AI Product | Igor Akimov

2) Chat SDK – один бот для всех платформ сразу Библиотека для работы с разными мессенджерами: Slack, Microsoft Teams, Discord, Telegram, WhatsApp, Google Chat, GitHub, Linear Адаптеры сами конвертируют markdown в нативный формат платформы в реальном времени, включая стриминг Таблицы, карточки, кнопки, модалки – один JSX-компонент, рендерится по-разному на каждой платформе Ну и всякие там треды, локи, кэш, Документация на chat-sdk.dev. Для старта достаточно npx skills add vercel/chat — и ваш кодинг-агент сразу получит контекст SDK. Крайне полезная штука для мульти-платформ. https://vercel.com/blog/chat-sdk-brings-agents-to-your-users

И еще 2 интересные вещи от vercel (они прям жгут в последнее время) 1) Выкинули векторные базы для своих агентов https://vercel.com/blog/build-knowledge-agents-without-embeddings Источники данных (репозитории, документы, транскрипты) синхронизируются в файловую систему через снапшоты Агент ищет информацию через grep, find и cat внутри изолированных песочниц Vercel Sandbox Никакого векторного поиска, никакого тюнинга порогов релевантности. На их данных: - Стоимость обработки одного запроса упала с ~$1.00 до ~$0.25 — в 4 раза - Качество ответов выросло - Дебаг стал тривиальным: видишь, какой grep запустил агент, какой файл прочитал, какую секцию вытащил. Чинишь за минуты С эмбеддингами всё иначе: чанк набрал 0.82, правильный — 0.79. Проблема в границах чанка? В модели? В пороге? Удачи в отладке. LLM уже умеют работать с файловыми системами, они обучены на огромном количестве кода. Навигация по директориям, grep по файлам – это не новый навык для модели, а самый натуральный. И гораздо лучше получается применять его, если у вас нет тысяч неструктурированных файлов.

Прикольный гайд от OpenAI по созданию красивых дизайнов: https://developers.openai.com/blog/designing-delightful-frontends-with-gpt-5-4 Пишут, что 5.4 для дизайна стала гораздо лучше по 3 направлениям: - Нативная работа с изображениями. Модель обучена использовать генерацию и поиск картинок прямо в процессе дизайна. Можно попросить сначала сгенерировать мудборд, выбрать визуальное направление, а потом уже верстать - Функциональная полнота. Игры, сложные интерфейсы, многостраничные приложения - теперь реально получить рабочий результат за 1-2 промта - Самопроверка через Playwright. Это первая массовая модель OpenAI с нативным computer use. Модель сама открывает страницу, проверяет рендер в разных вьюпортах, находит баги в навигации и состояниях Пишут, что когда промт недостаточно детальный, модель скатывается в высокочастотные паттерны из обучающих данных. На выходе - типичный шаблон: слабая визуальная иерархия, дефолтные шрифты, фиолетовые акценты (и зеленые, блин, как же бесят), карточки везде где не надо. Практические рекомендации (самое интересное) - Начинать с низкого уровня рассуждений. Контринтуитивно, но больше compute не значит лучше дизайн. На низком уровне модель работает быстрее и не переусложняет - Задавать дизайн-систему заранее: палитра, типографика, лейаут, максимум 2 шрифта, 1 акцентный цвет - Прикладывать визуальные референсы или скриншоты. Это дает модели понимание ритма, пропорций и стиля - Писать реальный контент вместо заглушек. Настоящий текст заставляет модель генерировать более адекватные структуры Рекомендуемый стек: React + Tailwind. Опубликовали системный промпт для фронтенда (в комментах) и фронтенд-скилл для codex ($skill-installer frontend-skill) https://developers.openai.com/blog/designing-delightful-frontends-with-gpt-5-4

Ну и чтиво скорее на выходные. Хотел сделать краткий обзор, но тут прям кладезь информации для разработчиков, как максимально полезно использовать Claude Code, так что перевел полностью: https://habr.com/ru/articles/1012412/

