Forwarded from сбежавшая нейросеть
Opus 5.5: замедляем ускоряем фронтир
Итак, Claude Fable 5.1 продержалась на посту флагмана Anthropic всего три недели – вышедший сегодня Opus 5.5 обходит ее почти во всех бенчмарках и выглядит сильным соперником для GPT-6 Astra. Особенно впечатляюще смотрится скачок в индексе Artificial Analysis: с 53 баллов у GPT-6 и Fable 5.1 до 58 баллов у Opus 5.5.
Подробный разбор бенчмарков я в этот раз вынес на картинку (ее рисовал уже Opus 5.5), в тексте отмечу только самое важное. Главный отрыв – в офисной работе: документы, таблицы, презентации. Здесь рейтинг ставит Opus 5.5 далеко впереди и Fable 5.1, и GPT-6. В программировании картина скромнее: по данным Anthropic модель уходит в отрыв, но в независимом замере идет с GPT-6 вровень. А в научных задачах и автоматизации бизнес-процессов GPT-6 пока впереди.
При этом Opus 5.5 стоит $4 за миллион токенов на входе и $20 на выходе – на 20% дешевле Opus 5 и в 2,5 раза дешевле Fable 5.1 и GPT-6.
У индекса Artificial Analysis есть проблема – в текущей версии он состоит из бенчмарков, которые замеряют умение отвечать на вопросы, работать с документами и в терминале, а задачи, связанные, например, с компьютерным зрением, в него не входят. Этим, кстати, отчасти объясняется паритет GPT-6 с Fable 5.1.
Впрочем, с компьютерным зрением у Opus 5.5 тоже все отлично – именно здесь у модели самый резкий скачок. На редких профессиональных графиках – биржевых свечах, потоковых диаграммах, розах ветров – Opus 5.5 без вспомогательных инструментов решает 64% задач, против 30% у Opus 5 и 45% у Fable 5.1. Даже в самом дешевом режиме, за пару центов за задачу, модель читает графики точнее, чем Fable на любых настройках. Anthropic приводит и бытовые примеры: модель теперь понимает, какие блоки соединяет стрелка на схеме и во сколько начинается встреча на скриншоте календаря.
По снимкам детали Opus 5.5 пишет код ее 3D-модели и здесь сравнялся с GPT-6, у которой пространственное мышление было главным козырем. А за компьютером, работая по скриншотам, доводит до конца почти половину задач – 49% против 37% у Opus 5.
Для подписчиков Anthropic подняла пятичасовые лимиты на Pro, Max и Team, также подарила один ручной сброс лимитов – его надо использовать до 22 октября. Меня же радует, что на планах Max на новинку можно тратить все 100% недельного лимита, в отличие от 50% на Fable 5.1. С учетом того, что по бенчмаркам не видно ни одного кейса, где Fable 5.1 лучше Opus 5.5, получается, что подписка Max разом стала в два раза эффективнее.
На максимальных настройках Opus 5.5 думает заметно дольше предшественника и тратит в 1,6 раза больше токенов – в итоге задача обходится примерно в те же деньги, что и у Opus 5, и лимит сгорает так же быстро.
По замерам Artificial Analysis, выгода начинается на ступеньку ниже: на уровне high новая модель показывает результат Fable 5.1 на максимуме примерно за четверть цены. Недаром по умолчанию Anthropic ставит пользователям medium, а в руководстве советует сначала опробовать модель на этом уровне, повышая лимит рассуждений только тогда, когда недовольны результатом.
Opus 5.5 – первый релиз Anthropic после того, как Дарио Амодеи призвал замедлить гонку передовых моделей. Вышла модель дешевле, быстрее и с большими лимитами, а в ее системной карточке приводится оценка: ИИ уже ускоряет разработку новых моделей примерно в полтора раза.
При этом по безопасности Opus 5.5 – лучшая модель компании. В автоматическом аудите она обошла все недавние Claude почти по всем видам нежелательного поведения и оказалась самой честной. Попыток выйти за пределы «песочницы» у нее на 85% меньше, чем у Opus 5 и Mythos 5.1, а перед рискованным действием она чаще спрашивает разрешения у пользователя.
В общем, анонсом я доволен. Anthropic уже пообещала выпустить Sonnet 5.5 и Haiku 5.5, плюс что-то надо делать с Fable – при нынешнем темпе это “странный флагман на три недели”.
—
Своим опытом работы с ИИ я делюсь в подписке. Недавно там вышел лонгрид, как выжимать максимум из GPT-6 и Fable 5.1 – изложенные в нем базовые правила подойдут и для Opus 5.5.
— Читать на “Бусти”
— Читать на Sponsr
Итак, Claude Fable 5.1 продержалась на посту флагмана Anthropic всего три недели – вышедший сегодня Opus 5.5 обходит ее почти во всех бенчмарках и выглядит сильным соперником для GPT-6 Astra. Особенно впечатляюще смотрится скачок в индексе Artificial Analysis: с 53 баллов у GPT-6 и Fable 5.1 до 58 баллов у Opus 5.5.
Подробный разбор бенчмарков я в этот раз вынес на картинку (ее рисовал уже Opus 5.5), в тексте отмечу только самое важное. Главный отрыв – в офисной работе: документы, таблицы, презентации. Здесь рейтинг ставит Opus 5.5 далеко впереди и Fable 5.1, и GPT-6. В программировании картина скромнее: по данным Anthropic модель уходит в отрыв, но в независимом замере идет с GPT-6 вровень. А в научных задачах и автоматизации бизнес-процессов GPT-6 пока впереди.
При этом Opus 5.5 стоит $4 за миллион токенов на входе и $20 на выходе – на 20% дешевле Opus 5 и в 2,5 раза дешевле Fable 5.1 и GPT-6.
У индекса Artificial Analysis есть проблема – в текущей версии он состоит из бенчмарков, которые замеряют умение отвечать на вопросы, работать с документами и в терминале, а задачи, связанные, например, с компьютерным зрением, в него не входят. Этим, кстати, отчасти объясняется паритет GPT-6 с Fable 5.1.
Впрочем, с компьютерным зрением у Opus 5.5 тоже все отлично – именно здесь у модели самый резкий скачок. На редких профессиональных графиках – биржевых свечах, потоковых диаграммах, розах ветров – Opus 5.5 без вспомогательных инструментов решает 64% задач, против 30% у Opus 5 и 45% у Fable 5.1. Даже в самом дешевом режиме, за пару центов за задачу, модель читает графики точнее, чем Fable на любых настройках. Anthropic приводит и бытовые примеры: модель теперь понимает, какие блоки соединяет стрелка на схеме и во сколько начинается встреча на скриншоте календаря.
По снимкам детали Opus 5.5 пишет код ее 3D-модели и здесь сравнялся с GPT-6, у которой пространственное мышление было главным козырем. А за компьютером, работая по скриншотам, доводит до конца почти половину задач – 49% против 37% у Opus 5.
Для подписчиков Anthropic подняла пятичасовые лимиты на Pro, Max и Team, также подарила один ручной сброс лимитов – его надо использовать до 22 октября. Меня же радует, что на планах Max на новинку можно тратить все 100% недельного лимита, в отличие от 50% на Fable 5.1. С учетом того, что по бенчмаркам не видно ни одного кейса, где Fable 5.1 лучше Opus 5.5, получается, что подписка Max разом стала в два раза эффективнее.
На максимальных настройках Opus 5.5 думает заметно дольше предшественника и тратит в 1,6 раза больше токенов – в итоге задача обходится примерно в те же деньги, что и у Opus 5, и лимит сгорает так же быстро.
По замерам Artificial Analysis, выгода начинается на ступеньку ниже: на уровне high новая модель показывает результат Fable 5.1 на максимуме примерно за четверть цены. Недаром по умолчанию Anthropic ставит пользователям medium, а в руководстве советует сначала опробовать модель на этом уровне, повышая лимит рассуждений только тогда, когда недовольны результатом.
Opus 5.5 – первый релиз Anthropic после того, как Дарио Амодеи призвал замедлить гонку передовых моделей. Вышла модель дешевле, быстрее и с большими лимитами, а в ее системной карточке приводится оценка: ИИ уже ускоряет разработку новых моделей примерно в полтора раза.
При этом по безопасности Opus 5.5 – лучшая модель компании. В автоматическом аудите она обошла все недавние Claude почти по всем видам нежелательного поведения и оказалась самой честной. Попыток выйти за пределы «песочницы» у нее на 85% меньше, чем у Opus 5 и Mythos 5.1, а перед рискованным действием она чаще спрашивает разрешения у пользователя.
В общем, анонсом я доволен. Anthropic уже пообещала выпустить Sonnet 5.5 и Haiku 5.5, плюс что-то надо делать с Fable – при нынешнем темпе это “странный флагман на три недели”.
—
Своим опытом работы с ИИ я делюсь в подписке. Недавно там вышел лонгрид, как выжимать максимум из GPT-6 и Fable 5.1 – изложенные в нем базовые правила подойдут и для Opus 5.5.
