✨ Это продолжение материала про AlphaEvolve, и здесь — конкретика по запуску. Пушмит Кохли, главный научный сотрудник Google Cloud и вице-президент по науке в Google DeepMind, формулирует главный тезис компании: ИИ переходит от роли ассистента, который просто ускоряет работу, к роли «двигателя открытий», расширяющего то, что вообще возможно сделать. По его словам, автономно исследуя гигантские вычислительные пространства решений, такие инструменты, как AlphaEvolve, помогают находить прорывные алгоритмы, дополняющие человеческую интуицию, а не просто её имитирующие.

Технически для старта нужны всего два элемента: seed-программа — исходный алгоритм с явно помеченными участками кода, которые разрешено оптимизировать, и evaluator — детерминированный скрипт на стороне пользователя, который компилирует, тестирует и оценивает каждый сгенерированный вариант, возвращая числовые метрики. Дальше цикл простой: клиентский раннер запрашивает у API AlphaEvolve мутировавших кандидатов, прогоняет их через свой evaluator (он может крутиться где угодно) и отправляет оценки обратно, из которых AlphaEvolve выбирает следующие направления поиска.

🔥 Для входа рекомендуют идти через документацию и onboarding-гайд, начать с базовых примеров в Colab, чтобы понять эвристику, а для агентных workflow — использовать AlphaEvolve Skill прямо в IDE вроде Antigravity или Claude Code.
По сути, порог входа здесь ниже, чем можно было ожидать — не нужно быть исследователем в ML, достаточно уметь написать evaluator для своей задачи.

‼️ AWS выпустила открытый MCP-сервер для Registry of Open Data on AWS (RODA) — каталога, где хранятся сотни петабайт открытых данных от NASA, NOAA, NIH, Allen Institute и других организаций (спутниковые снимки, геномика, климат, геоданные). Идея простая: раньше, чтобы найти нужный датасет, исследователю приходилось вручную перебирать каталог, находить нужный S3-бакет, разбираться в структуре файлов и тестировать несколько из них, прежде чем понять, подходит ли датасет вообще. Теперь это можно сделать одним диалогом в Kiro, Claude Code или любом другом MCP-совместимом ассистенте.

Сервер построен вокруг трёх функций: поиск (запрос вроде «найди датасеты для изучения температуры океана» возвращает подходящие наборы с описанием и условиями лицензии), изучение метаданных (можно попросить подробности по конкретному датасету или найти похожие) и оценка пригодности — ассистент показывает структуру S3-бакета, форматы файлов и партиционирование, а также может «заглянуть» в конкретный файл и показать его содержимое до того, как вы начнёте полноценную работу с данными.

➡️ Технически всё подключается буквально одной командой (claude mcp add roda-mcp uvx awslabs.roda-mcp-server@latest), проект открытый, под лицензией Apache 2.0.

По сути это ещё один пример того, как MCP-протокол Anthropic становится стандартной «прослойкой» между ИИ-ассистентами и специализированными источниками данных — не нужно писать кастомную интеграцию под каждый каталог, достаточно поднять MCP-сервер один раз. Хорошая иллюстрация того, куда движется вся эта экосистема: от «спроси у чат-бота» к «дай агенту прямой доступ к твоим инструментам и данным».

❓ Многие ли исследовательские команды реально готовы довериться ИИ-ассистенту в предварительной оценке данных, или это скорее ускоряет первый шаг, а глубокую проверку всё равно делают руками?

🖱 Эми Лу из команды LangChain выпустила короткое видео о том, как настроить Claude Code так, чтобы каждая сессия автоматически отправлялась в LangSmith в виде полноценной трассы. Настройка сводится буквально к трём командам: добавляешь маркетплейс плагинов (/plugin marketplace add langchain-ai/langsmith-claude-code-plugins), ставишь сам плагин (/plugin install langsmith-tracing) и перезагружаешь плагины. Плюс один JSON-блок с переменными окружения — API-ключ LangSmith и название проекта.