Google серьезно так прокачал Stitch (про который я в июне писал) и сделал его инструментом "вайб-дизайна". Его и раньше основной фишкой были хорошие согласованные элементы макета и экспорт в Figma, а теперь так вообще красота для командной работы: - Бесконечный канвас, куда можно тащить картинки, текст, код - всё становится контекстом для генерации - Дизайн-агент, который видит всю историю проекта и может вести несколько направлений параллельно - DESIGN.md - файл с дизайн-системой в формате маркдаун, можно экспортировать/импортировать между проектами и другими инструментами - Мгновенное превращение статичных экранов в интерактивные прототипы: нажимаешь Play и тестируешь пользовательский флоу (это тоже было, но кривое) - Голосовой режим: говоришь с канвасом, агент делает правки в реальном времени и даёт дизайн-критику. Ну сейчас все в голос ударились. Самое прикольное, что добавили MCP-сервер и SDK (то есть можно как инструмент внутри ваших любимых ИИ-шек использовать) и экспорт в AI Studio и Antigravity (раньше эта связка была самая лучшая). Короче, Фигме еще поплохеет видимо (там уже акции на дне), но очень приятно, что за дизайн плотно взялись, потому что это слабое место практически всех текущих моделей. stitch.withgoogle.com

Хах, Claude Code все больше двигается в сторону OpenClaw. С сегодняшнего дня работает через Телеграм и Дискорд через Channels. Это MCP-сервер, который пробрасывает события в активную сессию Claude Code. Двусторонний: ты пишешь боту в Телеграме, сообщение прилетает в терминал, Claude выполняет задачу и отвечает обратно в чат. По сути, разработчик получает асинхронного AI-напарника. Запустил сессию в фоне на VPS, ушёл с рабочего места - задачи можно ставить с телефона. Да, можно было и раньше сделать, но теперь все из коробки. - Создаёшь бота через BotFather - Устанавливаешь плагин: /plugin install telegram@claude-plugins-official - Сохраняешь токен: /telegram:configure <токен> - Перезапускаешь с флагом: claude --channels plugin:telegram@claude-plugins-official - Пишешь боту в Телеграме, получаешь код привязки из 6 символов - Вводишь код в терминале - и всё работает. В общем, кажется, скоро телеграмм будет самым популярным мессенджером в мире :) среди стартапов точно. Документация: https://code.claude.com/docs/en/channels-reference

О, Антропик выпустил результат своего ИИ-опроса, что он показывал внутри Claude порядка месяца. Откликнулось 80 508 человек из 159 стран на 70 языках. Каждый разговор адаптировался под ответы. Потом Claude-классификаторы разобрали всё по категориям. Чего люди хотят от AI Профессиональная эффективность - 18,8% Личностная трансформация - 13,7% Управление жизнью (расписания, когнитивная разгрузка) - 13,5% Свободное время для семьи и себя - 11,1% Финансовая независимость - 9,7% Трансформация общества (медицина, климат, неравенство) - 9,4% Предпринимательство - 8,7% Обучение и развитие - 8,4% Творческое самовыражение - 5,6% 81% сказали, что AI уже сделал шаг к их мечте. Чего люди боятся Ненадёжность и галлюцинации - 26,7% Потеря рабочих мест - 22,3% Утрата автономии и контроля - 21,9% Когнитивная атрофия - 16,3% Отсутствие регулирования - 14,7% Дезинформация - 13,6% Среднестатистический респондент назвал 2,3 опасения. Только 11% вообще не видят рисков. Главный инсайт: свет и тень неразделимы Anthropic выделила пять «напряжений», где выгоды и риски переплетаются внутри одного человека. Например, тот, кто ценит эмоциональную поддержку от AI, в 3 раза чаще боится стать от неё зависимым. Юристы - лидеры по реальной пользе от AI в принятии решений и одновременно по столкновению с галлюцинациями. География настроений 67% респондентов позитивно относятся к AI. Но есть чёткий паттерн: Африка, Латинская Америка, Южная Азия - наиболее оптимистичны. Европа и Северная Америка - наиболее обеспокоены. Страх потери работы - главный предиктор негативного отношения к AI. В развивающихся странах AI воспринимают как социальный лифт. В развитых - как источник когнитивной перегрузки. Честно говоря, думал там прям больше инсайтов будет, но они хотели по разным странам и специальностям разобраться с ожиданиями и страхами. В целом интересно. Полный текст с цитатами: anthropic.com/features/81k-interviews

