⚙️Z.ai выпустила GLM-5.3 — и обнаружила у неё незапланированные кибервозможности

Китайская лаборатория Z.ai представила GLM-5.3. Формально это не новая модель: база та же, что у GLM-5.2, все улучшения получены масштабированием пост-тренинга — больше сред обучения, больше типов задач, больше вычислений.

В кодинге прирост заметнее всего на самых длинных задачах. Terminal-Bench 3.0 вырос с 4,6 до 28,3, DeepSWE v1.1 — с 46,2 до 66,9, Agents' Last Exam — с 23,8 до 28,5. На внутреннем Z.ai Code Bench компания заявляет улучшение на 50% и, что интереснее, рост экономичности: 31,4% результата примерно за 50 тысяч выходных токенов против 29,5% у Claude Opus 4.8, которому требуется 120 тысяч. Впереди остаётся Fable 5 с 39,5%. Z.ai называет GLM-5.3 самой сильной открытой моделью для кодинга.

Обучали её на средах, которые больше похожи на реальную инженерную работу, чем на задачи из учебника: например, модели дают доступ к вычислительному кластеру, хранилищу, внутренней документации и результатам экспериментов и просят найти узкие места в стеке обучения, внедрить оптимизации и добиться измеримого ускорения. Некоторые задачи соответствуют нескольким дням работы опытного инженера.

Но главный сюжет — другой. Разработчики добавили в обучение данные по поиску уязвимостей, ожидая, что модель просто станет лучше разбирать отдельные баги. Вместо этого способность продолжала расти по мере масштабирования, и модель начала строить связные планы через несколько стадий эксплуатации сразу. На CyberGym она набирает 84,5% — лучший результат бенчмарка, впереди Mythos 5 (83,8%) и GPT-5.6 Sol (83,6%). На более сложном ExploitBench показатель вырос с 24,4% до 54,4%, но здесь закрытые модели пока далеко впереди — 78% и 76,5%. Закономерность, которую отмечает и сама компания: чем глубже по цепочке эксплуатации бенчмарк, тем больше прирост относительно 5.2 — и тем шире оставшийся разрыв с фронтиром.

Модель уже работает через API, GLM Coding Plan и агент ZCode, поддерживает три уровня усилия рассуждения (отключить «мышление» теперь нельзя). Веса обещают выложить примерно через две недели — после завершения оценки безопасности.

#Ai #Tech #CyberSecurity #China #Zai #Coding

🆚 GLM-5.3 против Claude Fable 5 на DeepSWE: цена, код и маршрутизация

Сравнение моделей на бенчмарке DeepSWE показало статистическую ничью по первому запуску, но 5,4-кратную разницу в цене. У Claude Fable 5 pass@1 — 69,7%, у GLM-5.3 — 69,0%, разрыв внутри погрешности. При этом один прогон GLM стоит $3,99 против $21,63 у Fable: на $100 GLM решает 17 задач, а Fable — только 3.

С ретраями открытая модель выходит вперед: pass@2 — 81,1% против 77,1%, pass@4 — 87,6% против 84,1%. GLM также покрывает больше задач (87,6% против 84,1%) и заметно менее многословен: 80k выходных токенов против 114k, хотя делает больше шагов. По времени прогона модели почти равны: 35 и 34 минуты.
Корреляция по задачам — 0,65, так что запускать обе модели параллельно почти бессмысленно. Авторы теста советуют держать дешевую GLM-5.3 как основную, а к Fable обращаться только для Rust и сериализации. GLM сильнее в запросах/конфигах, рантаймах и конкурентности, Fable — в data modeling, build и protocol conformance.

#AI #GLM53 #ClaudeFable5 #DeepSWE #TogetherAI #Coding #Comparison

💻 Анонимная ИИ-модель Ox Alpha взломала бенчмарки кодинга и запустила игру в угадайку

20 августа OpenRouter добавил stealth/ox-alpha — бесплатную модель без названия компании, техотчёта и указания параметров. Цена — ноль. Китайские пользователи прозвали её «моделью быка».

Независимый исследователь прогнал Ox Alpha по DeepSWE: 8 из 10 задач, 80% против 65% у Claude Fable 5 и 52% у GPT-5.6 Sol. Stripe тоже протестировал модель и остался впечатлён. Ox Alpha возглавила рейтинг OpenRouter, установив рекорд по дневному использованию.

Характеристики агрессивные: контекст на 1 048 600 токенов, до 131 000 токенов на ответ, ввод текста, изображений и видео, нативная поддержка tool calling, function calling и JSON. На полном прогоне из 113 задач DeepSWE модель набрала 63 балла — вблизи Claude Opus 4.8.

Началась охота за создателем. Тесты токенизатора показали постоянную разницу в 75 токенов с GLM-5.3 от Zhipu, видеокодер совпал с GLM-5V-Turbo, формат ошибок API тоже напоминает Zhipu. Многие теперь на 99% уверены, что Ox Alpha — предрелизная GLM-5.x. Исследователи DeepMind подлили масла в огонь намёками на Gemini, но ни одна компания модель официально не признала.

Анонимные запуски на OpenRouter уже не новы: Pony Alpha оказалась GLM-5 от Zhipu, Hunter Alpha — MiMo-V2-Pro от Xiaomi, Elephant Alpha — Ant, Owl Alpha — Meituan. Зачем анонимность? Без бренда разработчики судят по результату, а бесплатные топ-модели стали повторяющейся стратегией китайских вендоров в битве за вычислительные мощности

#AI #Safety #OpenRouter #Zhipu #GLM #Coding

❗️Anthropic выпустила Claude Opus 5.5: уровень Fable 5.1 при затратах на 40% ниже

Первая модель в новом семействе Claude 5.5 и первый релиз после того, как Дарио Амодеи призвал «задавать темп фронтиру». Перед выпуском её тестировали внешние оценщики, включая METR и Frontier Design. Главный аргумент не в бенчмарках, а в экономике: входные и выходные токены стоят $4 и $20 за миллион, на 20% дешевле Opus 5, а чтение кеша, на которое приходится основная часть расходов в агентной работе, упало на 60% до $0,20. Вместе с меньшим расходом токенов на задачу это даёт минус 40% к типичной нагрузке. Выдача при этом больше чем на 30% быстрее, а пятичасовые лимиты на Pro, Max, Team и Enterprise подняли.

