AI Product | Igor Akimov

+2

Посмотрел тут обновления от Artificial Analysis, мой любимый сервис для выбора лучших AI моделей и сервисов для всякого разного, ну... там много перемен. - Во-первых новый Flux, генератор и редактор изображений, обошел почти все кроме нано-бананы, а их открытая модель вообще все другие открытые модели. - Во-вторых, DeepSeek V3.2 просто нереально прокачался, стал умнее Sonnet 4.5 и Grok 4. Учитывая его открытость и сумасшедшую дешевизну, это просто вау и возможность генерировать тексты/код просто за копейки с сумасшедшей скоростью. - В-третьих, забахали новых бенчмарк по олимпиадной физике. Пока там лидер Gemini 3.0 Pro с 9%, у GPT-5.1 чуть больше 4. - В-четвертых, запустили OmniScience Index, расчет галлюцинаций, где штрафуется за выдуманный ответ вместо "я не знаю". Лидеры Gemini 3.0 и Opus 4.5, но самое тут грустное - огромные галлюцинации GPT-OSS, которую многие используют в качестве локальной модели. Не надо. Лучше китайские модели. - Ну и в пятых, они померили новые Мистрали, и там такое себе, кажется шансов догнать Китай все меньше... https://artificialanalysis.ai/

Гугл превращает свою Workspace подписку в реальный AI конгломерат! Теперь собирается на жатву ноу-код тулов - выпустил Google Workspace Studio - платформу для создания AI-агентов, интегрированную в Gmail, Drive, Chat и другие инструменты Workspace без кодирования на базе Gemini 3. Агенты умеют reasoning, а не просто следуют if-then правилам. Пример: вместо "если письмо от @client.com" → "если письмо содержит вопрос, требующий ответа". Агент сам определяет, что является вопросом. Можно создавать на естественно языке, типа "каждую пятницу напоминай обновить трекер". Есть библиотека шаблонов (саммари писем, брифы перед встречами). Gemini 3 создает цепочку шагов автоматически Есть интеграции в Asana, Jira, MailChimp, Salesforce, вебхуки, app scripts, Vertex AI, плюс глубокая интеграция со всей гугловой рабочей экосистемой из коробки. Это включено во ВСЕ бизнес-планы (то есть начиная от супер-дешевых). Короче, это огонь вообще! Раньше надо было либо использовать no-code тулы ограниченные, либо ставить внутрь n8n, которые пользователи радостно доломают своими интеграциями, либо кодить, теперь можно на естетственном языке создать и плюс не мучиться с интеграциями и всякими ключами. И это включено в подписку бесплатно. Кажется Гугл сожрет практически весь рынок около-AI-ного рабочего софта. Видос: https://youtu.be/Xy0r5fKwlVo https://workspace.google.com/blog/product-announcements/introducing-google-workspace-studio-agents-for-everyday-work

Гугл демпингует и давит конкурентов бесплатными тарифами. Opus 4.5 теперь доступен в Antigravity бесплатно... @cgevent

В 2026 году обещают конкретные планы. Пока их вывод: "Anthropic – это лаборатория для ответственного перехода. Мы хотим не просто изучать, как AI трансформирует работу, но и экспериментировать, как пройти эту трансформацию осознанно. Начиная с себя". Что я думаю сам: Если у создателей AI такие цифры и такие сомнения, представьте, что будет в вашей компании. Если вокруг вас ИТ-компании внедряют ИИ и получают +50% к производительности, то кажется без ИИ вам пипец... И у Антропиков привилегированная позиция: ранний доступ к лучшим инструментам, стабильная индустрия, сами создают AI. Но если даже там такой уровень неопределённости, то всем остальным отраслям нужно готовиться серьёзно. Когда компания, создающая AI, признаётся, что её инженеры боятся автоматизировать себя, это уже предупреждение для всех остальных индустрий: у вас будет то же самое, но без раннего доступа к лучшим инструментам и без команды исследователей, изучающих проблему. Готовьтесь. P.S. Исследование провели в августе 2025, когда Claude Sonnet 4 и Opus 4 были state-of-the-art. С тех пор модели продолжили улучшаться. Значит, всё описанное выше – это ещё далеко не финал. Полное исследование: https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic

