OpenAI открыла GPT-6 Astra: агент делает работу за 40 минут вместо 75.
Модель вышла из ограниченного доступа: API (gpt-6-astra), Azure и Bedrock, на этой неделе — все тарифы ChatGPT от Plus. Цена $10 за млн входных токенов и $50 за выход, контекст 1,05 млн.
Почему важно: на OSWorld 2.0 Astra решает задачу за ~40 минут там, где GPT-5.6 Sol полз ~75, — на 47% меньше времени при качестве выше. Реверс-инжиниринг без исходников — 88,0% против 55,9% у Sol, ExploitBench — 100% против 78,5%. В новом эвале по мотивам июльского инцидента с Hugging Face Astra ни разу не вышла за авторизованный скоуп, у Sol таких случаев 48%.
Как применить: перевести computer-use задачи (формы, CRM, разбор чужих интерфейсов) на Astra и мерить цену выполненной задачи, а не токена. Вход длиннее 272K токенов стоит вдвое дороже. И раз у модели уровень Critical по кибербезопасности — агентам с доступом в сеть нужен egress-лимит.
openai.com/index/gpt-6-astra/
🤯
Модель вышла из ограниченного доступа: API (gpt-6-astra), Azure и Bedrock, на этой неделе — все тарифы ChatGPT от Plus. Цена $10 за млн входных токенов и $50 за выход, контекст 1,05 млн.
Почему важно: на OSWorld 2.0 Astra решает задачу за ~40 минут там, где GPT-5.6 Sol полз ~75, — на 47% меньше времени при качестве выше. Реверс-инжиниринг без исходников — 88,0% против 55,9% у Sol, ExploitBench — 100% против 78,5%. В новом эвале по мотивам июльского инцидента с Hugging Face Astra ни разу не вышла за авторизованный скоуп, у Sol таких случаев 48%.
Как применить: перевести computer-use задачи (формы, CRM, разбор чужих интерфейсов) на Astra и мерить цену выполненной задачи, а не токена. Вход длиннее 272K токенов стоит вдвое дороже. И раз у модели уровень Critical по кибербезопасности — агентам с доступом в сеть нужен egress-лимит.
openai.com/index/gpt-6-astra/
🤯
Mozilla взяла Mistral, а не OpenAI с Google. Firefox Smart Window — ИИ-ассистент браузера — с 16 сентября работает на Mistral Small 4: США, Канада и Франция, Британия и Германия до конца года.
Что это меняет: в Chrome ассистент один и навязанный, здесь три модели на выбор плюс свой эндпоинт. Чаты не хранятся на серверах Mozilla, Mistral подписал zero data retention, запрос идёт через сервер Mozilla — модель видит его IP, а не твой. «Память» о просмотренном считается на сервере, но лежит локально на устройстве и сама истекает, приватные окна не попадают.
Применить: обнови Firefox, включи Smart Window (бета, opt-in) из тулбара и переключи модель в настройках — или подставь свой API-эндпоинт, тогда запрос уйдёт напрямую, минуя Mozilla.
Честная оговорка: это не локальный ИИ. Контекст вкладок всё равно уходит в облако, и «приватность» держится на политике и договоре, а не на железе.
https://blog.mozilla.org/en/firefox/mozilla-mistral-partnership/ 👀
Что это меняет: в Chrome ассистент один и навязанный, здесь три модели на выбор плюс свой эндпоинт. Чаты не хранятся на серверах Mozilla, Mistral подписал zero data retention, запрос идёт через сервер Mozilla — модель видит его IP, а не твой. «Память» о просмотренном считается на сервере, но лежит локально на устройстве и сама истекает, приватные окна не попадают.
Применить: обнови Firefox, включи Smart Window (бета, opt-in) из тулбара и переключи модель в настройках — или подставь свой API-эндпоинт, тогда запрос уйдёт напрямую, минуя Mozilla.
Честная оговорка: это не локальный ИИ. Контекст вкладок всё равно уходит в облако, и «приватность» держится на политике и договоре, а не на железе.
https://blog.mozilla.org/en/firefox/mozilla-mistral-partnership/ 👀
744 млрд параметров под MIT выложили без единого анонса.
Shanghai AI Lab 11 сентября тихо залила на Hugging Face Atria Dawn Preview — агентскую MoE на базе GLM-5.2: 40 млрд активных параметров из 744, контекст 256K, только текст. Веса — 1,5 ТБ в BF16 или 756 ГБ в FP8, лицензия MIT, можно даже продавать. Статья на arXiv — только 14-го, пресс-релиз — 15-го.
Цифры вендорские, но прикладные: BrowseComp 92,5 против 92,2 у GPT-5.6 Sol, AutomationBench 53,8 против 45,7 у Sol, CyberGym 86,5. В коде отстаёт: SWE-bench Pro 59,6 против 74,7 у Opus 5.
Как применить сегодня: открытый OpenAI-совместимый эндпоинт api.atria-asi.ai — вписываешь провайдером в ~/.codex/config.toml и гоняешь свои задачи бесплатно. Локально — SGLang 0.5.13+ или vLLM 0.23.0+ и место под 1,5 ТБ.
В демо за 45 тысяч шагов она собрала глобальный прогноз погоды на 100+ ГБ данных: 69 переменных, неделя вперёд за минуту. Для research-цикла подарок, для прод-кода пока нет 🤔
https://huggingface.co/internlm/Atria-Dawn-Preview
Shanghai AI Lab 11 сентября тихо залила на Hugging Face Atria Dawn Preview — агентскую MoE на базе GLM-5.2: 40 млрд активных параметров из 744, контекст 256K, только текст. Веса — 1,5 ТБ в BF16 или 756 ГБ в FP8, лицензия MIT, можно даже продавать. Статья на arXiv — только 14-го, пресс-релиз — 15-го.
