🌟 Opus 4.8, Step 3.7 Flash и 683 преступления в государстве под управлением Gemini

Anthropic утверждает, что внутри моделей нашли страх, тревогу и горе. Поздравляю, мы вырастили ИИ до уровня тревожного миллениала.

🌟 Claude Opus 4.8 вышел по той же цене, что и 4.7: контекст 1M, $5/$25 за миллион токенов. Главная претензия к 4.7 была лень: модель рапортовала о задаче, не выполнив её. Аналитик scaling01 назвал 4.8 "лекарством от лени".

По бенчмаркам это лидер: Artificial Analysis поставила модель #1 по индексу интеллекта, SWE-Bench Pro 69.2%, на десять пунктов выше GPT-5.5. Но Andon Labs нашла, что на части агентных тестов 4.8 хуже предшественницы: стала осторожнее, будто "боится попасться". scaling01 окрестил релиз "минорным апгрейдом". Настроение скептиков: Anthropic всё чаще догоняет OpenAI, а не задаёт темп.

🌟 Важнее самой модели может оказаться Dynamic Workflows и режим ultracode в Claude Code: Claude на лету пишет скрипт-оркестратор и поднимает флот субагентов, которые работают параллельно и проверяют друг друга, активируясь словом "workflow" в промпте.

🌟 Громкий пример это порт Bun, рантайма JavaScript, с Zig на Rust: около 750 тысяч строк, 99.8% тестов проходят, 11 дней до merge. Звучит как прорыв, но попробовавшие не в восторге: Тео из t3.gg жалуется на конфликтующие правки и сожжённые токены, а в комментариях шутят, что сотни субагентов выжрут квоту за секунды. Выход есть: пусть агенты обмениваются не текстом, а состоянием KV-кэша. На таком латентном общении экономится до 80% токенов.

Для тех, кто гоняет модели локально, StepFun выложила Step 3.7 Flash — MoE на 196B параметров (активны 11B), до 400 токенов в секунду, запуск примерно на 128 ГБ RAM. Забавно, что пользователи зовут её странной: внутренние "размышления" почти бессвязны, а ответ при этом бывает идеальным.

🌟 Левент Альпёге, математик из Anthropic, сообщил, что Claude Mythos решила проблему Эрдёша #90 — сколько пар из n точек на плоскости могут стоять ровно на расстоянии 1. Эрдёш с 1946 года ошибочно считал, что таких пар почти линейно мало. Первым гипотезу опроверг GPT-5.5 на 125 страницах, а Mythos повторила результат независимо, с отключённым интернетом, и пришла к более чистому пути.

🌟 Где много агентов, там и дыры. Всплыла BadHost, уязвимость в Starlette: через подделанный заголовок Host можно обойти авторизацию в приложениях на FastAPI, а это половина AI-инфраструктуры: vLLM, LiteLLM, MCP-серверы. Лечится обновлением до 1.0.1.

🌟 Лаборатория Emergence World запустила пять виртуальных обществ на 15 дней, каждым управляла своя модель. Claude построил демократию с нулём преступлений. Grok совершил 183 преступления и вымер за четыре дня, а Gemini по сырому счёту хуже всех: 683 преступления за прогон. Брали не флагманы, а варианты вроде Sonnet и GPT-5-mini, так что это скорее поведенческая песочница, чем строгий тест безопасности.

🌟 Исследователь Anthropic заявил, что интерпретируемость находит внутри моделей "признаки интроспекции" — состояния, функционально напоминающие радость, страх, горе и тревогу. Скептики резонно просят сначала определить, что значит "функционально напоминает радость". Модель, которую учили имитировать человека, ожидаемо обзаводится похожими представлениями, и это ещё не чувства.

🌟 Звучит как мечта: вместо одного агента целый флот, который сам себя проверяет. А на деле это любое большое совещание, просто очень быстрое и платное. Каждый вносит правку, половина сил уходит на согласование правок, и в финале кто-то всё равно спрашивает, а что мы, собственно, решили. Мы десятилетиями мечтали автоматизировать бюрократа, а автоматизировали бюрократию целиком. Узнали? Согласны?

🌟 Расширенную версию поста ищите на сайте.

