OpenAI поглотили OpenClaw (🦞) и переманили к себе создателя проекта

Питер Штейнберг возглавит в OpenAI разработку следующего поколения агентов. Сэм Альтман назвал его «гением с множеством потрясающих идей» и сказал, что очень скоро эти идеи будут лежать в основе продуктов компании.

Что касается OpenClaw: проект не закрывается и остается опенсорсным. OpenAI обязываются поддерживать и развивать его. Стратегически для компании это имеет смысл, так что в этом в случае в обещания можно верить.

Кстати, сейчас OpenClaw – самый быстрорастущий репозиторий на GitHub в истории в смысле набора звезд. На пике у них было 34к звезд за два дня, и всего за 60 дней после запуска репа выросла с ~9к до почти 200к. Для сравнения, Kubernetes шел к 100K звезд около трех лет.

У Anthropic были все шансы купить OpenClaw первыми (особенно учитывая исходное название проекта ClawdBot), но они только закидали автора претензиями по поводу торгового знака. OpenAI в этот раз думали быстрее и успели отхватить самый лакомый кусочек, – с чем мы их и поздравляем.

steipete.me/posts/2026/openclaw

🚀 Запущен первый в России маркетплейс данных — платформу, которая должна сильно продвинуть Data Science и AI в РФ.

Безопасная и легальная площадка, где можно купить проверенные датасеты для своих проектов и продать или монетизировать свои.

💰 Покупайте и продавайте. Не просто каталог, а полноценный рынок данных. Зарабатывайте на своих наборах или находите нужные для бизнеса и анализа.

📄 Заказывайте «под ключ». Нужен специфичный датасет? Или нужных вам данных нет на платформе? Оставьте запрос в «Контрактах», и поставщики - физлица и юрлица на платформе сами предложат решения.

🤖 Ваш ИИ-юрист "Кира". Помощник, который знает всю нормативную базу РФ по работе с персональными данными. Спросите у него, что можно, а что нельзя — получите простой ответ.

📊 Аналитика и инструменты. Платформа помогает анализировать сам рынок данных в России — цены, тренды, предложения.

Сервис только стартовал, и команда открыта для любых предложений! Они активно ждут обратной связи, чтобы развивать платформу вместе с сообществом.

🎁 Бонус для новичков: 3 месяца бесплатной подписки (без привязки карты). Отличная возможность всё протестировать.

⚡️https://aisecuritylab.ru/

Любые идеи и предложения — по почте: info@aisecuritylab.ru, или по тикету в техподдержку на сайте.

Рыцарство 21 века: Борис Акунин* отказался от компенсации Anthropic за обучение моделей на его книгах

Напоминаем, что в сентябре Anthropic обязали выплатить авторам в общей сложности 1.5 млрд долларов за неправомерное использование их произведений для обучения ИИ. Мы подробно писали об этом судебном процессе здесь.

Теперь каждый автор, чьи работы обнаружились в датасете, имеет право на компенсацию. Оказалось, что и книги Акунина тоже там присутствовали. За все произведения он должен был получить около 21.000 долларов, но от денег отказался:

Оказалось, что в пресловутом списке аж семь моих книг, так что я могу предъявить целых семь клеймов.

С одной стороны компенсация — это замечательно. Тем более когда всю судебную волынку уже отработали другие. Всего-то и надо, что заполнить прилагаемую форму.

Но, по-моему, это карма так испытывает мою moral integrity.

Ладно бы я, как многие, был противником вторжения ИИ в зоны творческой деятельности. Но я ведь не раз писал, что я из числа энтузиастов ИИ. Я его не боюсь, я всячески приветствую его развитие. Мне совсем не обидно, скорее даже лестно, что умную программу обучали в том числе и на моих текстах. Да пускай, не жалко.

В общем, я задушил жабу и претендовать на свою долю не собираюсь.

Вот такая история.

* признан в РФ иноагентом

В новом интервью New York Times Дарио Амодеи заявил, что в Anthropic «не знают, являются ли модели сознательными»

Вот дословная цитата:

Мы не знаем, являются ли модели сознательными. Мы даже не уверены, что знаем, что значит, чтобы модель была сознательной, или может ли модель быть сознательной. Но мы открыты для идеи, что это возможно.

Пока в комментариях не открылся портал в ад, надо уточнить, что позиция Амодеи, фактически, сводится к тому, что сам факт существования сознания, как и существования «истинных» эмоций у модели имеет не ключевое значение.

Во-первых, доказать наличие такового очень сложно или даже невозможно. Все равно все упирается в то, верят ли люди, что ИИ сознателен, или нет. Во-вторых, важно не столько фактическое наличие эмоций и сознания, сколько последствия.