После этого в трассу автоматически попадает буквально всё: полная история диалога с моделью, каждый вызов инструмента (Bash, Read, Edit, Grep и другие) с входными и выходными данными, запуски саб-агентов как дочерние спаны, события сжатия контекста (compaction) и даже прерванные ответы — они помечаются как interrupted, а не просто теряются. В LangSmith это превращается в дерево выполнения сессии, а не плоский лог, и по вкладке Threads можно проследить весь многошаговый диалог целиком.

💢 Практическая мотивация понятна: Claude Code всё чаще используют «headless» — в CI-пайплайнах, автоматизированных агентах, по расписанию — и в таких сценариях просто нет возможности смотреть на живой терминал, когда что-то идёт не так. Трейсинг даёт тот же уровень наблюдаемости, что обычно ожидают от продакшен-LLM-систем, только применительно к агенту, который пишет и правит код.

Системные промпты в трассу не попадают — Claude Code их просто не возвращает в транскриптах разговора, так что это единственное существенное ограничение подхода.

👁️ GitHub объявил о добавлении Kimi K2.7 Code от Moonshot AI в линейку моделей Copilot — и это первая модель с открытыми весами в списке. Открытые веса означают, что параметры, на которых обучалась модель, доступны всем желающим, то есть модель можно дообучать и модифицировать под себя. При этом сама Kimi хостится на инфраструктуре Microsoft AI Foundry в США и управляется GitHub и Microsoft — то есть «открытость» тут про веса, а не про то, где физически крутится модель.

По умолчанию модель отключена — включать должен админ организации, проверить доступность можно через вкладку Models в Copilot CLI. Из практичного — цена: 95 AI-кредитов за миллион входных токенов и 400 за миллион выходных (кредит ≈ 1 цент), что делает её одной из самых дешёвых в линейке. При этом, по внутренним тестам GitHub, по качеству агентного кодинга Kimi K2.7 Code сопоставима с фронтир-моделями, а по скорости первого токена и общей отзывчивости — одна из самых быстрых в линейке, плюс 95% попаданий в кеш, что тоже про эффективность.

➡️ В демо-примере модели дали продуктовые требования для сайта шеринга ссылок — она задала 8 уточняющих вопросов, выявила неявные допущения, а затем в автопилот-режиме реализовала рабочее приложение с минимумом дополнительных правок.

Доступна уже сейчас для Pro, Pro+ и Max, для бизнес- и энтерпрайз-аккаунтов — в ближайшие недели.
Заметный шаг: раньше открытые модели в основном ассоциировались с self-hosting и энтузиастами, а тут крупная открытая модель заходит прямо в мейнстримный продукт наравне с закрытыми фронтир-моделями.

❓ Стали бы вы сознательно выбирать более дешёвую open-weights модель для рабочего кодинга, если по тестам она почти не уступает топовым?

✅ CEO Cloudflare Мэттью Принс на мероприятии Axios в Каннах снова заговорил о том, как ИИ меняет способ, которым люди находят бизнесы онлайн. Его тезис: ИИ-ассистенты за секунды сравнивают тысячи товаров без всякой лояльности к бренду — а значит выигрывают в основном уже раскрученные имена, которые чаще упоминаются в интернете и обучающих данных, а мелким компаниям становится сложнее выделиться.

Цифра про клики укладывается в то, что Принс говорит уже больше года: соотношение «сколько страниц краулит поисковик на одного реального посетителя» стремительно растёт — у Google счёт идёт на десятки страниц на клик, у ИИ-ассистентов вроде OpenAI и Anthropic — на сотни и тысячи. Люди получают готовый ответ прямо в чате и просто перестают переходить по ссылкам на источник.

💲 Решение Cloudflare — Pay Per Crawl: механизм, который позволяет владельцам сайтов брать плату с ИИ-краулеров за доступ к контенту вместо того, чтобы просто блокировать их. Правда, у Принса тут прямой коммерческий интерес — Cloudflare обслуживает огромную долю веб-трафика и зарабатывает на позиционировании себя защитником издателей.

💢 Иван Паломарес Каррaскоса (Machine Learning Mastery) разбирает пять стратегий для долгоживущих агентов, у которых контекстное окно — узкое место.

