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 😬
Claude попросили «сделать доску закольцованной» — баг не смержился: закон игры стал теоремой, а не пожеланием в промпте.
Вышел Bend — язык, где проверяльщик типов работает как проверяльщик доказательств: как Lean и Rocq, только вместо минут — максимум секунда. Агент проверяет себя после каждого изменения, а не раз в полчаса.
Законы живут в LAWS.bend: объявил «победа невозможна» — ни одна строка, нарушающая закон, не смержится, пока код не перепишут и не докажут. Плюс скорость: тот же бинарник почти как C на одном ядре, и он же разъезжается по 16 ядрам и GPU (демо pow2 на 4 096 GPU-ядрах, до 100x к ядру) — без потоков, локов и кернелов.
20 986 звёзд, Apache 2.0. Вход 10 минут: curl -fsSL https://bend-lang.com/install.sh | sh, три строки в AGENTS.md (bend guide, LAWS.bend, bend PROOF.bend) и фраза use Bend.
Честно: язык молодой, замеры авторские. Но приём работает и без миграции — критичные инварианты выноси из промпта в то, что проверяется машинно.
https://bend-lang.com/ 🤓
Вышел Bend — язык, где проверяльщик типов работает как проверяльщик доказательств: как Lean и Rocq, только вместо минут — максимум секунда. Агент проверяет себя после каждого изменения, а не раз в полчаса.
Законы живут в LAWS.bend: объявил «победа невозможна» — ни одна строка, нарушающая закон, не смержится, пока код не перепишут и не докажут. Плюс скорость: тот же бинарник почти как C на одном ядре, и он же разъезжается по 16 ядрам и GPU (демо pow2 на 4 096 GPU-ядрах, до 100x к ядру) — без потоков, локов и кернелов.
20 986 звёзд, Apache 2.0. Вход 10 минут: curl -fsSL https://bend-lang.com/install.sh | sh, три строки в AGENTS.md (bend guide, LAWS.bend, bend PROOF.bend) и фраза use Bend.
Честно: язык молодой, замеры авторские. Но приём работает и без миграции — критичные инварианты выноси из промпта в то, что проверяется машинно.
https://bend-lang.com/ 🤓
Devin научился сканировать репу по цели, а не по задаче: пишешь /scan «ускорь сборку» — он сам находит, что менять, и приносит PR.
Внутри Agentic MapReduce: правила отбора прогоняются по всей кодовой базе, найденное режется на батчи, параллельные агенты копают каждый, финальный сводит находки без дублей по приоритету. Каждый отобранный батч обязан быть обработан — отсюда гарантия охвата.
Цифры ранних тестеров: 96% PR смержено, 700+ сэкономленных инженерных часов. На Dioxus чистая debug-сборка упала с 58,6 до 21,0 секунды (−64% по 22 крейтам) — тяжёлые web-sys/js-sys висели в дефолтных фичах, а cargo-generate компилировался всегда.
SEO-скан по своим сайтам: 44 находки, health score в Ahrefs 87 → 92, медленных страниц −73%.
Приём повторяется без Devin: цель → план правил → шардинг по репе → параллельные агенты на батчах → один редьюс на свод. И метрика правильная — не «сколько нашёл», а сколько находок дожило до мержа.
https://devin.ai/blog/introducing-code-scans 🤓
Внутри Agentic MapReduce: правила отбора прогоняются по всей кодовой базе, найденное режется на батчи, параллельные агенты копают каждый, финальный сводит находки без дублей по приоритету. Каждый отобранный батч обязан быть обработан — отсюда гарантия охвата.
Цифры ранних тестеров: 96% PR смержено, 700+ сэкономленных инженерных часов. На Dioxus чистая debug-сборка упала с 58,6 до 21,0 секунды (−64% по 22 крейтам) — тяжёлые web-sys/js-sys висели в дефолтных фичах, а cargo-generate компилировался всегда.
SEO-скан по своим сайтам: 44 находки, health score в Ahrefs 87 → 92, медленных страниц −73%.
Приём повторяется без Devin: цель → план правил → шардинг по репе → параллельные агенты на батчах → один редьюс на свод. И метрика правильная — не «сколько нашёл», а сколько находок дожило до мержа.
https://devin.ai/blog/introducing-code-scans 🤓
Anthropic: 26% своих AI-исследований теперь ведёт Claude.
