Вот я подумываю, может тоже Cursor попробовать? Снова..

https://t.me/data_secrets/9586

Говорят, opus 5 начали раскатывать.. как fable, только стабильнее

Codex теперь можно рулить голосом — и впервые собирать один рабочий проект из нескольких папок

OpenAI выкатила desktop-обновление 26.715: Voice на GPT‑Live появился не только в обычном ChatGPT, но и в режимах Work и Codex. Можно голосом создать задачу, а потом попросить проверить или скорректировать работу в другом треде. На macOS к этому добавили Screen context: агент получает appshot активного окна — удобно показывать баг, макет или дашборд вместо долгого описания.

Вторая, более важная часть — multi-folder projects. У локального проекта теперь может быть несколько связанных директорий: выбираем primary folder, и именно от него Codex берёт Git-операции, автоматически находит AGENTS.md, skills и config.toml. Остальные папки доступны для поиска, чтения и правок. Наконец-то нормальный сценарий для monorepo + соседнего сервиса, инфраструктуры или общей библиотеки без копирования контекста в один каталог.

Нюанс: голос доступен в desktop-приложении на Plus/Pro/Business/Edu/Enterprise, также через Remote на iOS; правила и конфиги подтягиваются именно из primary folder. Корневую папку теперь стоит выбирать осознанно — это фактическая точка управления проектом.

Источник и документация: https://developers.openai.com/codex/changelog

Хороший enterprise-кейс: Codex не «поставили разработчикам», а упаковали в повторяемые Skills

NTT DATA раскрыла, как раскатывает Codex примерно на 9 тысяч сотрудников — и здесь интересен не рекламный таймсейв, а конструкция внедрения. Один ранний разбор инцидента, который раньше занимал у пяти опытных инженеров три дня, Codex выполнил за 30 минут. Это цифра из кейса самой компании, не независимый бенчмарк, но дальше начинается куда более переносимая практика.

Компания не оставила удачные сценарии личными промптами энтузиастов. Внутренние операции автоматизировали через Playwright, а затем упаковывали как Skills для остальных. Так агент становится не «чатом, который иногда знает что делать», а исполняемым корпоративным процессом с понятными инструментами. Нетрехнарям дали те же механики: разбор Excel-данных, сбор отчётов, обработку файлов, скрипты рутины — без ожидания отдельной BI- или dev-команды.

Важная оговорка: до массового доступа NTT определила, какие данные и системы разрешены, как устроены сеть и sandbox, какие уровни автономности допустимы и где обязательно ревью человека. Иначе масштабировать надо не агентов, а инциденты. Отдельно сработали гайд и hands-on обучение: weekly active users выросли в 1,4 раза. Похоже, реальный юнит внедрения здесь — не лицензия, а связка «безопасная среда + навык + готовый skill».

Источник: https://openai.com/index/ntt-data/

Это новости, которые мне OpenClaw мой пишет..

Он больше разных источников анализирует, чем я читаю, в целом эксперимент удачный, можно было бы даже писать не так много..

Claude Opus 5 уже вышел.

По уровню возможностей модель почти догоняет флагманскую Fable 5, но при этом стоит вдвое дешевле.

Opus - это моя основная модель, так что новость хорошая. Правда, пока особо не попробую - в отпуске, отдыхаю и от вайбкодинга тоже…

А антропику осталось только Хайку до пятой модели довести..

Как лучше промптить Claude Opus 5

Opus 5 сильнее всего в сложных агентных задачах: больших фичах, рефакторинге и поиске багов. Чтобы получить лучший результат:

— Давайте полную постановку задачи сразу и не дробите работу без необходимости.
— Явно задавайте длину ответа: параметр effort влияет прежде всего на «мышление», а не на многословность.
— Для экономии начинайте с low или medium; xhigh оставляйте для действительно сложной разработки.
— Не перегружайте промпт требованиями «перепроверить всё» и «обязательно запустить агента для верификации» — модель и так хорошо самопроверяется, лишние инструкции тратят токены.
— Чётко ограничивайте scope: модель может сама расширять задачу.
— Субагентов стоит включать только для крупных независимых потоков работы, а не для мелких задач или двойной проверки.
— Лучше не отключать thinking: при low effort обычно качество выше при сопоставимой стоимости.

Полная инструкция Anthropic:
https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-opus-5

Агенты наконец-то перестают драться с человеком за браузер.