1. Sliding window — помнит только последние N ходов. Дёшево, но чревато «цифровой амнезией» и зацикливанием.

2. Recursive summarization — сжимает старую историю в саммари, как JPEG. Держит общий «сюжет», но теряет детали.

3. Structured state management — вместо истории агент ведёт компактный JSON с целями и фактами. Экономно, но всё, что не заложено в схему, агент просто не увидит.

4. RAG-подход — вся история хранится во внешней базе, в промпт подтягивается только релевантное. Работает почти бесконечно, но рискует упустить связь между непохожими друг на друга событиями.

5. Dynamic context routing — рутину делает дешёвая модель, а когда агент застревает — подключается мощная модель с полной историей. Экономично, но сложно надёжно ловить момент, когда модель застряла.

Вывод автора: цель не бесконечная память, а архитектура, которая осознанно решает, что помнить, а что забыть.

❓ Какая стратегия кажется вам рабочей в проде, а какая — скорее теоретической?

⚠️ Пока весь мир агентных фреймворков крутится вокруг Python, Microsoft спокойно выкатила Go-версию своего Agent Framework — до этого он жил только на .NET и Python. Статус пока публичное превью, часть фич ещё не доехала.

Из того, что реально важно, если вы строите не игрушку, а что-то, что пойдёт в прод: граф-оркестрация с параллельными и групповыми паттернами, чекпоинты с возможностью откатить состояние назад, контроль человека в процессе, наблюдаемость через OpenTelemetry, поддержка MCP, A2A и интеграция с Foundry и GitHub Copilot SDK. RAG «из коробки» и декларативных агентов пока нет — их обещают позже.

👍 Мне кажется, выбор Go здесь не случаен: у Microsoft огромная аудитория бэкенд-разработчиков, которые пишут высоконагруженные сервисы именно на Go, а не на Python, и им явно неудобно каждый раз выносить агентную логику в отдельный сервис на чужом языке. Плюс в README отдельно прописано предупреждение — если используете сторонние модели или агентов не из экосистемы Azure, делаете это на свой страх и риск. Забавно, что это выходит буквально на фоне разговоров про вендор-лок от Карпа и Менша: крупные игроки одновременно предупреждают о рисках привязки к чужой инфраструктуре и укрепляют собственную.

🔥 Выпуск подкаста Last Week in AI от Андрея Куренкова и Джереми Харриса за прошлую неделю получился насыщенным. Главная тема — Anthropic вернула доступ к моделям Mythos и Fable после переговоров с американским правительством: администрация Трампа сняла ограничения, введённые ранее из соображений экспортного контроля. Параллельно компания добавила новые классификаторы для кибербезопасности и вместе с крупными партнёрами разрабатывает framework для оценки серьёзности джейлбрейков. Ведущие честно обсуждают неудобную реальность: джейлбрейки, судя по всему, неизбежны в принципе, а условия релиза у разных компаний (в частности, у Anthropic и OpenAI) заметно отличаются по строгости.

Тут же — запуск Claude Sonnet 5: модель дешевле в использовании, с улучшенным агентным кодингом и более высокими бенчмарками, сниженной частотой «неправильного» поведения и защитами от кибератак по умолчанию — хотя по чисто кибербезопасностным возможностям она всё ещё слабее топовых моделей рынка. Из инструментов упоминают NotebookLM от Google, который теперь умеет сжимать загруженные исследования в вертикальные видео в духе TikTok, и новый Nano Banana 2 Lite — более быстрый и дешёвый генератор изображений от Google.

👑 В блоке про бизнес — стартап Etched переманил больше 400 инженеров из Nvidia, TSMC и других компаний, чтобы построить новый инференс-кластер, на который уже есть спрос почти на $1 млрд. Baidu растёт на новостях об IPO чипового подразделения, Agility Robotics готовится выйти на биржу через SPAC на $2,5 млрд, а DeepSeek планирует минимум удвоить штат во всех департаментах — ещё один штрих к истории о том, как быстро растёт китайский ИИ-сектор на фоне разговоров об экспортных ограничениях.

