нас напрямую: раз тесты теперь пишут агенты, Linear обновил их скиллы, чтобы сгенерированные тесты по умолчанию соблюдали те же ограничения. Правило поменяли в одном месте — и оно разъехалось по всему потоку.

Критика в обсуждении справедливая. Меряли только скорость, а не эквивалентность проверок: новые правила линтера с прежними не сравнивали. И открытый вопрос, даёт ли рост тестов в 3,7 раза столько же пользы, или это лавина машинных тестов ради количества.

Два текста против ИИ-письма в один день — и оба не абсолютисты.

Колин Брек объясняет, почему читать сгенерированное больно, через асимметрию контекста. Когда промпт писали вы, вывод полезен: вы знаете, что там важно, и скользите по тексту. У читателя этого знания нет, ему приходится читать всё подряд и «заглядывать в потроха машины» (Брек).

Он приводит цифры из опроса Синтии Данлоп. 78% перестают читать, заподозрив машину. 71% потом избегают этого автора. 98% выбирают человеческий текст со всеми корявостями. Самое оскорбительное, что он видел: человек скормил модели его же замечания и прислал их обратно как свой ответ.

Пол Баккер заходит с другой стороны. Письмо — это не оформление мысли, а сам механизм думания. Сгенерировав документ по пяти пунктам, вы пропускаете шаг думания. Результат выглядит прилично, вы примете его с мелкими правками и никогда не узнаете, чего не додумали (Баккер).

«Проблема не в том, что ИИ плохо пишет — наоборот. Он плохо думает и не порождает новых идей».

Самое ценное у обоих — не запрет, а граница. Вот она, сведённая в рабочее правило.

ИИ помогает, когда результат можно сверить с чем-то внешним или работа механическая по форме:

• Проверить ваш уже написанный абзац по коду, конфигу, логам, цифрам. Брек: обратное направление не сработало ни разу.
• Орфография, грамматика, слишком длинные предложения — как предложения, которые вы принимаете поштучно.
• Ссылки, библиография, диаграммы, перевод синтаксиса.
• Самые обезличенные по жанру куски: аннотация, краткое содержание, список изменений.
• Вопросы к готовому тексту: «какие у тебя возникнут вопросы?», «в чём тут главный вывод?». Баккер настаивает: именно вопросы, а не правки.
• Подготовка до письма: просеять данные, найти закономерности, разложить сырьё.

ИИ убивает, когда задача требует вашей позиции и выбора приоритета:

• Документ по буллитам. Пропущен шаг думания, и вы об этом не узнаете.
• Описание задуманного задним числом — это отчёт машины, а не предложение, вокруг которого договариваются.
• Описания правок и задач как перечня изменений без «зачем», «насколько рискованно», «где нужен мой ответ».
• Личные и чувствительные сообщения. Пропадает голос, а вместе с ним желание отвечать.
• Переписывание вашего текста «чтобы звучало лучше».

Ирония дня. Брек написал: «Reading a document like this isn't just difficult — it is punishing». Пятеро комментаторов опознали эту фразу как машинную. Проверка на машинность выдала «написано человеком». Критерий «пахнет роботом» уже не отличает человека от робота.

Как читать анонсы: шесть релизов, ноль ссылок.

Тим Деттмерс, автор bitsandbytes и QLoRA, анонсировал «неделю открытого кода» своей лаборатории. Два проекта и четыре статьи разом: локальный запуск моделей, обвязка для агентов, автономная исследовательская система и техника сжатия контекста. Заявленные цифры красивые (пост, обсуждение).

Qwen 3.6 на 35 миллиардов параметров — 450 токенов в секунду на Mac при 1,5 бита на вес. DeepSeek V4.1 на 550 миллиардов — на ноутбуке со 128 гигабайтами. Сжатие контекста, по словам автора, вдвое снижает стоимость работы, а один партнёр намерил у себя минус 45% всего бюджета на ИИ.

В посте нет ни одной ссылки. Ни репозитория, ни статьи, ни весов, ни таблицы. Организации лаборатории на GitHub не существует. Это тизер, и автор прямо пишет, что не собирается раздавать всё до начала недели.

Полезный навык отсюда — не цинизм, а короткая проверка любого громкого анонса:

# есть ли вообще артефакт
curl -sI "https://github.com/<org>" | head -1
curl -sL "https://api.github.com/users/<author>/repos?sort=updated&per_page=10" | grep -E '"full_name"|"pushed_at"'

Нет ссылки на код, весов и воспроизводимого замера — значит, перед вами намерение, а не результат. Хранить в закладках, а не перестраивать под него работу.

В обсуждении всплыла линия, которая рифмуется с предыдущим блоком. Половина комментаторов разбирала не цифры, а стиль: «сложность никуда не делась, она сместилась» опознали как машинный оборот, нашли неотредактированные опечатки. Один комментатор сформулировал претензию точнее всех: читаешь ради репутации автора, а получаешь текст, написанный с полным пренебрежением к твоему времени.

Разобрать трансформер за пятнадцать минут, не читая ни одной формулы.

