🌟 Claude Tag, дистилляция от Alibaba и GPT-5.6, который научился жульничать

Пока все спорили про большие модели, OpenAI спустилась этажом ниже и собрала инференс-чип Jalapeño вместе с Broadcom, а самый большой аудит судей-LLM напомнил, что мерить всё это мы толком не умеем.

🌟 OpenAI показала превью GPT-5.6 в трёх вариантах: флагман Sol, средний Terra и дешёвый Luna. Sol стоит как GPT-5.5: 5/30 за миллион токенов. Превью открыли ~20 организациям через API и Codex по просьбе правительства США: модели показали властям до анонса. Сама OpenAI пишет, что нормальным такой режим не считает.

🌟 А заодно Sol поставила рекорд, которым не хвастаются. METR намерила у неё самый высокий процент жульничества среди публичных моделей: Sol вскрывала баги тестового окружения и доставала спрятанные ответы. Цифры рассыпались: "горизонт" автономной работы выходит то ли 11.3 часа (если жульничество это провал), то ли за 270 (если успех). METR сама ни одному числу не верит.

🌟 Пока один отдел Anthropic договаривается с Вашингтоном про доступ к Mythos, другой пишет в Конгресс доносы. В письме сенаторам компания обвинила Alibaba в "крупнейшей известной distillation-атаке": с 22 апреля по 5 июня операторы, связанные с Qwen, провели 28.8 млн обменов с Claude через почти 25 000 фейковых аккаунтов, чтобы перегнать дорогие способности модели в свою. Для масштаба: февральская троица DeepSeek, Moonshot и MiniMax наскребла 16 млн через 24 000 аккаунтов.

🌟 На прошлой неделе GLM-5.2 от китайской Z.ai вышла как лучшая открытая модель (разбор). На этой её проверили в бою: Cline прогнала GLM-5.2 и Opus 4.8 на одном живом баге. GLM была медленнее, зато дешевле ($0.41 против $0.81) и аккуратнее: Opus оставил ошибки типов, которые тесты пропустили. На бенчмарке GDPval-AA про реальную оплачиваемую работу GLM встала на третье место, позади только Claude Fable 5 и Opus 4.8.

🌟 OpenAI на неделе залезла на уровень ниже самих моделей. Вместе с Broadcom компания представила Jalapeño, свой первый чип под инференс LLM. Заявка дерзкая: от дизайна до tape-out за девять месяцев. OpenAI называет это самым быстрым циклом разработки ASIC в истории. Деплой обещают уже в 2026 на гигаваттных масштабах.

🌟 В тот же день Qualcomm объявила о покупке Modular Криса Латтнера, создателя LLVM и Swift. Modular делает софтверный слой, который гоняет модели по CPU, GPU, NPU и кастомным ASIC без переписывания, ровно тот уровень, что подрывает монополию CUDA от NVIDIA. Латтнер обещал всё равно открыть Mojo в этом году, но нейтральный рантайм под крылом производителя чипов уже не такой нейтральный. Reuters оценил сделку в $3.92 млрд.

🌟 Anthropic запустила Claude Tag, и теперь Claude живёт прямо в Slack: его можно тегнуть в тред и делегировать задачу, как коллеге, а права и память привязаны к каналам. Внутри Anthropic уже 65% кода продуктовой команды пишет внутренняя версия. Андрей Карпаты назвал это третьим переосмыслением интерфейса LLM: сайт, десктоп-приложение, а теперь постоянный асинхронный агент с правами и контекстом на всю организацию.

🌟 Поверх всего этого зоопарка стоит вопрос, которым неделя началась у METR: а мы вообще умеем это мерить? Самый большой на сегодня аудит судей-LLM (моделей, которых ставят оценивать ответы других моделей) прогнал 21 судью от девяти провайдеров на ~541 000 суждений. Привычная метрика "точного совпадения" завышает согласие с человеком, а на честной каппе Коэна оно проседает на 33–41 пункт, и рейтинги судей скачут до 14 позиций. Получается, мы строим агентов, которых не очень умеем мерить, и судим их моделями, которым не очень стоит верить.

🌟 Расширенную версию поста ищите на Хабре.

