Свежие бенчмарки моделей на кодинге (для очередных дискуссий, Claude vs Codex) Specific Labs выпустили бенчмарк, где модели чинят не задачки с GitHub, а настоящий код реальных компаний – лицензировали приватные репозитории (клон Partiful на 200K+ юзеров, финтех со 100K+ банковскими выписками, enterprise sales-платформы) и взяли оттуда живые задачи: налоги в инвойсах, миграции биллинга, метеринг токенов. Код в интернете не лежит, модели на нём не учились. Результат отрезвляет. – Лидер – Fable 5.1 в Claude Code, 38.8% решённых задач – GPT-6 Astra в Codex – 33.8%, Gemini 3.8 Flash – 31.2% – GLM 5.3 – 28.8%, Grok 4.6 и Muse Spark 1.3 – по 23.8%, Kimi K3 – 18.8% – GPT-5.6 Sol – 16.2% – 6 из 10 задач решаются реже чем в 15% случаев, одну (analytics stream reducer) не решил никто ни разу – Медианное решение трогает 11 файлов – против 6 в FrontierCode и DeepSWE – Цена одного прогона: Gemini Flash $2.50, GPT-6 Astra $4.67, Fable 5.1 $6.96 Интересно, как модели проваливаются. Главная причина – пропущенные требования из ТЗ (у Grok – 67% всех фейлов). Вторая – «не проверил, придумал» – так падает 43% неудачных прогонов GPT-5.6. Третья – правильная идея, криво встроенная в систему (Gemini – 49%). Причём короткие прогоны до 10 минут фейлятся с той же частотой, что и длинные – проблема не во времени, а в том, что агент не понял, как устроена компания и её код. Короче, разработчика могут заменить пока только в трети случаях. Но тут надо сказать, что описание компании и кодовых принципов в claude.md/agents.md никто не писал, это такой чисто "вайбкодинг-стайл" тест. Должно быть сильно лучше при правильном подходе. https://withspecific.com/benchmarks/real-swe

Люди без кода делают продукты У нас в компании начинают кодить всё больше людей, которые раньше код в глаза не видели и имели только базовое представление о работе наших продуктов. Менеджеры, дизайнеры начинают напрямую заниматься разработкой продуктов. Через прослойку в виде вайб-кодинга.Это меняет привычные процессы. Меняет и невероятно ускоряет! Раньше был длинный цикл: дизайнер рисует в Figma, верстальщик переносит, бэкендер подключает. На каждом этапе нужны разговоры и корректировки. Теперь дизайнер иногда может сам скорректировать существующий функционал — агент правит код, создаёт MR, а разработчик просто проверяет, что всё в порядке. Я поэтапно внедряю наши же разработанные инструменты для вайбкодинга всем сотрудникам. Некоторые фичи стали долетать до прода за 1 час вместо 2-4 дней. Оптимизация процессов выходит на совершенно другой уровень. Можно смело констатировать: заказной разработке, такой, какой она была последние годы, наступает конец.

🚨 Google обвинили в том, что она взяла open-source код мобильного AI-агента, убрала имена авторов и выпустила его как Artemis. Команда mobile-use нашла очень странные совпадения: - из 229 файлов 228 были идентичны - внутри остался агент с случайным именем hopper и тем же prompt - в раннем pyproject.toml сохранились имена трёх разработчиков mobile-use - в следующем коммите эти имена заменили на другого автора, а остальные 228 файлов не изменились Команда не возражает против использования их Apache 2.0-кода, претензия именно к отсутствию attribution. После публичной жалобы в репозитории Google уже появился PR с исправлением attribution. Очень неловкая история для компании, которая сама построила огромную часть своей репутации вокруг open source. https://github.com/google/artemis/issues/40

В Claude Code теперь можно создавать кастомные моды Похоже это следующая версия уже существующих внешних скриптов (хуков) Только в отличии от хуков, моды интегрированы внутрь CC, могут рисовать свои интерфейсы прям внутри терминала и влиять почти на любое действие агента Судя по issue на github антропиков, фича всё еще готовится, в релизе её пока нет Но попробовать всё равно можно, включите в settings.json этот экспериментальный флаг:

CLAUDE_CODE_ENABLE_FUNCTION_HOOKS": "1"