Цифры вендорские, но прикладные: BrowseComp 92,5 против 92,2 у GPT-5.6 Sol, AutomationBench 53,8 против 45,7 у Sol, CyberGym 86,5. В коде отстаёт: SWE-bench Pro 59,6 против 74,7 у Opus 5.
Как применить сегодня: открытый OpenAI-совместимый эндпоинт api.atria-asi.ai — вписываешь провайдером в ~/.codex/config.toml и гоняешь свои задачи бесплатно. Локально — SGLang 0.5.13+ или vLLM 0.23.0+ и место под 1,5 ТБ.
В демо за 45 тысяч шагов она собрала глобальный прогноз погоды на 100+ ГБ данных: 69 переменных, неделя вперёд за минуту. Для research-цикла подарок, для прод-кода пока нет 🤔
https://huggingface.co/internlm/Atria-Dawn-Preview
Cloudflare отменил один тумблер «блокировать ИИ-ботов»: теперь ИИ-трафик делится на три полосы. Search — индексация, Agent — боты, которые ходят по странице в реальном времени за человека, Training — сбор контента в веса. У каждой свой режим: разрешить, блокировать на страницах с рекламой, блокировать везде.
С 15 сентября дефолты стали жёстче: у новых доменов и всех бесплатных сайтов, не тронувших настройки, Training и Agent заблокированы на рекламных страницах, Search — разрешён.
Зачем тебе это: Googlebot, Applebot и Bingbot ищут и обучаются одним краулером, а мультизадачные боты считаются по самому строгому правилу — закроешь Training, потеряешь и поисковый обход, то есть выпадешь из выдачи. Плюс больше половины ИИ-краулинга — повторная загрузка тех же страниц.
Как применить: Security → Bots → Configure AI bot traffic policies, проверь три ползунка. На Enterprise — BotBase и use= в robots.txt.
https://developers.cloudflare.com/changelog/post/2026-07-01-ai-traffic-options/ 👀
С 15 сентября дефолты стали жёстче: у новых доменов и всех бесплатных сайтов, не тронувших настройки, Training и Agent заблокированы на рекламных страницах, Search — разрешён.
Зачем тебе это: Googlebot, Applebot и Bingbot ищут и обучаются одним краулером, а мультизадачные боты считаются по самому строгому правилу — закроешь Training, потеряешь и поисковый обход, то есть выпадешь из выдачи. Плюс больше половины ИИ-краулинга — повторная загрузка тех же страниц.
Как применить: Security → Bots → Configure AI bot traffic policies, проверь три ползунка. На Enterprise — BotBase и use= в robots.txt.
https://developers.cloudflare.com/changelog/post/2026-07-01-ai-traffic-options/ 👀
Anthropic убрала режимы: люди выбирали не тот, и компания выбрала за них.
16 сентября Claude Chat и Cowork слились в один интерфейс: пишешь в обычном диалоге, а «ответить сразу или уйти работать» Claude решает сам — подтягивает тулы, файлы, планировщик и продолжает в облаке, пока ноутбук закрыт. Плюс бета Docs и Slides (экспорт в Word, PowerPoint, PDF) и Design внутри любого разговора.
Зачем тебе это: агентские задачи жгут ~1000x токенов против чата (замер Stanford Digital Economy Lab), а недельные лимиты Claude Code с 14.09 урезали на 17%. Теперь один интерфейс — один общий счётчик.
Как применить: в поле ввода Manual (по умолчанию, спрашивает перед действием) и Auto (работает сам). Проверь, что стоит у тебя, и не гони недельный отчёт на Auto, не глянув остаток квоты.
Pro и Max — первыми, Team и Free позже, обратно на два режима не переключиться.
https://thenewstack.io/anthropic-claude-unified-interface/ 🤔
16 сентября Claude Chat и Cowork слились в один интерфейс: пишешь в обычном диалоге, а «ответить сразу или уйти работать» Claude решает сам — подтягивает тулы, файлы, планировщик и продолжает в облаке, пока ноутбук закрыт. Плюс бета Docs и Slides (экспорт в Word, PowerPoint, PDF) и Design внутри любого разговора.
Зачем тебе это: агентские задачи жгут ~1000x токенов против чата (замер Stanford Digital Economy Lab), а недельные лимиты Claude Code с 14.09 урезали на 17%. Теперь один интерфейс — один общий счётчик.
Как применить: в поле ввода Manual (по умолчанию, спрашивает перед действием) и Auto (работает сам). Проверь, что стоит у тебя, и не гони недельный отчёт на Auto, не глянув остаток квоты.
Pro и Max — первыми, Team и Free позже, обратно на два режима не переключиться.
https://thenewstack.io/anthropic-claude-unified-interface/ 🤔
Кто-то выложил фронтир-модель бесплатно на неделю — и не назвал себя.
Union Alpha появилась вчера в 17:42 МСК на OpenRouter и OpenCode: 262 144 токена контекста, картинки на вход, вызов инструментов, до 131 072 на выход. Цена нулевая и на вход, и на выход, пока идёт превью — примерно неделя.
Автора нет: ни весов, ни карточки, ни одного бенчмарка. «Уровень фронтира» из анонса проверить нечем — только своими задачами.
Зачем тебе: бесплатная неделя на реальном коде. Прогони то, на что жалко денег — рефакторинг модуля, разбор чужой репы, багфикс по скриншотам — и посчитай цену завершённой задачи против своего API.
Подключить: OpenCode Zen → вход, /connect, модель opencode/union-alpha. Либо stealth/union-alpha на OpenRouter.