❓ Какая из этих новостей вам самой кажется важнее для канала — снятие ограничений с Anthropic или рост DeepSeek?

☀️ OpenAI выпустила свой первый физический продукт — и это не тот самый легендарный гаджет от Джони Айва (тот, по слухам, окажется динамиком без экрана, который умеет двигаться — совсем другая история). Это скромный механический макропад Codex Micro, сделанный в партнёрстве с Work Louder на основе их клавиатуры Creator Micro 2 — по сути, ребрендированная версия уже существующего продукта, у Work Louder был похожий опыт коллаборации с Figma и Framer.

Фишка не в самом железе (обычные низкопрофильные механические свитчи, выбор между тихими и щёлкающими, подключение по USB-C или Bluetooth), а в шести подсвечиваемых «agent keys» сверху: каждая клавиша привязывается к конкретному агенту Codex, и цвет подсветки показывает его статус — белый значит «простаивает», синий — «думает», зелёный — «закончил», красный — «ошибка». Одно нажатие выбирает агента, двойное — выводит его на передний план. Внизу — клавиши для принятия/отклонения правок агента и кнопка push-to-talk, потому что, видимо, разговаривать с Codex голосом — это следующая ступень принятия в Кремниевой долине. Всё перепрограммируется через фирменное приложение Work Louder, в комплекте — 32 дополнительных кейкапа, включая клавиши «yolo» и «yeet» для любителей vibe-коддинга.

👆 Сам автор статьи честно резюмирует: нужен ли вам этот девайс — нет; забавная ли это игрушка — да; сделает ли он вас продуктивнее — неясно. И это, кажется, точная характеристика момента: Codex приближается к 9 миллионам пользователей, и OpenAI явно тестирует, насколько глубоко физический интерфейс может встроиться в рутину «работы с агентами» — по сути, материализуя абстрактную идею «у меня в фоне работает несколько ИИ» в физический объект, на который можно посмотреть и потрогать.

🌟 Странная ситуация в отношениях крупных ИИ-игроков: CEO Microsoft Сатья Наделла на внутренней встрече с инженерами Copilot заявил, что модель Fable 5 от Anthropic выглядит «редакционно зацензурированной», а часть её ограничений «не имеет смысла». По его словам, если пользуешься Fable, она отказывает по случайным поводам, и он спросил, когда в последний раз творческий инструмент был настолько подцензурен.

Контекст важен: Fable уже переживала турбулентный запуск — спустя три дня после релиза в начале июня Anthropic была вынуждена приостановить доступ к модели из-за требований экспортного контроля США, а 1 июля восстановила его, честно предупредив, что новые защитные механизмы будут блокировать чуть больше безобидных запросов, чем раньше. Пользователи в соцсетях действительно жаловались на избыточные отказы, и по некоторым темам, связанным с разработкой крупных моделей, Fable вообще перенаправляет запросы на более старую версию.

✅ Но самое интересное — не сама критика, а то, кто её произносит. Наделла критикует ценного партнёра и клиента: в ноябре Microsoft вложила $5 млрд в Anthropic, а та обязалась направить $30 млрд на облако Azure, плюс на технологии Anthropic построен Copilot Cowork. Публичная критика продукта партнёра, в который сам же инвестировал миллиарды, — это либо неосторожность, либо (вероятнее) осознанный сигнал рынку. Наделла параллельно продвигает более широкий тезис — что мир не может позволить себе ситуацию, когда всего две компании владеют «токен-капиталом», а все остальные его просто арендуют, и призывает предприятия строить собственную ИИ-инфраструктуру вместо аренды чужой. Это прямое эхо позиции Карпа и Менша, которую мы уже разбирали, только теперь с той же риторикой выступает CEO компании, глубоко завязанной именно на аренду чужих моделей.

Кажется, это уже не просто спор про чувствительность фильтров — а публичная разминка перед тем, как крупные игроки начнут пересматривать зависимость друг от друга.

