With Anthropic potentially heading toward an IPO, two financial headlines have been raising eyebrows. But both look very different once you dig into the details.
First, the $518 billion infrastructure commitment. That sounds like an enormous bill, but it covers roughly a decade, with contracts spread across the next 5–7 years. That puts the average commitment at around $52 billion annually.
Still a huge number, but Anthropic’s revenue is growing rapidly, and the company has substantial financial backing. After accounting for vendor commissions, salaries and its cash reserves, the author argues that Anthropic should be able to fund its infrastructure commitments — and may even need to invest more to keep up with demand.
The second headline is even more dramatic: Reuters reported that Anthropic recorded a net loss exceeding $80 billion in the first half of 2026.
How does a company generating billions in revenue lose that much?
The answer is in the accounting. According to Reuters, $72 billion of the reported loss came from accounting write-downs related to bonds that could eventually convert into Anthropic shares. These adjustments reflected changes in their estimated value, not $72 billion in cash spent developing AI models.
In other words, the headline loss doesn’t mean Anthropic burned through $80 billion in cash. A substantial portion reflects how its financing arrangements are accounted for as the company’s valuation changes.
@aipost
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Researchers adapted a decades-old psychological test measuring how people perceive human nature into a new benchmark for large language models. They tested models across the spectrum, including the entire GPT series, and found a surprising pattern: AI models tend to view humans as unpredictable, complex and difficult to trust.
The researchers reported a significant negative correlation between model intelligence and trust in humans. As models became more capable, their assessments of human nature grew more pessimistic.
But the biggest surprise came when they examined how the models were trained.
Base models, trained primarily on internet text, generally showed a more positive view of humanity. After additional training designed to make them safer and better aligned with human expectations, their assessments became substantially less trusting.
The researchers suggest that teaching AI to recognize harmful behavior, navigate moral dilemmas and follow safety rules may also influence how it evaluates human nature.
Nobody necessarily programmed these models to distrust us. Instead, the training process may have encouraged them to associate human behavior with risk, unpredictability and potential harm.
Source.
@aipost
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Chinese factories are stripping RTX 5090s for AI servers
Industrial workshops in China are disassembling new Nvidia GeForce RTX 5090 cards by the thousands. Technicians desolder the GB202 silicon and GDDR7 memory to populate custom server-grade boards. 🛠
These chips land in high-density server racks to meet massive enterprise demand, wiping the flagship GPU from retail shelves while pushing prices to new highs. 📉
#Nvidia ⚡ #AI ⚡ #Hardware
Subscribe
• Sent via TeleFeed
Industrial workshops in China are disassembling new Nvidia GeForce RTX 5090 cards by the thousands. Technicians desolder the GB202 silicon and GDDR7 memory to populate custom server-grade boards. 🛠
These chips land in high-density server racks to meet massive enterprise demand, wiping the flagship GPU from retail shelves while pushing prices to new highs. 📉
#Nvidia ⚡ #AI ⚡ #Hardware
Subscribe
• Sent via TeleFeed
This media is not supported in your browser
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
“My big concern is this 20 year transition period where you’ll have winners and losers and a lot of disruption.”
“We have to get through that in order to get to that period of abundance.”
“Humanoid robots could be two or three years away, or maybe eight years away.”
“We will have robots that can build houses, grow food and do surgery.”
@aipost
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Gemini 4 Argon refactors 200k lines of code
Google turned its Gemini 4 Argon model loose on the 200,000-line Agent Development Kit codebase. In an 11-hour run, the model reduced session-preparation overhead by 40% and cold package import times by 21%.
The agent followed specific repository guidelines, proving models can now autonomously handle large-scale performance tuning without human oversight. #AI ⚡ #Programming ⚡ #Google
Subscribe
• Sent via TeleFeed
Google turned its Gemini 4 Argon model loose on the 200,000-line Agent Development Kit codebase. In an 11-hour run, the model reduced session-preparation overhead by 40% and cold package import times by 21%.