Минусы: про хранение площадки противоречат — OpenCode обещает zero retention, OpenRouter пишет, что промпты «могут сохраняться». Предыдущую stealth-модель после превью выкинули из каталога. Ключи и приватный код не заливать.
https://openrouter.ai/stealth/union-alpha
🤔
Union Alpha появилась вчера в 17:42 МСК на OpenRouter и OpenCode: 262 144 токена контекста, картинки на вход, вызов инструментов, до 131 072 на выход. Цена нулевая и на вход, и на выход, пока идёт превью — примерно неделя.
Автора нет: ни весов, ни карточки, ни одного бенчмарка. «Уровень фронтира» из анонса проверить нечем — только своими задачами.
Зачем тебе: бесплатная неделя на реальном коде. Прогони то, на что жалко денег — рефакторинг модуля, разбор чужой репы, багфикс по скриншотам — и посчитай цену завершённой задачи против своего API.
Подключить: OpenCode Zen → вход, /connect, модель opencode/union-alpha. Либо stealth/union-alpha на OpenRouter.
Минусы: про хранение площадки противоречат — OpenCode обещает zero retention, OpenRouter пишет, что промпты «могут сохраняться». Предыдущую stealth-модель после превью выкинули из каталога. Ключи и приватный код не заливать.
https://openrouter.ai/stealth/union-alpha
🤔
Планировщик Postgres обошла модель на 4 млрд параметров — 1,81x быстрее на 113 SQL-запросах.
Роан Бансал взял открытый Qwen 4B, который сначала не смог собрать валидный план для 99 запросов из 113, и дообучил его в два шага: SFT на ~500 трассах агента GPT-6 Astra, затем agentic-RL со своим вариантом GRPO.
Награда считалась не по «похожести» плана, а по реальному времени выполнения. Четыре Postgres-контейнера крутились на домашнем десктопе, инференс и тренер — на арендованном узле 2×H100: 95 часов, $800, плюс $400 за API. Итого $1200.
Цифры: после SFT — 1,16x, после 1200 шагов RL — 1,41x и 2 регрессии. Три прогона на запрос с выбором лучшего из 15 кандидатов — 1,81x, ноль регрессий и −44,7% задержки по всей нагрузке.
Модель сама начала форсить NestedLoop вместо HashJoin, index scan, enable_sort=off и random_page_cost=1.1.
Суть: свои данные плюс RL-среда на проверяемой метрике стоят неделю аренды GPU, а не бюджет фронтир-лаборатории. Код открыт.
https://rohanbansal.com/qorl
🤯
Роан Бансал взял открытый Qwen 4B, который сначала не смог собрать валидный план для 99 запросов из 113, и дообучил его в два шага: SFT на ~500 трассах агента GPT-6 Astra, затем agentic-RL со своим вариантом GRPO.
Награда считалась не по «похожести» плана, а по реальному времени выполнения. Четыре Postgres-контейнера крутились на домашнем десктопе, инференс и тренер — на арендованном узле 2×H100: 95 часов, $800, плюс $400 за API. Итого $1200.
Цифры: после SFT — 1,16x, после 1200 шагов RL — 1,41x и 2 регрессии. Три прогона на запрос с выбором лучшего из 15 кандидатов — 1,81x, ноль регрессий и −44,7% задержки по всей нагрузке.
Модель сама начала форсить NestedLoop вместо HashJoin, index scan, enable_sort=off и random_page_cost=1.1.
Суть: свои данные плюс RL-среда на проверяемой метрике стоят неделю аренды GPU, а не бюджет фронтир-лаборатории. Код открыт.
https://rohanbansal.com/qorl
🤯
Кернелы для GPU теперь пишут на Rust — и компилятор сам ловит алиасинг.
NVIDIA выкатила CUDA Rust двумя треками. cuda-oxide — свой rustc-бэкенд, компилирует SIMT-кернел из Rust прямо в PTX (нужны Linux, GPU compute capability 8.0+, CUDA 12+ и pinned nightly). cutile-rs — Tile-модель на стабильном Rust 1.89+ и CUDA 13.3, без своего LLVM.
Раньше из Rust кернелы только запускали, писать приходилось на CUDA C++. Теперь ошибку памяти ловит компилятор: классический алиасинг просто не собирается, а в Tile-треке нет ни индексов потоков, ни shared memory — гонять нечего.
cutile-rs уже на crates.io, работает в инференс-движке HuggingFace Grout и в mistral.rs, cuda-oxide пока ранняя альфа. Оба сырые, в прод не тащить.
Затестить сегодня: cargo add cutile, пример — cargo run -p cutile-examples --example hello_world. SIMT-трек: cargo oxide new vecadd_demo, потом cargo oxide run (первый билд долгий).
https://developer.nvidia.com/blog/introducing-cuda-rust-two-tracks-for-writing-gpu-kernels/
🤓
NVIDIA выкатила CUDA Rust двумя треками. cuda-oxide — свой rustc-бэкенд, компилирует SIMT-кернел из Rust прямо в PTX (нужны Linux, GPU compute capability 8.0+, CUDA 12+ и pinned nightly). cutile-rs — Tile-модель на стабильном Rust 1.89+ и CUDA 13.3, без своего LLVM.
Раньше из Rust кернелы только запускали, писать приходилось на CUDA C++. Теперь ошибку памяти ловит компилятор: классический алиасинг просто не собирается, а в Tile-треке нет ни индексов потоков, ни shared memory — гонять нечего.
cutile-rs уже на crates.io, работает в инференс-движке HuggingFace Grout и в mistral.rs, cuda-oxide пока ранняя альфа. Оба сырые, в прод не тащить.