И вот собрал несколько первых модов которые можно потестить: 1/ cc-arcade — мини игры над окном промта: тетрис, змейка, 2048 и подобные 2/ Arunjay4213 — счётчики контекста, лимитов и стоимости каждого хода 3/ cc-storytime — крошечная локальная модель пишет саммари чем сейчас занят Claude Это всё конечно круто, но когда Fable 6? Или это и есть тот самый план по замедлению суперинтелекта? 😏 @tips_ai #news

Разбор проектов подписчиков В одном из видео на YouTube говорил о том, что мы с Николаем Андрюхиным решили сделать бесплатные разборы проектов подписчиков. - Я смотрю на техническую часть, Николай - на продуктовую: нужен ли рынку такой продукт и с чего начинать MVP. Заявки уже закрыты, сегодня будем разбирать присланные проекты. Так что ждите результаты: узнаете какие проекты выбрали и какие рекомендации дали. В телеграмме про это ещё не рассказывал — теперь вы тоже в курсе. Следите за каналом, чтобы не пропустить разборы 👀 Будет полезно послушать как опытным программистам, так и новичкам с желанием создавать свои проекты. #личное · yt · tg · ig

В июле 2025 года METR провела рандомизированный контролируемый эксперимент: 16 опытных разработчиков, 246 задач, данные февраля по июнь 2025 года, инструменты Cursor Pro с Claude 3.5 и 3.7 Sonnet. Результат дословно: разрешение использовать ИИ увеличило время выполнения на 19 процентов, с доверительным интервалом примерно от плюс 2 до плюс 39 процентов, при том что после эксперимента те же разработчики оценивали ускорение в 20 процентов. Один эксперимент не приговор, и сама METR отмечает, что это замер начала 2025 года. Но он показывает, как легко спутать ощущение ускорения с ускорением, и почему ощущения плохой измеритель. 4. Что говорят данные о темпе, и как их читать? Есть тренд, который цитируют чаще всего. METR измеряет временной горизонт задач: длину задачи по человеческому времени, которую модель решает с вероятностью 50 процентов. Этот горизонт удваивался примерно каждые семь месяцев в 2019 по 2025 годы, а на данных 2024 по 2025 удвоение выглядит ближе к четырём месяцам. Anthropic на странице When AI builds itself приводит именно эту ускоренную оценку и добавляет внутренние данные: более 80 процентов кода, вливаемого в кодовую базу Anthropic на май 2026 года, написано Claude, Anthropic а типичный инженер во втором квартале 2026 года вливал в 8 раз больше кода в день, чем в 2024 году Anthropic. Строки кода это количество, а не качество, и Anthropic честно оговаривает, что величина 8x почти наверняка завышает реальный прирост продуктивности. Кривая METR очень чувствительна к нескольким длинным задачам, а человеческие базовые времена измерены лишь для малой части самых длинных задач. Но это не доказательство того, что машина сама выбирает направления исследований. Именно выбор целей Anthropic называет своим главным оставшимся разрывом. И ещё один датапоинт против прямолинейной экстраполяции. Дэниел Кокотайло, ведущий автор сценария AGI 2027 (апрель 2025), к концу 2025 и в 2026 году сдвинул свою медиану ближе к 2029 и 2030 годам, потому что прогресс идет несколько медленнее сценария. Скептики вроде Эге Эрдиля и Тамая Бесироглу из Epoch AI держат горизонт AGI за 2045 годом и не считают интеллектуальный взрыв правдоподобным, хотя допускают взрывной экономический рост. Когда авторы самого известного сценария сдвигают сроки, это сигнал, что экстраполяцию одной кривой стоит принимать с осторожностью. 5. Что реально засчитывалось бы как доказательство? Чтобы говорить о RSI как о свершившемся факте, а не о маркетинге, нужен повторяемый рост исследовательской способности на протяжении нескольких поколений моделей, измеренный с учётом двух вещей: человеческого вклада и стоимости вычислений. Конкретно я бы смотрела на следующее: - Растёт ли способность модели самостоятельно выбирать направления исследований, а не только исполнять поставленные эксперименты, ведь именно этот разрыв называет своим Anthropic. - Сохраняется ли ускорение, когда вы фиксируете бюджет вычислений, а не наращиваете его. - Держится ли эффект на нескольких поколениях подряд, а не на одном удачном релизе. - Подтверждается ли он контролируемыми замерами вроде METR, а не опросами и ощущениями. Пока хотя бы часть этих условий не выполнена, разумно считать, что мы видим ускорение отдельных задач, ровно как и написала сама OpenAI 9 сентября 2026 года.