❓ Вам ситуация видится как искренняя обратная связь от крупного клиента, или как стратегический удар по конкуренту, который заодно является инвестицией?

🌟 Google переименовал NotebookLM в Gemini Notebook и заодно подтянул функционал: каждый блокнот теперь работает через защищённый песочничный облачный компьютер, который умеет писать и выполнять код прямо по загруженным пользователем источникам. Это значит — не просто саммари в текстовом виде, а полноценный анализ данных, графики и другие форматы вывода поверх ваших документов.

Пока новая возможность с исполнением кода доступна подписчикам Google AI Ultra и части бизнес-клиентов Workspace, в ближайшие недели её обещают раскатать на Pro-пользователей, а вот про бесплатный тариф компания пока молчит — типичная история для Google, где топовые фичи сначала достаются платящим.
Продукт вырос из скромного Project Tailwind, показанного на Google I/O 2023, и успел набрать больше 30 миллионов пользователей и 600 тысяч организаций — солидная база для инструмента, который изначально позиционировался как нишевый помощник для работы с документами. С этим апдейтом блокноты уже доступны прямо внутри приложения Gemini, а скоро появятся и в AI Mode поиска Google.

➡️ По сути, это ещё один шаг в общей логике Google — сворачивать отдельные ИИ-продукты под единый зонтичный бренд Gemini, а не давать им жить самостоятельной жизнью (та же судьба недавно постигла и другие инструменты компании). С одной стороны, это упрощает жизнь пользователю — меньше приложений, единая экосистема. С другой — NotebookLM успел стать узнаваемым самостоятельным продуктом со своей аудиторией, и растворение бренда всегда немного смазывает эту идентичность.

🔥 Свежая исследовательская работа Виктории Граф и коллег ставит неудобный вопрос: что, если атаковать будущие языковые модели можно ещё до того, как их вообще начали обучать — просто массово оставляя вредоносный текст в комментариях на обычных сайтах? Раньше эксперименты по «отравлению» обучающих данных в основном строились на подконтрольных источниках вроде Wikipedia, что плохо отражает реальный масштаб и разнородность настоящих датасетов для претрейна.

Эта работа впервые честно смотрит на весь путь атакующего контента — от публикации до реального попадания в обучающую выборку модели.
Для этого авторы предложили метод HalfLife — он оценивает вероятность того, что вредоносный текст не просто появится на странице, а действительно пройдёт весь конвейер: попадёт в краулинг, сохранится в виде читаемого текста, а затем переживёт автоматические фильтры качества, которые компании и так применяют к своим корпусам. Итоговая цифра выживаемости для отравления через комментарии оказалась скромной — около 0,13%. Звучит как ничтожная величина, но важно учитывать масштаб: авторы напоминают, что по прошлым исследованиям всего 250 отравленных документов достаточно, чтобы встроить в модель бэкдор, а значит атакующему хватило бы «испортить» от 100 тысяч до миллиона веб-страниц — вполне посильная задача при наличии автоматизированной публикации комментариев и учитывая, насколько массово открытые формы для комментариев встречаются в вебе.

⚠️ Отдельно любопытный вывод — замена естественных комментариев на курируемый вредоносный контент почти не влияет на то, проходит ли текст через фильтры качества: подделка выглядит для системы фильтрации так же «нормально», как обычный человеческий комментарий.
По сути, работа переводит атаку на данные из области абстрактной теории в область измеримого практического риска — с конкретной методологией, кодом в открытом доступе и числами, а не просто «в принципе это возможно».

❓ Насколько вас как читателя канала беспокоит эта уязвимость — или она кажется скорее теоретической угрозой, чем реальным риском для моделей, которыми вы пользуетесь?

🖼️ SearchOS — новая система от исследователей Renmin University решает знакомую проблему: чем дольше агент ищет информацию, тем хуже держит в голове, что уже проверено, и начинает повторять неудачные запросы по кругу.

Решение — вынести прогресс поиска из «головы» агента в общее структурированное состояние: карту найденных фактов с цитатами, карту покрытия задачи и отдельную память неудачных попыток, чтобы не наступать на одни грабли дважды.

