Anthropic вернули Mythos 5. Но не всем, а "своим"

Администрация США частично откатила ограничения на Claude Mythos 5: модель снова смогут использовать больше 100 одобренных американских компаний и госагентств. Причем доступ разрешили и для иностранных сотрудников этих организаций.

Но это не "ура, модель снова свободна". Fable 5 пока в общий доступ не вернули, а Mythos 5 возвращается через аккуратный whitelist.

И вот это интереснее самой новости.

Похоже, для мощных cyber-моделей вырисовывается новая нормальность: не выпустить всем и не запретить всем, а дать доступ тем, кого государство считает достаточно надежными. Критическая инфраструктура, cyber defenders, trusted partners, вот этот клуб с табличкой "мы вроде проверили".

Для enterprise это будет больно. Больше бумажек, approvals, compliance, списки допущенных людей, списки недопущенных людей. Но логика понятна: сильные AI-модели постепенно становятся не просто продуктом, а чем-то ближе к стратегической инфраструктуре.

И да, смешная часть: раньше компании спорили, у кого модель умнее. Теперь еще будут спорить, кому вообще можно дать кнопку.

Источник: https://techcrunch.com/2026/06/26/trump-admin-releases-anthropic-mythos-to-be-used-by-more-than-100-us-companies-agencies/

Anthropic выкатили Claude Sonnet 5.

Главный смысл: Sonnet теперь пытается делать то, что недавно требовало дорогого Opus, дольше держать задачу, лучше пользоваться браузером, терминалом и инструментами, меньше сдуваться на многошаговых агентных сценариях.

Цена на запуске: $2 / 1M input и $10 / 1M output до конца августа. Потом будет $3/$15.

Есть нюанс: новый tokenizer может считать тот же текст как больше токенов, до ~1.35x. Так что скидка частично компенсирует это “магическое удешевление”.

Если оно реально лучше держит длинные задачи, это важнее очередных +3% в бенчмарках.

Источник: https://www.anthropic.com/news/claude-sonnet-5

Fable 5 вернулся

Цукерберг признал, что AI-агенты в Meta идут медленнее, чем хотелось

Марк Цукерберг сказал сотрудникам Meta довольно неприятную вещь: AI-агенты развиваются не так быстро, как руководство ожидало.

И это не маленький стартап, где "ой, не хватило промптов". Это Meta. Компания после большой AI-реструктуризации, тысяч увольнений, отдельных команд под агентные сценарии и планов потратить до $145 млрд на AI-инфраструктуру за год.

Вот тут и начинается самое интересное.

В презентации "заменим часть людей агентами" выглядит почти красиво. В реальной корпорации на десятки тысяч человек внезапно выясняется, что агенту нужны права доступа, процессы, контроль, понятная зона ответственности, логирование, безопасность и хоть какой-то внятный ROI.

То есть GPU купить можно.
А вот встроить агента в живую организацию так, чтобы он не был дорогой игрушкой с амбициями стажера, уже сложнее.

Хороший анти-хайп момент: AI-агенты, скорее всего, правда станут важной частью работы. Но путь туда будет не через магическое "насыпали видеокарт и уволили отдел", а через скучную корпоративную сантехнику.

А сантехника, как обычно, решает больше, чем красивые демо.

Источник: https://techcrunch.com/2026/07/02/mark-zuckerberg-tells-staff-that-ai-agents-havent-progressed-as-quickly-as-hed-hoped/

GPT-5.6: OpenAI продает уже не только модель, а маленький завод агентов

OpenAI выкатила GPT-5.6 в трех версиях: Sol, Terra и Luna. Самая жирная, Sol, идет для кода, cybersecurity, науки и сложной enterprise-работы.

Но интереснее тут не очередные проценты в бенчмарках. Интереснее режим ultra: задача распараллеливается на несколько агентов.

То есть multi-agent execution постепенно перестает быть штукой из самодельных схем на LangGraph, где все держится на энтузиазме одного инженера и трех костылях. Теперь это становится кнопкой в продукте.

И вот тут начинается нормальный корпоративный вопрос: окей, агенты бегают параллельно. А кто контролирует бюджет? Где логи? Кто ставит approvals? Как ограничиваются доступы? Что происходит, если один агент полез туда, куда не надо?