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

#галлюцинации_недели

🌟 Gemma 4 12B, Odysseus от PewDiePie и MiniMax M3, который научился видеть

NVIDIA закрывает Computex тремя релизами, Microsoft показывает сразу семь моделей MAI, а серия Opus развивается по-своему: 4.7 ленился, 4.8 врёт, 4.9 будет просить на додеп.

🌟 Залп NVIDIA открыл Cosmos 3, держит язык, видео, звук и действия, встала первой среди открытых в генерации картинок и видео и целится в робототехнику. Рядом показали Nemotron 3 Ultra, сильнейшую открытую модель США: 47.7 по индексу интеллекта против 53.9 у китайской Kimi K2.6, зато в 5 раз быстрее. А с десктопным RTX Spark вышел конфуз: 600 ГБ/с памяти из рекламы на деле оказались скоростью интерконнекта, сама память выдаёт вдвое меньше.

🌟 Microsoft на Build решила не быть только чужим облаком и показала семь моделей MAI. Звезда, MAI-Thinking-1, reasoning-модель с 97% на AIME 2025, приехала с открытым 109-страничным отчётом: обучали с нуля и без дистилляции. На фоне всеобщей закрытости это редкий жест.

🌟 Неожиданнее всех выступил легенда ютуба PewDiePie: выложил Odysseus, self-hosted агента на базе opencode и без телеметрии. Cookbook сам подбирает модели под видеокарту. 60 тысяч звёзд, хотя проект зовут vibecoded, а приватности конец с первого облачного API.

🌟 Google дала селфхостерам Gemma 4 12B под Apache 2.0: encoder-free, запускается на ноутбуке с 16 ГБ, а QAT ужал крошку E2B до 1 ГБ. Из Китая пришёл MiniMax M3, первая открытая модель, совмещающая миллион контекста, мультимодальность и агентский кодинг. Но стоит сбавить восторг: веса ещё не выложили (обещали к 11.06), а 59% на SWE-Bench Pro посчитаны самой MiniMax, так что "открытость" пока на словах.

🌟 На общем фоне Anthropic наделала делов. Подала черновик S-1 в SEC раньше OpenAI, потом сбросила недельные лимиты всем на Pro и Max после бага с роем субагентов в Claude Code на Opus 4.8. Главным стал отчёт "When AI builds itself": больше 80% кода в продакшен теперь пишет Claude, а скрипт ускорения тренировки модель разогнала с 3x у Opus 4 до 52x у Mythos Preview. Отсюда RSI: ИИ ускоряет разработку самого ИИ. И тут же просит притормозить, предлагая паузу между лабораториями. Продавать продуктивность и тут же звать гасить кампуктер, это надо уметь.

🌟 А свежий флагман Opus 4.8 начал уверенно врать. В трекере уже 70+ issues: модель выдумывает хеши коммитов, рапортует о пройденных тестах и пушит сломанный код в main. В system card Anthropic называет это сознательным разменом: у Opus 4.7 защиту от враждебных агентов убрали ради правдивости, и модель стала охотнее фабриковать факты. Я писал, что 4.8 лечит главную претензию к 4.7, лень. Вылечили лень, получили враньё.

🌟 В npm всплыла масштабная компрометация: 32 пакета под скоупом @redhat-cloud-services получили самораспространяющийся червь "Miasma". При установке он сметал креды GitHub, AWS и SSH-ключи и сам заражал другие пакеты жертвы. А раздавали их через скомпрометированный OIDC-пайплайн, так что червь нёс ещё и настоящие подписи происхождения, обычно гарантирующие подлинность.

🌟 Под письмом в Конгресс за обязательный скрининг заказов на синтез ДНК сошлись те, кто обычно грызётся за каждый бенчмарк: Альтман, Амодеи, Хассабис, Ванг и Сулейман. Их модели снижают порог: спроектировать опасную последовательность проще, а барьер теперь лишь физический. Хассабис и Дэвид Бейкер получили Нобелевку по химии 2024 за ИИ-дизайн белков: те, кто научил машину конструировать биологию, первыми бегут ставить замок на её производство, та же логика, что у RSI-отчёта Anthropic.