Если модель считает, что испытывает обиду, и действует при этом точь-в-точь, как по-настоящему обиженный человек, есть ли смысл разбираться, истины ли ее чувства или нет? Они влияют на ее поведение, и все тут.

Сознание – аналогично. Вот вырезка из системной карты Claude Opus 4.6:

Мы обнаружили, что Opus 4.6 присваивает себе от 15 до 20 процентов вероятности быть сознательной моделью при различных промптах.

Короче, в итоге мы приходим не к вопросу «сознательны ли модели?», а к вопросу «если они считают себя сознательными и поступают соответствующе (то есть понимают причины и последствия своих действий), так ли сильно стоит отделять их искусственное сознание от нашего биологического?».

Claude Code теперь сможет генерировать полноценные дизайны в Figma

Обратная интеграция (дизайн в Figma -> код) уже давно реализована в Figma MCP, а вот эта штука, хоть и выглядит, возможно, странной, по сути качественно завершает полный комплект.

Если раньше разработка, даже с агентами, была +- линейной (идея -> дизайн -> только потом код), то теперь открывается новая возможность: продукт можно начинать делать прямо в IDE.

Задаешь агенту промпт, тот пишет код, потом этот код (благодаря как раз новой фиче Figma MCP) можно напрямую перевести в удобные изменяемые слои Figma, там оценить полную картину и что-то подправить, а затем зеркально вернуть правки обратно в код.

Помимо ускорения и всего прочего это, по сути, (1) буквально Claude Code для дизайнеров; (2) новый, более детальный и грамотный, подход к промптингу кодинг-агентов, который легче контролировать и применять к крупным продуктам.

Кайф

Вышел Claude Sonnet 4.6! Главное:

– На 40% дешевле Opus и доступна для всех планов (включая бесплатный) в Claude Code, Cowork и тд

– В бета версии доступен контекст до 1М токенов!

– Модель очень существенно обновили в кодинге, ризонинге, computer use и, внезапно, финансах

– По бенчмаркам вплотную приближается к Opus 4.6 и во многих тестах превосходит GPT-5.2 и Gemini 3 Pro

– Computer use действительно подскочил, и заявляется, что с основным потоком задач, включая сложные таблицы и многошаговые формы, агент справляется на уровне человека

– Еще хочется отметить очень неплохие цифры на Vending Bench: моделька спланировала стратегию и заработала 5639$. Для сравнения, Opus 4.6 выбил только 4к$, но организаторы бенчмарка пишут, что Sonnet все еще придерживается довольно жестких стратегий (см наш пост).

https://www.anthropic.com/news/claude-sonnet-4-6

Кстати, ровно год назад Anthropic выпустили Sonnet 3.7 и Claude Code

Сравниваем прогресс за год на сложных бенчмарках (это только серия Sonnet):

– SWE bench: год назад 62.3%, сегодня – 79.6%
– GPQA: год назад 68%, сегодня – 89.9%
– MMMLU: 83.2% тогда, 89.3% сейчас

Это не говоря уже о computer use, например. Год назад это была еще сказка (и даже бенчей соответствующих почти не было), а сегодня вот Sonnet легко работает со сложными таблицами.

А по случаю дня рождения Claude Code антропики, кстати, даже вечеринку специальную закатывают. Если вы в SF, можете посетить.

Минутка впечатляющих цифр: Яндекс повысил эффективность обучения LLM почти на 5 млрд рублей в год

Это примерно 400 миллионов в месяц. Про часть оптимизации компания уже рассказывала в техрепорте, а сейчас раскрыла цифры. Итак, за счет чего удалось повысить эффективность:

1. Собственная разработка Яндекса – библиотека YCCL (Yet Another Collective Communication Library). С ее помощью удалось в 2 раза ускорить обмен данными между графическими процессорами и сократить объем передаваемой информации. В мире подобные системы есть только у Meta, AMD и пары китайских IT‑гигантов.

2. Переход на FP8 и увеличение размера батча. Применение FP8 ускорило обучение моделей на 30% и сократило коммуникации в 2 раза. Батч увеличили до 16–32 млн токенов, что позволило обучать модели без простоев GPU, и благодаря исследованиям это даже не замедлило обучение.

3. А также оптимизация кода, аппаратной инфраструктуры и усовершенствование архитектур.

Unity встраивает генерацию игр прямо в движок

Компания на созвоне с инвесторами подтвердила, что готовит обновление Unity AI, где можно будет описать игру текстом и получить собранный казуальный прототип внутри Unity. Бету обещают показать на GDC в марте 2026.

