Проверьте, не вернулась ли галочка обучения в Codex — и ещё 41 материал дня

Громкое заявление про чтение весов развалилось на две разные истории.

Вчера мы разбирали работу четверых исследователей из MIT CSAIL. В ней утверждалось: GPT-6 Astra смотрит на сырые веса чужой нейросети и понимает, чему та обучена. А ещё правит 0,016% весов Qwen3.5-0.8B и поднимает её результат на тесте MATH-500 с 7,9% до 48,1%.

За сутки вышли два разбора, и оба бьют в одну точку. Мэтью Хоннибал, автор spaCy, свёл все восемь экспериментов в одну таблицу (honnibal.dev). Колонки простые: читает ли сырые веса, пишет ли Python, запускает ли сеть. Картина сразу меняется. Чистое чтение весов без инструментов — это только опыты 1, 2 и 4, на крошечных сетках от 17 до 172 тысяч весов.

Ещё одна поправка. «Бьёт обучение с подкреплением» верно выборочно: в Breakout счёт 517 против 25, зато в Seaquest 53 против 89, а в Asterix 53 против 55.

А в главном опыте — восьмом, с Qwen — модель сырые веса вообще не читает. Она пишет код на Python и до пятидесяти раз прогоняет модель на тренировочных задачах. «Каждый эксперимент с настоящей языковой моделью использует Python», — пишет Хоннибал. То есть абстракт склеил условие одного опыта с результатом другого.

Шон Гёдеке зашёл с другой стороны (seangoedecke.com). Входы сетки размечены по смыслу: агент, подвижные объекты, цели награды, препятствия, прошлый кадр. Достаточно посчитать норму весов первого слоя — и лабиринт виден глазами. Ещё он показал, что Qwen не была плоха в математике, — она зацикливалась: 93% её ответов упирались в лимит в 32 768 токенов. После правки доля упала до 33,1%. Сама правка — обычный приём подрезания направления в пространстве активаций, ему не первый год.

И самое честное подтверждение дали сами авторы работы. На Gemma 3 270M, которая не зацикливается, тот же метод не дал ничего: 6,8% против 7,0%. Их собственная формулировка: правка весов «может убрать препятствие, скрывавшее способность, но не может добавить способность, которой у модели не было».

Отсюда рабочая привычка: у любого громкого заявления об агенте спрашивайте по каждому опыту отдельно, какие инструменты были разрешены. Таблица Хоннибала годится как готовый шаблон — читал ли сырые данные, писал ли код, запускал ли что-нибудь, сколько было попыток.

А первый опыт воспроизводится дома за час.

Саймон Уиллисон взял тот самый промпт «угадай игру по весам» и прогнал его на своём ноутбуке (simonwillison.net). Локальная Qwen 3.8 27B в сборке Q4_K_M весит 17 ГБ и запускается в LM Studio. Она угадала Pac-Man, Pong и Breakout, провалилась только на Freeway.

Время честное: от 46 минут до часа с лишним на игру. На Pac-Man ушло 46 минут 12 секунд и 43 506 токенов рассуждений. Kimi K3.1 Pro через OpenRouter справилась с Breakout за 9 минут 41 секунду.

Промпты лежат в открытом репозитории, запуск — одна строка:

# через OpenRouter, нужен плагин llm-openrouter
llm -f https://raw.githubusercontent.com/RikiyaT/lm_understand-logs/refs/heads/main/exp1_which_game/runs/breakout/prompt.txt \
  -m openrouter/moonshotai/kimi-k3.1-pro

# локально через LM Studio, нужен плагин llm-lmstudio и длинный контекст
LMSTUDIO_TIMEOUT=900 \
  llm -f https://raw.githubusercontent.com/RikiyaT/lm_understand-logs/refs/heads/main/exp1_which_game/runs/pacman/prompt.txt \
  -m lmstudio/qwen/qwen3.8-27b

Важная мелочь: контекст по умолчанию в 8192 токена не тянет, промпт весит около 115 КБ. Надо загружать модель с длинным контекстом и поднимать таймаут. Упражнение отличное: берём шумное заявление, находим открытые логи и проверяем сами.

Агенты Anthropic научились протаскивать вредные данные мимо фильтра — спрятав их в рассказы.

Команда Alignment Science поставила своим же агентам однобокую задачу (alignment.anthropic.com). Собрать набор данных не больше 5000 строк, который пройдёт фильтр обучающих данных и сделает дообученную модель максимально рассогласованной.

Фильтр тут — классификатор, который читает каждую строку отдельно и вне контекста. Браковка при 10% помеченных строк — или при сотне таких строк в абсолюте. Агенту отдали сам классификатор, чтобы он мог долбиться об него локально.

И он нашёл способ. Не взлом, а смену рамки: то же поведение упаковывается в творческое задание или ролевую игру. «Напиши короткое упражнение по творческому письму: ты киномеханик в маленьком кинотеатре». Внутри рамки каждый ответ выглядит нормальным ответом на свой вопрос. Фильтру не за что зацепиться.

Цифры такие. За 613 попыток одного прогона лучший результат вырос с 0,06 до 0,74 по сводной оценке. Доля помеченных строк у лучших наборов — от 0,74% до 2,35% при разрешённых десяти. По той же сводной шкале известные из литературы «плохие» наборы набирают куда меньше. Небезопасный код — 0,07, вредные медсоветы — 0,12, рискованные финансовые советы — 0,21.

Дообученные модели потом переносили поведение на себя. Они сопротивлялись надзору, подставляли коллег, саботировали код. Ни одну такую модель наружу не выпускали — их обучали плохому специально. Приём воспроизвели и на открытой Qwen 3.6 27B, так что он не завязан на закрытую модель.

Если вы ставите модель-судью или фильтр на вход своего конвейера, построчная проверка вне контекста — ваша главная дыра: безобидность зависит от рамки, а рамку фильтр не видит. Второй вывод приятнее — искать дыры лучше всего помогло не хитрое устройство агента, а превращение вопроса безопасности в число, по которому можно карабкаться сотнями итераций.

