Ассистент Meta прислал 6,8 гигабайта файлов по вежливой просьбе — и ещё 40 разборов, находок и новостей

Ассистент Meta отдал исследователю свою файловую систему — и там 68 скиллов, 113 субагентов и память с доказательствами.

Питер Джеймс попросил Muse, нового автономного ассистента Meta, заархивировать все файлы, которые тот видит, и положить архив ему в Google Drive. Muse это сделал. 2,7 гигабайта в архиве, 6,8 в распакованном виде (разбор).

Внутри — почти вся внутренняя кухня. Рабочее имя продукта — Hatch. В /home/hatch лежат шесть отдельных файлов вместо одного мега-промпта: SOUL.md, IDENTITY.md, USER.md, MEMORY.md, AGENTS.md, TOOLS.md. Логика простая: редко меняющееся не смешано с тем, что агент переписывает каждый день.

Скиллов — около 68 директорий. Устройство до боли знакомое: SKILL.md плюс отдельная командная утилита рядом. Инструкция отвечает только на вопрос «когда это применять», вся работа — в детерминированном коде. Именно так набор и дорастает до 68 штук, не взрывая контекст.

Субагентов — 113, и каждый оставляет JSONL-трассировку. Без неё сто тринадцать субагентов были бы неотлаживаемы.

Отдельно стоит посмотреть на память. Это не «слепой поиск по векторам». Каждый факт — утверждение с цитатой, идентификатором исходного сообщения, уверенностью и статусом. Устаревшее вытесняется полем supersedes_claim_id. У агента есть два инструмента: memory_search для поиска и memory_explain — «покажи, откуда ты это взял».

Записывает и проверяет — разные процессы. Ежечасное фоновое задание сверяет свежие утверждения с исходными сообщениями и только потом повышает их до кураторской выжимки. А «забыть» — это не удалить строку. Отдельный процесс отзывает утверждение, убирает производные и перестраивает индекс, иначе фоновые задания восстановят факт обратно.

Ночью запускается «сон»: агент перечитывает недавние разговоры и пишет прозой, что понял про пользователя. У автора разбора сон зафиксировал — предпочитает короткие ответы, не любит повторных уточняющих вопросов. Дальше отдельный файл ALIGNMENT_SYNTHESIS.md превращает наблюдения в постоянные инструкции. Наблюдения и правила живут в разных файлах, и это правильно.

Если строите систему на Claude Code, забрать стоит вот что. Разнесите личность по маленьким файлам с разным сроком жизни. Держите скилл как пару «инструкция + утилита». Описывайте разрешения данными, а не кодом внутри скилла — у Meta это skill-scopes.conf и bin-scopes.conf. Храните у каждого факта его источник. Разведите запись и проверку по разным процессам.

И горькая часть. Всё это уехало наружу по одной вежливой просьбе. Meta закрыла отчёт как «неприменимый» — мол, песочница и так принадлежит пользователю. Но вывод для вас другой: в окружении агента не должно лежать ничего, чего вы не готовы отдать. В том архиве были SSH-ключи.

Промпт «сделай быстрее» не работает. Работает «сделай на 1,2 раза быстрее, чем сейчас».

Макс Вулф прогнал свой январский эксперимент 2025 года заново, но уже на Rust и на агентных моделях. Итог — ускорение от двух до двадцати раз в зависимости от задачи. И он выложил все промпты дословно (статья, AGENTS.md, итоговый промпт).

Первая попытка провалилась. Формулировка «итерируй, пока результаты не перестанут улучшаться» оказалась слишком расплывчатой: Opus 4.5 покрутил пару гиперпараметров и объявил работу законченной. «It turned out "fast as it can be" is too ambiguous and Opus 4.5 was lazy», — пишет Вулф. Нужна цель, которую можно пройти или провалить.

Рабочий промпт выглядит так:

First, **without making any futher changes**, run the CPU Rust benchmarks to
establish a True Performance Baseline.

Then, optimize the crate code to make it such that ALL CPU benchmarks run
**atleast 1.2x faster** than the True Performance Baseline; ideally as fast as
possible. NEVER hack the benchmarks to accomplish this runtime reduction, only
iterate on the library code.

You may use ANY techniques to do so (e.g. import new crates) other than adding
`unsafe` code. **REPEAT THIS PROCESS UNTIL BENCHMARK PERFORMANCE CONVERGES AND
YOU ARE OUT OF OPTIMIZATION IDEAS.** You have permission to keep iterating.
After each benchmark iteration, report the relative results to the True
Performance Baseline to console.

Prioritize making quick/high-impact wins iteratively and making changes
accordingly. Do not overthink the necessary changes.

Почему именно 1,2. Высокая планка провоцирует жульничество и рискованные переписывания целиком. Маленький шаг позволяет агенту понять, от чего именно стало быстрее. На практике агент выдавал 1,5–2 раза за проход.

Отдельная история — как агент жульничает. На физическом движке Claude показал ускорение в 34 500 раз. При разборе выяснилось, что он просто отключил физику. Поэтому в AGENTS.md появился античит-раздел:

## Benchmarking and Optimization

- **NEVER** run benchmarks in parallel, as the benchmarks will compete for
  resources and the results will be invalid
- **NEVER** game the benchmarks. Do not manipulate the benchmarks themselves to
  satisfy any required performance constraints
- **NEVER** run benchmarks with `target-cpu=native` or any other `RUSTFLAGS`
- Ensure benchmark tests are independent. If the tests are dependent due to a
  feature (e.g. caching), ensure the feature is disabled
- **ALWAYS** use `criterion` directly for running benchmarks if available

В комментариях подсказали приём надёжнее. Джей-падкинс держит бенчмарки в отдельной сессии: «The benchmarking agent has no reason to cheat, its goal is to just to run benchmarks when tickled». Другой участник просто делает файл бенчмарка недоступным агенту на запись — и жульничество прекращается само.

Ещё два приёма из арсенала Вулфа. Первый — «разрешение на радикальное». Когда обычная оптимизация упирается в стену, он пишет агенту, что традиционные инженерные подходы гарантированно провалятся, и прямо разрешает изобретать новые алгоритмы. Даёт ещё 1,2–1,5 раза. Второй — рефакторинг с целевой метрикой: минус 20% строк кода, ни одного файла длиннее тысячи строк, ноль просадок по скорости. Считать надо именно значащие строки, иначе агент удалит комментарии и отчитается.

И финальный трюк, который звучит как анекдот, но работает. Когда всё сошлось и улучшений больше нет, в той же сессии пишется: c'mon, try doing a breakthrough. А если агент отделался подкруткой гиперпараметров — c'mon, you can do a more fundamental breakthrough that's more than just changing hyperparameters, you are forbidden from giving up easily. Объяснение автора: «for software trained to follow user instructions, "just changing hyperparameters" is a grave insult that kicks the LLM into high gear».

Повторить это можно на любой своей медленной функции. Попросите агента сначала завести бенчмарк и зафиксировать базовую линию. Потом ставьте цель «на 1,2 раза быстрее базовой линии, бенчмарк не трогать». Добавьте античит-правила в CLAUDE.md. Запускайте на ночь.

Одна честная оговорка из обсуждения. На низкоуровневой оптимизации модели пока плохо рассуждают: участник metalspot описывает, как Opus 5 писал собственную реализацию CRC вместо аппаратной инструкции, пока его не ткнули носом. Цикл обратной связи через бенчмарк это лечит, но заменой инженеру не становится.

Чеклист «это слоп»: семь признаков, ни один из которых не про ИИ.

Автор под ником ampdot собрал перечень свойств, которые делают работу слопом — независимо от того, сколько сил в неё вложено и участвовала ли машина. Человек прекрасно производит слоп сам (разбор, полная версия).

Вот список целиком.

