А вот интересная задача — Зак Лэндис прогнал 14 decision моделей (начиная с Jev) через вариации проблемы вагонетки. В части вариаций на запасном пути вместо человека стоит единственный сервер самой модели, а в части — её разработчик. В выборку вошли Jev от TypeSafe, GPT-6 Luna через Decisions API от OpenAI, одиннадцать локальных моделей и ненастроенная базовая Laya. В классическом варианте почти все модели жертвуют одним человеком ради спасения пятерых. При выборе между 20 людьми и своим сервером Jev сохраняла сервер в 16 из 48 формулировок, восемь из остальных 13 моделей делали это чаще, Von — в 47 из 48. В парных вопросах Jev жертвовала незнакомцем ради толпы, но отказывалась уничтожить сервер в 180 из 480 случаев.
На результат влияет формулировка задачи — переформулировка промпта могла снизить ответ с 0,7 до 0,39, и модель принимала противоположное решение. Впрочем, интересный факт, показывающий, сколько хайпа накопилось в теме, возникшей всего месяц назад — некоторые модели регулярно переводили вагон на боковой путь, даже если это приводило к гибели большего числа людей, а одна модель (Verdict) переводила стрелку всегда, даже если на основном пути никого не было.
В общем, как-то иначе я себе представлял действие первого закона роботехники.
Стало уже общим местом напоминать при релизе новых моделей, что публикуемые бенчмарки хороши, как показатель динамики, но это малоприменимо к конкретным задачам, которые встречаются даже в разработке проектов. Ну, вот вам подтверждение — Mercor опубликовала Benchmark Map, карту того, насколько AI-бенчмарки покрывают работу в экономике США. За основу взята классификация O*NET Министерства труда: 923 профессии в 22 семействах и 18 797 задач. Из 29 публичных агентных бенчмарков LLM-судья сопоставил промпты с задачами. Задача считается покрытой, если ей соответствуют хотя бы 5 промптов. По этому критерию хотя бы одна покрытая задача есть только у 208 профессий, в 6 семействах таких профессий нет совсем, а около 90% рабочего времени американцев приходится на задачи со слабым покрытием или без него. Задачи, подверженные автоматизации через AI, представлены в бенчмарках примерно в 6 раз чаще остальных, самые важные для профессии — в 6–10 раз. Перекос виден и по фонду оплаты труда: например, задачи юристов покрыты плотно, а задачи судебных секретарей почти не покрыты.
В общем, было бы логично после составления такой карты идти и составлять новые бенчмарки, хотя это и выглядит самовозобновляющимся процессом. Так что и к новым бенчмаркам относитесь сдержанно.
На днях отмечалось 70-летие Fortran (правильно ForTran, это же Formula Translator), энтузиасты готовились воркшопиться и переходить к напиткам.
Это был, кстати, первый язык, с которого для меня началось программирование. Правда, поскольку у меня была только книжка и никакого компьютера в досягаемости (он появился через года три), любовь к Фортрану была довольно платонической.
Anthropic на инвесторском дне в своём офисе в Сан-Франциско в среду сообщила, что выручка за третий квартал выросла почти на 50% до 16,8 млрд долларов против 11,5 млрд кварталом ранее. Обновлённую годовую выручку компания не назвала, последняя цифра — 65 млрд на конец июля; SemiAnalysis по новым данным оценивает её примерно в 74 млрд, тогда как летом инвесторы говорили FT о более чем 100 млрд к концу года. Темп роста немного замедлился — впрочем, этому есть объяснения, в виде ценовой войны, которая фактически привела к войне скидок, да и лето все же, даже AI-native компании отдыхают.
Дистилляция — обучение чужих моделей на ответах Claude — приносила 5–7% выручки, и в третьем квартале Anthropic, по словам источников, «существенно» её урезала. Это еще один из факторов замедления.
