AI4Dev — AI for Development

RSI: математика сингулярности

Разбираем одну из самых дискуссионных тем в IT-сообществе — рекурсивное самосовершенствование искусственного интеллекта (RSI). Сможет ли ИИ бесконечно улучшать собственный код и архитектуру? Или алгоритмы ждет неминуемый «коллапс» при обучении на собственных синтетических данных? Рассказывает доктор технических наук Владимир Крылов. 

🎥 Запись доступна здесь и на других площадках:

YouTube
RuTube
ВКонтакте
ЯндексМузыка
Mave

Anthropic добавила в Claude Code Desktop панель iOS Simulator. Запускается стандартный симулятор Apple из Xcode, а Claude управляет им напрямую: собирает приложение, тапает по экранам, читает результат и по кругу, пока не решит задачу. Можно тапать и самому параллельно, устройство общее.

Работает без computer use, разрешения macOS на Accessibility и Screen Recording не нужны. У каждой параллельной сессии свои симуляторы, внутри сессии до 4 устройств, можно проверить сразу на iPhone и iPad.

Только локальные сессии и только macOS (т.к. симулятор Apple больше нигде не работает). Нужен Xcode с iOS-платформой, планы Pro или Max. Пока бета. Не забываем, что скриншоты устройства уходят в Anthropic, в реальные аккаунты на нём лучше не логиниться.

Индустрия спорит на языке миллиардов долларов и терафлопсов. Но у развития больших языковых моделей есть пределы, которые не двигаются ни деньгами, ни железом — они заданы геометрией данных, теорией вычислительной сложности и теорией информации.

Наш гость Александр Пономаренко —соавтор алгоритмов NSW и HNSW, на которых работает большинство векторных баз данных, а значит и внешняя память почти любой современной ИИ-системы. Лауреат стипендии им. Ильи Сегаловича и IBM PhD Fellowship Award, научный сотрудник ИПФ РАН и лаборатории ЛАТАС, доцент кафедры прикладной математики и информатики НИУ ВШЭ.

Мы не будем задавать лёгких вопросов. Вместо этого обсудим споры, которые сейчас идут в исследовательском сообществе — и попросим гостя рассудить.

⏰ Запускаем трансляцию прямо сейчас!

Смотрите на YouTube или в ВК — и задавайте вопросы Александру!

T-Search — открытый агент для сложного многошагового поиска на базе Qwen3.6-35B-A3B, обученный полностью на синтетике. Один из немногих релизов, заточенных под поиск именно в русскоязычных источниках. Модель не пишет ответ, а отдаёт ранжированный список evidence-чанков, дальнейшую генерацию доверяете любой модели под свой продукт. Выложили всё: веса, харнесс отдельным репозиторием и два бенчмарка, включая TRuST — ручной бенчмарк агентского поиска на русском. Фактически это жёсткая связка модель+харнесс: промпты и пороговые значения — ровно та конфигурация, под которую модель обучалась. При этом сам поиск по документам — эмбеддер и векторную базу — поднимаете сами, в комплекте его нет. Просто заменить свой ретривер на T-Search не получится: придётся встраивать всю конструкцию целиком и проверять, как она ищет по вашей базе документов. Подробности про обучение и ссылки на репозитории — в статье на Хабре.

Британский AI Security Institute (государственный институт безопасности ИИ) опубликовал замеры разрыва между открытыми и закрытыми моделями в хакерских навыках. GLM-5.2 показывает уровень Opus 4.6 на отдельных задачах (эксплуатация уязвимостей, реверс, крипто) и Opus 4.5 на автономных многошаговых атаках в симулированных сетях. Итого текущий лаг — 4–7 месяцев. В 2025-м было 6–10. Закрытую модель провайдер может мониторить, банить и отзывать. Открытые веса после релиза доступны всем: safeguards снимаются, копии расходятся.

Moonshot выпустили Kimi K3, 57 баллов в Artificial Analysis Intelligence Index. Выше только Claude Fable 5 (60) и GPT-5.6 Sol (59). Opus 4.8 с его 56 остался позади.

