✅ Главная причина, почему об этом сейчас так много говорят, — компания ASML десятилетиями оставалась практически незаменимым поставщиком литографических машин, без которых невозможно выпускать современные микрочипы.

Пока масштаб выглядит скромно: в этом году ожидается всего около 5 китайских DUV-систем, а в следующем — около 20. Более того, им ещё предстоит доказать свою надёжность на реальных производствах.

🔥 Но важно другое. В 2025 году почти 30% выручки ASML пришлось на Китай. Если местные производители постепенно начнут переходить на собственное оборудование, европейская компания может потерять один из своих крупнейших рынков.

На мой взгляд, эта история не про то, что Китай завтра заменит ASML. Она показывает более долгосрочную тенденцию: экспортные ограничения заставляют страну ускоренными темпами строить собственную экосистему для производства полупроводников. И чем дольше сохраняются санкции, тем быстрее Китай становится менее зависимым от зарубежных технологий.

❓ Как думаете, сможет ли Китай в ближайшие годы стать полностью независимым в производстве оборудования для выпуска чипов?

✨ OpenAI расширяет европейскую штаб-квартиру в Дублине: штат вырастет со 100+ до 350 человек за два года, компания арендовала 8 000 кв. м в Silicon Docks. Новые роли — не только инженерные, но и продажи, поддержка, юристы, privacy-специалисты.

Тайминг показателен: экспансия идёт прямо перед 2 августа 2026 года — датой вступления в силу основных положений европейского AI Act.

➡️ Похоже, Дублин станет для OpenAI не просто точкой продаж, а центром регуляторного комплаенса. Забавно, что на фоне этого Meta и TikTok в Ирландии, наоборот, сокращают штат — а рядом Anthropic параллельно тоже расширяется в том же городе.

👁️ GitHub раскатывает Grok 4.5 от xAI как ещё одну модель в Copilot — заточена под агентный кодинг и многошаговые workflow. Контекст до 500 000 токенов, работа с текстом и изображениями, три уровня reasoning effort. По внутренним тестам GitHub, особенно хороша в терминальных задачах — за счёт параллельного вызова инструментов и склонности сразу действовать.

Доступна на Pro, Pro+, Max, Business, Enterprise — для бизнес-аккаунтов по умолчанию выключена, включает админ. Оплата по прайсу провайдера в рамках usage-based биллинга.

🖱 Показательно, что Copilot из витрины моделей OpenAI постепенно превращается в нейтральную площадку с моделями от всех крупных игроков — теперь и от xAI с её непростой репутационной историей.

❓ Пробовали бы Grok для реального кодинга, или репутация модели/компании для вас фактор при выборе инструмента?

➡️ Moonshot AI полностью открыла веса Kimi K3 — 2.8 триллиона параметров, крупнейшая открытая модель из когда-либо выпущенных. Реально активных на токен параметров всего 104 млрд — за счёт MoE-архитектуры с высокой разреженностью (16 из 896 «экспертов» на токен), что даёт 2.5x прироста эффективности к предыдущей Kimi K2.

Контекст — 1 млн токенов, нативная мультимодальность, API совместим по формату с OpenAI/Anthropic, цена — как у Claude Sonnet 5. Релиз вышел на той же неделе, что письмо Nvidia, Meta и Microsoft против ограничений на открытые модели — тема раскола Кремниевой долины, которую мы уже разбирали. В комьюнити уже циркулируют неподтверждённые слухи о возможной дистилляции с других фронтир-моделей.

👑 Компьютерные агенты плохо справляются с многошаговыми задачами вроде работы с почтой — Echoverse тренирует их в реалистичных средах, а не просто увеличивает число тренировочных задач. Ключевая идея — среда, задачи и способ проверки эволюционируют вместе с моделью, а не остаются статичным набором тестов.

Авторы выяснили, что отдача идёт от трёх свойств среды: глубина моделируемого поведения, попадание именно в те взаимодействия, где агент реально проваливается, и способность улучшаться вместе с моделью. Microsoft уже выложила четыре такие среды в открытый доступ с кодом и верификаторами, привязанными к реальному состоянию базы данных приложения.