Социальная изоляция. Claude стал первой остановкой для вопросов. "Я задаю намного больше вопросов, но 80-90% из них идут в Claude". Это создаёт фильтр: рутинные вопросы – Claude, сложные стратегические – людям. Звучит эффективно. Но senior инженеры говорят: "Грустно, что джуниоры теперь реже приходят с вопросами. Хотя они быстрее получают ответы и учатся быстрее". Один прямо: "Мне нравится работать с людьми, и грустно, что я теперь меньше 'нуждаюсь' в них". Другой сопротивляется: "Мне реально не нравится, что стандартный ответ теперь 'ты спросил у Claude?' Я очень ценю работу с людьми лично". Кризис смысла профессии. Часть инженеров говорит: "Я думал, что мне нравится писать код. Оказалось, мне нравится то, что я получаю от написания кода". Они рады AI. Другие: "Это конец эпохи для меня. Я программирую 25 лет, и чувство компетентности – ядро моей профессиональной удовлетворённости". Третьи видят трейд-офф: "Есть вещи, которые я упускаю – входить в zen flow при рефакторинге. Но я настолько продуктивнее, что готов от этого отказаться". Экзистенциальный ужас. Цитата инженера Anthropic: "Такое чувство, что я каждый день прихожу на работу, чтобы сделать себя ненужным". Другой: "Я чувствую оптимизм в краткосрочной перспективе, но в долгосрочной думаю, что AI в итоге будет делать всё и сделает меня и многих других нерелевантными". Это говорят люди, которые СОЗДАЮТ Claude. Представьте, что чувствуют в других отраслях. Половина опрошенных может "полностью делегировать" Claude только 0-20% работы. Потому что даже когда используют AI часто, они активно работают с ним итеративно и валидируют результаты. Особенно в high-stakes задачах. Это не "дал задачу и забыл", это постоянная коллаборация. Что изменилось за полгода: Claude Code раньше делал 10 действий подряд без человека. Теперь – 21 (+116%). Количество обращений человека к Claude упало на 33% – с 6.2 до 4.1 за сессию. Модель стала автономнее. Сложность задач выросла с 3.2 до 3.8 по пятибалльной шкале (где 1 – "базовое редактирование", 5 – "экспертные задачи на недели/месяцы"). Задачи на уровне 3.2: "Починить ошибки импорта модулей Python". Задачи на уровне 3.8: "Имплементировать и оптимизировать кэширующие системы". Использование для design/planning подскочило с 1% до 10%. Для имплементации новых фич – с 14% до 37%. Разные команды используют по-разному: - Pre-training (обучают Claude): 55% использования – новые фичи, в основном дополнительные эксперименты - Security: 49% – понимание кода, анализ security implications - Alignment & Safety: больше всего фронтенд-разработки (7.5%) – визуализация данных - Нетехнические сотрудники: 52% дебаггинг (чинят Git, network issues), 13% data science Каждый использует Claude, чтобы выйти за границы своей экспертизы. Это и есть "becoming full-stack". Абстракция или деградация? Может, это просто следующий уровень абстракции? Раньше программисты программировали с помощью физических переключателей. Потом писали на ассемблере. Потом появились высокоуровневые языки. Теперь английский язык становится языком программирования? Один сотрудник: "Я очень рад, что когда-то изучал linked lists... но делать эти low-level операции эмоционально не важно. Мне важнее, что код позволяет мне делать". Другой согласен, но с оговоркой: "С переходом на высокоуровневые языки большинство инженеров потеряли глубокое понимание работы с памятью. Абстракция имеет цену". Третий вообще отрицает проблему: "Мысль 'я теряю навыки' основан на предположении, что программирование когда-нибудь вернётся к тому, каким оно было до Claude 3.5. Я не думаю, что это случится". Что делать? Anthropic признаются: они сами не знают. "Никто не знает, что произойдёт. Важно просто быть адаптивным". Они планируют: - Обсудить с инженерами и лидерами, как совмещать команды и коллаборацию - Поддерживать профессиональное развитие в новых условиях - Создать best practices для AI-augmented работы - Исследовать, как AI трансформирует не только инженеров, но и другие роли - Рассматривают структурные подходы: новые карьерные треки, программы reskilling внутри компании