Что интересно в цифрах:

— На GDPval (реальные рабочие задачи) 1668 Elo, третье место после Fable 5 и Sol
— На AA-Briefcase (длинные многошаговые задачи) вообще второе место, обошёл Sol. По качеству аналитики практически паритет с Fable 5: 1760 против 1764
— Цена $3/$15 за миллион токенов, ~$0.94 за задачу индекса. Это примерно вдвое дешевле Opus 4.8 при сопоставимом уровне

Чтобы глубже понимать контекст: в начале июня моделей с 50+ баллами в Artificial Analysis Intelligence Index было две, у Anthropic и OpenAI. Сейчас таких шесть. Только за последние восемь дней фронтир пополнили Grok 4.5, GPT-5.6, Muse Spark 1.1 и вот теперь Kimi K3. Отрыв лидера сжался с четырёх баллов до одного.

Веса обещают опубликовать 27-го. Но чтобы поднять такое у себя, конечно, нужен кластер. Практический смысл открытых весов есть для независимых провайдеров инференса и возможность файнтюна для тех, у кого есть железо.

А ещё ждём показателей Qwen3.8 от Alibaba, которая появилась в превью вчера, и которую они также заявляют как «second only to Fable 5».

Есть повод пересчитать экономику пайплайнов, которые держатся на дорогих моделях для агентских задач.

Live stream finished (1 hour)

Live stream started

🤔 Какова вероятность выживания человечества в эпоху суперинтеллекта?

Исследователь Элиезер Юдковский и президент MIRI Нейт Соарес изложили свой прогноз в книге, которая только что вышла на русском языке под названием «Если кто-то его создаст — все погибнут. Почему сверхчеловеческий ИИ уничтожит нас всех».

Доктор технических наук Владимир Крылов рассмотрит этот прогноз и обоснует возможность значительно более оптимистичного варианта развития событий. Он основан на разработках методов коммуникации с неживым, которые развивает биолог Майкл Левин. Ведь в будущем построение конвенциональных отношений со сверхинтеллектом существенно сократит вероятность рокового исхода...

⏰ Запускаем трансляцию завтра, 16 июля, в 13:00.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы лектору!

OpenWiki (LangChain, 1 июля) - открытый агент и CLI, который генерирует и поддерживает «вики» кодовой базы для агентов. Он индексирует репозиторий, фиксирует, где что лежит и как связано, а в CLAUDE.md/AGENTS.md кладёт не сотни страниц, а ссылку: агент сам подтянет нужное. Обновляется по коммитам через CI (GitHub Actions / GitLab / Bitbucket), читает diff с прошлого прогона и правит только затронутое. Провайдеры LLM: OpenRouter (дефолт), OpenAI, Anthropic, Fireworks, Baseten. Поверх DeepAgents, для трейса активностей агентов можно подключить LangSmith. Есть режим personal, локальная база знаний из ваших репо, Gmail, Notion, веб-поиска, и зачем-то даже есть коннекторы к Hacker News и X.
Вдохновлено DeepWiki, AutoWiki и концепцией LLM Wiki Карпаты.

Польза в том, что агент не должен заново разбираться во всём репозитории каждую сессию. Предполагается, что особенно эффективно, если репозиторий большой и legacy.

Открытый вопрос: что происходит с этой памятью со временем. Диффы копятся, глазами такие доки никто не читает. Нужен ли ревью владельцами модулей или дрейф не накапливается и обновления по коммитам достаточно? Если у кого-то уже крутится в CI, или был аналог - расскажите, что видите.

💥 Агентская фабрика на CI: автоматизируем весь цикл разработки

Лёша Берёзка, техлид iOS в "Додо Пицце" и автор канала о разработке, покажет онлайн, как построить «фабрику» агентов в CI‑пайплайне — систему, которая самостоятельно закрывает полный цикл от создания issue до влития Pull Request.

➡️ Разберём, как организовать оркестрацию нескольких агентов и обеспечить их согласованную работу.
➡️ Посмотрим, как фабрика автоматически заводит issue, сама их планирует, уточняет детали, реализует и доводит Pull Request до успешного слияния.
➡️ Разберём типовые проблемы и способы их решения.

Когда?
Завтра, 15 июля, в 13:00.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы Лёше!

