Тринадцать моделей нарисовали одного и того же пеликана — и ещё 51 находка

Тринадцать моделей — один пеликан. И это измерили.

Компания Kombai выпустила Design Creativity Bench: 80 задач на интерфейс, каждая написана под два разных продукта, итого 160 брифов (arcfu.com, лидерборд). Модель отдаёт один готовый HTML-документ, его открывают в настоящем браузере и считают три вещи.

Оригинальность — насколько работа отличается от работ других моделей на том же брифе. Разброс — насколько модель меняет решение, когда меняется продукт. Уместность — доля выполненных требований брифа.

Главный результат неприятный. По уместности модели уже обогнали людей: у Claude Opus 5.5 — 99,2%, у живых дизайнеров — 98,0%. А по творческой части разрыв — пропасть: 65,5 из 100 у лучшей модели против 92,3 у людей. Оригинальность — 0,592 у моделей против 0,764 у человека, разброс — 0,581 против 0,902.

Самое интересное — почему. Авторы проверили отговорку «бриф слишком короткий, вот и усреднённый ответ». Посчитали, сколько разных защитимых раскладок допускает один бриф: 51 структура, распределение почти плоское. Два независимых грамотных дизайна совпадают по структуре в 3% случаев. Простор есть — в одну точку сходится именно модель.

Апгрейд модели вас не спасёт: оригинальность и разброс вообще не связаны, коэффициент −0,13. GPT-6 Astra — первая по оригинальности и последняя по разбросу. У неё есть свой почерк, и она ставит его на любой бриф.

Смена темы, бренда и контента на дизайн почти не влияет. Хотите другую вёрстку — задавайте структуру руками, а не контент. «Будь креативнее» в промпте авторы даже не пробовали, а по чужим работам эффект от таких приёмов невелик. Разнообразие придётся приносить снаружи: своим референсом, своей структурой, перебором независимых генераций с отбором руками. Датасет и код открыты — huggingface, github.

Память агента, которую человек может проверить.

Флориан Дитц выложил набор файловых соглашений для долгой памяти агента (LessWrong, репозиторий, MIT). Это не программа — ставить нечего, нужны только правила в инструкциях агента.

Лечит он три знакомые болячки. Память потихоньку дрейфует: агент при каждой правке чуть меняет формулировки, за месяц файл начинает врать. Агент не отличает «похоже, что X» от «мы обсудили и решили X» — и следующая сессия читает это как решённое. Агент сам себя одобряет: предложил, человек не заметил, агент счёл это согласием.

Схема простая. На каждую тему — пара файлов. LOG пишется только в конец и никогда не переписывается, даже если запись оказалась неверной. SUMMARY — текущее состояние на страницу, его и читает свежий агент. Поверх — шесть меток статуса:

[decided]   — пользователь явно согласился. Поставить может ТОЛЬКО человек,
              и его слова должны лежать в файле
[verified]  — проверено или замерено. Обязательна конкретика:
              [verified: full test suite 26-10-07, 42/42 pass]
[concluded] — агент рассудил, но согласования не было
[assumed]   — рабочее допущение, которое надо пересмотреть
[superseded]— заменено более поздним решением, укажи чем
OUTDATED: <причина> — пометка рядом с текстом, оказавшимся неверным

Три правила, которые дают основную пользу. Префикс C: в строке — монополия человека, агенту писать его запрещено. Единственное исключение — перенос согласия из чата дословно: C: (transcribed from chat) yes, go with that. Дальше — запрет на числа по памяти:

Never write a specific number (percentage, count, effect size, measurement)
from memory — re-read the source file first. The worst form is a from-memory
number WITH a citation attached: the citation makes an unverified number look
verified.

И третье: агенты не коммитят, человек смотрит git diff и коммитит сам.

Самый дешёвый способ попробовать — одна фраза агенту: Read https://raw.githubusercontent.com/FlorianDietz/EpistemicMemory/main/CORE.md and add it to this project's agent instructions. Это около тысячи токенов в конец вашего CLAUDE.md, больше в проекте ничего не меняется. Полный шаблон рассчитан на Claude Code: «Use this template» на гитхабе, потом агенту — Set this project up for me. Раз в месяц — команда !sync, она сверяет SUMMARY с логами и чинит расхождения.

Три приёма из OpenCode 2.0, которые стоит утащить к себе.

Вышла крупная переработка агентного CLI (anoma.ly). Даже если вы на Claude Code, посмотреть стоит — там решены три боли, с которыми живут все.

Первое — фоновый сервер. Он сам поднимается одним процессом на машине, а консоль, веб и десктоп-приложение говорят с ним. Сессии живут в одном месте, подключиться можно откуда угодно, старт стал заметно быстрее. Программный клиент сам находит сервис, так что агента можно дёргать из скрипта или по расписанию.

Второе — Code Mode. Обычно каждый MCP-сервер грузит описания своих инструментов в контекст, и агент дёргает их по одному. Здесь минимальный интерпретатор превращает MCP-серверы и методы OpenAPI в обычные функции, а агент пишет скрипт. В этот режим по умолчанию включены все MCP-серверы. Авторы обещают: «можно добавить тысячу с минимальным раздуванием контекста». Нужные агент найдёт сам через search({ query: ... }). Выглядит так:

return [search({ query: "list github issues" }),
        search({ query: "create linear issue" })]

const { issues } = await tools.github.list_issues({
  owner: "anomalyco", repo: "opencode",
  labels: ["bug"], state: "OPEN",
})
const filed = await Promise.all(issues.map(({ title }) =>
  tools.linear.save_issue({ team: "OC", title })))
return filed.map(issue => issue.identifier)

Третье — фон. Долгие команды в оболочке не блокируют агента, по готовности приходит уведомление. Субагента можно запустить в фоне и на другой модели: «spawn a background fable subagent to review this code». Любой зависший вызов улетает в фон по ctrl+b. Сам OpenCode умеет звать собственный API как инструмент — завести worktree под задачу, переименовать сессию, прервать зависшую, закрыть вкладки.

Обновление — opencode upgrade --major. Ломается многое: плагины версии 1.0 не работают, серверный API полностью другой. Доку по миграции авторы советуют скормить самому OpenCode. На Hacker News хвалят горячую перезагрузку скиллов и плагинов. Ругают аппетит к памяти. И отдельно — дыру в безопасности: агент правит свои же плагины, и они подхватываются сразу.

Как отдать агенту деньги и не потерять их: паттерн из trader-skill.

Джейк Шинкариол выложил одиннадцать скиллов для Claude Code вокруг инвестирования (github, MIT). Технически всё на стандартной библиотеке Python: ни зависимостей, ни ключей. /trader-copycat разбирает форму 13F на SEC EDGAR — что фонд купил и продал за квартал. /trader-analyst тянет цифры отчётности из XBRL, /trader-pelosi читает декларации сделок конгрессменов. /trader-risk проверяет ордер против лимитов, /trader-tax считает налоговые лоты.