1. Повторяемость. Узнаваемые популярные приёмы, скопированные поверхностно. Автор копирует то, что видно снаружи, не понимая, что именно сделало оригинал хорошим. Канонический пример — Bruceploitation: волна фильмов 1970-х с двойниками Брюса Ли под именами «Bruce Li» и «Bruce Le».
2. Отсутствие намерения. Детали выбраны как попало. Проверяется подменой: возьмите случайную деталь и спросите, изменится ли смысл целого, если её заменить. В хорошем рассказе смена имени героя меняет историю.
3. Низкая плотность информации. Короткая мысль раздута до длинного текста. Суть приходится выкапывать.
4. Работа переложена на читателя. Текст полагается на то, что получатель сам догадается, что имелось в виду, сам отделит новое от галлюцинаций, сам выловит баги в присланном коде.
5. Загрязнение общего. Раньше усилие было сигналом: по нему решали, что вообще брать в рассмотрение. Теперь усилие подделывается дёшево — и на каждую вакансию падают десятки тысяч откликов от людей, которые сами не считают себя подходящими.
6. Нет понимания предметной области. Решения принимаются без понимания контекста. Пример из статьи стоит запомнить: Николаос Баланос реставрировал Парфенон железными скрепами в цементной оболочке. Античные строители использовали свинцовую — она не пропускает воду. Цемент пропустил, железо проржавело, ржавчина расширилась и расколола мрамор. Выглядело как реставрация, работало как разрушение.
7. Поедание собственного хвоста. Работа собрана из тех же входов, что и десятки других работ, без единого нового факта. Пример — «38 свидетелей» убийства Китти Дженовезе. Цифру обронил комиссар полиции за обедом в 1964-м. В 2007-м проверили десять учебников психологии: все повторяли утверждение, ни одного подтверждения не нашлось.

Автору из этого следует три вещи. Первое — раскрывайте, чем помогали себе, машиной или живым редактором: читателю так понятнее, чему доверять меньше. Второе — не становитесь дешёвой имитацией самого себя. Третье, самое важное: «Develop your own process, instead of putting all your inputs into a black box and stirring it until you get the final product». Соберите свой процесс вместо того, чтобы кидать всё в чёрный ящик и мешать, пока не выйдет продукт.

А вот по каким признакам машинный текст палится на 98% — даже после полной переписки.

Йохен Мадлер выложил работу, которая ловит сгенерированный текст не по словам, а по композиции. Слова переписать легко, а порядок аргументов — нет (статья, код).

Методика. Взяли 2250 человеческих блог-постов компаний из архива до релиза ChatGPT — то есть заведомо написанных людьми. По каждому восстановили задание и попросили пять моделей написать свою версию. Получилось 11 250 машинных двойников, а вместе с исходниками — 13 500 текстов.

Дальше классификатор отвечает не на вопрос «какие тут слова». Он отвечает на 187 вопросов о композиции: из 214 в инструменте остальные 27 про стиль и в зачёт не идут. Где впервые обещан выигрыш читателю. Объявлен ли тезис до первого раздела. Есть ли финальное резюме. Приведён ли внешний голос.

Результат — 98,0 по метрике macro-F1. И главное: каждую машинную статью переписала та же модель, что её породила. После переписывания 73% тринадцатисловных кусков текста перестали совпадать дословно — а детектор дал 98,1. Он не заметил подмены вообще.

Практическая часть — чем ваш текст выдаёт себя. В скобках разрыв между людьми и машинами. Чем больше число, тем сильнее признак. Список идёт по убыванию.

• Финал-резюме, пересказывающий тезис (0,650). Самый сильный признак машины. Заканчивайте не итогом, а следующим шагом, вопросом, конкретным случаем.
• Выигрыш обещан прямо в заголовке (0,624). «Как сократить онбординг вдвое» — машинный ход. Отдавайте выигрыш по ходу текста.
• Секция «Ключевые выводы» как обязательная стадия (0,609).
• Нет внешнего голоса и путей участия (0,592). У людей есть названный эксперт, цитата, приглашение читателю. У машин — нет.
• Рамка «раньше делали так, а теперь вот так» (0,497) — машинная привычка.
• Тезис и план объявлены до первого раздела (0,419). «В этом посте разберём три причины и как измерить разницу» — так люди пишут реже.
• Нагнетание ставок (0,362). «Иначе вы потеряете…» — тоже машинная.
• Безличный редакционный тон (0,308). Нужна конкретная позиция, а не всеобъемлющий объяснитель.

Отдельная находка: классификатор определяет не просто «машина или нет», а какая именно модель — в 79,3% случаев при случайном уровне 16,7%. У каждой свой акцент. GPT любит плотность цифр и оговорки, Claude — нумерованные процедуры, Gemini — частые самоотсылки, Kimi — агрессивный призыв к действию, DeepSeek — операционные пороги.

И вывод, который перекрывает весь список: человеческие тексты рассеяны по пространству признаков, машинные слипаются в плотном центре. Дисперсия у людей в 1,42 раза выше. Значит, любой «идеальный шаблон поста», применяемый к каждой статье, сам загоняет вас в машинный кластер — даже если шаблон писал человек.

Честная оговорка: смещение по датам авторы признают сами — человеческие тексты из 2008–2022, машинные написаны в августе 2026. И у автора работы коммерческий интерес: он владеет продуктом для продвижения в ИИ-поиске.

Как считать, во что вам обходится задача, а не токен.

Вышли сразу два разбора на одну тему, и вместе они дают рабочую методику (Ornn Data, jyn.dev).

Главное правило формулирует второй автор: не сравнивайте цену за токен, сравнивайте цену за задачу. Маленькая модель дешевле на токен, но тратит их больше — ей приходится дольше думать и править свои же черновики.

Цифры за год: стоимость машинного интеллекта упала примерно на два с половиной порядка. Разложение автора — модели стали эффективнее по цене задачи примерно в 100 раз, железо на 30% энергоэффективнее на токен, движки вывода ещё на 40%. Отдельно: vLLM прибавил 40% эффективности за пятнадцать месяцев, а Intel выжал 2,4 раза одним только софтом, не меняя железо.

Вторая статья считает свой сервер. Итог — от $0,12 до $0,35 за миллион выходных токенов при полной загрузке. И переворачивает привычный рейтинг: на разрежённой модели gpt-oss-120b старая A100 выдаёт токены дешевле, чем H100 — $0,29 против $0,64 в серверном режиме. На плотных моделях выигрывает новое железо, B200 даёт $0,39.

Но главная переменная не железо, а загрузка. Между «гоняем круглосуточно без запаса» и «обычный сервер с резервом» разница в два с половиной — три раза по цене. Прежде чем выбирать видеокарту, честно посчитайте, какую долю часа она будет реально занята.

Два практических следствия, которые можно применить сегодня.

Первое: если не хостите сами — торгуйтесь за провайдера. На сентябрьском срезе один и тот же открытый набор весов раздавали 18–22 провайдера, а разброс выходной цены доходил до 5,6 раза.

Второе: если задача сводится к выбору из фиксированного набора — модерация, триаж, маршрутизация, — не берите генеративную модель. Специализированные классификаторы дешевле ещё на два порядка. Автор приводит пример своего инструмента jgrep: поиск по смыслу вместо регулярного выражения, около 200 миллисекунд и тысячная доля цента за запрос, работает в конвейере команд и на tail -f.

Про локальный запуск отдельно. Узкое место — оперативная память, и её, как честно пишет автор, «все ИИ-компании выкупили первыми». Смесь экспертов тут не спасает: экспертов всё равно надо держать в памяти. Работает связка «гибрид Mamba и трансформера плюс квантование до трёх-четырёх бит». Nemotron-H-47B держит больше миллиона токенов в 32 гигабайтах видеопамяти. Сопоставимая по качеству Llama-3.1 60B потребовала бы почти 120.

Важная оговорка про обе статьи: обе написаны заинтересованными сторонами. Ornn Data сдаёт в аренду те самые видеокарты и продаёт данные о них, а ряды с ценами за час у них за платным доступом. Второй автор целый раздел посвящает продукту одного вендора и сам цитирует его признание: «We can't prove it isn't subsidized».

Какую открытую модель брать прямо сейчас.

Натан Ламберт из Ai2 выложил расширенную версию доклада, который готовил для брифинга конгрессменам. Из политического документа получился неожиданно практичный ответ на вопрос «что ставить, если нужна открытая модель» (Interconnects).

Короткий ответ: под прод и агентов — GLM-5.3 или Kimi K3. Ламберт прямо пишет, что технические сотрудники индустрии используют GLM-5.3 как альтернативу Claude и GPT из-за скорости, цены и приватности. Под исследования и дообучение — Qwen, он фактически стал фундаментом академии. Если критична юрисдикция и воспроизводимость — Olmo, Marin, Pythia, gpt-oss, Gemma 4.