Интересная попытка измерить уровень владения ИИ-разработкой (правда очень мало нашел информации об этом чуваке, кажется просто энтузиаст-инженер, который зарелизил Dispatch для ClaudeCode) Уровни 1: Автодополнение кода с ИИ и Уровень 2: ИИ-среда разработки Я бы сказал, что есть еще 0 уровень - копипаста в ChatGPT/Gemini Cursor, Copilot, tab-complete. Начальная точка, которую большинство уже прошли. Ограничение – контекст: модель помогает только с тем, что видит. Уровень 3: Контекст-инженерия Каждый токен должен бороться за место в промпте. Файлы правил, описания инструментов пишем компактно, управляем историей диалога, очищаем контекст оперативно, закидываем выход в текстовые файлы, а не в LLM. Уровень 4: Компаундинг-инженерия Не просто улучшаешь текущую сессию, а улучшаешь все будущие. Цикл: спланируй → делегируй → оцени → закодифицируй. Последний шаг – главный: обновляешь правила и документацию, чтобы модель не повторяла ошибки. Пока это все в ручном режиме, но главное - ты с каждой ошибкой или косяком ИИ не забиваешь на это, а переписываешь правила, промпты, тесты, подходы меняешь, чтобы больше такой ошибки не было. Уровень 5: MCP и скиллы Модель получает не только контекст, но и возможности: доступ к базам данных, API, CI-пайплайну, браузеру. Тренд – переход от MCP к CLI-инструментам ради экономии токенов. В целом для бизнеса имхо MCP - как глоток свежего воздуха и огромных возможностей. Для разработчиков лучше выбирать только то, что нужно, и скриптами добивать. Уровень 6: Харнес-инженерия Строишь не промпт, а всю среду с обратной связью. Агент сам может воспроизвести баг, записать видео, починить, протестировать и открыть PR. Ключевая концепция – ревью: тесты, линтеры, хуки, которые позволяют агенту ловить свои ошибки без участия человека. Уровень 7: Фоновые агенты Горячий тема: план-мод умирает. Если контекст чистый, ограничения явные и обратная связь настроена – модель сама планирует достаточно хорошо. Агенты работают в фоне, пока ты спишь. Важный паттерн – разные модели для разных задач: одна реализует, другая ревьюит. Никогда не давай модели проверять собственную работу. Уровень 8: Автономные команды агентов Агенты координируются между собой напрямую, без центрального оркестратора. Антропик собрал компилятор Си шестнадцатью параллельными агентами. Курсор сотнями агентов мигрировал кодовую базу. Но пока это слишком медленно, дорого и нестабильно для повседневной работы. Что важно понять Я бы сказал, что уровни 3-5 – фундамент. Без чистого контекста и настроенных инструментов всё, что выше – просто масштабирование хаоса. А ещё всегда говорю, что твоя продуктивность зависит от уровня команды: если ты на 7-м, а коллега на 2-м и ревьюит твои PR вручную – ты тоже застрял. На каком уровне ваша команда сейчас? https://www.bassimeledath.com/blog/levels-of-agentic-engineering

(poll without text)