Кажется, frontier-модели начинают продавать не просто "умнее чат", а встроенную orchestration-систему. Маленький офис из агентов внутри одной модели.

Звучит мощно. И немного как "поздравляем, теперь у вас не один стажер с root-доступом, а целая смена".

Источник: https://openai.com/index/gpt-5-6/

Компании устали “арендовать AI”

CEO Hugging Face Клем Деланг говорит простую вещь: многие компании начинают с закрытых frontier API, потому что так быстрее. Подключил, платишь за токены, магия поехала.

Но на масштабе магия внезапно превращается в счет от облака, vendor lock-in и вопросы от security: “а где наши данные, кто контролирует модель, почему мы зависим от чужой кнопки?”

И тут open source AI перестает быть религией для гиков в худи. Он становится procurement-стратегией.

Типа: “мы не хотим строить бизнес на арендованном мозге, который завтра подорожает, изменит правила или просто скажет, что теперь у него другой roadmap”.

Hugging Face уже называют чем-то вроде GitHub для AI, и, по данным TechCrunch, платформой пользуется примерно половина Fortune 500. То есть это уже не нишевая тусовка “давайте сами соберем модель в подвале”. Это нормальная корпоративная логика: контроль, цена, безопасность, возможность не сидеть на игле у AI-олигополии.

Главный сдвиг тут не “open source победит closed source”. Слишком просто.

Главный сдвиг: AI становится инфраструктурой. А инфраструктуру компании обычно хотят не только арендовать, но и контролировать.

Источник: https://techcrunch.com/2026/07/10/hugging-faces-ceo-on-why-companies-are-done-renting-their-ai/

Не, ну типочки жгут, конечно, уже третий раз продлевают на неделю. И непонятно, когда это закончится. 😅

Компании платят за AI дважды. И второй платёж неприятнее первого

Satya Nadella сказал довольно важную вещь, которую легко пропустить за обычным AI-шумом.

Когда компания покупает AI, она платит не только деньгами за токены, подписки и API.

Она ещё платит своим внутренним контекстом.

Prompts, workflows, corrections, tool traces, документы, ошибки, решения, бизнес-логика. Всё то, что раньше жило внутри компании как institutional know-how, теперь потихоньку утекает в сторону AI-провайдера.

То есть модель становится полезнее ровно потому, что вы кормите её своей кухней.

И тут вопрос уже не “сколько стоит миллион токенов”.

Вопрос другой:
кто через год будет лучше понимать ваш бизнес-процесс, вы или внешний AI-провайдер?

Обратите внимание, это не значит “не используйте облачные модели”. Нет, это было бы странно. Они работают, они удобные, они часто дешевле, чем городить свой зоопарк.

Но для enterprise начинается взрослая фаза AI.

Будут появляться:

- AI gateways
- model routing
- private learning environments
- свои orchestration layers
- логи и audit trails
- scoped credentials
- правила, какие данные можно отдавать наружу, а какие нельзя

Скучно? Да.

Но именно из таких скучных вещей потом получается продакшн, а не демка “смотрите, агент сам сделал компанию за 20 минут”.

Главная мысль простая:
если AI становится частью вашей операционки, то prompts и tool traces уже не мусор. Это актив.

И если вы его бесплатно отдаёте наружу, то, возможно, платите больше, чем думаете.

Источник: TechCrunch / Satya Nadella

че думаете?
я думаю не полетит
https://x.com/OpenAIDevs/status/2077425991790870644?utm_source=superhuman&utm_medium=newsletter&utm_campaign=america-s-best-open-weight-model-yet&_bhlid=99f8e155166d762da0ce0ecade74721573701b9b

https://busy.app И еще одна штучка подъехала прикольная, но дороговата. $200

Испания - заслуженый чемпион мира 2026. Честный и красивый футбол.

Кибератака на Hugging Face на прошлой неделе интересна не только тем, что атаковали AI-компанию.

Интереснее другое: по disclosure Hugging Face, это была не обычная история “хакер использовал ChatGPT как помощника”.

Атаку вела автономная агентная система: тысячи действий, короткоживущие sandboxes, мигрирующий command-and-control, попытки прятаться при обнаружении. Отбивались, кстати, тоже с помощью LLM: Hugging Face прогнали AI-агентов по логам атаки и разобрали 17 тысяч событий за часы, а не дни.

Я слежу за этим не как за новостью про безопасность.

