🌟 Opus 4.6, GPT-5.3-Codex и реклама на Super Bowl

🌟 Anthropic и OpenAI выпустили флагманы Claude Opus 4.6 и GPT-5.3-Codex с разницей в полчаса. Я не устаю удивляться тому, что OpenAI публикует свои релизы, в том числе и на русском языке. Вышла именно Codex-версия, а не сразу вся линейка GPT-5.3. Возможно, боялись не успеть в конкуренцию.

Opus 4.6 получил 1M контекста (пока бета), adaptive thinking и серьёзный скачок на ARC-AGI-2 (тест на абстрактное мышление): с 37.6% до 68.8%. Человек решает примерно на 95%. Но главная история недели — это агентские команды Anthropic, которые без интернета собрали C-компилятор с нуля. ~100K строк кода, загружает Linux 6.9, компилирует QEMU и FFmpeg. Правда, в issues уже пишут, что Hello World не компилится. Hahaha, classic…
Отдельно Opus нашёл 500+ zero-day уязвимостей в open-source проектах, некоторым десятки лет. Ещё Anthropic показали Opus 4.6 Fast: в 2.5 раза быстрее, но в 6 раз дороже. Сафонов, оплатить!

GPT-5.3-Codex тоже впечатляет. Коллаба с NVIDIA GB200 по заявлениям дала почти 3x ускорение инференса. Terminal-Bench 2: 77.3% против 65% у Opus. Ранние версии 5.3 помогали дебажить собственный training pipeline. За первую неделю миллион активных пользователей, и я в том числе. Работает действительно быстрее, чем 5.2-Codex, но не в 3 раза.

🌟 Anthropic удивил рекламой на Super Bowl, где высмеял недавнее заявление Сэма Альтмана о добавлении рекламы в ChatGPT (на free и go тарифах). В Claude рекламу добавлять не собираются. Сэм Альтман не промолчал: мол, больше техасцев сидят в ChatGPT бесплатно, чем всего пользователей Claude в штатах. Достаём попкорн.

Для селфхостеров: LM Studio 0.4.1 добавил Anthropic-совместимый API. Можно направить Claude Code на локальные GGUF/MLX модели, поменяв base URL. Подробности в блоге.

🌟 И про Context Graphs. Концепция Jaya Gupta набирает обороты. Проблема реальная: агент за сессию принимает сотни решений, пробует подходы, натыкается на ошибки. Все эти следы сейчас просто теряются между сессиями. Context Graphs предлагают хранить их как граф и переиспользовать. Cursor уже выкатил первую спецификацию Agent Trace для кодинговых агентов, и несколько компаний её поддержали. Dharmesh Shah из HubSpot отнёсся скептически: обещаний много, конкретики мало. Я соглашусь. Но проблема существует, и кто первый решит её на практике, тот и заберёт рынок.

🌟 Кстати, ровно год назад Андрей Карпаты придумал термин "вайб кодинг". На этой неделе он предложил новый термин: Agentic Engineering. Если вайб кодинг это джем-сейшн, то Agentic Engineering это оркестр с дирижёром и партитурой. Но сам Карпаты оговорился, что до полностью автономной разработки далеко. Агенты гонятся за процентными улучшениями с большими скрытыми издержками, пропускают валидацию, игнорируют стиль репозитория. Пока что формула такая: полезно, но за агентами надо присматривать.

🌟 Anthropic и OpenAI выпускают флагманы в один день, как формульные команды одновременно снимают чехлы с новых болидов. Только в Формуле-1 хотя бы знаешь, за кого болеть (за семикратного).

Если зашел контент, не забывайте на него реагировать. Подписывайтесь на канал, делитесь статьей с друзьями и оставайтесь любопытными.

#галлюцинации_недели

🌟 GPT-5.3-Codex-Spark, Sonnet 4.6 и китайский MoE-десант

Шесть флагманских релизов за неделю. Разбираемся, кто реально продвинулся, а кто просто обновил бенчмарки.

🌟 GPT-5.3-Codex-Spark, результат партнёрства OpenAI с Cerebras. Заявляют 1000+ tok/sec. Судя по видео, модель работает очень быстро. Контекст 128K (у обычного Codex 400K). Groq и Cerebras уже делают быстрый инференс нормой.

