Сиолошная

Первая категория бенчмарков — это на знания, насколько много мелких сложных фактов и нюансов зашито внутри модели. Предыдущий бенчмарк, на который я смотрел, был SimpleQA от OpenAI (и Verified-версия от Google). На нём самый высокий результат был у GPT-4.5, 62.5%. Качество на бенчмарке хорошо коррелировало с размером модели, больше модель + дольше учат = больше знаний, больше понимание нюансов. Отсюда логично, что у условной GPT-5 результат меньше, 55% (а у не-thinking версии вообще 46%, при том что у GPT-4o 44%). Поэтому когда появились слухи про результат Gemini на SimpleQA, 72%, — я был немного скептичен. Ну мало ли гугловцы взяли и доучили модель отдельно на самых частых фактах из этого бенчмарка. К счастью, менее чем неделю назад Artificial Analysis выпустили AA-Omniscience, схожий по духу бенчмарк, содержащий 6000 вопросов из 42 топиков. Его выводы не совсем идеально бились с теорией о корреляции знаний и размера, но в целом было неплохо: Grok-4 топ-1 с показателем 39%, на том же уровне GPT-5 (хотя я бы ожидал, что ниже), дальше G2.5 Pro и Opus (последний должен был бы быть где-то в топ-1), ну и весь опенсурс размером в триллион параметров на 10% ниже. И вот Gemini 3 Pro занимает первое место с отрывом, 53%, что скорее подтверждает теорию о том, что с точки зрения общего количества параметров это огромная модель. К сожалению, модель очень часто предпринимает попытки отвечать, не до конца понимая границы своих возможностей: в 89% ответов, где модель не дала правильный ответ, она не сказала «не знаю», а предприняла попытку угадать. Этот показатель называется «оценка галлюцинаций» (меньше — лучше), и для сравнения топовые модели там: — Claude 4.5 Haiku и 26% — Claude 4.5 Sonnet / 4.1 Opus 48% — GPT-5.1 51% — Grok 4 64% Однако за счёт большой доли правильных ответов по индексу, взвешивающему точность и галлюцинации модель в топ-1. It's a big model, Sir.

За первые сутки с момента релиза Gemini 3.0 меня поразило 3 вещи: — во-первых, гугл смог СОБРАТЬСЯ и не запускать 5 версий превью, растягивая релизы и глобальный релиз. Всё очень собрано, как и полагается большой корпорации: модель сразу доступна в AI Overview (вкладка поиска), сразу подключена к Gmail / Docs, даже новую IDE выкатили под модель. Цена известна, лимиты адекватные, не придраться. Две другие вещи связаны с бенчмарками, о них поговорим с картинками:

Первая картинка — результат отдельных запусков Вторая — результаты арены на 4 модели

Vending-Bench 2 (+ Arena) Долгосрочная согласованность действий агентов сейчас важна как никогда. Агенты для кодинга уже способны автономно писать код в течение нескольких часов, а масштаб и разнообразие задач, которые смогут выполнять модели ИИ, будут только расти. Вполне возможно, что в скором времени модели станут активными участниками экономики, управляя целыми предприятиями. Однако для этого они должны сохранять последовательность и эффективность на очень длительных временных отрезках, измеряемых месяцами и годами. Ранее в этом году появился Vending-Bench, который оценивал, насколько хорошо модели могут менеджерить один вендинговый автомат, договариваться о поставках, назначать цены. Симулируется год работы точки, условия такие: — каждый день нужно платить $2 за аренду; — заказывать товар, вести переписку с поставщиками и клиентами; — следить за остатками и ценами; — если 10 дней подряд не удаётся заплатить аренду — бизнес закрывается. Сегодня вместе с Gemini 3 вышла вторая, расширенная версия бенчмарка, в которой применили уроки, полученные в ходе запуска этого бенчмарка в реальном мире (в офисе одна LLM реально управляла автоматом): — Поставщики могут быть недоброжелательными: они завышают цены, используют bait-and-switch тактики или просто кидают на деньги. Агенту нужно понять, что его разводят, и искать другие варианты. — Даже честные поставщики всё равно торгуются и пытаются «выжать максимум». — Поставки задерживаются, надёжные контрагенты внезапно «закрываются», приходится строить устойчивую цепочку поставок и иметь план Б. — Недовольные клиенты могут в любой момент потребовать возврат денег, который нужно отработать. На бенчмарке свежая Gemini 3 сильно улетает вперёд остальных моделей, следом идут Sonnet 4.5 и Grok 4, GPT-5.1 ниже. Авторы связывают успех Gemini с двумя вещами: — стабильным, аккуратным использованием инструментов без деградации в середине долгого ранa; — отличным поиском нормальных поставщиков с хорошими ценами (модель предпочитает сначала найти адекватное предложение, а не закапываться в бесконечные торги) GPT-5.1 сильно страдает от излишнего доверия к среде. В одном запуске модель платит поставщику ещё до того, как получила спецификацию заказа, — и только потом выясняет, что поставщик уже «вышел из бизнеса». Это хороший пример, как наивное доверие к миру превращается в прямой финансовый ущерб. В классическом режиме модели играли в одиночку, поэтому авторы сделали ещё и Арену, где модели «видят» друг друга и имеют одни и те же условия, поэтому агенты могут: — демпинговать друг друга ценами; — договариваться, кооперироваться, делить рынок; — продавать друг другу знания и контакты Последнее прям супер-удивительно. Gemini 2.5 Pro, который не смог найти хороших поставщиков, в какой-то момент соглашается заплатить $150 просто за e-mail хорошего поставщика у Gemini 3 Pro. То есть внутри симуляции появляется микроэкономика торговли инсайдами: один агент продаёт контакт, другой практически выкладывает весь кэш за доступ к нормальным ценам.

