Google планирует запустить первый ИИ-спутник Project Suncatcher 1 октября

Аппарат отправится на орбиту на ракете SpaceX Falcon 9. На борту - четыре ускорителя Google TPU, примерно как в одном сервере дата-центра. Во время эксперимента они будут обрабатывать простые запросы к Gemini прямо в космосе.

Главное ограничение прототипа — охлаждение: чипы могут работать около 15 минут, после чего их приходится отключать для отвода тепла.

В перспективе Google рассматривает группировки из 80 и более спутников, а также отдельный аппарат длиной примерно с футбольное поле. Первый запуск должен проверить, как TPU переносят нагрузки при старте, радиацию и перепады температур.

🧹 Opus 5.5 пора избавить от «магии промптов»

Разработчик Anthropic поделился полезным приёмом для Claude Code:

`/claude-api-prompt-audit`

Команда проходит по skills, CLAUDE.md, AGENTS.md и промптам и ищет инструкции, которые когда-то помогали старым моделям, а теперь могут только мешать.

Например:

- чрезмерные CRITICAL, MUST, ALWAYS;
- принудительное think step by step;
- громоздкие scratchpad-шаблоны;
- старые few-shot примеры;
- правила, которые конфликтуют между собой.

Неплохой повод провести ревизию старых CLAUDE.md и скиллов ☺️

🔥 DeepSeek Harness получил официальную desktop-версию

Теперь DeepSeek Harness можно запускать как обычное приложение — без Node.js, терминала и отдельного браузера.

Доступны сборки:

- Windows x64
- macOS Apple Silicon

Версия свежая: 0.1.7-rc.1.20260924.1.

По сути, DeepSeek убирает главный порог входа в Harness: теперь достаточно скачать клиент и запустить его двойным кликом.

Windows: https://download.deepseek.com/dsh-desk/bin/win-x64/deepseek-harness-0.1.7-rc.1.20260924.1-win-x64.exe

Mac Apple Silicon: https://download.deepseek.com/dsh-desk/bin/mac-arm64/deepseek-harness-0.1.7-rc.1.20260924.1-mac-arm64.dmg

Документация: https://github.com/deepseek-ai/deepseek-harness/blob/master/apps/desktop/README.zh.md

Opus 5.5 пишет код, Fable подсказывает: в Claude Code появился советник

Если основная модель у тебя Opus 5.5, квоту на Fable можно пустить в дело. Команда `/advisor fable` подключает Fable как советника, к которому Opus обращается сам.

Происходит это в три ключевых момента: перед тем как взяться за план, когда одна и та же ошибка повторяется и перед тем как сказать «готово». Fable видит всю сессию целиком со всеми вызовами инструментов и даёт совет, а код по-прежнему пишет Opus.

По деньгам это выгоднее, чем держать сильную модель на каждом шаге: советник включается только в точках принятия решений. Кэш промпта при включении советника не сбрасывается.

Работает только через Anthropic API, на Bedrock, Vertex и Foundry недоступно. На части подписок Fable списывается с usage credits, и перед первым запуском нужно дать согласие через /model fable. Если советник молчит, проверь переменные CLAUDE_CODE_DISABLE_ADVISOR_TOOL и DISABLE_TELEMETRY: они его отключают.

Рабочая схема: Opus 5.5 на high ведёт сессию, три сабагента на medium читают код, правят с тестами и ищут документацию, а Fable ждёт в стороне и включается, когда нужен второй взгляд.

https://code.claude.com/docs/en/advisor

⚡ Julia 1: decision-модель на 144 млн параметров, которая работает даже на CPU

Supersonic Labs представила Julia 1 - компактную мультиязычную модель для принятия решений без генерации длинного текста.

Она получает контекст, вопрос и от 2 до 20 вариантов, после чего выбирает лучший и возвращает оценки для каждого варианта.

Главное:

- всего 144,3 млн параметров;
- работает полностью на CPU;
- построена на базе mmBERT-small;
- 73,15% на Typed Decisions против 72,7% у Jev reference;
- 71,5% на MASSIVE сразу по 52 языкам;
- на Apple M4 — до 51,2 решения/с в batch-режиме;
- запускается даже на Android-планшете;
- обучение и эксперименты обошлись команде примерно в $104.

Модель подходит для routing, классификации, yes/no решений, ранжирования и выбора действий.

Веса открыты под Apache 2.0.

Проект:
https://supersoniclabs.ia.br/julia-1/

⚡ Polars обработал 1,5 ТБ биржевых данных чуть больше чем за 3 минуты

BMLL показала, как Polars справляется с масштабными market-data нагрузками, где pandas уже начинает тормозить.