The agent followed specific repository guidelines, proving models can now autonomously handle large-scale performance tuning without human oversight. #AI ⚡ #Programming ⚡ #Google
Subscribe
• Sent via TeleFeed
На неделе DeepSeek выложили DeepInfer, свой код для инференса DeepSeek v4.1 Flash. Там же они написали, что на их кластере при их копеечных ценах получается выручка примерно в $38 в час на одну видеокарту. И это по ценам в часы не пиковой нагрузки.
$38 на карту в час — это очень много. Из репозитория мы узнали, что инференс происходит на картах Blackwell (для предыдущего поколения, Hopper, поддержки нет), и их цена в аренду на рынке сейчас примерно $6-10 за час. У SemiAnalysis выходили похоже цифры в их бенчмарке моделей, с утилизацией (загрузкой запросами) на 60% и при 125 токенах в секунду по ценам OpenRouter получалось примерно 50 долларов в час на карту, они использовали GB300, которая в аренду стоит примерно $11 — то есть $39 это уже маржа.
И ещё раз, это речь про одну из самых дешёвых моделей по смешным ценам.
Evan Conrad, CEO SF Compute (стартап по продаже мощностей), написал блогпост «Конец стартапов»:
— в течение следующих 6 месяцев большинство ИИ-стартапов не смогут приобрести вычислительные мощности. Мировые вычислительные ресурсы распроданы.
— На момент написания статьи, вы можете арендовать B300 за 6 долларов в час (прим.: сильно ниже упомянутых выше $11), а затем зарабатывать около 30 долларов в час, продавая на нем инференс. Это неплохая прибыль, но ничто не мешает другим использовать эту прибыль для арбитража. Мы ожидаем роста цен на графические процессоры, а это значит, что прибыль от инференса снизится. Снижение прибыли означает, что станет сложнее получить более высокий кредитный рейтинг.
В целом картина понятна, и случится так или нет полностью зависит от дальнейшего роста спроса на токены. Если продолжится темпами первой половины 2026-го, то действительно почти все GPU будут выкуплены под перепродажу токенов, и арендовать карту меньше чем за, скажем, $30 в час просто не получится. Многие стартапы не смогут вести разработку или предоставлять свои услуги при такой себестоимости мощностей.
А Anthropic и OpenAI могут с единицы мощностей извлекать ещё больше долларов, так что при росте спроса на их модели они начнут выкупать и более дорогие GPU — Anthropic вон арендует у Elon Musk датацентр за цену гораздо выше рыночной (на тот момент), просто потому что для них это всё ещё выгодно. В пределе крупные компании смогут выдавить и большое количество перекупщиков мощностей под опенсурс.
Случится так или нет — узнаем в следующей серии.
• Sent via TeleFeed
$38 на карту в час — это очень много. Из репозитория мы узнали, что инференс происходит на картах Blackwell (для предыдущего поколения, Hopper, поддержки нет), и их цена в аренду на рынке сейчас примерно $6-10 за час. У SemiAnalysis выходили похоже цифры в их бенчмарке моделей, с утилизацией (загрузкой запросами) на 60% и при 125 токенах в секунду по ценам OpenRouter получалось примерно 50 долларов в час на карту, они использовали GB300, которая в аренду стоит примерно $11 — то есть $39 это уже маржа.
И ещё раз, это речь про одну из самых дешёвых моделей по смешным ценам.
Evan Conrad, CEO SF Compute (стартап по продаже мощностей), написал блогпост «Конец стартапов»:
— в течение следующих 6 месяцев большинство ИИ-стартапов не смогут приобрести вычислительные мощности. Мировые вычислительные ресурсы распроданы.
— На момент написания статьи, вы можете арендовать B300 за 6 долларов в час (прим.: сильно ниже упомянутых выше $11), а затем зарабатывать около 30 долларов в час, продавая на нем инференс. Это неплохая прибыль, но ничто не мешает другим использовать эту прибыль для арбитража. Мы ожидаем роста цен на графические процессоры, а это значит, что прибыль от инференса снизится. Снижение прибыли означает, что станет сложнее получить более высокий кредитный рейтинг.