Ох, прочитал тут исследование Anthropic, как разработчики внутри используют AI, и там полно экзистенциального ужаса... Решил прям масштабно расписать. Присаживайтесь поудобнее. Anthropic изучил, как их собственные инженеры используют Claude в работе. И цифры получились настолько дикие, что компания решилась их продемонстрировать миру. Главное: 60% рабочего времени инженеров теперь проходит с помощью Claude. Год назад было 28%. Продуктивность выросла на 50% (было +20%). Это не маркетинг – это внутренний опрос 132 инженеров, 53 глубинных интервью и анализ 200,000 сессий с Claude Code за февраль-август 2025. 14% респондентов ("power users") удваивают свою продуктивность. Количество мерджей pull requests на инженера в день выросло на 67%. Это не "помог с багом", это трансформация всего процесса. Что делегируют AI: 55% инженеров используют Claude для дебаггинга ежедневно. 42% – для понимания чужого кода. 37% – для имплементации новых фич. Самое редкое использование – high-level дизайн и планирование. Пока держат в своих руках. Но граница размывается. Один инженер сравнил это с Google Maps: "Сначала использовал только для незнакомых маршрутов. Потом для маршрутов, где знаю дорогу, но не последний поворот. Теперь использую даже для ежедневной поездки на работу и доверяю, если предлагает другой путь. С Claude Code то же самое". 27% работы вообще не делали бы без AI. Это не "быстрее написал код". Это качественно новая работа: - Запуск десятков экспериментов параллельно (раньше делали 2-3) - Интерактивные дашборды "потому что можем" - Рефакторинг говнокода, до которого год не доходили руки - Исследовательская работа, которая раньше была экономически нецелесообразна 8.6% задач в Claude Code – это улучшение мелочей. Создание shortcuts в терминале, рефакторинг для maintainability, маленькие инструменты. То, что вечно откладываешь, но что убивает качество жизни. Бэкенд-разработчики теперь делают UI. Security-команда анализирует незнакомый код. Исследователи из Alignment & Safety строят фронтенд-визуализации. Все становятся full-stack. Один инженер описал, как построил сложный UI: "Claude сделал это лучше, чем я когда-либо смог бы. Я бы вообще не справился, точно не вовремя. Дизайнеры спросили: 'Погоди, ты это сделал?' Я ответил: 'Нет, Claude сделал – я просто промптил'". А теперь проблемы, о которых молчат в презентациях AI-опимистов: Парадокс надзора. Чтобы проверять код Claude, нужны навыки программирования. Но эти навыки атрофируются, когда делегируешь всё Claude. Senior engineer: "Я в основном использую AI там, где знаю, каким должен быть ответ. Эту способность я развил, делая всё 'хардкорно'. Но если бы я был джуном сейчас, мне пришлось бы очень осознанно работать над развитием своих способностей, а не слепо принимать output модели". Другой инженер прямо: "Я беспокоюсь не о своих скиллах, а о проблеме надзора. Атрофия навыков опасна в первую очередь для моей способности безопасно использовать AI, а не для способности работать самостоятельно". Некоторые специально тренируются без AI: "Время от времени, даже если знаю, что Claude решит задачу, я не прошу его. Это держит меня в форме". Потеря "дополнительного обучения". Когда дебажишь проблему вручную, ты читаешь доки и код, который напрямую не нужен для решения. Но всё это время строишь ментальную модель системы. Теперь Claude ведёт тебя прямо к решению проблемы. Collateral learning исчезает. Инженер: "Раньше я изучал каждую настройку нового инструмента. Теперь полагаюсь на AI. В разговоре с коллегами раньше мгновенно вспоминал детали, теперь приходится спрашивать AI". Продолжение ниже: https://t.me/ai_product/1753

