➕ MathAtlas: новый бенчмарк для автоформализации математики

Исследователи представили MathAtlas — первый крупномасштабный бенчмарк для автоформализации математики на уровне graduate и research. Датасет включает ~52 тыс. теорем, определений, упражнений, примеров и доказательств, извлечённых из 103 учебников по математике для магистров и аспирантов.

Уникальная особенность MathAtlas — граф математических зависимостей с ~178 тыс. связей. Это первый бенчмарк, учитывающий такие зависимости, что позволяет тестировать системы автоформализации, способные работать с контекстом.

Эксперименты показали, что MathAtlas крайне сложен: лучшие модели достигают лишь 9,8% корректности на теоремах и 16,7% на определениях. На подмножестве MA-Hard (700 объектов с самыми глубокими деревьями зависимостей) точность падает до 2,6%.

#Tech #Ai #Science #MathAtlas

🔤 Cline CLI 3.0 — кодинг-агент вышел из VS Code в терминал

Пока все обсуждают Claude Code и Codex, Cline тихо пересобрал себя с нуля. Версия 3.0 — это не просто обновление расширения для VS Code, а полноценный CLI-агент с собственным SDK, который работает в любом терминале без привязки к IDE.

🦂 Что произошло. Cline перенёс агентный рантайм из расширения VS Code в отдельный пакет @cline/sdk. Теперь один и тот же движок работает в CLI, VS Code, JetBrains и любом Node.js-приложении. CLI ставится одной командой: npm install -g cline, запускается в терминале и выглядит как полноценный TUI — с подсветкой синтаксиса, скроллом, мышью и интерактивными диалогами. Версии 3.0.0–3.0.4 вышли за последнюю неделю, исправляя Windows-совместимость, поддержку плагинов и рендеринг на светлых терминалах.

🦂 Зачем это разработчику. CLI-версия встраивается в CI/CD пайплайны, скрипты и автоматизации — туда, где GUI бесполезен. Флаг --worktree автоматически создаёт изолированный git worktree для каждой задачи (появился в v3.0.3). Есть YOLO-режим без подтверждений, checkpoint restore через /undo, коннекторы к Telegram, Slack и WhatsApp через cline connect. Сессии сохраняются на диск после каждого ответа — краш не убивает прогресс.

🦂 Бенчмарки говорят интересное. На Terminal-Bench 2.0 Cline CLI с Claude Opus 4.7 показывает 74.2% — выше, чем Claude Code с тем же Opus 4.7 (69.4%). С Opus 4.6 — 71.9% vs 65.4% у Claude Code. На open-weight моделях Cline тоже лидирует: Kimi K2.6 — 55.1% (vs Pi-Code 45.5%, OpenCode 37.1%). То есть один и тот же LLM работает эффективнее через Cline, чем через конкурентов — за счёт переписанного системного промпта и оптимизированного цикла агента.

🦂 Модель — на выбор. Cline поддерживает Anthropic, OpenAI, Google, AWS Bedrock, Mistral, Ollama, LM Studio и любой OpenAI-совместимый эндпоинт. Хотите — подключаете облачный Opus, хотите — локальный Qwen3.6-27B через Ollama. Переключение — одна строка в конфиге. Для Ollama-моделей с включённым reasoning есть флаг --thinking none.

🦂 Цена. Cline бесплатен и open-source (58K+ звёзд на GitHub, 5M+ установок). Платите только за API-токены выбранной модели. Для сравнения: Claude Code — от $20/мес (Pro) до $200/мес (Max), Cursor — $20/мес, Codex — в составе ChatGPT Pro за $200/мес.

🦂 Плагины и мультиагентность. SDK поддерживает плагины (свои инструменты, правила, хуки), подагентов с отдельными моделями и промптами, MCP-коннекторы и cron-задачи — всё из коробки, без внешней оркестрации.
Если вы уже пользуетесь Claude Code или Cursor и хотите попробовать альтернативу без подписки — npm install -g cline и пять минут на настройку. Для тех, у кого есть GPU или Mac M-серии, связка Cline CLI + локальная модель даёт полностью бесплатный кодинг-агент без ограничений на запросы и без отправки кода в облако.