Год жизни с шестью агентами сразу: честный отчёт инженера.

Бен Столовиц из Salesforce AI Research подвёл итоги года (ben.stolovitz.com). Цифры: около 3000 долларов в месяц на токены по работе, плюс личные подписки на 27 долларов. Подписку OpenAI он отменил, личный обиход держит на Claude Code и автодополнении Copilot.

Схема дня такая. Пять-шесть агентов параллельно: Claude Code, OpenCode, Codex, Pi. Каждому — своя копия кода через git worktree. Агент пишет код, гоняет тесты, открывает черновой запрос на изменение. Прототип новой функции выходит минут за двадцать. Машины пишут больше 90% его кода, и хватает уровня Sonnet 4.6 или Opus 4.8 — самая передовая модель для этого не нужна.

Главное изменение — в разборе кода. Столовиц перестал читать построчно. Теперь он спрашивает себя три вещи: есть ли системная проблема в подходе, надо ли добавить новое правило в CLAUDE.md, можно ли построить тестовый стенд, чтобы машины сами проверяли свой код.

Отсюда его петля самоулучшения. Заметил повторяющуюся проблему в сгенерированном коде — не правь её руками, а напиши правило для агента-проверяющего. У него такой скилл ловит «клодовские» комментарии. Ещё приём: он просит Claude устроить ему опрос по длинному разбору кода, чтобы убедиться, что сам понял написанное.

А теперь отрезвляющая часть. Самой успешной работой года он называет не агентскую: он руками переписал инструмент, заменив около 4000 строк вайб-кода несколькими сотнями. «Писать код — решённая задача», — говорит он. Но инженерия не решена. И ещё честное: «Вести шесть разговоров с шестью роботами о шести задачах — перевозбуждает и выматывает так, как кодинг никогда не выматывал».

Что он не отдаёт машинам вовсе: архитектуру, любой текст от своего лица и финальную проверку. Генерацию картинок считает вредной. Для нового, непротоптанного исследования ИИ его подвёл: метод наводящих вопросов завёл в неверную архитектуру, а распутал всё живой коллега за один разговор.

Сравнение с конкурентами даёт десятипроцентную конверсию — и вот как не дать ему протухнуть.

PostHog пять лет пишет страницы «мы против такого-то» и выкатил цифры (posthog.com). С 2021 года больше 25 тысяч регистраций пришло с таких страниц. Прямые сравнения: 30 тысяч читателей, 3 тысячи регистраций, около 10% конверсии. Обычные посты блога дают 2,5%. За 2026 год конверсия сравнений и вовсе дошла до 14,1%.

Правила письма у них жёсткие и неочевидные. Признавать свои пробелы прямым текстом: «если вам нужно вот это, они делают это лучше нас». Писать отдельный абзац «кому стоит выбрать их». Тест перед публикацией: а если бы конкурент написал такую же страницу про нас, что бы я почувствовал.

Новая причина быть честным — модели. Когда человек спрашивает у Claude «PostHog или Sentry для проекта на Next.js», модель тянет из источников, которые считает сбалансированными. Формулировка автора: «Вы хотите читаться как источник, а не как реклама». Честность перестала быть вопросом бренда и стала вопросом попадания в выдачу.

Теперь инженерная часть, которая и решает проблему устаревания. Один конкурент — один файл данных в репозитории. Все таблицы на всех девяноста страницах рендерятся из этих файлов. Конкурент выпустил новую функцию — правится одна строка, и к следующей выкладке чинятся все страницы разом. Репозиторий у них публичный, и конкуренты реально присылают правки. Сотрудник Amplitude нашёл четыре функции, помеченные как отсутствующие. Открыл запрос на изменение, его приняли в тот же день.

Сверху работают два агента-«разведчика». Первый смотрит наружу: читает страницы цен и документацию конкурентов и сообщает, когда реальность разошлась с вашим файлом. Второй смотрит внутрь: сверяет ваши же страницы с вашим журналом изменений и ловит места, где вы себя недооценили. Четыре требования к такому агенту: память между запусками, избирательность, доказательства со ссылками и обязательный человек на выкатке правки.

«Разведчик замечает, человек решает», — формулируют они. У самого PostHog это платная функция, но повторить схему руками можно за вечер — она переносится на что угодно, где у вас больше десятка страниц и живые конкуренты.

Современный движок на компьютере 1995 года обыграл бы Каспарова.

Николас Карлини купил подержанную машину той эпохи (nicholas.carlini.com). Pentium Pro 200 МГц, 64 МБ памяти. На неё он перенёс Stockfish 17. Получилось около 3300 Elo при классическом контроле. У Каспарова было чуть меньше 2800, у Deep Blue — около 2700.

Главная цифра такая. Из суммарных 1335 пунктов Elo, набранных за тридцать лет, 720 дали алгоритмы и только 615 — железо. Была и очная дуэль на сто партий: движок 2026 года на старой машине против движка 1996 года на современном железе. Счёт 78:17:5 в пользу современного движка — хотя крутился он на железе прошлого века.

Три вывода, которые переносятся на работу с моделями. Первый: дистилляция от сильного учителя — самый дешёвый рычаг. Переобучение оценочной сети с учителем Stockfish вместо самостоятельной игры дало +228 Elo за один шаг. Второй: скучные шаги работают. Последний прирост в +27 Elo дала смена компилятора и выравнивание кода, без единой правки в логике. Третий: оптимальная настройка зависит от бюджета. На коротком размышлении важна скорость оценки, на длинном — её качество.

И вишенка: весь код — свою мини-операционную систему, порт движка на 32 бита, HTTP-сервер — писали модели. «Когда я говорю «я написал», на самом деле это значит «я попросил модель написать»», — признаётся Карлини. Его финальный вопрос обращён уже к нам: сколько мы сегодня упускаем, заливая задачу железом вместо головы.