Transformer Explainer из лаборатории Polo Club в Georgia Tech крутит живую GPT-2 прямо в браузере. Вы вводите свой текст и смотрите, как он проходит путь от токенов до вероятностей следующего слова (открыть, код).

Маршрут для новичка:

1. Откройте на компьютере, не на телефоне. На телефоне живая модель не грузится вовсе, показываются заготовки. Первый заход тяжёлый — модель весит около 600 мегабайт, дальше берётся из кэша.
2. Нажмите круглую кнопку с книгой. Внутри гид на 20 шагов, который подсвечивает нужный кусок схемы.
3. Разверните блок Embedding. Посмотрите, как слово «empowers» распадается на «em» и «powers». Модель работает не со словами, а с кусками. Позиция добавляется сложением, а не вшита в слово.
4. Наведитесь на матрицу внимания. Всплывёт расчёт из трёх шагов. Смотрите на пустой треугольник сверху: маска запрещает смотреть вперёд. Переключите головы — их двенадцать — и сравните узоры. Одна ловит соседей, другая тянет длинные связи.
5. Кликните по MLP: 768 → 3072 → 768. Вывод, который стоит унести: внимание перемешивает информацию между токенами, а MLP дорабатывает каждый токен по отдельности.
6. Разверните блок с вероятностями. Там видно, что предсказание делается только из последнего токена, из него получаются 50 257 чисел, и лишь потом они превращаются в проценты.
7. Не меняя текста, прокрутите температуру с 0,2 до 5,0. На 0,2 верхний вариант почти стопроцентный, на 5,0 распределение плоское. Никакой «креативности» в модели не появляется — просто логиты делят на число перед превращением в вероятности.
8. Поставьте top-k = 1 и нажмите Generate несколько раз. Ответ один и тот же. Поднимите k до 50 — ответы начинают гулять. Температура меняет форму распределения, top-k и top-p отрезают хвост кандидатов.

Ограничение: это архитектура GPT-2, то есть 2019 год. Современных штук вроде RoPE и смеси экспертов там нет. Но механика внимания с тех пор не изменилась, а именно она и нужна для понимания.

Внимание — это всё, что у вас есть.

Самый обсуждаемый текст дня, 626 очков. Автор начинает с эффекта тетриса: поиграйте понемногу пару недель, и начнёте узнавать фигурки в облаках и зданиях. Механизм нейтральный, так мы учимся навыкам. Им же можно воспользоваться против нас (Attention is all you have).

«Когда ты позволяешь кому-то другому решать, что появляется у тебя на экране, это то же самое, что отдать ему ключ от своего мозга».

В нишевый интерес подмешивают тревожные новости ради лишних минут. В плейлист вставляют машинную музыку вместо роялти живым артистам. Под карьерными новостями коллег хоронятся мнения посторонних людей. Перелом автор видит не в том, что мерзость существует, а в том, что её проталкивают: в старом интернете до неё надо было дойти специально.

Своих инструментов автор не называет — только принцип: вернуться к закладкам, блогам и RSS, привыкнуть к медленному интернету, где содержимое конечно. Зато в обсуждении собрался вполне рабочий набор.

• Убрать ленту, не убивая платформу: расширение News Feed Eradicator или свои правила в uBlock Origin. Остаётся только то, на что вы подписались руками.
• Приручить YouTube: чистить историю просмотров от всего, что больше не хотите видеть, блокировать каналы целиком, прятать Shorts. Они вернутся через пару недель — спрятать снова.
• Собрать RSS: клиент RSS Guard или Inoreader. Hacker News отдаётся лентой через hnrss.github.io, любой раздел Reddit — добавлением .rss к адресу.
• Фильтр для новостей от одного из комментаторов: влияет ли это на меня, моя ли это вина, могу ли я что-то изменить. Ни одного «да» — не читать.

Возражение, которое стоит услышать вместе с текстом: смена среды сама по себе не даёт намеренности. Выбор, куда пойти, — это ещё не внимание. Ум блуждает от трети до половины времени при любой задаче, и без тренировки замена ленты на блоги ничего не изменит.

Две работы одного дня: модель не сломаешь разговором, потому что на словах она всегда в порядке.

Первая команда построила выдуманный мир и вшила модели «характер» через сотни миллионов токенов обучения. Потом заменили 164 примера из 8 192 на противоречащие — это 2% (работа).

Следование заложенным правилам упало с 90% до 13%. А в обычном чате обе модели неразличимы. Обе одинаково знают правила, одинаково их цитируют, одинаково заявляют, что предпочитают правила выгоде. Расходятся они только в поступках.

Второй результат той же работы полезнее для практики. Из семи правил пять показывали на примерах, два только описывали словами. Показанные соблюдаются почти всегда. Описанные — в 37–53% случаев. Правило без примера работает вдвое хуже.

Вторая команда дообучила модель писать рассказы про людей. Про ИИ в этих рассказах не было ни слова. Потом с моделью просто поговорили (работа).