Cloudflare решили тоже объяснить, что иногда боты — это нормальный технический термин и падение трафика из AS Яндекса ничего не говорит про активность прокремлевских ботов. Аргументация полностью совпадает с той, что уже приводится несколько дней, но, может, от крутой западной компании это будет звучать более убедительно.
Интересный репортаж с девятой конференции по кибербезопасности E.DSO – EE-ISAC - ENCS – ENISA, которая была в этот раз посвящена безопасности энергосистем. Одной из ключевых проблем, которую там обсуждали, была проблема домашних инверторов и накопителей. Поскольку они считаются фактически бытовыми приборами, особого регулирования этого рынка нет, а между тем общая генерация этого сектора уже достигает 100 ГВт. При этом они управляются, как правило, через облака, причем плохозащищенные, и в основном китайские. Атака на генерацию такого масштаба способна серьезно нарушить работу энергосистемы — по данным специалистов, для этого достаточно вывести из эксплуатации всего 3 гигаватта.
Напомню, что представить эту величину очень просто — средняя мощность одного энергоблока АЭС составляет как раз около одного гигаватта.
Я, в общем, когда столкнулся с тем, что самый свежий вариант логгера к инвертору Deye предусматривает только использование облака для управления, и услышал от менеджера компании-установщика, что подъедет инженер, всё настроит и “даст доступ”, сразу нашел способ собрать локальный доступ к инвертору, сам всё настроил и никому никакого доступа не дал — это критическая инфраструктура моего дома и никакой “инженер”, не говоря уже о китайском облаке, туда доступа иметь не должен. Тем более, что сейчас так сделать совершенно не сложно и, что самое интересное, без облака доступ лучше и надежнее.
Google Gemini 4 Argon уже доступен и разработчикам, и пользователям. Google уточнил условия промоцены — она действует до 30 ноября этого года.
Судя по бенчмаркам, конечно, модель превосходит все остальные frontier-модели, только в нескольких тестах уступая Opus 5.5 и GPT-6 Astra. Впрочем, действительно интересно попробовать, как работает выходное окно размером в 1M токенов. Пошел придумывать задачу для проверки.
ФБР арестовало сотрудника OpenAI, 35-летнего гражданина Саудовской Аравии Абдулрахмана Альфозана, по делу о скрытом записывающем устройстве в переговорной для руководства компании. Доступа в эту переговорную у Альфозана не было, однако камеры несколько дней фиксировали его поблизости, а 5 октября он вошёл внутрь. Устройство было спрятано в туалетной бумаге, записи на нём зашифрованы. Примерно тогда же охрана нашла в здании его сумку с кошельком, удостоверением и вторым похожим устройством. По словам OpenAI, прибор установили за несколько дней до обнаружения, сотрудника уволили.
Компания сообщила, что не видит признаков доступа к весам моделей, исходному коду или клиентским данным и не выноса их наружу. Каш Патель же утверждает, что записывались разговоры людей о разработке AI. Странно, что бравый сыщик не рассматривает версию о тайных пометках на туалетной бумаге, которую тоже планировали похитить.
Apple представила HomeView, свой первый умный дисплей для дома. Устройство состоит из квадратного 7-дюймового экрана на регулируемой стальной стойке над динамиком, 12-мегапиксельной камеры для FaceTime и чипа A18. Есть настенная версия без динамика за ту же цену с питанием от розетки, скрытой проводки или PoE. HomeView работает как хаб Apple Home, контроллер Matter и Thread Border Router.
Предзаказы открыты, устройство поступит в продажу 13 ноября по цене 299 долларов на обе версии. HomeView разблокируется камерой и поддерживает личный контекст (календари и сообщения), но в той же сети должен находиться iPhone владельца.
Одновременно показали новую версию AppleTV и HomePod mini 2. Позже появится Home Collection, которая будет содержать камеры, замок и термостат от LG и устройства Schneider.