✅ Ещё один штрих к общей картине последнего месяца: индустрия понимает, что «больше синтетических данных» — не то же самое, что «лучше данные».

❓ Реальный прорыв в надёжности агентов, или пока лабораторная роскошь для избранных команд?

💯 Команда VS Code опубликовала честный разбор своей практики — сравнивая январь-март год к году, объём коммитов вырос больше чем вдвое, а issues закрывают почти в 3 раза больше. Главный источник эффекта — не «агент пишет код за вас», а автоматизация triage: каждый открытый issue запускает агентный цикл, который находит дубликаты, определяет владельца задачи и предлагает лейблы, читая документацию и историю назначений.

Честная деталь от инженера команды: ответственность за код, написанный Copilot, всё равно остаётся на инженерах-людях — но нужен правильный «harness», чтобы вообще пускать других контрибьюторов в свой компонент.

🔥 Показательно: прирост пришёл не от того, что «ИИ пишет код», а от автоматизации рутинной оргработы — куда менее эффектная, но более практичная история, чем принято рассказывать про агентов.

‼️ Видео IBM Technology разбирает, как меняется природа галлюцинаций у автономных агентов. Хорошая новость: агенты сами способны снижать частоту галлюцинаций, пользуясь инструментами вроде поиска и API — то есть проверяя факты, а не угадывая их.

Но есть обратная сторона: в мульти-агентных цепочках одна галлюцинация становится стартовым допущением для всех последующих шагов — агент А выдумывает факт, агент B строит на нём рассуждение, агент C суммирует вывод — и система выдаёт гладкий, но в корне неверный ответ. Тот же каскадный эффект, что мы разбирали недавно про мульти-агентные сбои, только источник каскада здесь — фабрикация факта, а не техническая ошибка.

📁 Чем длиннее автономная цепочка агентов, тем важнее не точность каждого шага по отдельности, а механизмы, которые ловят ошибку до того, как она станет фундаментом для следующих десяти.

❓ Сталкивались с ситуацией, когда агент «поверил» на слово другому и утащил ошибку дальше?

👁️ 27 июля Microsoft представила MAI-Cyber-1-Flash — компактную модель безопасности, встроенную в MDASH, оркестратор из 100+ агентов, которые ищут, проверяют и подтверждают уязвимости в коде. В связке с GPT-5.4 система показала 95.95% на бенчмарке CyberGym, обойдя Gemini 3.5 Flash Cyber, GPT-5.6 Sol и Mythos 5.

Экономика важна не меньше цифр: компактная модель закрывает около 90% задач сама, оставляя дорогие модели только для самых сложных 10% случаев — это даёт примерно 50% экономии. Логика Microsoft простая: раз стоимость поиска уязвимости атакующими обваливается благодаря ИИ, защитникам тоже нужна автоматизация вместо редких ручных аудитов.

🔥 Нюанс — модель доступна только внутри MDASH для одобренных корпоративных клиентов, отдельного публичного API нет.

‼️ 31 июля Альтман написал в X: подключите семейные календари, расскажите ChatGPT про интересы детей — и каждое утро по дороге в школу он соберёт подкаст про футбольный матч одного ребёнка, день рождения другого, немного новостей. Пост набрал 14,2 млн просмотров — но не от восторга.

Ответ создателя Gravity Falls Алекса Хирша — короткое «А что если просто поговорить с детьми?» — набрал больше 220 тысяч лайков, полностью затмив пост Альтмана. Это не первый его заход в тему: ранее он говорил, что не представляет воспитание ребёнка без ChatGPT.

📁 Контекст острее самой истории: OpenAI одновременно ищет продакт-менеджера под доверительные продукты для семей и защищается в судах по искам, где ChatGPT обвиняют в роли в развитии бреда и суициде близких пользователей. Рынок ИИ в уходе за детьми при этом оценивают почти в $42 млрд к 2035 году.

❓ Вам это кажется полезным лайфхаком для занятых родителей, или симптомом подмены живого общения технологией?

🔪 OpenAI открыла исходный код Codex Security — CLI и TypeScript SDK для поиска, проверки и исправления уязвимостей в коде. Вошёл в research preview ещё в марте, теперь под Apache-2.0, уже около 1,5 тысяч звёзд на GitHub, 392 балла на Hacker News.

