AI Product | Igor Akimov

Все советы Anthropic по разработке за "лето" Студентам советую раз в неделю читать что выходило свежего у OpenAI/Anthropic по разработке с помощью ИИ. На мой взгляд это сейчас самый передний край и проверенное. Лучше всяких ютюб-блогеров. Внутри у них ~80% смерженного кода уже пишет ИИ, инженеры шипят в 8 раз больше, чем в 2021–2025. И они довольно подробно рассказывают, как это устроено. Вот что, имхо, самое полезное было (в PDF подробно, можете почитать и отдать ИИ) 1. Узкое место теперь не написание кода, а проверка. Агенты генерят быстрее, чем люди ревьюят, поэтому все инвестиции – в верификацию. Практически: выписываете всё, что повторно исправляете за моделью, и кодируете в скиллы-проверки (.claude/skills) – агент сам гоняет тесты и чинит до сдачи. Сама команда Claude Code гоняет цепочку /code-review → /simplify → /verify, а потом те же проверки гейтом на каждый PR. 2. CLAUDE.md – короче 200 строк и без очевидного. Только точные команды тестов по подкаталогам (иначе модель запускает полный сьют на 40 минут) и то, что противоречит дефолтам модели. И пересматривать раз в 3–6 месяцев – правила под старые модели душат новые. 3. Разделение простое: пожелание – в CLAUDE.md, процедура – в скилл, закон – в хук. Линтер после каждой правки и блокировка rm -rf – только хуками, скилл модель может и забыть вызвать. 4. Ревью переразделили: ИИ – стиль, линтинг, отлов багов, тесты (несколько узких агентов, с каждой находки требуют доказательств – доля содержательных комментариев выросла с 16% до 54%). Люди – security, границы доверия, продукт. Автономному агенту – минимум прав: их инцидент-бот умеет писать доки и читать логи, деплоить – нет. 5. Самый огненный кейс – миграции. Bun перевели с Zig на Rust: миллион строк за 2 недели и ~$165k в токенах (раньше такое стоило $3–4 млн и 4 года). Рецепт: сначала тесты против обеих кодовых баз, потом rulebook правил перевода, дальше дешёвые модели переводят, дорогие ревьюят. Главный принцип – повторяющийся фейл это баг правила, а не файла: правишь rulebook и перегенерируешь, руками не патчишь. Я так переписывал gtfs.guru, скоро выложу мажорный релиз https://claude.com/blog

Claude Security plugin вышел - https://claude.com/product/claude-security#beta Скачивать отсюда - /plugin install claude-security@claude-plugins-official Для продакшн сервисов маст-хев, аналогично codex security plugin. А то будет то же, что с huggingface случилось недавно, куда chatgpt новый полез за результатами бенчмарков :)

AI Design How-to Со студентами доводим до продакшена несколько сервисов и везде стоит вопрос дизайна. Все эти нейрослоповые веб-сервисы с зелено-фиолетовыми цветами и квадратиками всплывающими уже набили оскомину. Поэтому советую им такой вариант по росту сложности, но и потенциальному эффекту. 1. Поставить дизайн-скилл. Есть несколько хороших, мне нравятся https://github.com/Leonxlnx/taste-skill https://github.com/Nutlope/hallmark https://github.com/nextlevelbuilder/ui-ux-pro-max-skill Можно ставить все 3, можно выбрать лучший для ваших задач (не только сайты, но и документы и презентации, например) 2. Использовать Stitch от гугла для дизайна https://stitch.withgoogle.com/ Очень гибкая система с огромными лимитами на постройку/переделку сайтов/приложений 3. Просить сгенерировать дизайн ChatGPT Это один из лучших генераторов картинок на текущий момент и плюс - можно сгенерировать например сотню разных вариантов и потом выбрать лучшие идеи. Лимитов практически нет. Потом просто закинуть в ИИ-ку и попросить сделать вот так 4. Claude Design Вариант скорее для продакшн и больших студий с готовым брендбуком или когда вы точно знаете, что хотите. Старается максимально следовать вашим гайдам и делать хорошо не только сайты, но и презентации Но для маленьких сервисов и презентаций "на выкинуть" скорее оверкил, жрущий лимиты. Ну и в целом советую поглядывать или закидывать свои задачи на DesignArena и выбирать модель, что работает с вашими типа графики/визуализации лучше. Вот что на текущий момент получается: Веб-девелопмент (фронтенд) - GPT Sol Веб-девелопмент (фулстек) - Fable, Opus Гейм-девелопмент - Fable Android dev - Opus React Native - Opus SVG - Fable и спец-модель Arrow ASCII-ART - Fable Слайды - Fable и Manus Картинки/графика всех видов - GPT Image и Reve 2.1 Видео - Gemini Omni Flash Аудио - Gemini Сервисы для создания приложений с нуля - Replit (неожиданно), Emergent, Anything и только потом Lovable и прочие, в том числе где-то в серединке Figma Make и Canva https://www.designarena.ai/leaderboard Что ещё используете?