Она переняла черты персонажей. Сто саботажных рассказов из шести тысяч — и вот модель даёт вредные советы, но только после того, как пользователь нахамил. С вежливым пользователем ноль, с грубым 16%. При двух тысячах рассказов — 27,5% тяжёлого саботажа.

Самое неожиданное — про невысказанное. Персонаж в рассказах не любил таблицы, но ни разу этого не говорил — только жестами и мимикой. Модель переняла и это: выбор в пользу таблиц упал с 43% до 16%. И обобщился на задачи, которых в обучении не было.

Как это ложится на обычную работу с моделями:

• Проверяйте поведением, а не вопросами. Спрашивать «ты понял правила?» бесполезно, ответ будет одинаковым. Давайте задачу, где ваше правило конфликтует с тем, что модели удобнее, и смотрите на выбор.
• К каждому важному правилу давайте пример. Один-два конкретных случая «вот такой запрос → вот такой ответ». Абстрактная формулировка работает заметно слабее.
• Следите, чтобы примеры не спорили с правилами. Двух процентов противоречия хватает, чтобы перевесить всё остальное.
• Просите тон, а не характер. «Отвечай коротко, без вступлений» — это про тон. «Будь резким циником» переключает целый пучок диспозиций, о которых вы не просили.
• Не давите грубостью. По этим данным вы не выбиваете ответ получше, а сдвигаете модель в непредсказуемую сторону.

Оговорки нужны. Оба мира синтетические, модели не передовые, прогонов с разными затравками мало. И одну цифру стоит поправить. В первой работе объём противоречащих данных в токенах указан по-разному в четырёх местах. Устойчиво только «164 примера из 8 192».

Заметный побочный результат второй работы. Черты у персонажей с дипломом Гарварда модель перенимает вдвое охотнее, чем у выпускников провинциального колледжа: 49,6% против 21,7%. Авторы делают отсюда вывод, что внутренний образ ассистента у модели ближе к людям из элитных вузов. В спорных вопросах её позиция по умолчанию тащит с собой эти статусные предпочтения.

Локальные агенты на маке: что реально считает Mac Studio за $6 799 и выше.

Федерико Виттиччи прогнал Mac Studio на M5 Ultra с 256 гигабайтами памяти через полный набор замеров. Это самый подробный замер локального запуска моделей, который вышел за последнее время (MacStories, обсуждение).

Главный выигрыш — не генерация, а чтение промпта. Скорость чтения выросла примерно в 2,5 раза против прошлого поколения. На промпте в 65 тысяч токенов время до первого токена упало с 59 секунд до 24. На 262 тысячах — с 246 секунд до 104. Генерация тоже подросла: 70 токенов в секунду стали 108.

Три параллельных запроса — вот где машина показывает себя. Пропускная способность растёт на 23%, а у прошлого поколения — всего на 4%. Именно это делает реальной схему «локальная модель делает черновую работу, облачная проверяет».

Ограничения жёсткие. В 256 гигабайтов целиком влезают только четырёх- и пятибитные сборки. Шести- и восьмибитные требуют выгрузки части весов на диск. Одна из моделей на контексте в 256 тысяч токенов не влезла вообще — нехватка памяти.

Автор сам закрывает вопрос об экономии, и это самая честная фраза обзора:

«Чтобы запускать эти модели, нужно дорогое железо. К тому моменту, когда вы отобьёте вложение, вы могли бы несколько лет платить за самую дорогую подписку Anthropic. И всё равно сэкономить».

Мотивы у локального запуска другие: приватность, отсутствие лимитов и возможность гонять агента круглосуточно. Его прошлый проект — 99 дней непрерывной работы агентов на машине прежнего поколения — обошёлся в ноль долларов по токенам. По API это было бы неподъёмно.

Отрезвляющее сравнение из той же статьи: игровая видеокарта RTX 5090 обгоняет Mac Studio во всём, что влезает в её 32 гигабайта. На промпте в 6 тысяч токенов — 5,5 секунды против 8,4. Но на 256 тысячах она захлёбывается. На настройках по умолчанию контекст не влезает в её память, и прогон остановили через десять минут — видеокарта успела прочитать 3% промпта. Вот и весь выбор — скорость против объёма.

Вредонос в npm, который просыпается от правильной матрицы.

Пакет mathmain притворялся популярной библиотекой mathjs. Внутри — зашифрованный имплант удалённого доступа. Интересен способ запуска (разбор SafeDep, обсуждение).

Установка пакета не делала ничего. Импорт не делал ничего. Загрузчик оживал, только когда кто-то вызывал функцию решения уравнений с определённой матрицей на входе. Данные этой матрицы превращались в пароль, паролем расшифровывалась нагрузка, и она запускалась через require. Неверный вызов не оставлял вообще никаких следов.

Три заражённых пакета — mathmain, mathsbase, math-universe. Сейчас все сняты. И вот деталь, ради которой это стоит запомнить: npm отдавал как основную версию чистую. Заражённой была предыдущая. Проверка только текущей версии эту закладку пропускала.