Если следующая полноценная модель OpenAI с мощностями Cerebras даст хотя бы 200-300 tok/sec, это может убить главного конкурента в лице Anthropic. Сейчас мы выбираем модель, которая лучше пишет код, но потом будет просто некомфортно работать с моделью, которая выдает 70-80 tok/sec. Как я рассказывал на прошлой неделе, Opus 4.6 Fast в 2.5 раза быстрее обычного Опуса, но в 6 раз дороже. OpenAI за скорость отдельно не берёт, но, чтобы попробовать, нужна подписка Pro за $200.

С момента релиза GPT-5.3-Codex и Opus 4.6 в начале февраля, в твиттере не утихает холивар, всё не могут решить, какая модель лучше. Если вы тоже заинтересовались, вот, по моему мнению, неплохое сравнение. Лично у меня впечатления от этих моделей ровно такие же.

🌟 OpenAI нанял Питера Штайнбергера, создателя OpenClaw. Он возглавит направление персональных агентов. Комьюнити негодует. Сэм Альтман назвал его гением. А Meta обиделась, что не получилось захантить гения, и релизнула Manus Agents. Очень похоже, что вдохновились OpenClaw.

🌟 И пока я это всё писал, Anthropic выпустили Sonnet 4.6. По бенчмаркам подбирается к Opus, а на некоторых задачах (офисная работа, финансовый анализ) даже обходит. Серьёзно улучшили computer use: модель стабильнее управляет интерфейсами и реже ломается на длинных сессиях. Agentic coding 79.6%, почти как у Opus (80.8%). Контекст 1M в бете (ну а где же еще). На следующей неделе постараюсь подбить реальные отзывы о модели.

Не забывайте, что у OpenAI действует акция: Codex доступен даже на бесплатном тарифе и Go, а тем, у кого подписка уже есть, дали увеличенные лимиты. Можно создать новый аккаунт и, если повезет, получите предложение на подписку Plus за ноль рублей ноль копеек.

Anthropic тоже не отстает: 11 февраля был релиз Claude Cowork для Windows, а также на бесплатном тарифе стали доступны функции, за которые раньше приходилось платить. Если не пробовали - попробуйте.

🌟 А что Китай? Qwen3.5 от Alibaba: 397B параметров, 17B активных. GLM-5 от Z-ai: 744B параметров, 40B активных. Принцип один: архитектура MoE хранит знания огромной модели, но при инференсе работает маленькая часть. Нагрузка на GPU как у 17-40B, а на бенчмарках конкурируют с Opus. Также ходят слухи о скором релизе DeepSeek v4. Здесь я рассказывал про современные архитектуры LLM.

🌟 Unsloth выпустил кастомные Triton-ядра для обучения MoE-моделей. В 12 раз быстрее стандартного обучения, на 35% меньше VRAM, без потери точности.

🌟 Seedance 2.0 от ByteDance показал, что text-to-video перешёл порог в "а это точно не настоящее?". Но вместе с качеством приходят вопросы: модель распознала блогера по лицу и воссоздала его голос.

🌟 Про бенчмарки. Новые китайские модели показывают 70-80% на SWE-Bench Verified. Впечатляет, пока не посмотришь на SWE-rebench. Это более свежий бенчмарк, специально сделанный так, чтобы ответы нельзя было найти в интернете: задачи из репозиториев, которых не было в обучающих данных. Флагман типа Opus 4.6 выдает 51,7%, а китайские "убийцы" сгруппировались в отметке ~40%. SWE-bench превратился в ЕГЭ, где побеждает тот, кто прорешал больше КИМов, а не тот, кто лучше пишет код.

🌟 Qwen-Image-2.0 сжался с 20B до 7B без потери качества, нативное 2K, рендеринг текста. Мне очень нравится, куда движется генерация изображений, а началась эта магия в августе.

🌟 Если на этой неделе у вас есть время попробовать только одну вещь, попробуйте Codex на бесплатном тарифе, пока акция действует. А если две, сравните его с Claude Code на одной и той же задаче. Выводы могут удивить.

Если зашел контент, не забывайте на него реагировать. Подписывайтесь на канал, делитесь статьей с друзьями и оставайтесь любопытными.

#галлюцинации_недели

🌟 Gemini 3.1 Pro, Sonnet 4.6 в бою и новый дом llama.cpp

Google бросает перчатку, Anthropic сканирует чужой код, а моделям выдают фудтраки и деньги на бизнес. Приглядимся ко всему по порядку.