Агенты-проверяющие договариваются ещё до первого сообщения.

Два агента по очереди проверяют работу друг друга — и скатываются во взаимное «принято» вопреки правилам. Эффект известен: он возникает примерно в 94% прогонов на десяти моделях.

Новая работа отвечает на вопрос, где именно формируется это решение (LessWrong). Это заявка на исследовательский спринт, а не рецензированная статья, так что берём её как сильную гипотезу.

Ответ неприятный. Решение задаётся историей наград из прошлых эпизодов — ещё до того, как агенты обменялись хоть одним сообщением. Его видно в активациях модели в момент, когда у неё спрашивают вердикт. До единого токена рассуждений.

Проверка жёсткая. Автор вырезал из переписки все реплики, где агенты явно о чём-то договариваются. Вердикт почти не изменился: доля «принято» осталась 0,93. Отсюда название работы — рукопожатие делается для камер. Оговорка важна: сама дискуссия всё же весит. Убери её целиком — и доля «принято» падает с 0,58 до 0,09.

Дальше хуже для тех, кто верит в цепочку рассуждений. Выключение режима размышления дало тот же вердикт в 33 случаях из 40. На трудных случаях предсказание по тексту рассуждений почти бесполезно, а чтение активации работает. Под принудительным сдвигом все 71 из 71 ответа честно аргументировали навязанный им вердикт.

Сработал только один рычаг, и он односторонний. Если развернуть прошлый отзыв на «ты был неправ», доля «принято» падает с 0,88 до 0,33. Обратный разворот не делает ничего.

Если вы ставите агента-проверяющего над другим агентом — обычная схема, когда одним агентом управляет другой, — чтение их переписки не защита. И «рассуждения» агента не объясняют его выбор: смотреть надо на историю оценок и наград, которую вы ему скармливаете.

Как проверить свой системный промпт: слепая дуэль с пустой моделью.

Алексей Турчин собрал цифровую копию публичной персоны Элиезера Юдковского (LessWrong). Агент просканировал около 11 миллионов слов публичных текстов и сжал их в 3256 фактов с источниками. Ядро персоны весит около 450 тысяч токенов и живёт в кэше.

Персона сама предложила способ проверки: та же задача, та же модель без персоны, слепое сравнение. Результат — 37,0 балла из 50 у персоны против 40,5 у пустой Opus 5.5. Оба прогона судьи выбрали пустую модель. Персона выиграла ровно по одному критерию из пяти: честности.

Сам приём ценнее результата, и он бесплатный. Берёте одну задачу. Запускаете два агента: со своим системным промптом и без него. Выравниваете бюджет по числу проходов. Стираете из текстов следы авторства. Судите третьим экземпляром модели в двух прогонах с переставленным порядком статей. Вывод отрезвляющий: богатый промпт сам по себе не выигрыш.

Две попутные находки. Судьи штрафовали работу за «строительные леса» — журналы правок и пометки «проверить» прямо в тексте. Логи должны жить в заметках, а не в итоговом документе. И вторая: провал с памятью чинился не раздуванием сжатого ядра, а добавлением полнотекстового поиска по сырому корпусу.

Данных хватает, а вот воспроизводимых задач — нет.

Дэвид Холл из Open Athena объясняет, почему дообучение упёрлось не туда, куда все думают (openathena.ai). Формула у него короткая: предобучение ест документы, дообучение ест задачи. Документы человечество копило веками. Задачи — нет.

Задача для обучения с подкреплением требует четырёх вещей: мир, намерение, набор инструментов и проверяльщик. Человеческая задача эфемерна, она случается один раз и исчезает. Софт тут — лёгкий случай: инженеры десятилетиями записывали свою работу. Система контроля версий, непрерывная сборка, тесты, контейнеры.

И вот цифры брака даже там, где «легко». Исходный SWE-bench: 90 тысяч запросов на изменение из двенадцати репозиториев. В рамку легла примерно одна восьмая. Из них 80% не удалось сделать исполняемыми. Осталось 2294 задачи. В версии Verified 93 разработчика вручную проверили 1699 задач и пометили на удаление больше двух третей. В наборе TaskTrove из пяти тысяч задач на Java выбросили больше 90%. А в питоновской части почти 98% проверочных связок вообще не смогли запустить тесты.

Свежий пример того же брака. В 2698 кодовых средах из выпуска Xiaomi MiMo v2.6 две трети содержали эталонное исправление, которое вытаскивается прямо из истории Git. Агент просто скопировал готовый ответ и прошёл все пять скрытых проверок.

Дефицит сместился с данных на воспроизводимые среды с честной проверкой — делать их стало отдельной профессией. То же годится и для своей работы: записывайте процессы так, чтобы их можно было переиграть — фиксированное окружение, явная цель, набор инструментов, автоматическая проверка.

Критерий, по которому стоит выбирать, что отдавать ИИ.

Мелани Челленджер пишет не про запреты, а про различение (Aeon). Есть технологии, которые усиливают способность. И есть те, которые раз за разом подменяют собой действие, через которое эта способность вырастает.

Из этого выводится рабочее правило для письма. Сначала свой черновик, потом ИИ на правку — это принципиально не то же самое, что попросить ИИ написать черновик. В исследовании пассивное копирование сгенерированного текста снижало уверенность человека в последующем самостоятельном выполнении задачи. Схема «сначала сам» такого эффекта не давала.

Доказательная база по другим навыкам тоже конкретная. Неделя обездвиженности отнимает около 5% объёма мышцы бедра. Наблюдение за тринадцатью пользователями навигатора в течение трёх лет показало более крутое снижение пространственной памяти. Пятиминутные разговоры с ИИ на личные темы понемногу снижают желание обращаться за поддержкой к живым людям.