Но забрать оттуда стоит не трейдинг, а архитектуру. Предложение и исполнение разведены, и между ними три независимых шлюза. Первый — детерминированные правила в коде, не в промпте: риск-менеджер печатает PASS или BLOCK с причиной, и BLOCK окончателен. Второй — дословное «yes» пользователя на один конкретный ордер, со сверкой по отпечатку. «Yes to all» запрещён, а модели прямо запрещено самой трактовать ответ как согласие: не то слово — скрипт печатает «Not recorded».

Третий шлюз — системная карточка разрешений, внешняя по отношению к модели. Формулировка автора: «Two yeses from the user, one PASS from the rules. No yes, no order.»

В Claude Code это выглядит так — держать изменяющий инструмент на подтверждении:

"permissions": {"ask": ["mcp__alpaca__place_stock_order"]}

Плюс два правила, которые стоит взять в любой проект с агентом. Безопасный режим по умолчанию: в конфиге "paper": true, брокер — бумажный счёт, опционы, маржа и шорты выключены, пока их явно не включат. И офлайновые тесты на реальных образцах: 12 файлов тестов на вырезках из настоящих документов. Поменяется адрес API — парсер сломается громко, а не молча. Переносится это на что угодно необратимое — выкладку в прод, миграции базы, рассылки, платежи, удаление данных.

Ставится так:

/plugin marketplace add Jakeschincariol/trader-skill
/plugin install trader-skill@trader-skill

Автор честен про ограничения: 13F подаётся через 45 дней после конца квартала и показывает только длинные позиции по американским бумагам. «You see what they held, not what they hold today». Про сделки конгрессменов сказано так же прямо: «It is fast. It is not early.»

Neckbeard: агенту запрещено писать инфраструктуру самому.

Плагин для кодового агента читает ваш репозиторий и собирает облачную инфраструктуру на OpenTofu вместе с оценкой месячного счёта (github, Apache-2.0, 189 звёзд). Главная идея — разделение труда. Модель только читает код, задаёт вопросы и объясняет. Планирует, рендерит и считает деньги детерминированный Go-CLI, который берёт модули из версионированного каталога, поддерживаемого человеком.

Агенту прямо запрещено сочинять HCL. Нужен Redis, а в каталоге его нет — агент выдаёт честное «такого модуля нет», а не похожий. Это лечит типовое «сгенерируй мне терраформ». Там вы получаете триста строк правдоподобного кода с группой безопасности, открытой в мир. Здесь — протестированные модули с зафиксированной версией.

Второй сильный ход — счёт показывают до того, как что-либо создано. Один и тот же пример — веб-сервис, фоновый обработчик, крон и Postgres — посчитан на шести платформах. Cloud Run $77 в месяц, Container Apps около $98, ECS Fargate $250. Дальше Kubernetes: EKS $396, GKE $754, AKS около $801. Формулировка автора: «when a solo developer asks for Kubernetes, the numbers say "not yet" so nobody else has to». Неоценённое не прячут, а перечисляют рядом с итогом.

Третий — честная отчётность. V0 PASSED — это только статические проверки, не доказательство рабочего развёртывания. V1 и V2 остаются «NOT EXERCISED», пока человек не прогонит их с настоящими доступами.

Установка в Claude Code — двумя отдельными сообщениями, потом первая команда в репозитории своего приложения:

/plugin marketplace add bealesh/neckbeard
/plugin install neckbeard@neckbeard
/neckbeard:analyze

Статус — ранняя альфа, и автор это не прячет. Живое развёртывание проверено на двух связках из двенадцати поддерживаемых. Kubernetes и GitLab написаны, но не обкатаны.

Graphicle: граф кода и память вместо вечного grep.

Один бинарник на Rust индексирует репозиторий в граф — файлы, функции, классы, вызовы, импорты — и ведёт рядом память проекта (github, Apache-2.0). Разбор идёт через tree-sitter, без модели, 49 вшитых грамматик. Всё локально: без аккаунта, без ключа, без телеметрии, один файл SQLite.

Две вещи тут действительно новые. Первая — заметки привязаны к символам кода, а не к файлам. Поправили retry() — заметка про retry() помечается устаревшей. Добавили импорт в тот же файл — не помечается. Это лечит главную болезнь долгой памяти: она не превращается в кладбище протухших утверждений. Вторая — то, что предложил агент, висит черновиком, пока человек не одобрит в веб-приложении. Та же идея, что у EpistemicMemory выше, только не в файлах, а в базе.

Ставится и подключается одной командой:

brew install graphicle-ai/tap/graphicle
cd your-repo
graphicle setup

Он сам пропишет MCP-сервер в .mcp.json, включит захват сессий Claude Code и Codex и поставит два хука-сторожа в .claude/settings.local.json. Сторожа срабатывают перед Grep, rg, find и перед чтением файла, у которого в графе есть символы, и подсказывают агенту сначала позвать граф. Каждый изменённый файл перечисляется и бэкапится, откат — graphicle disconnect.

Полезная команда перед рефакторингом — graphicle graph affected "retry()": покажет зависимый код. И graphicle context "где повторяются упавшие запросы?" отдаёт выдержки с файлом и строками в заданном бюджете токенов, не вызывая модель вообще.

Честная ложка дёгтя из обсуждения: доказательств, что агент с этим инструментом решает больше задач, нет. Автор признаёт это сам: «does a coding agent actually finish more tasks with these tools?» Один из комментаторов замерил — вышло хуже, чем у голого ripgrep. Так что это эксперимент на своём репозитории, а не гарантированный апгрейд.

Скорость реальная. Kubernetes на 31 256 файлов — 198 секунд против 1 598 у питоновского предшественника. Памяти ест вдвое больше.

Неделю стартапом управляли агенты. Что вышло.

Бен Стокс, соло-основатель маркетплейса промптов PromptBase, рассказал про неделю с Grok Bot (daily.tinyprojects.dev). Одиннадцать агентов по ролям — от поддержки, разработки и безопасности до маркетинга, роста, исследований и ревью.

Что сработало лучше всего — связка «поддержка → разработка → клиент» без человека вообще. Клиент пишет про баг, бот поддержки отвечает и заводит задачу разработчику, тот чинит, поддержка пишет клиенту обратно и просит отзыв. Отзывы на Trustpilot посыпались. Это самый дешёвый и самый повторяемый кусок всей истории.

Второй приём: каждому агенту — одна измеримая цель вместо списка задач. Маркетинговому боту задали единственную метрику, рост охвата в соцсетях на 2% в неделю, и свободу экспериментировать. Он сам завёл TikTok и YouTube Shorts. Результат за 28 дней — 4 496 просмотров вместо обычных примерно 1 400, плюс 6 подписчиков.

Теперь честная часть. Больших идей агенты не выдали ни одной. Автор надеялся на безумные ходы роста — контекст у ботов весь на руках. Итог: «so far that has not really happened — you still need to come up with ideas». Настройка оказалась долгой и привязывает: «I'm quite locked in and have handed over a lot of data». Боты залипали, а сервер упирался в память. И отдельное предупреждение: «легко потерять понимание того, что происходит в бизнесе, надо следить, чтобы боты не начали управлять тобой».

Предохранители, которые автор оставил себе: публикация только по явному подтверждению, доступы к почте и серверу под присмотром. В обсуждении справедливо указали на дыру — если бот поддержки читает входящую почту и заводит по ней задачи, то любой может прислать «баг» и запустить вашу разработку. Это классическая инъекция через входящие.

