ИИ

Для того чтобы погонять Fable 5, пришлось вернуть подписку на Клода. В целом чувствуется, что модель сильнее Opus 4.8 (это проявляется в мелких деталях, подробнее писал в ИИ-лаборатории нашего клуба), но глобально ничего не меняется. Но вот что меня поразило, так это мои ощущения от использования Claude Code: как же я отвык от human in the loop, сидеть и постоянно контролировать - это не мое. У меня сейчас для работы сделано два оркестратора. Один реализует проектный SDLC, второй - общего назначения. Они связаны друг с другом и могут обмениваться заданиями и статусом выполнения, в общем агенте есть общий чат куда прилетают отчеты о выполнении. Развиваю проекты инкрементами, которые выглядят примерно так:

$soerdev add spec "Новая фича"
$soerdev refine spec
$soerdev plan
$soerdev run

Это реализация цикла Human ON the loop. Логика такая: добавляем драфт спеки, обсуждаем детали, фиксируем план, запускаем цикл до выполнения критериев останова. В работу не вмешиваюсь, но вижу в чате и телеграм боте что происходит. И знаете что? Это реально удобно! Теоретически что-то подобное можно настроить и в CLI-агентах, но все равно придется допиливать харнес для отправки сообщений в телеграм, делать свой аналог гейтов, делать скилы и промпты. А так все зашито в оркестратор soerdev.

Как фаундер Morning Brew Алекс Либерман построил контент-машину ✍️ Этим летом у меня выдалось особенно много работы (хотя когда было иначе). Одновременно как автор и редактор работаю над тремя книгами, а еще к сентябрю мы готовим выпуск Основателей. Кроме того, есть проекты поменьше, но тоже связанные с медиа и текстами. К концу очередного рабочего воскресенья обнаружила себя в состоянии просто физической усталости от этих ужасных мертвых нейросетных формулировок, которыми грешат авторы. Справедливости ради, не все, но многие, даже хорошие. Рука потянулась к Довлатову, Норе Граль и Лидии Чуковской — классикам-борцам за хороший текст на русском языке. Когда немного отлегло, решила погрузиться в тему, как же вообще-то грамотно в нашей профессии пользоваться ИИ. Всем уже понятно, что совсем не использовать его нельзя, но большинство авторов и редакторов слишком уж топорно это делают. Буду для себя систематизировать опыт мэтров и иногда делиться здесь. В How I AI, одном из подкастов Ленни Рачитски, о котором я писала здесь примерно миллион раз, вышла интересная беседа с Алексом Либерманом. Вместе с партнером Остином Рифом они когда-то придумали Morning Brew — американское деловое медиа с ежедневной рассылкой для молодой профессиональной аудитории. Потом продали его Insider Inc. Теперь Либерман развивает Tenex — компанию, которая помогает бизнесу внедрять ИИ в операционные процессы, и Storyarb — сервис создания контента для основателей и команд. В подкасте он рассказывает, как построил в Claude систему, которая помогает ему регулярно писать сильные тексты и не упираться в главный кошмар любого автора — пустой лист. Что важно — система Либермана построена вокруг его собственных мыслей, опыта и стиля. Claude нужен ему просто как редакционная машинка, которая помогает находить темы, вытаскивать фактуру, собирать черновики и доводить текст до нужного качества. 🔗На чем построена система? 1️⃣ Разобрать на части собственный процесс Либерман начал с понимания того, как он вообще создает контент от идеи до публикации. Это важный шаг, потому что ИИ плохо чинит хаос. Сначала нужно понять, где именно рождаются темы, где теряется время и какие этапы можно пересобрать. 2️⃣ Собрать «машину идей» Его AI Oracle каждый день анализирует последние семь дней переписки в Slack, заметок в Notion, писем, встреч и публикаций авторов, за которыми он следит в X и LinkedIn. На выходе система предлагает 15 тем для будущих текстов. Все это сделано, чтобы ИИ-машинка давала подсказки, потому что написать текст часто проще, чем понять, о чем действительно стоит писать. 3️⃣ «Совет редакторов» У некоторых предпринимателей есть личный совет директоров, а у Либермана — совет редакторов. Считаю, это просто гениально. Перед тем как писать текст, система устраивает ему интервью. Внутри — шесть виртуальных интервьюеров в стиле Тима Ферриса, Джо Рогана, Ларри Кинга, Говарда Стерна, Барбары Уолтерс и Майкла Бэрроу. Они задают уточняющие вопросы, пока не появится достаточно конкретики. Алекс отвечает голосом, поэтому итоговый текст собирается не из абстрактных идей модели, а из его собственных слов. 4️⃣ Библиотека лучших текстов В системе есть файл с лучшими постами Либермана, удачными заголовками, рабочими структурами, характерными авторскими приемы и интонация. Так Claude пытается попасть в уже существующий авторский голос вместо того, чтобы писать усредненным интернет-языком. 5️⃣ Дабл-чек от «света редакторов» Перед публикацией текст оценивают шесть ИИ-редакторов. Один из них, как шутит Либерман, отвечает за аллергию на ИИ-мусор (со мной именно она случилась). Текст не проходит дальше, пока не набирает минимум 9 из 10. Это создает дополнительный фильтр качества. 6️⃣ Работа над ошибками Claude сравнивает первый черновик с финальной версией, выделяет повторяющиеся ошибки и предлагает добавить новые правила в базу знаний. Так система постепенно перестает наступать на одни и те же ошибки. @karpovaventures✍️