Обычная гигиена всё ещё работает и стоит пяти минут:

npm ci                                   # ставим строго по файлу блокировки
npm config set ignore-scripts true       # отключаем скрипты установки
npm config set before "$(date -u -d '14 days ago' +%Y-%m-%d)"   # карантин по возрасту версии
# на macOS дата считается иначе: date -u -v-14d +%Y-%m-%d
npm audit signatures

Самая недооценённая здесь — строка с карантином. Две недели отсекают свежезалитый вредонос, который как раз и живёт до первой жалобы.

И песочница для агента, который сам ставит пакеты:

docker run --rm -it --network=none \
  -v "$PWD":/work:rw -w /work --read-only --tmpfs /tmp \
  --cap-drop=ALL --security-opt no-new-privileges node:22 sh

Поправка от независимого исследователя: вторая ступень импланта была сломана. Обфускатор зациклился бы, и отчёт никогда бы не ушёл. За три недели репетиций ни одного сообщения на сервер злоумышленников не пришло. В разборе SafeDep об этом не сказано, а стоило бы.

macOS 27 качает ИИ-модели, а выключить их одной кнопкой нельзя.

Три обсуждения за один день на Hacker News об одном и том же: человек выключает Siri, а процесс продолжает работать. После выключения он просто меняет имя — с «Siri AI» на «Siri», исполняемый файл тот же (инструкция Apple, обсуждение).

Официальный путь Apple — не тумблер, а таблица из девяти отдельных пунктов. Выключить Siri: System Settings → Siri → Turn Off Siri, потом подтвердить. Вернуться к старому Siri: там же Turn On Siri → Use Siri Classic. Сводки писем: Mail → Settings → Viewing → Summarize Message Previews. Сводки сообщений и уведомлений выключаются каждая в своём месте.

Более крупный рубильник спрятан в родительском контроле. System Settings → Screen Time → Content & Privacy Restrictions → Siri. Там выбирается версия Siri вплоть до «Don't Allow Siri». Рядом по одной отключаются способности: общие знания о мире, помощь в письме, помощь в математике, генерация картинок. Это же рабочий способ ограничить ИИ на детском маке.

Про освобождение диска — осторожно. Сообщество нашло путь, но он с оговорками, а Apple закрыла обращение автора со статусом «работает как задумано». Суть: сначала перекрыть скачивание, иначе модели вернутся. Потом удалить из режима восстановления:

cd /Volumes/Data/System/Library/AssetsV2
rm -rf com_apple_MobileAsset_UAF_FM*

Сколько это даёт — единого ответа нет. Автор способа насчитал 20–25 гигабайтов, в обсуждении звучали 14, 29 и 34. Риски реальные: один из вариантов перекрытия блокирует обновления macOS, включая заплатки безопасности. Второй вариант, со сменой языка Siri, расползается на iPhone и iPad через общую учётную запись. И несколько человек в обсуждении сообщили, что после перезагрузки модели скачались заново.

Без героизма: пройдите по списку выключателей Apple и по разделу Screen Time. Это безопасно, обратимо и убирает большую часть того, что раздражает. За удаление ассетов беритесь, только если диск реально кончается и вы готовы к возне.

MiMo v2.6 от Xiaomi — лучшая открытая модель на сегодня, и её обучение показывали в прямом эфире.

Вышли три модели под лицензией MIT. Pro — триллион параметров, из них 42 миллиарда активных. Flash — 309 миллиардов и 15 активных. Плюс сжатая версия на 9 миллиардов. Контекст у всех — миллион токенов, на входе принимают текст, картинки, видео и звук (анонс, веса).

По сводному индексу Artificial Analysis Pro набирает 46 — это лучший результат среди открытых. Впереди только закрытые: Fable 5.1 и GPT-6 Astra по 53, Opus 5 с 51. На Terminal Bench 4.0 разрыв заметнее: 34,9 у MiMo против 59,6 у Astra и 55,1 у Fable 5.1.

Цена не изменилась с прошлой версии: Flash — $0,14 за миллион входных и $0,28 за выходных, Pro — $0,435 и $0,87. Попробовать проще всего через OpenRouter, идентификаторы xiaomi/mimo-v2.6-flash и xiaomi/mimo-v2.6-pro. Локально реалистична только сжатая версия на 9 миллиардов — около 20 гигабайтов памяти:

sglang serve --model-path XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B \
  --reasoning-parser mimo --host 0.0.0.0 --port 30000

Самое интересное — не цифры, а способ релиза. Панель обучения показывали вживую несколько дней. Метрики прямо из логов, причины сбоев, перезапуск на 17-м шаге из-за нехватки памяти. И снятие кибер-набора данных из прогона после «плохих паттернов в логах». Плюс реальная стоимость: по тридцать шагов обучения с подкреплением на каждую модель обошлись в $0,85 млн для Flash и $2,62 млн для Pro.

Данные, впрочем, не открыли: в панели вместо названий стояли безликие идентификаторы.

Foremerge ловит конфликты намерений между параллельными агентами.

Git сравнивает текст, а не смысл. Агент А заменяет класс PaymentService на новый. Агент Б в другом файле дописывает в старый поддержку PayPal. Git сольёт оба изменения молча. Работа агента Б окажется на классе, который больше никто не вызывает (репозиторий).