Давайте расскажу про одну из самых полезных подписок, которой, на удивление, мало кто пользуется. Это подписка на Lenny newsletter, к которой "в подарок" идет целая куча сервисов бесплатно. Это самые выгодные 350 баксов в год, если вы серьезно занимаетесь AI. https://lennysproductpass.com/ Суть в чем: вы подписываетесь на его рассылку на год за 200 или 350 долларов и в подарок получаете промокоды на год на AI-сервисы (в более дорогой - более крутые). Что входит: Coding / AI-агенты для разработки: Amp – AI-агент для кодинга нового поколения. $1,825 (1 год бесплатных кредитов). Bolt – создание приложений и сайтов через промпты. $240 (1 год Bolt Pro). Devin – AI-инженер для фич, багов, рефакторинга. $1,350 (1 год Devin Core). Factory – агент для production-уровня разработки и автоматизаций. $240 (1 год Factory Pro). Lovable – AI-билдер приложений, от прототипа до продакшена. $252 (1 год Lovable Pro). Replit – IDE с AI, базой данных, авторизацией и деплоем из коробки. $240 (1 год Replit Core). Warp – агентная среда разработки (терминал + AI-кодинг). $240 (1 год Warp Build). Cursor – AI-кодинг в IDE. $50 (кредиты). AI-поиск и ассистенты: Perplexity – AI-поиск с цитированием источников. $240 (1 год Perplexity Pro). Коды заканчиваются. Manus – универсальный AI-агент (ресёрч, слайды, сайты, графики, видео). $240 (1 год с 4 000 кредитов/мес). ChatPRD — AI для написания PRD и автоматизации работы продакта. $180 (1 год ChatPRD Pro). Дизайн и контент: Canva – визуальная платформа для контента и маркетинга. $200 (1 год Canva Business). Framer – конструктор сайтов с дизайн-фёрст подходом. $360 (1 год Framer Pro). Gamma (та самая) – AI-презентации и сайты за минуты. $180 (1 год Gamma Pro). Mobbin – крупнейшая библиотека UI/UX-референсов мобильных и веб-приложений. $1,440 (1 год Team на 10 мест). Magic Patterns – AI-прототипирование с интерактивными дизайнами. $228 (1 год Magic Patterns Hobby). ElevenLabs – AI-платформа для генерации и локализации аудио/видео. $264 (1 год Creator Plan). Продуктивность и управление: Linear – инструмент для планирования продукта, задач и роадмапов. $1,080 (1 год Business на 5 мест). Granola – AI-блокнот для людей, которые постоянно на созвонах. $1,680 (1 год Business на 10 мест). Wispr Flow – голосовой ввод текста без правок (Mac, Windows, iOS). $180 (1 год Wispr Flow Pro). Инфраструктура и автоматизация: PostHog – аналитика, data warehouse, опросы и многое другое в одном продукте. $16,500 (1 год Scale с удвоенными лимитами). n8n – визуальный движок для AI-автоматизаций и воркфлоу. $240 (1 год n8n Cloud Starter). Railway – облачная платформа для деплоя приложений. $245 (1 год Railway Hobby). Бизнес-инструменты: Stripe Atlas — регистрация компании в США в несколько кликов. $200 (скидка 40%). Подписка стоит $200/год (Annual) или $350/год (Insider). Insider даёт доступ к нескольким дополнительным продуктам, помеченным "Insiders only" (Amp, Bolt, Devin, Replit, Framer, ChatPRD, Stripe Atlas). Учитывая, что это реально качественные продукты и что можно ими пользоваться без особых ограничений, покупка окупается уже после активации пары промокодов. А у меня их 13! В общем, всячески рекомендую! https://www.lennysnewsletter.com/p/productpass