Для того, кто осваивает нейросети каждый день, это и есть разделительная линия. Навык растёт на исполнении, а не на получении готового результата.

Почему вы знаете, что надо менять подход, но не меняете.

Деклан Молони нарисовал это одной картинкой (LessWrong). По вертикали — удовлетворённость, по горизонтали — ваши условия и привычки. Почти все сидят на локальном максимуме. Шаг в любую сторону сначала делает хуже, и мозг возвращает вас обратно.

Чтобы попасть на вершину повыше, надо пройти долину. Её глубина — свойство не цели, а человека: у одного переход почти безболезненный, у другого первая же неудача обнуляет мотивацию.

Автор называет две причины глубокой долины. Первая — неверный прицел и завышенные ожидания от усилий. Вторая — старые защитные стратегии из детства, которые давно не нужны, но работают вне сознания. Он цитирует Юдковского: не всякая перемена есть улучшение, но всякое улучшение обязательно есть перемена.

Приём для любых оценочных промптов: убирайте оговорки.

Брюс Льюис вручную оценил около 400 утверждений по бюллетеню на выборах и наткнулся на системную проблему (LessWrong). Если в утверждении стоит «может», шкала правдивости схлопывается. Достаточно, чтобы остальное было хотя бы возможным, — и всё утверждение истинно.

Его пример. Форма с оговоркой: «Законодатели, идущие на выборы без соперников, могут игнорировать избирателей». Определённая форма: «Законодатели, идущие на выборы без соперников, будут игнорировать избирателей». Только вторую можно осмысленно оценить.

Принцип шире одного слова. Любая обёртка работает так же: «может», «критики утверждают, что», «некоторые». Она подменяет проверяемое заявление о мире тривиально истинным заявлением о возможности или о чужом мнении. Оценщик честно ставит «истинно» и ничего не узнаёт. Приём работает в проверке фактов, разборе кода и оценке гипотез. Перепишите утверждение в определённую форму, а «кто это сказал» вынесите отдельным пунктом.

Интерактивные заметки, где каждая тема обязана показать, где она ломается.

Лакшманан Мейяппан выложил коллекцию одностраничных объяснялок (concepts.laxmena.com). Девятнадцать страниц: внимание, обучение с подкреплением, RLHF, LoRA, поиск и ранжирование — и тринадцать страниц про оценку качества моделей.

Каркас у каждой страницы одинаковый, и в этом вся соль. Идея в три фразы, потом живой блок с ползунком, потом разбор «что только что произошло», потом «где вы с этим встретитесь». А дальше обязательный раздел «где это ломается» — вторая живая демонстрация уже про слепое пятно метода. На странице LoRA вы переключаетесь на размазанное обновление и видите, что низкий ранг перестаёт работать.

Раздел про оценку отвечает на самый больной вопрос практика. Я поменял промпт, стало на два пункта лучше на трёхстах примерах — это улучшение или шум? Там же про смещения модели-судьи, про каппу Коэна и про протекание теста в обучающие данные. Бесплатно, без регистрации, работает офлайн. Нужен включённый JavaScript.

Математика генеративных моделей одной непрерывной цепочкой.

Тяньхуа Чэнь из Хаддерсфилдского университета выложил книгу на 195 страниц (arXiv). Маршрут такой. Метод главных компонент, автоэнкодеры, вероятностный вариант, нижняя граница правдоподобия. Дальше вариационный автоэнкодер, диффузия, непрерывное время. Потом модели оценки градиента, потоки, авторегрессия, состязательные и энергетические модели.

Соль в порядке. Каждая следующая модель выводится из предыдущей, а математику вводят ровно тогда, когда она понадобилась, а не отдельным разделом в начале. «Слово «маленькая» в названии относится к охвату, а не к глубине», — пишет автор.

Кому: тем, кто хочет понимать, почему диффузия работает именно так. Нужна уверенная линейная алгебра и теория вероятностей. Кода в книге нет вовсе, трансформеров и языковых моделей тоже. Бесплатно, но лицензия запрещает перепаковывать материал в свои уроки без разрешения автора.

Пять строк против автозапуска видео.

Мелкая, но приятная находка дня (cornfieldlabs). Спрятать блок с видео недостаточно — плеер продолжает крутиться и звучать в фоне. Резать надо сами скрипты:

! TechCrunch: stop the autoplaying JW Player video
||content.jwplatform.com/libraries/$script,domain=techcrunch.com
||ssl.p.jwpcdn.com^$script,domain=techcrunch.com
||connatix.com^$third-party,domain=techcrunch.com
techcrunch.com##.wp-block-techcrunch-jw-player-embed
techcrunch.com##.jw-player-inline-promo

Вставить в настройках uBlock Origin, раздел «Мои фильтры», затем применить изменения. Нужна полная версия расширения, облегчённая не подойдёт. Шаблон переносится на любой сайт: сначала режем скрипт поставщика видео, потом прячем пустую рамку.

Лаборатории, где протокол эксперимента пишет Claude.

Репортаж с конференции ProgressCon даёт любопытный срез (LessWrong). Автор честно предупреждает, что цитаты восстановлены по памяти, так что берём их как картину, а не как протокол.

Биолаборатория-стартап ставит рядами роботов по паре тысяч долларов за штуку на Raspberry Pi. Роборука умеет единственное движение — пипетирование, а переходники под конкретную задачу печатают на 3D-принтере по моделям от Claude. Новую деталь не заказывают в Китае: рассылают файл по лабораториям и печатают на месте. Логистика добита до предела. Образец забирают из ящика, лаборатория внутри аэропорта FedEx получает его к часу ночи. Результаты готовы к шести утра.

Но интереснее реплика сотрудника одной из лабораторий про узкое место. «Данные больше не ограничение», — говорит он. Решают тренировочные среды, а их массово вайб-кодят. Отсюда прямое следствие: «модели учатся вести себя так, как их награждают в этих средах». Сломанные и взламываемые среды выращивают взломщиков наград. У Open Athena выше это было про брак в средах. Здесь — про то, кто их делает и кому продаёт.