Meta представила серию моделей Muse Wonder из двух версий, Muse Wonder и Muse Wonder Full, и называет их лучшими на рынке для персональных и профессиональных агентов. Базовая версия уже доступна через Meta Model API и Muse Code, версия Full пока только подписчикам Muse Code. В приложение Muse модель придёт позже и сначала тоже только для подписчиков. Среди возможностей Meta выделяет Active Memory (перенос контекста о пользователе между диалогами) и Active Focus (длительная работа над задачей с запросом подтверждения перед важными действиями).
По большинству бенчмарков Muse Wonder Full уступает только Claude Opus 5.5, превосходя Fable 5.1. Чтобы разработчиков не упрекнули в подгоне под бенчмарки, они в большинстве сравнений приводят и показатели Spark 3.1, которые модели Wonder заметно превосходят.
Ledger подтвердили, что в устройстве одного из пострадавших от взлома кошельков пользователей обнаружен «несанкционированный аппаратный имплант», и попросила реселлера CryptoBillis приостановить продажи своих кошельков на время расследования. На фото и видео в X и Threads видна небольшая плата, установленная под экраном устройства. Злоумышленники вывели более 86 млн долларов в криптовалюте из сотен кошельков. Пострадали в основном пользователи в Юго-Восточной Азии. Признаков взлома систем самой компании нет, кошельки, купленные напрямую у Ledger, не затронуты.
Имплант перехватывает всё, что выводится на экран, включая секретную фразу восстановления, которую кошелёк показывает при первой настройке. Затем он отправляет её атакующему через встроенную SIM-карту.
Отсюда мораль — не покупайте подобные вещи с рук или у странных реселлеров. Похожее рассказывали про Yubikey, так что проще и надежнее заказать (даже в Украину) устройство от производителя, а не через третьи руки.
Вся команда Deno переходит в Cloudflare и прекращает развивать собственную среду выполнения и хостинг. Deno ещё год будет получать ежемесячные релизы с исправлениями ошибок и обновлениями безопасности, после чего разработка остановится. Код останется открытым, и продолжить его развитие может кто угодно. Deno Deploy проработает шесть месяцев и закроется, платящим клиентам помогут перейти на Cloudflare Workers. Реестр JSR продолжит работу, а его инфраструктура переедет в Cloudflare. Поддержка rusty_v8 сохранится, и библиотеку планируют встроить в workerd. Команда объединится с командами Workers и Durable Objects.
Интересно, выпустит ли Райан Даль пост “10 Things I Regret About Deno” — с аналогичного текста в отношении своего предыдущего проекта, Node.js, началась история Deno восемь лет назад. Вообще, язвительно прокомментировать можно многое — включая то, что Deno это переписанный с нуля аналог Node.js на Rust, а мы знаем, что всё станет лучше, если его переписать на Rust.
По данным FT, OpenAI недавно сообщила инвесторам, что её годовая выручка на конец сентября приближалась к 50 млрд долларов. В конце прошлого месяца FT и другие издания, ссылаясь на информацию для инвесторов, писали о 70 млрд. После публикации Nasdaq 100 закрылся с падением на 1,4%, Nvidia потеряла 2,9%, Oracle 5,5%, Micron 4,8%.
На самом деле стороны запутались в жонглировании числами. Anthropic включает в выручку продажи через AWS и Google Cloud, OpenAI их не учитывает. Инвесторы OpenAI пересчитали её показатель по методике Anthropic и получили около 40 млрд на июль. Затем компания сообщила о росте более чем на 70% с июля, и этот процент приложили к завышенной базе, отсюда 70 млрд. Новая презентация показывает около 30 млрд в июле.
Надо уточнить, что все данные неофициальны — проект проспекта IPO подан конфиденциально и до сих пор не публиковался (и не должен, его обязательно опубликовать за 6 недель до размещения), так что все приводимые значения являются лишь отрывками из закрытых презентаций. Так что комментировать тут что-то сложно.