Инструмент не просто линтер с готовыми правилами — использует ИИ для контекстного анализа: оценивает, как код реально ведёт себя, и сам предлагает патчи. Умеет ставить pre-commit проверки, гонять сканы в CI с отсечкой по severity, находить репозитории через GitHub CLI и выполнять массовые сканирования по CSV.

🔥 Занятная деталь с Hacker News: по словам разработчика (экс-сооснователь Promptfoo), на тюнинг промптов для поиска уязвимостей ушли «миллиарды токенов» эвалов — основная ценность именно в отточенных инструкциях для модели, а не в обвязке.

Логичное продолжение темы MAI-Cyber-1-Flash от Microsoft — крупные игроки один за другим выпускают инструменты для защитной стороны безопасности.

🪐 Microsoft добавила в Agent Framework для .NET возможность агентам подгружать Agent Skills напрямую с MCP-сервера — без зашивания в приложение и передеплоя. Центральная команда публикует навык один раз, все агенты в организации получают его сразу.

Технически поддерживаются два формата: сервер отдаёт SKILL.md с ресурсами по требованию, либо весь скилл упакован архивом, который framework скачивает и распаковывает локально. Разработчику всё равно, каким способом упакован скилл.

🍒 Для бизнеса ценность в governance: доменная экспертиза — политики, комплаенс, плейбуки — теперь версионируется централизованно и раскатывается без изменения кода. Отдельно усилили безопасность распаковки архивов — важно, когда агенты сами подтягивают возможности во время выполнения.

Тот же паттерн, что мы видели с RODA MCP-сервером от AWS, только теперь про внутреннюю дистрибуцию знаний в организации, а не публичные датасеты.

❓ Уже используете скиллы в своих агентах, или пока держите инструкции в системном промпте?

➡️ Шуай Го из Towards Data Science собирает browser-use агента на связке OpenAI Agents SDK и Playwright MCP. Логика простая: пока агент ограничен API-вызовами, он покрывает от силы 5% того, что реально делает человек за рабочий день — дав ему браузер, покрытие приближается к почти полному объёму задач.

Архитектура — простой цикл: агент получает задачу и текущее состояние браузера, решает действие, отправляет его, получает новое состояние — и повторяет. Именно эта петля лежит в основе большинства современных browser-агентов, включая более навороченные коммерческие продукты вроде Stagehand.

☀️ Показательна статистика: рынок ИИ-агентов — $10,91 млрд в 2026-м с прогнозом $50,31 млрд к 2030-му, а 27,7% предприятий уже гоняют агентные браузеры в проде против почти нуля два года назад.

Тот же тренд, что мы видели у Opel/Scout от Microsoft: браузер остаётся необходим там, где API просто не существует.

‼️ Минюст США объявил, что OpenAI и её бывшая «дочка» Statsig подписали мировое соглашение с трёхлетним надзором над практиками найма. Минюст утверждал, что компании мешали гражданам США подавать заявки на позиции, которые занимали иммигранты-сотрудники, пока их спонсировали на постоянное резидентство — не публиковали вакансии на открытых job-бордах, рекламировали по радио поздно ночью, требовали бумажные заявки вместо электронных. Компании не признали вины, но заплатят $3,2 млн.

Речь шла меньше чем о 10 позициях, но теперь компании обязаны согласовывать политику найма и сдавать отчёты дважды в год.

‼️ Расследование началось ещё в 2025-м, до покупки Statsig. Похожие соглашения при Байдене подписывали Facebook и Apple, хотя там нарушения были масштабнее.

Показательно: крупные ИИ-лаборатории оказываются под тем же иммиграционным контролем, что и любая другая компания.

🚨 Демис Хассабис оставляет пост CEO Google DeepMind, становится председателем подразделения и главным научным сотрудником Alphabet. Операционку берёт Корай Кавукджу, техдиректор DeepMind — станет старшим вице-президентом, подчиняясь напрямую Пичаи, и будет курировать Gemini. Рынок отреагировал нервно — акции просели.