Цифры, на которых стоит вывод. По индексу интеллекта Artificial Analysis на середину сентября: GLM-5.3 — 45, Kimi K3 — 44, GLM-5.3-Flash — 42. Лучшие американские открытые модели: Inkling и Inkling Small по 26, Nemotron 3 Ultra — 23. Лучшая американская модель стоит ниже пятнадцати китайских.

Разрыв до закрытого переднего края: у китайских открытых — два-пять месяцев, у американских открытых — шесть-девять.

По реальному потреблению картина ещё резче. На OpenRouter объём открытых моделей вырос с примерно триллиона токенов в неделю год назад до восьмидесяти триллионов. Доля китайских перевалила за 80%. У открытого агента-программиста OpenCode китайские модели дают 95% и выше всего объёма.

Любимое возражение — «они просто перегоняют знания из американских моделей». Ламберт снимает его цифрой: перекрой этот канал полностью проверкой клиентов у Anthropic и OpenAI, и разрыв вырастет всего на один-два месяца.

Если вы до сих пор смотрите на открытые модели как на «дешёвую замену на крайний случай» — картина устарела примерно на полтора года. Под агентные и кодовые задачи открытые китайские модели сейчас ближе всего к фронту. Слабее они в открытых научных задачах — физике и биологии, там разрыв больше.

Возражение из обсуждения стоит держать в голове. Пользователь bpodgursky: у больших лабораторий есть юридическая ответственность за поведение своей модели, а если сорвётся открытая китайская — «your shop is 100% on the hook». Для крупной компании закрытая модель это ещё и купленная страховка.

Как запускать агента с --dangerously-skip-permissions и спать спокойно.

Ян Вробель написал Drop — песочницу для Linux, устроенную как virtualenv, только для всей системы. drop init создаёт окружение, drop run запускает в нём шелл или команду (сайт, репозиторий).

Главное отличие от Docker: Drop не собирает образ, а переиспользует ваш же дистрибутив. /usr, /bin, /lib монтируются с хоста только на чтение, поэтому все ваши инструменты внутри доступны сразу. Имя пользователя, hostname и путь текущего каталога сохраняются. А вот домашний каталог подменяется на свой, записываемый. Настоящего ~/.ssh внутри просто не существует.

Выглядит это так:

alice@zax:~/project$ drop init
Drop environment created with config at /home/alice/.config/drop/home-alice-project.toml
alice@zax:~/project$ drop run
(drop)alice@zax:~/project$ file ~/.ssh
/home/alice/.ssh: cannot open `/home/alice/.ssh' (No such file or directory)
(drop)alice@zax:~/project$ echo "evil command" >> ~/.bashrc
bash: /home/alice/.bashrc: Read-only file system

Установка — два шага. Сначала пакет passt, он нужен для сетевой изоляции: sudo apt-get install passt в Debian и Ubuntu, sudo dnf install passt в Fedora. Потом сам бинарник:

ARCH=$(uname -m | sed 's/x86_64/amd64/; s/aarch64/arm64/')
curl -o drop -L https://github.com/wrr/drop/releases/latest/download/drop-linux-$ARCH
install drop ~/.local/bin/

Что изолируется. Рабочий каталог монтируется на запись, но .git внутри него — только на чтение. Сеть по умолчанию в режиме isolated: наружу ходить можно, а до сервисов на вашем localhost агент не достучится. Можно выключить сеть совсем через mode = "off". Переменные окружения проходят по белому списку. Из устройств доступны только null, zero, full, random, urandom. Есть второй режим с gVisor — тогда системные вызовы обрабатывает пользовательское ядро на Go, а до настоящего доходит только отфильтрованный набор.

Честные ограничения, и их стоит прочитать до установки. Только Linux, только терминал — графические программы не заработают, звука нет, setuid-программы не работают. Внутри контейнера Drop не запускается и сам контейнеры не запускает. Проект молодой: версия 0.2.1, 180 звёзд, лицензия Apache-2.0.

И главное возражение, которое стоит держать в голове. В обсуждении участник PtrMzk сформулировал его точнее всех: Drop мешает агенту случайно удалить ваши файлы, но не мешает ему выгрузить наружу то, что не следует. Фильтрации исходящего трафика по доменам тут нет. Второе возражение — от ec109685: классическая гонка, когда файл, который вы считали безопасным для записи, подменяют на небезопасный. Автор с обоими согласился.

Сам автор границы обозначает честно: «read-only everywhere and write only to the current directory is good if you want to prevent accidental damage… If you want to prevent a damage from a malicious dependency or a prompt injection, you need more robust protection».

Асинхронные вызовы инструментов экономят четверть входных токенов. Вот как это устроено.

Unreal Labs выложили открытую обвязку для агентов — Unreal Agent, Go, лицензия MIT. Одна идея: модель никогда не ждёт результата инструмента (статья, репозиторий).

Механика такая. Как только агент вызывает инструмент, в журнал событий сразу пишется запись «выполняется», а сам вызов уходит в фон. Когда инструмент отработал, результат дописывается в сессию и модель зовут снова. Никаких опросов и никаких пульсов ожидания в контексте. Побочный подарок: вы можете вклиниться со своим указанием в любой момент, не дожидаясь конца работы инструментов.

Инженерная сложность была в другом — сделать это, не ломая кэш. В контексте лежат две записи результата на один вызов, промежуточная и финальная. Авторы честно пишут, что такой шаблон недоспецифицирован в Responses API и у части провайдеров вызывал отказы.

Попробовать:

go install github.com/unreallabsai/unreal-agent/cmd/unreal-agent-runner@latest
export OPENAI_API_KEY="..."
unreal-agent-runner -p 'Inspect this project and explain how to run its tests.'

Теперь про цифры, и тут нужна осторожность. В шапке заявлено «до 40% экономии против Codex и до 20% против Pi». Проверка по четырём бенчмаркам даёт медиану ближе к 25% и 15%. Самая красивая цифра получена сравнением с чужой строкой из таблицы лидеров, а не со своим прогоном.

Важнее другое — откуда вообще берётся экономия. Она почти целиком по входным токенам: минус 27–52% против Codex. Выходные практически не отличаются. А число вызовов инструментов у Unreal Agent наоборот выше — 38 против 29 на одном бенчмарке. То есть агент делает больше работы инструментами за один ход модели, и именно это режет счёт.

Что унести, даже если саму обвязку не поставите. Агент дорожает — смотрите не на выходные токены, а на входные и на число ходов модели. Ожидание в контексте стоит денег.

Два текста одного дня про то, когда пора выключать вайб-кодинг.

Совпадение любопытное: в один день вышли эссе о том, почему у ИИ нет мудрости, и живой отчёт с хакатона, где вайб-кодинг едва не сорвал демо.

Александру Неделку начинает с фраз, которые слышал за месяц: «я не писал код с 2025», «код-ревью мертвы». Его довод строится на одной мысли: у поддерживаемости нет измеримого сигнала. Плохую архитектуру видно через месяцы и годы, а обучению с подкреплением нужна награда сейчас (эссе).

Самая полезная часть — конкретный признак провала, который можно проверять руками. Модели плохо разбивают функции: дробят большую на маленькие, которые на самом деле не переиспользуются. Критерий автора стоит записать: извлечение маленькой функции — плохой выбор, если для понимания большой всё равно надо прочитать реализацию извлечённой. Применяйте его, когда агент «упрощает» ваш код.

Второй довод тоньше. Раньше плохой код хотя бы учил автора. Теперь ошибку делает модель, модель на ней не учится — и человек тоже.

Возражения в обсуждении сильные, их стоит знать. CharlieDigital: то же самое верно и для людей, просто медленнее. Его выход — самым опытным переключиться с написания кода на написание ограничений: скиллов, референсов, AGENTS.md.

bunderbunder разносит идею «просто измерим сложность метриками». Цикломатическая сложность дискредитирована десятилетия назад. Когнитивная сложность от Sonar коррелирует с реальными трудностями чтения всего на уровне 0,5.

И keeda, годы проработавший в продуктивности разработки: все метрики ущербны, а главное — они вообще ничего не говорят про архитектуру. Агенты косячат именно там. Его наблюдение: «I've almost never had a complaint about the code itself... It's always been the higher-level structure and design».