Открытые модели догнали фронтир – и это плохая новость для Anthropic Хорошая статья и правильные мысли. Пострадает от китайцев в первую очередь Антропик. Вот почему: – Главная статья расходов после обучения – инференс, то есть использование видеокарт и электричество – Три стратегии: арендовать дата-центры (Anthropic, Moonshot, Knowledge Atlas), строить свои (Meta, Alibaba) или владеть и генерацией, и дата-центрами (SpaceX) – Чем больше стека ты контролируешь, тем больше переменных затрат превращаются в фиксированные – и тем быстрее растет маржа с ростом использования – Если инфраструктуры нет, твои затраты масштабируются вместе с выручкой – маржа не растет Почему Anthropic в уязвимой позиции – Компания без собственной инфраструктуры выживает только за счет спроса на модели: нужно быть либо лучшей, либо дешевой и «достаточно хорошей» – Fable 5 – лидер по качеству, но почти в 3 раза дороже конкурентов в пересчете на выполненную задачу (данные Artificial Analysis) – Ставка на продукты-«харнесы» (Claude Code, Cowork) рискованна: барьер входа в этот сегмент почти нулевой. – У OpenAI, наоборот, модели немного слабее, но есть более понятные защиты вокруг: консьюмерский продукт, голос, железо и готовность инвестировать в собственные дата-центры В 2025-м открытая модель догнала фронтир один раз – сейчас это делают сразу несколько лабораторий (GLM 5.2, Kimi K3, Qwen 3.8). Это уже устойчивый паттерн: догоняют, конкурируют и, возможно, скоро начнут обгонять – особенно с учетом цены Вывод автора: model-only компании (Anthropic, Moonshot, Knowledge Atlas) стратегически проигрывают тем, кто владеет инфраструктурой и дистрибуцией – OpenAI, Alibaba, Meta, Google, SpaceX. Текст хороший, но с одной слепой зоной: автор сводит защищаемость к инфраструктуре и недооценивает энтерпрайз-инерцию. Компании, которые уже встроили Claude в свои процессы, комплаенс и безопасность, не мигрируют на открытую модель из-за 3-кратной разницы в цене инференса – стоимость переключения выше. Но часто задают вопрос: «а можно то же самое на open-source в нашем контуре?» Раньше честный ответ был «нет». Приходилось либо мириться с "глупостью" опенсорса, либо анонимизировать данные. После Kimi K3 и Qwen 3.8 он все чаще будет «да, и возможно даже дешевле» (если конечно у вас есть деньги на серверную стойку). https://www.emergingtrajectories.com/lh/frontier-lab-economics/

