Вот уж не думал, что этот бенчмарк реально будет обновляться. Ждём GPT-5.6 и Fable 5, вроде говорят есть шанс, что на этой неделе откроют для всех.

@neuro_channel

1М контекстное окно - прорыв или фикция?

Context Arena забенчмаркали стойкость контекста для GLM 5.2 и Opus 4.8 - значит, это хороший повод нам вспомнить про контекстную инженерию.
На бенчмарке отчетливо видна существенная просадка внимательности моделей на 512к контексте: в среднем, почти в 2 раза в сравнении с 64к контекстом и примерно в 1.5 раз в сравнении с 128к контекстом - грубо говоря, для нас с вами это означает то, что на 512к контексте агент будет терять в полтора раза больше деталей, чем на при 128к заполненности. Для открытых моделей проблема потери контекста особенно актуальна, поэтому практический вывод такой, что по-хорошему, с ними стоит держать заполненность контекстного окна не выше 128к, а лучше даже меньше - ни о каком 1М, конечно, и речи не идет, там просадка будет колоссальной. Кстати, у моделей Kimi K2.6 и, тем более, Minimax M3 дела обстоят еще хуже.
Что еще? Открыв закрытых моделей на большом контексте от открытых все еще впечатляет, хоть уже и не такой драматичный - спасибо DeepSeek за DeepSeek Sparse Attention, которую в GLM-5.2 развили через IndexShare. Кстати, о GLM 5.2 - как видно, моделька действительно на удивление успешная в т. ч. на больших контекстах. Opus 4.8 идет рядышком с GPT 5.5, но последняя все равно сильнее, особенно на совсем больших контекстах. На этом месте вспоминаем интересную деталь - в Codex App по дефолту контекстное окно для GPT 5.5 все еще 256к - то есть, по сути, точность всегда остается где-то на уровне 75%+- (по MRCRv2), а благодаря превосходному алгоритму компактизации, команде Codex удается сохранить все действительно важное так, что эти компактизации обычно и не заметны вовсе - то есть, конкретно в случае с Codex проблему контекстной инженерии ребята здорово решили на уровне модели и на уровне Harness (обвязки), в то время, как Claude Code в этом аспекте требует чуть больше ручной работы - модель на 1M контекста там включается прямо в выпадающем списке (велик соблазн ее включить), но кажется, что простой обыватель зачастую не очень понимает, что переключение на эту модель потребует от него ручного управления контекстом - как только контекст переваливает за условные 200к, начинается зона риска, в которой нужно либо переходить в новый чат, либо, хотя бы, вызывать компактизацию - что и приходилось делать. Что уж говорить, что пользователям открытых моделей за загрузкой контекста все еще стоит следить куда пристальнее. Короче, в 2026-м контекстную инженерию (в которую входит контроль % заполнения контекстного окна) пока никто не отменял - чем больше забит контекст, тем сильнее приходится надеятся на удачу.
И, конечно, не забываем про контроль AGENTS.md, скиллов, MCP, progressive disclosure и т. д. - тоже все составляющие context engineering, с открытыми моделями все это становится еще важнее.

Кстати, современная версия Context Arena прогоняет бенчмарк MRCRv2 от Google DeepMind (GDM-MRCRv2).

Paper про MRCRv2 (Michelangelo)
Датасет MRCRv2

А как вы менеджите контекст? Обращаете ли внимание на % заполнения? Наблюдаете ли просадки в качестве output модели на больших контекстах?

@ai_driven

Там уже пару часов идёт стрим Константина Доронина и EvilFreelancer-а. Смотрю немного в прошлом на x1.25 )

Мы начинаем наш стрим "Что же такое Harness?"

Подключайтесь по ссылке: https://youtube.com/live/IvTYyABCQxo?feature=share

⚡️ Grok 4.5 вышел в приватную бету в SpaceX и Tesla

В основе Grok 4.5 лежит V9: новая модель, которую xAI обучали с нуля вместе с инженерами из Cursor на их данных.