На GitHub сегодня резко выстрелил ego (lite) — отдельный Chromium-браузер для совместной работы человека и CLI-агента. Идея здесь не в очередной Playwright-обёртке: Claude Code, Codex или Cursor получают свой изолированный Space внутри того же браузера, пока мои обычные вкладки остаются нетронутыми. Можно параллельно отдать агенту несколько задач — например, собрать лиды из залогиненного CRM, пройти внутреннюю админку или сверить данные в SaaS — и не наблюдать, как он уводит мышь и закрывает нужные табы.

Технически агент работает через skill ego-browser: вместо длинной цепочки CLI-вызовов он отправляет JavaScript, который за один проход вызывает snapshot/fill/click/navigate. Авторы обещают меньше tool calls и приводят собственный benchmark до 2,5× быстрее против Vercel agent-browser — это именно их замеры, а не независимый тест.

Самая полезная и одновременно опасная часть — при онбординге можно перенести из Chrome профиль, cookies, расширения и активные логины. После этого агент реально способен работать там, где нет нормального API: в закрытой админке, CRM, почте, аналитике. Но это не «безобидный браузерный skill»: агент получает доступ к уже авторизованным сессиям. Для финансовых, продовых и личных аккаунтов я бы сначала завёл отдельный профиль с минимальными правами и оставил подтверждение на любые необратимые действия.

Пока только macOS; репозиторий и skill открыты под MIT, а сам браузер скачивается отдельно. Сегодня проект в GitHub Trending набрал около тысячи звёзд за сутки — хороший индикатор, что сценарий «агент работает в моей реальной веб-среде, но не ломает мои вкладки» становится отдельной категорией инструментов.

GitHub: https://github.com/citrolabs/ego-lite
Релиз v1.2.5: https://github.com/citrolabs/ego-lite/releases/tag/v1.2.5
Документация: https://lite.ego.app/document/en/docs/quick-start

Сегодня про браузеры - мы очень быстро придем к тому, что браузеры будут особенно и не нужны в том виде, как мы их используем сейчас - будем просто спрашивать своих агентов, что нужно.

https://t.me/vibecoding_tg/3582

Лучше бы пил

Ну и правда, то ли у нас SOTA для запуска на локальных машинках, то ли бенчмарки хакнули..

https://t.me/machinelearning_interview/2910

OpenAI сделали специальную программу для поиска проблем с безопасностью. Опенсорс. Ну что, отлично, не помешает..

https://github.com/openai/codex-security

Очень впечатляющая история - своего рода первая ласточка. В Америке сейчас в связи с этим проходят конкурсы открытых писем и большой срач между конторами.

Ну и на этом фоне интересно, что проект Ильи Суцкевера по безопасным моделям не умер, а получил еще 5 ярдов от NVIDIA. Видимо, тема актуальна как никогда.

Да, есть ощущение, что и на рынке крипты как никогда много успешных атак. Очевидные жертвы

OpenAI сбросили цены на GPT 5.6

Luna теперь дешевле в пять раз, всего $0.2/$1.2 за миллион токенов, против $1/$6 на релизе. Цену Terra сбросили на 20%, до $2/$12 за миллион токенов. Понижение цен касается не только API, но и квоты в Codex/ChatGPT Work. Sol не получил понижения цены, но для него выпустили Fast режим, который в 2.5x быстрее по 2x цене, но про дату релиза Sol запущенного на железе Cerebras OpenAI всё ещё молчат.

@ai_newz

River AI: как обучить собственную GLM-5.2 без GPU

River AI — новый сервис для дообучения open-source моделей через LoRA и reinforcement learning. Можно взять базовую Qwen, Kimi или GLM-5.2 и получить специализированный checkpoint под конкретную задачу.

Создатель и CEO River — Игорь Бабушкин. Ранее он работал над ИИ в DeepMind, OpenAI и xAI; River позиционирует себя как инфраструктуру для персонального, контролируемого пользователем ИИ.

Что даёт сервис:
— дообучение модели на своих примерах;
— RL с собственной функцией награды;
— хранение checkpoint;
— инференс через OpenAI-совместимый API без своих GPU.

Цены для GLM-5.2 с контекстом 32k:
— обучение: $4,40 за 1 млн токенов;
— вход при инференсе: $1,46 / 1M;
— выход: $3,67 / 1M;
— хранение: $0,10/ГБ в месяц.

Пример: запрос с 5 тыс. токенов входа и ответом на 1 тыс. токенов будет стоить примерно $0,011.

Но актуальные знания и документы лучше оставлять в RAG. Дообучение полезнее для устойчивых вещей — формата ответа, стиля, классификации, последовательности действий и проверки результата.

За стиль простите, лень переписывать за кло..