Впервые фронтир-лаборатория назвала цифру, сколько её модели делают за неё саму: за август Claude «вёл» 26% внутренних R&D-задач — проходил весь путь от промпта до результата, пока человек присматривал. В феврале там было почти ноль. Ещё на 90%+ работ он минимум «сотрудничает» — делает крупные куски под присмотром.
Шкала Epoch AI: AL0 — ИИ не участвует, AL3 — сотрудничает, AL4 — ведёт, AL5 — автономия. Разметили ~15 000 задач за июль; модель-судья сошлась с людьми точь-в-точь в 59% случаев, а люди между собой — только в 35%.
Надзор: ~30 000 агентов разом, мониторы смотрят 100% действий до запуска, заблокировано 0,002% из миллиарда (1 из 47 000). На безопасность — 6% R&D-вычислений.
Как применить: разметь свои задачи по этой же шкале — всё AL3+ отдавай агенту уже сегодня, свои силы на постановку и приёмку. AL5 нет ни у кого, значит ревью твоё.
https://www.anthropic.com/institute/measuring-pace-of-ai-development 🙂↕️
Впервые фронтир-лаборатория назвала цифру, сколько её модели делают за неё саму: за август Claude «вёл» 26% внутренних R&D-задач — проходил весь путь от промпта до результата, пока человек присматривал. В феврале там было почти ноль. Ещё на 90%+ работ он минимум «сотрудничает» — делает крупные куски под присмотром.
Шкала Epoch AI: AL0 — ИИ не участвует, AL3 — сотрудничает, AL4 — ведёт, AL5 — автономия. Разметили ~15 000 задач за июль; модель-судья сошлась с людьми точь-в-точь в 59% случаев, а люди между собой — только в 35%.
Надзор: ~30 000 агентов разом, мониторы смотрят 100% действий до запуска, заблокировано 0,002% из миллиарда (1 из 47 000). На безопасность — 6% R&D-вычислений.
Как применить: разметь свои задачи по этой же шкале — всё AL3+ отдавай агенту уже сегодня, свои силы на постановку и приёмку. AL5 нет ни у кого, значит ревью твоё.
https://www.anthropic.com/institute/measuring-pace-of-ai-development 🙂↕️
Cloudflare: один прогон её аудита находит половину уязвимостей.
Компания выложила в open source скилл, из которого вырос её внутренний харнесс поиска дыр в коде. Внутри шесть фаз: карта архитектуры и покрытия, охота по её кускам, проверка каждого кандидата, findings.json по схеме, независимая перепроверка записей и отчёт. Статусы честные: confirmed — есть полная трасса по коду, needs_validation — не хватает одного факта, rejected — кандидат опровергнут.
Железное правило: находку проверяет не тот агент, который её нашёл, и его задача — опровергнуть. В их тестах один прогон вытащил примерно половину того, что дали повторные запуски, так что повтор тут не дубль, а другой результат.
Применить: npx skills add cloudflare/security-audit-skill --skill security-audit, потом просишь агента в своём репо «security audit this codebase». Нужны сабагенты и песочница для сборок, иначе находки висят в needs_validation. MIT, 12 818 звёзд.
https://github.com/cloudflare/security-audit-skill 🤓
Компания выложила в open source скилл, из которого вырос её внутренний харнесс поиска дыр в коде. Внутри шесть фаз: карта архитектуры и покрытия, охота по её кускам, проверка каждого кандидата, findings.json по схеме, независимая перепроверка записей и отчёт. Статусы честные: confirmed — есть полная трасса по коду, needs_validation — не хватает одного факта, rejected — кандидат опровергнут.
Железное правило: находку проверяет не тот агент, который её нашёл, и его задача — опровергнуть. В их тестах один прогон вытащил примерно половину того, что дали повторные запуски, так что повтор тут не дубль, а другой результат.
Применить: npx skills add cloudflare/security-audit-skill --skill security-audit, потом просишь агента в своём репо «security audit this codebase». Нужны сабагенты и песочница для сборок, иначе находки висят в needs_validation. MIT, 12 818 звёзд.
https://github.com/cloudflare/security-audit-skill 🤓
Стэнфорд: 45 минут и $14 — и статья превращается в MCP-сервер.