Gamma (которая выиграла по презентациям) теперь хочет быть владычицей морской и отжирает аудиторию у Canva и Photoshop - сделала генерацию картиночек и инфографик. Можно и для дизайна презентаций использовать, и просто генерить изображения и графику для себя. И из прикольного - добавила разные интеграции, чтобы ИИ и автоматизаторы всякие могли легко взаимодействовать с ней и менять красиво презентации в чате. Вообще конечно удивительно, как Microsoft и Google буквально упустили рынок нормальных презентаций, имея по сути исходный код инструментов и всю аналитику и базу пользователей. Gamma пишет уже о 100М пользователей в месяц. Вот подробности: https://help.gamma.app/en/articles/13928852-what-is-imagine-and-how-do-i-design-with-it И видос: https://youtu.be/sQszHJZXnQE

Прикольно, Anthropic запустил свой OpenClaw даже быстрее, чем OpenAI с создателем OpenClaw :) Понятно, что минимальная версия, но все же - Dispatch для Cowork, удаленное управление компьютером с телефона через Claude. Работает на вашем компе (надо чтоб не выключался). Один постоянный тред, который не сбрасывается. Claude работает на десктопе как обычно: читает файлы, ходит в подключённые сервисы, собирает отчёты Результат приходит в чат, доступный на мобилке – таблица, документ, презентация – без демонстрации промежуточных шагов. Синхронизация между устройствами автоматическая. Естественно все коннекторы настроенные работают. Пока только на Mac подписке и 1 тред, плюс claude не пишет сам раз в какое-то время, только отвечает на ваши вопросы. Ну и как бы все опасения про безопасность остаются, но это хотя бы в вашем понятном настроенном окружении работает с теми же инструментами, к которым привыкли. В общем, интересное движение и это точно куда пойти все вендоры. https://support.claude.com/en/articles/13947068-assign-tasks-to-claude-from-anywhere-in-cowork

OpenAI выпустила GPT-5.4 mini и nano! Наконец-то! Mini 5.4 - Работает в 2+ раза быстрее GPT-5 mini при значительно лучшем качестве - На SWE-Bench Pro набирает 54.4% — почти как полная GPT-5.4 (57.7%) и сильно выше GPT-5 mini (45.7%) - На OSWorld (управление компьютером) — 72.1% против 42.0% у GPT-5 mini. Практически на уровне большой модели - Контекстное окно — 400К токенов - Цена: $0.75 за 1М входных, $4.50 за 1М выходных токенов Nano - Самая дешёвая модель линейки: $0.20 / $1.25 за миллион токенов - Заточена под классификацию, извлечение данных, ранжирование и простые подзадачи - На SWE-Bench Pro — 52.4%, что всё ещё выше GPT-5 mini - Доступна только через API OpenAI прямо продвигает архитектуру, где большая GPT-5.4 планирует и координирует, а mini-модели параллельно выполняют подзадачи: поиск по кодовой базе, анализ файлов, обработку документов. В Codex mini-модель тратит только 30% квоты от полной GPT-5.4. Короче, переключаемся. https://openai.com/index/introducing-gpt-5-4-mini-and-nano/