Источники:
GitHub: Cline Releases | Cline SDK Blog | CLI Changelog |
CLI Docs | Cline Pricing | Terminal-Bench Leaderboard

@QvaboStudio

#GitHub #CLI #AI

❗️Новый бенчмарк SOOHAK: AI-модели уверенно решают задачи, у которых нет решения

Консорциум из 64 математиков представил бенчмарк SOOHAK для оценки AI-моделей. Он состоит из 439 оригинальных задач, разделенных на два набора: «Challenge» (340 задач уровня graduate и research) и «Refusal» (99 заведомо некорректных задач с противоречиями или отсутствием ответа).

Каждую задачу написали вручную 38 профессоров, 25 аспирантов и 5 призеров IMO. Использование LLM при создании было запрещено — нарушителей исключали.

Результаты показали, что research-level математика остается серьезным барьером. Gemini 3 Pro набрал 30% на сложном наборе, GPT-5 — 26%, Claude Opus 4.5 — лишь 10%. 124 задачи не решила ни одна модель.

Еще тревожнее результаты на наборе Refusal: ни одна модель не преодолела 50% правильных отказов. GLM-5 показал лучший результат (около 50%), Qwen3 — менее 3%. Модели часто уверенно выдают числовой ответ на нерешаемую задачу, вместо того чтобы указать на ошибку в условии.

Авторы отмечают, что обнаружение некорректных задач — «новая цель оптимизации, которую текущие модели не решают напрямую».

#Ai #Benchmark #Research #SOOHAK

👩‍💻 Исправление: защитные ограничения для координации команд агентов (535)

Разработчик wshobson выпустил обновление для своего репозитория Agents, направленное на улучшение координации между несколькими ИИ-агентами. Коммит под номером №535 добавляет защитные механизмы (guardrails), которые предотвращают некорректное взаимодействие агентов в команде.

Обновление затрагивает логику координации: теперь система накладывает ограничения на коммуникацию между агентами, чтобы избежать конфликтов и нештатных ситуаций. Это важный шаг для повышения стабильности мультиагентных систем, где несколько AI-моделей работают совместно над одной задачей.

Изменение опубликовано в открытом доступе на GitHub.

#Github #AI #agents #opensource

👩‍💻 Google обновляет Android: почему в 2026 году может понадобиться новый смартфон

Google готовит масштабное обновление Android, которое может потребовать от пользователей замены устройств в 2026 году. По данным Forbes, речь идет о внедрении новых требований к безопасности и аппаратному обеспечению, которые не смогут поддержать старые модели смартфонов. В частности, обновление затронет механизмы защиты от вредоносного ПО и шифрования данных, что сделает устаревшие устройства уязвимыми для атак.

Ключевым изменением станет обязательная поддержка модуля безопасности на уровне чипа - Trusted Execution Environment (TEE) нового поколения. Производители, включая Qualcomm и MediaTek, уже подтвердили, что их процессоры 2025-2026 годов будут соответствовать этим требованиям. Однако смартфоны, выпущенные до 2024 года, скорее всего, не получат обновление, так как их аппаратная часть несовместима с новыми стандартами.

Для пользователей это означает, что после выхода обновления в 2026 году старые устройства перестанут получать критические патчи безопасности. Google рекомендует заранее планировать замену смартфона, чтобы избежать рисков утечки данных. Точные сроки и список поддерживаемых моделей пока не раскрыты, но аналитики ожидают анонс на конференции Google I/O 2026.

#Tech #Ai #Google #Android

🤖 Модели World Action Models научат роботов просчитывать последствия своих действий

Новый обзор исследователей из Фуданьского университета, Шанхайского инновационного института и Национального университета Сингапура впервые систематизировал класс моделей World Action Models (WAM). Они решают ключевую проблему современной робототехники: модели, которые напрямую преобразуют изображения в движения, не понимают, как меняется мир в результате их действий.

WAM моделируют, как изменится среда после движения робота, и связывают этот прогноз с генерацией действий. Это позволяет роботам лучше адаптироваться к незнакомым объектам и обучаться на обычных видео с камер — данные, которые ранее были бесполезны для традиционной робототехники.

Авторы выделили две архитектуры. Каскадные WAM сначала генерируют изображение или видео следующего состояния сцены, а затем извлекают из него управляющие команды. Совместные WAM (Joint WAM) выполняют обе задачи в одной модели, обрабатывая изображения и действия как единую последовательность токенов. Примеры: GR-1, GR-2, WorldVLA, а также Cosmos Policy от Nvidia.