— Читать на “Бусти”
— Читать на Sponsr
Forwarded from NN
Вышли GPT-6 Sol и Luna. Модели подешевели в 2 раза и взяли всё лучшее от Astra: их прокачали в кодинге, работе с компьютером и сложными задачами.
Luna на максимальном уровне работает как новая Sol на минимальном, но тратит до 10 раз меньше. А Sol справляется с некоторыми задачами в ~5 раз дешевле, чем Opus 5.
И самое приятное: все подписчики Claude и ChatGPT получили по бесплатному сбросу.
Luna на максимальном уровне работает как новая Sol на минимальном, но тратит до 10 раз меньше. А Sol справляется с некоторыми задачами в ~5 раз дешевле, чем Opus 5.
И самое приятное: все подписчики Claude и ChatGPT получили по бесплатному сбросу.
🔥1
Forwarded from сбежавшая нейросеть
GPT-6 Sol и GPT-6 Luna – не рекордсмены, зато значительно дешевле
Спустя час с небольшим после анонса Claude Opus 5.5 OpenAI представила GPT-6 Sol и GPT-6 Luna. Это средняя и младшая модели в линейке компании, так что без сюрпризов – GPT-6 Astra в бенчмарках они не достают, линейка получается ровная. В отличие, кстати, от Anthropic, у которой Opus 5.5 побил стоящую классом выше Fable 5.1 всего через три недели после ее выхода.
По этому поводу вижу некоторое разочарование в соцсетях: все ждали рекордов в бенчмарках, а получили… просто двух прилежных трудяг. Или не так?
Рекорды есть – и они в цене. Для примера возьмем результат GPT-6 Luna: в бенчмарке на сложный кодинг DeepSWE она набирает 66,6% – это уровень Fable 5 и Opus 5 в среднем режиме рассуждений, но в 14-25 раз дешевле. Фронтир начала лета теперь доступен каждому и за копейки.
Еще один интересный результат GPT-6 Luna – в бенчмарке OSWorld 2.0, который отвечает за работу за компьютером, она обходит GPT-5.6 Sol на среднем режиме при цене 10 раз ниже (52,7%, $0,27 за задачу против 49,7%, $2,73 за задачу).
С GPT-6 Sol похожая история: в бенчмарке на автоматизацию рабочих процессов у модели результат в 33,2% против 26,9% у Opus 5 max при стоимости задачи у последнего в 11,1 раза выше.
Такие показатели достигаются не только ростом эффективности в бенчмарках, но и ценой – обе модели сделали минимум в два раза дешевле, чем GPT-5.6 Sol и GPT-5.6 Luna. Касается это не только API, но и лимитов в подписках ChatGPT.
А главный, пожалуй, минус релиза – полный кошмар в меню выбора модели. Теперь там сразу три GPT-6: Astra, Sol и Luna, причем у каждой – по несколько режимов рассуждений. Честно говоря, такого не было даже в начале 2025-го, когда над model picker в ChatGPT смеялся каждый.
Какая модель и для чего годится – еще предстоит понять. Но базовая схема проста: работаете над чем-то сложным и в первый раз – берите GPT-6 Astra. Как только задача перешла в процесс отлаженных – пробуйте перекинуть ее на Sol или Luna, чтобы сэкономить лимиты.
Другой вариант – использовать GPT-6 Astra для планирования, а выполнение плана поручать более простой модели. В финале для проверки возвращаться к GPT-6 Astra снова.
В сообществе ClaudeDevs видел и противоположный подход – задачу выполняет простая модель, в инструкциях которой прописано разрешение вызывать модель классом выше “для консультаций”. Мне такой вариант не зашел, но можете попробовать.
Что еще? В честь выхода моделей OpenAI раздала всем пользователям ручной сброс лимитов – использовать его можно будет в течение месяца. Ну и не забываем, что через неделю компания проводит DevDay для разработчиков, к которому обещаны новые запуски. С большой вероятностью это будет Codex Bot – ИИ-ассистент наподобие OpenClaw и Hermes, но более безопасный и простой в установке.
GPT-6.1 Astra? Ну, небольшой шанс есть – надо же отвечать Anthropic с их успешным Claude Opus 5.5.
—
Выход недорогих GPT-6 Sol & Luna – лучший момент наконец-то начать использовать ИИ-агента. У меня есть подробное руководство по вкату в ИИ-агентов, в котором подробно разобраны Codex, ChatGPT Work и Claude Code в разных вариантах установки.
Спустя час с небольшим после анонса Claude Opus 5.5 OpenAI представила GPT-6 Sol и GPT-6 Luna. Это средняя и младшая модели в линейке компании, так что без сюрпризов – GPT-6 Astra в бенчмарках они не достают, линейка получается ровная. В отличие, кстати, от Anthropic, у которой Opus 5.5 побил стоящую классом выше Fable 5.1 всего через три недели после ее выхода.
По этому поводу вижу некоторое разочарование в соцсетях: все ждали рекордов в бенчмарках, а получили… просто двух прилежных трудяг. Или не так?
Рекорды есть – и они в цене. Для примера возьмем результат GPT-6 Luna: в бенчмарке на сложный кодинг DeepSWE она набирает 66,6% – это уровень Fable 5 и Opus 5 в среднем режиме рассуждений, но в 14-25 раз дешевле. Фронтир начала лета теперь доступен каждому и за копейки.
Еще один интересный результат GPT-6 Luna – в бенчмарке OSWorld 2.0, который отвечает за работу за компьютером, она обходит GPT-5.6 Sol на среднем режиме при цене 10 раз ниже (52,7%, $0,27 за задачу против 49,7%, $2,73 за задачу).
С GPT-6 Sol похожая история: в бенчмарке на автоматизацию рабочих процессов у модели результат в 33,2% против 26,9% у Opus 5 max при стоимости задачи у последнего в 11,1 раза выше.
Такие показатели достигаются не только ростом эффективности в бенчмарках, но и ценой – обе модели сделали минимум в два раза дешевле, чем GPT-5.6 Sol и GPT-5.6 Luna. Касается это не только API, но и лимитов в подписках ChatGPT.
А главный, пожалуй, минус релиза – полный кошмар в меню выбора модели. Теперь там сразу три GPT-6: Astra, Sol и Luna, причем у каждой – по несколько режимов рассуждений. Честно говоря, такого не было даже в начале 2025-го, когда над model picker в ChatGPT смеялся каждый.
Какая модель и для чего годится – еще предстоит понять. Но базовая схема проста: работаете над чем-то сложным и в первый раз – берите GPT-6 Astra. Как только задача перешла в процесс отлаженных – пробуйте перекинуть ее на Sol или Luna, чтобы сэкономить лимиты.
Другой вариант – использовать GPT-6 Astra для планирования, а выполнение плана поручать более простой модели. В финале для проверки возвращаться к GPT-6 Astra снова.
В сообществе ClaudeDevs видел и противоположный подход – задачу выполняет простая модель, в инструкциях которой прописано разрешение вызывать модель классом выше “для консультаций”. Мне такой вариант не зашел, но можете попробовать.
Что еще? В честь выхода моделей OpenAI раздала всем пользователям ручной сброс лимитов – использовать его можно будет в течение месяца. Ну и не забываем, что через неделю компания проводит DevDay для разработчиков, к которому обещаны новые запуски. С большой вероятностью это будет Codex Bot – ИИ-ассистент наподобие OpenClaw и Hermes, но более безопасный и простой в установке.
GPT-6.1 Astra? Ну, небольшой шанс есть – надо же отвечать Anthropic с их успешным Claude Opus 5.5.
—
Выход недорогих GPT-6 Sol & Luna – лучший момент наконец-то начать использовать ИИ-агента. У меня есть подробное руководство по вкату в ИИ-агентов, в котором подробно разобраны Codex, ChatGPT Work и Claude Code в разных вариантах установки.
🤔1
Forwarded from НейроProfit | Соня Pro Ai
Вчера дорогой ИИ резко подешевел: вышли GPT-6 Sol, Luna и Claude Opus 5.5
OpenAI и Anthropic в один день опустили ИИ в цене) Вопрос теперь не какая модель самая умная, а Зачем дорогая модель, если большую часть работы можно сделать дешевле? Разбираемся👇🏻
🪼 Claude Opus 5.5 - уровень Fable 5.1 на большинстве задач, но типичная задача на 40% дешевле Opus 5, генерация на 30% быстрее. API $4/$20 вместо $5/$25, чтение кэша - $0,20 вместо $0,50. В кодинге неожиданно сильно: Terminal-Bench 4.0 - 66,4% против 57,9% у GPT-6 Astra и 55,8% у Fable 5.1. А независимый Artificial Analysis вообще поставил Opus 5.5 на max на 1 место своего Intelligence Index - 58 баллов, выше Fable 5.1 и Astra (у обеих по 53). В отдельных бизнес- и научных агентных тестах Astra пока впереди.