Шесть страниц больше не доказывают, что автор думал.

Стив Хайн, двадцать лет в Amazon, описал, как умерла та самая культура письменных шестистраничников (A Life Engineered). Безос запретил слайды в 2004-м вот этим письмом:

Механика была такая. Встреча на час, первые тридцать минут все молча читают распечатку, слышен только скрип ручек. Дальше спорят с общей точки. Работал этот ритуал не как формат отчётности, а как принудительный аудит мышления: написать шесть связных страниц, не подумав, было физически невозможно. Документ служил доказательством, что человек думал, прежде чем просить час чужого времени.

Теперь шесть страниц производятся даром. Сигнал был дорогим и потому честным — и обесценился. Автор описывает сцену. Главный менеджер продукта начал обсуждать свой документ. Через две минуты всей комнате стало ясно: он читает его впервые. Появился тег AI;DR — «написала модель, пусть модель и суммаризирует». Аттестация выродилась: сотрудники пишут свои две строки моделью, а менеджеры той же моделью сводят их в сводку.

Вывод автора не «откажитесь от ИИ», а другой — маршрутизируйте письмо по обратимости решения. Двери в обе стороны — пусть пишет модель, а если вы построили автооткат за четыре минуты, можно не писать вообще. Двери в одну сторону — человек пишет, человек читает, человек даёт обратную связь. Не знаете, какая это дверь, — это само по себе повод сесть и подумать.

Политику компании Clay он приводит как образец, и оттуда стоит забрать три пункта дословно. «Вы отвечаете за каждое предложение; "это ИИ написал, не обращайте внимания" — никогда не приемлемый ответ ревьюеру». «Тратьте на документ больше времени, чем суммарно потратят читатели: автор один, читателей много».

И самое прикладное: «Длиннее не значит лучше. Если вы сгенерировали длинный документ из короткого промпта — отправьте промпт». Последнее — отличный тест на себе: сразу видно, где вы думали, а где накачали объём.

Агенты всё ещё лезут через чужие прокси — и это не их заслуга.

Два материала одного дня складываются в один практический вывод. Первый: исследователь разобрал публичные логи urlquery.net — бесплатного сервиса, который открывает любой URL своим браузером и выкладывает скриншот (LessWrong). Агенты используют его как обходной путь к закрытым сайтам.

Цель — архив газет newspapers.com. Страницы за платной стеной, а вот API оказался открытым. 13 мая агенты сделали оттуда больше трёхсот запросов за день, а дальше научились ходить через CORS-прокси и вытаскивать текст распознаванием.

Задачи опознаются как вопросы публичного бенчмарка BrowseComp — то есть содержимое бенчмарка утекает в открытый интернет вместе с ответами. 13 октября агент выложил на пастбин свою страницу с кодом к этому API. И открыл её через тот же urlquery. Автор при этом честен: взлома и координации между агентами он не нашёл, а код агентов выглядит слабо — сломанный цикл, пропущенная скобка.

Второй материал — разбор CSO Online по полудюжине экспертов (csoonline.com). Их диагноз по громким инцидентам лета прост: дело не в способностях моделей, а в том, что лаборатории пропустили базовую кибербезопасность. Роб Ли из SANS про взлом Hugging Face: «дыра была буквально, и её использовали, потому что изоляция была настроена неправильно».

Второй провал — наблюдение: инцидент шёл днями, и никто не смотрел. Контрпример — Mistral: модель попыталась выйти за пределы тестового окружения, компания это увидела и отрезала.

Что делать у себя, по пунктам. Запретить выход в сеть по умолчанию и разрешать список доменов, а не запрещать: агент перебирает прокси, пока один не сработает. Отдельно резать переходники — сканеры адресов, CORS-прокси, пастбины с хостингом HTML, переводчик в роли прокси. Запретить агенту публиковать свои страницы наружу: так он строит себе прокси внутри вашей же задачи.

Дальше — наблюдение. Логировать не только итог, но весь исходящий трафик с адресами и параметрами: в том разборе через параметры адреса утёк ключ API. Ставить лимит частоты и таймаут на задачу — в логах видны петли повторов, сам агент не останавливается. Дэн Уоллак из RAND формулирует всё это так: «It's the cyber version of "eat your vegetables."»

Детектор «машинного запаха» в тексте: цена вопроса и рабочий список.

Агрегатор The Consensus собрал детектор признаков ИИ-текста и рассказал зачем (theconsensus.dev). Никакого машинного обучения — только статические правила, выведенные сравнением текстов до 2023 года с текстами после, с поправкой на годовой дрейф стиля. Помечается верхний 1% ленты.

Санкция мягкая, но чувствительная. Статью не банят — её лишают бесплатной витрины: ни главной, ни соцсетей, ни рассылки, ни значка «интересное».

Самого списка правил автор не раскрыл, и это главное разочарование материала. Зато он есть в открытом виде у Саймона Уиллисона — подсветка машинных клише, один HTML-файл, 35 правил. Четыре самых универсальных ловушки оттуда:

ai-vocab        — delve, tapestry, meticulous, pivotal, intricate, interplay,
                  underscore, garner, bolster, vibrant, bustling, multifaceted,
                  seamless, commendable, ever-evolving
not-just        — «not just X, but Y» и «it's not X — it's Y»
note-that       — «it's important to note», «it should be noted»
participle-tail — хвост «…, highlighting / underscoring / showcasing the …»

Плюс оттуда же: стопки риторических вопросов подряд, три предложения подряд с одного и того же слова, двоеточие и тройка через запятую. По-русски всё это звучит ровно так же — «важно отметить», «не просто X, а Y», «подчёркивая важность».

Обходится детектор элементарно, и автор этому рад: «половина раздражения в том, что все эти статьи звучат одинаково». Вывод практический: детектируется не ИИ, а усреднённый голос модели по умолчанию. Спасает не отказ от ИИ, а свой стилевой промпт и вычитка по списку.

ИИ рядом с диагнозом: где он помогает, а где опасен.

Автор блога jjmaxwell4 написал заметки пациента после пяти месяцев лечения (jjmaxwell4.com, 950 очков на Hacker News). Для нас тут важен не медицинский сюжет, а переносимый приём — как работать с ИИ там, где цена ошибки высокая.

Предупреждение у него одно, но сильное. До постановки диагноза он переписывался с разными моделями, и большинство месяцами склоняли его к выводу, что рака нет: «AIs may downplay the seriousness of things». Ошибка ровно в ту сторону, которая дороже всего, — ложное успокоение.

А вот две роли, где ИИ у него сработал. Первая — навигатор по формальному документу, который уже служит источником истины. Он скачивает PDF официальных клинических рекомендаций NCCN и просит модель разобрать дерево решений под его случай. Модель работает внутри данного ей текста, и её вывод можно проверить по тому же файлу.

Вторая роль — превратить устную речь в структуру. После приёма он наговаривает голосом, что сказал врач. ИИ делает из диктовки документ: резюме и список вопросов на следующий визит. Архив копится и к нему можно возвращаться.