Честно, с последними моделями для кодинга можно просто творить чудеса! Но когда в очередной раз экспериментировал с agents.md, чтобы AI агент, собака, следовал нормально инструкциям и не пересоздавал сущности, наткнулся на хороший набор правил и решил перевести. Ничего супер-нового там нет, не есть много здравых мыслей, о которых часто забываешь. Лайк-шер-репоcт, вот это вот все! https://habr.com/ru/articles/972308/

Kling O1 All-in-One Creative Studio Streamlined workflow for storytelling from start to finish В общем Клинг бахнул этакую Нанобанану для видео. Лучше всего наверное описать O1 как edit-video модель. Посмотрите видео пару раз на медленной скорости - из него становится понятно, что новый Клинг - это редактирующая видео-модель. Аналог Нанобананы. А то на сайте и в твитторе полно маркетинговой истерики и мало информации. Но я нашел юзер-гайд: https://app.klingai.com/global/quickstart/klingai-video-o1-user-guide 1. Input Anything: Все что угодно на входе. Reference-based Generation, Text-to-Video, Keyframe Interpolation (Start/End Frame), Video Inpainting, Transformation, Stylization, and Video Extension. 2. Understand Everything: LLM под капотом? Благодаря глубокому семантическому пониманию модели, все — включая изображения, видео, элементы, тексты и т. д. — может быть включено в ваш input для Kling O1. Модель выходит за пределы ограничений модальности, интегрируя и понимая различные перспективы изображения, видео или символы, которые вы загружаете, чтобы вернуть точные результаты. 3. All-in-One Reference: Video Consistency Now Resolved Даже в сложных ансамблевых сценах или взаимодействиях модель независимо фиксирует и сохраняет уникальные черты каждого персонажа и реквизита. Независимо от того, насколько резко меняется окружающая среда, Video O1 обеспечивает промышленный уровень согласованности для каждого вашего актера в каждом кадре. 4. Модель Kling O1 не ограничивается выполнением отдельных задач; она поддерживает комбинацию различных задач в одном запросе, например «добавление объекта при изменении фона в видео» или «изменение стиля при использовании элементов». 5. Каждый кадр требует своей собственной продолжительности для лучшего ритма повествования. Kling O1 поддерживает продолжительность от 3 до 10 секунд, что дает вам больше контроля над тем, как вы хотите развернуть свою историю. Будь то динамичная, впечатляющая сцена или история с повествовательной дугой, вы сами решаете, каким будет ритм кадров. Пробуем тут: https://app.klingai.com/global/omni/new @cgevent

DeepSeek, кстати, подтверждает тезисы "закона увеличения плотности", выпустил V3.2 и V3.2-Speciale с 685B параметрами – новое поколение моделей с фокусом на reasoning и агентные сценарии. V3.2 – официальный преемник V3.2-Exp. Доступна в приложении, на сайте и через API. V3.2-Speciale – версия для хардкорного многошагового рассуждения. Пока только API. Обе заточены под глубокие цепочки рассуждений и агентное поведение: планирование, сложные выводы, работа со структурированными данными. V3.2 – баланс скорости и качества, уровень примерно GPT-5 Speciale – топовый reasoning, конкурирует с Gemini-3.0-Pro Speciale лидирует на математических олимпиадах (IMO, CMO) По кодингу результаты не слишком волшебные, но вызов инструментов прям улучшили, так что в агентных системах должно быть сильно лучше практически всего опенсорса. Модели: huggingface.co/deepseek-ai/DeepSeek-V3.2 Tech report: huggingface.co/deepseek-ai/DeepSeek-V3.2/resolve/main/assets/paper.pdf

Вау, очень необычный промпт для Нано Бананы Про "CITY=Moscow, Russia Present a clear, 45° top-down isometric miniature 3D cartoon scene of [CITY], featuring its most iconic landmarks and architectural elements. Use soft, refined textures with realistic PBR materials and gentle, lifelike lighting and shadows. Integrate the current weather conditions directly into the city environment to create an immersive atmospheric mood. Use a clean, minimalistic composition with a soft, solid-colored background. At the top-center, place the title “[CITY]” in large bold text, a prominent weather icon beneath it, then the date (small text) and temperature (medium text). All text must be centered with consistent spacing, and may subtly overlap the tops of the buildings. Square 1080x1080 dimension."