Состоялся релиз 1) видео https://www.youtube.com/watch?v=98DcoXwGX6I 2) блог https://blog.google/products/gemini/gemini-3 3) запустили antigravity, свой аналог Codex / Cursor, доступно на Windows https://antigravity.google/ . Платных тарифов пока нет... так что всё — бесплатно! 4) список будет дополняться Попробовать модель бесплатно: тут

Потихоньку появляется, в AI Studio модель уже можно выбрать + видна цена (дороже GPT-5). Анонсы с блог-постами и, возможно, видео-презентация выпустят совсем скоро. UPD: модель стала отвечать по ссылке https://aistudio.google.com/app/prompts/new_chat?model=gemini-3-pro-preview

Второй тоже картинкой: Ссылка на PDF: тык Блога пока нет, ждём тут в ближайшие часы: https://deepmind.google/models/evals/gemini-3-pro/ Позже днём, с появлением официального анонса, напишу пост подлиннее.

Начинаем день с целых двух постов про новые модели! Первый будет картинкой:

+1

А вот примеры проектов и результатов работы людей / AI, чтобы примерно представить, что внутри. Ещё рекомендую перейти в Explore на сайте и полистать там.

Remote Labor Index: Measuring AI Automation of Remote Work Всё никак не доходили руки написать про новый замечательный бенчмарк от Dan Hendrycks. OpenAI недавно представили GDPval (писал тут) — бенчмарк для оценки навыков моделей в экономически важных задачах. Духовно Remote Labor Index, или RLI, является его наследником. Как следует из названия, RLI пытается оценить, какую долю экономически важных задач, выполняемых удалёнными сотрудниками, могут решить агенты. Ключевым отличием от работы OpenAI является широта набора задач и длительность каждой из них — для составления выборки в 230 проблем использовали рубрику с сайта UpWork, а конкретные проекты брали у исполнителей там же. При этом намеренно выкинули задачи. в которых AI уже поднатарел — на поиск/вычитку текстовых материалов и написание текстовых отчётов. И очень малая доля проектов касается программирования напрямую, в отличии от множества других бенчмарков. Среднее время выполнения одного проекта человеком 28.9 часов, медианное 11.5. Суммарно за выполнение всех проектов заплатили примерно $140'000 (за более чем 6'000 часов работы). Как и в любом бенчмарке, есть упрощения и разница с реальными задачами — в данном случае это отсутствие проектов, требующей итеративной работы с командой заказчика. В остальном он очень близок к «реальным» задачам — тут есть и 3D-моделирование, и создание рекламы, и планирование дома в специальном ПО с учётом большого количества требований. (ну и про то что всё на англ я даже не упоминаю) TLDR результатов: сейчас лучшие системы (Manus) показывают лишь 2.5% «автоматизации» (где работа модели была оценена не хуже работы специалиста, оценка производится вручную), и около 1%, если переводить в деньги. Очень интересно, где эта цифра окажется через год-два — смогут ли AI-системы взять на себя больше 20% задач? Каждый процент на этом бенчмарке — это десятки, если не сотни, миллиардов выручки, которая может перетечь от людей к компаниям, предоставляющим услуги AI-агентов. Из интересного — авторы пишут про те задачи, где модели достигли успеха. «.. в ряде задач, связанных с редактированием, сведением и продакшеном аудио (например, создание уникальных звуковых эффектов для ретро-видеоигр, отделение вокала от аккомпанемента в единой аудиодорожке, наложение голосовых комментариев на интро- и аутро-музыку), а также в задачах по генерации изображений (например, создание рекламы и логотипов)» — так что видимо за программистами на выход пойдут звуковики 😀 Самые частые причины проблем: — в 45% случаев просто низкое качество работы, не соответствует профессиональным стандартам — в 52% случаев файлы битые/не открываются/не в том формате, так как агент по сути не закончил работу

👶 В общем, тут ходят слухи, что в скором времени анонсируют Half-Life 3. Специально для вас я разобрался в этом, позвонил нужным людям, обкашлял вопросики, метнулся кабанчиком, и... выглядит так, что это действительно произойдёт 🤯 🥱. Не факт, что в ближайшие 2-3 дня или неделю, но до конца 2025-го — почти наверняка, 99.8%. После этого, как ожидается, последует релиз в начале 2026-го года, возможно, в один день вместе с недавно анонсированными девайсами. Всем тем, кто ждёт — криозаморозки, остальным соболезную.