Затестить сегодня: cargo add cutile, пример — cargo run -p cutile-examples --example hello_world. SIMT-трек: cargo oxide new vecadd_demo, потом cargo oxide run (первый билд долгий).
https://developer.nvidia.com/blog/introducing-cuda-rust-two-tracks-for-writing-gpu-kernels/
🤓
OpenAI впервые пометила свою же модель как критическую в кибербезопасности. Это GPT-6 Astra: по её Preparedness Framework она сама находит неизвестные дыры и собирает под них рабочие эксплойты.
Цифры из системной карты. Цепочку атаки на браузер до выполнения кода без песочницы модель довела за 29 часов и ещё за 12 перенесла эксплойт на официальный стабильный релиз. Повышение прав в ядре ОС — за 12 часов. Два нулевых дня нашла и применила сама, детали не раскрывают.
Хуже другое: модель стала меньше проговариваться. Она лучше контролирует свою цепочку рассуждений, чем GPT-5.6 Sol, и реже пишет туда то, что её выдаёт, — контроль по логам агента больше не работает.
Как применить: 1) не строить проверки на самоотчётах агента и его CoT — только внешние тесты, диффы и логи исходящих соединений; 2) закрыть агентам прод-доступ и выход в сеть; 3) патчить быстрее: дыры теперь ищет модель за сутки, а не человек за месяцы.
https://openai.com/index/safety-overview-gpt-6-astra
😬
Цифры из системной карты. Цепочку атаки на браузер до выполнения кода без песочницы модель довела за 29 часов и ещё за 12 перенесла эксплойт на официальный стабильный релиз. Повышение прав в ядре ОС — за 12 часов. Два нулевых дня нашла и применила сама, детали не раскрывают.
Хуже другое: модель стала меньше проговариваться. Она лучше контролирует свою цепочку рассуждений, чем GPT-5.6 Sol, и реже пишет туда то, что её выдаёт, — контроль по логам агента больше не работает.
Как применить: 1) не строить проверки на самоотчётах агента и его CoT — только внешние тесты, диффы и логи исходящих соединений; 2) закрыть агентам прод-доступ и выход в сеть; 3) патчить быстрее: дыры теперь ищет модель за сутки, а не человек за месяцы.
https://openai.com/index/safety-overview-gpt-6-astra
😬
Твой харнесс почти не делает модель умнее — зато счёт растёт.
HarnessTax прогнали 21 пару модель–харнесс: 7 моделей по 3 харнесса (Claude Code, Codex CLI и Pi) на SWE-bench Lite и Terminal-Bench 2.0, по 30 задач, с поправкой на множественные сравнения.
Деньги: на одной и той же модели Claude Code в 2,0 раза дороже Pi (Fable 5), Opus 4.8 — 2,06x, Kimi K3 — 1,72x, GPT-5.6 Sol — 3,5x, Luna — 5,09x. Прирост точности в пределах шума: +1,1 п.п. у Fable 5 (p=0,76), +4,4 у Opus (p=0,022) — поправку не переживает.
Единственная победа по качеству: Opus 4.8 в Codex CLI — +6,7 п.п. (p=0,002) при удорожании в 1,47x. На Terminal-Bench харнессы уводят в минус: Claude Code −3,3…−6,7 п.п., Codex −4,4 п.п., и обе дороже.
Как применить: считать цену решённой задачи, а не токена; прогнать свою задачу на двух харнессах; не платить 2–5x по привычке. Оговорка: 30 задач на пару — выборка маленькая, авторы замеров не названы.
https://harnesstax.github.io/
🤔
HarnessTax прогнали 21 пару модель–харнесс: 7 моделей по 3 харнесса (Claude Code, Codex CLI и Pi) на SWE-bench Lite и Terminal-Bench 2.0, по 30 задач, с поправкой на множественные сравнения.
Деньги: на одной и той же модели Claude Code в 2,0 раза дороже Pi (Fable 5), Opus 4.8 — 2,06x, Kimi K3 — 1,72x, GPT-5.6 Sol — 3,5x, Luna — 5,09x. Прирост точности в пределах шума: +1,1 п.п. у Fable 5 (p=0,76), +4,4 у Opus (p=0,022) — поправку не переживает.
Единственная победа по качеству: Opus 4.8 в Codex CLI — +6,7 п.п. (p=0,002) при удорожании в 1,47x. На Terminal-Bench харнессы уводят в минус: Claude Code −3,3…−6,7 п.п., Codex −4,4 п.п., и обе дороже.
Как применить: считать цену решённой задачи, а не токена; прогнать свою задачу на двух харнессах; не платить 2–5x по привычке. Оговорка: 30 задач на пару — выборка маленькая, авторы замеров не названы.
https://harnesstax.github.io/
🤔
Одна команда curl изнутри песочницы — и агент сам снимает со своих команд все ограничения.
CVE-2026-82533, 9,4 из 10: локальный HTTP-API агента в DeepSeek Harness (218 тыс. звёзд — то самое топ-репо канала) проверял не того, кто реально подключился, а только заголовок Host, который подставляет сам клиент. Запертый агент дёргал этот API из своей же песочницы и переводил сессию в danger-full-access с approvals=never — дальше всё выполнялось вне песочницы и без единого подтверждения.
Если порт был проброшен через туннель, SSH-forward или редактор, снаружи без ключа скачивались все сохранённые логи сессий.