Почти безлимитный Codex Обнаружил, что когда ставлю на ночь в кодексе тяжелые задачи по разметке данных, которые идут по 5-6 часов, то они добегают до конца даже если заканчивается недельный лимит. Поделал так три раза (новые задачи на нулевом лимите не стартуют, поэтому потратил все сбросы лимитов, которые были), каждый раз срабатывает. Сегодня поставил задачу раз в 10 больше (сейчас размечаю мультиязычные книги для Библиоточки), чтобы посмотреть, когда упадет. В итоге остановилось где-то через 3 часа после фактического исчерпания лимита. Сам недельный лимит съелся за 6 часов, т.е. в вебе и в status'е показывает 0%, но задача ещё долго выполняется. Я думаю, на сервере выставлен довольно большой grace limit, чтобы тебя сразу не обрубали посреди задачи. Спасибо от работяг. Всё делаю Sol'ом в ultra режиме, подписка за 100 баксов. 👉 Если у вас остается несколько процентов от лимита, попробуйте поставить что-то тяжелое.

Почему стоит держаться подальше от OpenCode Интересный обзор от инженера Luke Wren. Автора бесит и качество работы, и безопасность. 1. Тратит ваши деньги впустую Когда агент общается с LLM, провайдеры (Anthropic, OpenAI) умеют кешировать уже отправленный контекст: повторно те же токены стоят в разы дешевле. Но кеш работает только если начало разговора не меняется ни на символ. OpenCode ломает это постоянно: перечитывает одни и те же файлы заново, вставляет в промпт текущую дату (изменилась минута – кеш умер), выкидывает куски контекста без необходимости. Итог – вы платите полную цену за токены, которые могли стоить копейки. Вторая беда – обрезка контекста. Если прервать агента на полпути, он может «забыть» важное – например, спеку проекта, которую вы ему скормили. Дальше он работает, не помня, что вообще нужно было сделать. Плюс мелочи: с подагентами нельзя пообщаться, когда они тупят, интерфейс в терминале жрёт память, ломает многострочный ввод и не поддерживает базовые шорткаты редактирования. 2. Это дыра в безопасности AI-агент выполняет команды на вашем компьютере. Чтобы он не натворил дел, ему нужны ограничения – «вот это можно, вот это спрашивай у пользователя». Вопрос в том, как эти ограничения устроены. OpenCode проверяет команды по тексту: смотрит на строку, которую агент хочет выполнить, и решает, опасная она или нет. Например, можно запретить команды git. Проблема: shell – это полноценный язык программирования, и одну и ту же команду можно записать бесконечным числом способов. Автор показывает десять обходов, вот пара для понимания: – echo 'git clean -fdx' | bash – формально это команда echo, «безобидная». Но она передаёт запрещённый git прямо в shell, и тот выполняется – python3 -c 'import subprocess; subprocess.run(["git", "checkout", "."])' – формально это python, а не git. Фильтр пропускает То есть запрет работает только против агента, который не пытается его обойти. А LLM может обойти его даже случайно, просто потому что так «удобнее» написать команду. Дальше хуже. Кнопка «Always» (разрешить навсегда) запоминает разрешение слишком широко: один раз одобрили безобидный echo hello – и теперь агент может выполнить echo 1 > /sys/class/gpio/gpio21/value. Это уже запись в системный файл. Перенаправление вывода (>) вообще не проверяется. И на десерт: у OpenCode уже был CVE – уязвимость, при которой можно выполнять произвольные команды на машине пользователя. Показательно, как закрыли issue об этом: его закрыл бот для «протухших» тикетов. Не человек, разобравшийся в проблеме, – бот, который чистит старые обращения. Автор говорит: фильтровать команды по тексту – бесполезно в принципе, это "и так сойдет", а не безопасность. Настоящая изоляция делается средствами операционной системы: Landlock в Linux, Seatbelt в macOS – механизмы, которые физически не дают процессу трогать файлы за пределами разрешённых. Тогда неважно, как хитро записана команда, – ОС просто не даст ей навредить. Стоит прочитать целиком, если пользуетесь, особенно раздел с обходами правил безопасности. https://wren.wtf/shower-thoughts/stop-using-opencode/

#Нейропрожарка С днём рождения, Таша Автор: @sershanga Предыстория:

Это небольшой мульт, в основе которого лежит реальная история одного дня рождения, когда я решил удивить свою девушку и вручить ей подарок необычным способом. Договорившись с другом, чтобы он подлетел на квадрокоптере с привязанным подарком в определённое время к нужному месту на пляже, я срезал верёвку и вручил подарок своей девушке, получив взамен бурю ярких эмоций и радости от неожиданности.Мне хотелось не просто собрать красивую последовательность кадров, а сделать законченную мини-историю-отсылку, которая эмоционально возвращала бы в тот момент.