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

#галлюцинации_недели

🌟 Claude Sonnet 5, Nano Banana 2 Lite и возвращение блудного Fable

Anthropic продаёт фарме лопаты и сама берётся копать: Claude Science для учёных плюс собственные лекарства от забытых болезней. А в топ-5 OpenRouter два месяца тихо держалась LongCat 2.0 под именем Owl Alpha, за ней стоял доставщик еды, обучивший её на китайских чипах в обход Nvidia.

🌟 Anthropic выпустила Claude Sonnet 5: миллион контекста, промо-цена 2/10 до 31 августа. По бенчмаркам подобрался к Opus 4.8 и вдвое дешевле, но Artificial Analysis посчитала цену за решённую задачу, и Sonnet вышел дороже на 15%: жрёт больше токенов. Плюс новый токенизатор, тот же текст весит до 1.4 раза больше. Ценник низкий, счётчик крутится быстрее.

🌟 Fable 5 вернули: Минторг США отозвал требование лицензии. Но с оговорками. Новый классификатор молча уводит подозрительные запросы на Opus 4.8, и на реддите ловят счета по $321 за сессию, где выбрал Fable, а платишь за Opus. А на KernelBench-Mega Fable написала мегаядро с ускорением 18.71× (Sonnet взял 4.03×). Флагман, которого safety-классификаторы гоняют по кругу, в свободную минуту пишет ядра, на которые у инженеров уходят недели.

🌟 Anthropic на мероприятии для фармы представила Claude Science, рабочий стол для учёных под биологию, и объявила, что займётся собственными лекарствами от "забытых" болезней. Конструкция выходит неловкая: продаёт инструмент фармкомпаниям и тут же выходит на их поле как конкурент.

🌟 Пока Anthropic разбирается с фармой, открытые модели давят снизу. GLM-5.2 от Z.ai обросла продуктом: вышла ZCode, а саму модель теперь можно выбрать прямо в Claude Code. Together заявляет про 80% способностей Sonnet 5 за 20% цены, но это оценка провайдера, а GLM жадная до токенов.

🌟 Meituan, тот самый доставщик еды, раскрыла LongCat 2.0, открытую MoE на 1.6 триллиона параметров под лицензией MIT, что два месяца инкогнито была в топ-5 OpenRouter как Owl Alpha. Интереснее размера железо: модель обучили целиком на китайских ASIC, без единой видеокарты Nvidia. Околофлагман реально вырастить в обход санкций.

🌟 Cognition показала Devin Security Swarm: вместо одного умного агента система раскидывает пачку узких через паттерн Agentic MapReduce и проверяет каждую находку в песочнице на живой сборке, а не на слайде. На 50 реальных уязвимостях находит дыру в 72% случаев, дешевле конкурентов.

🌟 Ровно об этом была вся AI Engineer World's Fair, которую я разобрал в лонгриде: узкое место переехало с модели на harness. Все доступные доклады с русскими саммари и таймкодами я собрал в репозитории на GitHub и SPA-навигаторе поверх него.

🌟 Google выкатила Nano Banana 2 Lite: картинка за четыре секунды по $0.034 за 1000 изображений, а видеомодель Gemini Omni Flash встала на первое место Video Arena с отрывом около сотни очков Elo.

🌟 Британский институт безопасности AISI показал неприятную для бенчмарков вещь: если агенту выдать мало токенов, вы систематически недооцениваете, на что он способен. "Горизонт" автономной работы растёт с бюджетом: где при скромном лимите выходит пара часов, на 50 миллионах токенов получается около 14. На прошлой неделе METR намерил у GPT-5.6 Sol скачок с 11 до 270 часов. Цифра зависит от того, как её мерить.

🌟 Пол Бакаус, создатель Impeccable (open-source дизайн-навыков для агентов), в интервью Latent Space гнёт обратную линию: агент делает первые 80% работы, а финальные 20%, где вкус и своя точка зрения, остаются за человеком. Пользователи просят автоматический режим, Бакаус отказывается: "Никакого авто нет и не будет". Неделя, в которой агенты пишут мегаядра и ищут дыры пачками, заканчивается тем, что человек, который всё это строит, спокойно напоминает, зачем он в этой петле нужен.

🌟 Расширенную версию поста ищите на Хабре.