Бенчмарки Gemini 3.6 Flash в чуть более красивом виде. Ну-у, неплохо-неплохо https://deepmind.google/models/gemini/flash/

Google выкатил три новых Gemini: 3.6 Flash, 3.5 Flash-Lite и 3.5 Flash Cyber Пока все ждут 3.5 Pro (который задерживается – по слухам, из-за слабых результатов на кодинговых бенчмарках), Google усиливает свою «рабочую лошадку» – линейку Flash. Gemini 3.6 Flash – главный релиз: – на 17% меньше output-токенов по сравнению с 3.5 Flash (по Artificial Analysis Index), а на некоторых бенчмарках вроде DeepSWE – до 65% – меньше шагов рассуждения и tool calls в многошаговых агентных сценариях – цена ниже предшественника: $1.50 за миллион input-токенов и $7.50 за output (у 3.5 Flash было $9 за output) – в кодинге – выше точность, меньше лишних правок кода и зацикливаний – расширенные Frontier Safety-механизмы Gemini 3.5 Flash-Lite: – самая быстрая и дешевая модель класса 3.5: 350 output-токенов в секунду – $0.30 за миллион input и $2.50 за output – для высоконагруженных задач вроде перевода и модерации – обгоняет 3 Flash: SWE-Bench Pro 54.2% vs 49.6%, OSWorld-Verified 74.0% vs 65.1% Gemini 3.5 Flash Cyber – самое интересное: – специализированная модель для поиска, валидации и патчинга уязвимостей, построенная поверх 3.5 Flash – на V8 JavaScript Engine нашла 55 уникальных подтвержденных проблем против 47 у 3.5 Flash и 36 у Claude Opus 4.6 – доступ – только правительствам и доверенным партнерам через CodeMender в рамках ограниченного пилота – логика: дешевая и быстрая модель, которую агент может вызывать многократно, покрывая больше путей в коде 3.6 Flash и 3.5 Flash-Lite уже доступны в приложении Gemini и в AI Studio / Vertex AI. В целом гугловские модели - отличные рабочие лошадки, много где использую, надо обновляться с 3 и 3.5-flash https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-6-flash-3-5-flash-lite-3-5-flash-cyber/

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 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 кажется ответ 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/

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/

Новый бенчмарк создателей react. Проверяют еще плюсом производительность и качество кода. 5.6 Sol Medium уделывает Fable xhigh. Тратит при этом $1.35 на тест, а не $9 https://www.reactbench.com/

Grok тоже не сидит сложа руки. Обещают эффективность (возможно) уровня Kimi K3, но скоростью и эффективность текущего Грока 4.5 (а он правда очень быстрый) Вообще выход K3 конечно подвзорвал всем недельку. Грубо говоря если ты взял миллионы/миллиарды баксов на закрытую модельку, а тут 27 июля выложат веса открытой, которая входит в топ-3 в мире и которую создала команда с ресурсами в 100 раз меньше и частично на китайских чипах, при этом плевала на экспортный контроль, то как-то начинает пахнуть жареным. Посыпятся оценочки ИИ-стартапов.

Доступ останется к Fable, но только у 100-баксовых планов и выше. Конкуренция-таки давит на жуков Anthropic. Если нужен план за 20, то лучше остаться на ChatGPT. Интересно, сколько пользователей они потеряют.