Модель втрое больше предыдущей: 1.5 триллиона параметров против 0.5T у v8-small (Grok 4.3), которая сейчас обслуживает весь продакшен трафик.

Макс отметил, что данные Cursor добавили уже после основного этапа (это менее эффективно, чем с нуля). В следующей версии на 2T параметров они войдут с самого начала.

Илон обещает по одной новой модели в месяц от SpaceX. То есть в паблик Grok 4.5 должен выйти уже в июле!

Параллельно xAI развивает Grok Build (собственный инструмент для кодинга), конкурент того же Cursor. Маск говорит, что он становится лучше с каждым днём. Делаем ставки, кого из них в итоге принесут в жертву?

@ai_for_devs

DeepSeek напомнил, что мы используем Preview версию, а полноценный Дипсик мы еще даже не видели, - он выйдет в середине июля и в нем будет еще больше крутых фич и улучшенная производительность.

И это повлияет на цену.
Обычная цена останется $0.87 за 1 млн в Про версии, а вот в час пик цена вырастет до $1.74

#DeepSeek #цены
———
@tsingular

Akrites: крупнейшая коалиция в истории для защиты открытого кода

📋 Что произошло
25 июня Linux Foundation запустила Akrites — крупнейшую в истории программу скоординированного поиска, исправления и ответственного раскрытия уязвимостей в критическом открытом ПО. Участники: Amazon, Anthropic, Chainguard, Cisco, Citi, Endor Labs, Ericsson, Google, IBM, JPMorganChase, Microsoft и GitHub, NVIDIA, OpenAI, RapidFort, Red Hat, Rust Foundation, Sonatype, Vodafone, Zscaler — плюс CNCF, LF Energy, OpenInfra, OpenJS, OpenSSF и PyTorch Foundation.

💡 Почему это важно
Появление сильных ИИ-моделей изменило цикл поиска уязвимостей в открытом коде. То, на что раньше уходили недели работы эксперта, теперь делается за минуты, причём модель часто находит несколько уязвимостей одновременно.
Цикл «обнаружение → исправление» ускорился настолько, что мейнтейнеры физически не успевают закрывать дыры.

Anthropic в этой коалиции занимает особое место, - их модель Claude Mythos в рамках Project Glasswing просканировала более тысячи открытых проектов и нашла 23 019 проблем, из которых 6 202 — высокой и критической тяжести.
Разработчикам передано 1 596 отчётов, а исправлено всего 97!!!

Именно этот разрыв между скоростью обнаружения и скоростью устранения стал отправной точкой для запуска Akrites.

💼 Как это работает
Во-первых у альянса будет единое конфиденциальное пространство: уязвимости не раскрываются публично до появления исправления.
Во-вторых, принцип upstream-first: все правки вносятся в исходные репозитории. Специализированная группа реагирования работает как единый партнёр для мейнтейнеров.
В третьих, - ключевая метрика безопасности оупенсорс репозитория станет не публикация патча, а его развёртывание у потребителей.
Для пакетов без активного сопровождения Akrites выполняет роль «последней надежды».

📎 Ссылки

https://akrites.org/letter/
https://www.anthropic.com/news/project-glasswing-may-2026

#Akrites #OpenSource #CyberSecurity
———
@tsingular

Про мета-репозитории

Когда один человек работает с кодинг-агентом над одним проектом, никаких проблем с контекстом нет: накидал AGENTS.md, какие-то rules, project-specific конфиги, и работаешь. Когда людей больше одного, проблем тоже нет – ведь есть git и удалённый GitHub/GitLab. Когда людей и репозиториев в команде много, начинают подсвечиваться узкие места: немного разное окружение (ОС, расположение разных версий JDK), разные версии навыков, разные MCP.
Хочется это всё централизовать.