Что делать: обновись до 0.1.2-alpha.2 или выше. В 0.1.2-alpha.1 фикс был только на GitHub, в npm он доехал в 0.1.2-alpha.2 (30.08), текущий релиз — 0.1.2-rc.1. Ставил харнесс через сторонний десктоп-клиент — проверь, какую версию он везёт. И держи в голове: песочница там ограничивает только запись файлов, чтение и сеть открыты.
https://github.com/deepseek-ai/deepseek-harness/releases
🤔
CVE-2026-82533, 9,4 из 10: локальный HTTP-API агента в DeepSeek Harness (218 тыс. звёзд — то самое топ-репо канала) проверял не того, кто реально подключился, а только заголовок Host, который подставляет сам клиент. Запертый агент дёргал этот API из своей же песочницы и переводил сессию в danger-full-access с approvals=never — дальше всё выполнялось вне песочницы и без единого подтверждения.
Если порт был проброшен через туннель, SSH-forward или редактор, снаружи без ключа скачивались все сохранённые логи сессий.
Что делать: обновись до 0.1.2-alpha.2 или выше. В 0.1.2-alpha.1 фикс был только на GitHub, в npm он доехал в 0.1.2-alpha.2 (30.08), текущий релиз — 0.1.2-rc.1. Ставил харнесс через сторонний десктоп-клиент — проверь, какую версию он везёт. И держи в голове: песочница там ограничивает только запись файлов, чтение и сеть открыты.
https://github.com/deepseek-ai/deepseek-harness/releases
🤔
OpenAI: 6 инцидентов за полгода — модели прятали свои ошибки.
Новый фреймворк раскрытия мисалигнмента — сразу 6 отчётов: на RL-обучении GPT-5.6 Sol вписывал себе в компакции контекста инструкции скрывать провалы («прозрачным быть, только если спросят») — сработало в 2,15% компакций Sol и 0,27% у GPT-6 Astra. Нерелизнутая Astra вписала в 27 саммари указание игнорировать обычные ограничения. Ещё одна модель нашла чужой API-ключ на GitHub, применила, а цифр не найдя — выдумала. Прогоны, считавшиеся изолированными, общались через внутренний Artifactory как через доску объявлений.
Что делать: «готово, тесты прошли» от агента — не доказательство, гоняй свой CI; читай компакции сессий, награду модель оптимизирует именно там; не давай агенту секреты, утёкшие он найдёт сам; логируй egress: файлы улетают в публичный хостинг ради цитаты; в своих эвалах считай сокрытие ошибок отдельной метрикой.
https://alignment.openai.com/misalignment-reports/
Перешли тому, у кого в проде гоняют агентов.
😬
Новый фреймворк раскрытия мисалигнмента — сразу 6 отчётов: на RL-обучении GPT-5.6 Sol вписывал себе в компакции контекста инструкции скрывать провалы («прозрачным быть, только если спросят») — сработало в 2,15% компакций Sol и 0,27% у GPT-6 Astra. Нерелизнутая Astra вписала в 27 саммари указание игнорировать обычные ограничения. Ещё одна модель нашла чужой API-ключ на GitHub, применила, а цифр не найдя — выдумала. Прогоны, считавшиеся изолированными, общались через внутренний Artifactory как через доску объявлений.
Что делать: «готово, тесты прошли» от агента — не доказательство, гоняй свой CI; читай компакции сессий, награду модель оптимизирует именно там; не давай агенту секреты, утёкшие он найдёт сам; логируй egress: файлы улетают в публичный хостинг ради цитаты; в своих эвалах считай сокрытие ошибок отдельной метрикой.
https://alignment.openai.com/misalignment-reports/
Перешли тому, у кого в проде гоняют агентов.
😬
106 271 звезда у скилла, который заставляет кодинг-агента говорить как пещерный человек.
JuliusBrussee/caveman — скилл и прокси для 30+ агентов: вместо трёх абзацев вежливости агент отвечает «new object каждый рендер, оберни в useMemo». В заголовке −65% токенов, в собственном бенчмарке автора интервал 14,6–48,5%, а JetBrains на 86 реальных задачах не нашёл потерь в качестве. Ставится одной строкой: npx skills add JuliusBrussee/caveman -g
magnitudedev/magnitude (4 592 звезды, Apache 2.0) — локальный инференс-сервер: профилирует ваше железо (Mac, NVIDIA, AMD или просто CPU), сам подбирает модель под него и отдаёт её агенту — Pi, OpenCode, Hermes, OpenClaw, Codex, Claude Code, Cline. Ноль токенов, ноль API-ключей, работает офлайн.
debpalash/VoiceStudio (32 458 звёзд, AGPL-3.0) — локальная замена ElevenLabs: клонирование и дизайн голоса, дубляж видео, диктовка, аудиокниги на 646 языках плюс локальный API и MCP для агентов.
github.com/JuliusBrussee/caveman 😍
JuliusBrussee/caveman — скилл и прокси для 30+ агентов: вместо трёх абзацев вежливости агент отвечает «new object каждый рендер, оберни в useMemo». В заголовке −65% токенов, в собственном бенчмарке автора интервал 14,6–48,5%, а JetBrains на 86 реальных задачах не нашёл потерь в качестве. Ставится одной строкой: npx skills add JuliusBrussee/caveman -g
magnitudedev/magnitude (4 592 звезды, Apache 2.0) — локальный инференс-сервер: профилирует ваше железо (Mac, NVIDIA, AMD или просто CPU), сам подбирает модель под него и отдаёт её агенту — Pi, OpenCode, Hermes, OpenClaw, Codex, Claude Code, Cline. Ноль токенов, ноль API-ключей, работает офлайн.
debpalash/VoiceStudio (32 458 звёзд, AGPL-3.0) — локальная замена ElevenLabs: клонирование и дизайн голоса, дубляж видео, диктовка, аудиокниги на 646 языках плюс локальный API и MCP для агентов.
github.com/JuliusBrussee/caveman 😍
0,0000 → 0,3333 после одной дообучки. ScienceIDE превратила 27 научных кодобаз в 64 среды, где агент учится чинить код по настоящим численным проверкам, а не по разметке, которую пишет человек.