#Tech #Ai #Nvidia #WAM

⌛ AI не ускорит ваши бизнес-процессы: разбор ошибок оптимизации

Массовое увлечение AI-оптимизацией процессов часто строится на ложных ожиданиях. Перечитывая классику вроде «The Toyota Way» и «The Goal», он приходит к выводу, что компании неправильно определяют узкие места.

Главная ошибка — считать, что AI сам по себе ускорит разработку или согласования. На примере Gantt-диаграммы показано: самый долгий этап (например, разработка ПО) не всегда является корнем проблемы. Часто тормозит не написание кода, а нечеткие вводные. «Отправить письмо после продажи» — что это значит? Какое письмо, при каких ошибках, когда сделка считается завершенной?

AI-генерация кода не решает эту проблему. Она лишь переносит нагрузку на этап формулировки задачи: теперь доменным экспертам приходится расписывать каждую деталь до символа. Но если дать человеку-разработчику такое же подробное ТЗ, его продуктивность тоже взлетит.

Вывод: ускорять нужно не «забрасывание» задачи AI или людьми, а качество входящих данных. Как сказано в «The Goal»: «Узкие места должны получать предсказуемые и качественные входные данные». Прежде чем внедрять AI, наведите порядок на входе процесса.

#Business #Ai #Optimization #Research

🖥 Руководитель Claude Code — о лимитах, прозрачности и «lean harness»

Cat Wu, глава продукта Claude Code в Anthropic, заявила, что у компании нет долгосрочного плана развития инструмента — и это осознанная стратегия. В интервью Ars Technica на конференции Code with Claude 2026 она объяснила, что быстрый прогресс моделей и обратная связь от разработчиков делают жёсткое планирование бессмысленным.

Anthropic удвоила лимиты использования Claude Code на тарифах Pro и Max после жалоб пользователей на нехватку вычислительных ресурсов. Причина — взрывной рост: вместо ожидаемых 10x в год компания столкнулась с 80x. Параллельно изменился паттерн использования: от простых чатов к сложным мультиагентным сценариям, потребляющим значительно больше токенов.

Wu отметила, что Claude Code проходит циклы разработки длиной в неделю. Команда экспериментирует в «диком западе» поиска новых кейсов. CLI остаётся центром тяжести, но растёт доля пользователей, переходящих на десктопное приложение — из-за необходимости управлять множеством агентов одновременно. Конкуренты (OpenAI Codex, GitHub Copilot, Cursor) не стоят на месте, но Anthropic делает ставку на скорость итераций, а не на долгосрочную дорожную карту.

#Ai #Claude #Coding #Inside

📢 Голосовые агенты реального времени: Stream Vision Agents и Amazon Nova 2 Sonic

AWS и Stream представили интеграцию фреймворка Vision Agents с моделью Amazon Nova 2 Sonic через Amazon Bedrock. Решение позволяет создавать production-ready голосовых ассистентов с минимальным количеством кода, работающих в реальном времени.

Ключевые компоненты: Amazon Nova 2 Sonic — speech-to-speech модель с двунаправленным аудиопотоком, детекцией пауз и вызовом функций. Stream Vision Agents — open-source фреймворк для голосовых и видеоагентов с 25+ интеграциями и SDK под React, iOS, Android, Flutter. Stream Edge Network обеспечивает время подключения менее 500 мс и задержку аудио до 30 мс.

Архитектура разделяет транспортный уровень (Stream) и AI-логику (AWS-аккаунт клиента). Аудио передается через WebRTC/UDP до ближайшего SFU-сервера Stream, затем — в Vision Agent. Модель Nova Sonic обрабатывает речь целиком, без разделения на STT и TTS. Задержка end-to-end — менее 500 мс. Поддерживается автоматическое переподключение, многоголосье и функция barge-in.

#Tech #AI #AWS #AmazonNova #Stream

🎩 Anthropic научил Managed Agents работать с Linear и Slack через webhook-мост

Если вы пробовали Claude Managed Agents, то знаете ощущение: агент умный, но замкнут в себе. Он пишет код в песочнице, но чтобы связать его с реальными сервисами — Linear, Slack, GitHub — нужно городить интеграции руками. В свежем коммите в claude-cookbooks Anthropic добавил готовые шаблоны stateless webhook bridge для Linear и Slack, которые решают именно эту проблему.