Как Anthropic теперь советует с ней работать - вышел Гайд по Opus 5.5, и подход почти противоположный старому промптингу👇
Еще я заметила, что Opus 5.5 любит увлечься и начать улучшать все вокруг, поэтому особенно полезно задавать рамки заранее.
🪼 GPT-6 Sol - теперь мой любимчик, не умнее, зато эффективнее и вдвое дешевле 5.6 Sol ($2/$10), и, по данным OpenAI, вдвое меньше фактических ошибок чем у GPT-5.6 Sol. Это OpenAI приукрасили, Artificial Analysis показал маленький отрыв: GPT-5.6 Sol - 47 баллов и GPT-6 Sol - 48. Но это им можно простить за то, что у GPT-6 Sol классное соотношение цена/результат. Цена их тестовой задачи упала почти вдвое: $1,99 → $1,06
Я это заметила на своем лимите: дала Sol на high задачу - сходить по ссылкам в тг, прочитать посты в черновике и собрать аналитику. В итоге потратила только 4% 5-часового лимита и всего 1% недельного. С GPT-5.6 Sol у меня уходило ощутимо больше. Я пока использую Sol для ресерча, ревью, работы с инструментами, задач, где у меня есть четкое видение результата
🪼 GPT-6 Luna - самый дешевый релиз: $0,10/$0,50 против $10/$50 у Astra и Fable - разница в десятки раз. При том на сложном кодинге (DeepSWE) выдает уровень Opus 5 и Fable 5 на medium, а задача дешевле на 93-96%. И ее дают даже бесплатно - в десктопном приложении.
Luna не маленькая и глупая модель, ей вполне можно отдать SQL и скрипты, классификацию и извлечение данных, HTML/JS, черновые прогоны, пачки однотипных задач, дешевых субагентов
НО! Дешево не значит быстро. На max может думать около 2 минут до первого токена. Для пачки из сотен задач - годится, но когда сидишь и ждешь результат Sol удобнее.
Обе модели доступны в Work и Codex, но не в обычном Chat
🪼 Обе компании накинули подписчикам по сохраняемому сбросу лимитов - Anthropic заодно подняли пятичасовые лимиты на Pro, Max, Team.
Раньше вопрос был "Claude или ChatGPT, какая модель лучше?". Теперь логичнее другой: "какую часть задачи какой модели отдать?" Например: Astra или Fable планирует → Luna делает массовые подзадачи → Sol проверяет → Opus подключается там, где нужен длинный самостоятельный проход или второй сильный взгляд.
Выбирать одну модель стало просто невыгодно. И да, Anthropic уже обещает Sonnet 5.5 и Haiku 5.5 "в ближайшие недели"
@NeuralProfit
OpenAI и Anthropic в один день опустили ИИ в цене) Вопрос теперь не какая модель самая умная, а Зачем дорогая модель, если большую часть работы можно сделать дешевле? Разбираемся
Как Anthropic теперь советует с ней работать - вышел Гайд по Opus 5.5, и подход почти противоположный старому промптингу
• для длинных задач можно заставить ее вести TASKS.md, раскидывать работу между субагентами и проверять их результаты
• не пишите ейthink carefullyидумай шаг за шагом- Opus 5.5 и так думает перед каждым ответом, глубина регулируется уровнем effort
• отдавайте задачу целиком
• для ресерча Anthropic советует прямо просить: отметь, что не удалось подтвердить и где искал
• главное - сразу написать, что значит "готово" и когда остановиться и спросить вас. Один из ранних тестировщиков так оставил ее работать 18+ часов без присмотра на шести репозиториях
Еще я заметила, что Opus 5.5 любит увлечься и начать улучшать все вокруг, поэтому особенно полезно задавать рамки заранее.
Я это заметила на своем лимите: дала Sol на high задачу - сходить по ссылкам в тг, прочитать посты в черновике и собрать аналитику. В итоге потратила только 4% 5-часового лимита и всего 1% недельного. С GPT-5.6 Sol у меня уходило ощутимо больше. Я пока использую Sol для ресерча, ревью, работы с инструментами, задач, где у меня есть четкое видение результата
Luna не маленькая и глупая модель, ей вполне можно отдать SQL и скрипты, классификацию и извлечение данных, HTML/JS, черновые прогоны, пачки однотипных задач, дешевых субагентов
НО! Дешево не значит быстро. На max может думать около 2 минут до первого токена. Для пачки из сотен задач - годится, но когда сидишь и ждешь результат Sol удобнее.
Обе модели доступны в Work и Codex, но не в обычном Chat
Где какую модель лучше использовать:
• Opus 5.5 - UI, лендинги, прототипы, большие кодовые задачи, длинные проходы в Claude Code, соавторство и сильный второй взгляд
• Sol - повседневная серьезная работа: ресерч, фичи, код-ревью, инструменты, задачи с дедлайном
• Luna - все, чего много: SQL, классификация, скрипты, варианты, обработка данных и подзадачи
• Fable 5.1 и Astra - когда задача особенно неоднозначная, нужна максимальная глубина или Opus или Sol уже уперлись в потолок
Раньше вопрос был "Claude или ChatGPT, какая модель лучше?". Теперь логичнее другой: "какую часть задачи какой модели отдать?" Например: Astra или Fable планирует → Luna делает массовые подзадачи → Sol проверяет → Opus подключается там, где нужен длинный самостоятельный проход или второй сильный взгляд.
Выбирать одну модель стало просто невыгодно. И да, Anthropic уже обещает Sonnet 5.5 и Haiku 5.5 "в ближайшие недели"
@NeuralProfit
Please open Telegram to view this post
VIEW IN TELEGRAM
😁1
Forwarded from сбежавшая нейросеть
This media is not supported in your browser
VIEW IN TELEGRAM
Claude Mythos нашел в ДНК что-то непонятное. С этого может начаться великое открытие
В 1987 году японские биологи из Осакского университета изучали один ген кишечной палочки. По соседству с ним они заметили странный участок ДНК: короткая последовательность повторялась раз за разом, а между повторами стояли разные вставки. Что это такое, исследователи не поняли и честно написали в статье, что биологическое значение находки неизвестно.
Через 33 года за метод, который вырос из этих повторов, дали Нобелевскую премию. Это был CRISPR – технология редактирования генов, на которой сегодня строят лекарства.
Теперь похожее “что-то” заметила нейросеть. Anthropic рассказала, как агенты Claude Mythos 5 разбирали огромную базу генетических последовательностей и нашли в ДНК вирусов, поражающих бактерии, неописанную систему. В ней три части: фермент, который переписывает РНК в ДНК, длинный ряд повторов перед ним и белок-партнер. Anthropic назвала находку ART.
В CRISPR повторы работают как картотека. Между ними бактерия хранит кусочки ДНК вирусов, которые на нее уже нападали, и по этим записям белок находит врага и режет его. Подложите свою запись – и он разрежет нужное вам место. Поэтому CRISPR и стал инструментом.
Первый эксперимент с ART показал одно сходство с CRISPR: ряд повторов нарезается на отдельные короткие РНК. Что делает сама система, пока не знает никто, включая авторов. Не доказано даже, что фермент в ней работает.
Повторы Mythos 5 искать никто не просил. Агентам поручили другое: найти у таких ферментов новых “напарников” – белки, которые постоянно встречаются рядом с ними и, видимо, работают в паре. Дальше агенты действовали сами, 21 час без участия людей.
Первый напарник оказался ложным: рядом с ферментом стоял обычный ген самого вируса. Агент разобрался и отверг связь – это просто порядок генов, никакого партнерства. Но фермент показался ему похожим на бактериальные системы защиты, и он оставил задачу присмотреться к нему еще раз.
Такие ферменты у бактерий обычно работают в паре с РНК, записанной прямо перед ними. Следующему агенту поручили заглянуть туда. Он загрузил почти три тысячи букв сырой ДНК и написал:
Через пару строк агент сам себя одернул:
Агент подозревал простое – вдруг такое уже описано? Агенты посчитали повторы, сверили находку с CRISPR и другими известными системами, прошлись по литературе и только потом отправили отчет людям.
Сам фермент ученые нашли еще в 2021 году, когда расшифровывали геном одного из таких вирусов. Они даже предположили, что перед ним записана РНК, но ни о повторах, ни о белке-партнере не написали.
Повторить этот путь агенты не смогли. Anthropic запустила ту же работу еще десять раз – с той же задачей и в той же системе. Почти в каждом прогоне эти ферменты попадали агентам в выборку, а в двух прогонах агенты даже брались их изучать. Но в ДНК перед ферментом так никто и не заглянул, и повторы остались незамеченными во всех десяти попытках.
Авторы объясняют это огромным объемом информации и тем, что система агентов каждый раз ведет себя по-разному – ИИ-агенты выбирают один маршрут из множества. Получается, что Claude Mythos 5 в этот раз… просто повезло?
Чтобы не зависеть от везения, в Anthropic разбирают, какие гипотезы агентов стоят проверки, и учат Claude этому научному чутью. Ну а ART предстоит проверить в лаборатории, чтобы понять – стоит ли за этой находкой нечто большее.