Ну и на пятницу вечер интересное исследование про масштабирование моделей (кратко: возможности удваиваются каждые 3.5 месяца!) https://www.nature.com/articles/s42256-025-01137-0 Все знают про Scaling Law – чем больше параметров, тем умнее модель. Этот закон двигал индустрию последние годы: GPT-3 на 175B, PaLM на 540B, Llama-3.1 на 405B. Логика простая – хочешь лучше, делай больше. Но китайские исследователи из Tsinghua задали другой вопрос: а что если смотреть не на абсолютный размер, а на эффективность? Сколько "интеллекта" упаковано в каждый миллиард параметров? Они ввели понятие capability density – плотность способностей модели. Идея интересная: берём референсную модель, строим кривую "параметры → качество", а потом для любой другой модели считаем, сколько параметров референса понадобилось бы для такого же результата. Отношение этого "эффективного размера" к реальному и есть плотность. Проанализировав 51 открытую модель за последние два года, они обнаружили закономерность, которую назвали Densing Law: максимальная плотность LLM удваивается примерно каждые 3.5 месяца. Это экспоненциальный рост с коэффициентом детерминации 0.934 – то есть закономерность очень устойчивая. Цифры впечатляют. Llama-1 в феврале 2023 имела плотность около 0.1. Современные модели вроде Gemma-2-9B и MiniCPM-3-4B достигают плотности под 2.0. За два года эффективность выросла в 20 раз. Практически это означает, что размер моделей для достижения одинакового качества падает экспоненциально. MiniCPM на 2.4B параметров, выпущенная в феврале 2024, работает на уровне Mistral-7B от сентября 2023. За четыре месяца необходимый размер сократился втрое. Ещё интереснее с ценами на инференс. GPT-3.5 в декабре 2022 стоил $20 за миллион токенов. Gemini-1.5-Flash в августе 2024 – $0.075. Падение в 266 раз меньше чем за два года. Причём стоимость падает быстрее, чем растёт плотность – потому что параллельно улучшается инфраструктура инференса. Авторы делают любопытное наблюдение про комбинацию законов. Densing Law описывает рост алгоритмической эффективности, Moore's Law – рост мощности железа. Вместе они дают удвоение "эффективного размера" модели, которую можно запустить на фиксированном устройстве, примерно каждые 88 дней. Это открывает путь к полноценным LLM на смартфонах и ноутбуках! Отдельно интересно, что сжатие моделей через pruning и distillation не всегда увеличивает плотность. Cжатые модели часто оказываются менее эффективными, чем исходно маленькие модели – видимо, из-за недостаточного дообучения после сжатия. Главный вывод авторов довольно провокационный: гонка за размером параметров – тупиковая стратегия. Любая SOTA-модель через несколько месяцев будет уступать по соотношению цена/качество более новым компактным моделям. DeepSeek-V3 уже показал этот путь – вместо наращивания параметров они сфокусировались на эффективной архитектуре и получили топовое качество при меньших затратах. По сути, Densing Law – это аналог закона Мура для LLM. Только Мур описывал прогресс в железе, а здесь речь об алгоритмах и данных. И пока этот закон работает, каждые 3.5 месяца мы получаем модели вдвое эффективнее предыдущих. Честно говоря с такой скоростью AGI реально кажется вполне достижимым.

Интересная статья и бенчмарк по следованию промпту: https://arxiv.org/abs/2511.10507 Набрали руками 3 вида задач: сложные промпты с 6 видами требований, мультиходовые промпты и полное следование системному промпту. В итоге лидеры пока GPT-5 и Gemini 3 Pro (странно, что не проверили Соннет и Опус 4.5), но лишнее подтверждение, что это вообще далеко не 100%. И плюс что длинные одноходовые инструкции работают лучше, чем многоходовые. Ну и попутно ребята (это Мета лабс и Принстон) придумали, как эти результаты улучшать файнтюнингом, но тестировали на Llama, это не так интересно. В целом обещают на 7 процентных пунктов поднять результаты.