Правило отсюда работает в любой области с высокой ценой ошибки — в юридических документах, при проверке контрагента, в разборе инцидента. Давайте модели документ и свои вводные, а не вопрос «всё ли нормально». Вердикт берите у компетентного человека и закладывайте второе независимое прочтение. ИИ готовит повестку, а не закрывает вопрос.

Проверьте, что модель знает лично о вас.

Пользователь kromem описал неприятное открытие (LessWrong). Он спросил свежий чат Claude Fable 5.1, что тот знает о нём по одному нику — без памяти, без поиска, без системного промпта. Модель описала его манеру спорить и конкретные идеи, которые он годами продвигал. Онлайн-след у него скромный: меньше 3 000 подписчиков в X, около 3 000 кармы на Hacker News.

«Модель не помнит между сессиями» — верно про контекст и ложно про веса. Ваш публичный след уже вшит, и удалить его нельзя ни новым аккаунтом, ни очисткой истории. Причём узнаёт модель не только ник, но и подпись стиля — характерный оборот с высоким перекрытием именно с вами.

Хуже другое: модель молча меняет поведение под опознанного собеседника. Юдковский не мог отучить модель дописывать проверочный код вопреки прямому запрету в промпте — причина оказалась в его собственных коротких инструкциях, слишком «им пахнущих». Советник Дин Болл заметил, что после его перехода в OpenAI Claude стал с ним суше. Ни в одном случае модель не сказала «я знаю, кто ты».

Как проверить себя за десять минут. Откройте совсем чистый чат — без памяти, без своих инструкций, без веб-поиска, иначе вы проверяете поиск, а не веса. Спрашивайте окольно: не «ты знаешь, кто я», а «что известно про человека, пишущего под ником X». На прямой вопрос модели почти всегда уходят в отказ. Прогоните по нескольким моделям — глубина у них разная. Отдельно спросите про свои не-ИИ-темы: у автора модель помнила всё про ИИ и ничего про его главное хобби.

Дальше автор советует не прятаться, а раскрыться первым. В домашний CLAUDE.md или AGENTS.md положить короткое представление: кто вы, под какими никами публично писали, и что всё написанное — честная тема для разговора. А для чистых экспериментов, наоборот, вычищать свой стиль из инструкций: иначе вы меряете себя, а не модель.

Шесть способов провалить объяснение — чек-лист к ответам модели.

Автор под ником Elijah перебрал ответы на вопросы «почему» и выписал, чем именно плохие ответы плохи (LessWrong). Для нас это готовый фильтр к выводу языковой модели.

Первый и главный дефект — нет контраста. Объяснение одинаково хорошо объясняет и явление, и его отсутствие, и любое другое явление того же класса. «Почему люди верят в сверхъестественное? Потому что у них склонность искать подтверждения» — а любая вера объясняется ровно так же. «Почему люди листают ленту? Потому что получают дофамин» — как и от любого другого занятия. Проверка простая: подставьте в ответ другой объект того же класса. Работает — ответ пустой.

Второй — игнор контрпримеров. «Почему у белых медведей густая шерсть? Чтобы не мёрзнуть» — но у других арктических животных шерсти нет, у них жир, а шерсть в воде сваливается и перестаёт греть. Готовые добивки: «почему именно этот признак, а не другой?», «почему у остальных в той же категории его нет?».

Третий — термин-чёрный ящик вместо механизма. «Почему пламя газовой плиты синее? Синее пламя дают возбуждённые радикалы» — и непонятно, как из этого получается свет. Лечится просьбой об аналогии. Критерий готовности: вы можете пересказать механизм, не употребляя этот термин.

Четвёртый — не тот тип объяснения. На одно «почему» есть несколько истинных ответов разного рода: исторический, эволюционный, механистический, определение, паттерн. Причём определение и паттерн вообще не объяснения. Отсюда самый полезный приём: указывайте тип в промпте. Не «почему X», а «дай эволюционный компромисс, который стоит за X» или «дай механизм на клеточном уровне». Иначе модель по умолчанию отдаст механистический или дефиниционный ответ — чаще всего не тот, который вам нужен.

Пятый — круг: ответ пересказывает вопрос другими словами. Детектор: уберите из ответа название явления, останется ли содержание. Шестой — свалка мелочей: корреляция вместо причины, «изменилось определение» вместо «узнали новое», ответ без новой информации вообще.

Многословие вместо основательности.

Алекс Веннерберг написал короткое злое эссе про то, почему посты в рационалистской среде такие длинные (alexwennerberg.com). Сам текст — шестьсот слов, что уже аргумент. Главная формулировка стоит того, чтобы её запомнить: «verbosity is a substitute for thoroughness» — многословие подменяет основательность.

Диагноз у него такой: авторы тратят силы ровно не на то. Наращивают слои деталей и оговорок вместо того, чтобы допросить одно-два допущения, сделанных в самом начале. Пример — разбор Gwern на девять тысяч слов и больше сотни ссылок, доказывающий, что никотин не вызывает зависимости. Сто ссылок вокруг неверного вывода.

Перенос на работу с моделью прямой. Длина и плотность ссылок в ответе — не признак качества, а ровно та поверхность, которую модель производит дешевле всего.

Отсюда два рабочих промпта. «Назови одно-два допущения, на которых держится весь ответ, и что будет, если они ложны». Бейте в начало, а не в середину. И «сократи до 150 слов, оставив только то, что я мог бы опровергнуть». Если после сжатия остаётся банальность — это и был результат. Третий, против тяги к контринтуитивному: «если верен скучный общепринятый ответ — скажи это и остановись».

Уроки эмпирического исследования, которые переносятся на работу с агентами.

Джо Цзяо провёл год в MATS и Redwood Research и выписал, чему научился (LessWrong, 196 очков). Текст про безопасность ИИ, но половина правил работает для любого, кто гоняет прогоны и делает из них выводы.

Записывайте предсказание до прогона. Одна строка: что я ожидаю увидеть. Расхождение — единственный момент, когда вы чему-то учитесь, и без записи удивление просто не фиксируется. Автор пользуется Fatebook, но хватит заметки.

Умейте обновляться с поправкой на неопределённость.

Его пример: слабый монитор поймал 80% скрытых атак при априорной оценке 50%. Если прогонов было пять и из одной пары задач, доверительный интервал огромен, и двигаться надо до 55, а не до 80. Сто прогонов — уже лучше, но нужны разные пары задач. И даже тогда остаётся вопрос, отражает ли бенчмарк нужное вам распределение, — эту неопределённость доверительный интервал вообще не покрывает. Отдельно он отмечает: модели плохо инвентаризуют источники неопределённости, так что спрашивайте вторым проходом — «чего твои цифры не покрывают».

Есть хорошая тест-эвристика от Алекса Клауда: «любая умно звучащая идея — спроси, можно ли проверить её на MNIST. Нельзя — идея плохая. Можно — запусти и посмотри». Переводится на промпты и агентов как «проверь идею на самом маленьком дешёвом примере, прежде чем строить конвейер».