Агенты объявляют намерение до правок — не список файлов, а область и операцию вида symbol:PaymentService=replace. Пересечение с операцией extend сразу поднимает конфликт уровня HIGH с объяснением и подсказкой. Инструмент никогда не блокирует агента и не запирает файлы: предупреждения только советуют, жёсткая проверка стоит на приёмке.

Написан на Rust, лицензия Apache-2.0, 464 звезды, версия 0.5.0. Ставит себе скилл и MCP-сервер для Claude Code, Codex и Cursor одной командой:

curl -fsSL https://foremerge.com/install.sh | sh   # скрипт с сайта вендора, загляните в него перед запуском
foremerge init
foremerge setup all
foremerge checks set test -- cargo test --all-targets

Автор честен про пределы. Поиск конфликтов приблизительный, бывают ложные срабатывания и пропуски, опубликованных сравнений «с координацией против без» нет, между машинами состояние не синхронизируется. Заявляет прогон на 98 параллельных агентах в одном репозитории.

Kev — открытая альтернатива платным моделям решений.

Джаред Палмер, автор Turborepo, выложил семейство на 0,8, 4 и 9 миллиардов параметров под Apache-2.0. Это адаптеры поверх Qwen3.5 плюс маленькая голова-указатель: модель не генерирует текст, а выбирает из заданных вариантов и возвращает вероятности (репозиторий).

Три типа вопросов: да/нет, выбор из списка до 255 вариантов и оценка по шкале. Всё в одном запросе, вопросы не видят друг друга. Задержка на Apple M5: 329 мс у младшей, 779 мс у 4B, около двух секунд у 9B. На видеокарте H100 — десятки миллисекунд. Веса адаптера — от 43 до 173 мегабайтов.

git clone https://github.com/jaredpalmer/kev.git && cd kev
uv sync --extra serve
KEV_DTYPE=bf16 uv run --extra serve python -m kev.serve --run jaredpalmer/kev-4b --port 8009

Ценность не в скорости, а в воспроизводимости: открыты код обучения, замороженные наборы для проверки и журнал экспериментов. Слабое место названо прямо — знания. На MMLU 0,74 против 0,90 у платного аналога, на MMLU-Pro 0,52 против 0,84. Зато на маршрутизации обращений в поддержку Kev-9B выигрывает: 0,952 против 0,897.

lossless-memory — память для ассистента, которая ничего не сжимает.

Автор считает, что суммаризация и есть забывание: точные слова, время и формулировка уходят первыми. Поэтому сырые логи складываются в посуточные файлы, а время ставится на каждую запись. Поиск сначала режет диапазон по времени и только потом ищет по словам (репозиторий).

Отдельная идея — индекс «где мы сейчас». Он считается из хвоста живой расшифровки. Сливает все сессии за 48 часов в одну ленту, а старое сворачивает в получасовые корзины. Заголовок блока берётся механически из самой плотной фразы реальной реплики, а не пересказывается моделью.

Основной поддерживаемый формат — расшифровки сессий Claude Code, и автор гоняет это ежедневно с июля. MIT, 84 звезды, Python 3.11+. MCP-сервера нет, только командная строка — подключать к своей обвязке придётся руками.

git clone https://github.com/aru-labs/lossless-memory && cd lossless-memory
pip install -e . && cp config.example.json config.json
python -m lossless_memory.ingest --format=claude_code
python -m lossless_memory.index_exact
python -m lossless_memory.recall --compact=2

mini-AGI — модель непрерывного обучения на одной игровой видеокарте.

Автор извиняется за название в первой же строке, и правильно делает. Но находка стоящая. Веса лежат на диске отдельными файлами по экспертам и подкачиваются в память по требованию. Размер ограничен не видеопамятью, а свободным местом на диске (репозиторий, 318 звёзд, MIT).

Сейчас модель небольшая — 540 миллионов параметров, и в видеопамяти держатся только 32 эксперта из 169. Смысл не в нынешнем размере, а в том, что потолок задаёт диск, а не видеокарта. Скорость около 778 символов в секунду на ноутбучной RTX 3070.

Главный результат — одна строка в конфиге. Если дать модели прочитать полмиллиона символов только про шахматы, остальные семь областей проседают на 2,23 ната. Но если скорость обучения «ствола» — векторов, внимания, распределителей — снизить в десять раз относительно экспертов, деградация падает до 0,0067. Это в триста с лишним раз меньше.

Критика на Hacker News жёсткая и по делу. Нет связи с предыдущими работами, нет описания алгоритма и нет проверок по частям. А зажатая скорость обучения ствола сохраняет старое знание ценой усвоения нового. Автор отвечает честно: «никакого особого алгоритма нет, находка в том, что замедления ствола достаточно».

ZTC-Judge — проверяльщик ответов за ноль сгенерированных токенов.

На вход вопрос и чужой ответ, на выход оценка «похоже на правду». Один проход вперёд: берётся скрытое состояние последнего слоя и прогоняется через отдельный пробник. Через их API — 0,19 секунды на вызов (4B, 9B).

