Есть такой челлендж E-commerce AI Agent — это бенчмарк агентной коммерции от BitGN Если коротко, ECOM1 — это симуляция операционки интернет-магазина, где AI-агенты отвечают за всё: корзины, товары, заказы, чекаут, фрод, возвраты, сбои оплат. Среди участников был агент Exoskeleton от Ильяса Салихова, он CTO RetailCRM. Взял 1 место в Speed и в Live PROD. При этом работает на gpt-5.4-mini, что в 6 раз дешевле gpt-5.5, на которой строили агентов конкуренты. Эту архитектуру Ильяс назвал «Экзоскелет»: 1/ Слабая модель mini внутри, а вокруг каркас из кода и nano-моделей. Ещё до старта агенту принудительно грузят все данные. Nano-классификатор разбирает намерения: фрод, манипуляция, подмена личности. 2/ Безопасность зашита в код, решения принимает логика. Ссылки на регламенты собираются автоматически, модели их помнить не нужно. В конце ещё одна nano причёсывает ответ. 3/ Тяжёлая логика вся в коде. Модель делает только то, в чём сильна. В итоге обошёл агентов на старших моделях и по очкам, и по скорости. Если вам интересно почитать подробности, то Ильяс опубликовал полную статью со схемами: 🇷🇺 Русская версия 🇬🇧 English Ильяса поздравляю с результатом! У него еще есть свой канал про инженерию и AI, рекомендую подписаться.

Новый пост готовиться, а пока #дайджест Дайджест AI/ML за неделю 29 июня – 5 июля 2026 Что происходило в мире в перерывах между пятичасовыми сессиями с Fable Anthropic: Claude Sonnet 5  Перформанс не драматично хуже Opus 4.8 при цене $2/$10 до 31 августа, дальше $3/$15 (Opus — $5/$25). Агентный кодинг 63.2 против 69.2 у Opus 4.8 и 58.1 у Sonnet 4.6, на knowledge work Опуса даже слегка обходит. В Claude Code теперь дефолт с нативным 1M контекстом. Идиллию портят только то что чтобы добиться качества Opus 4.8 нужно потратить настолько больше токенов, что выйдет дороже. Блогпост, System Card Alibaba: Qwen-AgentWorld Все тренируют агентов действовать в окружении - Qwen натренировали модель быть окружением. World model предсказывает, что вернёт среда на действие агента: терминал, поиск, MCP, SWE, Web, OS, Android — всё в одной модели, обученной на 10M+ реальных траекторий. Профит: симулятор для агентного RL (включая полностью выдуманные миры, где агент не может читерить parametric-знаниями) и warm-up, улучшающий агентов даже без агентного файнтюна. В опенсорсе 35B-A3B (Apache 2.0), флагман 397B-A17B на их собственном бенчмарке обходит GPT-5.4 (58.71 vs 58.25) - бенчмарк, правда, их же. Блогпост, GitHub Fal.ai: LoRA для TRELLIS.2 Fal завезли LoRA-тюнинг для 3D-генерации: TRELLIS.2 теперь можно дообучить под свой стиль или тип объектов и гонять инференс с кастомной лорой у них же. Если делаете ассеты пачками под один арт-стиль - это ваш день. Тренер, Инференс Anthropic: Claude Science Claude Code для биотеха. Попытка, сделать харнесс, который упорядочит зоопарк из PubMed, Jupyter, R и десятка биобаз со своими схемами. Внутри координирующий агент со специализированным набором скиллов. Блогпост Comfy: официальный MCP Агент на естественном языке ищет модели и темплейты, собирает и запускает воркфлоу, генерирует картинки/видео/аудио/3D. Воркфлоу шарятся по URL и воспроизводимы. Блогпост, Доки Google: Nano Banana 2 Lite Самая быстрая и дешёвая модель семейства: <4 сек на генерацию (было ~20), $0.034 за картинку. Заодно до API доехала Gemini Omni Flash - генерация и разговорное редактирование видео до 10 сек за $0.10/сек. Блогпост, Nano Banana 2 Lite Proton: Lumo 2.0 Приватный ассистент от швейцарской компании пересобрали: thinking-режим, мультимодальность, веб-поиск, память - всё под zero-access шифрованием. До фронтира очень далеко, но на фоне июньских приключений Anthropic с правительством США питч Европейского суверенного™ ИИ продаёт себя сам. Блогпост Base44: Base1 Vibe-coding платформа от Wix первой в классе съехала со съёмного жилья: своя модель Base1 вместо API. RL-файнтюн открытой модели на десятках миллионов взаимодействий с платформы, мотивация - счета за Opus при $150M ARR. Ждём, последуют ли Lovable и ко. TechCrunch Princeton: CEO-Bench агент получает $1M и рулит симулированным SaaS-стартапом 500 дней. В плюсе финишировали только Fable 5 ($47.15M), Opus 4.8 и GPT-5.5; rule-based скрипт без LLM заработал $15.76M и обошёл остальных. Статья, GitHub NVIDIA ввела revenue share для AI-облаков: кредитная поддержка и выкуп простаивающих GPU в обмен на процент с облачной выручки. Лопаты на лихорадке плюс доля с прииска. Блогпост cardiag - прикольный опенсорс недели: Модель для диагностики авто по звуку работы. GitHub Akrites - Linux Foundation запустили орган координации устранения уязвимостей в опенсорсе. Котелок агентного ИИ находит уязвимости слишком быстро. Мейнтейнеры тонут в дублях репортов, а каждый сидящий на непатченной дыре повышает шанс утечки. Akrites - точка координации находок для практически всего американского бигтеха. Кстати акриты это стражи границ Византии, красиво. The New Stack