Я слежу за этим потому, что сейчас многие команды строят именно такие системы. Агентов, которые сами читают, планируют, вызывают tools, ходят в API, работают с файлами, базами, браузером и credentials.

И вот проблема.

Большинство команд думает о том, что агент может сделать.

Гораздо меньше команд думает о том, что можно сделать с самим агентом.

Три вектора, которые сейчас недооценены.

Первый. Untrusted environment.

Агент живёт внутри чужих текстов, сайтов, писем, документов, датасетов, конфигов и моделей.

Для обычной программы это input.

Для агента это может быть инструкция, payload или триггер.

Prompt injection через письмо или веб-страницу это только один пример. В случае Hugging Face входной точкой, судя по их описанию, был data-processing pipeline: dataset loader и template injection.

То есть проблема шире: агентная система постоянно ест чужую среду.

Второй. Tool abuse.

Если агент скомпрометирован через input, дальше он действует своими же правами.

Он не “взламывает” API. Он вызывает его легитимно.

Он не “крадёт” файл. Он читает файл, к которому у него уже есть доступ.

Он не “обходит” систему. Он использует tools, которые вы сами ему дали.

Поэтому главный вопрос не “насколько умная модель”.

Главный вопрос: от чьего имени действует агент, какие у него права, где границы, где audit log, где kill switch.

Третий. Supply chain.

Модели, датасеты, embeddings, prompts, MCP servers, browser tools, open-source agents, всё это становится частью runtime.

И всё это можно отравить до того, как вы начали строить продукт.

Poisoned model или poisoned dataset может вести себя нормально на тестах и странно только на конкретных input.

Это неприятный класс багов. Они не падают красиво в CI.

Что делать прямо сейчас.

Минимум: изоляция прав агента.

Агент должен уметь ровно столько, сколько нужно для задачи. Не больше.

Credentials не должны лежать “рядом, вдруг пригодятся”.

Tool permissions должны быть явными.

Untrusted input должен проходить через границы.

Логи должны быть такими, чтобы вы могли восстановить, почему агент сделал действие.

И да, должен быть способ быстро выключить всё это без героизма в три часа ночи.

AI security engineer три года назад звучал как экзотика.

Сейчас это становится нормальной частью архитектуры для любой команды, которая выпускает агентов в продакшн.

Потому что агент с браузером, файлами, API, базой и credentials это уже не chatbot.

Это новый privileged runtime внутри компании.

Если вы не проектируете его как production-систему с изоляцией, правами, логами и kill switch, вы не строите агента.

Вы строите очень вежливую точку входа.

Источник: https://huggingface.co/blog/security-incident-july-2026

Claude Opus 5 вышел 24 июля 2026.

Это уже не топ линейки: выше теперь Fable 5 и Mythos 5.

Позиционирование понятное: почти frontier capability за цену Opus 4.8.

Цена: $5 input / $25 output за 1M tokens.
API: claude-opus-5.
Контекст: 1M tokens, output до 128k.

Главный фокус: coding agents, long-running agents, enterprise use.

Китайские open-weight модели снова пугают Вашингтон

TechCrunch разбирает свежую панику вокруг Kimi от Moonshot AI.

Сценарий знакомый: китайская модель выходит в открытых весах, показывает сильные результаты, X взрывается, в США снова говорят про bias, security, guardrails и возможные запреты.

Но практический вопрос здесь не “китайская или американская”.

Компании выбирают модель скучнее:

- сколько стоит inference
- какая latency
- можно ли self-host
- что с лицензией
- где лежат данные
- кто несёт procurement risk
- можно ли это вообще пустить в продакшн

И вот здесь open-weight модели становятся неудобными для больших закрытых игроков.

Если китайская модель “достаточно хорошая”, дешёвая и её можно держать у себя, то enterprise начинает задавать неприятный вопрос: зачем платить больше и отдавать данные наружу?

Риски реальны. Bias, supply chain, скрытое поведение, compliance, всё это надо проверять. Но если вместо проверки начинается разговор “давайте просто создадим regulatory risk, чтобы компании боялись использовать конкурентов”, это уже не только про безопасность.

Это ещё и про рынок.

AI постепенно превращается в стратегическую инфраструктуру. И борьба идёт не только за качество моделей, а за то, кто будет контролировать доступ, цены и правила закупки.