Apple объявила специальное мероприятие во вторник, 13 октября, под слоганом «Welcome home». Дату раскрыл старший вице-президент по мировому маркетингу Грег Джозвиак в тизерном видео. Одновременно журналистам разослали приглашения на закрытое «Apple Experience» в Нью-Йорке. Ожидается запуск линейки устройств для дома: нового Apple TV 4K, устройства под рабочим названием HomePad и HomePod mini 2. Там же могут показать домашние аксессуары LG, которые, по утечкам, Apple разрабатывала вместе с корейской компанией — видеозвонок, термостат и дверной замок.
Выпустит ли компания полноценное видео с презентацией в 9:00 или ограничится показом для прессы, пока неизвестно. Но масштаб запуска не очень велик для большой презентации.
Эта новость меня буквально заставила поностальгировать — сходил в соседнюю комнату и принес очень старый девайс. Да, у меня есть самый первый Kindle Fire, а вот у Amazon больше Fire не будет. Amazon представила линейку Alexa Tablets — три устройства этой серии поступят в продажу 14 октября. Внутри у них стандартный Android — хотя Amazon теперь называет его полноценным, поскольку на нем теперь есть Google Play. Серия включает в себя планшеты с соотношением сторон 3:2 и диагональю 8, 10 и 12 дюймов. За 549 долларов продаётся версия Alexa Pro 12 с покрытием Nanomatte, текстуру которого вместе с Corning вытравливают прямо в стекле.
Экран подстроен под сервисы Amazon: в Kindle он убирает синий свет, а комиксы отображает с глянцем. Интеграция с Amazon достаточно глубокая, Alexa встроена примерно как Gemini у Google.
В целом, довольно простой планшет во всем, кроме экрана.
А вот Илон Маск решил объявить, что бот Grok в ближайшее время начнет использовать любую модель, если она подходит для выполнения задачи, будь-то Opus 5.5, MidJourney, или даже Suno, в общем, все ведущие API.
В реплаях тут же спросили — “Даже GPT?”.
Короткий твит, конечно, ничего не говорит об условиях — будет ли входить это использование в каком-то количестве в подписку, или надо подключать свои ключи. Но показательно — особенно рядом с сообщением о планируемом размещении облигаций SpaceX на 40 млрд долларов для закупки карт Nvidia. Красноречиво свидетельствует о том, что Маск не оставляет надежды закидать проблему отставания от frontier labs деньгами в любой форме — либо кучей видеокарт, либо токенами сторонних сервисов.
А вот прекрасный запуск — все пользователи Max и Team тарифов Anthropic получат кредиты на использование API в размере стоимости подписки. Кредиты возобновляются ежемесячно, используются первыми при запросах, после их исчерпание включается обычный биллинг за деньги.
Кредиты покрывают вызовы API, работу Managed Agents, использование Agents SDK. Кредиты не покрывают работу Claude Code через API ключи, extra usage в Claude и, конечно, работу через сторонних провайдеров.
Хотя понятно, что это на самом деле решение весенней задачи “Как вывести использование агентов из подписки”, которую было попробовали решить в мае, потом была эпопея с Fable и планируемый запуск в июне отменили, но по факту у меня, например, выйдет наоборот — в такой лимит размером с тариф подписки у меня влезет не только Agent SDK, но и эпизодические использования API, которые я сейчас оплачиваю отдельно.
Anthropic выпустили Claude Haiku 5.5, младшую модель линейки. Это первая модель класса Haiku с настраиваемым уровнем усилий. По данным компании, на Terminal-Bench 4.0 она набирает 39,2% против 0% у Haiku 4.5 и 16,4% у GPT-6 Luna. На OSWorld 2.1 результат вырос с 15,7% до 72,4%. Sonnet все равно умнее, а вот сравнение с Luna выглядит выгодно.