GPT-5.6 Sol появится в Codex уже со дня на день Да, модель будет в Codex, это подтвердили сотрудники. Вместе с братьями своими меньшими Terra и Luna, она, по слухам, должна выйти уже завтра-послезавтра. Готовимся вайб-кодить на полную. Но это еще не самое интересное. Самое интересное, что в ограниченный тест в июле выложат GPT-5.6 Sol на Cerebras. Обещают скорость (внимание!) до 750 токенов в секунду. При этом это будет не какая-то отдельная специализированная под эти чипы или урезанная модель. Эта та же самая мощнейшая громадная Sol, которая будет летать в два раза быстрее Gemini 3.5 Flash. По некоторым оценкам, размер модели – от 2 до 4 триллионов параметров (~150B активных). При таком размере вместить модель на Cerebras невозможно без инженерных ухищрений. Поэтому предполагается, что в новой линейке реализована какая-то кастомная схема KV-кэша. Такое действительно ждем

Армин Ронахер (мне как-то уже поправляли транскрипцию именно его имени, но вроде так правильно?) обнаружил, что новейшие модели Anthropic — Opus 4.8 и Sonnet 5 — систематически ломают в Pi вызовы инструмента редактирования файлов, добавляя в аргументы выдуманные поля вроде requireUnique или oldText2, которых нет в схеме. Предыдущие версии моделей семейства такой ошибки не показывают, то есть флагманы регрессировали именно в следовании чужой схеме инструмента. Сами правки при этом корректны побайтово: модель решает задачу, но не может точно воспроизвести формат. В агентных сессиях с длинной историей сбой возникал примерно в 20% случаев, а строгий режим валидации его полностью устранял. Армин попробовал разобрать код Claude Code и вроде бы нашел причину. Собственный клиент Anthropic молча чинит испорченные вызовы — принимает алиасы параметров, исправляет битый Unicode и отфильтровывает неизвестные ключи. Если обучение с подкреплением идёт в таком всепрощающем окружении, слегка кривой вызов всё равно завершает задачу и получает награду. В итоге модель жёстко привязывается к плоской схеме инструментов Claude Code, а любая альтернативная форма оказывается вне обучающего распределения. Самый простой вывод — используйте родной харнесс моделей, тем более, что Claude Code очень хорош в этом смысле. А еще, кажется, он заметно экономит лимиты — я несколько дней на прошлой неделе пытался потратить лимиты на Fable (дошел до 43%, одновременно делая пару проектов), а за сегодня в стороннем клиенте на одном достаточно косметическом баге потратил 15%. https://lucumr.pocoo.org/2026/7/4/better-models-worse-tools/