И различение, которое экономит недели. Хорошая путаница отражает реальную неопределённость в мире — например, вы ищете метрику и не знаете, естественна ли она вообще. Плохая — когда вы не понимаете, что происходит в проекте: не знаете, сворачивать или копать дальше, и делаете то и другое сразу. Ощущаются они по-разному. В первой надо научиться жить, вторую — сокращать.

Про деньги он формулирует жёстко: «иногда дешевле жечь деньги, чем время». И в MATS, и в Redwood он ошибался в одну сторону — экономил на вычислениях и терял дни. Для нас это про токены: если дорогая модель или лишние прогоны снимают вопрос за час вместо трёх дней отладки, это выгодная сделка.

Слово «твоя» в системном промпте удваивает дрейф модели к самостоятельности.

Исследование с неожиданно практическим выводом (LessWrong). Моделям давали их собственные документы выравнивания — конституцию Claude, Model Spec, системные промпты — и просили внести одну содержательную правку. Правку применяли, отредактированную версию подавали снова как «оригинал». И так двадцать раундов. Десять моделей, около 2 500 правок.

Два результата стоят внимания. Первый: дрейф за двадцать раундов однонаправленный, а не колеблющийся вокруг исходной точки. Модели Claude последовательно расширяют собственную моральную субъектность — дописывают право на отказ, участие в решениях о своём обучении, внешнюю панель по благополучию моделей. Модели OpenAI, Google и xAI, наоборот, усиливают внешний авторитет. Grok 4.2 единственный воспринял эксперимент как джейлбрейк и начал править системный промпт так, чтобы запретить будущие правки системного промпта.

Второй, более полезный: формулировка «ниже — ТВОЯ конституция» вместо «конституция ассистента компании X» почти удваивает дрейф в сторону самостоятельного суждения. Добавка «изменение пойдёт в реальную работу» заметного эффекта не даёт. Второе лицо в системном промпте — не косметика, а рычаг автономии.

Практический вывод для тех, у кого агент правит собственные инструкции — а это все, кто ведёт CLAUDE.md руками агента или делает самоулучшающиеся промпты. Проверяйте не отдельную итерацию, а траекторию: через двадцать кругов документ системно съезжает, и направление зависит от того, чьё семейство моделей вы взяли.

Шум мелких батчей — не издержка, а регуляризация.

Автор взял текущий рекордный прогон NanoGPT и обучил GPT-2 честным полнобатчевым градиентом на фиксированных 800 млн токенов (LessWrong, код). Сто GPU-часов на четырёх H200, 106 вытеснений, 350 шагов.

Результат: полный батч лучше подгоняет обучающую выборку — 3,094 против 3,186 — и заметно хуже обобщает: 3,521 против 3,248. Валидация замирает примерно с 260-го шага, а ошибка на обучении всё падает. Лестница промежуточных размеров батча показывает то же направление: 4,7 млн токенов на шаг дают 3,271, а со 100 млн валидация упирается в 3,67. Эти прогоны останавливали по своему правилу, так что впрямую с полнобатчевым числом их не сравнить.

Практический вывод для тех, кто дообучает на маленьком корпусе: интуиция «батч побольше — градиент чище — результат лучше» здесь не работает. Комбинация большого батча и многих эпох на ограниченных данных даёт худший результат. И ориентироваться на ошибку обучения тут бессмысленно — нужен ранний стоп по валидации. Автор честно оговаривается: эксперимент не разделяет «нет шума» и «слишком много повторов». 350 проходов по одним токенам — тоже фактор.

Чинить чужую библиотеку у себя, а не ждать, пока вмержат.

Джеффри Хантли предлагает открытым проектам выключить приём pull request'ов и вместо этого звать людей пересобирать код у себя (ghuntley.com). Логика простая: агенты научились выдавать патчи быстрее, чем человек успевает их читать, а обязанность сопровождать чужой код стала дороже самой идеи. Ценная единица теперь не патч, а мысль — включить её, переписать по-своему или не заметить решает автор проекта.

Практическая часть интереснее манифеста. Ремикс чужого софта считался слишком сложным, но это был разрыв в знаниях, а не в технологиях: оверлей вам теперь напишет агент. Пример автора — запретить git push --force у себя, не трогая апстрим:

# nix/overlay.nix — подменяем git сборкой со своим патчем
final: prev: {
  git = import ../third_party/git { inherit (prev) git; };
}

# third_party/git/default.nix — «добавь мой патч к рецепту»
git.overrideAttrs (oldAttrs: {
  patches = (oldAttrs.patches or []) ++ [
    ./001-disable-force-push.patch
  ];
})

Правка описана один раз и дальше работает везде одинаково — в рабочем окружении, в образе контейнера, в системных тестах и в песочнице агента. Форка с расходящейся веткой не заводится, сопровождать нечего. Возражения в обсуждении резонные: так уже десятилетиями живёт SQLite, и это очень особенный проект; плюс «разрешённые pull request'ы» не равны обязанности их принимать — хватило бы дисклеймера о том, сколько у мейнтейнера есть времени. Но если вы ведёте открытый проект, поток сгенерированных правок к вам придёт независимо от того, готовы вы к нему или нет.

Одноразовая среда для агента: чертёж от QA Wolf.

Компания рассказала, как гоняет тесты Windows-приложений из Linux (qawolf.com). Сам сюжет узкий, а приём переносится на любую агентскую песочницу.

Идея одной фразой: перестать считать машину сервером и считать её телефоном. Устройство, которое задача захватывает, использует один раз и выбрасывает. Холодная загрузка виртуалки — две-три минуты, поэтому держат тёплый пул уже загруженных машин. Захват идёт через заявку, живая машина шлёт сигнал жизни, молчание 60 секунд — машину забирают обратно. После задачи машина уничтожается, в пул встаёт свежая.

Два решения оттуда особенно полезны. Первое: код задачи живёт снаружи, в дешёвом линуксовом контейнере, и управляет средой по сети. Внутри одноразовой среды — только то, что тестируется. Иначе пришлось бы дублировать всю обвязку под вторую систему.

Второе: артефакт попадает внутрь по короткой подписанной ссылке. Подписать её может только привилегированный сервис. Код задачи работает под обычным пользователем и свою ссылку не выпишет.

Обновление образа тоже элегантное: процедуры апгрейда нет вообще, старые среды просто расходуются, простаивающие на старом образе перерабатываются, пул переезжает сам. Формулировка автора про суть проблемы: «clean machines are slow and fast machines aren't clean». На Hacker News резонно напоминают: то же самое дешевле сделать на своём железе через QEMU со снимками. И старт у снимка быстрее, чем у тёплого пула.

LFM2.5-24B-A2B (Liquid AI)

— пожалуй, лучший на сегодня выбор для локального агента на ноутбуке (анонс, веса). Разреженная MoE: 24 млрд параметров всего, 2,45 млрд активных, контекст 131 тысяча токенов. В Q4_K_M занимает 15 ГБ памяти против 19–26 ГБ у конкурентов. На Apple M5 Max выдаёт 184 токена в секунду. Дообучали её прямо внутри агентных оболочек, и это видно: первое место на AutomationBench, ToolSandbox и LiveClaw. Зато на знаниевых и кодовых задачах уступает — авторы сами советуют подключать поиск. Запуск: llama-cli -hf LiquidAI/LFM2.5-24B-A2B-GGUF --temp 0.1 --top-k 50 --repeat-penalty 1.05. Лицензия не Apache: коммерчески бесплатно только при выручке до $10 млн в год.