Чему учиться, когда ИИ уже умнее? Министр образования Эстонии ответила на этот вопрос за 13 минут – лучшее, что я видел про ИИ в образовании. Главное ниже, но видео стоит посмотреть целиком. Проблема – Ещё в 2017-м ОЭСР выяснила: у 2/3 работников грамотность, счёт и цифровые навыки ниже возможностей тогдашних компьютеров – Отсюда неудобный вопрос: зачем развивать мышление, если компьютер справляется лучше? Может, бросить учиться? Что происходит с мозгом – Мозг работает в двух режимах. Низший – память, понимание, применение, «автопилот». Самый дешёвый по энергии, поэтому мозг его обожает – Высший – анализ, оценка, созидание. Выматывает сильнее марафона: после сложного экзамена ты «мёртв» физически – Школа 200 лет тренировала только низший: «запомни – пойми – примени – сдай тест» – ИИ уже умеет всё нижнее и почти всё верхнее. Человеку остаются этическая оценка и настоящее созидание – вкус, насмотренность, опыт Что делать – Осознанно тренировать людей постоянно быть в высших когнитивных процессах – начиная с 12–13 лет – Делать это вместе с ИИ: именно он выталкивает с автопилота. Без него школа скатится в зубрёжку, а ученики – в brain rot и когнитивный аутсорсинг, когда домашка просто списывается. То же самое, кстати, делают «взрослые» с презентациями, которые даже не просматривают глазами Что сделала Эстония – программа AI Leap – Запуск в феврале 2025-го, пилот в 10–11 классах, с сентября 2026-го – профобразование – ИИ-тьютор по методу Сократа, созданный с OpenAI: не отвечает, а ведёт вопросами – Финансирование 50/50 – государство и бизнес, управляет фонд: «министерство – не место для инноваций» – Абсолютный фокус – подготовка учителей Кажется, закрыл для себя вопрос, чему и как учить сына. И лишний раз убедился: самые полезные для образования и государства системы сегодня делают лаборатории уровня OpenAI и Anthropic – а не консалтеры, учёные или блогеры. https://www.youtube.com/watch?v=44St9MoJU0E

По бенчмаркам Kimi K3 на разные темы тоже в топе, обошла Sol, и только чуть отстаёт от Fable. То есть можно наконец независимым провайдерам предлагать модели топ уровня. Иметь "свой Fable у нас дома". https://www.vals.ai/models/kimi_kimi-k3

Удивительно, конечно... Новая открытая китайская модель Kimi K3 - лидер в разработке сайтов... Офигеть

Claude тоже сбрасывает лимиты, на fable тоже :)))))

Не LLM единым. Новые модельки для таблиц и данных с сенсоров от Google Вышли уже "давно", аж 2 недели назад, но выглядят очень неплохо и решают проблему "ща запихну все в LLM она разберется" (не разберется). SensorFM обучена прямо на сырых сигналах с носимых устройств, всяких фитнес-браслетов – без перевода в текст. Триллион минут данных от 5 млн человек: пульс, кислород, сон, движение, температура. Бонус: снял часы – модель не ломается, пропуски для неё нормальная часть сигнала. Результат: на 34 из 35 медицинских задач бьёт модели, которые эксперты годами настраивали вручную. В том числе "ща закину все в Claude - она все офигенно поймет". Лучше всего ловит то, что по одному пульсу не видно – депрессию и тревожность. TabFM – то же самое для таблиц. С таблицами всегда была беда, слишком много надо учитывать. И к тому же много классических алгоритмов, которые "били" всех LLM-новичков. А табличные данные - это ж кровь бизнес и аналитики. Обычный путь: дата-сайентист неделю чистит данные, придумывает признаки, тюнит XGBoost. Здесь – кидаешь таблицу как есть и сразу получаешь прогноз, без обучения вообще. Забавная деталь: модель ни разу не видела реальных данных – её обучили на сотнях миллионов сгенерированных таблиц. И этого хватило, чтобы догнать тюненные классические модели. Скоро будет прямо в BigQuery одной SQL-командой. Крайне рекомендую. В общем, не забывайте, что LLM «думают» текстом. Скормить ChatGPT год показаний пульсометра или таблицу на 100 тысяч строк – значит превратить числа в текст. Модель такое читает как рассказ, а не как данные: структура теряется, числа она толком не «чувствует», а контекст забивается мгновенно. Пользуйтесь специализированными решениями. Тем более они уже реально хороши https://research.google/blog/sensorfm-towards-a-general-intelligence-and-interface-for-wearable-health-data/ https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/

Прикольно. Можно написать твит про Codex, сравнить его с другими моделями и получить 100 баксов на счет OpenAI. Нужно быть действующим подписчиком хотя бы Go плана. Действует для первых 10000 участников. Вот здесь просить $100 - https://switch-to-codex.openai.chatgpt.site/#submit-post Расчехлил свой твиттер и запостил :) https://x.com/akimovpro/status/2077360804333015551 На самом деле действительно GPT-5.6 дает примерно в 2 раза больше использований при примерно том же уровне интеллекта. Творческие и текстовые/документные задачи все еще делает лучше Fable, но типичные рабочие вещи и кодинг задачи можно отдавать Codex и не бояться, что у тебя сожрутся лимиты или Fable отберут на днях... Короче, OpenAI перехватывает инициативу. Ну и 17 июля ждем Gemini 3.5 Pro