📁 Параллельно работает планировщик — как только агент освобождается, ему сразу дают задачу под ещё не закрытый пробел. На бенчмарках система обошла всех конкурентов — и одиночных агентов, и мульти-агентные системы.

Тот же тренд, что мы видели у LangChain с RLM: координацию и память выносят из модели во внешнее структурированное состояние.

➡️ Свежее видео разбирает то, о чём многие разработчики слышали, но толком не пользовались: custom instructions и skill-файлы для GitHub Copilot в VS Code. Формат живых демо, а не теории — авторы показывают, как из «объясняю код малышу каждый раз заново» перейти к инструменту, который реально экономит время.

Разница между инструкциями и скиллами тут принципиальная. Custom instructions (copilot-instructions.md) — это всегда включённый базовый контекст: стандарты кода, соглашения по стилю, то, что применимо почти к каждой задаче в репозитории. Скиллы (.github/skills/) устроены иначе — это папки с инструкциями, скриптами и ресурсами, которые Copilot подгружает не всегда, а только когда запрос реально совпадает с описанием скилла. Технически это происходит прогрессивно: сначала Copilot читает только имя и краткое описание скилла, и лишь когда пользовательский запрос ему соответствует — подгружает в контекст полное содержимое SKILL.md. Это заметно экономит контекстное окно по сравнению с попыткой держать в промпте все инструкции сразу.

➡️ Важный практический момент — скиллы работают как открытый стандарт: один и тот же файл SKILL.md одинаково работает и в GitHub Copilot (VS Code, CLI, cloud agent), и в Claude Code — то есть один раз написал, используешь везде.
Главная мысль видео простая: правильно настроенные инструкции — это не разовая формальность для галочки, а рабочий механизм, который даёт стабильно лучшие результаты, предлагает варианты, которые вы могли упустить, и иногда приятно удивляет.

❓ Настраивали себе custom instructions или skill-файлы, или каждый раз объясняете модели контекст заново?

💯 Свежее видео OpenAI показывает, насколько вырос Codex: теперь он не просто пишет код, а проходит почти весь цикл разработки — сам разбирается в баге, планирует изменения, пишет и тестирует код, готовит pull request, готовый к ревью.

Главный акцент — на длительных параллельных workflow: Codex работает над несколькими задачами одновременно. Из нового: переезд в десктопное приложение ChatGPT, PR Chat для ревью пул-реквестов прямо в контексте диффа, инлайн-редактирование кода и Markdown, более быстрый Computer Use на GPT-5.6 и понятное отслеживание, чем занят агент и его саб-агенты.

🖱 Отдельный фокус — углублённый контекст проекта: акцент сместился на рутинные фиксы, сложные рефакторинги и миграции, где важно понимать архитектуру целиком, а не один файл.

По сути, OpenAI двигает Codex в сторону полноценного участника команды — с параллельной работой и ревью, а не просто «спросил — получил код». Прямая конкуренция с Claude Code от Anthropic.

👁️ Microsoft выкатила в приложении GitHub Copilot интерактивный «upgrade canvas» — визуальную панель, где можно в реальном времени следить за тем, как агент апгрейдит .NET-приложение: от оценки зависимостей и составления плана до применения изменений и исправления ошибок сборки. Идея понятная — раньше приходилось буквально склеивать картину происходящего из чата, сгенерированных markdown-файлов и правок кода по отдельности, а теперь весь процесс виден в одном месте: живой план, задачи, прогресс выполнения, изменения кода, ошибки сборки и результат.

Технически агент сам оценивает, на какую версию .NET нацелено приложение, какие NuGet-пакеты нужно обновить, где есть breaking changes и в каком порядке безопаснее апгрейдить проекты — а дальше исполняет план сам. Работает это не только в отдельном приложении Copilot, но и в Visual Studio, VS Code и Copilot CLI — то есть один и тот же workflow доступен где угодно.