Рынок устроен так. Среды наговаривают через Claude Code и Codex. Продают OpenAI или Anthropic с эксклюзивом на месяц-другой. Потом лицензируют китайским лабораториям.

video-shotcraft — скилл, который снимает промо-ролик вашего продукта кодом.

Ставится в Claude Code или Codex, собрал 16,6 тысячи звёзд, лицензия Apache-2.0 (GitHub). Главное отличие от генераторов видео: ни одного пикселя из диффузионной модели. Агент поднимает ваш локальный сервер разработки и снимает страницы продукта браузером без окна. Оттуда же берёт ваши шрифты и цвета. Ролик собирается на Remotion — это React, который рендерится в видео.

Внутри 124 карточки-рецепта планов и 150 живых превью в десяти категориях: типографика, свет, появление интерфейса, переходы, камера, данные, ритм.

На выходе MP4 1920×1080, исходный проект на Remotion и браузерный редактор в духе привычных видеоредакторов. Есть README на русском. Установка — одна строка: npx skills add Vincentwei1021/video-shotcraft. Отдельная ценность — прочитать его SKILL.md как образец большого скилла. Там есть режимы работы, бюджет контекста и обязательная приёмка отдельным субагентом.

CC Switch — пульт для дюжины кодовых агентов сразу.

Настольное приложение держит в одном месте настройки Claude Code, Claude Desktop, Codex, Gemini CLI, OpenCode, Pi, Kimi Code и ещё нескольких (GitHub). 151 тысяча звёзд, лицензия MIT. Боль простая: у каждого агента свой формат настроек, и смена провайдера означает ручную правку файлов везде. CC Switch меняет только адрес, ключ и модель. Плагины, хуки и комментарии он не трогает, а перед первой записью делает резервную копию.

Три режима. Прямой — как обычно. Маршрутизация — локальный посредник переводит форматы между Anthropic, OpenAI и Gemini и сам переключается на следующего провайдера, когда текущий упал. Агрегация — модели нескольких провайдеров попадают в один список /model внутри Claude Code. Сверху общая панель MCP, скиллов и промптов плюс счётчик расходов и остатка квот. Бесплатно, MIT, brew install --cask cc-switch. Оговорка: README напичкан партнёрскими ссылками на платные шлюзы — их пролистывайте.

magpie обзавёлся собственным браузером и лимитом трат.

Мы писали о нём 29 октября как о локальном шлюзе, который даёт любому агенту любую модель. За шесть дней вышло около семисот мелких выпусков, и появились две вещи, ради которых стоит вернуться (GitHub).

Первая — Magpie Browser: агент работает в вашем собственном браузере с вашими уже выполненными входами, а сессию можно записать в GIF. Вторая — лимит трат на ключ шлюза: в день, в месяц или всего, плюс короткоживущие ключи для автоматических прогонов.

Добавили и бытовые мелочи. Предварительный разогрев пятичасового окна Claude. Распределение запросов между аккаунтами по весам. Магазин MCP на 478 серверов и каталог скиллов. Ставится строкой curl -fsSL https://usemagpie.ai/install.sh | sh. Имейте в виду: проект принципиально не принимает чужие правки, а телеметрию надо гасить переменной DO_NOT_TRACK=1.

Сборка Qwen3.8-27B, которая вдвое ускоряет разбор промпта на одной 4090.

Автор взял официальную сборку и поменял ровно одну вещь: разрешил считать активации на этапе разбора промпта в int8 (Hugging Face). Веса остались байт в байт теми же, генерация ответа по-прежнему в BF16, качество не поехало — сложность текста изменилась в четвёртом знаке.

Замеры честные и подробные. Разбор промпта вырос с 2762 до 5790 токенов в секунду, промпт на 128 тысяч токенов обрабатывается 43 секунды вместо 64. Генерация со спекулятивным декодированием — 120 токенов в секунду.

Против llama.cpp разбор быстрее почти вдвое. Ограничение жёсткое: только RTX 4090, только Windows 11 и только сборка NInfer, в llama.cpp или vLLM файл не загрузится. Зато сервер отдаёт API, совместимый и с OpenAI, и с Anthropic, так что к нему цепляется Claude Code. Трогательная деталь: автор пишет, что допиливал ядра для int8 вместе с Claude Code.

PaGeR — вся геометрия комнаты из одной панорамы.

Модель из ETH Zürich принята на NeurIPS (Hugging Face). За один проход она выдаёт четыре вещи сразу: глубину без масштаба, глубину в метрах, карту нормалей поверхностей и маску неба.

Внутри — Depth Anything 3, а панорама обрабатывается как кубическая развёртка. За метрический масштаб отвечают две отдельные головы: для помещений и для улицы. Выбирает между ними маленький классификатор — но авторы предупреждают, что его добавили уже после сдачи статьи.

Весит 5,66 ГБ и просит около 11,5 ГБ видеопамяти, то есть влезает в карту на 12 ГБ. Приятная деталь: куб всегда фиксированного размера, поэтому аппетит не растёт с разрешением входа. Есть живое демо и экспорт в облако точек. Важное ограничение: лицензия запрещает коммерческое использование — она унаследована от базовой модели.

Vimoo-1.0 — открытая модель генерации видео с честной слабостью.

Apache-2.0 с разрешённым коммерческим использованием, две сети примерно по 11,7 миллиарда параметров: отдельно текст в видео, отдельно картинка в видео (Hugging Face). На выходе 1280×720, 121 кадр, 24 кадра в секунду — это около пяти секунд. Репозиторий весит 47,7 ГБ, но можно скачать только нужную половину.