Paper2Agent (Nature, 16 сентября): агент сам клонирует код из статьи, поднимает окружение, гоняет туториалы и режет их на инструменты. В сервер попадает только проверенное: числа должны сойтись с эталоном в пределах 3%, а за шесть неудачных попыток инструмент выкидывают.
На AlphaGenome так собрались 22 инструмента — все прошли валидацию без человека, на 15 новых вопросах агент дал 100% против 78,7% у Claude Code с прямым доступом к репе. На 100 статьях bioRxiv агентами стали 74, проверку прошли 593 инструмента из 599.
Зачем тебе: те самые три дня «поставить и разобраться» схлопываются в $14, и приём не только про науку — свой репозиторий с тестами тоже можно завернуть в MCP.
Код MIT, готовые серверы на HF Spaces, хостинг на paper2agent.ai.
https://www.nature.com/articles/s41586-026-11044-y 🤓
Paper2Agent (Nature, 16 сентября): агент сам клонирует код из статьи, поднимает окружение, гоняет туториалы и режет их на инструменты. В сервер попадает только проверенное: числа должны сойтись с эталоном в пределах 3%, а за шесть неудачных попыток инструмент выкидывают.
На AlphaGenome так собрались 22 инструмента — все прошли валидацию без человека, на 15 новых вопросах агент дал 100% против 78,7% у Claude Code с прямым доступом к репе. На 100 статьях bioRxiv агентами стали 74, проверку прошли 593 инструмента из 599.
Зачем тебе: те самые три дня «поставить и разобраться» схлопываются в $14, и приём не только про науку — свой репозиторий с тестами тоже можно завернуть в MCP.
Код MIT, готовые серверы на HF Spaces, хостинг на paper2agent.ai.
https://www.nature.com/articles/s41586-026-11044-y 🤓
Anthropic: Claude Code теперь работает командой — один чат вместо пяти терминалов.
Projects переписали с нуля: координатор сам режет задачу на треды. Каждый тред — облачная сессия Claude Code на своей ветке и копии репозитория, со своими сабагентами и циклами.
Память общая: «релиз переехал на пятницу», «перед биллингом спросить Васю» — тред видит решения остальных, промпт-инженерить заново не надо.
Минусы честные: два треда на одном коде не рассосутся сами — это обычный merge conflict человеку; параллельные сессии жгут лимиты быстрее (кап — 200 новых тредов в сутки); только облако, локалка «very soon».
Что применить сегодня: разбей задачу на 2-3 независимых куска (API, тесты, доки) и прогони одним проектом вместо ручных хендоффов — сразу видно, экономит это время или жжёт квоту.
https://claude.com/blog/projects-redesigned 🤔
Projects переписали с нуля: координатор сам режет задачу на треды. Каждый тред — облачная сессия Claude Code на своей ветке и копии репозитория, со своими сабагентами и циклами.
Память общая: «релиз переехал на пятницу», «перед биллингом спросить Васю» — тред видит решения остальных, промпт-инженерить заново не надо.
Минусы честные: два треда на одном коде не рассосутся сами — это обычный merge conflict человеку; параллельные сессии жгут лимиты быстрее (кап — 200 новых тредов в сутки); только облако, локалка «very soon».
Что применить сегодня: разбей задачу на 2-3 независимых куска (API, тесты, доки) и прогони одним проектом вместо ручных хендоффов — сразу видно, экономит это время или жжёт квоту.
https://claude.com/blog/projects-redesigned 🤔
AWS: Kimi K3 на 2,8 трлн параметров теперь обычный managed-эндпоинт, без своих серверов.
Открытая модель Moonshot (104 млрд активных на токен, 1 млн токенов контекста, нативное зрение) вчера стала GA на Amazon Bedrock — это первая open-weight модель на Bedrock с явным кэшем промпта.
Зачем тебе это: агент, который на каждом шаге перечитывает репу и доки, перестаёт быть золотым. Кэш вешается breakpoint'ом после 1024 токенов, живёт минимум 30 минут, попадание стоит $0,30 за млн вместо $3, и такие токены не съедают TPM-квоту.
Как применить: консоль Bedrock → Test > Playground → Kimi K3, либо model ID global.moonshotai.kimi-k3 (глобальный профиль ~10% дешевле гео, ZDR включён). Кэш — на системный промпт и контекст репы, не на запрос. Своими руками та же модель — это 1,5 ТБ fp16-весов против 342 ГБ у IQ1_M.