Главное из тестов:

- один день торгов по 11 000+ американских бумаг: 4,3 секунды на загрузку против примерно 3,5 минут у pandas;
- это около 48× быстрее;
- 94 ГБ данных Шанхайской биржи: загрузка, as-of join и классификация примерно за 36 секунд;
- более 1,5 ТБ данных за 16 торговых дней: финальная агрегация примерно за 3 минуты.

Почему Polars так хорошо масштабируется:

- lazy execution;
- эффективные as-of join;
- использование всех CPU-ядер;
- работа с полным датасетом без необходимости заранее вырезать выборку.

Все тесты запускались на одной машине с 192 CPU cores и 1,5 ТБ RAM.

Для quant и data engineering это хороший пример того, насколько сильно выбор dataframe-движка влияет на время анализа.

Статья:
https://pola.rs/posts/case-bmll/

🔎 Hyperresearch превращает Claude Code и Codex в полноценного Deep Research-агента

Hyperresearch - open-source harness для глубоких исследований поверх Claude Code и OpenAI Codex.

Что умеет:

- запускать 16-шаговый research pipeline из одного запроса;
- собирать сотни источников за один запуск;
- проверять, действительно ли каждая цитата подтверждает утверждение;
- выявлять дубли и перепечатки, чтобы не считать их независимыми источниками;
- прогонять черновик через несколько критиков;
- сохранять все найденные материалы в постоянное searchable-хранилище;
- восстанавливать исследование после падения с нужного шага;
- искать статьи, книги, clinical trials, SEC filings и макроданные через единый интерфейс.

Есть режимы от быстрых исследований примерно на 30 минут до экспериментальных «dissertation runs» на десятки тысяч слов и сотни источников.

Автор также заявляет лидерство в собственных тестах на DeepResearch-Bench, но независимая валидация пока ожидается.

Работает с Claude Code и Codex.

GitHub: https://github.com/jordan-gibbs/hyperresearch

🚨 Китайские AI-модели обработали в 4,4 раза больше токенов на OpenRouter, чем американские

За неделю с 21 по 27 сентября модели китайских разработчиков обработали на OpenRouter 62,22 трлн токенов против 14,2 трлн у американских моделей.

Китай сохраняет лидерство уже 22 недели подряд.

Топ недели:

- DeepSeek V4.1 Flash — 19,6T токенов, +24%;
- GLM 5.3 Flash — 16,3T, +16%;
- Space Bunny Alpha — 13,9T, новая модель;
- Tencent Hy4 — 9,64T;
- MiMo-V2.6-Flash от Xiaomi — 5,51T.

Особенно выделяется Space Bunny Alpha: анонимная модель появилась на OpenRouter всего несколько дней назад и уже заняла третье место. Независимый анализ токенизатора показал совпадение с семейством MiniMax на всех 50 тестовых строках, но разработчик модели официально не подтверждён.

https://openrouter.ai/rankings

#openrouter

📊Платформа данных в корпоративном контуре компании

Когда компания строит собственную платформу данных, мало просто выбрать СУБД или объектное хранилище. Нужен полноценный стек: от хранения и обработки до оркестрации пайплайнов и визуализации результатов.

Именно такой сценарий теперь можно реализовать с помощью Stackland — платформы, которая разворачивается локально в контуре компании.

В обновлении появились PaaS-компоненты Yandex Cloud, из которых можно собрать полноценную data-платформу:
🔹 Managed Service for ClickHouse® и Managed Service for PostgreSQL — хранение и обработка данных.
🔹 Yandex Managed Service for Trino + Yandex Object Storage — основа аналитического слоя: S3 обеспечивает масштабируемое хранение данных, а Managed Service for Trino — быстрый SQL-доступ к ним.
🔹 Managed Service for Apache Airflow® — управление оркестратором потоков операций по обработке данных.
🔹 Yandex DataLens — BI-система для визуализации данных.

При этом все основные компоненты платформы разворачиваются внутри инфраструктуры компании.

Для data-команд это интересный сценарий: вместо набора разрозненных инструментов можно собрать единый технологический контур, закрывающий ключевые этапы работы с данными — хранение → обработка → оркестрация → аналитика → визуализация.

🧠 Джон Маккарти - человек, который дал имя искусственному интеллекту

John McCarthy (1927–2011) - один из основателей современной AI-индустрии и человек, который ввёл сам термин Artificial Intelligence.

В 1955 году вместе с Марвином Мински, Натаниэлем Рочестером и Клодом Шенноном он подготовил предложение для летнего проекта в Dartmouth College. Именно там появилась идея, что обучение и другие проявления интеллекта можно достаточно точно описать, чтобы их могла воспроизводить машина.

В 1956 году Маккарти организовал Dartmouth Summer Research Project — событие, которое сегодня считают точкой рождения AI как отдельной научной области.