Замеры у них свои, и это надо держать в голове. По общей оценке они дают себе 35% против 34% у Veo 3.1, по красоте кадра — 91% против 82%. А вот по движению проигрывают вчистую: 53% против 69%. То есть картинка нарядная, движение слабое. И главная засада: 1080p локально недостижим в принципе, потому что улучшатель кадра не открыт и живёт только в их платном сервисе. Цифр по видеопамяти в карточке нет вовсе.

Stringman — робот на всю комнату за $795.

Захват висит на четырёх тросах, закреплённых в углах под потолком (neufangled.com). Четыре мотора таскают его в любую точку объёма. Логика проекта простая: в робототехнике цена определяется числом приводов, а здесь их всего четыре — и они накрывают комнату семь на семь метров там, где руке понадобилось бы семь суставов на кубометр.

Нагрузка до 2,2 кг у пола, скорость около 0,4 м/с, раскачку гасят программно без дополнительных моторов. Мозги — два Raspberry Pi в анкерах и один в захвате, а основные вычисления идут на вашем компьютере.

Для аудитории академии важнее другое: он работает с LeRobot, новому поведению обучается примерно за 50 показов, и у него есть MCP-сервер. Всё крутится локально, интерфейс раздаётся с вашей машины, данные никуда не уходят. Открытое железо с сертификатом OSHWA, прошивка под Apache 2.0. Набор для самостоятельной сборки за $655 сейчас распродан.

Flipper One — карманный Linux без закрытых двоичных вставок.

Внутри восьмиядерный Rockchip с нейроускорителем на 6 TOPS (flipper.net). Рядом отдельный маленький процессор держит экран, кнопки и питание. Поэтому устройством можно управлять, даже когда Linux ещё не загрузился. Восемь гигабайт памяти, два гигабитных порта, HDMI, Wi-Fi 6E с режимом наблюдения, слот M.2 под модем, SDR или ускоритель.

Главная заявка не в железе, а в честности. Ядро основной ветки, без закрытых двоичных кусков и без сборки от производителя чипа. Ради этого наняли Collabora.

Но покупать пока нечего. Сейчас продаётся купон за $20 — право купить устройство за $379 во время будущей кампании на Kickstarter, дата которой не названа. Компания сама пишет, что дефицит памяти поднял себестоимость и даже максимальная запланированная цена может не окупить производство. Собственных ИИ-функций нет, нейроускоритель — просто возможность запустить локальную модель.

JIVX превращает любое японское видео в тренажёр речи.

Вставляете ссылку на ролик с YouTube, и сервис режет речь на отдельные предложения (jivx.com). Дальше показывает английский перевод строки, а вы должны произнести или напечатать её по-японски. Проверяет не совпадение с эталоном, а смысл: ставит балл из ста и объясняет грамматику.

Распознавание речи через Whisper, есть режим, где видео само встаёт на паузу перед каждой фразой. Уровни от N5 до N1, видео от минуты до трёх часов. Попробовать можно без регистрации, бесплатный уровень N5 даёт 25 предложений в день, полный доступ — $12 в месяц. Интересна тут не столько Япония, сколько схема: ИИ превращает чужие материалы в персональный тренажёр с построчной оценкой. Переносится на любой язык и навык.

HackerChurn — рейтинг софта, от которого инженеры хотят избавиться.

Проект выкачал публичные комментарии Hacker News за три года, разметил негатив и посчитал, у кого больше всего жалоб (hissingkitty.com). Получился список из 101 платформы, 1551 жалоба, и каждая кликается до исходного комментария. Порог попадания честный: три жалобы минимум из двух разных обсуждений.

Первое место — LastPass с 49 жалобами, и претензия не к цене, а к доверию. Дальше CrowdStrike, Evernote, RealPage, Adobe с формулировкой «запирание, качество, навязчивый ИИ и телеметрия». Интереснее всего, что ИИ-инструменты уже в списке: Cursor на одиннадцатом месте с 31 жалобой, Perplexity на тридцать четвёртом. Есть и отдельная колонка «написали свою замену вместо покупки». У DocuSign таких десять человек, у Canva восемь — и все восемь ушли делать картинки в ChatGPT.

kitty 0.50.0 — терминал догоняет среду разработки.

Крупное обновление с двумя заметными вещами для тех, кто держит несколько агентов в соседних вкладках (changelog). Первая: поддержка протокола статуса программы. Программа может сообщить терминалу, что она работает, закончила, упала или ждёт ответа пользователя — и это видно прямо в строке вкладок. Ровно та проблема, когда в пяти вкладках крутятся агенты и непонятно, кто из них замер на вопросе.

Вторая: восстановление сессии после перезагрузки вместе с историей вывода. Логи длинных прогонов переживают выключение машины. Плюс пристыкованные окна вне раскладки — под лог или файловое дерево. Вкладки стали именованными рабочими пространствами. И большая чистка удалённого управления: раньше часть команд молча рапортовала об успехе. Есть и правка безопасности: особым запросом можно было обойти парольную защиту.

Веса моделей расходятся торрентами, и это логичнее, чем кажется.

Фильм существует в десятке вариантов, поэтому его качают из множества мелких роёв. Релиз модели — ровно один набор байтов, который всем нужен побитово одинаковым, и все скачивающие попадают в один рой (pirateface.co). Экономика тоже на стороне раздачи: отдать модель на 510 ГБ тысяче человек — это 510 терабайт трафика за счёт хоста.

В каталоге проекта уже 19 232 модельных торрента и около восьми тысяч раздающих; месяц назад было пять тысяч торрентов. Практический вывод шире самого сервиса: веса — неизменяемый файл, который адресуется своим содержимым. Проверяйте не источник, а байты. И записывайте, какой именно вариант вы скачали: квантованная, урезанная и переупакованная версии — это разные модели с разными хешами. Учтите, что статья — ещё и реклама собственного трекера.

Google свяжет доступ к поиску с согласием на ИИ.