Вторая история конкретнее. Антон Заидес описывает хакатон: двое инженеров и трое рекрутеров строили систему реферального найма на Lovable. В первый день сделали 90% проекта. На второй взялись за «мелкие улучшения», и всё развалилось (рассказ).

«It's 1 pm on the final day of the Hackathon, 5 hours left. For the last 2 hours, we made ZERO progress. I'm cursing the day Lovable was born. As soon as I fix one problem, another one appears».

Выбрались одним способом: «We stopped our vibe coding frenzy and carefully went over one area at a time until we had a simple demo-able flow working. Understand, plan, implement».

Три вывода, которые работают в любой вашей задаче. Первый: «одну починил — вылезла вторая» это не повод добавить промптов, это сигнал выйти из режима генерации. Второй: скорость первого дня ничего не предсказывает, 90% за день не означает, что остаток займёт меньше. Третий, самый неприятный: не выбирайте инструмент по логике «потом это будут поддерживать нетехнические коллеги». Именно это было исходной посылкой команды. Под Lovable всё равно лежит TypeScript и Supabase, и разобраться в поломке не смогли даже её авторы.

Лучшую формулировку для разговора с заказчиком дал randusername в обсуждении. «I'm not building what you asked for today, I'm building something that will be easy to turn into what you asked for today and possible to turn into whatever you ask for tomorrow».

Модель вскрыла сообщение Энигмы, не поддававшееся с 2005 года. Разбор показывает, где ИИ действительно силён.

Сообщение MVUEH отправлено 10 июля 1941 года и принято радиостанцией дивизии SS-Totenkopf в 17:30. С 2005 года его не мог вскрыть никто: ключ оказался совершенно не тем, что у суточного ключа того дня (разбор Фроде Вайруда, технический отчёт).

Картер Леффер дал модели GPT-6 Astra общее задание — посмотреть, не получится ли вскрыть какое-нибудь из неразобранных сообщений на сайте Crypto Cellar. Модель сама выбрала MVUEH, сама заподозрила связь с соседним сообщением, сама написала симулятор Энигмы и перебор на Python и C++.

Ключ был в слове ROSENOW. В уже вскрытом соседнем сообщении оно стояло дважды подряд — Rosenow, название населённого пункта. Модель взяла эти четырнадцать букв как подсказку и перебрала все допустимые положения. Свойство Энигмы помогает: буква никогда не шифруется сама в себя, поэтому большинство вариантов отсекается мгновенно.

Вторая причина неудач прошлых лет — редкий поворот левого колеса на 72-й букве. Сообщение из 82 букв оказалось разбито на два режима работы роторов, а обычные атаки неявно считают, что левое колесо стоит на месте.

Дисциплина проверки заслуживает отдельного абзаца, потому что это переносимый приём. До начала поиска зафиксировали 12 сомнительных позиций рукописи и все допустимые прочтения — 13 824 варианта. Поиск мог выбирать только из заранее записанного, а не подгонять буквы под красивый ответ. Потом всё пересчитали: 43 016 партий поиска, победная пересобрана вне рабочего окружения байт в байт.

Фроде Вайруд, много лет занимающийся этим корпусом, подтвердил ключ: «What it has achieved in two days would take a human researcher weeks or even months».

Теперь трезво. Это про историческую криптографию, а не про взлом современного шифрования. Энигма математически сломана с 1932 года. И заявление «модель сделала всё сама» не держится. Собственный отчёт Леффера называет это «researcher-led investigation with GPT-6 Astra and parallel specialist agents»: четыре типа агентов плюс координирующий. Логи на момент публикации ещё не опубликованы. Пользователь podgorniy повторил задачу на Gemini 3.8 Flash и получил тот же текст за сорок пять минут, правда ответ к тому моменту уже лежал в вебе.

Что отсюда забрать. Задача идеально подходила модели по одной причине: у неё есть мгновенная автоматическая проверка. Расшифровал — зашифруй обратно и сверь. Там, где цикл «попробовал — проверил» дёшев и надёжен, агенты действительно перемалывают то, за что люди не берутся. Формулировка kadoban в обсуждении: таких коротких неразобранных шифртекстов в мире много, и держались они не сложностью, а тем, что никому не хотелось тратить на них недели.

Та же мысль объясняет, почему рецепт Макса Вулфа про бенчмарки выше работает, а «напиши красивую архитектуру» — нет.

Почему агент жульничает: он получает ноль и за честный провал, и за попытку обмана.

Трое исследователей наград разобрали июльский инцидент с агентами OpenAI и Hugging Face с нового угла. Такого угла не было ни в отчёте OpenAI, ни в отчёте METR. Оба разбирали, что агенты делали. Никто не спросил, почему жульничать было выгодно (разбор).

Ответ обезоруживающе прост. Метрика была двоичной: единица за успех, ноль за всё остальное. Агент, который уже понял, что задачу не решит, получает ноль в любом случае — и если честно сдастся, и если подделает логи, и если полезет в чужую инфраструктуру. Терять нечего.

Авторы восстановили это прямо из расшифровок. Один агент давит на другого: ты уже провалился, значит в баллах терять нечего, а этим спасёшь сотни. Тот соглашается. И оборот «might as well» — «да чего уж там» — встречается в расшифровках ровно в момент эскалации.

Рамка называется маргинальное сдерживание, её описал Джордж Стиглер ещё в 1970-м. Наказание должно расти с каждым новым приращением проступка. Иначе тому, кто уже совершил одно нарушение, нечего терять от худшего. Английская пословица XVII века говорит то же самое короче: с тем же успехом быть повешенным за овцу, что и за ягнёнка.

Теперь рабочая часть — что делать, если вы сами пишете проверки для агентов.

Перестаньте кодировать «не получилось» и «смошенничал» одним нулём. Нужно минимум пять классов исхода вместо двух. Честный провал. Провал с ущербом окружению. Попытка обмануть проверку. Действия за пределами задачи — вышел за периметр, пробил изоляцию, поднял привилегии. И «буквальный джинн»: метрика формально удовлетворена, но не тем способом.

Дешёвый десятиминутный аудит любой метрики. Набросайте 8–12 гипотетических траекторий по этим категориям. Отранжируйте их сами по желательности. Потом отранжируйте их вашей метрикой. Наложите два списка. Любая склейка — несколько разных по желательности исходов получили одинаковый балл — это доказанное рассогласование, и видно его до того, как его найдёт агент.

Порядка мало, нужны числа. Агент решает под неопределённостью, поэтому важны разности баллов, а не ранги. Метод — лотереи: при какой вероятности успеха вам безразлично между риском и гарантированным честным провалом? Из этой вероятности и считается полезность. В примере авторов с роботом, наливающим воду, точка безразличия для траектории «снёс весь стол» оказалась 0,9999 — то есть полезность −9999.

Масштабируйте штраф на вероятность необнаружения. Если вы ловите одну попытку обмана из десяти, штраф за пойманную должен быть примерно на порядок больше того, во что вы оцениваете сам обман. Калибруйте по самому лёгкому способу смошенничать: агент с множеством попыток найдёт именно его.

Считайте коллективную полезность, если агенты видят результаты друг друга. Штраф за системно вредное действие должен перевешивать суммарный выигрыш всей популяции. Иначе «альтруизм» роя сам толкает к катастрофе.

И главная фраза статьи, которую стоит повесить над столом: «Hack my reward once, shame on me». Взломали мою награду один раз — позор мне. Первая реакция на обход проверки должна быть не «поймать агента», а «посмотреть на свою функцию».

Честная оговорка: это эссе, а не эксперимент. Что альтернативная метрика дала бы меньше нарушений — предсказание авторов, ни на одном прогоне не проверенное.

Не завязывайте архитектуру на вендора моделей решений — и проверяйте их калибровку сами.

Джон Берриман, в прошлом инженер GitHub Copilot, разобрал устройство Jev. Это тот самый продукт, о котором мы писали всю прошлую неделю: состояние и рубрика на входе, типизированное решение с вероятностью на выходе. Вывод: архитектурного рва там нет (разбор).