Как вас обманывают на курсах по вайбкодингу Если бы мы с Ариной каждый раз рекламировали курсы по вайбкодингу, то уже бы озолотились Все вчерашние эксперты по продукту, крипте, личному бренду и прочему вдруг решили, что они шарят как быстро запускать ИТ-продукты Собственно, кроме как запускать они больше ничего и не знают. Ведь можно буквально несколькими промптами сделать так, что у тебя уже будет сайт с каким-то функционалом и даже можно будет скинуть на него ссылку (без рофла) Но достаточно ли этого? Я начал что-то пробовать с ИИ-разработкой еще когда чатГПТ только появился. Пользовался в формате «скажи какой код нужен» и потом копипастил его к себе в среду разработки, где что-то запускал С тех пор LLM и компании вокруг них сделали огромные шаги вперед и у нас появились скиллы, агенты и даже новые среды разработки Однако у ИИ есть коварный момент. Он делает х10 к компетентности или некомпетентности человека. Поскольку вам продают курсы по вайбкодингу люди, кто никогда не был разработчиками, то они в 100% случаях продают свою некомпетентность. Если чел всю жизнь был маркетологом, какой из него эксперт в разработке? Камон Например, я убежден, что лучший вайбкодинг это когда ты до определенного момента доводишь сам, а в какой то момент передаешь разработчику. Но это момент где-то на 1 млн р / мес выручки. До этого вполне можно запускать все самому. Но там есть куча подводных камней Как минимум, а как накатывать обновления так, чтобы все в проде не накрылось медным тазом? И вот элементарно даже этому не учат Сходил на парочку хайповых курсов: от лысых, волосатых, толстых и худых мужиков. Ну и дичь же они там рассказывают) Даже было несколько неловко смотреть как люди объясняли как вайбкодить НЕ говоря и слова про Docker. Хотя даже я, не разработчик, понимаю, что без него это гг, а не проект Короче, вайбкодинг это модное слово. Но вообще нужно учиться просто разработке с ИИ — агентской разработке Это когда ты сам код не пишешь, но управляешь агентами, которые это делают. А чтобы это уметь, нужно для начала понимать как вообще устроен флоу разработки от требований до деплоя. А вот этому уже никто не учит. Все продают вам воздух из трех вебинаров На интенсиве по кэш-машинке меня регулярно спрашивали, когда я сделаю что-то про вайбкодинг. Поэтому я решил кое-что рассказать, бесплатно Начинаю серию постов 🔥

Чтобы в продукте появилась новая функция, сначала нужно правильно сформулировать задачу разработчику (ну или нейросети). Один из подходов для этого - метод EARS (Easy Approach to Requirements Syntax). Этот метод позволяет формулировать требования к программным продуктам понятно, структурированно и без двусмысленностей. Разработал его в 2009 товарищ Алистар Мавин для компании Rolls-Royce. Вот, кстати, его сайт, там и про EARS есть. Метод выделяет пять основных шаблонов для описания различных сценариев поведения системы: 🔹Постоянные требования (Ubiquitous) действуют постоянно без условий - [Система] должна [действие]. 🔹Управляемые состоянием (State-driven) активны при определенном состоянии - Пока [состояние], [система] должна [действие]. 🔹Управляемые событиями (Event-driven): срабатывают в момент триггера - Когда [событие], [система] должна [действие]. 🔹Требования с доп. условиями (Optional-feature) применимы при наличии конкретной функции - Где [функция или возможность], [система] должна [действие]. 🔹Требования при нежелательном поведении (Unwanted-behaviour) описывают реакцию на ошибки - Если [нежелательное условие], [система] должна [действие]. Пример: Когда пользователь нажимает кнопку «Сохранить», система должна добавить вакансию в список избранного пользователя. Это требование понятно разработчику, тестировщику и заказчику. Вот тут подробнее. #process