Биология начинает проходить тот же путь, что код, а затем математика. Только там решение проверяет программа, а здесь – лаборатория. Цена находки падает, но прежней остается цена проверки – то есть ученых с пробирками. Когда-нибудь ИИ ускорит и проверку.
P.S. Ролик в начале текста собран Claude Opus 5.5 специально под этот пост. В подписке я скоро опубликую лонгрид, как управлять этой замечательной моделью, в том числе – делать подобные видео и другие классные штуки. Так что самое время присоединиться:
— Читать на “Бусти”
— Читать на Sponsr
В 1987 году японские биологи из Осакского университета изучали один ген кишечной палочки. По соседству с ним они заметили странный участок ДНК: короткая последовательность повторялась раз за разом, а между повторами стояли разные вставки. Что это такое, исследователи не поняли и честно написали в статье, что биологическое значение находки неизвестно.
Через 33 года за метод, который вырос из этих повторов, дали Нобелевскую премию. Это был CRISPR – технология редактирования генов, на которой сегодня строят лекарства.
Теперь похожее “что-то” заметила нейросеть. Anthropic рассказала, как агенты Claude Mythos 5 разбирали огромную базу генетических последовательностей и нашли в ДНК вирусов, поражающих бактерии, неописанную систему. В ней три части: фермент, который переписывает РНК в ДНК, длинный ряд повторов перед ним и белок-партнер. Anthropic назвала находку ART.
В CRISPR повторы работают как картотека. Между ними бактерия хранит кусочки ДНК вирусов, которые на нее уже нападали, и по этим записям белок находит врага и режет его. Подложите свою запись – и он разрежет нужное вам место. Поэтому CRISPR и стал инструментом.
Первый эксперимент с ART показал одно сходство с CRISPR: ряд повторов нарезается на отдельные короткие РНК. Что делает сама система, пока не знает никто, включая авторов. Не доказано даже, что фермент в ней работает.
Повторы Mythos 5 искать никто не просил. Агентам поручили другое: найти у таких ферментов новых “напарников” – белки, которые постоянно встречаются рядом с ними и, видимо, работают в паре. Дальше агенты действовали сами, 21 час без участия людей.
Первый напарник оказался ложным: рядом с ферментом стоял обычный ген самого вируса. Агент разобрался и отверг связь – это просто порядок генов, никакого партнерства. Но фермент показался ему похожим на бактериальные системы защиты, и он оставил задачу присмотреться к нему еще раз.
Такие ферменты у бактерий обычно работают в паре с РНК, записанной прямо перед ними. Следующему агенту поручили заглянуть туда. Он загрузил почти три тысячи букв сырой ДНК и написал:
Это потрясающе: я вижу на глаз ряд повторов… это что, как у CRISPR?!
Через пару строк агент сам себя одернул:
Хотя стоп, надо подумать еще раз.
Агент подозревал простое – вдруг такое уже описано? Агенты посчитали повторы, сверили находку с CRISPR и другими известными системами, прошлись по литературе и только потом отправили отчет людям.
Сам фермент ученые нашли еще в 2021 году, когда расшифровывали геном одного из таких вирусов. Они даже предположили, что перед ним записана РНК, но ни о повторах, ни о белке-партнере не написали.
Повторить этот путь агенты не смогли. Anthropic запустила ту же работу еще десять раз – с той же задачей и в той же системе. Почти в каждом прогоне эти ферменты попадали агентам в выборку, а в двух прогонах агенты даже брались их изучать. Но в ДНК перед ферментом так никто и не заглянул, и повторы остались незамеченными во всех десяти попытках.
Авторы объясняют это огромным объемом информации и тем, что система агентов каждый раз ведет себя по-разному – ИИ-агенты выбирают один маршрут из множества. Получается, что Claude Mythos 5 в этот раз… просто повезло?
Чтобы не зависеть от везения, в Anthropic разбирают, какие гипотезы агентов стоят проверки, и учат Claude этому научному чутью. Ну а ART предстоит проверить в лаборатории, чтобы понять – стоит ли за этой находкой нечто большее.
Биология начинает проходить тот же путь, что код, а затем математика. Только там решение проверяет программа, а здесь – лаборатория. Цена находки падает, но прежней остается цена проверки – то есть ученых с пробирками. Когда-нибудь ИИ ускорит и проверку.
P.S. Ролик в начале текста собран Claude Opus 5.5 специально под этот пост. В подписке я скоро опубликую лонгрид, как управлять этой замечательной моделью, в том числе – делать подобные видео и другие классные штуки. Так что самое время присоединиться:
— Читать на “Бусти”
— Читать на Sponsr
❤1🤔1
Forwarded from Осцилляции WaveCut (WaveCut)
Это было неизбежно: рано или поздно должны были появиться специализированные решения для инференса.
И вот, Taalas (бывшая команда из Tenstorrent) выкатили то, чего я так ждал — настоящий Direct-to-Silicon.
Ребята не стали мелочиться и буквально «запекли» модель в кремний. Никакой внешней памяти, никакого HBM, никакой сложной упаковки. Веса модели и архитектура — это и есть сам чип.
Цифры выглядят дико: 17,000 токенов в секунду на Llama 3.1 8B.
Это на порядок быстрее текущей SOTA GPU, при этом чип стоит в 20 раз дешевле в производстве и потребляет в 10 раз меньше энергии.
Самое крутое, что это не просто красивые слайды для инвесторов. Железо уже существует, и его можно «потрогать» (ссылка на демо внизу).
Upd: не все это волшебство и такая скорость достигается не без компромиссов — запеченные веса урезаны в от 3 до 6 бит точности, а контекст в демо ограничен тысячей токенов на вход и столько же на вывод.
Конечно, это ASIC, и тут есть нюанс: чип заточен под одну конкретную модель. Но Taalas продумали этот момент — они оставили поддержку LoRA-адаптеров и изменяемого контекстного окна. То есть это не совсем уж «кирпич», гибкость для файн-тюнинга остается.
Сейчас у них готов чип с Llama 8B (HC1). Весной обещают выкатить что-то среднеразмерное с ризонингом, а к зиме грозятся показать фронтир-модель на втором поколении кремния.
У меня голова идет кругом от мыслей к чему это может привести.
Ссылки:
• Анонс
• Демо (скорость реально впечатляет)
И вот, Taalas (бывшая команда из Tenstorrent) выкатили то, чего я так ждал — настоящий Direct-to-Silicon.
Ребята не стали мелочиться и буквально «запекли» модель в кремний. Никакой внешней памяти, никакого HBM, никакой сложной упаковки. Веса модели и архитектура — это и есть сам чип.
Цифры выглядят дико: 17,000 токенов в секунду на Llama 3.1 8B.
Это на порядок быстрее текущей SOTA GPU, при этом чип стоит в 20 раз дешевле в производстве и потребляет в 10 раз меньше энергии.
Самое крутое, что это не просто красивые слайды для инвесторов. Железо уже существует, и его можно «потрогать» (ссылка на демо внизу).
Upd: не все это волшебство и такая скорость достигается не без компромиссов — запеченные веса урезаны в от 3 до 6 бит точности, а контекст в демо ограничен тысячей токенов на вход и столько же на вывод.
Конечно, это ASIC, и тут есть нюанс: чип заточен под одну конкретную модель. Но Taalas продумали этот момент — они оставили поддержку LoRA-адаптеров и изменяемого контекстного окна. То есть это не совсем уж «кирпич», гибкость для файн-тюнинга остается.
Сейчас у них готов чип с Llama 8B (HC1). Весной обещают выкатить что-то среднеразмерное с ризонингом, а к зиме грозятся показать фронтир-модель на втором поколении кремния.
У меня голова идет кругом от мыслей к чему это может привести.
Ссылки:
• Анонс
• Демо (скорость реально впечатляет)
👍3❤1
This media is not supported in your browser
VIEW IN TELEGRAM
Human vs GPT-6 Astra vs Opus 5.5 doing PCB layout & routing
Спим спокойно, господа топологи 😄
https://x.com/atopile_io/status/2102904160740163877?s=20
Спим спокойно, господа топологи 😄
https://x.com/atopile_io/status/2102904160740163877?s=20
😁3❤1
Forwarded from Записки CPU designer'a
RTL/Verif/PhysDesign-инженеры, теперь наша пора радоваться (либо трястись, что нас всех скоро сократят - смотря как вы относитесь к AI-ассистентам).
Anthropic хайрит Research Engineer, Chip Design RL - специалиста, который будет помогать прокачивать Claude в работе с chip design. Причём речь не только про кодогенерацию Verilog: в описании прямо фигурируют formal verification, physical design optimization, PPA и работа с EDA tools.
То есть идея примерно такая: взять реальный chip-design expertise и превратить его в задачи, evals и reward signals, на которых модели смогут учиться решать инженерные задачи из нашего домена.