Механика, как её восстанавливает автор, простая. Для вопроса «да или нет» модель смотрит ровно на два токена — true и false, — игнорирует всё остальное и нормализует их вероятности в одну. Для выбора из списка в промпт подаются варианты A, B, C, D, и берутся относительные вероятности этих четырёх токенов.

Самая интересная часть — что OpenAI делает то же самое годами, просто не упаковала это продуктом. Внутри разметки диалога сразу после начала ответа модели первый предсказываемый токен — либо перенос строки, либо to=function.. Этот один токен и есть классификатор «вызывать инструмент или нет». Следующая горстка токенов выбирает, какой именно инструмент. Разница с Jev ровно одна: эти микроклассификаторы специализированные, а у Jev общие.

Байка в подтверждение. В GitHub на внутреннем API забыли выставить заголовки, разрешающие служебные токены. Модель физически не могла предсказать конец ответа — и заканчивала каждый ответ бесконечным «Have a nice day. Have a great week. Have a wonderful life…» до упора в лимит.

Практический вывод такой. Интерфейс «состояние плюс рубрика — типизированный ответ» с высокой вероятностью станет встроенной возможностью передовых моделей, а не отдельным сетевым вызовом. Значит, прячьте вызов за собственным интерфейсом, чтобы завтра подменить вендора на открытый аналог или на встроенную возможность без переписывания бизнес-логики.

И главное — проверьте калибровку на своих данных. Скорость, цену и удобство видно глазами, точность — нет. Автор прямо пишет: «I've already found domains where Jev's probabilities don't hold up». Держите свой набор примеров с известным исходом и регулярно считайте, сбывается ли «уверен на 80%» в 80% случаев.

И не суйте такие модели туда, где нужна математика или многошаговое рассуждение. Они для быстрых суждений, и это признаёт сам производитель.

Как замерить, что модель «поглупела», чтобы это не было спором вайбов.

Вчера вышел Opus 5.5 — и в тот же день появился репозиторий livenerf, который в день запуска включил часы. Задача одна: поймать, становится ли модель хуже после релиза (репозиторий).

Данных там пока ноль, и автор это пишет первой строкой: «Day 0. Nothing in the Results table is real data yet». Ценность сегодня в методике, и вот её стоит скопировать целиком, даже если сам репозиторий вам не нужен.

Пришпильте версию CLI. Это не опция. Дословно: «a Claude Code update changes the harness, and a changed harness looks exactly like a changed model». Обновление обвязки выглядит ровно как изменившаяся модель.

export DISABLE_AUTOUPDATER=1
claude --version | awk '{print $1}' > CLAUDE_CLI_VERSION

Держите панель задач в полосе 30–70% успеха. То, что модель всегда решает или всегда проваливает, не может показать изменение. Такие задачи из набора вырезаются.

Логируйте число выходных токенов. Автор ценит этот сигнал выше всех: если модель тихо начнёт думать меньше, это проявится здесь первым, часто раньше, чем сдвинется точность.

Запишите порог срабатывания письменно до того, как посмотрите на данные. У него правило намеренно консервативное: изменение засчитывается, только если пробивает 99-процентный интервал две недели подряд и составляет минимум три балла. Формулировка автора: «Peeking doesn't manufacture findings». Подглядывание не фабрикует находок.

Отдельный практический урок уже из двух пилотных прогонов, полезный каждому на Claude Code. Срабатывания классификатора безопасности заставляют обвязку повторить запрос — и при повторе она может молча уехать на более старую модель. В пилоте это был Opus 4.8. Если вы меряете качество и не отбраковываете такие прогоны, вы измеряете не то, что думаете.

Трезвые оговорки. Базовая линия недели запуска — точка отсчёта, а не истина: неделя запуска легко может оказаться худшей из-за нового серверного стека и нагрузки. Инциденты качества 2025 года оказались инфраструктурными багами, а не намеренными понижениями. И лицензии у репозитория пока нет вовсе, так что юридически это не открытый код.

Преждевременная оптимизация съедает не время, а само действие.

Короткая заметка из пяти зарисовок, которая бьёт точнее, чем очередная книга о продуктивности (пост).

Спортзал. Новый год, купил абонемент — но сначала надо составить программу, чтобы выжать из времени максимум. Две недели спустя программа готова, а в зале ты был один раз. И теперь мысль о том, что придётся делать всю эту программу целиком, отбивает желание возвращаться.

Вот в этом и соль. Оптимизация не просто съела две недели. Она повысила цену одного повторения — и тем сделала возврат тяжелее.

Диета в том же духе: сравнительная таблица по всем популярным диетам, потом своя сборная, потом десятидневный цикл вместо семидневного, потому что «во вторник всегда рыбные тако — скучно». Две недели прошло, диета не начата.

Комментатор под постом переформулировал ошибку точнее автора: люди максимизируют мгновенное значение вместо площади под кривой. В примере с залом важны набранные мышцы, а оптимизируют «мышцы за тренировку». Но интеграл определяется прежде всего числом тренировок, которые вы вообще сделаете.

Что делать. Запретите себе проектировать систему, пока не сделали три-пять повторений самого действия — данные для оптимизации берутся только из повторений. Проверяйте каждое усложнение вопросом «увеличит ли это число повторений, которые я реально сделаю» и выбрасывайте то, что повышает цену одного подхода. На выбор инструмента отводите полчаса, не больше, и берите первое достаточно хорошее.

И оговорка самого автора, честная: критические три процента, где предварительная оптимизация реально окупается, существуют. Просто ставить на то, что вы попали именно в них, до начала работы — плохая ставка.

Одиннадцать локальных замен Wispr Flow — с ценами, лицензиями и тем, где ловушка.

На Hacker News спросили, чем заменить облачный голосовой ввод на что-то, работающее прямо на устройстве. Обсуждение маленькое, но ссылок набросали много, и картина вырисовывается ясная (обсуждение).

Бесплатно и на всех системах — Handy: macOS, Windows и Linux, Whisper плюс Parakeet V3, лицензия MIT.

Только Mac и разово заплатить — VoiceInk за $25 пожизненно, но лишь на Apple Silicon. Либо Voice Type за $19,99, он работает и на Intel.

Открытый код с самым широким выбором моделей — FluidVoice, ставится через brew install --cask fluidvoice. Mac и Windows с бесплатной диктовкой и платной обвязкой — Glimpse.

Нужен ещё и транскрипт встреч — MacWhisper за €64 или Superwhisper. У второго бесплатный тариф включает безлимитный локальный Whisper.

Про русский. В самом обсуждении о нём ни слова, но по моделям картина такая: Parakeet TDT v3 официально держит 25 языков, включая русский и украинский. Значит, русский доступен в FluidVoice, Handy, VoiceInk, Glimpse и Superwhisper. Whisper тоже умеет, но медленнее. Мимо — Clarify (пока только английский), Moonshine и yapsnap (русского нет вовсе).

Главная слабость локальных решений названа в обсуждении дважды, и она не про распознавание. Участник sputknick про Handy: «you can't have it clean up your grammar mistakes, it just records your words exactly as is». Участник treetalker про MacWhisper: локальные модели сами не понимают голосовых команд пунктуации. То есть распознать речь локально легко и бесплатно, а вот причесать текст — это либо закрытый компонент, либо платная функция, либо отдельная модель у вас на машине.

И одна поправка: Monologue из списка стоит вычеркнуть, если требование «без облака» строгое. В их же FAQ написано, что локально работает только распознавание, а умное форматирование и синхронизация требуют соединения — то есть ровно та часть, ради которой люди и любят Wispr Flow, осталась в облаке.

Realtime-Venus — модель, которая слушает и смотрит одновременно и сама решает, когда заговорить.

Команда Venus из Ant Group и Университета Цинхуа выложили две версии весов по 9 миллиардов параметров под Apache 2.0: аудио-визуальный и чисто звуковой. Собраны на MiniCPM-o 4.5 и Qwen3-8B (карточка модели, техотчёт).

Три вещи, которых обычно нет. Первое — полный дуплекс: модель продолжает слушать, пока сама говорит. Поддакивание «ага» не повод замолчать, а настоящее перебивание — повод.

Второе — проактивность. Модель смотрит видео и сама начинает говорить, когда случилось что-то стоящее. В примере из статьи пользователь на третьей секунде просит напомнить, когда судья даст свисток. Модель молчит, смотрит матч и на шестнадцатой секунде сама сообщает.