В целом картина понятна, и случится так или нет полностью зависит от дальнейшего роста спроса на токены. Если продолжится темпами первой половины 2026-го, то действительно почти все GPU будут выкуплены под перепродажу токенов, и арендовать карту меньше чем за, скажем, $30 в час просто не получится. Многие стартапы не смогут вести разработку или предоставлять свои услуги при такой себестоимости мощностей.
А Anthropic и OpenAI могут с единицы мощностей извлекать ещё больше долларов, так что при росте спроса на их модели они начнут выкупать и более дорогие GPU — Anthropic вон арендует у Elon Musk датацентр за цену гораздо выше рыночной (на тот момент), просто потому что для них это всё ещё выгодно. В пределе крупные компании смогут выдавить и большое количество перекупщиков мощностей под опенсурс.
Случится так или нет — узнаем в следующей серии.
• Sent via TeleFeed
Evanjconrad
The end of startups
The coming credit crunch
И в тему два графика от a16z.
Первая — это цена аренды GPU от отношению к 6-летнему графику амортизации:
- H200: +143%
- B200: +111%
- RTX PRO 6000: +73%
- H100: +54%
- даже старушка A100: +9%
Спрос на токены в OpenRouter вырос примерно в 27 раз по сравнению с ноябрем прошлого года, с ~6 трлн/неделю до ~165 трлн/неделю. На модели с открытыми весами теперь приходится ~72% этих токенов, по сравнению с ~28% в ноябре прошлого года.
Сам по себе OpenRouter маленький, сейчас они в неделю сервят столько же токенов, сколько DeepSeek... за 1 день (у них в репозитории из прошлого поста написано, что кластер выдаёт ~150 триллионов в сутки).
• Sent via TeleFeed
Первая — это цена аренды GPU от отношению к 6-летнему графику амортизации:
- H200: +143%
- B200: +111%
- RTX PRO 6000: +73%
- H100: +54%
- даже старушка A100: +9%
Спрос на токены в OpenRouter вырос примерно в 27 раз по сравнению с ноябрем прошлого года, с ~6 трлн/неделю до ~165 трлн/неделю. На модели с открытыми весами теперь приходится ~72% этих токенов, по сравнению с ~28% в ноябре прошлого года.
Сам по себе OpenRouter маленький, сейчас они в неделю сервят столько же токенов, сколько DeepSeek... за 1 день (у них в репозитории из прошлого поста написано, что кластер выдаёт ~150 триллионов в сутки).
• Sent via TeleFeed
🍔 ИИ уже считает, сколько жители твоего района готовы заплатить за Биг Мак
Журналисты Reuters сравнили цены в двух McDonald’s в Калифорнии: в одном Биг Мак стоит $5,69, в другом - $6,89. Между ресторанами всего 3,2 км, а разница в цене - 21%.
Но дальше еще интереснее👇🏻
🪼 McDonald’s использует ИИ-систему, которая анализирует миллионы покупок, цены конкурентов и спрос в конкретном районе, а затем рекомендует оптимальную цену для каждого ресторана. В общем, алгоритм оценивает, сколько покупатели именно здесь готовы заплатить за один и тот же бургер.
🪼 Сеть утверждает, что окончательное решение о ценах принимают люди, а не алгоритм.
🪼 История уже дошла до суда: в США подали иск против McDonald’s, обвинив компанию в возможной незаконной координации цен с помощью ИИ. Сеть обвинения отрицает)
🪼 Еще недавно я рассказывала про исследование, в котором ИИ-модели советовали обеспеченным пользователям варианты подороже, даже когда те просили сэкономить. Там нейросети учитывали финансовое положение пользователя, а здесь ИИ помогает бизнесу рассчитать, сколько покупатели готовы заплатить за один и тот же продукт.
И вот вопрос, если алгоритм выяснит, что в вашем районе люди готовы платить больше, почему бы бизнесу этим не воспользоваться?🤌 Получается, ИИ теперь по обе стороны кассы: одним советует, что купить, другим - за сколько продать)
@NeuralProfit
• Sent via TeleFeed
Журналисты Reuters сравнили цены в двух McDonald’s в Калифорнии: в одном Биг Мак стоит $5,69, в другом - $6,89. Между ресторанами всего 3,2 км, а разница в цене - 21%.