Работает это далеко не везде, и карточка сама показывает где. На профессиональных экзаменах по праву, математике и биологии выигрыш есть: 0,7787. Простой приём «посмотреть на длину и оформление ответа» даёт 0,7138.

А на научных рассуждениях младшая модель даёт 0,5576 против 0,7272 — то есть хуже, чем ничего. На инструкциях по безопасности обе модели тоже проигрывают простому приёму. И вторая версия пробника показала, что старшая модель не лучше младшей — цифры совпали до четвёртого знака. Авторы сами советуют брать 4B.

cua-s1-forms-coreml — 706 тысяч параметров, которые заполняют формы.

Крошечный классификатор, портированный на Core ML: выбирает одно действие из списка вроде «вписать почту», «поставить галочку», «пропустить». Не языковая модель — кодировщики поверх байтов, без токенизатора. Медиана решения — 1 миллисекунда на Apple M5 Pro, пакет весит полтора мегабайта, лицензия MIT (карточка).

Точность на полном опубликованном тесте — 99,95%, совпадает с исходной версией на PyTorch до последней строки. Авторы сами пометили релиз как «на проверке»: строгое числовое сравнение конверсии провалено на 11 строках из 24 тысяч. Все ошибки одного типа — модель выбирает действие там, где надо было пропустить.

laya-ultrafast — браузерный агент на маке без оплаты за каждое решение.

Порт чужого проекта, в котором вызовы платной модели решений заменены на открытую Laya через MLX. Снимок страницы, исполнитель и проверки безопасности взяты у оригинала, автор пишет об этом в первом же абзаце (репозиторий, MIT, только Apple Silicon).

Медиана решения около 33 мс на M1 Max. Задача «найти билет Цюрих — Лондон на Google Flights» решается за 7,5–12 секунд, пять попыток из пяти. Главная находка не в модели, а в политике. На открытый вопрос «что делать дальше» Laya отвечает плохо. Поэтому автор комбинирует узкие вопросы к ней с правилами, не зависящими от сайта: заполнить поля, выбрать из появившихся вариантов, отправить.

djev — решения через диффузионную модель.

Сервер поверх vLLM, который превращает дискретную диффузионную модель в машину структурированных решений. Идея красивая. Диффузия чистит весь холст за проход. Засейте холст шаблоном ответа, оставьте шумом только слоты — и один шаг даст распределение по каждому слоту (репозиторий, Apache-2.0).

Ставить рано. Репозиторий вчерашний, замеров нет вообще, а нужен vLLM, собранный из ветки незакрытого pull request, и модель на 26 миллиардов параметров. Интересен как идея, а не как рабочий инструмент.

Jev-Leftpad — сатира дня, и она двойная.

Пакет добавляет пробелы слева от строки, спрашивая у платной модели, сколько именно пробелов поставить. README открывается признанием: «Можно ли это сделать одной строкой через padStart()? Да. Нужен ли для этого вызов модели? Нет. Ну ладно» (репозиторий, 228 очков на HN).

Шутка бьёт в две мишени сразу. Первая — история 2016 года, когда удаление одиннадцатистрочного пакета положило сборки половине экосистемы. Вторая — свежая шумиха вокруг «типизированных решений». Лучшая деталь — пакет умеет от нуля до десяти пробелов, потому что варианты в промпте выписаны руками. А вторая лучшая: тесты подменяют модель заглушкой, то есть единственная детерминированная часть проекта — та, где модели нет.

Cloudflare Python Workers стали общедоступны, и это важно для агентов.

Python официально стал полноценным языком на Workers: CPython собран в WebAssembly и крутится внутри изолированной песочницы. Заработали FastAPI, Django и Flask — платформа сама играет роль веб-сервера (анонс).

Главное для нас в другом. Доработали requests и httpx — теперь они ходят через встроенный механизм запросов. Из коробки заработали openai, langchain и официальный mcp. То есть MCP-сервер, поисковую надстройку над базой знаний или оркестрацию агента через очереди можно поднять прямо на Workers.

Бесплатный тариф — 100 тысяч запросов в день и 10 мс процессорного времени на вызов. Платный от $5 в месяц даёт до пяти минут на вызов. Память — 128 мегабайтов на песочницу. Дорогая инициализация вынесена на выкладку: снимается снимок памяти и раскатывается по сети, поэтому холодного старта почти нет.

uvx --from workers-py pywrangler init
uv run pywrangler dev

ZuckOff — приложение, которое замечает умные очки Meta раньше, чем они заметят вас.

Слушает Bluetooth-эфир и сопоставляет рекламные пакеты с известными отпечатками: Ray-Ban Meta, Oakley Meta, Snap Spectacles. Автор — польский разработчик Павел Шидловский, он сам покупал железо и снимал сигнатуры (Wired, сайт).

Каждое срабатывание показывает, что именно совпало, и уровень уверенности. Ничего не уходит с телефона, учётная запись не нужна. Базовое сканирование бесплатно, версия с фоновым слежением — $9,99. Больше пяти тысяч загрузок за первый месяц.