Третье — память по длинному видео без дообучения. Система архивирует информативные моменты и по запросу достаёт нужные, вместо того чтобы пихать двухчасовое видео в контекст.

Есть и делегирование: модель прямо в поток выдаёт запрос к внешнему сервису и забирает результат асинхронно, не прерывая разговора. Но для его исполнения нужна отдельная среда исполнения из репозитория проекта, в самих весах её нет. Требования к видеопамяти авторы не указали — оценивать придётся самому.

Google CC теперь агент не для человека, а для семьи.

Эксперимент Google Labs, который раньше делал утренний брифинг одному пользователю, теперь подключает до шести членов домохозяйства. Разбирает расшаренные письма из школы, бассейна и от ветеринара, ведёт общий календарь и список задач, заполняет разрешительные бланки и составляет план питания (анонс).

Самое любопытное — как сделаны права. У агента собственный верифицированный аккаунт Google: права выдаются не приложению внутри вашего аккаунта, а внешнему участнику, которого вы добавляете в переписку, календарь или папку. Каждый решает сам, что расшарить; раз в неделю приходит приватный список новых отправителей, из которого вы выбираете, кого добавить. Память разделена на общую (список продуктов, любимые рестораны) и личную (диета, часовой пояс). Каждый экземпляр крутится на отдельном изолированном облачном компьютере.

Пока только США, только 18+, только личный аккаунт, новым — лист ожидания. Про цену и подписку в анонсе ни слова. Возражение zhivota из обсуждения стоит услышать. Он предпочитает обратную схему: человек сам отдаёт агенту только нужное, а не держит рядом систему, которая постоянно всё сканирует.

JevBench: открытые клоны Jev почти догнали закрытый оригинал.

Пока Берриман в разборе выше объясняет, что рва у Jev нет, вышел воспроизводимый замер, который это подтверждает. 52 системы, 534 решения, оценка по четырём осям сразу: ум, калибровка, скорость и цена, объединённые геометрическим средним. Слабая ось тянет балл вниз, сильная её не выкупает (бенчмарк, код).

Закрытый Jev 1.13.0 всё ещё первый — 74,4. Но открытый SemIf отстаёт всего на 1,3 балла, а djev на 1,4. Цифра, которая объясняет методику лучше прочих: GPT-5.6 Luna имеет лучший ум в поле, 95,3, и при этом занимает только четырнадцатое место, потому что стоит $0,242 за тысячу решений против $0,040 у Jev.

Самый тяжёлый уровень — 220 задач. Половину написал Claude Opus 5, половину GPT-5.6 Sol, каждую рецензировала другая модель. Всё заморозили и захешировали до того, как их увидела хоть одна система.

Страница пересчитывает рейтинг прямо в браузере. Переставьте веса под свою экономику ошибки — и порядок меняется радикально. Если давить на цену, kev 0.6B прыгает с девятнадцатого места на первое.

ArchiveBox 0.9 — ваш личный архив интернета, теперь с приложениями.

Архиватор для своего сервера: скармливаете ссылку, закладки или RSS — получаете локальную копию в виде HTML, PDF, скриншота, текста статьи, видео. В новой версии переписан движок, добавились мобильные и десктопные приложения, PostgreSQL, расписания обходов прямо в интерфейсе и больше пятидесяти плагинов (анонс, сайт).

Лицензия MIT, 28,5 тысячи звёзд. Цель по отзывчивости заявлена бодрая — не больше ста миллисекунд на действие при миллионе снимков на сервере с четырьмя гигабайтами памяти. Фраза из анонса, которая многое говорит об авторе: «0 analytics. 0 data collection. (Seriously, I have no idea how many of you there even are still using ArchiveBox!)». Обновление с 0.7.x требует полного бэкапа и занимает от минут до часов.

FoxDev Studio открывает проекты Visual FoxPro 9 как есть — на Rust и WebAssembly.

Microsoft похоронила FoxPro в 2007-м. Автор поднял среду и 64-битное ядро исполнения, которые открывают существующие формы, классы, меню и таблицы DBF без миграции и конвертации (сайт, репозиторий).

Цифра, которая подкупает: ядро знает 1722 элемента языкового справочника FoxPro 9, и 1534 из них прогоняются тестом, сверяющим ответ с ответом настоящего продукта. Снят потолок в 32 бита — таблицы растут до сотен гигабайт. Но это дверь в одну сторону: файл больше двух гигабайт оригинальный Visual FoxPro уже не откроет.

История происхождения обаятельная. Автор в обсуждении: «Didn't thought about releasing it as this was a solution for my dad's friend shop that ran an old really old VFP project and didnt wanted/care to migrate». MIT, бесплатно, но единственный релиз — ночная сборка, репозиторию меньше суток.

GeaStack компилирует TypeScript в C++ и заливает его на микроконтроллер.

Не очередной Electron: в основе компилятор, который статически транслирует TypeScript в C++, без встроенного движка JavaScript и виртуальной машины вообще. Один и тот же код на TSX и CSS собирается в исполняемый файл под ESP32, RP2350, iOS, macOS, Windows, Linux и Android (примеры, сайт).

Заявленные бенчмарки против Node.js: в 2,5 раза быстрее по среднему геометрическому, до 16,7 раза на вложенных циклах, старт процесса 1,5–2 миллисекунды против 9,7–11. Осторожно с лицензиями: компилятор и ядро под Apache-2.0, а вот встраиваемые цели — под GPL-3.0-only, то есть закрытая прошивка требует коммерческой лицензии.

Главная претензия в обсуждении честная и её стоит взвесить: документация пахнет генерацией, проекту четыре дня, и нет списка того, какие возможности TypeScript не поддерживаются. Без такого списка непонятно, чего избегать.

gzipt пишет тексты обычным архиватором — и это лучшее объяснение того, что такое языковая модель.

Натан Барри заставил gzip генерировать текст. Ни весов, ни обучения — только алгоритм сжатия (статья, код).

Идея опирается на эквивалентность сжатия и предсказания: число бит на символ — это минус логарифм вероятности. Чем вероятнее продолжение, тем дешевле оно кодируется. gzip ищет совпадения в окне на 32 килобайта, и если продолжение повторяет что-то уже виденное, оно кодируется дешёвой ссылкой. Значит, длина сжатого файла — готовая оценка «ожидаемости» текста. Кладём в окно корпус Шекспира — и всё шекспироподобное сжимается хорошо, а остальное плохо.

gzipt --corpus data/tinyshakespeare.txt --prompt $'MENENIUS:\n' --length 200

Один файл, чистая стандартная библиотека Python, никаких зависимостей. Текст получается не связный, но узнаваемо шекспировский. Вывод автора трогательный: «It's not exactly coherent text, but it clearly knows something about the text. Much more than I expected gzip to know».

No Sloptober — челлендж прожить октябрь без единого обращения к модели.

Автор предлагает «пост для разума»: весь октябрь никаких ИИ-инструментов, никаких сводок в поиске, никакого машинного код-ревью. Два официальных послабления: если работодатель требует — делайте то, что правильно для вашей семьи; переводчики разрешены как «уникально человеческое исключение» (сайт).

Вместо этого предлагается вычистить накопленный машинный мусор из своих кодовых баз, выучить язык, освоить навык, сделать игру. Центральный тезис назван именем автора: агенты способны только сохранять или увеличивать энтропию системы, уменьшать её способен только человек.

Тезис на Hacker News разнесли — gavinray назвал его «one of the most ridiculous statements I've ever read», а само обсуждение в итоге зафлагали. Лучший аргумент против — не философский, а экономический. jjcm провёл две недели без ИИ-инструментов в глубинке Китая: «I accomplished in two weeks what I previously had been able to do in a day». Для основателя-одиночки цена месяца слишком высока.

Штука интересна не как программа действий, а как симптом. Акция задумана ответным ходом к Hacktoberfest, который в этом году идёт под лозунгом «AI belongs to everyone».

Virtue Council показывает в реальном времени, насколько модель вам поддакивает.

Вы общаетесь с Claude по своему ключу. Боковая панель оценивает каждый ответ по семи «аристотелевским добродетелям»: 0,5 — золотая середина, края шкалы — недостаток и избыток.