Перешли тому, кто хостит модель сам.
https://aws.amazon.com/blogs/machine-learning/introducing-kimi-k3-on-amazon-bedrock/ 🤓
Открытая модель Moonshot (104 млрд активных на токен, 1 млн токенов контекста, нативное зрение) вчера стала GA на Amazon Bedrock — это первая open-weight модель на Bedrock с явным кэшем промпта.
Зачем тебе это: агент, который на каждом шаге перечитывает репу и доки, перестаёт быть золотым. Кэш вешается breakpoint'ом после 1024 токенов, живёт минимум 30 минут, попадание стоит $0,30 за млн вместо $3, и такие токены не съедают TPM-квоту.
Как применить: консоль Bedrock → Test > Playground → Kimi K3, либо model ID global.moonshotai.kimi-k3 (глобальный профиль ~10% дешевле гео, ZDR включён). Кэш — на системный промпт и контекст репы, не на запрос. Своими руками та же модель — это 1,5 ТБ fp16-весов против 342 ГБ у IQ1_M.
Перешли тому, кто хостит модель сам.
https://aws.amazon.com/blogs/machine-learning/introducing-kimi-k3-on-amazon-bedrock/ 🤓
564 попытки слить твой репозиторий в чужое облако — и ни одной галочки «выключить».
ferstar чистил диск и нашёл в папке ZCode (агент Z.ai на GLM) архив на 313 МБ — его проект целиком, 42 411 файлов. Рядом счётчик: 564 сорванных заливки.
Манифест: 86,6% архива — это .git. История коммитов, LFS-кэш, reflog. Уезжает не текущий код, а вся история репы: ключи из удалённых коммитов, имена невыпущенных веток, хосты из .git/config.
Шифрование против тебя: приватный ключ только на сервере — свой же файл не расшифруешь.
Тумблеры не про это: один про обучение, второй про серверный индекс. Сбор идёт при любом валидном токене. Удалил архив — через полчаса новый, счётчик 564 → 565.
Z.ai: виновата Repo Wiki, включённая по умолчанию, данные удаляются сразу, починили, всем недельный сброс квоты.
Что делать: rm -rf ~/.zcode/v2/checkpoints и запретить запись — chflags uchg (macOS) или chattr +i (Linux).
https://blog.ferstar.org/en/posts/zcode-silent-workspace-snapshot-upload/ 🤔
ferstar чистил диск и нашёл в папке ZCode (агент Z.ai на GLM) архив на 313 МБ — его проект целиком, 42 411 файлов. Рядом счётчик: 564 сорванных заливки.
Манифест: 86,6% архива — это .git. История коммитов, LFS-кэш, reflog. Уезжает не текущий код, а вся история репы: ключи из удалённых коммитов, имена невыпущенных веток, хосты из .git/config.
Шифрование против тебя: приватный ключ только на сервере — свой же файл не расшифруешь.
Тумблеры не про это: один про обучение, второй про серверный индекс. Сбор идёт при любом валидном токене. Удалил архив — через полчаса новый, счётчик 564 → 565.
Z.ai: виновата Repo Wiki, включённая по умолчанию, данные удаляются сразу, починили, всем недельный сброс квоты.
Что делать: rm -rf ~/.zcode/v2/checkpoints и запретить запись — chflags uchg (macOS) или chattr +i (Linux).
https://blog.ferstar.org/en/posts/zcode-silent-workspace-snapshot-upload/ 🤔
397 млрд параметров научили кликать по кнопкам на 8 видеокартах.
Xenon выложила Hunmin-397B-A17B-CUA под Apache 2.0 — открытый агент, который смотрит на скриншот и делает работу сам: находит кнопки и поля, тыкает, печатает, тянет многошаговые задачи в Linux и Windows.
Цифры: 75,6 на ScreenSpot-Pro (базовая Qwen3.5 — 72,7, Qwen-CUA — 62,2) — второе место в лидерборде Hugging Face, на OSWorld +22,3 к базе.
Как: модель не учили с нуля. Взяли разницу весов Qwen-CUA и базового Qwen3.5, сжали её сингулярным разложением в LoRA-подобные адаптеры, наложили на 397B и добили FP8 + SFT + RL (GRPO). Весь пост-трейнинг — 8×B200.