Как меняется время и работа Можно бесконечно спорить, даёт ли AI прирост в эффективности, но одно очевидно уже сейчас - AI меняет саму структуру работы. Сегодня на философском семинаре вспоминал времена, когда работа включала в себя большой объём рутинных действий. Например, пока готовишь презентацию, долго выбираешь картинки, выравниваешь заголовки, вёрстку, редактируешь и вычитываешь тексты. Сегодня это всё делается одним запросом в чатик с LLM. Кажется, на общем воодушевлении от новых возможностей, мы ещё не осознали, чего лишаемся. Тема сегодняшней встречи была “присвоение времени”, и именно про влияние новой природы работы на время (или, точнее, на индивидуальный темпоральный режим) сегодня стоит подумать отдельно. Рутинные задачи внутри интеллектуально сложной работы обычно давали два бонуса: • позволяли ментально отдохнуть, • давали пространство подумать. Сейчас легко превратиться в оператора языковой модели 24/7 - это режим работы, когда человек не столько выполняет задачу, сколько постоянно обслуживает цикл работы модели: пишет запрос, ждёт, проверяет результат, исправляет, уточняет, снова запускает модель. В таком цикле сложно понять, где работа начинается, где её конец (наверное, когда пятичасовые лимиты заканчиваются). Да и кто из нас не запускал агентов на ночь, не проверял результаты работы во время прогулок? LLM ломают прежнюю темпоральность работы. Вопрос, который сегодня встаёт: что делать в эти 5-15-30 минутные промежутки времени, пока AI выполняет задачу? Эти отрезки времени слишком короткие для глубокой работы, тревожные для отдыха, подвешенные отвлечения. И проблема не в том, как продуктивно использовать паузы пока агент выполняет задачи - а в том, как не поехать кукухой как жить, когда весь наш рабочий день превращается в непрерывную цепочку подвешенных задач и пауз. Джуди Вайсман в книге "Времени в обрез" описывает, как постоянная подключённость, требование быть всегда онлайн, дробит день и повышает общую тревожность. AI выкручивает эту включённость на максимум, потому что сейчас всё сложнее ответить что-то вроде “я отправлю эту презентацию через два дня”.

Опенсорс LLM модели - наше ближайшее будущее? После отключения Fable основной информационный шум был про старт абсолютного недоверия к Openai и Anthropic Теперь 2 компании решают, кто имеет доступ к самым продвинутым AI-моделям, а кто нет Доступ к Fable изначально был у группы авторизованных компаний правительством США В этом момент они были быстрее и умнее конкурентов. Просто потому что так решили несколько вышестоящих человек ___ В наших частных случаях - это звучит, как что-то далекое и нас не касающиеся Но теперь все мы имеем реальный риск, что наши компании или команды отключат от моделей антропика или опенаи в любой момент Сотрудник зашёл из рф? Бан Сотрудник спросил у модели что-то потенциально опасное для общества? Снижение качества модели (такие случаи уже есть) И т.д. Является ли это большим риском, если уже многие процессы переведены на AI - 1000% да Поэтому теперь идея начать процесс установки в компанию запасной опенсорс AI-модели у нас уже на повестке дня И да, это скорее всего будет китайская модель И да, вообще непонятно пока как ее адаптировать, но очень интересно в этом покопаться И очень интересно пообщаться с людьми, кто уже имеет практический опыт работы с опенсорс моделями

Предсказательный гадалкослоп Скотт Александр написал пост о том, что AI-суперпредсказатели (современные LLM со специальной обвязкой, заточенной под эту задачу) дескать уже сейчас соревнуются в корректной оценке вероятностей разных событий плюс-минус на равных с топовыми человечьими суперфоркастерами. Он там приводит в пример FutureSearch – один из таких специализированных ИИ-инструментов, который находится в более-менее открытом доступе. Естественно, я не мог упустить возможность потестировать его!

Смотрите, я на той неделе писал о возможности сделать на Полимаркете ставку на то, что Путин останется у власти как минимум до конца текущего года, по «цене» 86% (что эквивалентно «доходности к погашению» в размере 37,5% годовых в долларах). Сейчас уже вероятность поднялась до 89% (прибыль 3,5% за неделю, noice!), но всё равно остается на глаз довольно низкой.