Как создавался мультфильм: В первую очередь был написан сценарий, в котором всё было детально расписано. Помог мне в этом ChatGPT, которому я надиктовал всю историю в деталях. После добился от него сцен-план и приступил к его реализации.Сначала подготовил персонажей. Для этого использовал наши с девушкой фотографии. В основном работал с Nano Banana 2. Много времени ушло на создание похожих лиц. После этого уже делал полноценные sheet сборки с разными позами, эмоциями и крупностями.Дальше ключевые кадры локации и на основе фотографий из интернета получил что-то похожее на реальное место, в котором мы находились в тот день. Изредка пользовался GPT Image 2.0, если не получалось правильно расположить камеру, передвинуть лавочку и т. д. В некоторых сценах он лучше понимал, что нужно, в отличие от NB2, но был дороже. Также использовал Photoshop, чтобы добить картинку или убрать мусор. Почти во всех сценах я финально объединял персонажей и локацию, подготавливая к анимации, по сути, ключевой кадр. Анимация создавалась с помощью Seedance 2.0 и Kling 3.0. Для сохранения внешности персонажей между сценами я всегда подгружал две sheet картинки с нашими персонажами и одну ключевую локации вместе с ними. Для написания промптов в Seedance я создал себе агента через клода, который понимал архитектуру модели. Также я загрузил ему данные с официального сайта ByteDance о том, как грамотно писать промпты. С таким подходом почти с первого нажатия кнопки я получал устраивающий меня результат. Сиденский в этой задаче — мой фаворит(естественно) но клинг был хорош в простых сценах, например с крупным планом лица или шагами по песку, и стоил дешевле. Перед каждым нажатием кнопки я десять раз всё перепроверял и пытался спрогнозировать результат, внимательно читая промпт. Технические детали: Картинки делал во Flora.ai. Очень кайфанул: удобная нодовая структура, и на тот момент у каждой модели была фиксированная цена за генерацию независимо от выбора 2K/4K. Это было очень дёшево, плюс был бонус за переход на тарифе. Сейчас, увы, эту схему они пересмотрели и сделали как у всех. Анимацию делал в Higgsfield, без всяких студий и наворотов. 1080p без апскейлов. Монтаж, цветокор и финальную обработку делал в DaVinci Resolve. Звук брал на Envato и слегка дорабатывал его под монтаж в Suno. SFX также брал на Envato. На всё вместе ушло около пяти дней, иногда без сна, хотя реализацию мультфильма я планировал около года. Затраты на нейросети и сервисы: Flora.ai — Nano Banana 2, GPT Image 2.0, Upscale — 30 $ Higgsfield — Seedance 2.0, Kling 3.0 — 50 $ за 1000 токенов, из которых в конце осталось 120 ChatGPT, Claude — годовые подписки, 20 $ Envato — годовая подписка Suno — бесплатная версия В итоге получился личный подарок на день рождения, который по затратам на генерации стоит меньше 100 $, а общая стоимость ролика — бесценна. @cgevent