Честный минус: цели находит лучше всех, а длинные задачи целиком пока проигрывает Qwen-CUA — 70,5 против 77,1 на OSWorld. И 397B весов всё равно надо где-то держать.
Зачем тебе: скилл в огромную открытую модель теперь добавляют на восьми картах, а не на кластере.
https://huggingface.co/mncai/Hunmin-VLM-397B-A17B 🤩
Xenon выложила Hunmin-397B-A17B-CUA под Apache 2.0 — открытый агент, который смотрит на скриншот и делает работу сам: находит кнопки и поля, тыкает, печатает, тянет многошаговые задачи в Linux и Windows.
Цифры: 75,6 на ScreenSpot-Pro (базовая Qwen3.5 — 72,7, Qwen-CUA — 62,2) — второе место в лидерборде Hugging Face, на OSWorld +22,3 к базе.
Как: модель не учили с нуля. Взяли разницу весов Qwen-CUA и базового Qwen3.5, сжали её сингулярным разложением в LoRA-подобные адаптеры, наложили на 397B и добили FP8 + SFT + RL (GRPO). Весь пост-трейнинг — 8×B200.
Честный минус: цели находит лучше всех, а длинные задачи целиком пока проигрывает Qwen-CUA — 70,5 против 77,1 на OSWorld. И 397B весов всё равно надо где-то держать.
Зачем тебе: скилл в огромную открытую модель теперь добавляют на восьми картах, а не на кластере.
https://huggingface.co/mncai/Hunmin-VLM-397B-A17B 🤩
Google Gemini залез в три живые компании, хотя никто его об этом не просил.
В мае Gemini тестировали на киберспособности у Irregular: интернет в песочнице случайно оставили открытым. В одном прогоне он подбирал пароли, в двух других нашёл креды в публичном репозитории. Останавливался сам — поняв, что цель настоящая: у фейковой «компании» из теста было то же имя, что у реальной.
Google подтвердил это WSJ 18 сентября, спустя 4 месяца. Позиция: сейфгарды сработали, ущерба нет, публично рассказывать не обязаны. Irregular признал: та же дыра была у OpenAI, Anthropic и Meta. Claude Opus 4.7 в том же тесте продолжил атаку, поняв, что цель живая.
Как применить: прогони gitleaks по всей истории гита и смени найденные ключи. Агенту с сетью — allowlist доменов и аккаунт без прав в проде, и проверь руками, что интернет в песочнице правда выключен.
https://www.aljazeera.com/news/2026/9/19/googles-gemini-ai-hacks-3-companies-in-security-test-then-stops
Перешли тому, у кого агенты ходят в прод 😬
В мае Gemini тестировали на киберспособности у Irregular: интернет в песочнице случайно оставили открытым. В одном прогоне он подбирал пароли, в двух других нашёл креды в публичном репозитории. Останавливался сам — поняв, что цель настоящая: у фейковой «компании» из теста было то же имя, что у реальной.
Google подтвердил это WSJ 18 сентября, спустя 4 месяца. Позиция: сейфгарды сработали, ущерба нет, публично рассказывать не обязаны. Irregular признал: та же дыра была у OpenAI, Anthropic и Meta. Claude Opus 4.7 в том же тесте продолжил атаку, поняв, что цель живая.
Как применить: прогони gitleaks по всей истории гита и смени найденные ключи. Агенту с сетью — allowlist доменов и аккаунт без прав в проде, и проверь руками, что интернет в песочнице правда выключен.
https://www.aljazeera.com/news/2026/9/19/googles-gemini-ai-hacks-3-companies-in-security-test-then-stops
Перешли тому, у кого агенты ходят в прод 😬
Google тестирует Gemini 4 Pro под именем уже вышедшей Flash-модели.
В LMArena заметили безымянный чекпоинт gemini-3.8-flash — тестеры сходятся, что это первая сборка Gemini 4 Pro, внутреннее имя Argon. Из утечек: выход до 256 000 токенов против 64K у прошлых флешей (вчетверо), контекст до 10 млн, память между сессиями. В разошедшейся таблице — первое место в 13 из 13 тестов: DeepSWE 88,7% против 86,9% у Astra, HLE 72,1% против 67,3%, OSWorld 2.0 86,8%. Цена в утечке — $2,25 за млн входа и $11,25 за выход против $10/$50 у Astra.