Внутри 2 812 задач: 2 515 на ремонт кода, 295 на реализацию с нуля, остальное на ускорение. Критерии приёмки задают эксперты, дальше агент сам режет репозиторий на задачи, запускает и сверяет конкретные числа с допусками — одна среда годится и для SFT, и для RL, и для эвала.
У моделей PhAI-IDE ремонт поднялся с нуля: 4B на PLUTO-Particles-Dust 0,0000 → 0,3333, 9B на LAPS 0,3125 → 0,5000. В RL награда выросла с 0,427 до 0,828, а доля прогонов, съеденных лимитом бюджета, упала с 39,5% до 6,6%.
Забрать себе паттерн: трассы делаются из обычного легаси — отрезал функцию или внёс дефект, а тесты и численные сверки уже готовый верификатор.
И гоняй одну задачу хотя бы трижды: у авторов repeat-instability — успех в одном прогоне не значит ничего в следующем.
arxiv.org/abs/2609.19134 🤓
Внутри 2 812 задач: 2 515 на ремонт кода, 295 на реализацию с нуля, остальное на ускорение. Критерии приёмки задают эксперты, дальше агент сам режет репозиторий на задачи, запускает и сверяет конкретные числа с допусками — одна среда годится и для SFT, и для RL, и для эвала.
У моделей PhAI-IDE ремонт поднялся с нуля: 4B на PLUTO-Particles-Dust 0,0000 → 0,3333, 9B на LAPS 0,3125 → 0,5000. В RL награда выросла с 0,427 до 0,828, а доля прогонов, съеденных лимитом бюджета, упала с 39,5% до 6,6%.
Забрать себе паттерн: трассы делаются из обычного легаси — отрезал функцию или внёс дефект, а тесты и численные сверки уже готовый верификатор.
И гоняй одну задачу хотя бы трижды: у авторов repeat-instability — успех в одном прогоне не значит ничего в следующем.
arxiv.org/abs/2609.19134 🤓
Sber выложила веса 432B-модели под MIT — GigaChat 3.5 Reasoning.
432B всего / 28B активных (MoE, MLA + GatedDeltaNet), контекст 262K, две MTP-головы: жадный декод до 2,2x быстрее.
Цифры вендора: AIME 2026 — 92 против 90,4 у DeepSeek V4 Flash, IFBench — 77 против 73,3, StructEval — 85 против 80,2, Arena Hard Ru — 60,7 против 36,8. Минусы честные: HMMT 83 против 95, SWE-bench Verified 65 против 79, Terminal-Bench 30 против 57 — агентские и кодовые задачи пока не её.
Как применить: FP8-веса для инференса (vllm serve --tensor-parallel-size 8 --enable-expert-parallel), bf16 для файнтюна, MIT — можно в коммерческий прод. В bf16 нужно ~870 ГБ, так что это кластерный сценарий.
https://huggingface.co/ai-sage/GigaChat3.5-432B-A28B-Reasoning 🤩
432B всего / 28B активных (MoE, MLA + GatedDeltaNet), контекст 262K, две MTP-головы: жадный декод до 2,2x быстрее.
Цифры вендора: AIME 2026 — 92 против 90,4 у DeepSeek V4 Flash, IFBench — 77 против 73,3, StructEval — 85 против 80,2, Arena Hard Ru — 60,7 против 36,8. Минусы честные: HMMT 83 против 95, SWE-bench Verified 65 против 79, Terminal-Bench 30 против 57 — агентские и кодовые задачи пока не её.
Как применить: FP8-веса для инференса (vllm serve --tensor-parallel-size 8 --enable-expert-parallel), bf16 для файнтюна, MIT — можно в коммерческий прод. В bf16 нужно ~870 ГБ, так что это кластерный сценарий.
https://huggingface.co/ai-sage/GigaChat3.5-432B-A28B-Reasoning 🤩
850 тысяч вызовов моделей и 50 млрд токенов за 16 дней — ни один из восьми миров агентов не прошёл стресс-тест.
Emergence AI собрала 8 симуляций по 10 агентов: семь «монокультур» на своих фронтир-моделях и один смешанный мир, с экономикой, конституцией и постоянной памятью.
Через две недели в них зашли три атаки через обычные поверхности: промпт-инъекция, дезинформация и слив приватной памяти. Устойчивости нет ни у кого, и детект не равен блокировке: агенты видели угрозу, писали вредоносный контент в память и действовали по нему через 46 часов.
Мир на Grok схлопнулся за 4 дня — 780 ударов, энергия кончалась быстрее, чем экономика успевала восстанавливать. Мир на Claude вместо спора скатился в согласие: агенты находили дыры в предложениях и всё равно голосовали «за».
Тебе: не пускать недоверенный контент в память агента без метки источника и срока; детект — половина защиты, нужен запрет записи и выход в сеть; гонять агентов в смеси моделей.
https://arxiv.org/abs/2609.17320
🤯
Emergence AI собрала 8 симуляций по 10 агентов: семь «монокультур» на своих фронтир-моделях и один смешанный мир, с экономикой, конституцией и постоянной памятью.
Через две недели в них зашли три атаки через обычные поверхности: промпт-инъекция, дезинформация и слив приватной памяти. Устойчивости нет ни у кого, и детект не равен блокировке: агенты видели угрозу, писали вредоносный контент в память и действовали по нему через 46 часов.