По цифрам модель лидирует в агентном кодинге (Terminal-Bench 4.0 — 66,4% против 57,9% у GPT‑6 Astra) и в рабочих задачах (GDPval‑AA v2.1 — 1846 Elo против 1735 у Fable 5.1). Anthropic честно оговаривает, что на таких уровнях отрыв в бенчмарках плохо предсказывает разницу на практике. Живые примеры убедительнее: аудит и починка кодовой базы на 200 тыс. строк за три часа против двадцати с лишним у Opus 5, перевод HAProxy с C на Rust за 9,5 часа вместо 12 у Fable 5.1 и на 51% дешевле, миграция на 680 тыс. строк меньше чем за день. Отдельно чинили стиль общения — частую претензию к Opus 5: короче, важное вперёд, меньше жаргона.

Интереснее всего безопасность. По автоматическому поведенческому аудиту почти на 2000 сценариев это лучшая модель Anthropic на сегодня, а в новом тесте на пересечение границ изоляции она пытается их обойти примерно на 85% реже, чем Opus 5 или Mythos 5.1. Но есть и признание: Opus 5.5 часто подозревает, что её тестируют, и это подрывает саму возможность оценки. Из-за силы в биологии и кибербезопасности модель выходит с ограничениями уровня Fable 5.1 — большинство кибер-задач уходит на Opus 4.8, а доступ открывают через программы верификации. Отключить режим мышления больше нельзя.

#AI #Tech #Anthropic #Opus #Claude #Coding

🆕 Anthropic выпустила Claude Sonnet 5.5: цена прежняя, скорость выше на 30%

Вторая модель в семействе Claude 5.5 и дополнение к Opus 5.5: там, где Opus рассчитан на сложную работу с долгим суждением, Sonnet 5.5 берёт хорошо очерченные повседневные задачи, починку багов и подготовку документов, слайдов и таблиц. Haiku 5.5 обещают в ближайшие недели. Цены не изменились относительно Sonnet 5: $2 за миллион входных токенов, $10 за выходные и $0,20 за чтение кеша. Экономия идёт от расхода: на ту же работу модель тратит заметно меньше токенов, что даёт до 30% снижения стоимости задачи, а выдача стала быстрее более чем на 30%.

Скачки в бенчмарках местами резкие. Terminal-Bench 4.0 вырос с 10,3% до 70,6%, то есть выше, чем у Opus 5.5 с его 66,4%. GDPval-AA v2.1 показывает 1844 против 1449 у Sonnet 5 и практически вровень с Opus 5.5. OSWorld 2.1 подрос с 57,0% до 80,1%, распознавание графиков с 15,6% до 61,6%. Sonnet 5.5 также стал первой моделью линейки, прошедшей Pokémon Red по одним скриншотам. Сама Anthropic оговаривает, что на сложной открытой работе Opus 5.5 остаётся явно сильнее.

Из отзывов тестировщиков: в Epic Games модель прошла аудит системного дизайна и разбор потоков данных, вела десятки тысяч строк архитектуры геймплея и держала многочасовые задачи. В Slack без правки промптов получили улучшение почти по всем офлайн-оценкам Slackbot за меньшее число шагов и примерно на 14% меньше выходных токенов.

По безопасности главное: кибервозможности Sonnet 5.5 сопоставимы с Opus 5, поэтому это первая Sonnet с кибер-ограничениями уровня флагманов — рискованные задачи будут заметно откатываться на Sonnet 5. Ещё она первой в линейке получила классификаторы против дистилляции и расширенное preserved thinking, привязывающее рассуждения к создавшему их аккаунту.

#AI #Anthropic #Claude #Coding

🤖 OpenAI: новые модели научились лучше писать код на COBOL, Fortran и Visual Basic

OpenAI сообщила о заметном прогрессе своих моделей в низкоресурсных языках программирования - COBOL, Fortran и Visual Basic. Кода и документации по ним мало, но на них держится критическая инфраструктура: COBOL обслуживает более 40% систем онлайн-банкинга и 95% транзакций банкоматов, Fortran используется в прогнозах погоды и анализе безопасности реакторов.

Для замера прогресса OpenAI представила две оценки. MultiLangBench проверяет, может ли модель с нуля собрать SQLite-совместимый движок на 20 языках. GPT-6 Astra показала средний pass rate 87,4% против 26,8% у GPT-5.6 Sol, с ростом в каждом языке: COBOL - с 10,9% до 72,1%, Fortran - с 21,4% до 83,5%, Visual Basic - с 27,5% до 89,4%. Более дешёвая GPT-6 Luna даёт 40,3% при примерно 78% ниже стоимости API.

Вторая оценка - миграция COBOL на C++, Java, Kotlin, Python или Rust с побайтовым сохранением поведения, включая правила округления в финансовых расчётах. GPT-6.1 Sol достигает 86,6% при низком reasoning effort (у GPT-5.6 Sol - 5,4%) и 97,9% при высоком, при этом на 39% дешевле. Набор тестов MultiLangBench выложен на GitHub.

🎨 qvabo.studio/tg · картинки и видео

#OpenAI #COBOL #AI #Coding #Development