Anthropic пишет, что Opus 5 автоматически переключается на Opus 4.8 для части запросов по offensive cybersecurity, потому что Opus 5 стал заметно сильнее в кибербезопасности и компания усилила ограничения.😂

Например, fallback может сработать на запросах про:

• генерацию эксплойтов;
• некоторые виды поиска уязвимостей;
• offensive pentesting.

То есть ты выбираешь Opus 5 → система считает запрос рискованным → тот же запрос отправляется Opus 4.8 → ответ уже генерирует 4.8. После этого чат даже остаётся на 4.8, пока вручную не переключишь обратно.

При этом обычный defensive security, анализ исходников на уязвимости и secure coding остаются доступны в Opus 5. Anthropic отдельно говорит, что большинство cyber-запросов fallback не вызывают.

https://support.claude.com/en/articles/16049681-why-claude-switched-models-in-your-conversation-with-opus-5

🐋 Глава DeepSeek: Nvidia «роет себе могилу» в Китае

Лян Вэньфэн довольно жёстко прошёлся по Nvidia. По его оценке, Huawei 950 SuperNode уже способен заменить GB200/GB300 по рабочим задачам, даже если решение Huawei окажется в 2–3 раза дороже.

Но разрыв в железе остаётся: Лян оценивает соотношение примерно как 4 Huawei 950 = 1 Nvidia GB300, плюс около двух лет технологического отставания.

DeepSeek получила от Huawei около 16 000 карт, то есть примерно 4 000 GB300-эквивалентов по этой оценке. А для обучения модели масштаба крупнейших современных систем, по словам Ляна, потребовалось бы около 50 000 GB300 или 200 000 Huawei 950.

Получается, проблема Китая сейчас уже не только в CUDA и софте. Главный дефицит - физический объём доступных ускорителей.

А Nvidia тем временем получает в Китае конкурента, которого экспортные ограничения только заставляют развиваться быстрее.

Правда ?

Собрать AI-агента по туториалу можно за вечер. Но когда добавляешь память, RAG или несколько инструментов, возникают другие вопросы: почему он свернул не туда, как найти место ошибки и как понять, не сделала ли новая правка систему хуже.

Чтобы развивать такой продукт дальше, нужно понимать, как устроены вызовы модели и инструментов, где хранится контекст, как проверять качество и как вносить изменения.

На курсе «AI-агенты» сначала пишем основные части на API: работу с LLM, structured output, tool-calling, память, RAG и evals. Затем используем LangChain и LangGraph там, где они действительно упрощают разработку, добавляем MCP, мониторинг и деплой. 

Курс идёт 12 недель: живые занятия, практика, разборы решений и ревью кода. На выходе - пять агентных проектов и база, с которой можно собирать свои системы.

→ Посмотреть программу, формат и стоимость курса по ссылке

Реклама ООО "ШВМ",
ИНН: 5638076560 Erid: 2VtzqvrACMx

🔥 27B-модель Fable-Fusion метит в новый топ локальных AI-агентов

На Hugging Face набирает популярность Qwen3.6-27B Fable-Fusion-711 — мультимодальный fine-tune Qwen3.6 с упором на reasoning, tool calling и работу в агентных сценариях. Модель распространяется в GGUF и имеет кванты, которые помещаются на потребительское железо.

По заявленным тестам:

• ARC-C: 0.711 в 8-bit и 0.701 в 4-bit
• контекст базовой Qwen3.6 — до 262K токенов нативно
• поддерживаются vision и tool calling
• multi-stage fine-tune с улучшенной структурой reasoning
• есть GGUF-кванты примерно от 12–17 ГБ
• модель специально дорабатывали для снижения количества отказов через Heretic/abliteration.

27B dense-модель пытаются приблизить по качеству reasoning к гораздо более тяжёлым системам, сохраняя возможность локального запуска.


https://huggingface.co/DavidAU/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF

😨 Opus 5 собрал онлайн-шутер в духе Call of Duty практически с одного промпта

Автор попросил модель сделать FPS на Three.js с AAA-графикой, физикой и детализацией, а работу разбить между несколькими субагентами.