🦂 Что это такое. Managed Agents — это хостируемые агенты, которые крутятся в облаке Anthropic. Вы задаёте модель, промпт, инструменты — Anthropic управляет сессиями, песочницами и контекстом. Архитектуру они описали в инженерном блоге: «мозг» (Claude + harness) отделён от «рук» (песочницы, MCP-серверы, внешние API). Каждый компонент — stateless, падает и перезапускается независимо. TTFT (время до первого токена) снизилось на 60% на p50 и на 90%+ на p95 после этого разделения.

🦂 Зачем нужен webhook bridge. До этого взаимодействие с агентом шло через streaming API — вы держите HTTP-соединение, пока агент работает. Это удобно для разработки, но не масштабируется и не переживает перезапуск сервера. Webhook-мост меняет модель: агент уходит в idle → Anthropic шлёт webhook session.status_idled на ваш эндпоинт → ваш сервер решает, что делать → отправляет результат обратно. Никаких long-lived соединений.

🦂 Linear + MCP на практике. Настройка: создаёте Credential Vault в консоли Claude, добавляете Linear через OAuth, указываете MCP-сервер Linear в JSON агента. После этого агент может искать, создавать и обновлять задачи в Linear напрямую из сессии. Ключи хранятся в vault — агент их никогда не видит. Аналогично работает Slack, GitHub, Stripe, Notion и любой сервис с MCP-сервером.

🦂 Два направления webhooks. Anthropic запустил оба:
Outbound (Anthropic → вы): агент завершил работу, упал, ждёт ревью → вы получаете событие. Типы: session.status_idled, session.status_terminated, session.outcome_evaluation_ended, vault_credential.refresh_failed и другие.
Inbound (вы → Anthropic): через routines.fire можно запускать агента по событию из любого внешнего сервиса. CI упал в GitHub → агент начинает разбирать логи. Тикет в Linear → агент анализирует и предлагает fix.

🦂 Нюансы, которые стоит знать. Доставка at-least-once, порядок не гарантирован. Подпись через X-Webhook-Signature, окно валидности — 5 минут. После ~20 провалов эндпоинт автоматически отключается. Payload тонкий — только тип события и ID, за деталями нужен обратный вызов в API. Каждый повторный вызов routines.fire создаёт новую сессию — дедупликация на вашей стороне.

🦂 Для кого это. Для команд, которые хотят встроить Claude-агента в существующий рабочий процесс: тикет-система → агент → код → PR → ревью. Не для хобби-проектов — Managed Agents пока в бете, доступны на Team и Enterprise планах. Но если вы уже используете Claude API и Linear/Slack/GitHub, webhook bridge сокращает путь от «агент умеет кодить» до «агент встроен в пайплайн» с недель до часов.

Источники:
Anthropic Engineering: Scaling Managed Agents | Claude Cookbooks: Production Setup | Hookdeck: Anthropic Managed Agent Webhooks | Firecrawl: Claude Managed Agents + Linear MCP Setup | Linear MCP Integration |
Claude Managed Agents Docs

#GitHub #Slack #Claude

🤖 Стартап Recursive Superintelligence получил $650 млн на создание ИИ, который сам себя улучшает

Из Сан-Франциско вышел из скрытого режима стартап Recursive Superintelligence, привлекший $650 млн на разработку системы, способной автономно модернизировать собственный код. Компания планирует создать движок, который сможет исследовать себя, находить ошибки и переписывать свою архитектуру без участия человека.

Проект возглавляет известный компьютерщик Ричард Сочер вместе с сооснователями Питером Норвигом и Тимом Роктэшелем, ранее работавшими в Google DeepMind. Стартап выходит на конкурентный рынок, который часто называют новым лабораторным сектором, но руководство отвергает этот ярлык, утверждая, что коммерческие программные продукты появятся на рынке в течение кварталов, а не лет.

Разработка основана на концепции открытости (open-endedness) - методе, при котором ИИ-системы совместно эволюционируют через итеративное самовызов, вдохновленное биологической эволюцией и техниками тестирования. Стратегия опирается на полную автоматизацию генерации идей, их реализации и технической валидации исследовательских концепций. Основатели заявляют, что будущее распределение вычислительных мощностей станет одним из самых критических ресурсных решений для корпоративной инфраструктуры.