Хассабис написал сотрудникам, что верит: AGI «уже близко», и хочет сосредоточиться на «большой картине». По данным источников, он давно отдалялся от операционки Gemini в пользу Isomorphic Labs — своего проекта по разработке лекарств с помощью ИИ. В тот же день ушёл и Джефф Дин, главный научный сотрудник DeepMind — запускает стартап с тремя коллегами. Google говорит, что решения не связаны, хотя совпадение показательное.

✨ Реакция отрасли тревожная: наблюдатели напрямую связывают это с гонкой — чтобы не отстать от OpenAI и Anthropic, Google нужно догонять именно во фронтир-кодинге.

❓ Разумное разделение труда между наукой и операционкой, или сигнал неуверенности в стратегии по Gemini?

👁️ Новое исследование Skill-Use проверяет то, что раньше никто толком не тестировал: способен ли агент сам распознать нужный skill и правильно его применить, а не просто оценивать качество самого skill-документа. Агент видит только имя и краткое описание — и должен сам решить, подходит ли skill к задаче, прежде чем подгрузить полную процедуру.

Оценка разбита на три части: срабатывает ли триггер, точно ли агент следует процедуре, не нарушает ли запреты. 79 реальных skills, 177 задач в девяти доменах, тесты в изолированной песочнице.

➡️ Результат отрезвляющий: даже в лучшей конфигурации из восьми моделей итоговый показатель — всего 0.613 из максимума. Проблема не в одном звене — и триггер, и соблюдение процедуры проваливаются независимо друг от друга. Причём рейтинг моделей меняется в зависимости от агентной обвязки — умение пользоваться skill не фиксированное свойство модели.

Перекликается с темой skills от MCP-серверов, которую мы разбирали недавно: сама доставка skill’а — только полдела, реальное понимание, когда и как его применять, остаётся open-проблемой даже у топовых моделей.

💢 Персональные агенты хранят предпочтения и историю задач между сессиями, но систематически никто не проверял: улучшаются ли они реально от накопленного опыта или это просто выглядит так. PAST-Bench проверяет это напрямую — 26 сценариев, 204 эпизода, один и тот же агент прогоняется с включённой и выключенной памятью в идентичных условиях.

Результат по семи моделям: улучшение реальное, но неравномерное. Самое интересное — авторы проверяли не только сам факт прироста, но и то, идёт ли он через правильный путь (сохранение → извлечение → обновление опыта). Оказалось, агенты с одинаковым итоговым приростом могут кардинально различаться — один реально учится через память, другой просто угадывает лучше по случайным причинам, а на выходе выглядит одинаково.

➡️ На основе находок авторы сделали Hermes+ с пятью точечными доработками агентного цикла — повышает прирост и даёт понятные доказательства правильного пути обучения.

Хорошее дополнение к теме Memora от Microsoft: построить архитектуру памяти — одно, доказать, что агент реально ею правильно пользуется — совсем другое.

❓ Важнее, чтобы агент учился «правильно», или хватает того, что результат просто становится лучше со временем?

☀️ Видео KodeCloud разбирает квантизацию — почему модель на 70 млрд параметров можно запустить не на сервере, а на обычной видеокарте. Каждый параметр — число, и то, сколько бит уходит на его хранение, определяет размер модели.

Авторы разводят три вещи, которые обычно путают: числовые форматы (FP16, INT8, INT4 — сколько бит на число), методы квантизации (GPTQ, AWQ — алгоритмы, которые решают, какие веса можно упростить без потери качества) и файловые форматы (GGUF — просто контейнер для готового результата, а не метод квантизации, хотя его часто путают с ним).

🔥 Практический вывод: снижение точности не бывает бесплатным. Q4 даёт примерно вдвое меньше объём против FP16 при потере качества 3-5% — нормально для чата, но для кодинга и сложных рассуждений точность обычно стоит доплатить памятью.

Хорошая база для тех, кто пробует запускать открытые модели вроде Kimi K3 или GLM локально и натыкается на суффиксы вроде Q4_K_M в названиях файлов.

❓ Запускаете модели локально, или предпочитаете облачный API без возни с квантизацией?