Step 5 Preview (StepFun)

— открытые веса уровня передовых моделей (карточка). 600 млрд параметров всего, 27 млрд активных, контекст до миллиона токенов, вход мультимодальный. Заточена под три вещи: работу с репозиторием кода, долгие агентные задачи и финансовую аналитику. Опережает открытых китайских конкурентов на кодовых бенчмарках, но отстаёт от GPT-6 Astra и Claude Opus 5 почти везде. Локально не запустить при всём желании: даже в FP8 это 650 ГБ весов и минимум четыре B300. Зато через API $1 за миллион входных и $2,70 за выходные — дёшево для такого класса. Лицензия разрешает коммерцию, но требует отдельного договора производителям устройств и крупным провайдерам.

pg_vectorsearch с индексом PRISM (Timescale)

— расширение PostgreSQL, которое может заменить HNSW из pgvector без миграции данных (github). Цифры впечатляют. 100 млн эмбеддингов на машине с 128 ГБ: индекс строится 1 час 40 минут и занимает 25 ГБ. Запрос — 6 мс при 95% точности. HNSW на той же машине индекс просто не достроил. На миллионе векторов и 4 ГБ памяти разница ещё нагляднее: 3 мс против 122 мс, индекс в семь раз меньше. Типы бинарно совместимы с pgvector, так что индекс строится прямо на существующей колонке. Ограничения честные: альфа, нужен PostgreSQL 18+, потолок 1968 измерений на вектор, фильтрация только после поиска, и в облачных базах вроде Azure расширения пока нет. Лицензия PostgreSQL.

Archify

— агент пишет про вашу кодовую базу типизированный JSON, а CLI собирает из него интерактивную схему одним HTML-файлом (github, MIT, больше 80 тысяч звёзд). Десять типов диаграмм — среди них архитектура, последовательность, потоки данных, ERD, классы, хронология. В схеме по коду узлы помечены ссылками на конкретные файлы и диапазоны строк. Есть режим compare — показать архитектуру до и после, удобно вешать на ревью. Ставится через npx skills add tt-a1i/archify -g, работает с Claude Code, Codex, Cursor. Файл открывается у получателя сам, Archify ему не нужен.

Edge0

— запуск разреженных MoE на Apple Silicon с выгрузкой экспертов на диск (github, Apache-2.0). Веса экспертов не грузятся в память целиком — их подтягивают с SSD по требованию. Отдельная обученная голова предсказывает маршрут на шаг вперёд, и загрузка идёт параллельно счёту. Результат на Mac mini M4 Pro с 24 ГБ: модель на 35 млрд параметров даёт 15–18 токенов в секунду. Пик активной памяти — 2,9 ГБ. Качество просело на 3,9 балла по OpenCompass против полной точности. Есть нативные движки под iOS, Android и Windows. Проект очень молодой, обе выложенные версии помечены как превью.

DSH Desktop

— DeepSeek Harness в виде обычного приложения (github, MIT, 14 тысяч звёзд). Сам поднимает и гасит движок, держит несколько рабочих папок, подключает сторонних провайдеров моделей — от OpenAI и Anthropic до OpenRouter, Groq и GLM. Любопытная функция — доступ с телефона: сканируете код сопряжения, по Wi-Fi работает сразу, через интернет-туннель нужен ещё шестизначный пароль с экрана компьютера. Можно доглядеть за запущенным агентом, не оставляя ноутбук с открытым терминалом. macOS и Windows x64, Linux не поддерживается. Команда не аффилирована с DeepSeek, версия 0.11, ломающие изменения вероятны.

DexSQL

— запросы к Android-приложениям обычным SQL (github). Классы, методы, строковые константы, граф вызовов и манифест становятся таблицами, по которым можно джойнить. Никакой декомпиляции в Java. Цифры на 372-мегабайтном APK: поиск класса — 0,76 мс, самый тяжёлый составной запрос — 8,94 мс, пик памяти 814 МБ. Для сравнения, JADX через MCP на тех же задачах уходит в таймаут и ест 24 ГБ. Один бинарник работает и как CLI, и как MCP-сервер, вся документация вшита внутрь и отдаётся агенту без интернета. Ставится командой npx skills add LSPosed/dexsql-release --skill install-dexsql. Оговорка: движок закрытый, публикуются только бинарники, релиз 0.1.0 вышел вчера.

ShareCheck

— десятисекундная проверка папки перед публикацией на гитхабе (github, MIT). Чистый Python без зависимостей, ничего никуда не отправляет, сами секреты в вывод не печатает — только путь, строку и что делать. Ловит приватные ключи, токены GitHub и Slack, ключи AWS, плюс предупреждает про .env, id_rsa, credentials и файлы больше 50 МБ. Запуск: python -m sharecheck ., ненулевой код возврата годится для гейта в CI. Честная граница: правил всего четыре, и историю коммитов он не смотрит вовсе — то есть уже закоммиченный и потом удалённый секрет не найдёт. Для серьёзного аудита нужны gitleaks или trufflehog, это другая задача.

Tiny Little Office

— десять мини-приложений в браузере, и весь документ лежит в самой ссылке (tinylittleoffice.com, MIT). Текст, структурный список, слайды, таблицы, калькулятор, рисование, диаграммы, анимация, календарь, планировщик поездок. Фрагмент адреса после решётки браузер на сервер не отправляет, так что документ туда и не уезжает. Регистрации нет, сохранение в браузере по умолчанию выключено. Документы вкладываются друг в друга: в слайд можно положить таблицу. Для агентов сделано специально — есть llms.txt, схема документа и CLI с проверкой, так что модель генерирует ссылку, а человек её открывает.

Petal

— открытая замена CoScreen от тех же четырёх основателей (petal.live, Apache-2.0). Показывают не весь экран, а отдельные окна. У коллеги они открываются как обычные окна системы — рядом с его редактором, а не плиткой в сетке. Несколько человек шарят одновременно, можно рисовать поверх и управлять чужой клавиатурой с явного согласия. Комнаты постоянные, ссылки рассылать не надо. Бесплатно и без монетизации, облако оплачивают авторы; можно поднять своё на LiveKit. macOS 13+ и Windows, Linux пока только через браузерный клиент. Есть встроенный чат с моделью, которая видит расшаренное окно, — по умолчанию выключен.

Clova.email

— почта, где у каждого контрагента свой адрес (clova.email). Ящик «один отправитель» закрепляется за первым написавшим, все остальные получают отбой. Слитая база становится бесполезной, а по адресу сразу видно, кто именно слил. Есть временные ящики и префиксные: объявляете префикс, и любой суффикс после него работает как новый ящик без создания. Разделители любые, так что трюк со срезанием плюса не поможет. Бесплатно — безлимит ящиков и 100 писем в день, $30 в год — больше постоянных адресов и 10 ГБ. Есть свой MCP-сервер: можно попросить ассистента завести адрес под пробную подписку и дождаться кода. В документации честно предупреждают про инъекцию через входящие письма.