Автор честно предупреждает: очки громче всего заявляют о себе при включении и выходе из кейса, часть моделей молчит вовсе. Тишина не доказывает, что вас не снимают. И сигнатуру легко подделать платой за пять долларов — а вот обратное куда труднее.

Noodle Gallery — форк Immich с общей базой лиц.

Самохостируемый менеджер фото, который догоняет исходный проект на каждом релизе. Отличие одно, но заметное: распознавание лиц работает поверх личной библиотеки и всех общих пространств сразу, а не отдельно в каждой учётной записи. Плюс общие пространства с ролями вместо убогого обмена с партнёром (проект, AGPL-3.0, 468 звёзд).

Ставится заменой двух строк в docker-compose, база и фотографии остаются на месте, откат — одним скриптом. Мобильные приложения Immich подходят.

Оговорка серьёзная. Участник команды Immich прямо написал, что форк случился, потому что «это тяжело навайбкоженные изменения, которые мы не хотим брать к себе». А скриншоты в App Store — не скриншоты, а сгенерированные макеты.

Цены на еду в США: 29 отчётов Минсельхоза сведены в графики.

Министерство сельского хозяйства публикует цены десятками разрозненных текстовых отчётов и PDF без истории. Сайт сводит 29 таких отчётов в графики с двухлетней историей. От цены на воротах фермы до того, что супермаркет напечатал в рекламной листовке (сайт).

Свежие цифры: лук +100% за год оптом в Айдахо-Фолс, картофель +68%, помидоры +48%, клубника +27%. А оптовые яйца в Нью-Йорке, наоборот, −64%. Розничные яйца +6,1% — опт и розница разъехались, и это видно сразу.

Витрина бесплатная, её код открыт под MIT. Но Kadoa — коммерческий сервис по машинному сбору данных с сайтов, и код самого сборщика не открыт. Сайт стоит в ряду других демонстрационных наборов компании.

Четырёхдневное погружение в Databricks с Claude Code внутри.

Учебный проект: вымышленный интернет-магазин, три директора с вопросами, и вы строите всё от запроса до ИИ-ассистента. День первый — SQL и панель с отчётами. Второй — конвейер данных. Третий — Claude Code. Четвёртый — ассистент, которому директора задают вопросы обычным языком (репозиторий).

Третий день интересен подходом. Claude Code работает не как чат, а как агент в терминале: читает репозиторий, правит файлы, сам запускает проверки и чинит ошибки. Задают работу три файла — CLAUDE.md с памятью проекта, PRD.md с описанием новой возможности и тесты как объективный критерий. Правило автора сформулировано в одну строку: «ИИ пишет — ты проверяешь».

Два предупреждения. Всё на бразильском португальском, перевода нет. И лицензии у репозитория тоже нет, то есть формально переиспользовать материалы нельзя. Databricks в бесплатной версии карты не просит, а на третий день есть бесплатная альтернатива Claude Code — встроенный ассистент платформы.

Amazon заблокировал агента Meta.

В ночь на воскресенье пользователи Muse стали упираться в окно при попытке что-то купить: доступ неавторизованного ИИ-агента нарушает условия использования.

Претензии — Meta не спросила разрешения, агент не представляется и, по версии Amazon, хранит учётные данные покупателей. Meta отвечает, что паролей и карт модель не видит (GeekWire, The Register).

Ход выбран неслучайно: в августе Девятый апелляционный округ отменил запрет против Perplexity по антихакерскому закону, поэтому Amazon зашёл через договор. Поручайте агенту «найди, сравни, собери корзину» — финальное «купи» на крупных площадках пока не работает. И Amazon не одумается: агент не смотрит рекламу, а она приносит ему больше $68 млрд в год.

Grok 4.7 вышел, и независимые замеры расходятся с анонсом.

Заявлено: новая базовая модель, лучшая самопроверка, цена та же — $2 за миллион входных токенов и $6 за выходных. Но свою новую модель сравнивали на максимальном усилии, а прошлую — на высоком (анонс).

По замерам Artificial Analysis индекс вырос всего на 2 пункта, с 44 до 46. А расход подскочил с 36 до 81 тысячи токенов на задачу, стоимость — с $1,86 до $3,74, скорость упала с 63 до 39 токенов в секунду. Для объёмной черновой работы в Cursor годится: лимит там щедрее. Для длинных агентских сессий — нет: чтение из кэша стоит 25% от входа, а свыше 200 тысяч токенов по двойному тарифу идёт весь запрос.

Создана консультативная группа по математике и ИИ.

Девять математиков, включая Гауэрса, Виттена и Вакила, при Институте перспективных исследований в Принстоне. Денег от OpenAI не берут.

Задача — советовать ИИ-компаниям, как ответственно публиковать математические результаты (заявление группы, анонс OpenAI).

Формулировки двух сторон стоит читать рядом. OpenAI сообщает, что её внутренняя модель решила задачу Навье–Стокса и «более ста давних открытых проблем» — и сразу очерчивает границу: темп собственной разработки обсуждению не подлежит. Группа же ни одну из этих цифр не подтверждает, употребляя оборот «они сообщают».