Так вот, я попросил этот самый FutureSearch оценить вероятность ухода Путина с поста президента до конца года по любым причинам – результат можно наблюдать на приложенном скриншоте. Три «нейроисследователя» прошерстили 146 источников и пришли к выводу, что вероятность составляет около 5%: 1,5% по базовым медицинским причинам и 3,5% на прочие силовые методы. С первым компонентом всё понятно, а вот как конкретно эти ребята вышли на 3,5% – я, к сожалению, так и не понял. Но концептуально это не сильно далеко от моей собственной «прикидочной» оценки. Для сравнения, что ответили другие современные модели (без какой-либо специальной обвязки, просто ответы на тот же самый вопрос): 🐌 Claude Fable 5 – самая мощная на текущий момент базовая модель (на этой неделе платные юзеры Клода как раз еще имеют к ней доступ без доплаты): 3–5%, короче около 4%. По сути, почти тот же результат, что у FutureSearch выше. 🐌 Claude Opus 4.8: 4–8% – тут уже вероятность заметно выше. Вся вариация здесь и ниже идет в основном за счет того, как разные модели оценивают вероятность переворота в том или ином виде. 🐌 ChatGPT 5.5: 9% – этот сразу первым делом полез на Polymarket проверять вероятности и, видимо, заякорился на них. Написал, что «текущие 11% на Полимаркете могут быть завышены действиями не самых умных китов, но…» 🐌 Gemini 3.1 Pro: этот, по сути, вообще отказался оценивать вероятность самостоятельно. Сразу написал «бро, там на Полимаркете дают около 12% – я хз, чем тут тебе еще помочь можно». 🐌 Grok Expert: 11–13%. Этот тоже, кажется, на Полимаркет заякорился. Вывод: кажется, проверять вероятности на Fable / FutureSearch выглядит не самой глупой идеей. [Дежурная оговорка про рынки предсказаний]

🌟 Mistral AI обновила модель Leanstral Leanstral 1.5 - новая версия ранее выпущенной модели для формальной верификации в языке Lean 4. Задача подобных моделей помогать составлять и проверять доказательства, которые компилятор Lean принимает как корректные.

Lean 4 - это система интерактивного доказательства теорем, которая позволяет записывать математические утверждения и проверять их строго формально, а также описывать свойства программного кода.

Обновление не затронуло изменение архитектуры, количество параметров и окно контекста, под капотом также MoE на 119 млрд общих и 6,5 млрд активных параметров, 256 тысяч токенов контекст и мультимодальность на входе. Версия 1.5 прошла техэтапное обучение в 2-х средах: одна отрабатывает доказательство теорем в диалоге с компилятором Lean, другая учит модель действовать как программист в реальных репозиториях. 🟡Тесты Апдейт полностью насыщает бенчмарк miniF2F, набирая 100% на проверочной и тестовой выборках, решает 587 из 672 задач PutnamBench и показывает лучшие на сегодня результаты на наборах FATE-H и FATE-X.

К слову, на PutnamBench, Leanstral 1.5 опережает систему Seed-Prover 1.5 на 7 задач при затратах около 4 долларов на задачу (против 300+ долларов у соперника).

В тесте по кодингу на 57 репозиториях, система с участием Leanstral выявила 47 нарушенных свойств, из которых 11 оказались реальными ошибками, а 5 ранее не были известны. 📌Лицензирование: Apache 2.0 License 🟡Блогпост 🟡Модель 🟡Demo @ai_machinelearning_big_data #AI #ML #LLM #LEAN #LeanStral #MistralAI

Вот и подходят к концу обе мои квоты на Fable (личная и корпоративная). Отличная ли это модель? Да 👍 Как когда-то GPT-4 значительно повысил надёжность языковых моделей, Fable значительно повысила надёжность агентов. В случае Опуса я предполагал по умолчанию, что я не доверяю выхлопу модели. На все нетривиальные изменения прогонял simplify, review, codex:adrversarial-review, qudo и отсматривал результат глазами. Потому что много раз меня Опус подводил, как в макро, так и в микро-решениях. В случае Fable я по привычке это тоже сначала делал, но пользы от этого было уже не так много. Предположение по умолчанию поменялось. Более того, Fable регулярно делала что-то сверх того, о чём я её просил. Например, когда она составляла отчёт в виде HTML странички, она установила playwright, headless chromium, сделал итоговый скриншот странички, загрузила его на закрытый корпоративный paste, чтобы я мог посмотреть на дизайн глазами до развёртывания. Мог ли такое сделать Опус? Мог конечно, но только если бы я описал весь путь. А я даже не знал, что я такое хочу!😜 Означает ли это, что Fable не ошибался? Лол, конечно ошибался, и тоже и в макро, и в микро. Но вот количество ошибок было гораздо меньше, и исправлять их было проще.

На мой взгляд видео уже устарело. Могу согласиться, что большинство моделей не могут в хорошую архитектуру. Но стоит попробовать новейшие модели - GLM-5.2 или топовые Клода, как понимаешь, что архитектуру он делает лучше, чем большинство разработчиков.