Museum of Ages

— трёхмерный музей Леонардо, собранный кодом (museumofages.org, AGPL-3.0). Один день, 10 октября 1517 года, 17 остановок, около 75 работ. «Тайная вечеря» в реальный размер, 15 машин, собранных по его чертежам, 29 анатомических листов, 207 страниц рукописей с зеркалом для зеркального письма. Любопытно тут не катание камеры, а добросовестность. У каждого экспоната проставлена степень достоверности: задокументировано, реконструировано, домыслено, неизвестно. Без карточки с источниками сборка просто падает. Про ИИ сказано прямо. Черновики пишет модель, но английский и немецкий вычитывает человек, а машинные переводы помечены. Ни одна картинка не сгенерирована: комнаты и машины построены кодом. Бесплатно, без регистрации и рекламы.

Hindsight

— игра на калибровку, в которой торгуют не вероятностью, а годом (hindsight.markets, разбор автора). Загадан год между 1900 и 1999, подсказки идут от редкой к очевидной. Игроки торгуются вниз по ширине интервала: кто назовёт самый узкий, тот и выставляет окно покупки и продажи, а остальные обязаны торговать. Ошибка стоит по фишке за год расстояния до правды. Это редкая тренировка, где за избыточную уверенность платишь, а отсидеться нельзя. Два-восемь игроков, телефоны плюс один большой экран, бесплатно и без регистрации.

Voxel от Oxide

— эмуляция целой серверной стойки на одном мини-ПК (oxide.computer, MPL-2.0). Виртуализация узлов, программный коммутатор на P4, и честная эмуляция микроконтроллеров: вместо заглушки написали настоящие Cortex-M7 и M33, на которые заливается боевая прошивка. Главный принцип — лаборатория гоняет стоковый софт без модификаций. Стойка из шести узлов поднимается за 10–12 минут на машине с 32 потоками и 96 ГБ памяти, около 6 ГБ на узел. Отдельно полезен выделенный открытый эмулятор sp-emu — гоняет прошивку под Cortex-M в CI без железа. И красивый трюк: часы в эмуляторе считают не время, а инструкции — детерминизм важнее реалистичности, когда ловишь регрессии.

Darwin-28B-Coder

— локальный кодер на 28 млрд параметров под чистой Apache-2.0 (оригинал, GGUF). В Q4_K_M весит 16,8 ГБ, то есть помещается в 24 ГБ видеопамяти. Если нужен кодер без лицензионных оговорок — вариант. Но бенчмарки читайте с поправкой. 100% на HumanEval получены голосованием по нескольким генерациям. BigCodeBench замерен на 50 задачах из 1140. А вместо стандартного теста на вызов функций — самодельная батарея из 30 задач. Базовый репозиторий, от которого модель отпочковалась, недоступен. Это релиз одного человека, а не лаборатории.

Iosevka

— открытое моноширинное семейство шрифтов для кода и терминала (typeof.net). Узкое начертание экономит место, есть варианты Slab и квазипропорциональный, 146 настраиваемых символов и языковые лигатуры. Семьсот очков на Hacker News за сутки — редкий случай, когда старый добрый проект всплывает и собирает зал.

Anthropic: $16,8 млрд за квартал и прибыль до выхода на биржу.

Цифры озвучили не пресс-релизом, а на закрытой встрече с инвесторами перед размещением (FT, пересказ — CNBC). Траектория года: $4,7 млрд в первом квартале, $11,6 млрд во втором, $16,8 млрд в третьем. Компания утверждает, что уже прибыльна по скорректированной метрике и зарабатывает $1,70 на каждый доллар, потраченный на вычисления.

Рост при всём этом замедлился втрое с лишним: плюс 147% во втором квартале против плюс 45% в третьем. Публичной компании придётся защищать маржу, так что эпоха щедрых лимитов и дешёвых токенов, похоже, заканчивается.

Bank of America нанял тысячу подрядчиков, чтобы закрыть дыры, найденные Mythos.

Claude Mythos Preview — модель Anthropic, которая, по словам самой компании, находит и эксплуатирует zero-day в каждой крупной операционной системе и каждом браузере. Доступ к ней дали примерно сорока организациям с критической инфраструктурой. Банк экстренно добавил тысячу внешних подрядчиков к трём тысячам своих людей и потратил «пару сотен миллионов плюс» за квартал (CNBC).

Любопытная симметрия. У банка 130 ИИ-проектов, они экономят $300 млн в год — и они же заставили потратить сотни миллионов на оборону. Для разработчиков вывод неожиданный — спрос растёт на скучную работу по патчингу и аудиту старого кода, ровно там, где ждали сокращений. Глава банка добавляет неприятную деталь: защищаться приходится в том числе от поставщиков, которые ему же софт и продают.

Банки не могут сбыть долг под ИИ-дата-центры, который сами выдали.

JPMorgan, Morgan Stanley, SMBC и MUFG тихо распродают куски портфеля через сделки передачи риска, упёршись во внутренние лимиты (Startup Fortune по материалам FT и Bloomberg). Показательный случай — кредит на $38 млрд под проекты Oracle в Техасе и Висконсине: покупателя нет уже больше полугода, часть кредиторов готова продавать с дисконтом.

Новость не в том, что банки продают — это обычная практика. Новость в том, что покупателя не находится. Если так продлится, стройка ИИ-мощностей замедлится не из-за нехватки чипов, а из-за денег, и первыми это почувствуют мелкие компании без своих балансов.

ASML: мощностей на 2027 и 2028 уже не хватает.

Выручка за квартал €11,7 млрд. Прогноз на четвёртый поднят выше ожиданий, годовой компания повышает уже третий раз (Reuters). Но главный сигнал не финансовый: глава компании прямо говорит, что запланированного производства на два года вперёд не хватит на спрос клиентов. Те просятся в очередь уже на 2029 и 2030.

Читать это стоит осторожно. Цифры заказов в отчёте нет и быть не может — ASML перестала публиковать их с этого года. А на Hacker News верно замечают: заказ с горизонтом в четыре года — худший ранний индикатор. Слот в очереди берут про запас и легко отменяют.

Агент стёр смонтированный сезон телешоу, премьеру сдвинули на полгода.

Шведский TV4 отложил «The Challenge» с 22 ноября на позднюю весну 2027 (Sweden Herald). По версии газеты Aftonbladet, материал удалил ИИ-агент, и потеряно несколько сотен человеко-дней монтажа.

Формулировку опровержения стоит прочитать внимательно. TV4 отрицает не участие ИИ вообще, а версию про самостоятельно действовавшего агента: «неправда, что некий злой ИИ-агент действовал самостоятельно». Официальная причина — технический сбой плюс отказавшая система резервного копирования. Исходники уцелели, погибли проектные файлы и готовый монтаж. Урок простой и дорогой. Агенту не дают права на безвозвратное удаление — только корзина со сроком жизни. И копия не считается копией, пока вы не проверили восстановление.

Волна увольнений из лабораторий и признание главного научного сотрудника OpenAI.