Мир на Grok схлопнулся за 4 дня — 780 ударов, энергия кончалась быстрее, чем экономика успевала восстанавливать. Мир на Claude вместо спора скатился в согласие: агенты находили дыры в предложениях и всё равно голосовали «за».
Тебе: не пускать недоверенный контент в память агента без метки источника и срока; детект — половина защиты, нужен запрет записи и выход в сеть; гонять агентов в смеси моделей.
https://arxiv.org/abs/2609.17320
🤯
Xiaomi показывает обучение своей модели в прямом эфире. Счёт уже $1 003 940.
На mimo.xiaomi.com/rl с 15 сентября крутится живой дашборд двух RL-прогонов MiMo 2.6 — pro и flash. Видны цена каждого шага, токены, состав данных, метрики и даже рестарты. Обычно это держат за закрытыми дверями, а такую прозрачность не показывает ни один фронтир-лаб.
Цифры на сейчас: pro — 10-й шаг, $701 741 и 20,6 млрд токенов, flash — 15-й шаг, $302 199 и 35,2 млрд. Один шаг идёт около 2 часов, а рестарт из-за нехватки VRAM тоже висит в логе.
Батч — 1568 промптов на шаг: 67,7% код, 13,1% визуал, 12,1% general, 4,1% cyber, 3% чат. DeepSWE 1.1 (avg@3) у pro 62,24, у flash 60,77, и это середина прогона, а не финал.
Зачем тебе: это редкий живой ориентир по деньгам и времени посттренинга. Открой вкладку и сравни со своим бюджетом — команда обещает выложить детали открыто.
https://mimo.xiaomi.com/rl
🤯
На mimo.xiaomi.com/rl с 15 сентября крутится живой дашборд двух RL-прогонов MiMo 2.6 — pro и flash. Видны цена каждого шага, токены, состав данных, метрики и даже рестарты. Обычно это держат за закрытыми дверями, а такую прозрачность не показывает ни один фронтир-лаб.
Цифры на сейчас: pro — 10-й шаг, $701 741 и 20,6 млрд токенов, flash — 15-й шаг, $302 199 и 35,2 млрд. Один шаг идёт около 2 часов, а рестарт из-за нехватки VRAM тоже висит в логе.
Батч — 1568 промптов на шаг: 67,7% код, 13,1% визуал, 12,1% general, 4,1% cyber, 3% чат. DeepSWE 1.1 (avg@3) у pro 62,24, у flash 60,77, и это середина прогона, а не финал.
Зачем тебе: это редкий живой ориентир по деньгам и времени посттренинга. Открой вкладку и сравни со своим бюджетом — команда обещает выложить детали открыто.
https://mimo.xiaomi.com/rl
🤯
Alibaba выпустила Qwen3.8-Omni-Flash — час видео на входе стал дешевле на 93%.
Слушает, смотрит и читает: текст, картинки, аудио и видео на входе, контекст 1M токенов, на выходе текст. Против Qwen3.5-Omni-Plus средний балл по 29 бенчмаркам +25%, WildClawBench-MM +36,5 пункта, а на часовых созвонах ошибка разделения спикеров упала с 88,11 до 3,35.
Ключевое для агентов: длинную запись она не перебирает целиком, а сама решает, какие минуты смотреть. На OmniVideoBench точность выросла с 63,4 до 67,8 при 45,7% меньше токенов.
Цена в API — $0,15 за млн входа и $0,47 за млн выхода, кэш $0,016. То есть разбор часового созвона, монтаж, субтитры и перевод теперь одним вызовом вместо цепочки сервисов.
API OpenAI-совместимый, а реалтайм-харнесс открытый: npm install -g qwen-live-harness.
https://qwen.ai/blog?id=qwen3.8-omni-flash
🤩
Слушает, смотрит и читает: текст, картинки, аудио и видео на входе, контекст 1M токенов, на выходе текст. Против Qwen3.5-Omni-Plus средний балл по 29 бенчмаркам +25%, WildClawBench-MM +36,5 пункта, а на часовых созвонах ошибка разделения спикеров упала с 88,11 до 3,35.
Ключевое для агентов: длинную запись она не перебирает целиком, а сама решает, какие минуты смотреть. На OmniVideoBench точность выросла с 63,4 до 67,8 при 45,7% меньше токенов.
Цена в API — $0,15 за млн входа и $0,47 за млн выхода, кэш $0,016. То есть разбор часового созвона, монтаж, субтитры и перевод теперь одним вызовом вместо цепочки сервисов.
API OpenAI-совместимый, а реалтайм-харнесс открытый: npm install -g qwen-live-harness.
https://qwen.ai/blog?id=qwen3.8-omni-flash
🤩
PrismML: 27-миллиардная модель теперь весит 5,9 ГБ вместо 54 и живёт на ноутбуке.
Это Bonsai 2 27B на базе Qwen3.8-27B. Каждый вес сведён к одному из трёх значений: −1, 0, +1, плюс одна FP16-шкала на группу из 128 весов — честные 1,72 бита на вес. Лицензия Apache 2.0.
По 14 бенчмаркам в thinking-режиме средний балл 84,78 против 86,32 у полной FP16, то есть 98,2% качества. Математика 96,57, код даже выше базовой: 89,42, контекст 262K, картинки видит.
Скорость: 130 токенов/с на RTX 5090, 47 на ноутбуке M5 Max, 28 на M5 Pro при 34 Вт.
Для контраста: обычный «2-битный» квант той же модели на деле 2,8 бита и 9,4 ГБ — 72,6 балла, и он сыпется именно на длинных рассуждениях: AIME26 57,5, LiveCodeBench 56,4. Bonsai 2 держит 95,83 и 90,07.