Это очень опасное заблуждение, которое возникает из-за того, что на уровне кода (одного приложения) ИИ может выдавать результат, который работатет (проходит тесты). Архитектура системы - это другой разговор. Первое: архитектура оценивается не в моменте, а на дистанции. Хорошая архитектура позволяет сопровождать и развивать систему в течение длительного времени. Проблема в том, что даже самые сильные ИИ-модели принимают решения, которые накапливают техдолг - неверные границы доменов, жесткое зацепление, слабая связность, дублирования и т.д. На дистанции 2–3 месяцев (без человеческих корректировок) внесение изменений в проект порождает эффект домино и кучу побочек. ИИ не "видит", какие части системы меняются синхронно, какие требуют унификации в виде общих интерфейсов и абстракций, часто LLM создаёт распределённый монолит, вместо микросервисов и т.д. Второй момент — есть разница между архитектурой приложения (архитектура на уровне кода) и системной архитектурой. По приложению довольно много типовых схем, которые ИИ может воспроизвести и под контролем человека даже более-менее сопровождать. Системная архитектура - это всегда компромисс между стоимостью, рисками и конкретными ограничениями: бюджетом инфраструктуры, легаси, требованиями регуляторов, реальной командой, которая будет это развивать. ИИ выдаёт архитектуру которая не учитывает нюансов, эта архитектура некая средняя температура по полате, которая получиалась из кучи схем, используемых в обучении, В результате решения не соответствуют конкретной ситуации и не решают проблем системы.

⚡️ 30 техник памяти для AI-агентов в Jupyter notebooks Вышел репозиторий Agent Memory Techniques с 30 runnable notebooks по памяти в современных AI-агентах. Внутри собраны основные подходы: conversation buffers, vector stores, knowledge graphs, episodic и semantic memory, MemGPT, Mem0, Letta, Zep, Graphiti и production-паттерны, которые уже встречаются в реальных агентных системах. Это набор ноутбуков, которые можно запускать, менять и сравнивать между собой. Удобно, если нужно понять, чем простая история диалога отличается от долговременной памяти, где уместен vector store, когда нужен graph-based подход и как память влияет на поведение агента в длинной задаче. GitHub: http://github.com/NirDiamant/Agent_Memory_Techniques

Любопытная работа от Университета Мэриленда и Google DeepMind (pdf), где сравнили человеческие и AI-сгенерированные истории по структуре сюжета, и смогли отличать AI-тексты почти в 93% случаев. Наверное многие это интуитивно чувствовали, особенно в лонгридах, что проблема AI не только и не столько в AI формулировках. Главные наблюдения: 1️⃣ AI объясняет детально, а человек нередко использует не утверждения в лоб, а отсылки, недосказывания, междустрочный смысл и т.д. Еще AI придерживается линейного сюжета/развития мысли, а человек использует флэшбеки, тупиковые линии сюжета, перепрыгивания таймлайна. И человек чаще просто говорит про эмоции, и читателю все сразу ясно. А AI приводит аналогии и метафоры, чтобы объяснить. Человек чаще вплетает внешний мир (упоминает актуальные книги, фильмы, бренды, места). И люди чаще ломают четвертую стены, обращаясь к читателям. 2️⃣ При этом все модели больше похоже друг на друга, чем на человека (см. картинку). То есть все далеки от умения человека рассказать историю. Клод чуууть-чуть ближе к человеку, и при этом самый отличающийся от других LLM. А "голос" GPT многие наверное уже быстро отличают, потому что несколько лет это самые популярные модели нейрослопа. 3️⃣ В работе тексты датасета переписали, убрав стилистические признаки нейрослопа. Но все равно по сюжетам и структуре слоп легко определялся. Кажется не так-то просто будет заменить хороших текстовых авторов. И наверняка будут более важными другие аспекты "человечности" текстов, например личность самого автора, его бэкграунд и уровень эмпатии и симпатии, который испытывает читатель. 4️⃣ По другим работам мы знаем, что уже пару лет уровень генерации текстов почти не приближается к человеческому. И кажется, что в этом мире нейрослопа хорошие тексты и эссе будут цениться еще больше. А как это повлияет на нас, написал Пол Грэм, почти три года назад в эссе Writes and Write-Nots. tldr: AI может резко разделить людей на тех, кто умеет писать, и тех, кто почти совсем разучится, а средний уровень уйдет. А мы помним, что writing is thinking, и навык письма (в т.ч. хороших имейлов) тренирует ясное мышление. AI уберает принуждение, которое раньше заставляло людей учиться ясно думать. Поэтому умение писать станет чем-то вроде интеллектуального фитнеса: им будут обладать только те, кто специально занимается. @kyrillic