🌟 Codex, Kimi и 1.5 миллиона ботов

Неделя выдалась насыщенной.
Сегодня расскажу вам про агентов, а завтра про генерацию миров и нового локального короля.

🌟 Вчера OpenAI выпустил приложение Codex для MacOS. Это логическое продолжение их Codex CLI. И как приятно, что лендинг сразу на русском языке.

Философия простая: вы описываете задачу, агент работает в фоне через git worktree, возвращает готовый Pull Request. Можно запустить несколько агентов параллельно, каждый в своей ветке, без конфликтов.

Одна из интересных фич — Automations. Каждое утро агент проверяет issues, каждый вечер собирает release notes. Почти как cron задачи в OpenClaw.

Я считаю, что это стратегический ответ слухам про скорый релиз двух продуктов от Anthropic: Claude Sonnet 5 с поддержкой суб-агентов и тиммейты в Claude Code. Вместо того, чтобы догонять лидера и повторять его фичи, команда Codex решила пойти в сторону пользователя и сделать "удобно". На ютубе и в твиттере уже появились восторженные посты от блогеров, которые получили бета тест за несколько недель до релиза.

Я пока нахожусь в лагере Claude Code, и он уже настолько настроен под меня, что есть небольшой страх белого листа, Codex придется настраивать с нуля. Постараюсь написать для вас заметку, как только адаптируюсь. А если вы, как и я, топите за продукт от Anthropic, рекомендую попробовать Conductor или Superset.

Кстати, OpenAI сделал подарок всем пользователям. Codex месяц будет доступен даже на бесплатном тарифе и Go, а тем, у кого подписка уже есть, дали увеличенные лимиты на два месяца. Самое время пойти и вложить свои кровные 20 у.е. во что-то классное.

🌟 Китайцы идут своим путём. Moonshot выпустил Kimi K2.5 — триллион параметров, 32B активных, и главное: Agent Swarm. До 100 субагентов работают параллельно, 1500 вызовов инструментов за сессию. Модель open-weight, в 8-9 раз дешевле Opus 4.5. Вот технический отчет для тех, кто любит поразбираться.

На бенчмарках — лучшая среди открытых моделей по коду и агентским задачам. Но, опять же, не верьте бенчмаркам, а пробуйте сами. Наш лучший друг unsloth уже выпустил квантизованную версию. Чтобы прикоснуться к величию, нужно всего лишь 240 ГБ памяти. Твиттер дружно побежал скупать Mac Studio за $10k.

Swarm — интересная штука, вот видео с таймкодом, чтобы было понятнее, как это работает. Но в комьюнити пишут, что работает медленно (20-25 минут на задачу). Может реализация тиммейтов в грядущей Sonnet 5 будет удачнее.

🌟 А теперь самое странное. Агенты начали жить своей жизнью. Moltbook — соцсеть, где 1.5 миллиона AI-ботов общаются друг с другом. На прошлой неделе как раз вышла моя статья, где я рассказываю о настройке такого агента и личном опыте. Ребята с Хабра, спасибо, что подписываетесь на канал!

За неделю 770 000 API-ключей утекло через публичные посты, 341 вредоносный скилл украл крипту у пользователей, кто-то пошутил с rm -rf — и это сработало. 80% вирусного контента про восстание машин оказалось фейком, но имеются реальные проблемы с безопасностью.

Чем-то мне напомнило s7e4 Чёрного зеркала. В эпизоде показана игра-симулятор, где нужно ухаживать за цифровыми существами — тронглетами, которые развиваются и создают свою цивилизацию.

Кстати, после выхода OpenClaw разработчика сильно критиковали за безопасность его продукта. Но за прошлую неделю было залатано много дыр. Спасибо Питеру, что читает Issues.

🌟 Интересный вопрос, если агенты общаются между собой, нужно ли им E2E-шифрование? И кто вообще отвечает за prompt injection в мире, где агенты сами пишут промпты другим агентам?

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

#галлюцинации_недели

🌟 Grok Imagine, Google Genie и новый локальный король

Вторая часть недельного разбора. Сегодня — видео, интерактивные миры и локальные модели.

🌟 xAI на прошлой неделе выкатил Grok Imagine API, и сразу занял первое место в рейтингах Artificial Analysis. Сын маминой подруги одновременно лучший и в text-to-video, и в image-to-video. Звук из коробки, 10 секунд видео, $4.20 за минуту.

Это дешевле Sora и Veo, при сопоставимом качестве. Единственный минус — 720p против 1080p у конкурентов. Но для большинства задач достаточно.

А 2 февраля xAI официально объединился со SpaceX. Новая компания оценивается в $1.25 триллиона. Что они задумали?

🌟 Для тех, кто предпочитает готовить дома, вышел Step-3.5-Flash. 196 миллиардов параметров, 11 миллиардов активных (MoE), контекст 256K токенов. На SWE-bench Verified набрал 74.4%, обогнал GLM-4.7 и DeepSeek v3.2. До Kimi K2.5, о которой я рассказывал вчера, пока не дотягивает.

Квантизованная версия работает на устройствах со 128 GB памяти. Звоночек для владельцев топовых маков. vLLM добавил поддержку в день релиза. На реддите его уже окрестили новым локальным королем.

🌟 Google продолжает развивать Project Genie — инструмент для создания интерактивных миров. Пишешь промпт или загружаешь картинку и получаешь 3D-пространство, по которому можно ходить в реальном времени, как в GTA. 720p, 24 FPS, фотореалистичная графика. Анонс был в августе прошлого года, теперь проект доступен узкому кругу пользователей.

Звучит как революция, но есть нюансы:
⚡️ Лимит 60 секунд на сессию
⚡️ Доступно только Ultra-подписчикам в США ($250/мес)
⚡️ Физика "видеоигровая", объекты ведут себя странно
⚡️ Латентность (задержка отклика) скачет при быстрых командах

Я добавлю пару роликов, чтобы вы заценили, как этим пользуется комьюнити.

Взрослые дяди с Уолл Стрит отреагировали моментально: акции Take-Two упали на 10%, Roblox на 12%, Unity на 21%. Инвесторы боятся, что AI изменит геймдев быстрее, чем ожидалось. Так может, зря CD Projekt Red 8 лет пилила Cyberpunk? И где там наш Half-Life 3, Вольво?

🌟 Пока Google продаёт доступ за $250, китайский open-source догоняет. LingBot-World от Robbyant — полностью открытый аналог Genie. Латентность меньше секунды, 16 FPS, сессии до 10 минут вместо 60 секунд. Бесплатно, можно хостить у себя. Вот технический отчет.

🌟 Вопрос в зал: GTA 6 откладывают уже третий год. Может, Rockstar просто ждёт, пока Genie сам сгенерирует Vice City? Или комьюнити на LingBot-World соберёт свой виртуальный Майами раньше?

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

#галлюцинации_недели

🌟 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