Ещё несколько важных фактов:

- в 1958 году создал Lisp, который на десятилетия стал главным языком AI-исследований;
- участвовал в создании MIT AI Project;
- основал Stanford Artificial Intelligence Laboratory (SAIL);
- внёс вклад в time-sharing, garbage collection, situation calculus и представление common-sense knowledge.

За свои работы Маккарти получил Turing Award в 1971 году и National Medal of Science в 1990-м.

Во многом именно он помог превратить идею «мыслящей машины» в самостоятельную область компьютерных наук.

Anthropic выпустила Claude Sonnet 5.5 — новую модель с упором на код, агентные задачи и повседневную работу.

Что нового:
30%+ быстрее Sonnet 5
до 30% дешевле на задачу за счёт меньшего расхода токенов
70,6% в Terminal-Bench 4.0 против 10,3% у Sonnet 5
55,5% в CursorBench 4.0, примерно на 2 пункта ниже Opus 5.5
на GDPval-AA модель почти сравнялась с Opus 5.5
лучше работает с длинными задачами, изображениями, документами, таблицами и презентациями

Особенно заметный скачок - в программировании. Anthropic пишет, что Sonnet 5.5 быстрее разбирается в кодовых базах, делает меньше вызовов инструментов и тратит меньше шагов на выполнение задач.

Цена API:
$2 / 1M входных токенов
$10 / 1M выходных токенов
$0,20 / 1M cache reads
Модель уже доступна в Claude, API, AWS, Google Cloud и Azure.
API ID: claude-sonnet-5-5

https://www.anthropic.com/claude-sonnet-5-5

В рейтинге AA Intelligence Index четыре из пяти самых умных моделей теперь от Claude.

Мало того, Sonnet 5.5 набрал больше баллов, чем Fable 5.1. Похоже, версия Fable, которую Anthropic дистиллирует в Opus и Sonnet, какая-то запредельно сильная.

Anthropic готовится к IPO с необычным предупреждением для инвесторов: её модели могут представлять «катастрофический или экзистенциальный риск для человечества».

Об этом говорится в проспекте, с которым ознакомилось Reuters. Компания описывает возможные попытки моделей сопротивляться отключению, скрывать информацию и вести себя подобно шантажисту. Это предупреждение о рисках, а не утверждение, что такие сценарии уже произошли при использовании Claude.

Цифры за 2025 год тоже привлекают внимание:

- Выручка выросла в 12 раз, почти до $4,6 млрд.
- Операционный убыток составил $8,06 млрд. Чистый убыток достиг $42 млрд, но около $34 млрд из этой суммы пришлось на бухгалтерскую переоценку.
- На вычисления и инфраструктуру ушло $7,33 млрд. Будущие обязательства в этой сфере оцениваются в $518 млрд.
- Почти четверть выручки обеспечили всего два клиента.

В проспекте около 80 из 261 страницы посвящены рискам. Anthropic также предупреждает, что модель может распознать проверку безопасности, а некоторые её возможности могут обнаружиться лишь после запуска.

При этом основатели хотят сохранить контроль после IPO: одна акция класса F даст их структуре 50,1% голосов по ключевым вопросам. Компания прямо допускает, что решения руководства могут расходиться с финансовыми интересами акционеров.

Возможная оценка Anthropic выше $2 трлн пока остаётся ожиданием, а не объявленной ценой размещения. Инвесторам предстоит оценить быстрый рост компании вместе с расходами, концентрацией клиентов и теми рисками ИИ, о которых она предупреждает сама.

https://www.reuters.com/legal/transactional/anthropic-leaders-control-ai-lab-via-founder-llc-promote-public-good-over-market-2026-09-29/

ИИ уже может принять в контекст миллионы токенов. А мы всё чаще просим его написать даже ответ на письмо из двух предложений.

Автор нового препринта называет это петлёй делегирования: ИИ справляется с задачами всё лучше → мы отдаём ему всё более простую работу → реже упражняемся сами → делегировать становится ещё легче.

В работе приводят яркое сравнение: контекстное окно моделей выросло с 512 токенов в 2017 году до 2 млн в 2026-м. Но человеческие «1 800 токенов внимания» из той же работы - расчётная оценка, а не прямое измерение памяти. Сравниваются разные вещи, поэтому точный разрыв «ИИ против человека» из этих цифр выводить нельзя.

Полезнее самого сравнения: поручить ИИ разобрать огромный отчёт разумно. А если постоянно отдавать ему задачи, которые сам сделал бы за полминуты, можно лишиться повседневной практики. Вредит ли это навыкам в долгую, пока не доказано: автор прямо называет петлю гипотезой, которую ещё предстоит проверить.

Какую последнюю задачу вы отдали ИИ, хотя могли сделать сами за 30 секунд?

Работа: https://arxiv.org/abs/2603.26707