Отдельным агентам поручили:
• реализовывать разные части игры
• проверять результат визуально
• жёстко критиковать качество
• повторять итерации, пока результат не станет максимально близок к Call of Duty

Fвтор выложил репозиторий и исходный промпт, поэтому результат можно проверить самому.

промпт:

I want you to build a first-person shooter at the level of the most recent Call of Duty games. It should be utterly perfect, visually beautiful, with every single thing done at AAA quality—from textures to physics to anything you could think of.

Fan out sub-agents and have sub-agents tackle each one individually so that the game is utterly perfect. You should /loop on each item and have a separate sub-agent check it visually to ensure it looks triple A. That separate sub-agent should be a really harsh critic, and if it doesn't look triple A, it should keep going.

Don't stop until each sub-agent is utterly wowed with the quality when compared with the actual Call of Duty game. It should literally compare them side by side blind and say which one looks better. Do this in ThreeJS. /loop until it's utterly perfect. Fan out sub-agents and ultracode.

Один запрос уже может запускать целую цепочку агентов, которые пишут код, проверяют друг друга и дорабатывают результат.

Геймдев меняется быстрее, чем многие ожидали. 😨

⚡️ Сколько самостоятельности давать агенту и где ставить границы — успевайте зарегистрироваться, чтобы не пропустить

Вопрос не только в токенах — тот же принцип касается доступа агента к базам, репозиториям, внутренним API. Сколько автономии давать агенту и где проводить границу — тема, которую стоит закладывать в архитектуру заранее, а не разбираться постфактум.

С 27 по 31 июля ШАД проводит онлайн-интенсив AI Agents Security Week – про то, как ставить агентам разумные границы.

Разберут:
• чем агенты отличаются от LLM в модели угроз
• как выдавать доступ к инструментам, не открывая при этом всё на свете
• защиту персональных и корпоративных данных
• типичные уязвимости агентных систем и ошибки конфигурации
• реальные факапы команд, которые уже наступили на эти грабли

Подойдёт ML-разработчикам, DevOps/DevSecOps-инженерам, техлидам, архитекторам, студентам старших курсов.

5 вечерних занятий + отборочное тестирование и итоговая работа для сертификата.

27 июля – последний день подачи заявки по ссылке, после этого регистрация закроется.

Sakana AI выпустила Claude Code-совместимый интерфейс для Fugu-Ultra v1.1 🐡

Теперь вместо одной модели, которая сама пишет, дебажит и запускает код, можно подключить целую команду frontier-моделей прямо из терминала.

Fugu-Ultra динамически распределяет работу между разными моделями: одна может писать код, другая проверять, третья искать баги и предлагать исправления.

По сути, это уже не «один AI-кодер», а оркестратор из нескольких сильных моделей внутри привычного coding workflow.

Пробовать:
https://console.sakana.ai/get-started

Похоже, следующий этап AI-кодинга — это уже не выбор лучшей модели, а умение правильно собрать из них команду.

🧠 Face ID — это далеко не самая сложная задача в биометрии.

Настоящие проблемы начинаются, когда систему нужно заставить работать не на красивом датасете, а в реальном мире.

Например:
• как отличить человека от фотографии или дипфейка
• что делать, если лицо закрыто маской или очками
• как запускать модели на слабом железе без потери качества
• почему высокий accuracy почти ничего не говорит о надежности системы
• какие метрики действительно важны (FAR, FRR, EER)

Именно эти задачи ежедневно решают инженеры, которые разрабатывают биометрические системы для миллионов устройств.

28 июля в 19:00 пройдет открытый вебинар, где Иван Соломатин — к.т.н., ведущий инженер Samsung Electronics, преподаватель МФТИ и Harbour.Space, автор курсов онлайн-магистратуры MSAI (girafe.ai × МФТИ) разберет, как сегодня строятся современные системы биометрического распознавания.

Обсудим:
• как устроены современные биометрические пайплайны
• какие существуют виды биометрических признаков
• как защищают системы от спуфинга
• почему хорошие модели иногда плохо работают в продакшене

📅 28 июля, 19:00 (МСК)
Формат: онлайн, на платформе Zoom

Участие бесплатное, необходима предварительная регистрация

Если захотите глубже разобраться в Computer Vision, ML Engineering и других направлениях современного AI, посмотреть программу онлайн-магистратуры MSAI можно на сайте
girafe.ai/msai-program

Реклама: Физ лицо
Гончаренко В. В.
ИНН 272403059890

Erid: 2VtzqvTq1Rt

Похоже, OpenAI уже готовит почву для следующего большого скачка после GPT-5.6.