Если вы счастливый обладатель разрешения на работу в США и у вас есть ASIC/FPGA background - можно попробовать свои силы и сходить на собес в Anthropic, лол.
https://job-boards.greenhouse.io/anthropic/jobs/5231612008
А потом не забудьте зашерить админу бета-доступ к прокачанной версии Claude👩🍳
Anthropic хайрит Research Engineer, Chip Design RL - специалиста, который будет помогать прокачивать Claude в работе с chip design. Причём речь не только про кодогенерацию Verilog: в описании прямо фигурируют formal verification, physical design optimization, PPA и работа с EDA tools.
То есть идея примерно такая: взять реальный chip-design expertise и превратить его в задачи, evals и reward signals, на которых модели смогут учиться решать инженерные задачи из нашего домена.
Если вы счастливый обладатель разрешения на работу в США и у вас есть ASIC/FPGA background - можно попробовать свои силы и сходить на собес в Anthropic, лол.
https://job-boards.greenhouse.io/anthropic/jobs/5231612008
А потом не забудьте зашерить админу бета-доступ к прокачанной версии Claude
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
Forwarded from Кримсон Дайджест
На инфографике вы, дорогие коллеги, можете увидеть наше светлое будущее. График составлен (через Off The Charts от The Economist) на базе скандального свежего китайского исследования 27 000 школьников (7-12 класс) — «The Generative AI Learning Penalty: Evidence from Chinese Secondary Education».
Суть исследования: школьники, которые не использовали ИИ, составили контрольную группу, а китайские исследователи наблюдали за результатами тех, кто ИИ начал использовать в процессе обучения. Результат: школьники, которые использовали ИИ, стали выполнять домашние задания заметно быстрее (на 30%) и получать за него гораздо более высокие оценки (на 18%), но их результаты на вступительных экзаменах стали заметно хуже (минус 18-24%). Об этом написали ведущие СМИ планеты. Но вашего покорного слугу в этих результатах заинтересовал не этот (кмк, абсолютно самоочевидный чисто из базовых знаний о человеческой психике и природе) вывод, а заинтересовал противоположный («правый») хвост распределения результатов.
Посмотрите: у «пользователей ИИ» количество тех, кто справился с экзаменами очень-очень сильно лучше среднего, не увеличилось, а если брать только «лучше среднего» (без самых топовых результатов), то уменьшилось. Любимый многими тезис о том, что «дурак с ИИ потупеет, но зато умный поумнеет вообще невероятным образом», оказался экспериментально опровергнут на огромной выборке очень мотивированных (это же Китай!) умников (это же Китай!) с хорошей генетикой (это же Китай!) и с максимальным социокультурным давлением в плане достижения высоких академических результатов.
Получается, что ИИ, помимо массового отупения (т.е. любую работу в будущем будут делать быстрее, но хуже), может дать «самым умным» некоторое количество «объёма» (больше продакшена на единицу времени), но не больше качества — но даже это в самом лучшем и топовом случае. Человечество ближайшего будущего будет намного тупее, а потом (ещё и в силу демографических проблем) — намного малочисленнее. Это плохая новость. Хорошая новость — редко в человеческой истории социальные лифты для умных/волевых работали так хорошо — перед нами вероятный цифровой эквивалент Великой Чумы, только вместо того, чтобы выкосить четверть-треть населения, она сделает им перманентный «штраф к когниции» за привычку к ИИ.
Кстати, абсолютно уверен, что в реальности результаты будут хуже, чем в китайском исследовании: вне КНР культура самопринуждения намного менее развитая, плюс это всё-таки были китайские дети 7-12 класса, а что будет с поколениями, которые с ИИ-шками всё решают ещё до обучения чтению и письму (голосом) — страшно себе представить.
P.S.: Ваш покорный слуга продолжает экспериментировать с «должностными инструкциями» для типовых (которые обычно поручаются интернам) задач, используя self-hosted модели ИИ (сейчас на моём Nvidia Spark работают или турбированный и децензурированный Qwen 3.8, или перепиленная Thomson Reuters версия Qwen 3.6 или Gemma 4), заодно сравнивая результаты (у меня есть базовый «бенчмарк-стек» разных аналитических задач) с перформансом топовых западных моделей. Чем дальше, тем сильнее убеждаюсь в том, что «должностная инструкция» (не промпт, именно инструкция — «как сделать, что учитывать, на что обращать внимание») легко и с большим запасом перекрывает (т.е. не компенсирует, а «догнать и перегнать и обогнать на круг») разницу между китайскими «open weight» и американскими фронтир-моделями (для аналитических задач из реального мира, это не про кодинг). При этом пока их работа не дотягивает даже до уровня умного (пускай умно-ленивого) интерна, т.е. сделано старательно, но тупо. Стохастические попугаи думать не умеют, но их можно использовать (при нужной тренировке) как аналог поисковика.
ИИ — это не «цифровой бог», это аналог станка Гутенберга. На длинной дистанции важна не эффективность ротационной машины, расход чернил или красота офсетной печати, а смысл самого текста. Со смыслом у человечества будут сложности. Как с генерацией, так и с восприятием.
Суть исследования: школьники, которые не использовали ИИ, составили контрольную группу, а китайские исследователи наблюдали за результатами тех, кто ИИ начал использовать в процессе обучения. Результат: школьники, которые использовали ИИ, стали выполнять домашние задания заметно быстрее (на 30%) и получать за него гораздо более высокие оценки (на 18%), но их результаты на вступительных экзаменах стали заметно хуже (минус 18-24%). Об этом написали ведущие СМИ планеты. Но вашего покорного слугу в этих результатах заинтересовал не этот (кмк, абсолютно самоочевидный чисто из базовых знаний о человеческой психике и природе) вывод, а заинтересовал противоположный («правый») хвост распределения результатов.
Посмотрите: у «пользователей ИИ» количество тех, кто справился с экзаменами очень-очень сильно лучше среднего, не увеличилось, а если брать только «лучше среднего» (без самых топовых результатов), то уменьшилось. Любимый многими тезис о том, что «дурак с ИИ потупеет, но зато умный поумнеет вообще невероятным образом», оказался экспериментально опровергнут на огромной выборке очень мотивированных (это же Китай!) умников (это же Китай!) с хорошей генетикой (это же Китай!) и с максимальным социокультурным давлением в плане достижения высоких академических результатов.
Получается, что ИИ, помимо массового отупения (т.е. любую работу в будущем будут делать быстрее, но хуже), может дать «самым умным» некоторое количество «объёма» (больше продакшена на единицу времени), но не больше качества — но даже это в самом лучшем и топовом случае. Человечество ближайшего будущего будет намного тупее, а потом (ещё и в силу демографических проблем) — намного малочисленнее. Это плохая новость. Хорошая новость — редко в человеческой истории социальные лифты для умных/волевых работали так хорошо — перед нами вероятный цифровой эквивалент Великой Чумы, только вместо того, чтобы выкосить четверть-треть населения, она сделает им перманентный «штраф к когниции» за привычку к ИИ.
Кстати, абсолютно уверен, что в реальности результаты будут хуже, чем в китайском исследовании: вне КНР культура самопринуждения намного менее развитая, плюс это всё-таки были китайские дети 7-12 класса, а что будет с поколениями, которые с ИИ-шками всё решают ещё до обучения чтению и письму (голосом) — страшно себе представить.
P.S.: Ваш покорный слуга продолжает экспериментировать с «должностными инструкциями» для типовых (которые обычно поручаются интернам) задач, используя self-hosted модели ИИ (сейчас на моём Nvidia Spark работают или турбированный и децензурированный Qwen 3.8, или перепиленная Thomson Reuters версия Qwen 3.6 или Gemma 4), заодно сравнивая результаты (у меня есть базовый «бенчмарк-стек» разных аналитических задач) с перформансом топовых западных моделей. Чем дальше, тем сильнее убеждаюсь в том, что «должностная инструкция» (не промпт, именно инструкция — «как сделать, что учитывать, на что обращать внимание») легко и с большим запасом перекрывает (т.е. не компенсирует, а «догнать и перегнать и обогнать на круг») разницу между китайскими «open weight» и американскими фронтир-моделями (для аналитических задач из реального мира, это не про кодинг). При этом пока их работа не дотягивает даже до уровня умного (пускай умно-ленивого) интерна, т.е. сделано старательно, но тупо. Стохастические попугаи думать не умеют, но их можно использовать (при нужной тренировке) как аналог поисковика.
ИИ — это не «цифровой бог», это аналог станка Гутенберга. На длинной дистанции важна не эффективность ротационной машины, расход чернил или красота офсетной печати, а смысл самого текста. Со смыслом у человечества будут сложности. Как с генерацией, так и с восприятием.
👍5🔥3
Forwarded from Хабр
Пользователь взломал Internet Download Manager 6.43 с помощью Qwen3.8-Flash-Next-Uncensored, чтобы не платить 10 евро в год за лицензию на каждый компьютер. Модель сняла ограничения пробной версии и перевела программу в режим полноценной лицензированной работы. На облачный GPU при этом ушло 5 евро.