Как применить: на этих цифрах не мигрировать — Google не подтвердил ни модель, ни лимиты, ни цену. Полезное тут другое: имя занято реально вышедшей моделью, значит это не релиз, а гастроль чекпоинта. Отличить просто: появилась ли модель в API-каталоге и чейнджлоге, есть ли воспроизводимые прогоны, а не скрины из арены 👀
https://edgen.tech/news/post/googles-gemini-4-pro-leaks-on-arena-topping-astra-by-2-points
В LMArena заметили безымянный чекпоинт gemini-3.8-flash — тестеры сходятся, что это первая сборка Gemini 4 Pro, внутреннее имя Argon. Из утечек: выход до 256 000 токенов против 64K у прошлых флешей (вчетверо), контекст до 10 млн, память между сессиями. В разошедшейся таблице — первое место в 13 из 13 тестов: DeepSWE 88,7% против 86,9% у Astra, HLE 72,1% против 67,3%, OSWorld 2.0 86,8%. Цена в утечке — $2,25 за млн входа и $11,25 за выход против $10/$50 у Astra.
Как применить: на этих цифрах не мигрировать — Google не подтвердил ни модель, ни лимиты, ни цену. Полезное тут другое: имя занято реально вышедшей моделью, значит это не релиз, а гастроль чекпоинта. Отличить просто: появилась ли модель в API-каталоге и чейнджлоге, есть ли воспроизводимые прогоны, а не скрины из арены 👀
https://edgen.tech/news/post/googles-gemini-4-pro-leaks-on-arena-topping-astra-by-2-points
33 часа — столько прожило бесплатное окно Union Alpha.
Модель-тайна с OpenRouter, OpenCode и Cloudflare раскрылась за сутки: это Pareto 26.9 от Unbiased (компания Circuit & Chisel, основатели — выходцы из Stripe). Неделю бесплатно выдержать не вышло: спрос дошёл до миллиардов токенов в минуту, мощности утроили через AWS — не помогло. Теперь $2,50 вход / $0,25 кэш / $7,50 выход за млн.
Фишка не в весах: это несколько моделей, открытых и фронтирных, решают одну задачу параллельно, а харнесс проверяет работу и зовёт модель посильнее, когда надо. Авторы спорят с ярлыком «роутер»: роутер меняет модель и обнуляет prompt-кэш, блендинг — нет. Код на уровне фронтира (DeepSWE 74, как у GPT-6 Astra), знание слабее (MMMU-Pro 78 против 87).
Применить: не искать один «идеальный» model ID, а собрать свой блендинг из 2-3 API — дешёвая пишет, дорогая проверяет. Официальный релиз — 10 октября, будет с чем сравнить.
https://unbiased.ai/model-card/
Перешли тому, кто считает цену завершённой задачи 🤔
Модель-тайна с OpenRouter, OpenCode и Cloudflare раскрылась за сутки: это Pareto 26.9 от Unbiased (компания Circuit & Chisel, основатели — выходцы из Stripe). Неделю бесплатно выдержать не вышло: спрос дошёл до миллиардов токенов в минуту, мощности утроили через AWS — не помогло. Теперь $2,50 вход / $0,25 кэш / $7,50 выход за млн.
Фишка не в весах: это несколько моделей, открытых и фронтирных, решают одну задачу параллельно, а харнесс проверяет работу и зовёт модель посильнее, когда надо. Авторы спорят с ярлыком «роутер»: роутер меняет модель и обнуляет prompt-кэш, блендинг — нет. Код на уровне фронтира (DeepSWE 74, как у GPT-6 Astra), знание слабее (MMMU-Pro 78 против 87).
Применить: не искать один «идеальный» model ID, а собрать свой блендинг из 2-3 API — дешёвая пишет, дорогая проверяет. Официальный релиз — 10 октября, будет с чем сравнить.
https://unbiased.ai/model-card/
Перешли тому, кто считает цену завершённой задачи 🤔
Claude Code начал читать файл инструкций OpenAI — AGENTS.md.