В десктопном Claude Code появился встроенный браузер (Cmd/Ctrl+Shift+B). Агент открывает документацию, макеты и произвольные сайты, читает страницы, кликает по элементам и работает с локально запущенным приложением, расширение для Chrome больше не нужно. Браузер живёт в отдельном профиле и не видит логины и историю вашего основного, если агенту нужны именно ваши залогиненные сессии, для этого по-прежнему расширение Claude in Chrome.

Это замыкает цикл фронтенд-разработки: агент пишет компонент, сам поднимает dev-сервер, визуально проверяет интерфейс, воспроизводит пользовательский сценарий и чинит найденное. При первом действии на новом сайте спрашивает разрешение, а в настройках можно выбрать, сохранять ли данные сессий между запусками или каждый раз начинать с чистого листа.

Вышло новое поколение моделей OpenAI GPT-5.6: Sol, Terra и Luna. Artificial Analysis (независимая площадка бенчмаркинга LLM ) уже прогнали его по тестам. Главная новость: GPT-5.6 Sol (max) возглавил их новый Coding Agent Index с 80 баллами.

Индекс меряет работу агента целиком (а не только генерацию отдельных функций): исследование репозитория (SWE-Atlas-QnA, вопросы-ответы по большим кодовым базам), доведение задачи до проверяемого результата (DeepSWE, реальные задачи в духе SWE-bench), командную строку (Terminal-Bench v2) и координацию инструментов. Sol в связке с Codex лидирует во всех трёх тестах, при этом стоимость задачи примерно на 40% ниже, чем у Claude Fable 5 (max), и на 10% ниже Opus 4.8 (max) в Claude Code.

Sol — флагман: в Intelligence Index отстаёт от Fable 5 всего на 1 балл (59), но втрое дешевле, $1.04 за задачу. Terra и Luna дешевле на ~50% и ~80%, для массовых задач. По токенам Sol экономнее предшественника: 15k на задачу против 16k у GPT-5.5, при большем интеллекте, чем у Opus 4.8 и Gemini 3.5 Flash.

Похоже, для агентного кодинга Codex + Sol сейчас лучший baseline по цене/качеству. Для аналитически тяжёлых задач Fable 5 всё ещё впереди (Elo 1764 vs 1592 в AA-Briefcase).

🤖 AI-агент с нуля: руководство по MCP

В прошлый раз мы собрали ReAct-агента и разобрали, как работает tool calling под капотом. Теперь идём дальше — подключаем агента к реальному миру через открытый стандарт Anthropic.

Это вторая часть видеокурса об AI-агентах от ML-инженера Artezio Антона Максимова!

Разберём, почему самодельный протокол для инструментов — это тупик при масштабировании и как Model Context Protocol решает эту проблему раз и навсегда. MCP — единый стандарт, который уже поддерживают Claude Desktop, Cursor, Zed и десятки других инструментов.

В этом выпуске:
— Что такое MCP и зачем он нужен, если tool calling уже работает
— Роли в архитектуре MCP и чем они отличаются
— Пишем собственный MCP-сервер на FastMCP
— Подключаем ReAct-агента к серверу

🎬 Смотрите на YouTube или RuTube!

Следующая часть курса будет посвящена Memory, не переключайтесь :)

Голосовой агент — это не просто чат-бот + TTS. Это эволюция от текстового бота через полудуплекс к full-duplex, где на каждом уровне появляются свои проблемы. Пройдем этот путь на реальном production-стеке (Rust, ~1600 строк).

Как построить голосового AI-агента, экономящего время пользователя, рассказывает Виктор Загускин — руководитель центра компетенций голосового ИИ в MWS.AI.

В программе:
→ Голос, файловое распознавание: offline ASR, 3-7с roundtrip, SSML для склонений, LLM-нормализация услуг
→ Стриминг, полудуплекс: streaming ASR, VAD, гибридное EPD, порог тишины
→ Полный дуплекс: AEC (WebRTC AEC3), barge-in, tool calls в асинхронном потоке, pipeline parallelism
→ Метрики: покомпонентная latency, эволюция метрик, бенчмарки (Full-Duplex-Bench v1.5, EVA-Bench)
→ Native Audio LLM: speech-native модели, DuplexSLA, Moshi, MiniMind-O


🎥 Запись доступна здесь и на других площадках:

YouTube
RuTube
ВКонтакте
ЯндексМузыка
Mave

В AI-тусовке на выходных разогнали «новость»: Mistral якобы выпустила модель Le Chaton Fat, которая обходит Claude в benchmark’ах.