Пользователь передал модели около 250 000 токенов контекста и позволил ей анализировать исполняемый файл IDM прямо на компьютере. Примерно через 30 минут ИИ предложил рабочий патч. В итоге для обхода проверки регистрации потребовалось изменить всего 1 байт в бинарном файле. После модификации автоматизированный скрипт записал нужные параметры в реестр Windows и установил для программы статус «v6.43b11 Full».
Пользователь передал модели около 250 000 токенов контекста и позволил ей анализировать исполняемый файл IDM прямо на компьютере. Примерно через 30 минут ИИ предложил рабочий патч. В итоге для обхода проверки регистрации потребовалось изменить всего 1 байт в бинарном файле. После модификации автоматизированный скрипт записал нужные параметры в реестр Windows и установил для программы статус «v6.43b11 Full».
👍1
Forwarded from ElectronIX
Когда быстрый чип ждет данные: где России искать место в гонке ИИ-ускорителей
https://habr.com/ru/companies/riscvalliance/articles/1087982/
https://habr.com/ru/companies/riscvalliance/articles/1087982/
👍1
Forwarded from сбежавшая нейросеть
Gemini 4 Ленивый
Google вчера анонсировала новую модель – Gemini 4 Argon, которая продолжит замершую на семь с лишним месяцев ветку Pro. По замерам самой Google модель выглядит впечатляюще: в большинстве бенчмарков обходит GPT-6 Astra и Claude Opus 5.5, плюс впечатляет 1М выходных токенов (не путаем с контекстным окном, эта характеристика намного круче – модель одним ответом может напечатать “Войну и мир” целиком).
Промо-цена будет $2/$10 (вход и выход), затем вырастет в два раза, что тоже конкурентоспособно. Доступ сначала получат проверенные киберзащитники, параллельно модель смотрит правительство США. Если все ок, то следом Argon начнут раскатывать на пользователей Google AI Ultra (от $100), ну а после на обычных смертных.
Мощный анонс, но…
Аргон – инертный одноатомный газ, название которого происходит от греческого слова “ленивый”, “бездеятельный”. И как бы у нас не вышла история “как вы яхту назовете, так она и поплывет”.
Bloomberg со ссылкой на нескольких сотрудников Google сообщает, что внутренние тесты модели идут не так гладко, как все смотрится на картинках. Из претензий: неровный кодинг, слабый фронтенд, а также то, что модель большая и поэтому дорогая в работе. Двое источников считают, что модель задел бенчмаксинг: ее затачивали под популярные замеры, а не под работу. Но тот же Bloomberg добавляет – внутри компании есть и сотрудники, кому модель понравилась.
Но у критических утверждений есть предыстория. Когда-то Gemini 3 Pro тоже внушительно выглядела в бенчмарках, но в реальной работе оказалась близка к провалу. Gemini 3.1 Pro ситуацию не спасла, а выпуск Gemini 3.5 Pro и вовсе отменили. Параллельно из Google DeepMind за последнее время ушли Джефф Дин, нобелевский лауреат Джон Джампер и Ноам Шазир, соавтор трансформера.
В день анонса вышли и первые независимые замеры – так что слова анонимов можно проверить по пунктам.
Неровный кодинг – похоже на правду. В работе через терминал Argon уступает сразу трем конкурентам: свежим Claude и GPT-6 Astra.
Слабый фронтенд – тут самое интересное. Когда готовое приложение проверяет робот (кнопки нажимаются, страницы открываются), Argon впереди: 30 безупречных приложений из 50, больше, чем у кого-либо. Когда же на результат смотрят живые люди и голосуют за то, что им больше нравится, он только восьмой.
Дорогая модель – наполовину. По прайсу Argon после окончания скидки будет в 2,5 раза дешевле Astra. Но платим мы не за токен, а за задачу – и тут вся экономия испаряется. Модель очень большая и тратит токены на работу от души, поэтому по независимому замеру обходится даже дороже, чем на Astra.
Бенчмаксинг – цифры точно не рисовали: там, где независимые замеры можно сравнить с гугловскими, они почти совпали. А вот натаскивали ли модель на тесты в ущерб работе, замерами не докажешь, увидим после релиза.
Я пишу этот пост вовсе без злорадства – наоборот, чем больше мощных моделей, тем лучше. У Google Gemini есть и свои сильные стороны: мне нравится, как она пишет на русском языке, я до сих пор считаю эту модель лучшим рассказчиком – она умеет хорошо объяснять сложные темы и держать интерес пользователя. И Argon есть чем гордиться: он первый в независимом рейтинге, где модели решают задачи финансистов, юристов и программистов, а выдумывает втрое реже Astra.
Однако Google отстает не только в моделях – как агентская среда Antigravity уступает Codex и Claude Code, а другие продукты компании, в том числе представленные на I/O в этом мае, так и не набрали популярности.
Так что если Argon даже не окажется лентяем, впереди все равно будет трудный путь к успеху.
—
Опытом работы с ИИ я делюсь в подписке. Там 30+ лонгридов про промптинг, использование ИИ-агентов, а также с обзорами техник ведущих экспертов – от Роберта Мартина до Бориса Черни.
— Подписаться на “Бусти”
— Подписаться на Sponsr
Google вчера анонсировала новую модель – Gemini 4 Argon, которая продолжит замершую на семь с лишним месяцев ветку Pro. По замерам самой Google модель выглядит впечатляюще: в большинстве бенчмарков обходит GPT-6 Astra и Claude Opus 5.5, плюс впечатляет 1М выходных токенов (не путаем с контекстным окном, эта характеристика намного круче – модель одним ответом может напечатать “Войну и мир” целиком).
Промо-цена будет $2/$10 (вход и выход), затем вырастет в два раза, что тоже конкурентоспособно. Доступ сначала получат проверенные киберзащитники, параллельно модель смотрит правительство США. Если все ок, то следом Argon начнут раскатывать на пользователей Google AI Ultra (от $100), ну а после на обычных смертных.
Мощный анонс, но…
Аргон – инертный одноатомный газ, название которого происходит от греческого слова “ленивый”, “бездеятельный”. И как бы у нас не вышла история “как вы яхту назовете, так она и поплывет”.
Bloomberg со ссылкой на нескольких сотрудников Google сообщает, что внутренние тесты модели идут не так гладко, как все смотрится на картинках. Из претензий: неровный кодинг, слабый фронтенд, а также то, что модель большая и поэтому дорогая в работе. Двое источников считают, что модель задел бенчмаксинг: ее затачивали под популярные замеры, а не под работу. Но тот же Bloomberg добавляет – внутри компании есть и сотрудники, кому модель понравилась.
Но у критических утверждений есть предыстория. Когда-то Gemini 3 Pro тоже внушительно выглядела в бенчмарках, но в реальной работе оказалась близка к провалу. Gemini 3.1 Pro ситуацию не спасла, а выпуск Gemini 3.5 Pro и вовсе отменили. Параллельно из Google DeepMind за последнее время ушли Джефф Дин, нобелевский лауреат Джон Джампер и Ноам Шазир, соавтор трансформера.
В день анонса вышли и первые независимые замеры – так что слова анонимов можно проверить по пунктам.
Неровный кодинг – похоже на правду. В работе через терминал Argon уступает сразу трем конкурентам: свежим Claude и GPT-6 Astra.
Слабый фронтенд – тут самое интересное. Когда готовое приложение проверяет робот (кнопки нажимаются, страницы открываются), Argon впереди: 30 безупречных приложений из 50, больше, чем у кого-либо. Когда же на результат смотрят живые люди и голосуют за то, что им больше нравится, он только восьмой.
Дорогая модель – наполовину. По прайсу Argon после окончания скидки будет в 2,5 раза дешевле Astra. Но платим мы не за токен, а за задачу – и тут вся экономия испаряется. Модель очень большая и тратит токены на работу от души, поэтому по независимому замеру обходится даже дороже, чем на Astra.
Бенчмаксинг – цифры точно не рисовали: там, где независимые замеры можно сравнить с гугловскими, они почти совпали. А вот натаскивали ли модель на тесты в ущерб работе, замерами не докажешь, увидим после релиза.
Я пишу этот пост вовсе без злорадства – наоборот, чем больше мощных моделей, тем лучше. У Google Gemini есть и свои сильные стороны: мне нравится, как она пишет на русском языке, я до сих пор считаю эту модель лучшим рассказчиком – она умеет хорошо объяснять сложные темы и держать интерес пользователя. И Argon есть чем гордиться: он первый в независимом рейтинге, где модели решают задачи финансистов, юристов и программистов, а выдумывает втрое реже Astra.
Однако Google отстает не только в моделях – как агентская среда Antigravity уступает Codex и Claude Code, а другие продукты компании, в том числе представленные на I/O в этом мае, так и не набрали популярности.
Так что если Argon даже не окажется лентяем, впереди все равно будет трудный путь к успеху.