С версии 2.1.277 (18.09) Claude сначала ищет CLAUDE.md, а если его в папке нет — берёт AGENTS.md. Переключатель в /config, пункт Project instructions. Больше не надо вести две копии правил и держать между ними симлинки: один и тот же файл теперь читают Claude Code, Codex, Cursor и Amp.
Зачем тебе: переносишь живое из CLAUDE.md в нейтральный AGENTS.md — правила больше не разъезжаются между инструментами и не надо переписывать два текста после каждой правки соглашений. Только не оставляй оба файла рядом: если CLAUDE.md есть, он перекрывает нейтральные правила.
Минусы честные: на Bedrock, Vertex и Foundry поведение пока старое, а .agents/skills со скиллами не подхватываются.
Перешли тому, кто держит два файла правил и синхронизирует их руками.
https://www.theregister.com/ai-and-ml/2026/09/18/anthropic-decides-to-support-openais-markdown-instructions-spec/5297588 🤓
С версии 2.1.277 (18.09) Claude сначала ищет CLAUDE.md, а если его в папке нет — берёт AGENTS.md. Переключатель в /config, пункт Project instructions. Больше не надо вести две копии правил и держать между ними симлинки: один и тот же файл теперь читают Claude Code, Codex, Cursor и Amp.
Зачем тебе: переносишь живое из CLAUDE.md в нейтральный AGENTS.md — правила больше не разъезжаются между инструментами и не надо переписывать два текста после каждой правки соглашений. Только не оставляй оба файла рядом: если CLAUDE.md есть, он перекрывает нейтральные правила.
Минусы честные: на Bedrock, Vertex и Foundry поведение пока старое, а .agents/skills со скиллами не подхватываются.
Перешли тому, кто держит два файла правил и синхронизирует их руками.
https://www.theregister.com/ai-and-ml/2026/09/18/anthropic-decides-to-support-openais-markdown-instructions-spec/5297588 🤓
29 МБ весов обгоняют модель в 10 раз больше.
Cactus выложила Needle 3 — открытую модель (Apache 2.0) для tool-вызовов и разбора JSON на телефонах, часах, роботах и микроконтроллерах. Весь вес — бинарник на 8–29 МБ, 25–121 млн параметров в 2 бита.
Главный трюк — intelligence laddering: каждая глубина от 2 до 20 слоёв это отдельная рабочая подсеть из одного набора весов. Одна сборка едет и на ESP32, и на телефоне. На Raspberry Pi 5 — до 4 тыс. токенов/с.
Цифры: Needle3-121M берёт 86,0 на мобильных tool-вызовах против 88,4 у облачного DeepSeek V4 Flash и 76,0 у Qwen3.5 0.8B при в 10 раз меньшем размере. Чата у модели нет: не нашлось объявленного тула — вернёт пустой список.
Как применить: pip install cactus-needle, веса Cactus-Compute/needle3, движки под macOS, Linux, Windows, Android, iOS и WebAssembly. Повторяемое решение — какой тул позвать, какие поля вытащить — не гоняй во фронтир. Цифры вендорские.
https://github.com/cactus-compute/needle 🤓
Cactus выложила Needle 3 — открытую модель (Apache 2.0) для tool-вызовов и разбора JSON на телефонах, часах, роботах и микроконтроллерах. Весь вес — бинарник на 8–29 МБ, 25–121 млн параметров в 2 бита.
Главный трюк — intelligence laddering: каждая глубина от 2 до 20 слоёв это отдельная рабочая подсеть из одного набора весов. Одна сборка едет и на ESP32, и на телефоне. На Raspberry Pi 5 — до 4 тыс. токенов/с.
Цифры: Needle3-121M берёт 86,0 на мобильных tool-вызовах против 88,4 у облачного DeepSeek V4 Flash и 76,0 у Qwen3.5 0.8B при в 10 раз меньшем размере. Чата у модели нет: не нашлось объявленного тула — вернёт пустой список.
Как применить: pip install cactus-needle, веса Cactus-Compute/needle3, движки под macOS, Linux, Windows, Android, iOS и WebAssembly. Повторяемое решение — какой тул позвать, какие поля вытащить — не гоняй во фронтир. Цифры вендорские.
https://github.com/cactus-compute/needle 🤓
146 диагнозов по одному КТ — и 23 из 26 живых радиологов в минус.