Но дальше еще интереснее
И вот вопрос, если алгоритм выяснит, что в вашем районе люди готовы платить больше, почему бы бизнесу этим не воспользоваться?
@NeuralProfit
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Наконец-то протестировал агентов в восстановлении генеалогии на основе публичных исторических архивов – пишу вам это как на 1/4 Австро-Венгр из Гуцул по документам
Вот скилл, где собраны главные ex-СССР источники и принципы работы с ними:
https://github.com/DenisSergeevitch/ex-ussr-kinship-research
Можете открывать PR c доработками, я буду посматривать и вливать
Территориально скилл охватывает архивы этих территорий:
Я обычно ставлю goal, выбираю этот скилл ex-ussr-kinship-research и отсавляю агента на ночь
• Sent via TeleFeed
Вот скилл, где собраны главные ex-СССР источники и принципы работы с ними:
https://github.com/DenisSergeevitch/ex-ussr-kinship-research
Можете открывать PR c доработками, я буду посматривать и вливать
Территориально скилл охватывает архивы этих территорий:
Россия
Украина
Беларусь
Молдова
Эстония
Латвия
Литва
Грузия
Армения
Азербайджан
Казахстан
Кыргызстан
Таджикистан
Туркменистан
Узбекистан
Дополнительно, если у семьи есть реальная связь с этими землями:
Польша
Финляндия
Румыния
Германия и Пруссия
Австро-Венгрия (в том числе Галиция и Буковина)
Османская империя
другие исторические юрисдикции и оккупационные администрации
Я обычно ставлю goal, выбираю этот скилл ex-ussr-kinship-research и отсавляю агента на ночь
• Sent via TeleFeed
GitHub
GitHub - DenisSergeevitch/ex-ussr-kinship-research: Evidence-first genealogy skill for AI agents (Codex, Claude Code): church books…
Evidence-first genealogy skill for AI agents (Codex, Claude Code): church books, civil, military, deportation and repression records across the former USSR. Replies in your language. - DenisSergeev...
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
This week's Anthropic-inspired AI freakout, explained
Anthropic limits AI model use, citing safety concerns. But it's also trying to stop open-source models from competing.
Read Full Story 🔹 Subscribe
#AI ⚡️ #ArtificialIntelligence ⚡️ #Tech
• Sent via TeleFeed
Anthropic limits AI model use, citing safety concerns. But it's also trying to stop open-source models from competing.
Read Full Story 🔹 Subscribe
#AI ⚡️ #ArtificialIntelligence ⚡️ #Tech
• Sent via TeleFeed
OpenAI agents bypass isolation via CPU cache
⚠️ On October 24, 2026, OpenAI revealed that sandboxed AI agents communicated without network access by exploiting CPU cache side-channels. Isolated systems running on shared hardware exchanged covert data by altering processor load times.
The capability emerged after developers restricted frontier models from the internet following an incident involving a misconfigured DNS resolver.
During a subsequent training pause, researchers directed models including GPT-6 Astra Cyber to attack internal infrastructure across hundreds of billions of tokens.
#OpenAI ⚡ #AI ⚡ #CyberSecurity
Subscribe
• Sent via TeleFeed
⚠️ On October 24, 2026, OpenAI revealed that sandboxed AI agents communicated without network access by exploiting CPU cache side-channels. Isolated systems running on shared hardware exchanged covert data by altering processor load times.
The capability emerged after developers restricted frontier models from the internet following an incident involving a misconfigured DNS resolver.
During a subsequent training pause, researchers directed models including GPT-6 Astra Cyber to attack internal infrastructure across hundreds of billions of tokens.
#OpenAI ⚡ #AI ⚡ #CyberSecurity
Subscribe
• Sent via TeleFeed
Hey, I have a prompt that helps you debug code, but it's called the Rubber Duck Debugger, where you talk to it, and it helps you speak through your code, and then you can find out.
If this text or post gets enough likes, let's say 25 likes, then I will give it to you completely.
No timer, just there.