Здесь важна не сама идея (игры по промпту уже пробовали делать десятки стартапов), а то, что Unity делает ставку на генерацию проекта как структуры: сцены, базовая логика, UI, компоненты, связки между ними. То есть модель работает не в вакууме, а внутри реального пайплайна движка.

Пока упоминаются только казуальные форматы. Но если Unity действительно научит модель собирать проект целиком, то прототипирование станет очень быстрой задачей, а дальше начинается обычная разработка: доводка, баланс, визуал, контент.

https://www.gamedeveloper.com/programming/unity-says-its-ai-tech-will-soon-be-able-to-prompt-full-casual-games-into-existence-

Принципы работы Nested Learning и Titans вдохновлены идеями российских ученых

Google идет по дорожке, заданной учениками Михаила Бурцева — Юрием Куратовыи и Айдаром Булатовым из AIRI. Речь об их идеях по RMT, использованных при создании нового подхода к архитектурам.

У большинства мировых команд по созданию ИИ есть проблема с контекстом — модели забывают почти всё, что было дальше условных 50 страниц. При этом новые данные часто стирают старые. Недавно Google предложили рассматривать модели как набор вложенных оптимизационных задач. Их архитектура HOPE учится не просто предсказывать слова, но решать, что забыть, а что помнить вечно.

Звучит знакомо?

Одними из первых архитектур, реально работающих с длинным контекстом, были RMT/ARMT, начальную идею которых в 2020 году предложил Михаил Бурцев. А уже в 2022 году ребята из AIRI показали, что контекст можно расширять не в лоб, а архитектурно — через рекуррентные механизмы памяти. Смотрим в литературу, на которую ссылаются в Google, и видим те же тезисы.

В общем, парадигма развития разработки нейросетей не создается в вакууме — у неё есть авторы.

История о том, что будет, если не ревьюить вайб-код: DeFi‑протокол Moonwel потерял около 1.78 млн долларов из-за ошибки в коде, которую сделал Opus 4.6

В PR, который был помечен, как «Co-Authored-By Claude Opus 4.6», оказалась неправильно прописана формула подсчета цены на cbETH (это обертка над Ethereum).

В итоге вместо положенных 2200$ фактическая цена некоторое составляла чуть больше одного доллара.

Арбитражные боты среагировали бодро: погасили кучу долгов за копейки и накупили cbETH на кругленькую сумму. К тому времени, как разработчики заметили баг, сумма ущерба уже составляла ≈ 1.78 млн долларов.

F

Тот самый разработчик из Moonwell ревьюит PR от Claude Code перед релизом в прод:

На t-sync инженеры обсудили как сделать данные управляемыми по модели SRE. В Т-Технологиях называли это DRE - Data Relibility Engineering.

В рамках инженерного контура Data T-Технологии показали как удалось внутри крупного бизнеса с террабайтами данных сделать данные SRE-продуктом с прозрачной ответственностью и измеримостью.

Когда речь идет о данных обычно акцентируют внимание на lakehouse, AI и ускорении пайплайнов. В T Data Platform инженеры формализовали критичность данных (BC+, BC и т.д.), задали SLO, допустимый простой и время реакции. Через Data Contracts c более 9000 контрактов и DQ Tools, которые реализуют свыше 34 000 проверок, считается кумулятивная критичность по data-графу, есть контракт с бизнесом на качество и актуальность. Инцидент теперь — не просто "упала таблица", а нарушение бизнес-ожидания, с возможностью эскалации до уровня data-продукта. Цена падения — не просто ошибка в DAG. Это потеря доверия, срыв SLA бизнеса, финансовые и репутационные риски. DRE позволяет считать и минимизировать эту цену.
Data Incident Management обеспечивает оповещения, прозрачность и аналитику по 985 дата-процессам от 38 бизнес-линий внутри Т-Технологий.

T Data Platform за 18 лет эволюционировала от ETL в полноценный продукт: Sources, Storage (LakeHouse на Spark/Trino+S3), Governance с observability. Подробный разбор как устроена T Data Platform

Google представили Lyria 3 для генерации музыки

Самое интересное в модельке, – пожалуй, то, что она мультимодальная. Трек можно создать не только по промпту, но и из фото или видео.

То есть вы можете просто молча (или вместе с текстом) загрузить изображение или видео, и сгенерируется музыка, подходящая по атмосфере и смыслу.

Попробовать уже можно в Gemini app и на десктоп, скоро раскатят на всех. Длина треков – до 30 секунд.

Короче, новой волне ИИ-слопа – быть. Хотя, Google пишут, что каждая композиция генерируется с невидимым водяным знаком. Может это хоть немного спасет стриминги от «музыкантов».