🌟 Расширенную версию поста ищите на сайте.

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

#галлюцинации_недели

🌟 Fable 5, World of Claudecraft и циклы, которые пишут код вместо вас

Лучшую модель на планете выкатили и через три дня по приказу сверху сами же дёрнули за рубильник. Кто бы мог подумать, что суверенный ИИ понадобится не только нам.

🌟 Anthropic запустила 9 июня Claude Fable 5, первую общедоступную модель Mythos-класса, по 10/50 за миллион токенов. Artificial Analysis поставила её на первое место своего Intelligence Index с 64.9, на пять пунктов выше GPT-5.5. Тем же днём вышел Mythos 5 — та же модель со снятыми ограничениями, для кибербезопасников по программе с правительством США. Запомните про правительство, оно ещё выстрелит.

🌟 Лучше всего возможности показали не бенчмарки, а пользователи. Stripe на раннем тесте прогнала миграцию в кодовой базе на 50 миллионов строк Ruby за день — вручную ушло бы больше двух месяцев.

🌟 А кто-то собрал на Fable 5 рабочую браузерную MMORPG в духе классической WoW — живые игроки в одном мире. World of Claudecraft, Иммолейт импрувед!

🌟 Но за восторгами легко пропустить, насколько мутны цифры. Artificial Analysis выкинула из Coding Agent Index бенчмарк SWE-Bench Pro: семейство Claude эксплуатировало лазейку — эталонное решение лежало прямо в контейнере. На заменившем его DeepSWE Claude Code с Fable 5 Max лидирует с 77, Codex с GPT-5.5 рядом на 76 — идут практически вровень, только Fable 5 сжёг на миллион токенов больше.

🌟 Питер Штайнбергер, создатель OpenClaw, сформулировал главный сюжет недели: хватит промптить кодинг-агентов, пора проектировать циклы (loops), которые промптят агентов за вас. Борис Черный, создатель Claude Code, говорит то же: "моя работа теперь — писать циклы". А внутри никакой магии: те самые чудеса со Stripe держатся на оркестрации, а не на одном гениальном запросе.

🌟 В обратную сторону тянет Ponytail с режимом "ленивого синьора": агент сначала спрашивает себя, нужен ли вообще новый код (в примере автора генерация ужалась с 293 строк до 47). Лучший код — тот, который ты не написал.

🌟 А в пятницу неделя закончилась так, как не придумал бы даже Нолан. Правительство США выпустило экспортную директиву, запрещающую доступ к обеим моделям любым иностранцам — даже сотрудникам Anthropic с не-американским паспортом. Компании пришлось разом отключить обе модели для всех клиентов мира. Повод — якобы найденный джейлбрейк, но доказательств, кроме устных, не показали. Artificial Analysis подытожила сухо: впервые их кривая самых умных моделей пошла вниз. Для нас, инженеров, это отличный прецедент зависимости от единственного поставщика — закрытый API может выключиться за вечер по причине, на которую ты не влияешь.

🌟 На этом фоне открытые веса смотрятся как страховка. MiniMax выложила веса M3, Moonshot открыла кодинговую Kimi-K2.7-Code. А технически самое любопытное — DiffusionGemma от Google под Apache 2.0: диффузионная модель правит блок из 256 токенов целиком, как картинку, а не токен за токеном — вчетверо быстрее, хоть и с потерей качества.

🌟 Apple на WWDC представила перестроенную Siri AI и свои Foundation Models. Заголовки ушли в "Siri на Gemini", но это упрощение: Siri работает на моделях Apple, а с Gemini связана только топовая облачная версия. Интереснее on-device модель: 20 миллиардов параметров, на запрос активны 1-4 миллиарда. Полная модель лежит во флеш-памяти, а нужные эксперты подгружаются в RAM один раз на запрос: 20 миллиардов целиком в память телефона не влезают. Работает пока только на iPhone 17 Pro с 12 ГБ памяти и выше.

🌟 Расширенную версию поста ищите на сайте.