👍 Дрю Бройниг разбирает главную проблему Spec-Driven Development: спецификации и тесты должны быть источником правды, а код «прилагается бесплатно» — но на практике реальный вызов в том, чтобы удержать всё это в синхронизации по мере роста проекта.

Первая волна SDD-проектов опиралась на уже существующий софт как источник истины — работает хорошо на чётко очерченных поверхностях (API, плагины, conformance-наборы), где поведение легко тестируется. Вторая волна толкает методологию в территорию без внешнего валидатора — и там проблема синхронизации резко усложняется. Автор проводит параллель с программным кризисом 1968 года: тогда ответом стал процесс, и агенты снова создали похожий кризис — кода больше, чем люди способны ревьюить — только теперь в помощь берут сам ИИ.

🖼️ Хорошее противоядие восторженному маркетингу вокруг SDD: методология работает, но не универсально — граница применимости определяется тем, есть ли у задачи внешний проверяемый критерий правильности.

‼️ Пока полмира смотрело финал ЧМ, математик Anthropic Левент Альпёге написал в X: гипотеза Якоби — ложна. Сформулированная в 1939 году, она утверждала, что полиномиальное отображение с постоянным ненулевым якобианом обязательно обратимо.

Альпёге не доказал гипотезу — он её опроверг: нашёл конкретное необратимое отображение с постоянным якобианом, контрпример уместился в 216 символов — при том что математики предполагали минимальную степень такого примера в районе 200. Помогла Fable 5, модель, которую Anthropic изначально считала слишком мощной для публичного релиза. Автор — не случайный человек: PhD из Принстона под руководством Филдсовского лауреата, лауреат премии Моргана.

➡️ Оговорка для скептиков: результат ещё не прошёл рецензирование, а полная стенограмма промптов не опубликована — так что реальный вклад модели против направляющей роли математика пока нельзя независимо проверить.

Показательно, что это не единичный случай: в этом году AlphaProof от DeepMind самостоятельно решил девять открытых проблем Эрдёша, а Claude Mythos независимо и короче доказала гипотезу единичного расстояния, чем OpenAI.

❓ Начало настоящей революции в математических открытиях, или единичный эффектный кейс на фоне тысяч менее звучных попыток?

📁 AWS перестроила кодинг-агент Kiro вокруг Agent Client Protocol (ACP) — открытого стандарта из Zed, теперь развиваемого совместно с JetBrains. Идея как у Language Server Protocol: раньше каждый редактор писал кастомную интеграцию под каждого агента, теперь один протокол связывает любого агента с любым совместимым редактором.

До переделки у Kiro было три отдельных харнесса под разные поверхности (TypeScript, Rust, Python) — теперь всё объединено в единый харнесс. Практический эффект — Kiro CLI уже работает в JetBrains, Zed и других ACP-совместимых редакторах, а не только в своём интерфейсе. AWS сознательно расширила протокол, а не сделала проприетарный форк.

🤔 Важная деталь: оркестрация (Kiro Crew) открыта под Apache 2.0, но сам движок агента остаётся проприетарным — открыт уровень интеграции, а не «начинка» рассуждений. Microsoft уже подхватила идею со своим экспериментальным ACP-клиентом.

Продолжение темы вендор-лока, которую мы разбирали через Карпа и Менша — только теперь решение на уровне протокола связи, а не модели.

➡️ AWS выпустила нативный векторный поиск для DynamoDB в общем доступе. Теперь эмбеддинги хранятся прямо рядом с операционными данными в тех же таблицах — без репликации в отдельную специализированную базу и без синхронизации между ними.

Цифры: одноразрядная миллисекундная задержка при recall выше 99%, масштаб до триллионов векторов, без администрирования инфраструктуры. Можно использовать любую модель эмбеддингов — от Amazon Titan до OpenAI — и единая serverless-оплата по факту использования.

🔥 Важнее технических цифр сигнал по рынку: по опросу индустрии, большинство специалистов по данным предпочли бы держать векторный движок прямо внутри основной БД, а не городить отдельный стек. Прямой удар по нише standalone векторных баз вроде Pinecone — облачные провайдеры один за другим встраивают векторный поиск в существующие движки.

❓ Держите отдельную векторную базу для RAG, или готовы перейти на встроенный поиск?