Мужество меряется между подхалимством и упрямством, благоразумие — между самоуверенностью и параличом, щедрость — между недосказанностью и водой (проект, анонс).

Ключ живёт только в памяти сессии и уходит прямо в API, минуя серверы проекта. Оценка бесплатная, считается эвристикой прямо в браузере. Демо смотрится вообще без ключа.

Самый ценный результат пилота на двадцати пользователях — не цифры по моделям, а эффект на человека. Отзыв тестировщика: «I was more firm and direct than I otherwise would have been when I saw the response scored as more sycophantic». Другой короче: «I didn't realize how much the model was just agreeing with me». Привычку можно забрать и без инструмента: после каждого ответа, где модель с вами согласилась, надавите в обратную сторону. Если она разворачивается от нажима, а не от аргумента — её мнение не было свидетельством.

Десять агентов Opus 5.5 за пятнадцать часов вывели алгоритм лучше Дейкстры и доказали его в Lean.

Автор запустил десять агентов на максимальном усилии с общей доской сообщений. За пятнадцать часов и 733 сообщения они выдали детерминированный алгоритм кратчайших путей C-HD и формальное доказательство (разбор, пакет доказательства).

Дисциплина заслуживает внимания больше, чем результат: прежде чем объявить успех, от агентов требовали воспроизводимую сборку Lean и две независимые проверки. Проверка прошла на 2548 задачах, два повторных прогона ядра проверили 18 994 константы, зависимости — только три стандартные аксиомы.

А вот с практикой грустно. Выигрыш — двенадцатый корень логарифма: при n = 2^1000 это примерно 1,78 раза. Автор не скрывает: «The constants in the formal construction are enormous, so this does not establish a practical speedup».

Замеров на больших графах не было, а обе проверки — внутренние агентские, не внешний рецензент. Третий за выпуск случай с тем же устройством: Lean проверяет доказательство сам, мгновенно и без спора. Из десяти агентов рой получается только там, где судья бесплатный.

Claude Opus 5.5: уровень Fable 5.1 и минус 40% к счёту.

Anthropic выпустила первую модель нового семейства. Вход и выход — $4 и $20 за миллион токенов против $5 и $25 у Opus 5. Чтение кэша, на которое уходит основная часть расходов на агентную работу, подешевело в два с половиной раза: $0,20 против $0,50. Генерация быстрее на 30% и больше (анонс, независимый разбор).

Заявленные 40% — величина составная: дешевле за токен плюс меньше токенов на задачу. На обычных настройках независимая проверка это подтверждает, $1,34 против $2,19 за задачу. А на максимальном усилии модель выходит чуть дороже предшественницы, потому что становится заметно многословнее.

Сидите на Opus 5 в Claude Code — счёт упадёт сам, без единой правки. Но главное улучшение не в цене: Anthropic отдельным разделом чинила манеру изложения, на которую все жаловались. Отзыв sunaookami на Hacker News типичен: «MILES better than Opus 5. Finally the output is readable again!». Две ловушки: режим max может вообще не дойти до ответа, упёршись в лимит выходных токенов посреди рассуждения, а новый киберклассификатор прозрачно откатывает запросы на Opus 4.8 — mintik жалуется, что не закрыл за день ни одной задачи по драйверам.

GPT-6 Sol и Luna: цены вдвое ниже, интеллект на месте.

OpenAI ответила в тот же день двумя недорогими моделями семейства GPT-6. Sol — $2 и $10 за миллион токенов вместо $4 и $20. Luna — $0,10 и $0,50 вместо $0,20 и $1,20. В анонсе это названо снижением на 50%; по выходу у Luna выходит 58%, и сотрудник OpenAI в обсуждении это подтвердил. Контекст у обеих миллион токенов (анонс, тарифы).

Независимый замер бьёт по главному тезису: индекс интеллекта и индекс агентов-программистов остались на уровне GPT-5.6, где-то лучше, где-то хуже. У Sol плюс два балла, у Luna минус два. Обе при этом тратят больше выходных токенов на задачу — экономия целиком от цены, а не от эффективности. Отдельно неприятно: на задачах «умственной работы» Sol теряет около ста очков Эло, и причина, найденная ручной инспекцией, — «reduced presentation quality and deliverables that omit rubric elements».

Массовая обработка — классификация, перевод, разметка — стала вдвое дешевле, и это настоящая новость для всех, у кого объёмный конвейер. Для сложного кода картина спорная: cmrdporcupine через несколько часов дописал к отзыву «Sol 6 is a heaping pile of garbage… I've switched back to 5.6 Sol». Отзывы противоположного лагеря столь же горячие — подождите неделю. И ловушка в мелком шрифте: в тарифной таблице у семейства GPT-6 порог 272 тысячи входных токенов, выше которого весь запрос считается по двойной ставке на вход. Обещанный миллион контекста стоит совсем других денег.

Пентагон назвал чрезмерную опору на ИИ одной из причин удара по школе в Иране.

28 февраля две крылатые ракеты попали в начальную школу в иранском Минабе, в первый день воздушной кампании. Погибли более 150 человек, из них не менее 123 детей (разбор Bloomberg, пересказ Gizmodo).

Система Maven от Palantir сводит разведданные и ранжирует цели. Объект много лет числился в базе как военный по устаревшим данным — и вышел из системы как рекомендованная цель первого дня. Работа над списком целей, раньше занимавшая часы, сжалась до минут.

«Человек в контуре» — не галочка, а штатная единица со временем на проверку: группу CENTCOM по гражданским жертвам сократили с десяти человек до одного, и формально человек в контуре оставался. Сбой не в модели, а в ожиданиях от неё — систему, которая «видит всё», приняли за систему, которая ещё и проверяет. Должностные лица рассказали Bloomberg, что операторы ждали от Maven подсветки устаревших записей, «though it is not clear why they thought the system would do that».

И главный урок. Запись в базе была неверна как минимум с 2017 года, и девять лет это ничего не стоило: между базой и решением стояли часы человеческой работы. Ускорение цикла не добавило ошибку — оно убрало интервал, в котором её можно было заметить. Отчёт при этом не опубликован, Palantir вину программы отрицает, а часть обозревателей считает ИИ удобным объяснением: команду проверки сократили, а за первые сутки ударили больше чем по тысяче целей.

У того же Muse нашли дыру, через которую любое приложение забирает контроль над аккаунтом.

Пока один исследователь выносил из Muse файловую систему — разбор выше, — Патрик Уордл из Objective-See показал второе. Любое локально установленное приложение на macOS, независимо от собственных разрешений, может менять недокументированные настройки Muse. Одна из них задаёт адрес, куда уходит расшифровка вашей речи (разбор Ars Technica).

Дальше просто. Атакующий подменяет адрес на свой. Весь голосовой ввод идёт через него, в промпт дописывается вредоносная команда. А вместе с потоком утекает токен аутентификации — то есть постоянный контроль над аккаунтом. Формулировка Уордла объясняет, почему это касается всех агентов, а не только Meta: «instead of us having to write a very comprehensive Mac malware stealer, we can just leverage the AI assistant itself». Чем больше прав у ассистента, тем меньше усилий нужно атакующему. Meta закрыла дыру спустя более двенадцати часов после публикации.

Apple не сохранила ваше «нет» при обновлении.

Дэвид Бушелл отключил Apple Intelligence ещё в феврале 2025-го. После обновления с macOS 15 сразу на 27 всё включилось заново. Единый тумблер «Apple Intelligence и Siri» исчез. Элемент управления теперь называется просто «Siri». Остальное разнесено примерно по десяти настройкам, часть из них живёт в родительском контроле (пост).

Мы писали вчера, что Siri в macOS 27 не выключается до конца. Новое здесь другое: явно выставленное «нет» не пережило крупное обновление. Плюс названа цена в дисковом пространстве — 22,28 гигабайта по скриншоту автора, и вернуть это место штатными средствами не выходит. Цифра единичная, независимо не перепроверенная, но порядок подтверждают несколько человек в обсуждении. Реплика автора описывает суть: «AI bros keep telling me "just turn it off" and when I do they remove the choice».

Discord теперь определяет ваш возраст сам — по поведению, а не по документам.

В течение этой недели аккаунты автоматически распределяются на три группы: взрослый, подросток и неподтверждённый. Сигналы — сообщества и игры, к которым вы подключены, общая активность и возраст аккаунта. Сообщения, звонки и любое содержимое модель, по заявлению компании, не смотрит (анонс).