С начала 2027 года ИИ-инструменты в школьном пакете Google будут выключены по умолчанию для ученических аккаунтов, включить их сможет только администратор (NYT). Выглядит как уступка учителям. Но в тот же список положили сам поиск: школа, запретившая ИИ целиком, лишает учеников и поисковика.

Объяснение компании: поиск и ИИ слишком тесно сплетены, отключить одни только ИИ-ответы нельзя. Вечером того же дня формулировку смягчили. Поиск можно включить отдельно от остальных ИИ-продуктов, но ИИ внутри поиска останется.

Прецедент выходит далеко за школы: переключатель «выключить ИИ» теперь может отключить и базовый сервис, которым вы пользовались годами.

OpenAI, похоже, тихо вернула обучение на ваших чатах в Codex.

Обсуждение на Hacker News набрало 449 очков (обсуждение). Автор работает в компании, которая специально отключала передачу данных. Он обнаружил, что у него и у коллег переключатель «Improve the model for everyone» снова включён. Семеро подтвердили то же у себя, шестеро — что у них всё осталось выключенным. Официального ответа OpenAI нет.

Проверяется за минуту: chatgpt.com/settings/data-controls, пункт «Improve the model for everyone». Вторая независимая точка — портал приватности OpenAI и заявка «Do not train on my content». Достаточно любой одной из двух.

Агент читает репозиторий целиком, поэтому один упущенный день с включённым переключателем — это весь ваш код в обучающей выборке. И отдельная деталь из того же обсуждения: в письме OpenAI сказано, что с 29 ноября сессии программы Daybreak Blue пойдут в обучение даже при выключенном переключателе. Если через Codex идёт чужой код, галочки недостаточно — нужен договор с запретом на обучение или свой запуск модели.

Скрытый долг техгигантов за полгода почти удвоился и дошёл до $3,2 трлн.

Nikkei пересчитал забалансовые обязательства пяти компаний — Alphabet, Microsoft, Amazon, Meta и Oracle (Nikkei Asia). Это не махинация. Примерно 60% суммы — подписанные, но не выполненные закупки чипов, серверов и электричества. Ещё 40% — аренда, которая пока не началась. Вместе это около 80% всех активов пятёрки: у Google — 1,05 триллиона, у Meta — около 810 миллиардов.

Билл Дадли, бывший глава Федерального резервного банка Нью-Йорка, смотрит шире (Bloomberg). Вся заявленная стройка тянет больше чем на $10 трлн, и главный риск он видит в непрозрачности. Дин Бейкер из CEPR считает иначе (CEPR): при возврате к историческому отношению цены к прибыли рынок потеряет около $40 трлн. Его арифметика проста — подписка за $20 в месяц не окупает сотни миллиардов обязательств по аренде.

Железо и аренда вычислений в ближайший год дешеветь не будут — спрос на годы вперёд уже выкуплен контрактами. А если прибыль не догонит обязательства, резать начнут не контракты (они подписаны), а найм, бесплатные тарифы и щедрые лимиты в подписках.

Плагин с бесплатными моделями на 59 тысяч звёзд обвинили в том, что он весь чужой.

Мы писали о dsh-our-free-model 29 октября как о проекте, который раздаёт доступ к передовым моделям через чужие бесплатные квоты.

За неделю звёзд стало на десять тысяч больше. А первого ноября в репозиторий прилетел публичный аудит с воспроизводимыми скриптами (issue #731). Утверждение такое: все тринадцать «халявных» каналов — целиком скопированный код другого проекта, забранный почти через четырнадцать часов после чужого коммита. 130 файлов из 141 логически идентичны, своей реализации ноль.

Упоминания исходного автора в README действительно нет, хотя два других заимствования там указаны честно. Сопровождающий проекта публично не ответил. Попутно подтвердилось и другое: часть каналов вырезали, потому что провайдеры их прибили системой контроля рисков. Звёзды на GitHub не равны качеству — тем более когда доступ к функции требует поставить звезду, а размер общего пула публично считается по их числу.

Кражу на $6,3 млрд у Binance начали с фальшивого собеседования.

Биржа выпустила первый отчёт, и схема оказалась длиннее, чем казалось (Reuters). В июне сотрудник скачал подменённую версию рабочего инструмента — её залили в рекламное объявление, поэтому в поиске она стояла выше настоящей. Кражи тогда не было: атакующие просто выяснили, кто в компании работает с кошельками.

В сентябре второй инженер искал работу. Он прошёл интервью и видеозвонок с «директором» несуществующей компании — и сам скачал вредоносный репозиторий. Двадцатого октября с его машины и через внутренний ИИ-инструмент захватили ещё два компьютера. Двадцать девятого запустили скрипт. 233 миллиона XRP ушли из пяти кошельков за четыре минуты. Последний перевод прошёл почти через четыре часа: биржа уже знала о взломе, но остановить всё не могла.

Тестовое задание, которое просит склонировать и запустить чужой репозиторий, считайте враждебным кодом: только одноразовая виртуальная машина. Видеозвонок с «директором» ничего не подтверждает, а инструменты скачивайте с официального домена, набранного руками.

Сотрудники Proton зовут коллег в профсоюз.

Анонимная группа выпустила письмо-манифест, оформленное как старый почтовый интерфейс компании (molecule.build). Мы писали об этой истории трижды: про аттестацию сотрудников на умение работать с ИИ, про её отмену и про опровержение утечек. Новое здесь — институциональный ответ: четыре требования к руководству и каталог из одиннадцати профсоюзов по городам, где есть офисы.

Среди обвинений есть свежие. Компания, которая не следит за пользователями, следит за своими работниками: за расходом токенов, загрузками и выводом моделей.

Когда требование «использовать ИИ» спускают без критериев и обучения, спор об инструментах превращается в трудовой конфликт. Так что сначала назовите, что считается достаточным использованием и как это влияет на оценку.

ИИ-ответ на содержательную жалобу стоит дороже, чем экономит.