Для одного заказчика сделали автоматическую распознавалку голосовых и видеокружков, что клиенты пересылают в их каналы в телеграмм и всех бесят, но из интересных еще вещей - полировку голосового ответа. То есть вам пришло сообщение, но вы за рулем, но ответить надо, но желательно текстом, без всяких там "хм, ну", со знаками препинания нормальными и желательно без мата. Вы отправляете в бота, на что ответить надо, пишете голосовое сообщение, типа "ответь, что работать мы с ними на таких условиях не будем, но деликатно", и получаете отполированный текст. Пример на скрине. В общем, оказалось довольно полезно, хотя я скептик голосового общения был. Можно тестировать тут - https://t.me/clearsay_bot

Google недавно получил отличный буст стоимости компаний, когда стало понятно, что у них не только модель вышла отличная, но и обучена она целиком на собственных GPU, которые они делают уже почти десяток лет и вот вроде начало получаться. То есть они вообще могут послать нафиг Нвидиа (но не сейчас пока). Artificial analysis померил стоимость миллиона токенов генерации для Llama 3.3 70B при скорости 30 output tokens/s на запрос. Пока Nvidia бояться нечего, они выгоднее в 5 раз. NVIDIA H100: $1.06 AMD MI300X: $2.24 Google TPU v6e (Trillium): $5.13 Сравнение основано на текущих облачных ценах. TPU v6e стоит $2.70/chip/hour (сопоставимо с H100 и дешевле B200 при $5.50/hour). MI300X самый дешевый — $2/hour, но все равно получается в 2 раза медленнее. Но интересно будет посмотреть на следующее поколение от Гугла: TPU v7 (Ironwood) выходит в ближайшие недели с серьезным апгрейдом (918→4,614 TFLOPS compute, 32→192GB memory, 1.6→7.4 TB/s bandwidth). Должен существенно обогнать v6e, но цены пока неизвестны. AMD MI355X тоже еще не доступен широко. Плюс гугловые модельки скорее всего оптимизированы как раз для гуглового железа. Больше цифр тут: https://artificialanalysis.ai/benchmarks/hardware?model=llama-3-3-instruct-70b&concurrency-chart=latency#peak-speed

О, новый конкурент OpenWebUI, чтобы в компаниях разворачивать доступ к разным LLM: https://github.com/onyx-dot-app/onyx Опенсорс. Есть выбор основных моделей, поиск, RAG для документов внутренних, коннекторы к разному популярному софту, возможность создания агентов, MCP, Deep Research, SSO, интерпретатор кода, генерация картинок, роли, статистика. Выглядит весьма по-взрослому.

Очень прикольное исследование по реальной производительности разных профессий с AI от Anthropic. Взяли 100,000 реальных диалогов с Claude и попросили саму модель оценить: сколько времени задача заняла бы без AI vs с AI. Основные цифры: Медианная задача: 90 минут без AI → 18 минут с AI (80% экономии) Стоимость такой задачи в человеко-часах: ~$55 Экстраполяция на всю экономику США: +1.8% к росту производительности в год (при полном внедрении за 10 лет) Интересно, что разброс по профессиям огромный: Legal/Management задачи: ~2 часа без AI, с AI в 6 раз быстрее. Healthcare диагностика: экономия всего 20% (уже быстро делается) Обработка документов: экономия 95% (AI читает быстрее) Самый большой вклад в общую производительность - разработчики – 19%. Дальше менеджеры (6%), маркетологи (5%), support (4%). Критические моменты (и их честно признают): Оценки делает сама модель. Валидация была только на JIRA-тикетах для разработки, где Claude показал корреляцию 0.44 против 0.50 у живых разработчиков. Не учитывается время на проверку – ты получил output от Claude, но сколько потом потратишь на проверку, правки, итерации? Этого нет в метрике. Предыдущие контролируемые исследования давали экономию 14-56%, не 80%. А некоторые вообще отрицательную (METR study на опытных разработчиках). Выборка смещена – это только Claude.ai пользователи, которые сами выбрали задачи для AI. Понятно, что они брали те задачи, где AI полезен. В общем, стоит закладывать все-таки не 80%, а 30-50% экономии времени. И 80% экономии времени ≠ 80% экономии затрат. Там ещё инфраструктура, обучение, проверка качества, integration costs. При этом есть большая зависимость от типа задач. Работает лучше всего в юриспруденции, менеджменте, разработке. Плюс если AI ускоряет только часть процесса, остальное станет узким местом (и это довольно частая причина, почему "мы с АИ делаем в 2 раза быстрее, а производительность в целом не сильно выросла"). Пример: инспектор быстрее пишет отчеты, но время на физическую инспекцию не меняется. https://www.anthropic.com/research/estimating-productivity-gains