Решаем задачу по реверс-инжинирингу от Jane Street Jane Street время от времени выпускает крайне сложные челленджи по реверс-инжинирингу. Автор потратил на такой челлендж целый месяц, попутно написав собственный симулятор схем, свой язык для их описания и даже свой просмотрщик диаграмм, прежде чем признал, что готовые инструменты вроде surfer и GDS Viewer справятся лучше. Схема, которую предстояло разгадать, отвечает текстовыми сообщениями на поданные сигналы. Неверный пароль выдаёт TRY AGAIN, нулевой сигнал даёт EMPTY SKY, а сигнал из одних единиц оборачивается BIG BANG. Среди всех возможных значений входного сигнала есть только один вариант, на который схема отвечает иначе, и перебором его не найти. Узнаем, каким оказался этот пароль и что для этого пришлось провернуть с симуляцией.

Из чего состоит мой стэк ИИ-разработки на данный момент: 1. Основную работу выполняет Claude Code. У меня подписка Max. Вместе с налогами выходит 120 USD в месяц. Он закрывает все вопросы по веб и мобильной разработке, помогает с контентом, курсами, платформами и вообще всем. Если у вас есть карта ByBit и вы тратите по ней больше 500 USD в месяц, то можно получить кэшбек с подписки в 50 USD. 2. Изображения я генерирую через Gemini Flash Image, но не через прямой API-ключ, а бесплатно. Для этого вам нужно звести проект в Google Cloud и всем новым пользователям дается 300 USD, которые можно тратить на все возможности этого сервиса. Далее через Vertex AI и специальной настройки, я бесплатно использую модель для генерации картинок. Кредитов хватает на очень много изображений. Лимит только по времени. 3. На learn.rusau.net у меня есть озвучка клоном курсов, карточек, ассистента. Здесь тоже я работаю бесплатно вплоть до ноября через https://fish.audio/ru/blog/s2-1-pro-free-api/ Лайфхак: можно заранее записать самые популярные вопросы, ответы и сложить их в базу. Из дополнительного: 1. Есть подписка на Google Workspace, в которой есть Gemini Pro. Использую его когда нужно получить быстро овтет или разовую картинку. Но это редкий кейс. Подписка турецкая, так что 3 доллара в месяц меня не пугает. 2. ChatGPT Luna через апи-ключ у меня под капотом во всех ИИ-помощниках и аудиторах. За месяц уходят десятки центов на расходы. 3. Не ИИ, но инфраструктура у меня на Railway + зеркало для РФ + базы на cloudfare + роутинг и запасной хостинг на AWS. Примерно 50 долларов в месяц. И главный вопрос, который волнует многих: а это окупается? Учитывая, что все расходы на описанное сейчас это порядка 125 на ИИ и 50 на инфру долларов в месяц, то, конечно, окупается. Нейронки используются не для одного конкретного проекта, а вообще для всей моей работы: соцсети, курсы, ИИ-помощники, личная рутина, налоги, миграционные вопросы и еще куча всего. И это заменяет мне кучу платных подписок на другие сервисы, потому что такие же сервисы я разработал для себя. Единственное, что ИИ никогда не заменит, так это ваше время, идеи, тестирование. И все еще затраты идут в человекочасах, но там, где раньше я тратил месяцы на разработку, могут уходить дни, и самое главное: теперь есть возможность параллельной работы сразу над несколькими проектами.

Восемь часов онлайн ≠ восемь часов работы. Зачем мы вообще логируем время сотрудников? Разработчик два часа пишет код, потом закрывает IDE и лезет в документацию, спорит о решении с коллегой, идёт за кофе. И вот на этой прогулке, когда не двигается ни мышь, ни клавиатура, до него доходит, что предыдущий вариант архитектуры вообще не стоит трогать. Самое ценное за три часа случилось там, где ни один таймер ничего не засёк. А контроль присутствия видит совсем другое. Зелёный статус, запущенный счётчик, аккуратные восемь часов в отчёте. Красивая цифра, которая о результате не говорит ровным счётом ничего. Стоит начать требовать эти часы, и человек быстро научится их показывать, без всякого злого умысла, просто подстроившись под правила игры. Ловушка захлопывается тем крепче, чем умнее работа.