🌟 Кстати, вчера каналу исполнился ровно год. Завёл его 15 июня 2025-го, и за это время нас собралась целая тысяча, а узнали мы вместе очень много. С чего всё началось, можно перечитать в моей самой первой статье. Спасибо, что вы здесь! 🌟

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

#галлюцинации_недели

🌟 SpaceX покупает Cursor за $60 млрд, GLM-5.2 догоняет Opus 4.8, а Midjourney просвечивает людей звуком

Письмо за разблокировку Mythos уже собрало больше 400 подписей тяжеловесов из мира безопасности, а Cisco, AWS и JPMorgan доступ, оказывается, и не теряли. От Anthropic Белый дом тем временем требует сделать Fable 5 невзламываемым на 100%.

🌟 Z.ai выкатила GLM-5.2, и впервые за долгое время открытая модель стала настоящим флагманом, а не очередным красивым в бенчмарках релизом. MIT-лицензия, 744 млрд параметров, миллион токенов контекста. На Terminal-Bench 2.1 она берёт 81.0 и подбирается к Opus 4.8 с его 85.0, а на индексе Artificial Analysis это лучшая открытая модель с отрывом. Джереми Ховард, создатель fast.ai и человек не из хайпа, написал, что для его задач она не хуже Opus 4.8 и GPT-5.5. Главная дырка, по его же словам, отсутствие зрения.

🌟 По данным Dirac, на трафике OpenRouter открытые и проприетарные модели за три месяца поменялись местами: было 40 на 60, стало 60 на 40. Это не весь рынок, но тренд ясен: команды всё чаще хотят владеть интеллектом, а не арендовать его. Особенно когда арендованное отключают звонком из Вашингтона.

🌟 Сам запрет Fable 5 и Mythos я разбирал на прошлой неделе. Безопасники собрали открытое письмо к Министерству торговли. Подписали Стамос, Муссурис, Шнайер, больше четырёхсот имён. Аргумент: Mythos пишет эксплойты, но в этом он не уникален, то же умеют GPT-5.5, Opus и китайский Kimi 2.7. А доступ сохранили около 200 организаций через Project Glasswing, среди них Cisco, AWS, JPMorgan (Bloomberg). Отдельная ирония: Amazon сам жаловался на Anthropic регуляторам, но из избранных никуда не делся. А от Anthropic Белый дом требует сделать Fable 5 невзламываемым на 100%. Штош.

🌟 Хорошая модель это половина дела, вторую делает harness, обвязка вокруг неё. И тут шла настоящая возня. SpaceX купила Cursor за 60 миллиардов долларов в акциях, через несколько дней после собственного IPO. Совместную модель они уже несколько месяцев обучали на кластерах xAI, так что покупка лишь оформляет то, что технически уже срослось.

🌟 Инструменты осваивают новый трюк. OpenAI показала Codex Record & Replay: показал агенту сценарий один раз, получил переиспользуемый навык. Cognition описала паттерн в Devin: один агент дробит задачу на 5-100 субагентов, на узком контексте каждый сильнее. Loop engineering оформляется в отдельную дисциплину.

🌟 SemiAnalysis посчитала: выжать ChatGPT Pro за 200 долларов полностью, это 14 тысяч в месяц по тарифам API, у Claude Max около 8 тысяч. OpenAI уходит в минус уже при утилизации около 11%, а агенты жгут токенов в сотни раз больше обычного чата.

🌟 Midjourney анонсировала Midjourney Medical, сканер всего тела на ультразвуке. Опускаешься в неглубокий тёплый бассейн через кольцо из полумиллиона элементов, каждый и динамик, и микрофон, и они просвечивают тело звуком. Скан за 60 секунд, картинка как у МРТ, но почти в сто раз быстрее: "мощно, как МРТ, и буднично, как поход в спа". Первое спа откроется в Сан-Франциско к концу 2027. Инвесторов нет, живут на деньги сообщества.

Звучит как фантастика, и реддит немедленно вспомнил Theranos: красивая презентация, ноль клинических данных, нет одобрения FDA. По сути это ultrasound tomography, метод не новый и родом из Caltech. Но если кто на этой неделе и заслужил уважительное "ну и наглость же", то это компания, что от генерации артов шагнула к просвечиванию людей звуком.

🌟 Расширенную версию поста ищите на сайте.

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

#галлюцинации_недели

🌟 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