📁 А вот в комментариях к посту разработчики делятся куда менее вдохновляющим опытом: жалуются на лавину markdown-файлов, которые нужно вручную одобрять по одному, на то, что инструмент неплохо справляется с простыми библиотеками классов, но реально буксует на ASP.NET/Core-проектах — игнорирует явные инструкции (например, продолжает использовать Autofac вместо нативного DI, хотя ему прямо сказали не делать этого), зацикливается на попытках починить сборку, которая заведомо не соберётся в процессе миграции, и иногда просто виснет, теряя все несохранённые изменения. Один из комментаторов метко назвал это «hope-driven development» — стиль разработки, где остаётся только надеяться, что 10-30 минут, потраченные на направление ИИ, не улетят в никуда. Продакт-менеджер Microsoft отреагировал прямо в комментариях, прося детали для отладки — что по-своему обнадёживает, но и подтверждает: инструмент ещё сырой.

Хороший пример разрыва между презентационным демо и реальным опытом внедрения — типичная история для «агентных» продуктов на этом этапе зрелости.

❓ Вы бы доверили такому агенту масштабный апгрейд легаси-проекта без постоянного присмотра, или пока это выглядит как повод присматривать за ним ещё внимательнее, чем при ручной миграции?

📷 Амит Шекхар из Outcome School разбирает простой, но фундаментальный механизм: почему Chain-of-Thought промптинг вообще работает. Он использует наглядный пример — задачу вроде «в магазине 12 яблок, утром продали 5, вечером купили 8, сколько яблок осталось?». Правильный ответ — 15, через промежуточные шаги 12−5=7 и 7+8=15. Если попросить модель сразу дать финальное число, она пытается предсказать ответ мгновенно, не проработав промежуточные шаги — на лёгкой задаче может угадать, но на сложной часто промахивается.

Причина в самой природе того, как модель генерирует текст — слово за словом. Если модель фиксирует финальный ответ слишком рано, у неё просто нет шанса себя поправить — она пишет последовательно и не может «переписать» уже сказанное. Собственно, в этом и суть CoT: когда модель сначала выписывает рассуждение вслух, эти рассуждения сами становятся частью контекста, на который она опирается, формулируя финальный ответ — то есть строит вывод поверх видимых, проверяемых шагов, а не угадывает с нуля.

👆 Важная оговорка, которую автор подчёркивает: модель от этого не становится «умнее» в каком-то фундаментальном смысле — ей просто дают структурированное пространство, чтобы подумать перед тем, как ответить. Дальше в статье разбирается разница между zero-shot CoT (просто добавить «давай рассуждать по шагам») и few-shot CoT (дать модели примеры готовых цепочек рассуждений) — и где именно эта техника реально даёт прирост, а где не имеет смысла.

❓ Хорошее объяснение для тех, кто пользуется промптингом на автомате, не задумываясь, почему «think step by step» вообще помогает. Вы сами часто используете этот приём в промптах, или это уже настолько привычно, что делаете это не задумываясь?

☀️ 1Password запустила интеграцию с Claude — теперь агент может сам заходить на сайты и выполнять задачи вроде бронирования поездок или управления аккаунтами, используя ваши сохранённые логины, но при этом пароль и одноразовый код двухфакторки никогда не попадают ни к модели, ни в её контекст, ни в память, ни в системы Anthropic вообще.

Механика устроена так: когда Claude нужно куда-то залогиниться, 1Password показывает пользователю, какой именно credential запрашивается и зачем, а после подтверждения биометрией сама подставляет данные напрямую в целевую систему. Пока 1Password заполняет форму, Claude буквально перестаёт «читать» страницу — к моменту, когда агент снова получает контроль, данные уже отправлены и их больше не видно. Доступ выдаётся конкретно под задачу и заканчивается вместе с ней, а сервис умеет обслуживать многошаговые сценарии на нескольких сайтах в рамках одной задачи, не запрашивая credentials заново на каждом шаге.