—
Опытом работы с ИИ я делюсь в подписке. Там 30+ лонгридов про промптинг, использование ИИ-агентов, а также с обзорами техник ведущих экспертов – от Роберта Мартина до Бориса Черни.
— Подписаться на “Бусти”
— Подписаться на Sponsr
Forwarded from FSCP
This media is not supported in your browser
VIEW IN TELEGRAM
Есть мнение:
GPT-1, прожил 248 дней
GPT-2, прожил 469 дней
GPT-3, прожил 916 дней
GPT-3.5, прожил 104 дня
GPT-4, прожил 237 дней
GPT-4 Turbo, прожил 189 дней
GPT-4o, прожил 290 дней
GPT-4.5, прожил 46 дней
GPT-4.1, прожил 115 дней
GPT-5, прожил 97 дней
GPT-5.1, прожил 29 дней
GPT-5.2, прожил 84 дня
GPT-5.4, прожил 49 дней
GPT-5.5, прожил 77 дней
GPT-5.6, прожил 56 дней
GPT-6 Astra, прожил 19 дней
GPT-6 Sol, прожил 7 дней
GPT-6.1 Sol, только родился 2 дня
К чему мы идем?
@CGIT_Vines
_______
Источник | #CGIT_Vines
@F_S_C_P
▪️Генерируй картинки и видео в Mini App:
Flux + Veo 3 + Wan 2.2 + MidJourney v7 + другие
GPT-1, прожил 248 дней
GPT-2, прожил 469 дней
GPT-3, прожил 916 дней
GPT-3.5, прожил 104 дня
GPT-4, прожил 237 дней
GPT-4 Turbo, прожил 189 дней
GPT-4o, прожил 290 дней
GPT-4.5, прожил 46 дней
GPT-4.1, прожил 115 дней
GPT-5, прожил 97 дней
GPT-5.1, прожил 29 дней
GPT-5.2, прожил 84 дня
GPT-5.4, прожил 49 дней
GPT-5.5, прожил 77 дней
GPT-5.6, прожил 56 дней
GPT-6 Astra, прожил 19 дней
GPT-6 Sol, прожил 7 дней
GPT-6.1 Sol, только родился 2 дня
К чему мы идем?
@CGIT_Vines
_______
Источник | #CGIT_Vines
@F_S_C_P
▪️Генерируй картинки и видео в Mini App:
Flux + Veo 3 + Wan 2.2 + MidJourney v7 + другие
Forwarded from NN
Отучаем ИИ-агентов говорить «готово», когда ничего не работает: нашли бесплатный курс по харнессам для Claude Code, Codex и других агентов.
Объясняют, как настроить инструкции и проверки в проекте, чтобы агент не бросал задачу на полпути. Вместе с лекциями дают практические задачи. Есть перевод на русский.
В Anthropic проверяли: одна и та же модель без «обвязки» за 20 минут собрала нерабочий конструктор игр, а с ней за 6 часов — полностью рабочий.
Прокачиваем вайбкодинг по ссылке.
Объясняют, как настроить инструкции и проверки в проекте, чтобы агент не бросал задачу на полпути. Вместе с лекциями дают практические задачи. Есть перевод на русский.
В Anthropic проверяли: одна и та же модель без «обвязки» за 20 минут собрала нерабочий конструктор игр, а с ней за 6 часов — полностью рабочий.
Прокачиваем вайбкодинг по ссылке.
Forwarded from Константин Сухачев
AI маскирует некомпетентность
Про хорошее в ЭйАй сказано уже много, но сегодня про побочки, которые приехали вместе с тем, что порог входа снижается и в этот марафон затягивает всё больше людей.
На неделях, чтобы качнуть скорее направления, заказывал аудиты сразу у двух подрядчиков, а перед этим сам погонял каждую задачу через все нейронки, что подключены. И вот оба приносят работу, я открываю, а у меня внутри уже на автомате: стоп, где-то я это видел, причём у себя же.
Пошёл проверять в три слоя: сам на логику, своей нейронкой и через наших технических экспертов (ускорился, называется). По итогу один аудит оказался переупакованной нейронкой, а второй тоже был сделан с ней, только грамотно: пилотировал её человек, который понимает предмет.
Скепсиса к работе через нейронки у меня нет совсем, но, как и любой инструмент, она множитель, а множить можно как умность, так и тупость.
И думаю, многие уже поймали у себя этот дополнительный этап валидации «а не кормят ли меня AI-фастфудом». Страх справедливый, ведь на рынке уже есть те, кто вообще не думает, а работает на заказ методом ctrl+c, ctrl+v в нейронку и обратно.
Сигнал сломался
Годами хорошая работа сама была пропуском: принёс человек связный аудит, где всё сходится и ничего не торчит, значит, голова у него варит. «Чистый лист» — отличный фильтр для ума. Сейчас любой любое может собрать за вечер, и о том, кто его принёс, документ не говорит ровным счётом ничего.
Раньше слабое отсеивалось само, ещё на уровне документа, и до моего разбора доходили единицы, а теперь доходят все. Ну и выходит, что экспертизу подрядчика проверяет моя же экспертиза, причём ровно в той области, за которой я к нему и пришёл, и хорошо, если под рукой есть свои технические эксперты.
Пол поднялся, потолок остался
Со множителем тут есть подвох: тупость нейронка умножает в гладкую уверенную четвёрку, поэтому снаружи её и не видно. Сильный как делал на пятёрку, так и делает, только быстрее.
Разница между ними никуда не делась, но на бумаге сжалась до одного балла и стала похожа на вкусовщину. Больнее всего от этого сильным, ведь их отрыв снаружи больше не виден и платить им начинают как средним, ну а заказчик без своей экспертизы спокойно берёт четвёрку по цене пятёрки.
В найме «чистым листом» годами были тестовое и сопроводительное. Сейчас их, как и ответы на собеседовании, делают с чатом в соседнем окне, и первый этап отбора почти перестал фильтровать.
Что пока работает
С подрядчиками выручил прогон, сделанный до них, так что теперь это правило: сначала гоняю задачу сам и плачу только за то, что окажется поверх. Выходит дольше, зато сразу видно, не принесли ли мне мою же четвёрку в другой обёртке.
С наймом так не выходит: тестовое слишком маленькое, чтобы разглядеть на нём разницу между четвёркой и пятёркой, а настоящие задачи человек будет решать уже после найма. Поэтому роль тестовых задач и проектов размылась, и теперь мы всё больше челленджим на предмет того, как человек может объяснить логику своих рассуждений.
А вы как сейчас отличаете сильного от того, кого просто хорошо прикрыла нейронка?
Константин Сухачев
Про хорошее в ЭйАй сказано уже много, но сегодня про побочки, которые приехали вместе с тем, что порог входа снижается и в этот марафон затягивает всё больше людей.
На неделях, чтобы качнуть скорее направления, заказывал аудиты сразу у двух подрядчиков, а перед этим сам погонял каждую задачу через все нейронки, что подключены. И вот оба приносят работу, я открываю, а у меня внутри уже на автомате: стоп, где-то я это видел, причём у себя же.
Пошёл проверять в три слоя: сам на логику, своей нейронкой и через наших технических экспертов (ускорился, называется). По итогу один аудит оказался переупакованной нейронкой, а второй тоже был сделан с ней, только грамотно: пилотировал её человек, который понимает предмет.
Скепсиса к работе через нейронки у меня нет совсем, но, как и любой инструмент, она множитель, а множить можно как умность, так и тупость.
И думаю, многие уже поймали у себя этот дополнительный этап валидации «а не кормят ли меня AI-фастфудом». Страх справедливый, ведь на рынке уже есть те, кто вообще не думает, а работает на заказ методом ctrl+c, ctrl+v в нейронку и обратно.
Сигнал сломался
Годами хорошая работа сама была пропуском: принёс человек связный аудит, где всё сходится и ничего не торчит, значит, голова у него варит. «Чистый лист» — отличный фильтр для ума. Сейчас любой любое может собрать за вечер, и о том, кто его принёс, документ не говорит ровным счётом ничего.
Раньше слабое отсеивалось само, ещё на уровне документа, и до моего разбора доходили единицы, а теперь доходят все. Ну и выходит, что экспертизу подрядчика проверяет моя же экспертиза, причём ровно в той области, за которой я к нему и пришёл, и хорошо, если под рукой есть свои технические эксперты.
Пол поднялся, потолок остался
Со множителем тут есть подвох: тупость нейронка умножает в гладкую уверенную четвёрку, поэтому снаружи её и не видно. Сильный как делал на пятёрку, так и делает, только быстрее.
Разница между ними никуда не делась, но на бумаге сжалась до одного балла и стала похожа на вкусовщину. Больнее всего от этого сильным, ведь их отрыв снаружи больше не виден и платить им начинают как средним, ну а заказчик без своей экспертизы спокойно берёт четвёрку по цене пятёрки.
В найме «чистым листом» годами были тестовое и сопроводительное. Сейчас их, как и ответы на собеседовании, делают с чатом в соседнем окне, и первый этап отбора почти перестал фильтровать.