Источник: https://techcrunch.com/2026/07/26/making-sense-of-the-panic-over-chinese-ai/

AI adoption упёрся не в модели, а в внедрение

Стартап June вышел из stealth и сразу поднял $20M pre-seed. Среди инвесторов Марк Бениофф.

Что они продают? Не “ещё один AI-чатик”, а попытку чинить очень скучную, но дорогую проблему: компании уже купили AI, но не могут нормально внедрить его в рабочие процессы.

Потому что демо это одно.
А продакшн внутри компании это другое.

Там внезапно появляются:

• интеграции с внутренними системами
• данные в разных местах и разного качества
• permissions и доступы
• безопасность
• логи
• владелец процесса
• понятный ROI, а не “ну вроде стало умнее”

И вот это, по-моему, важный сигнал.

Рынок начинает платить не только за модели, но и за слой AI deployment operations. За людей и продукты, которые превращают красивую демку в рабочий workflow, где понятно: кто отвечает, что агент сделал, куда он сходил, какие данные видел и сколько это всё стоило.

AI adoption bottleneck становится отдельным рынком.
Скучно? Да.
Зато именно здесь обычно и лежат enterprise-деньги.

Источник: https://techcrunch.com/2026/08/03/a-marc-benioff-backed-startup-thinks-ai-can-solve-the-ai-deployment-problem/

https://www.youtube.com/watch?v=bzkmb2oy4u4

Дошли руки до видео

https://youtu.be/7_Ucmw5wheo

новый видос

https://infiniteslop.ai

Прикольный сайт, генерация в реальном времени

Jev: модель, которая не хочет с вами разговаривать

TypeSafe AI выпустила Jev. Это не очередной чатбот и не “убийца ChatGPT”.

Идея другая: модель не генерирует текст. Она принимает входные данные и возвращает типизированное решение с вероятностью.

Например:

command_safe: true
confidence: 0.94

Звучит скучно. Поэтому и интересно.

Одна из главных проблем LLM в продакшне: они отвечают текстом. Даже когда вам нужен не текст, а решение.

А текст потом надо парсить, валидировать, проверять, оборачивать в retry и надеяться, что модель не решила внезапно “пояснить свою логику”.

Jev идет в другую сторону: не болтай, просто верни решение в формате, который софт может использовать.

Это ближе к маленькому decision engine внутри продукта:

- можно ли агенту выполнить команду
- куда отправить запрос
- нужен ли human review
- достаточно ли уверенности для автоматического действия

Вот здесь может быть настоящая агентность.

Не “цифровой сотрудник всё сделает сам”, а много маленьких проверяемых решений внутри обычного софта: с типами, thresholds, логами и fallback.

Конечно, confidence score не снимает ответственность. Если модель дала 0.62, это не “AI решил”, это почти “подкиньте монетку”.

Но направление правильное.

Меньше религии про автономных агентов. Больше скучного engineering: типы, вероятности, ограничения, контроль.

Возможно, именно так AI и будет нормально заходить в продакшн.

Источник: https://techcrunch.com/2026/09/18/a-new-kind-of-ai-model-from-a-chatgpt-inventor-is-thrilling-developers/

OpenAI запустила dots: агент, который работает, пока вы не пишете ему в чат

У dot есть свой облачный компьютер и доступ к приложениям, которые вы подключите. Ему можно поручить не разовый промпт, а длительную задачу: следить за изменениями, готовить черновики, обновлять работу и возвращаться к вам за решениями.

Интересная часть не в слове «автономный». Таких обещаний мы уже видели достаточно. Вопрос в другом: принесёт ли агент через неделю полезный результат без ежедневного микроменеджмента?

OpenAI разделяет фоновое изучение данных и действия: в проактивном режиме dot использует инструменты только для чтения; отправка сообщений и изменения требуют других разрешений и проверок. Но ошибки и prompt injection никуда не исчезают. Чем больше подключений, тем важнее понимать, что агент прочитал, что сделал и кто это одобрил.

Я бы проверял dots на узкой задаче с понятным результатом, а не давал сразу доступ ко всей цифровой жизни. Например: отслеживать изменения в проекте и раз в неделю приносить готовый черновик с источниками. Если экономит время и не создаёт новую работу по проверке, тогда уже расширять доступ.

Источник: https://openai.com/ru-RU/index/introducing-dots/