👆 Отдельно интересна вторая часть анонса — Agentic Mode, включённый по умолчанию для всех пользователей 1Password, даже без настройки интеграции с Claude. Смысл в защите от обратного сценария: в момент, когда любой ИИ-агент берёт браузер под контроль, расширение 1Password автоматически блокируется, прячет интерфейс от агента и делает доступным только то, что явно одобрено под текущую задачу — остальной вейлт остаётся недосягаем. Цитата CTO 1Password Нэнси Ванг звучит по делу: нужна не передача агенту секретов, а разрешение пользователя использовать credential без того, чтобы агент его вообще видел — именно там начинается доверие к агентам.

Из ограничений: работает пока только на Mac, поддерживает лишь обычные логин-формы (не соцсети вроде «войти через Google»), passkeys пока не поддерживаются, а для бизнес-аккаунтов фичу нужно явно включать администратору.
По сути это концептуально важный прецедент — модель «агент действует, но не видит секрет» может стать стандартом для того, как вообще ИИ должен получать доступ к чувствительным данным, а не разовым решением одного вендора.

🔪 В OpenAI Showcase появился Material Lab — интерактивный инструмент для дизайна 3D-материалов, собранный связкой Codex + GPT-5.6. Исходный промпт был детально прописан: real-time редактор в браузере, скульптурный объект в студии, пресеты стекла/металла/керамики/ткани, контролы цвета, шероховатости, света с мгновенным откликом, сохранение своих пресетов локально — и явное уточнение, что интерфейс должен выглядеть профессионально, а не как перегруженный шейдер-редактор.

Дальше проект дорабатывали итеративно — добавили новые формы (Loop, Knot, Orb, Gem), сохранив согласованное поведение материалов и света для каждой.

👆 Показательна тут не сама демка, а качество исходного брифа — конкретные ограничения по UX и поведению вместо расплывчатого «сделай круто».

❓ Вам обычно хватает одного детального промпта, или всё равно уходит несколько итераций уточнений?

✅ OpenAI Academy открыла серию живых сессий Codex Bootcamp — образовательный трек для технических специалистов и целых инженерных команд, которые хотят по-настоящему эффективно встроить Codex в реальные рабочие процессы разработки, а не просто пользоваться им на базовом уровне.

Формат разбит на три ступени сложности — 101, 201 и 301, — и можно зарегистрироваться на тот уровень, который актуален именно вам: от базового знакомства с инструментом до продвинутых сценариев для команд, которые уже используют Codex в проде.

🖱 Пожалуй, самое интересное здесь — не сам факт бесплатного обучения (таких материалов сейчас много), а то, что OpenAI явно фокусируется на разрыве между «попробовал в игрушечном примере» и «встроил в реальный рабочий процесс команды» — та самая проблема, которую мы разбирали буквально несколько постов назад на примере .NET-миграций через Copilot, где демо выглядело красиво, а по факту у пользователей было много нареканий. Похоже, крупные игроки постепенно осознают: обучение работе с агентами — не менее важная инвестиция, чем сами модели.

❓ Сходили бы вы на такой формат бесплатного обучения от вендора, или предпочитаете разбираться в инструментах самостоятельно через практику?

⚠️ Кэмерон Вулф (Netflix) разбирает исследования, объединённые одной идеей: агентов обычно тренируют только на успехах — за целую цепочку действий одна оценка «справился/нет», и если задача сложная, обучающий сигнал получается крайне разреженным. При этом каждый шаг агента содержит гораздо больше — реакцию среды на действие (вывод терминала, ошибку, результат поиска), которую раньше просто выбрасывали как «неважный контекст».

Новые методы (ECHO, PaW, Qwen-AgentWorld) учат агента параллельно ещё и предсказывать реакцию среды — тогда даже провальная попытка приносит пользу, без лишних вычислений. Результат: удвоение доли успешных решений на бенчмарке Terminal-Bench, обучение в 1.5–2.3 раза быстрее. Подвох — если перебрать с этим режимом, модель начинает зазубривать детали среды вместо общей логики, особенно на задачах с поиском в интернете.

‼️ Красиво тем, что не нужна отдельная инфраструктура — просто перестать выбрасывать то, что агент и так уже увидел.

❓ Реальный шаг вперёд, или ещё один инкремент в гонке за десятые процента на бенчмарках?