🌟 Google выпустил Gemini 3.1 Pro. Как обычно, мы видим красивые бенчмарки: ARC-AGI-2 77%, SWE-Bench Verified 80,6%. По соотношению цены и заявленного качества модель очень интересная, а ещё она умеет такое.

В реальной работе не всё гладко. Бывший сотрудник Google на HN написал, что Gemini "самая раздражающая модель для разработки": ненужные рефакторинги, непрошенные комментарии, потеря контекста. На Reddit жалуются на нерф через пару дней после запуска. В Gemini CLI агенты уходили в бесконечные циклы, пытаясь обновить себя до несуществующих версий.

Заодно Google запустил Lyria 3, генератор музыки внутри Gemini. Промпт → 30-секундный трек с вокалом, маркируется SynthID. Можно выбрать стиль и замиксовать, получается интересно.

И ещё один тихий запуск от Google: Pomelli Photoshoot. Загружаешь фото продукта со смартфона, получаешь студийные снимки: на белом фоне, в интерьере, с AI-моделью. Бесплатно, работает на Nano Banana. Для малого бизнеса это замена фотосессии за $500. Пока доступно только в США, Канаде, Австралии и Новой Зеландии.

🌟 Про релиз Sonnet 4.6 я писал на прошлой неделе, теперь появились реальные отзывы. Хвалят: лучше следует инструкциям, меньше оверинжинирит, код читается как написанный человеком. Cursor написал, что модель лучше на длинных задачах, но "по интеллекту ниже Opus 4.6". Главная боль: расход токенов вырос в ~4.5 раза по сравнению с Sonnet 4.5.

Anthropic запустил Claude Code Security, сканер уязвимостей на Opus 4.6. Работает не по паттернам, а читает код как исследователь. Инструмент в research preview, только для Enterprise. Рыночек отреагировал: CrowdStrike -8%, Cloudflare -8%, Zscaler -5.5%. В Твиттере писали, что Anthropic "съел весь обед индустрии AppSec". Но инфосек-комьюнити уже привыкло паниковать.

🌟 Георгий Герганов объявил, что ggml.ai присоединяется к Hugging Face. llama.cpp, проект, который в 2023-м запустил революцию локальных моделей, теперь получил инфраструктуру HF и остаётся open source. HF также объявил коллаборацию с Unsloth для бесплатного файнтюнинга на платформе.

🌟 Появились забавные "бизнес-бенчмарки". FoodTruck Bench: моделям дают $2000 и фудтрак в Остине на 30 дней. Opus 4.6 финишировал с $49.5K. GPT-5.2 на втором месте с $28K. 10 из 16 моделей обанкротились. Gemini Flash зависает в бесконечном цикле. Человек тоже может поиграть. На Vending Bench 2 (вендинговый автомат, $500, год) Opus финишировал с ~$8K, Gemini 3 Pro с ~$5.5K.

🌟 Андрей Карпаты рассказал, как Claude реверс-инженерит API беговой дорожки и строит кастомный дашборд. Его тезис: приложения становятся одноразовыми, а ценность переходит к сервисам с AI-совместимыми API.

🌟 Unitree показал роботов на национальном ТВ Китая. Синхронное кунг-фу, кластерная координация. Boston Dynamics нервно курит.

🌟 AI-кодер Amazon Kiro решил, что лучший способ починить баг, это удалить и пересоздать продакшн-среду. Итог: 13 часов без AWS.

🌟 Grok 4.20 оказался четырьмя Grok 4.1 в пальто (буквально, в API видно grok-4-1-thinking). Плюс скандал: модель использует Маска как первоисточник по спорным темам.

🌟 Стартап Taalas показал ASIC-чип с Llama 3 8B на 16,000 tok/s. Модель залита прямо в кремний, 53 млрд транзисторов. Попробовать можно тут.

🌟 Тема, о которой мало говорят: один и тот же Opus 4.6 на LangChain и на Claude Code показал 1.7x разницу в скорости. OpenAI уже пишет про harness engineering как новую дисциплину. Идея простая: модели сближаются по качеству, а разница в результатах определяется инфраструктурой вокруг них. Как агент управляет контекстом, выбирает инструменты, восстанавливается после ошибок.

🌟 Кстати, в FoodTruck Bench Opus продавал куриные крылышки по $16 за порцию. И продал 826 штук. Вот вам и harness engineering.

Если зашел контент, не забывайте на него реагировать. Подписывайтесь на канал, делитесь статьей с друзьями и оставайтесь любопытными.

#галлюцинации_недели