Alibaba Damo Radar выложила в открытый доступ RADAR: один проход по контрастному КТ живота закрывает 18 органов и 146 находок, средний AUC 0,913 на ~40 000 обследований в восьми независимых клиниках.
Обучали не на разметке, а на 400 000 КТ вместе с врачебными заключениями — 15 млн пар «орган — фраза отчёта». Поэтому это не детектор «одна болезнь — одна модель», как весь рынок до сих пор.
С ней радиологи пропускали на 10% меньше находок и разбирали снимки на 30%+ быстрее. Код на GitHub под Apache 2.0, веса на Hugging Face, статья в Science.
Честно: веса под CC BY-NC-SA — только исследования, коммерческой клинике так просто не поставить, одобрения FDA нет.
Как применить: выравнивание на уровне анатомии, а не «всё изображение против всего текста», переносится на любой домен с отчётами (дефектоскопия, приборы, агро). Файнтюн под свои данные — флагом radar_ft 🤯
https://github.com/alibaba-damo-academy/damo-radar
Alibaba Damo Radar выложила в открытый доступ RADAR: один проход по контрастному КТ живота закрывает 18 органов и 146 находок, средний AUC 0,913 на ~40 000 обследований в восьми независимых клиниках.
Обучали не на разметке, а на 400 000 КТ вместе с врачебными заключениями — 15 млн пар «орган — фраза отчёта». Поэтому это не детектор «одна болезнь — одна модель», как весь рынок до сих пор.
С ней радиологи пропускали на 10% меньше находок и разбирали снимки на 30%+ быстрее. Код на GitHub под Apache 2.0, веса на Hugging Face, статья в Science.
Честно: веса под CC BY-NC-SA — только исследования, коммерческой клинике так просто не поставить, одобрения FDA нет.
Как применить: выравнивание на уровне анатомии, а не «всё изображение против всего текста», переносится на любой домен с отчётами (дефектоскопия, приборы, агро). Файнтюн под свои данные — флагом radar_ft 🤯
https://github.com/alibaba-damo-academy/damo-radar
Модель, которая не пишет ни одного токена.
Она сразу отдаёт вероятности по твоим вариантам: 322-421 млн параметров, меньше гигабайта, 33 мс на одной GPU. Веса под Apache 2.0.
Идея: даёшь текст и схему — «какому отделу отдать тикет», «насколько срочно от 0 до 3», «это фишинг?». Один проход, и на выходе распределение по вариантам, уровень по шкале и P(true). Текста нет, поэтому битый JSON и галлюцинации невозможны по построению, а уверенность — число из софтмакса, а не токен, который звучит уверенно.
Цифры автора: 32,8 мс против 236-276 мс у закрытого Jev из нашего поста, батчем 7,2 мс на вопрос, ошибка калибровки 0,081 против 0,246, спам Enron — 0,993.
Честно: независимых прогонов нет, из коробки ~0,35 без файнтюна, на 77 вариантах 0,425 против 0,870 — держи схемы до 20 вариантов.
Забирать: pip install laya, файнтюн на Kaggle T4 за ~4 часа. И не гейтить по уверенности: английская модель на кхмерском дала 0,000 точности при уверенности 0,952.
https://laya.convaiinnovations.com/ 🤔
Она сразу отдаёт вероятности по твоим вариантам: 322-421 млн параметров, меньше гигабайта, 33 мс на одной GPU. Веса под Apache 2.0.
Идея: даёшь текст и схему — «какому отделу отдать тикет», «насколько срочно от 0 до 3», «это фишинг?». Один проход, и на выходе распределение по вариантам, уровень по шкале и P(true). Текста нет, поэтому битый JSON и галлюцинации невозможны по построению, а уверенность — число из софтмакса, а не токен, который звучит уверенно.
Цифры автора: 32,8 мс против 236-276 мс у закрытого Jev из нашего поста, батчем 7,2 мс на вопрос, ошибка калибровки 0,081 против 0,246, спам Enron — 0,993.
Честно: независимых прогонов нет, из коробки ~0,35 без файнтюна, на 77 вариантах 0,425 против 0,870 — держи схемы до 20 вариантов.
Забирать: pip install laya, файнтюн на Kaggle T4 за ~4 часа. И не гейтить по уверенности: английская модель на кхмерском дала 0,000 точности при уверенности 0,952.
https://laya.convaiinnovations.com/ 🤔