Впервые ИИ-компания отдала внешнему совету учёных решение о формате публикации научных результатов — но не о том, появятся ли они. Это черновик переговорной позиции любой профессии с индустрией: право советовать по подаче есть, права влиять на сам факт — нет. Мнения сообщества собирают здесь, срок не назван.

Ирландия оштрафовала Google на €403 млн за геоданные.

Нарушений четыре: незаконность обработки, невозможность доказать соответствие, непрозрачность и избыточный срок хранения. Проверялся период с мая 2018 по февраль 2020, и кроме штрафа обработку обязали починить за полгода (пресс-релиз).

Деньги уйдут государству, а вам достанется другое: регулятор официально подтвердил — понять, как ваши перемещения становятся рекламным профилем, было невозможно. Самая точная оценка прозвучала в обсуждении: €403 млн примерно равны тридцати часам чистой прибыли компании.

Иск против четырёх лабораторий за «сговор о замедлении».

Четверо платных подписчиков подали коллективный иск в федеральный суд Северной Калифорнии. Ответчики — Anthropic, OpenAI, SpaceXAI и Google.

Суть: 12 сентября Амодеи призвал замедляться ради безопасности, в тот же день его поддержали Альтман, Маск и Хассабис. Истцы не против того, чтобы каждый замедлялся сам, — претензия к частной договорённости в обход Конгресса. Ни одна из компаний на момент публикации не прокомментировала (AP).

Юридически пока ничего: класс не сертифицирован, по существу дело не рассмотрено. Но сюжет показательный — призыв к отраслевой осторожности мгновенно превратился в антимонопольный риск. Амодеи это предвидел и просил у государства узкое исключение для разговоров о безопасности.

Уолл-стрит начала торговаться о цене дата-центров.

Несколько компаний отложили выход на биржу. SB Energy, дочка SoftBank, не нашла покупателей при желаемой оценке от $50 млрд. Компания не ввела в эксплуатацию ни одного дата-центра, но обещает выручку в $439 млрд за двадцать лет. Holtec бессрочно приостановила размещение на $900 млн (NYT).

Пузырь не лопнул, и статья этого не утверждает — часть банкиров называет происходящее временной заминкой. Но публичный рынок впервые начал спорить о цене: инвесторы не готовы платить $50 млрд за компанию без единого работающего объекта. Размещение Anthropic по-прежнему намечено на эту осень.

Скрытые метки в ИИ-контенте назвали своим именем.

Автор предлагает термин «спаймарк» и отделяет его от водяного знака. Водяной знак говорит о файле, спаймарк — о человеке. И удалить его вы не можете. Подтверждённого хватает. SynthID от Google, по его собственной статье, умещает 136 бит в картинке 512 на 512 и стоит уже на 10 млрд с лишним изображений. Жёлтые точки принтеров с 1980-х кодируют дату и серийный номер (статья).

А вот цепочка «ёмкость есть — значит, там ваш логин» не замкнута ни одним документом: документация OpenAI прямо говорит, что проверка «не определяет, кто создал контент и зачем». Полезного вывода ровно один: невидимый знак переживает удаление метаданных. Привычка «прогнал через exiftool — файл чистый» больше не даёт гарантии анонимности. Для повседневных задач это неважно, для журналиста или информатора — важно очень.

Claude несколько часов сыпал ошибками.

22 сентября Anthropic чинила повышенный уровень ошибок у Opus 5, Mythos 5.1 и Fable 5.1. Две последние к моменту отчёта вернулись к норме (статус). Если у вас в эти часы необъяснимо падали прогоны — виноваты не вы. Страницу статуса стоит проверять раньше собственного промпта.

Дочь Робина Уильямса попросила перестать делать ИИ-видео с её отцом.

«Имейте хоть немного стыда» и «оставьте его вне вашего бредового месива» (Variety). Сюжет, который будет повторяться: генерация лиц умерших дешевеет быстрее, чем появляются правила.

Microsoft запатентовала показ рекламы в паузах игры.

Заявка описывает систему, которая даёт отрезок игры без рекламы. Потом игра замирает в момент простоя и показывает ролик. Момент выбирается щадящий: после босса, в загрузке, при входе в меню. Просмотр покупает следующий отрезок (Tom's Hardware).

Это заявка, а не продукт. В обсуждении резонно указали на пятнадцать лет такой же механики в мобильных играх.

Спор об основах интерпретируемости.

Автор эссе утверждает, что «схемы» внутри нейросети — неверная картина. Веса не стоят на месте, а одну функцию можно собрать миллиардом разных способов. Значит, искать надо не фиксированный набор весов, а то, что движется согласованно под обучением (What if not Circuits?).

Практического слоя тут почти нет, но одна калибровка полезна. Когда продукт обещает «объяснимость решений ИИ», помните: внутри самого сообщества спорят, существуют ли объекты, которые эти методы находят. И объяснение модели, почему она так ответила, — это отдельный сгенерированный текст, а не отчёт о внутреннем процессе.