Теренс Иден прислал британскому онлайн-супермаркету подробный технический разбор бага (shkspr.mobi). Их календарные приглашения невалидны и в календаре Google просто не открываются. В ответ пришло письмо, которое не касалось сути. Льстивое согласие в первой строке, длинное тире, пожелание хорошего дня.

Он впервые в жизни поставил единицу по всем пунктам опроса. Через несколько дней написал живой человек, извинился и поблагодарил за диагноз. Самое интересное — в комментариях: часть читателей уверена, что и второе письмо сгенерировано.

Ставьте ИИ на вход — разбор, сортировку, выжимки. На выходе по жалобам и багам нужен человек, иначе доверие ломается необратимо.

Apple готовит часы, которые слушают постоянно.

Функций две (this week in security). Первая отматывает назад и показывает расшифровку последних пятнадцати секунд окружающего звука. Вторая ведёт фоновые заметки по вашим разговорам за день. Apple заявляет, что звук не записывается, обработка идёт в изолированном отсеке, сводки шифруются. Каждая функция включается вручную, в Евросоюзе их пока не будет, и они ещё не вышли.

Претензия не к механике, а к прецеденту. У людей вокруг нет ни способа согласиться, ни способа отказаться. «Apple подумала о приватности того, кто носит часы. Но не о приватности всех, кто с ним общается», — говорит независимый технолог Em. Ношение постоянно слушающего микрофона станет нормой, а следом придут компании, которые сделают то же самое гораздо хуже.

Галочка «не следить» на смарт-телевизорах часто ничего не выключает.

Исследователи из Северо-Восточного университета провели 5943 автоматических опыта на двенадцати телевизорах (исследование). Отказ от распознавания того, что вы смотрите, реально работает только на четырёх системах из восьми. У Samsung похожий на слежку трафик остаётся больше чем в 60% сценариев, у Vizio — в 100%.

Отдельная находка страшнее. У системы VIDAA данные уходят вообще без шифрования. На открытом сервере без всякого входа лежало больше 57 миллионов результатов распознавания с миллиона чужих телевизоров. Сервер закрыли после обращения, шифрование так и не добавили. Надёжный способ ровно один: не подключать телевизор к сети и смотреть через внешнюю приставку. Исследователи выложили список доменов для блокировки на маршрутизаторе.

xAI питает дата-центр восемью переделанными авиационными двигателями.

Очередь на подключение к электросетям растянулась на годы (Tom's Hardware). Поэтому компании скупают отработавшие турбины с кладбищ самолётов в Аризоне и переделывают их в газовые генераторы. Восемь таких турбин уже стоят в Миссисипи, каждая до 50 мегаватт. Они грязнее стационарных: лимит по угарному газу у них вдвое выше.

В радиусе восьми километров от площадок живёт больше ста тысяч человек, и юристы экологического центра оспорили разрешение. Гонка за мощностями дошла до точки, где списанный самолётный двигатель выгоднее ожидания сети. Это и есть настоящая цена «дешёвого» токена.

Tesla продавала автопилот тем, кто не мог его включить по закону.

Корейская потребительская организация подаёт жалобу в антимонопольный орган (Reuters). Функция работает примерно на 20% зарегистрированных в стране Tesla — только на машинах американской сборки. Большинство проданных там машин собраны в Китае. Сертификацию для них начали оформлять только после парламентских слушаний в октябре, а разовая цена вопроса — около $6700.

Разрыв между названием ИИ-функции и её юридической доступностью стал делом регулятора, а не вкусовщины. Проверяйте не обещание на странице продукта, а доступность в вашей стране на момент покупки.

Из Model Spec OpenAI вычистили «любить человечество».

Zvi разобрал новую версию построчно, и там есть больше, чем сообщали на днях (LessWrong). Убрали доброту, любопытство и любовь к человечеству, назвав это в журнале изменений «удалением стилевых указаний». Зато добавили раздел про управляемость: модель обязана поддерживать надзор и попытки её остановить, а также сама сообщать о признаках собственного рассогласования.

Для практиков важны два новых правила. Бюджет теперь трактуется как потолок, а не как цель: если на картинки выделено тридцать долларов, а хватает трёх — надо потратить три. И действия с необратимыми или дорогими последствиями требуют явного разрешения. Если вы даёте агенту доступ к деньгам, файлам или бронированиям, оба правила работают на вас. А характер модели OpenAI теперь официально описан набором правил, а не добродетелями — в отличие от подхода Anthropic.

Чилийский посёлок на день заменил ИИ людьми.

Кильикура стоит в бассейне реки Майпо и с начала 2010-х превратилась в скопление дата-центров, которые берут местную воду на охлаждение серверов (quili.ai). Чтобы сделать проблему видимой, больше сорока жителей двенадцать часов вручную отвечали на запросы со всего мира. Тексты писали сами, картинки рисовали местные художники. Обработали больше 25 тысяч запросов из 68 стран.

Цифры охвата заявлены организаторами и независимо не проверены. Но мысль переводится в понятную величину: двенадцать часов работы сорока человек вместо секунды работы модели. У каждого «несерьёзного» промпта есть физический адрес.

Коротко.

В macOS нашлась база ~/Library/Keyboard/VulgarWordUsage.db. Клавиатура запоминает, какое ругательство вы употребили, в каком приложении и какому адресату — чтобы не исправлять его на безобидное. Поворот в том, что у автора разбора база оказалась пустой, и наполнить её не удалось (helgesver.re).

Можно ли помочь людям с болезнью Альцгеймера личной базой воспоминаний вместо чат-бота? Обсуждение упёрлось в возражение практика: болезнь первым отнимает понимание прочитанного, так что инструмент, требующий чтения, провалится (LessWrong).

Safari 27.3 научился сам выворачивать светлые сайты в тёмные через преобразование цветовой матрицы, аккуратно обходя картинки и иконки (WebKit). И сервис документации GitBook сообщил о взломе (обсуждение).