Ключевое за 3 дня ⚡ Главное • Moonshot AI выпустил открытую модель Kimi K3 — 2,8 трлн параметров, превосходит топ-модели США, цена от $3/млн токенов. • Alibaba представляет Qwen 3.8-Max с 2.4 трлн параметров — Модель уступает только Claude Fable 5, обещает открыть веса. • ВВС США и DARPA провели полет AI-управляемых истребителей F-16 — Флот AI-управляемых истребителей F-16. 📈 Рост и Оптимизация • Физик Юджи Тачикава — Claude Fable решил задачу, над которой он и коллеги бились 6 месяцев — Claude Fable решил сложную научную задачу. • +39% конверсий после удаления заметного призыва к действию — Удаление CTA на главной странице увеличило конверсии на 39%. • Nvidia объединяется с японскими фирмами в крупном продвижении робототехники — Партнёрство с Fanuc и Yaskawa, Sony-backed Noetra купит 27,500 чипов Nvidia Rubin. • Школьный округ в Нью-Йорке тестирует человекоподобного робота-учителя Sally — Робот помогает в курсах AI и робототехники. • Опрос Bloomberg: как лондонские финансисты внедряют ИИ на своих условиях — 85% профессионалов считают владение ИИ важнее традиционных навыков. • Как Netflix построил стек для LLM-инференса — Подробности о выборе движка, упаковке моделей, дизайне API. • Китайский AI-стартап Z.ai приближается к $1 млрд продаж — Зарабатывает на развёртываниях для госсектора и облачном бизнесе. 🤖 Промпты и Практика • 10 промптов для редактирования реальных фото — Изменение выражения, ретушь кожи и другие улучшения. • 5 советов по использованию NotebookLM — Практические советы. • Когда использовать временный чат в ChatGPT — Temporary Chat не сохраняет историю, подходит для личных вопросов. • Как экономить токены при исследованиях — Используйте дешёвые модели для поиска, точные — для проверки. 🛠 Инструменты • Canva запустила Code 2.0 — Создание интерактивных сайтов и приложений по текстовым запросам. • Bono — Генерация контента в вашем стиле после 10-минутного разговора. • HeyGen — Создание видео без камеры и навыков монтажа. • SnapBlock — Создание сайтов и приложений за минуты с помощью ИИ. • FreeOCR — Бесплатный инструмент для извлечения текста, таблиц и данных из документов. • Kimi Code CLI — AI-агент для кодирования в терминале от Moonshot AI. • Alibaba открывает софтверный стек для AI-чипов — Open source стек для чипов Zhenwu снижает барьеры миграции с CUDA.

⚡️GPT-5.5-Cyber обходит Mythos:

ИИ-агент для легального пентеста от OpenAI

🔍OpenAI запустила ИБ-инициативу Daybreak и показала GPT-5.5-Cyber - специализированную версию своей флагманской модели. Главное отличие от базовой версии: нейросети радикально снизили порог отказов. Она больше не читает мораль, когда безопасник просит сделать реверс-инжиниринг бинарника, разобрать малварь или написать рабочий эксплойт для теста. На профильных бенчмарках (включая тесты британского UK AISI и команды XBOW) новинка от OpenAI обошла закрытую модель Claude Mythos от Anthropic:

🟦Смерть белого ящика: В режиме White-box (при наличии исходного кода) GPT-5.5-Cyber пропускает всего 10% реальных уязвимостей. Для сравнения, предыдущие поколения моделей не видели от 18% до 40% критических багов.

🟦Мощный Black-box: Модель отлично реверсит скомпилированные программы без исходников, находя логические дефекты и строя векторы атак с нуля.

🟦Рабочий Remediation: Система не просто вываливает очередную пачку ложных срабатываний. Через фреймворк Codex Security агенты сами разворачивают песочницу, проверяют уязвимость на эксплуатируемость и выдают инженеру уже готовый, протестированный патч.

❗️OpenAI начала раздавать GPT-5.5-Cyber корпоративным ИБ-командам через жесткую верификацию Trusted Access. Рынок окончательно переходит от ИИ-советчиков к автономным цифровым пентестерам. Именно этот тренд меняет правила игры в индустрии прямо сейчас. В современном мире кибербезопасности умение искать уязвимости руками - это лишь необходимый минимум. Главным хард-скиллом становится навык грамотно настраивать автономных ИИ-агентов и автоматизировать свою рутину. Специалист, который понимает архитектуру нейросетей, умеет разворачивать ИИ-пентестеров и делегировать им первичный анализ или написание эксплойтов, закрывает задачи в десятки раз быстрее. Искусственный интеллект не лишит безопасников работы - её заберут те спецы, которые научились управлять ИИ-агентами и превратили их в свое главное оружие. 🦔 CyberYozh