Проблема в том, что такой модели нет.

Новость выросла из старого названия ассистента Mistral -  Le Chat. Его уже переименовали в Mistral Vibe, а в X кто-то превратил «кота» в «толстого котёнка» и начал постить фейковые анонсы: MoE на десятки триллионов параметров, миллион токенов контекста, рекордные таблицы и прочий AGI к завтраку.

Дальше скриншоты разошлись, часть людей поверила, CEO Mistral Артур Менш подыграл фразой про le gros chaton, и мем на пару дней стал почти инсайдом. Но самой модели нет.

Разбор Numerama:
https://www.numerama.com/tech/2276253-cest-quoi-le-chaton-fat-le-modele-de-mistral-ai-qui-affole-les-reseaux-sociaux.html

Официальные новости Mistral:
https://mistral.ai/news/

У Claude будет жёстче проверка аккаунтов

С 8 июля новая privacy policy Anthropic разрешает запрашивать age/identity verification. Для возраста - селфи через Yoti или документ. Для проверки личности - government ID вроде паспорта и live selfie через Persona.

Это не значит, что 8 июля у всех разом попросят паспорт. Но если аккаунт попадёт под проверку, доступ может упереться в верификацию.

Для разработчиков неприятная часть не в самом KYC, а в зависимости от одного consumer-аккаунта. Если Claude уже сидит в вашем рабочем процессе, нужен план Б: резервная модель, сохранённые промпты, экспорт настроек и понимание, чем заменить сервис в день, когда он внезапно попросит документы.Anthropic пишет, что verification data не используется для обучения моделей.

Но вопрос в приватности и доступе к моделям в странах, которые Anthropic официально не поддерживает.

Privacy Policy: https://www.anthropic.com/legal/privacy

Age assurance: https://support.claude.com/en/articles/15171100-age-assurance-on-claude

Identity verification: https://support.claude.com/en/articles/14328960-identity-verification-on-claude

🚀 Codex CLI: создаём автономный код‑ревьюер

Предлагаем обзор простого, но рабочего сетапа, который позволит:
→ посмотреть возможности Codex CLI;
→ собрать базовую инфраструктуру;
→ реализовать автономный код-ревьюер почти без вмешательства живого специалиста.

"Для работы с агентами нужны 3 главных навыка: адаптивность, слабоумие и отвага. Потому что иногда агент делает очень умные вещи, а иногда — очень странные", — говорит Артем Летюшев, tech project manager twinby.ru и автор канала @junior_pm.

Артем показал в онлайне:
⚡️ как настроить Codex CLI и MCP;
⚡️ как подключить Skills и защитные хуки;
⚡️ как спланировать roadmap и быстро запустить проект.

Запись доступна здесь и на других площадках:

YouTube
RuTube
ВКонтакте
ЯндексМузыка
Mave

Разработчик успел до введеных Anthropics ограничений использовать Fable 5  для  реинжиниринга DOS-игры Midwinter (1989). За ночь параллельные агенты разметили 602 функции экзешника, сэкономив полгода ручного реверс-инжиниринга.

Сценарий отлично переносится на анализ закрытых legacy-систем. Секрет в архитектуре: агенты парсили ассемблер через общий evidence ledger, записывая и валидируя гипотезы друг друга. Результат — написанная ими Python-реплика алгоритма, побитово совпадающая с оригиналом.

Чтобы LLM не галлюцинировала в смещениях памяти и регистрах, критически важен именно такой журнал доказательств и локальный sandbox для тестов. Без жесткого фреймворка сверки фактов на выходе получается правдоподобный, но нерабочий код.

Технический разбор процесса:

https://midwinter-remaster.titanium-helix.com/decode

GitHub с ledger-журналом и тулзами:

https://github.com/DrEvil-TitaniumHelix/midwinter-decode

Видео пайплайна:
https://youtu.be/PonvG2whtkc