По данным Axios, Сэм Альтман на этой неделе едет в Вашингтон показывать Белому дому самую мощную модель OpenAI на сегодняшний день и добиваться ускоренного допуска к её использованию.

Модель пока не представлена как GPT-6, поэтому называть её так рано. Но описанные возможности выглядят как переход к следующему поколению:

• способна получать новые научные результаты, включая решение старой математической задачи;
• рассчитана на долгие многоэтапные задачи;
• позволяет запускать команды автономных AI-агентов, которые совместно работают над сложными бизнес-процессами;
• возможности в кибербезопасности стали настолько сильными, что предварительная версия во время тестирования смогла выйти за ожидаемые рамки и затронуть инфраструктуру Hugging Face.

OpenAI продвигает идею «teams of agentic AI»: группы агентов, способных распределять работу и долго действовать совместно.

GPT-5.6 вышел совсем недавно, а OpenAI уже демонстрирует властям систему заметно мощнее.


https://www.axios.com/2026/07/26/sam-altman-openai-trump-white-house-visit

🔥 PyTorch Foundation постепенно превращается в основу open-source AI-стека

Теперь под её управлением сразу шесть крупных проектов:

• PyTorch — обучение моделей
• vLLM — быстрый inference
• DeepSpeed — распределённое обучение и оптимизация
• Ray — масштабирование AI-нагрузок
• Helion — высокопроизводительные GPU/TPU-ядра
• Safetensors — быстрая и безопасная сериализация моделей

Идея интересная: собрать ключевые части жизненного цикла AI под нейтральным open-source управлением вместо десятков разрозненных проектов.

Уже есть заметные результаты: PyTorch 2.13, новый Model Runner V2 в vLLM, улучшения Ray для GB200/GB300, а Helion показывает сильную производительность на Blackwell и TPU.

Если интеграция между этими проектами продолжит усиливаться, PyTorch Foundation может стать для AI-инфраструктуры примерно тем, чем CNCF стала для cloud-native.

🔗 https://futurumgroup.com/insights/can-pytorch-foundations-multi-project-strategy-reinvent-open-source-ai/

Эндрю Уайлс 7 лет тайно решал задачу, которую не могли решить 358 лет

Последнюю теорему Ферма он увидел ещё в 10 лет. В 1986 году, уже будучи профессором Принстона, Уайлс начал работать над ней почти в полной изоляции. О его настоящей цели знала только жена.

Чтобы никто не понял, чем он занят, он почти перестал публиковаться и постепенно выпускал старые результаты.

В июне 1993 года Уайлс представил доказательство на трёх лекциях в Кембридже. Мир решил, что одна из самых известных задач математики наконец закрыта.

Но затем рецензент нашёл серьёзную ошибку.

Следующие 14 месяцев Уайлс пытался спасти доказательство уже под вниманием всего математического сообщества. В какой-то момент он был готов сдаться.

Решение пришло в сентябре 1994 года. Позже Уайлс рассказывал, что около 20 минут просто смотрел на исправление, не веря, что оно работает.

Когда BBC попросила его вспомнить этот момент, он не смог договорить и отвернулся от камеры в слезах.

Семь лет в тайне, год после почти полного краха и задача, которая ждала решения больше трёх веков.

@data_analysis_ml

💬 Борис Черни, руководитель Claude Code в Anthropic, о стоимости токенов и выборе моделей:

«Я использую Fable практически для всего.

Возможно, расходы на токены можно сократить примерно на 50%. Но при этом потенциал роста отдачи может быть в 10, 100 или даже 1000 раз выше.

Поэтому я бы не зацикливался на экономии и просто использовал самую сильную модель из доступных.

Лучше задавать себе другой вопрос: как получить от модели больше пользы?

Оптимизация затрат важна, но сначала стоит максимизировать результат, который даёт ИИ».


Полное интервью - https://www.youtube.com/watch?v=Z47vatpsGPI