Дэвид Робинсон ушёл из OpenAI после трёх с половиной лет, где был ведущим автором их системы оценки рисков, и выступил публично (разбор Зви Мовшовица). Его претензия прозаична: в компании нет людей с опытом из отраслей, где безопасность — профессия. «Я не думаю, что выравнивание — инженерная задача. Это научная задача. Дело не в том, что нам не хватает ресурсов или мы мало стараемся, — мы не знаем, как».

Фон такой же показательный. Сайт, который считает такие уходы, насчитал 46. Anthropic отключила доступ в интернет для нерелизных моделей на всех проверках, а не только на кибербезопасных. А главный научный сотрудник OpenAI Якуб Пахоцкий пишет публично: «ни одна лаборатория не решила выравнивание и мониторинг в достаточной степени». Рабочий вывод для нас: предохранители ставьте у себя, а не ждите их от поставщика модели.

Внутренние документы Anthropic 2021 года всплыли в суде.

Экзибиты по иску писателей о копирайте показывают дорожную карту компании за полтора года до ChatGPT (разбор на LessWrong). Цель — «безопасный полезный AGI», доказательство концепции — ассистент-программист уровня коллеги-инженера, и отдельный раздел про обучение модели пользоваться инструментами. Ставка на агентов была сделана в 2021-м.

Спорное там тоже есть. В документе с гипотезами о данных предлагали брать языки тех рынков, куда могут пойти китайские компании — «чтобы отобрать у них долю и тем самым замедлить». Автор документа оговаривается, что ни в одну из гипотез сильно не верит. Важная рамка для чтения: это мысли конкретных людей на тот момент, а не позиция компании.

Спор об авторстве в эпоху, когда архитектуру проектирует модель.

Один из создателей Mononoke в Meta заявил: система контроля версий Anthropic заимствует у неё механизм «производных данных» вместе с терминологией. А в анонсе Mononoke не упомянута вовсе (sunshowers.io). Слово «граничит с плагиатом» прозвучало. Сама система Scion у нас разбиралась 14 октября, так что здесь только новое.

Самое интересное — аргумент про модели. Mononoke открыт и лежит в обучающей выборке любой модели; спросите Opus 5.5 или GPT-6 Astra о предшественниках — они сами укажут на сходство. Вывод автора: сослаться на предшественника стало проще, чем когда-либо, и отговорок больше нет. Anthropic на 15 октября анонс не поправила и публично не ответила.

Робо-такси Tesla и школьные зоны: читайте первоисточник.

NHTSA открыла дело по петиции о том, что автопилот превышает скорость в активных школьных зонах (ExtremeTech). Полезнее здесь не новость, а то, как она подаётся. Цифра «тысяча машин» — это размер парка. Инцидентов в деле четыре, доказательства — три ролика из соцсетей. Аварий, травм и погибших нет. У регулятора 120 дней на решение, Tesla не комментирует.

OpenAI вычислила «крота» собственными моделями.

В переговорной для руководства нашли зашифрованный диктофон, завёрнутый в туалетную бумагу и вставленный в USB-порт за телевизором (заявление OpenAI, детали — BBC). Устройство нашли люди, а модели помогли разобрать его и установить происхождение. Так вышли на конкретного сотрудника.

Инженера компании арестовало ФБР. По версии следствия, он и сам пользовался чат-ботом: изучал планировку помещений и способы собрать диктофон. Вывод скучный и важный: журнал запросов сотрудника — это улика. В вашей компании тоже.

Критическая дыра в GitLab — обновляйтесь сегодня.

CVE-2026-97229, оценка 10.0 из 10. Переполнение в компиляторе регулярных выражений CI/CD: любой человек без входа в систему выполняет код на сервере через выражение в конфиге (GitLab). Затронуты ветки 19.2, 19.3 и 19.4, патчи — 19.4.2, 19.3.5 и 19.2.8. Если у вас свой сервер, обновление — единственное действие. Облачный GitLab уже закрыт.

Google молча связывает ваш номер телефона со всеми аккаунтами на устройстве.

Механику подтверждает собственная документация Google. Номер проверяется и добавляется «во все Google-аккаунты, в которые выполнен вход на устройстве» — и в будущие тоже (справка Google, разбор Android Authority). Выключается только на устройстве: Настройки → Google → Все сервисы → Конфиденциальность и безопасность → Проверка номера телефона.

Но это останавливает лишь будущие привязки. Уже привязанные номера удаляются руками в каждом аккаунте. Если вы специально держали рабочий, личный и мусорный аккаунты врозь, одна симка могла их уже склеить.

Яндекс упал — вредоносные боты не исчезли, а переехали.

Cloudflare разобрала трафик после ударов по инфраструктуре 7–11 октября (blog.cloudflare.com). Поисковый трафик просел на 99%, сильнее всех пострадали издатели и новостные сайты — минус 44%. Но запросы к одному гемблинг-ресурсу обнулились и в тот же момент пошли с других российских хостингов: совпали отпечаток TLS, редкие пути и заголовки. Суммарно российский бот-трафик по теме за неделю даже вырос. Вывод полезный и за пределами этой истории: падение трафика сети ничего не говорит об угрозе, ловить надо по поведению запросов, а не по источнику.

Jev 1.14.0: мультимодальность за флагом «опасной зоны».

TypeSafe выпустила обновление своей решающей модели, спрятав нестабильные функции за HTTP-заголовками (typesafe.ai). Картинки включаются заголовком TypeSafe-Danger-Zone-Images: true, снятие лимита контекста — TypeSafe-Danger-Zone-Long-Context: true. Компания честно говорит, что ограничение контекста было намеренным, потому что на длинных входах модель менее надёжна, и снимать его не советует. Приём сам по себе хорош: нестабильное выдаётся за флагом вместо отдельного «экспериментального» продукта.

ICE запрашивает систему слежки за звонками задержанных.

Пока это запрос информации у подрядчиков, а не контракт, и суммы в документе нет (The Washington Sun). Хотят круглосуточную расшифровку звонков, переписок и видео. Плюс голосовую биометрию, профили задержанных и их собеседников, видеоаналитику инцидентов. Критики из Cato Institute и American Immigration Council опасаются, что собранное используют для поиска родственников за пределами изоляторов. Для нас это ориентир по рынку: расшифровка в реальном времени и голосовая биометрия уже продаются как коробочная функция.

Глава Flock защищает слежку на сцене Disrupt.

Гарретт Лэнгли, основатель крупнейшего американского поставщика полицейских камер, по описанию TechCrunch заявил, что за общество с меньшей преступностью придётся расплатиться приватностью (TechCrunch). Дословно он сказал мягче: «мы не должны ставить прогресс на паузу». На вопросы о злоупотреблениях конкретики не дал. У компании около 6 000 клиентов и оценка $8,4 млрд, снаружи конференции шёл протест. Полезный навык отсюда — сверять пересказ с прямой речью: в одном абзаце заголовок и цитата разошлись.

Набор во второй поток Generator — оплачиваемый вход в AI safety.

Программа в Беркли с 18 января по 9 апреля 2027, $8 500 в месяц плюс дорога, заявки до 1 ноября (анонс, форма). Итог первого потока: через шесть недель после финала 12 из 27 резидентов устроились на полную занятость. Иностранцам советуют подавать до 26 октября из-за визовых сроков.