#Ai #Funding #Startup

😢 AI-бум создает пропасть в доходах среди IT-специалистов

Партнер венчурной фирмы Menlo Ventures Диди Дас заявил, что текущий бум искусственного интеллекта привел к самому серьезному разрыву в доходах среди технологических специалистов в Сан-Франциско. По его оценкам, около 10 тысяч человек - основатели и сотрудники таких компаний, как OpenAI, Anthropic и Nvidia - уже достигли состояния, превышающего 20 миллионов долларов, что можно считать капиталом для выхода на пенсию.

В то же время многие другие работники IT-сектора, даже имея высокооплачиваемые должности, осознают, что их текущий доход никогда не позволит достичь подобного уровня финансовой безопасности. Эта ситуация порождает чувство тревоги и неопределенности относительно будущего карьеры. В социальных сетях развернулись дискуссии: одни называют происходящее новым и тревожным феноменом, при котором одна и та же технология выступает одновременно и возможностью, и угрозой для стабильности.

#TECH #WealthDivide #TechIndustry

⚖ LawX привлёк €7,5 млн на создание «бэк-офиса» для юридического AI

Берлинский legal-tech стартап LawX, основанный доктором Норманом Кошмидером, закрыл seed-раунд на €7,5 млн. Инвестиции возглавил Motive Partners, также участие приняли WENVEST Capital, xdeck и SIVentures. Среди ангелов — представители немецкой tech и юридической сцены. Общий объём привлечённого капитала превысил €7 млн.

В отличие от большинства legal-AI решений, которые фокусируются на исследованиях, составлении документов и анализе контрактов, LawX автоматизирует «невидимую» половину рабочего дня юриста: открытие дел, управление контактами и календарями, обработку документов и выставление счетов. Продукт позиционируется как операционная система для юридической практики, а не как AI-ассистент для интеллектуального труда.

Для юридических фирм и нотариусов LawX решает проблему рутинного бэк-офиса, который пока остаётся вне поля зрения крупных AI-вендоров. Стартап был основан в 2025 году и уже привлёк внимание инвесторов, специализирующихся на финтехе и enterprise-софте.


#TECH #LawX #legaltech #юридический

🥷 Хакеры заработали $1,3 млн на Pwn2Own Berlin 2026

На соревновании Pwn2Own Berlin 2026 участники продемонстрировали 37 уникальных уязвимостей нулевого дня и получили в сумме $1,3 млн призовых. Мероприятие, организованное Trend Micro Zero Day Initiative, традиционно собрало лучших исследователей безопасности со всего мира.

В этом году особое внимание привлекли атаки на операционные системы, веб-браузеры, гипервизоры и устройства IoT. Среди целей были VMware ESXi, Google Chrome, Microsoft Edge, Apple Safari, а также ряд промышленных контроллеров и роутеров. Самая крупная выплата составила $250 000 за полную цепочку эксплуатации гипервизора VMware.

По итогам соревнования все обнаруженные уязвимости были переданы вендорам для выпуска патчей. Trend Micro ZDI традиционно публикует детали эксплойтов только после выхода исправлений, чтобы минимизировать риски для пользователей.

#Business #cybersecurity #vulnerabilities

💣 Каждая AI-подписка — бомба замедленного действия для бизнеса

Лаборатории искусственного интеллекта сознательно теряют деньги на корпоративных подписках. OpenAI, Anthropic, Google и другие ведут беспрецедентную программу демпинга: продают доступ к мощнейшим моделям по ценам, не покрывающим даже себестоимость вычислений.

Разрыв между тем, что платит компания, и реальными затратами на обслуживание — не погрешность, а пропасть. Claude Pro за $20 в месяц при API-ценах обходится в $200–400 на одного активного пользователя. Microsoft теряла более $20 на каждом пользователе GitHub Copilot. Аналитики подсчитали: пользователи Anthropic потребляют $8 вычислительных ресурсов на каждый $1 подписки.

Проблема системная. Google продаёт Gemini Advanced за $20 в bundle, одновременно взимая с разработчиков реальные деньги за API к тем же моделям. xAI демпингует Grok по цене $0.20 за миллион токенов — это возможно только при готовности нести убытки ради доли рынка.

Ситуацию усугубляют агентные AI-системы. Claude Code сжигает токены в десятки раз быстрее обычных чатов. GitHub уже объявил о переходе Copilot на usage-based billing с 1 июня 2026 — плоская модель рухнула под нагрузкой агентов. OpenAI рассматривает отказ от безлимитных тарифов, сравнивая их с «бесплатным электричеством».

#Business #Ai #Finances #OpenAI #Anthropic #Google