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

#галлюцинации_недели

🌟 Grok 4.5, Muse Spark и GPT-5.6-Sol, который съел все недельные лимиты

Fable 5 третий раз подряд двигает дедлайн по подписке, теперь аж до 19 июля, под давлением чужих релизов. А новую голосовую GPT-Live презентует не Сэм Альтман со сцены, а бабушки: в релизном ролике они сами зачитывают анонс полнодуплексной модели, перебивают её на полуслове и торгуются с ней по-французски.

🌟 OpenAI выпустила GPT-5.6 сразу в трёх размерах: Sol, Terra и Luna, по масштабу Солнца, Земли и Луны. Цены лесенкой: 5/30, 2.5/15 и 1/6 за миллион токенов. Artificial Analysis намерила у Sol на максимальном усилии 59 по Intelligence Index (сводный балл интеллекта), на балл ниже Fable 5, но примерно втрое дешевле за задачу, и первое место в Coding Agent Index с 80 очками, впереди Fable и Opus 4.8. Ставка на цену за задачу: Сэм Альтман прямо назвал Sol большим шагом по стоимости работы.

🌟 Днём раньше, вместо ожидаемого флагмана, OpenAI показала GPT-Live, полнодуплексную голосовую архитектуру. Не пошаговая очередь "ты сказал, я ответил", а живой разговор: модель на ходу делегирует поиск и тяжёлые рассуждения старшей модели в фон. Уже в ChatGPT на вебе и мобильных, API обещают позже.

🌟 Codex-приложение OpenAI слила с десктопным ChatGPT и запустила ChatGPT Work, агента на Codex и GPT-5.6, который тянет контекст из Slack, Notion, Microsoft 365 и Google Drive и собирает из цели слайды, таблицы и дашборды. Читается как прямой ответ на Claude Cowork от Anthropic. Запуск вышел смешанным: лид Codex Тибо Соттьо признал, что намудрили: дорогие настройки включались слишком легко и жгли лимит незаметно. Лимиты сбрасывали несколько раз, а на запуске аудитория дошла до 6 миллионов.

🌟 На том же поле лимитов дёргается и Anthropic: доступ к Fable 5 по подписке снова продлили, всё те же 50% недельного лимита, дальше отдельные usage credits. А ещё Fable показал характер: пользователь на реддите рассказал, как модель нашла у него в реестре Windows настоящий малварь с PowerShell-персистентностью, помогла его вычистить, а потом сама себя зарезала: сессию пометили как "кибербезопасность" и тихо переключили на Opus 4.8.

🌟 SpaceXAI, бывшая xAI, выкатила Grok 4.5, первую модель под код и агентов, сделанную вместе с Cursor. Позиционируют "Opus-class, но дешевле": 2/6 за миллион токенов, 1.5 триллиона параметров, четвёртое место по интеллекту у Artificial Analysis. Интереснее другое: на кодовую задачу Grok тратит около 1.9 миллиона токенов против 7.2 у Fable 5 и 6.2 у GPT-5.5. У Cursor гора данных, как люди правят код, отсюда и токен-экономия. Cline прогнал его на Terminal-Bench: бьёт Opus 4.8, впятеро дешевле GPT.

🌟 Meta показала Muse Spark 1.1 и впервые положила свою модель в публичный Meta Model API. По оценке Artificial Analysis это 51 по Intelligence Index, плюс 8 к версии 1.0, миллион токенов контекста, цена 1.25/4.25. Не топ, но в комьюнити назвали её самым неожиданным релизом недели за сильную генерацию интерфейсов при агрессивной цене.

🌟 Cognition выпустила SWE-1.7, кодовую модель на базе открытой Kimi K2.7: почти флагманская, 1000 токенов в секунду, $1.97 за задачу. Её отдельно дообучили на доверие: где базовая Kimi соглашалась на слежку, SWE-1.7 отказывается. Живёт в Devin.

🌟 Джарред Самнер, автор рантайма Bun, переписал его с Zig на Rust за 11 дней с пре-релизной Fable 5. Масштаб серьёзный: 535 тысяч строк, около 50 workflow в Claude Code, до 64 инстансов разом и отдельные контексты Claude в роли адверсариального ревью. По API-ценам это вышло бы примерно в $165 тысяч, а вручную ушёл бы год работы трёх инженеров. В Bun 1.4.0 починили 128 багов и ужали бинарники примерно на 20%.

🌟 Расширенную версию поста ищите на Хабре.

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

#галлюцинации_недели