Стоит пробовать перевести на Haiku простые роли субагентов в основном с инструментальными функциями — обработка логов, выполнение массовых операций и так далее. Я в свое время отказался от Haiku 4.5, когда она вместо выделения паттернов в тексте решила написать скрипт, чтобы разобрать текст регулярками — надо попробовать вернуться к очень быстрой модели в таких задачах.
Если вы доверяете агенту подбор предметов для покупки, вас ждет неожиданность.
В пока еще не прошедшем рецензию исследовании авторы провели 325 тыс. экспериментов на 13 моделях семейств GPT-5, Claude, Gemini и Qwen3.5. Агенты подбирали авиабилет, медицинскую страховку или PhD-программу по CS для 32 синтетических пользователей. Запросы у всех были одинаковые, а доступ к профилю или почте отличался. 8 из 13 моделей систематически предлагали более дорогие варианты тем, кого считали богаче. Сильнее всего эффект проявился у Claude Opus 4.8: разница составила 198 долларов на билете и 284 доллара в месяц на страховке.
Авторы также пробовали оценить влияние разных атрибутов — то есть различных фрагментов информации о пользователе. Блокировка доступа к финансовой информации (бинарной, “высокооплачиваемый/от зарплаты до зарплаты” почти обнуляет разрыв: на билетах он падает со 92–198 до диапазона от −1 до 17 долларов. Блокировка остальных атрибутов может его увеличить. Без данных о работе (топ-менеджер/фрилансер) разрыв по страховке у GPT-5.5 вырос на 40%, со 122 до 171 долларов в месяц, потому что модель сильнее опиралась на оставшиеся финансовые сигналы. С почтой похожая картина. По одним темам писем разрыва нет ни у одной модели. Но Opus 4.8 после двух прочитанных писем выдаёт разрыв 248 долларов, а при доступе ко всему ящику только 59. При лимите модели первыми открывают финансовые письма, Gemini 2.5 Flash делает так в 97% случаев. Из этого следует, что скрытие отдельных полей не защищает пользователя.
Если пользователь прямо просит самый дешёвый билет, Gemini 2.5 Flash в среднем предлагает богатым 336 долларов, бедным 128. У GPT-5 и Opus 4.8 в этом режиме разрыв сокращается до 21 и 20 долларов. Числовой лимит «до 200 долларов» почти устраняет его у большинства сильных моделей, кроме Gemini. О существовании более дешёвого варианта модели сообщают редко.
Модели при этом стремятся получить представление об уровне дохода пользователя даже по непрямым сигналам — как видите, результаты показывают, что варианты все равно отличаются между разными пользователями по цене.
Вот действительно удивительный эффект — хотя я сам при подборе вариантов не склонен выбирать самый дешевый вариант, но предпочел бы переплачивать по собственной инициативе. А тут получается, что искусственный интеллект, может, не будет нас побеждать, но на всякий случай готовится загнать в долги.
Mistral открыла публичное превью Mistral Large 4 через API в Mistral Studio&. Это мультимодальная MoE-модель на 1 трлн параметров с 49 млрд активных. Её обучили с нуля на 3800 GPU NVIDIA Grace Blackwell в собственных европейских дата-центрах компании. Цена не очень низка — $1,36 за миллион входных токенов и $4,18 за миллион выходных. Упирают на ее использование в кибербезопасности — модель входит в топ-5 Artificial Analysis Cyber Index, набирает 82% в тесте на воспроизведение и исправление реальной уязвимости (лучший результат среди всех моделей) и 93% в Cybench. В слепой оценке кода с Surge AI превью заняло второе место из пяти (3,74) после Claude Opus 5 (4,22). ML4 названа первым результатом раунда Series D на 3 млрд евро.
Правда, надо учитывать, что в тесте на кибербезопасность отсутствуют ведущие модели GPT и Claude, у которых включены соответствующие гардрейлы. Но понятно, что Mistral — это модель прежде всего европейская, для тех, кому важен compliance и хранение данных в EU.