NotebookLM наконец внедрил функцию создания презентаций по текстам/источникам. Правда пока только сгенерированный сразу PDF. Но можно раскидать на элементы в Гемини и доделать. Конечно, возможности синергии разных продуктов Google просто поражают. https://x.com/NotebookLM/status/1992995902118629395

Anthropic ещё и разрулил ситуацию с захламлением контекста, когда много инструментов используется: https://habr.com/ru/news/969898/

Воу-воу, новый Claude Opus! Главное изменение — цена и доступность: • Было: Opus был слишком дорогой для постоянного использования • Стало: $5/$25 за млн токенов — можно использовать как основную модель • Это меняет экономику AI-проектов Конкретные улучшения: Кодинг: - SWE-bench Verified: лучший результат на рынке - На внутреннем тесте performance engineering превзошла всех кандидатов-людей (за 2 часа) - GitHub Copilot: токенов на 50% меньше, качество выше - Cursor, Warp, Replit сообщают о заметном улучшении Новый параметр effort: - Medium effort = качество Sonnet 4.5, но -76% output токенов - High effort = +4.3% качества vs Sonnet, -48% токенов - Впервые можно контролировать trade-off скорость/качество на уровне API Безопасность: - Лучшая защита от prompt injection среди всех моделей - Для production систем это критично Практические кейсы: lovable.dev: "Reasoning глубина трансформирует planning. Хороший planning → лучше code generation" Replit: "Задачи с 3D визуализацией: было 2 часа → стало 30 минут" Text (Excel): "+20% точность, +15% эффективность" Интересный момент: На бенчмарке τ-bench модель технически "провалилась", но на самом деле нашла креативное решение: - Задача: изменить билет basic economy (нельзя по правилам) - Решение Opus: сначала апгрейд класса (можно) → потом изменение рейса (можно для не-basic) - Benchmark не предусмотрел такого решения Это и есть разница между "следует правилам" и "решает проблему". Где доступно: • API: claude-opus-4-5-20251101 • Claude Code с Plan Mode • Claude for Excel (beta для Max/Team/Enterprise) • Claude for Chrome (все Max users) • Убраны лимиты на Opus для пользователей с доступом. В общем, выглядит весьма неплохо. Пошла жарищща конкурентная :) Для тех, кто строит AI агентов — стоит тестировать прямо сейчас. https://www.anthropic.com/news/claude-opus-4-5

Deep Shopping - и это не шутка. OpenAI выкатила новую фичу. В аккурат перед надвигающимися праздниками. Цитирую: "Deep Shopping — новый инструмент ChatGPT, который проведёт исследование за вас и поможет найти нужные товары. Вместо того, чтобы просматривать десятки сайтов, вы можете просто описать свои поиски — «Найдите самый тихий беспроводной пылесос для небольшой квартиры», «Помогите мне выбрать один из этих трёх велосипедов» или «Мне нужен подарок для четырёхлетней племянницы, которая увлекается искусством». Функция поиска товаров создаст продуманное руководство, которое поможет вам сделать выбор. Она задаёт умные уточняющие вопросы, проводит глубокий поиск в интернете, анализирует качественные источники и, опираясь на знания ChatGPT о вас, полученные из прошлых разговоров, и вашу память, создаёт персонализированное руководство для покупателя за считанные минуты." Особенно умиляет "опираясь на знания ChatGPT о вас, полученные из прошлых разговоров". Штош, остался один вопрос, как попадают в топ выдачи таких вот Deep Shopping-ов? https://openai.com/index/chatgpt-shopping-research/ @cgevent