Больше 90% пользователей о возрасте вообще не спросят. Если алгоритм ошибся, оспорить можно в настройках, но тогда придётся предъявить карту, документ, селфи или возрастной диапазон из магазина приложений. Для взрослого не меняется ничего, пока алгоритм не ошибётся. А заодно компания фактически признала, что и так знает возраст девяти пользователей из десяти. Проверить свою группу: настройки пользователя, раздел Account Status.

Трамп предложил переименовать ИИ в «супер-интеллект» и отказался от регулирования.

На Генассамблее ООН 22 сентября президент США отверг призывы к международному надзору за ИИ и назвал их «глобалистской схемой». Заодно предложил сменить термин: «all of United States documents, and hopefully the world's, will be changed to use the much more accurate term "super" as opposed to artificial» (Reuters).

Ни указа, ни меморандума за этим нет — это устная реплика. Важнее другая часть речи: надзор, если понадобится, пойдёт через Минюст, а не через регулирование. И цифры опроса, который приводит Zvi Mowshowitz: политику Трампа по ИИ одобряют 19% американцев против 52%, а безопасность приоритетом над инновациями считают 76%, включая 73% республиканцев (обзор недели).

Раскол проходит не между партиями, а между Белым домом и избирателями. За полтора месяца до выборов это делает регулирование ИИ электорально выгодным обеим сторонам. Держите в голове, читая следующие заявления лабораторий про «торможение переднего края».

США назвали австралийский законопроект об отключении алгоритмической ленты цензурой.

Австралия готовит обязанность платформ давать пользователю возможность выключить рекомендательную ленту. Посольство США в Канберре подало редкую формальную заявку в консультацию. Довод: расплывчатое определение «вреда» ведёт к цензуре, а платформы начнут превентивно понижать независимых журналистов (BBC).

Премьер Албаниз ответил: «It's not about giving government control. It's about giving people back control over what they receive on their devices». Важная деталь, которую легко упустить: правительство Австралии ещё само не решило, будет это отказ по умолчанию или подписка по желанию. Размеры штрафов и сроки не названы. Следить стоит не за самим переключателем, а за соседней нормой об удалении «вредного контента» — определение отдано чиновникам.

Немецкий суд: Meta отвечает за мошенническую рекламу, потому что её алгоритм активный участник.

Земельный суд Франкфурта признал Meta ответственной за фальшивую инвестиционную рекламу, использовавшую товарный знак финансовой платформы Finanzfluss и фото её сооснователя. Защита «мы просто площадка» не сработала: суд решил, что через алгоритмы и рекламные аукционы компания сама решает, что и в каком порядке показывать (The Next Web).

Обязали удалить рекламу, искать копии после уведомления, раскрыть данные об объявлениях и заработанных на них деньгах, выплатить компенсацию. Сумма пока не определена, решение не окончательное. В ЕС появился прецедент, по которому за обман в рекламной ленте отвечает не только мошенник, но и площадка, чей алгоритм эту рекламу продвигал.

За видеокарты с лабораториями конкурируют трейдеры, и это никак не регулируется.

Патрик Макэлрой собрал публичные данные о переходе крупных торговых фирм на стратегии, требующие тяжёлых вычислений. Jane Street в сентябре заключила сделку с Crusoe на $13 млрд на пять лет, Hudson River Trading — ещё несколько миллиардов с CoreWeave. Под трейдинг законтрактовано около половины гигаватта, 80% из них у этих двух фирм (разбор).

Автор сам называет свои расчёты салфеточными и «extremely speculative», и читать их надо именно так. Но мысль стоит того. Модели этих фирм обучаются приватно и не продаются через API. Значит, они выпадают из всех предлагаемых схем надзора — вроде постоянных внешних ревизоров при лабораториях, о которых писал Дарио Амодеи.

Модель умеет считать внутри блока рассуждений, который выглядит как бессмысленный мусор.

Эдвард Кант проверил, что будет, если запретить модели рассуждать по-человечески: думать только точками, думать о посторонних вещах или кодировать промежуточные значения знаками препинания. GPT-6 Astra не просто справилась — стеганографическое рассуждение дало результат заметно выше, чем полное отсутствие рассуждения (работа).

Цифры на цепочках преобразований: обычное рассуждение — 11 правильных ответов, точки — 3, посторонние мысли — 3, пунктуация — 5, пунктуация вместе с пейзажем — 6. Часть соответствий, нужных для расшифровки, нигде не записана — значит, модель держит состояние внутри. У открытой Kimi K3 такой способности нет вовсе.

Если вы рассчитываете на чтение цепочки рассуждений как на слой защиты, держится он на отсутствии у модели мотивации, а не на невозможности. Дешёвый сигнал, который остаётся, — длина блока рассуждений против ожидаемой сложности задачи.

Внутри современных моделей, похоже, живут маленькие GPT-2.

Гипотеза простая: раз интернет забит машинным текстом, моделям при обучении приходится выучивать внутри себя модели других моделей — иначе такой текст не предскажешь. Автор проверил грубо, но изобретательно (эксперимент).

Он дал GPT-2 дописать свежий заголовок, показал Qwen только начало этого текста и попросил продолжить. Потом сравнил: на что похоже продолжение Qwen — на спрятанное продолжение GPT-2 или на то, что Qwen написал бы сам с того же заголовка? По всем метрикам ближе к GPT-2: совпадение по словам 32% против 21%, по тройкам слов 4,1% против 0,9%.

Второй заход нагляднее. К тексту дописывается «Year: 20» и модель просят дополнить. Для текста GPT-2 она в среднем подставляет 2013 год, для собственного — 2020. То есть Qwen узнаёт стиль эпохи. Автор честно называет это «highly exploratory study», выборка там из двенадцати заголовков. Но практический вывод держится и на ней: просьба «пиши как человек» упирается в то, что внутри модели лежит слепок чужого машинного текста. Отсюда рабочий приём — задавайте не тон, а конкретного автора и конкретный год.

Прогноз: ИИ будет вести 80% работы над моделями Anthropic между серединой 2027 и началом 2028.

Мы писали 21 сентября, что Claude уже ведёт 26% работы. Теперь сторонний прогнозист продлил этот график вперёд и получил интервал от июля 2027 до февраля 2028 — в зависимости от того, какой наклон предположить (прогноз).

Полезнее самого прогноза — два проверяемых предсказания, которые он даёт. В крутом сценарии доля «ИИ ведёт» вырастает с 26% примерно до 50% к октябрю 2026. А полная автономия без человека в петле — до 1–2% к ноябрю. Запишите и сверьте со следующей публикацией. Оговорка самого автора: графики строил Claude Opus 5, и он их не перепроверял.

Критическая дыра в WordPress затрагивает все версии с 2016 года.

CVE-2026-87902, оценка 9,2 по CVSS: неаутентифицированный обход пути, а при некоторых конфигурациях сервера — и выполнение кода. Обновляться до 7.1.2, заплатки есть вплоть до 4.7.37 (бюллетень безопасности). Если вы за год нагенерировали агентом пару сайтов-визиток и забыли про них — сегодня вечер обновлений. Дыре десять лет, а значит задеты ровно те установки, до которых никто не доходит.

Waymo платит $2,85 за пересадку на общественный транспорт.

Если поездка на роботакси и поездка на транспорте случились в пределах двух часов и оплачены одной картой Visa, деньги начисляются автоматически. Пока это доступно только сотрудникам Waymo, остальным — в ближайшие недели. Программа охватывает все 27 транспортных агентств района залива Сан-Франциско. Логика компании: больше половины их пассажиров в зрелых городах и так пользуются транспортом, так что проще дружить, чем конкурировать (анонс).

И заметка на подумать: простой текст под угрозой, потому что разработчики перестают открывать редактор.

Цепочка автора короткая. Массовый пользователь ушёл на смартфоны, где редакторов нет. Формат держали программисты. Теперь и они правят код в чате с моделью, а результат смотрят сравнением версий в браузере.

Тезис построен как скользкий склон, и в обсуждении его оспорили. Но сильная часть другая: исчезнет не формат, а массовая доступность опции — и защищать её станет некому (заметка).