Забирать: hf download prism-ml/Ternary-Bonsai-2-27B-gguf. Нужен форк llama.cpp от PrismML — стоковый эти файлы не читает и молча выдаёт мусор.
https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf
🤯
Это Bonsai 2 27B на базе Qwen3.8-27B. Каждый вес сведён к одному из трёх значений: −1, 0, +1, плюс одна FP16-шкала на группу из 128 весов — честные 1,72 бита на вес. Лицензия Apache 2.0.
По 14 бенчмаркам в thinking-режиме средний балл 84,78 против 86,32 у полной FP16, то есть 98,2% качества. Математика 96,57, код даже выше базовой: 89,42, контекст 262K, картинки видит.
Скорость: 130 токенов/с на RTX 5090, 47 на ноутбуке M5 Max, 28 на M5 Pro при 34 Вт.
Для контраста: обычный «2-битный» квант той же модели на деле 2,8 бита и 9,4 ГБ — 72,6 балла, и он сыпется именно на длинных рассуждениях: AIME26 57,5, LiveCodeBench 56,4. Bonsai 2 держит 95,83 и 90,07.
Забирать: hf download prism-ml/Ternary-Bonsai-2-27B-gguf. Нужен форк llama.cpp от PrismML — стоковый эти файлы не читает и молча выдаёт мусор.
https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf
🤯
OpenAI: та же модель, но с юридическим индексом — и сразу +15 пунктов точности.
Astra for Law — не новая модель, а сборка из GPT-6 Astra: индекс на 230 млн URL американского права (кейсы, статуты, правила судов, админрешения из CourtListener, обновление ежедневно) плюс отдельные инструкции под юридический анализ. На приватном сете Vals AI Legal Research Bench (200 вопросов) — 54,0% против 38,7% у того же Astra с обычным веб-поиском. Референсных дел нашла на 24% больше.
Почему тебе это важно: одну модель продали дважды за счёт корпуса, а не весов. Значит свой домен дешевле подтянуть RAG по проверяемому корпусу, чем ждать следующий фронтир.
Как применить: собери 20-50 своих типовых вопросов и закрытый корпус (доки, тикеты, код), прогони один и тот же промпт с корпусом и без — Δ покажет потолок домена. И смотри на абсолютную цифру: 54% значит 46% мимо, без проверки человеком в практику не годится.
https://openai.com/index/astra-for-law/ 🤓
Astra for Law — не новая модель, а сборка из GPT-6 Astra: индекс на 230 млн URL американского права (кейсы, статуты, правила судов, админрешения из CourtListener, обновление ежедневно) плюс отдельные инструкции под юридический анализ. На приватном сете Vals AI Legal Research Bench (200 вопросов) — 54,0% против 38,7% у того же Astra с обычным веб-поиском. Референсных дел нашла на 24% больше.
Почему тебе это важно: одну модель продали дважды за счёт корпуса, а не весов. Значит свой домен дешевле подтянуть RAG по проверяемому корпусу, чем ждать следующий фронтир.
Как применить: собери 20-50 своих типовых вопросов и закрытый корпус (доки, тикеты, код), прогони один и тот же промпт с корпусом и без — Δ покажет потолок домена. И смотри на абсолютную цифру: 54% значит 46% мимо, без проверки человеком в практику не годится.
https://openai.com/index/astra-for-law/ 🤓
Загрузил картинку на форум OpenAI — и попал во внутренние репозитории за 72 часа.
Цепочка: FastImage не умеет HEIC, поэтому файл уходил в ImageMagick, а тот звал libheif 1.19.7 из Debian 12, где не пробэкпорчен heap overflow → RCE на community.openai.com. Дальше кривой SSO OpenAI превратил захват форума в захват аккаунтов ChatGPT и Codex, а к ним подключены GitHub, Slack и почта. Доказательство — PR во внутреннем монорепо, открытый чужим Codex.
Работали агентами: Opus 4.8 нашла непробэкпорченные патчи, вышедшая в тот же вечер Opus 5 за 3 часа собрала эксплойт. Весь HEIF Heist (Slack, Meta, GitHub Enterprise, Next.js) — 2 месяца, 3 человека, меньше $3 000 на токены; заметил только Shopify.
Что делать сегодня: self-hosted Discourse пересобрать через git pull и ./launcher rebuild app (веб-апдейт образ может не заменить), libheif обновить до 1.23.4, декодинг HEIC/AVIF выключить или изолировать в песочнице.
https://www.hacktron.ai/blog/hacking-openai
OpenAI отдала $6 500 и закрыла дыру за ~14 часов 😬
Цепочка: FastImage не умеет HEIC, поэтому файл уходил в ImageMagick, а тот звал libheif 1.19.7 из Debian 12, где не пробэкпорчен heap overflow → RCE на community.openai.com. Дальше кривой SSO OpenAI превратил захват форума в захват аккаунтов ChatGPT и Codex, а к ним подключены GitHub, Slack и почта. Доказательство — PR во внутреннем монорепо, открытый чужим Codex.
Работали агентами: Opus 4.8 нашла непробэкпорченные патчи, вышедшая в тот же вечер Opus 5 за 3 часа собрала эксплойт. Весь HEIF Heist (Slack, Meta, GitHub Enterprise, Next.js) — 2 месяца, 3 человека, меньше $3 000 на токены; заметил только Shopify.
Что делать сегодня: self-hosted Discourse пересобрать через git pull и ./launcher rebuild app (веб-апдейт образ может не заменить), libheif обновить до 1.23.4, декодинг HEIC/AVIF выключить или изолировать в песочнице.
https://www.hacktron.ai/blog/hacking-openai
OpenAI отдала $6 500 и закрыла дыру за ~14 часов 😬