🏆 AI-Оскар 2026: Церемония награждения по итогам народного голосования читателей канала AI_Product. Итак, подвел результаты опроса, официальный Оскар уже вручен, так что пора встречать победителей AI-Оскара! 🎭 Лучшая роль первого плана (LLM года) Два лауреата делят статуэтку. Claude – отличный в офисных и рабочих задачах, ChatGPT – в кодинге и общих знаниях о мире, к тому же универсальный солдат (и пообщаться по душам, и фото, и видео, и документы). 🎨 Лучшая работа художника-постановщика (генерация картинок) Оскар достаётся: Gemini Nano-Banana Не смотря на сильные результаты по бенчмаркам у последнего генератора картинок ChatGPT, народная любовь принадлежит Gemini. 🎬 Лучший короткометражный фильм (генерация видео) Оскар достаётся: Veo от Google. Самый народный видеогенератор. Sora от OpenAI остаётся в роли догоняющего, а Kling пока еще не смог достичь широких масс. 🎵 Лучший саундтрек (генерация музыки) Оскар достаётся: Suno Можно делать озвучку рекламы, аудиообзоры, образовательные материалы, фоновую музыку для настроения и многое другое с отличным качеством. Конкурентов пока немного. 🔍 Лучший документальный фильм (AI-поиск) Оскар достаётся: Perplexity AI Один из немногих оставшихся поисковых стартапов, бросающих вызов грандам. Хотя бенчмарки и тесты показывают лучшую проработку поиска у Claude и Grok, народная любовь принадлежит Perplexity. 📚 Лучший адаптированный сценарий (анализ документов) Оскар достаётся: NotebookLM от Google Самый простой способ работать с вашими документами, статьями и в целом коллекцией материалов. 🌍 Лучший фильм на иностранном языке (переводчик) Оскар достаётся: Google Translate Ветеран индустрии доказывает, что классика не стареет. ChatGPT и Gemini уже близко, но видимо недостаточно удобны и быстры. 💻 Лучший монтаж (кодинг-ассистент) Оскар достаётся: Claude Code Опрос проходил в начале года и Claude Code тогда был безоговорочным лидером, хотя сейчас уже народная любовь склоняется к Codex. Плотнейшая гонка. 🎤 Лучший голос за кадром (синтез речи) Оскар достаётся: ElevenLabs Практически стандарт де-факто для профессиональной озвучки текста. Хотя Inworld и Minimax на популярных языках не уступают и стоят в 20 раз дешевле. 🧑‍💼 Лучшие спецэффекты (AI-аватары) Оскар достаётся: HeyGen Кажется, ни Synthesia, ни D-ID, ни Hedra не смогли победить народного лидера. 📊 Лучший продюсер (AI-презентации) Оскар достаётся: Gamma Хотя многие LLM выпустили свои коннекторы к Powerpoint и Slides, Gamma до сих пор держит марку. ⚙️ Лучший режиссёр (платформа автоматизации) Оскар достаётся: n8n Завоевал народную любовь своим опенсорс подходом, но после развития кодинговых агентов все больше люди уже пишут скрипты сами. Уважение. 🖥 Лучший независимый фильм (локальный AI) Оскар достаётся: Ollama. Если вам нужно запускать супер-безопасную модель на своем железе, то ollama - отличный выбор, но для красивого и понятно всем UI я все же советую LM Studio 🏆🏆🏆 Гран-при: Лучший фильм года (если оставить только 1 инструмент) Оскар достаётся: Gemini Gemini забирает главную статуэтку. Смогли развиваться в разных направлениях и покрывать все больше задач людей, а еще весьма удачно интегрировали возможности в Google Workspace. Поздравляю! 📈 Статистика из зала: 96% зрителей используют AI несколько раз в день или чаще 76% переключаются между 3-5 инструментами еженедельно Средняя оценка влияния AI на работу – 8.6 из 10 Главный барьер – нестабильное качество ответов Главный эффект – скорость и новые возможности. Спасибо всем за голоса! Был очень крутой "ИИ-год" и думаю в следующий раз победители изменятся очень сильно! Буду рад, если увидели что-то новое и стали пользоваться. Если нет - значит вы очень хорошо ориентируетесь в AI-ландшафте.

Конкуренция - это офигенно! В ответ на бесплатный и расширенный по лимитам Codex Claude на 2 недели (до 27 марта) вводит удвоенные лимиты на всех тарифах в непиковые часы. Кипр - с 20 вечера до 14 следующего дня Москва - 21 вечера до 15 следующего дня Удваивается – Claude.ai (веб, десктоп, мобайл) – Claude Code – Cowork – Claude for Excel / PowerPoint При этом бонусное использование не считается в недельный лимит! Короче, кто рано встает (или ночью не спит) - тому Антропик дает :) https://support.claude.com/en/articles/14063676-claude-march-2026-usage-promotion

Ну и напоследок прикольное из российских каналов. "Доработка" antigravity, чтобы можно было пользоваться из России. За 520 рублей :) https://github.com/confeden/Antigravity