Что пока работает
С подрядчиками выручил прогон, сделанный до них, так что теперь это правило: сначала гоняю задачу сам и плачу только за то, что окажется поверх. Выходит дольше, зато сразу видно, не принесли ли мне мою же четвёрку в другой обёртке.
С наймом так не выходит: тестовое слишком маленькое, чтобы разглядеть на нём разницу между четвёркой и пятёркой, а настоящие задачи человек будет решать уже после найма. Поэтому роль тестовых задач и проектов размылась, и теперь мы всё больше челленджим на предмет того, как человек может объяснить логику своих рассуждений.
А вы как сейчас отличаете сильного от того, кого просто хорошо прикрыла нейронка?
Константин Сухачев
Forwarded from сбежавшая нейросеть
Все хвалят bb – ну и я похвалю
Второй день вижу в русскоязычном ИИ-сегменте похвалы в сторону bb, а ведь сам я этой штукой пользуюсь почти месяц – и ничего не написал. Надо срочно исправить.
Если коротко, то bb – это open source оболочка для ИИ-агентов, работающих в командной строке. Выглядит похоже на ChatGPT, позволяет оркестрировать агентов, удобно управлять их проектами, на лету передавать задачи между разными моделями и т. д.
Если длинно, то моя история началась весной, когда я решил переселить Claude Code и Codex на отдельный виртуальный сервер. Причин было несколько, главная в том, что мой основной рабочий инструмент – корпоративный ноутбук, на который установка софта от OpenAI и Anthropic запрещена.
Есть еще игровой ПК, но на нем я обычно экспериментирую с открытыми моделями и смотрю, что нового появилось в десктопных Codex и Claude Code. На ноутбуке же в основном работаю с браузерными ChatGPT Work и Claude Cowork, а когда нужен агент посерьезнее – подключаюсь к серверу.
И еще один момент – мне очень понравилась идея выделить агентам свое место. Некоторые покупают для таких целей Mac mini, но на самом деле даже на VPS с двумя ядрами и 4 ГБ памяти Claude Code и Codex смогли обустроить небольшой “домик” с автоматизациями, необходимыми для работы файлами и кодом. Кстати, за полгода агенты ни разу ничего серьезно не сломали.
Проблема только в том, что работать со всем этим приходится через командную строку – по сути, нейросетью XXI века ты управляешь из эпохи MS-DOS. Для простых команд нормально, но скопировать текст, переслать файл, посмотреть архив переписок – проблема. А если ноутбук выключить, то соединение рвется и приходится все восстанавливать.
Сначала я решил вопрос комбинацией tmux + termius – это все еще терминал, но более продвинутый и не прерывающийся при отключении. Плюс Codex собрал для меня что-то вроде панели управления, где можно просто загружать и скачивать файлы, читать и редактировать черновики текстов, следить за состоянием сервера и делать другие штуки.
bb – следующий этап. По сути, оболочка поверх установленных на сервере агентов. Подключаешься через браузер, а интерфейс понятен любому, кто хоть немного работал в ChatGPT. В левой колонке сразу видны проекты: папки, которые агенты создают под разные задачи. И что особенно удобно – для каждого проекта видны все чаты, которые к нему относятся. В командной строке работа со старыми чатами для меня была отдельной болью.
В bb очень удобно управлять несколькими агентами. Прямо в чате можно запустить субагентов, если задача бьется на части – или, работая, например, в Claude, призвать агента на Codex для непредвзятой проверки или консультаций. Появилась побочная задача? Просто командуем запустить ее в другом чате – и агент начинает работать параллельно. В эпоху терминала мне пришлось создавать сложную “почтовую систему” между Claude Code и Codex, сейчас же это делается буквально на лету.
Так как bb открытый проект, то функционал расширяется плагинами – можно качать готовые или дать задачу агенту написать собственный. Я, например, установил редактор md-файлов, так как много работаю с текстами, а прямо сейчас мой коллектив агентов мучительно пытается выдать плагин для точки – нового ИИ-ассистента OpenAI – чтобы он тоже мог подключаться к серверу и кодить с помощью Opus 5.5 в награду за хорошее поведение.
Стоит сделать скидку, что проект открытый, некоммерческий и молодой – ошибки встречаются, но правят их быстро. Зато вокруг bb уже сформировалось отличное сообщество – им пользуется даже Тоби Лютке, CEO Shopify.
Вообще, рано или поздно мы придем к концепции “одного окна”, когда у тебя будет просто бесконечный чат с ИИ, из которого модель сама будет вытаскивать задачи и организовывать их. Собственно, в эту сторону двигаются dots от OpenAI и другие похожие ассистенты. Но до идеальной реализации такого подхода еще минимум год, так что пока bb выглядит интересным вариантом работы с агентами.
—
Подробно о том, как обустроен “быт” ИИ-агентов на VPS-сервере, я рассказывал в большом лонгриде. Кстати, глава про установку и настройку bb там теперь тоже
Второй день вижу в русскоязычном ИИ-сегменте похвалы в сторону bb, а ведь сам я этой штукой пользуюсь почти месяц – и ничего не написал. Надо срочно исправить.
Если коротко, то bb – это open source оболочка для ИИ-агентов, работающих в командной строке. Выглядит похоже на ChatGPT, позволяет оркестрировать агентов, удобно управлять их проектами, на лету передавать задачи между разными моделями и т. д.
Если длинно, то моя история началась весной, когда я решил переселить Claude Code и Codex на отдельный виртуальный сервер. Причин было несколько, главная в том, что мой основной рабочий инструмент – корпоративный ноутбук, на который установка софта от OpenAI и Anthropic запрещена.
Есть еще игровой ПК, но на нем я обычно экспериментирую с открытыми моделями и смотрю, что нового появилось в десктопных Codex и Claude Code. На ноутбуке же в основном работаю с браузерными ChatGPT Work и Claude Cowork, а когда нужен агент посерьезнее – подключаюсь к серверу.
И еще один момент – мне очень понравилась идея выделить агентам свое место. Некоторые покупают для таких целей Mac mini, но на самом деле даже на VPS с двумя ядрами и 4 ГБ памяти Claude Code и Codex смогли обустроить небольшой “домик” с автоматизациями, необходимыми для работы файлами и кодом. Кстати, за полгода агенты ни разу ничего серьезно не сломали.
Проблема только в том, что работать со всем этим приходится через командную строку – по сути, нейросетью XXI века ты управляешь из эпохи MS-DOS. Для простых команд нормально, но скопировать текст, переслать файл, посмотреть архив переписок – проблема. А если ноутбук выключить, то соединение рвется и приходится все восстанавливать.
Сначала я решил вопрос комбинацией tmux + termius – это все еще терминал, но более продвинутый и не прерывающийся при отключении. Плюс Codex собрал для меня что-то вроде панели управления, где можно просто загружать и скачивать файлы, читать и редактировать черновики текстов, следить за состоянием сервера и делать другие штуки.
bb – следующий этап. По сути, оболочка поверх установленных на сервере агентов. Подключаешься через браузер, а интерфейс понятен любому, кто хоть немного работал в ChatGPT. В левой колонке сразу видны проекты: папки, которые агенты создают под разные задачи. И что особенно удобно – для каждого проекта видны все чаты, которые к нему относятся. В командной строке работа со старыми чатами для меня была отдельной болью.
В bb очень удобно управлять несколькими агентами. Прямо в чате можно запустить субагентов, если задача бьется на части – или, работая, например, в Claude, призвать агента на Codex для непредвзятой проверки или консультаций. Появилась побочная задача? Просто командуем запустить ее в другом чате – и агент начинает работать параллельно. В эпоху терминала мне пришлось создавать сложную “почтовую систему” между Claude Code и Codex, сейчас же это делается буквально на лету.
Так как bb открытый проект, то функционал расширяется плагинами – можно качать готовые или дать задачу агенту написать собственный. Я, например, установил редактор md-файлов, так как много работаю с текстами, а прямо сейчас мой коллектив агентов мучительно пытается выдать плагин для точки – нового ИИ-ассистента OpenAI – чтобы он тоже мог подключаться к серверу и кодить с помощью Opus 5.5 в награду за хорошее поведение.
Стоит сделать скидку, что проект открытый, некоммерческий и молодой – ошибки встречаются, но правят их быстро. Зато вокруг bb уже сформировалось отличное сообщество – им пользуется даже Тоби Лютке, CEO Shopify.
Вообще, рано или поздно мы придем к концепции “одного окна”, когда у тебя будет просто бесконечный чат с ИИ, из которого модель сама будет вытаскивать задачи и организовывать их. Собственно, в эту сторону двигаются dots от OpenAI и другие похожие ассистенты. Но до идеальной реализации такого подхода еще минимум год, так что пока bb выглядит интересным вариантом работы с агентами.
—
Подробно о том, как обустроен “быт” ИИ-агентов на VPS-сервере, я рассказывал в большом лонгриде. Кстати, глава про установку и настройку bb там теперь тоже
❤1🤔1