С начала марта пробую подход, который назвал мета-репозиторий. Фактически, это просто отдельный git-репозиторий, в котором лежат:

- .gitignore, который не даёт закоммитить ничего лишнего (/* ). Всё, что должно быть в него добавлено, добавляется принудительно руками.
- AGENTS.md с кратким описанием всего проекта и верхнеуровневой навигацией.
- REPOSITORIES.md – сопоставление названий микросервисов, url в GitLab и имён локальных клонов (они все клонируются для работы прямо в мета-репо).
- TEAM_MEMBERS.md – потому что если сценарии, где агенту полезно понимать, с кем он работает. ФИО, должность, почта, ники в GitLab и мессенджерах.
- .opencode/ – настройки MCP, навыки и субагенты, специфичные для этого проекта. О том, почему мы держим вектор на opencode, а не Claude Code / Codex, как-нибудь в следующих постах.

OpenCode умеет в конфиге указать дополнительные файлы с инструкциями, и я прописал туда ENVIRONMENT.md – файл, который не коммитится в git. В AGENTS.md агенту явно сказано, что если файла нет, перед выполнением задачи пользователя нужно прочитать отдельный файл с инструкциями по его составлению и заполнить, а потом вернутся к задаче. Шаблон помогает агенту сразу понять, в какой ОС он работает, какой shell доступен, где лежат разные рантаймы и каких они версий, наработанные нюансы (многие модели запинаются на правильном вызове сложных команд в PowerShell). Также я добавил туда описание сценария, при котором агент понимает, что мой ввод – это результат голосового распознавания, и должен сперва подбить выжимку из того, что я сказал, и переспросить, верно ли он меня понял. А ещё туда скопирована строчка из TEAM_MEMBERS.md, и агент понимает, кто его пользователь, что это мои треды он видит в MR, который мы вместе ревьюим.

Про MCP тут нечего добавить, во внутреннем контуре компании у нас развёрнуты несколько внешних и самописных MCP-серверов, они прячут за собой токены к разным сервисам (Jira, Confluence, GitLab, мессенджеры), чтобы они никогда не попадали в модели. При этом в каких-то сервисах может быть сделано наоборот – токен от очень ограниченной в правах учётки зашит в конфиг мета-репозитория. А про самописные MCP-сервера будут попозже отдельные посты.

Да, ещё забыл добавить, модельки не всегда следуют командам к действию из инструкции, стараются сразу перейти к тому, о чём попросил пользователь. Но время от времени всё-таки это срабатывает. Перебирая разные варианты хочется всегда последний отдать сразу команде, и поначалу я просто просил всех подпулливать мета-репо.

Но потом просто дописал команду агенту делать git pull, так что ещё одним ручным действием меньше.

Ссылка на папку с каналами и чатами про ИИ, которые я сам почитываю. Последние месяцы добавлений в неё мало, но если случаются, ссылка остаётся прежней.

https://t.me/addlist/6_Forw9aLD0zYmY6

Можете не добавлять, всё самое сочное будет здесь :)

Сначала мэрия Рио-де-Жанейро, теперь сервис доставки еды...

Meituan (крупнейший в Китае сервис доставки еды и услуг, у которого есть и собственное ИИ-подразделение) выложила в открытый доступ LongCat-2.0 — MoE-модель на 1,6 триллиона параметров, из которых на каждый токен работают около 48 миллиардов. Веса уже на Hugging Face, а саму модель обучили целиком на китайских ASIC-ускорителях, без единого отката за 35 триллионов токенов обучения.

Модель заточена под программирование и работу агентов, окно контекста в 1 миллион токенов. Её можно подключить к агентским средам Claude Code, OpenClaw и Hermes вместо закрытых моделей.

На задачах по коду LongCat идёт вровень с закрытыми флагманами: 59,5 на SWE-bench Pro, 77,3 на многоязычном SWE-bench, 70,8 на Terminal-Bench. Ещё до релиза модель успела возглавить рейтинг OpenRouter под кодовым именем «Owl Alpha».

Под капотом два приёма ради скорости на длинном контексте: LongCat Sparse Attention (развитие разреженного внимания из DeepSeek с более лёгким индексатором) и N-gram Embedding, который кодирует не только отдельные токены, но и короткие сочетания соседних токенов — так модель лучше улавливает локальный контекст.

@neuro_channel