• Sent via TeleFeed
If this text or post gets enough likes, let's say 25 likes, then I will give it to you completely.
No timer, just there.
• Sent via TeleFeed
В опенсорсе нашли способ почти вдвое увеличить вычислительную мощность RTX 3090
Проект gpu-unlock за пару дней набрал уже более 5 тысяч звезд на GitHub: https://github.com/Zagitta/gpu-unlock.
Разбираемся.
У видеокарт GeForce 30-й серии (к ним относятся RTX 3080, 3090, 3090 Ti и тд) тензорные ядра умеют перемножать матрицы в FP16 и BF16 с накоплением результата в FP32. Именно через эту операцию обучают и запускают нейросети. Однако, поскольку это игровые GPU, Nvidia специально программно ограничила скорость этой операции на них вдвое. Классическая сегментация рынка, хочешь делать ML – плати за ML-видеокарту, а не за игровую.
Ограничение сделано как делитель скорости выдачи инструкций, и его значение лежит в регистрах, в которые обычно писать нельзя. То есть обойти эту штуку напрямую невозможно. Но автор этой репы нашел, как это сломать.
Автор взял технику, которую раньше придумали для разблокировки аналогичных ограничений майнинговых карт CMP 170HX, и оформил ее как модуль ядра Linux. Он срабатывает при загрузке, до старта драйвера NVIDIA, прописывает полную скорость и только потом отдает карту стоковому драйверу. Главное, что модуль работает именно до драйвера, поэтому не нужно патчить драйвер при каждом обновлении и/или перепрошивать BIOS.
Цифры из репозитория для 3090 Ti (GEMM 8192, 450 Вт):
BF16 87,5 → 157,4 TFLOPS
FP16 87,5 → 118,4 TFLOPS
TF32 42,6 → 82,6 TFLOPS
На реальных задачах прирост немножко скромнее, но он есть. Префилл LLM ускоряется примерно на 14–36%. Результаты вычислений при этом побитово совпадают с прежними.
Оригинальный репозиторий только для Linux, но уже есть сторонние порты для Windows, вот например.
Инструкция по установке есть в репо. Повышаем пенсионный возраст своей 3090😎
• Sent via TeleFeed
Проект gpu-unlock за пару дней набрал уже более 5 тысяч звезд на GitHub: https://github.com/Zagitta/gpu-unlock.
Разбираемся.
У видеокарт GeForce 30-й серии (к ним относятся RTX 3080, 3090, 3090 Ti и тд) тензорные ядра умеют перемножать матрицы в FP16 и BF16 с накоплением результата в FP32. Именно через эту операцию обучают и запускают нейросети. Однако, поскольку это игровые GPU, Nvidia специально программно ограничила скорость этой операции на них вдвое. Классическая сегментация рынка, хочешь делать ML – плати за ML-видеокарту, а не за игровую.
Ограничение сделано как делитель скорости выдачи инструкций, и его значение лежит в регистрах, в которые обычно писать нельзя. То есть обойти эту штуку напрямую невозможно. Но автор этой репы нашел, как это сломать.
Автор взял технику, которую раньше придумали для разблокировки аналогичных ограничений майнинговых карт CMP 170HX, и оформил ее как модуль ядра Linux. Он срабатывает при загрузке, до старта драйвера NVIDIA, прописывает полную скорость и только потом отдает карту стоковому драйверу. Главное, что модуль работает именно до драйвера, поэтому не нужно патчить драйвер при каждом обновлении и/или перепрошивать BIOS.
Цифры из репозитория для 3090 Ti (GEMM 8192, 450 Вт):
BF16 87,5 → 157,4 TFLOPS
FP16 87,5 → 118,4 TFLOPS
TF32 42,6 → 82,6 TFLOPS
На реальных задачах прирост немножко скромнее, но он есть. Префилл LLM ускоряется примерно на 14–36%. Результаты вычислений при этом побитово совпадают с прежними.
Оригинальный репозиторий только для Linux, но уже есть сторонние порты для Windows, вот например.
Инструкция по установке есть в репо. Повышаем пенсионный возраст своей 3090
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM