⚡️ Claude помог ускорить собственный интерфейс втрое за две недели

Anthropic рассказала, как команда вместе с Claude внесла более 3000 изменений в claude.ai и десктопное приложение. По данным компании - без пользовательских инцидентов и откатов.

Результаты по 75-му перцентилю:
— Готовность сайта к вводу: 3,1 → 0,55 секунды.
— Загрузка облачной сессии Cowork: 2,6 → 0,73 секунды.
— Запуск десктопного приложения: 6,3 → 3,3 секунды.

Всё координировали в Slack: одновременно шло более 150 тредов. Claude находил узкие места, создавал бенчмарки, готовил исправления и проверял метрики после выпуска. Каждое изменение одобрял человек.

Среди находок — 6900 React-хуков и 900 подписок, участвовавших в обработке каждого нажатия клавиши, и лишний вызов location.reload(), вызывавший полмиллиона скрытых перезагрузок в день.

Чтобы ускорения сохранялись, в CI добавили проверки: изменение, увеличивающее число инструкций на контролируемом участке, не проходит.

Ускорили загрузку, навигацию и отрисовку интерфейса. Заявленные «3×» относятся именно к этим сценариям.

https://claude.dev/blog/how-we-made-claude-ai-faster/

📊 Когда один аналитический вопрос превращается в квест по нескольким системам

Продажи — в одной системе, остатки — в другой, данные о клиентах — в третьей. А чтобы получить нормальный ответ, всё это сначала нужно собрать в одном месте.

Yandex B2B Tech представила DataLens Platform — новую платформу для полного цикла работы с данными.

В её основе — lakehouse на S3 и Apache Iceberg. Для интерактивных запросов используется Trino, для ресурсоемких преобразований — Spark, а за оркестрацию пайплайнов отвечает Airflow.

На уровне всей платформы работают единый каталог метаданных и общая модель доступа. Здесь же доступны инструменты визуализации и Нейроаналитик, который помогает исследовать данные, создавать SQL-запросы и строить графики.

Сейчас можно подать заявку на ранний доступ. Общедоступный релиз запланирован на март 2027 года.

По оценке компании, такой подход позволяет сократить затраты на аналитику до 30%, а подготовку отчетов и дашбордов — ускорить в 3–5 раз.

📎 Подробнее — в материале СМИ.

DeepSeek вышла на $1 млрд выручки в годовом выражении

По данным The Information, ещё несколько месяцев назад показатель составлял менее $500 млн. Речь о текущем темпе выручки, пересчитанном на год.

При этом более 70% вычислительных мощностей DeepSeek направляет на обучение новых моделей, а на обработку пользовательских запросов - менее 30%.

Компания подняла цены на API в 2,3-4,5 раза. По словам Ляна Вэньфэна на встрече с инвесторами, число клиентов после этого не сократилось, а спрос остался высоким. Валовая маржа API-бизнеса за январь–июль достигла 82,9%.

DeepSeek также завершает переговоры о новом раунде финансирования примерно на $7,5 млрд при оценке около $74 млрд. Закрыть его рассчитывают до конца октября.

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.