ИИ-агенты понимают, получится ли у них код, ещё до того, как его напишут Вышла интересная работа: исследователи заглянули во внутренние состояния coding-агентов и попробовали понять, что модель уже «знает» про код, над которым работает. Масштаб нормальный: – две открытые модели: Qwen3.6-35B-A3B и Laguna-XS.2 – 1231 задача из SWE-Bench Verified и Pro – 22 714 запусков агента – почти 80 тысяч изменений кода – медианная попытка – 52 шага и 36 тысяч токенов К внутренним состояниям модели подключили простую логистическую регрессию, то есть простой классификатор. И он смог определять: – полностью ли работает код – AUC до 0,83 – стало ли упавших тестов меньше – до 0,84 – компилируется ли код – до 0,78 – не сломал ли агент уже работавшие тесты Здесь 0,5 – случайное угадывание, так что сигнал довольно сильный. Причём лучше всего он читался не из последнего слоя модели, а примерно из середины. Но самое интересное – можно было частично предсказывать не только текущее состояние кода, но и будущее! По тому, что происходило внутри модели сейчас, исследователи угадывали, будет ли код рабочим примерно через 25 шагов. К этому моменту AUC падал до ~0,55 на SWE-Bench Verified и ~0,65 на более сложном SWE-Bench Pro, но всё ещё оставался выше случайности. Слабый сигнал сохранялся даже через 50 шагов – около 0,52 и 0,60 соответственно. Авторы назвали это latent programming horizon. Важная оговорка: шаг – это не обязательно новая правка. Агент может читать файлы, искать по проекту и запускать тесты. В медианной траектории было всего два реальных изменения кода. Поэтому речь не о том, что модель заранее держит в голове готовый патч. Скорее, она довольно рано понимает общее направление: задача реально чинится или агент уже куда-то не туда поехал. Практический смысл хороший: можно раньше останавливать провальные попытки, запускать параллельную ветку, повышать effort или подключать более сильную модель – до того, как агент сожжёт десятки тысяч токенов. Короче, код ещё не написан, а модель уже немного понимает, получится он или нет. Следующий шаг – научиться не просто читать этот сигнал, а использовать его, чтобы рулить агентом. Вот это будет прикольно. https://arxiv.org/abs/2607.05188v1

«Контролируйте идеи, а не код» Сальваторе Санфилиппо (antirez) – создатель Redis, одной из самых популярных баз данных в мире, написал провокационную статью. 20+ лет пишет код руками и славится его качеством. И вот он публично заявляет: проверять код, написанный AI, больше почти не имеет смысла. Мысли на самом деле очень схожие с тем, что переживаю сам: Раньше главным продуктом программиста был код. Теперь AI пишет код быстрее и в таких объёмах, что человек физически не успевает его читать – тысячи строк в день. Рабочий день не резиновый. Поэтому роль разработчика меняется: вместо «писать и вычитывать код» – придумывать, как устроен продукт, какие в нём идеи, куда он развивается, и тщательно тестировать результат. Antirez называет это «контролировать идеи». Это не «вайб-кодинг», когда просто просишь AI «сделай мне приложение» и надеешься на лучшее. Нужно глубоко понимать, что ты строишь, и проверять именно замысел: «объясни, как работает эта часть?» – а не вычитывать каждую строчку. Сам он код для Redis всё ещё проверяет, но честно признаёт: современные модели (упоминает Claude Fable и GPT 5.6) находят больше ошибок, чем он сам. Продолжает по одной причине – из уважения к людям, которые будут открывать эти файлы руками. Вместо ревью он предпочёл бы тратить время на документ с описанием идей: как устроена каждая часть системы, какие в ней хитрости и почему так. Тогда следующий человек (или AI-агент) сможет менять код, понимая замысел Интересный контраргумент критикам AI: софт был полон мусора и ошибок задолго до нейросетей. Он сам находил в популярных инструментах тонкие баги, которые годами никто не замечал. Так что «раньше было качественно» – миф. Единственная оговорка – новички. Им всё равно нужно научиться программировать на практике, иначе не появится то самое понимание, без которого «контролировать идеи» невозможно. Короче, ценность смещается от «умею написать» к «понимаю, что и зачем строю». Это касается не только разработчиков – та же логика скоро доберётся до юристов, аналитиков, маркетологов. Но есть ловушка: отпустить рутину можно, только если экспертиза уже наработана. Остальным надо будет до этого уровня сначала дорасти. https://antirez.com/news/169

А OpenAI убрал 5-часовые лимиты 😱, сделал более токено-эффективным Сол и ещё и скоро сбросит всем лимиты. Вот что конкуренция делает.

Красивое... И за 500 баксов в месяц. Все меньше надежд на профессии физического труда. https://youtu.be/QRyXV3csReA?is=RCH8Pey85SeFRPEz