Канва тоже радует, вот сделали разворачивание картинки в слои (там были сеточки для этого) https://www.canva.com/magic-layers/

Genspark красавчеги, конечно. Пылесосят все лучшее из рынка на текущий момент и релизят как не в себя. Ну и подняли кучу денег. Моя любимая "универсальная" подписка. В общем, выкатили по сути за месяц 6 больших фичей 1) Genspark Claw (тот самый): AI-агент, который живёт в выделенном облачном компьютере (Genspark Cloud Computer). У каждого пользователя свой изолированный инстанс - предустановленный, защищённый, всегда онлайн. Подключается к WhatsApp, Telegram, Teams, Slack. Пишешь сообщение - "изучи тему", "подготовь апдейт для клиента", "назначь встречу", "разбери почту", "задеплой код" - и Claw выполняет всю цепочку действий. Как сотрудник. Короче, безопасный и нормально работающий openclaw. 2) Genspark Workflows - автоматизация рутины через ~20 приложений (Google Workspace, Outlook, Slack, Notion, Salesforce и т.д.). Готовые шаблоны или кастомные цепочки. 3) Genspark Teams - по сути пересобрали Slack с нуля. Личные и групповые чаты, AI-интеграция из коробки. Бесплатно. Короче взяли и сделали клон Слака :) 4) Meeting Bots - боты, которые сами подключаются к запланированным встречам, записывают, делают саммари и рассылают участникам. И транскрибацию уже созданных мп3-файлов делает нормально. 5) Speakly - голосовой ввод с AI-редактированием для iOS и Android. Диктуешь - получаешь готовый текст. То есть просто взяли и скопировали whisprflow :) 6) Chrome Extension - AI-сайдбар в браузере, понимает контекст страницы и выполняет задачи. Тоже нормальный такой продукт с нуля. Добро пожаловать в AI-first-компании, которые за небольшое время пошатнули несколько крупняков. Чем дальше тем хуже. Кажется, таск-трекер и какой-нибудь аналог канендли будет сделан следующим. https://mainfunc.ai/blog/genspark_ai_workspace_3

Парочка топов ушла из Cursor сегодня к Маску, но еще вчера они показали свой бенчмарк сравнения кодинговых моделей, который вроде как показывает, кто у нас тут красава, лучше всего, что есть на рынке. И это... сюрпрайз, GPT-5.4. Opus 4.6 проигрывает даже более мелкой GPT-5.3-Codex и в качестве, и в сжираемых токенах. А вот Gemini 3.1-Pro пока четверый. Подход у них и правда интересный и зрелый Выделили три проблемы публичных бенчмарков: - Alignment – SWE-bench тестирует багфиксинг, Terminal-Bench – паззлы типа "найди лучший ход в шахматах". Это не то, что разработчики реально делают с агентами. - Оценка – большинство задач допускают множество правильных решений, а бенчмарки ожидают одно конкретное. Либо штрафуют за альтернативный подход, либо добавляют искусственные ограничения. – Утекание в датасеты – задачи из публичных репозиториев утекают в тренировочные данные. Haiku на некоторых бенчмарках догоняет GPT-5. Как устроен CursorBench: Задачи берутся из реальных сессий разработчиков Cursor через Cursor Blame – штуку, которая связывает закоммиченный код с запросом к агенту. Получается естественная пара "запрос - правильное решение". Ключевые отличия: Задачи из внутренней кодовой базы – модели их не видели в обучении Описания задач короткие и неточные – как реально разговаривают с агентами, а не как пишут подробные GitHub issues Сложность растёт – CursorBench-3 примерно вдвое больше по строкам кода и количеству файлов, чем первая версия Обновляется раз в несколько месяцев Текущие задачи решаются в одну сессию. Cursor говорит, что скоро основная работа перейдёт к long-running агентам на собственных машинах – и бенчмарк будет адаптироваться. https://cursor.com/blog/cursorbench

Claude добавил интерактивные диаграммы. Может генерить, если требуется для задачи