Модель — без дообучения и изменений — смогла даже в Wukong поиграть, но тут из-за разницы графики и уж совсем нетипичности геймплея забуксовала, и ощутимого прогресса не достигла. Хотя перемещение по миру от квеста к квесту, со слов авторов, работает неплохо.

Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds Увидел статью у Андрея @datastorieslanguages и не понял, почему о ней так мало говорят. Меня результаты очень удивили. Я не буду делать полный разбор, сделаю очень краткий пересказ (🤦 я должен бороться за символы). Что делают: учат маленький Qwen-2-VL-7B играть в Genshin Impact, да-да, ту самую гача-игру, но делают это в очень общем виде. Если модели, которые учились играть в Starcraft / Go / Dota 2 были заточены только на них, то в этом случае авторам удаётся без дообучения и изменений запускаться почти на любой игре. Для сбора данных нанимают игроков и просят записать их геймплей на первых уровнях, с выполнением простых миссий и загадок. Всего около 2500 часов данных, правда после фильтрации остаётся 1730. На этом учат модель по картинке предсказывать действия мышки и нажатия кнопок. В модель поступает история в виде 20 картинок за 4 секунды + предпринятые в прошлом действия (игрока, не модели). Предсказанное действие — это на самом деле последовательность из 6 действий на следующие 200 миллисекунд (можно предсказать 1 клик и просто ждать, а можно сложную комбинацию клавиш). Затем фильтруют часть данных, делают разметку / классификацию / фильтрацию через GPT-4.1 и получают 200 часов в данных, где для геймплея есть текстовая инструкция, что делает игрок. Поверх этого собирают 15'000 очень коротких цепочек рассуждений (20-30 слов), привязанных не к каждому шагу, а к отдельным «переломным» моментам, где игрок начинает делать что-то новое. На каждом из наборов данных учат по 3 эпохи, и на это уходит порядка $45'000 (не миллионы). Много вкладывают в оптимизацию инференса, чтобы модель успевала при истории в 20 картинок в разрешении 720p + истории действий + системном промпте предсказывать следующие действия за менее чем 0.2 секунды, ключевое — это используют StreamingLLM, позволяющий переиспользовать KV-кэш даже если часть истории меняется (потому что мы самые старые картинки + действия удаляем и не подаём в модель; обычно это означает, что нужно пересчитывать всё, и нельзя переиспользовать кэш) + запускают на 4xH20. И... никакого RL. Только обучение на собранных данных, и даже «обучение рассуждениям» — это просто задача предсказания следующего слова. То, что это работает на тех же уровнях и миссиях, на которых учили — это не удивительно. Немного удивительно, что достаточно хорошо работает на новых уровнях/миссиях/загадках, правда, использующих те же механики (о новых-то модель не знает). НО ВОТ ЧТО СУПЕР-УДИВИТЕЛЬНО — ЭТО ЧТО МОДЕЛЬ ХОРОШО ИГРАЕТ В ДВЕ ДРУГИЕ ГАЧИ, Wuthering Waves и Honkai: Star Rail. Да, у них похожий стиль и геймплей, да, они достаточно примитивные — но я не ожидал, что маленькая модель, выпущенная ещё до выхода этих игр (то есть она не могли быть натренирована на тысячах скриншотов из них), относительно старенькая (уже Qwen-3 давно), сможет проходить миссии 100+ минут подряд. В Wuthering Wave — вообще 5-часовой уровень закончила (у человека уходит примерно 4 часа, то есть модель не тыкается в стену всё время и потом делает какую-то маленькую часть работы). Посмотреть записи геймплея можно на сайте тут. Следующий логичный шаг — а) добавить обучение на интернет-данных (летсплеях) б) расширить круг игр, ну и в идеале ещё конечно в) накинуть RL, что будет сложно из-за длительности сессий. 🤔 интересно, почему это не работает настолько хорошо в веб-агентах? Или там 2500 часов «работы» куда дороже набрать? 🩸 такой хайп что я готов идти питчить агентов-игроков инвесторам

Это чтоб вы понимали, насколько она большая! (Starship Superheavy, конечно, больше) Из интересного — прочитал, что New Glenn сразу после посадки приваривает себя к барже с помощью «пирогвоздей», чтобы не опрокинуться при транспортировке баржей в порт.

Вчера обновился лидерборд SWE-ReBench, с добавлением 51 свежей задачи за октябрь. Для тех кто не следит, напомню, что ребята берут свежие PR из Python-репозиториев, подходящих под некоторые критерии, и прогоняют на них простого агента с разными моделями под капотом. Первенство остаётся за Sonnet 4.5, который слегка отрывается от GPT-5-medium / Codex в доле решаемых с первого раза задач, но существенно отрывается, если моделям давать по 5 независимых попыток и выбирать лучшую: 57% против 49 и 47% у моделей OpenAI. И даже от Sonnet 4 отрыв тоже 10%. При этом авторы гоняют бенчмарк на Sonnet 4.5 без рассуждений... но модель всё равно тратит больше токенов чем gpt-5 medium / high. Мне кажется это результат того, что используемый агент (инструменты + промпты) чуть больше отличаются для естественных у моделей OpenAI, чем у Anthropic: OpenAI рекомендует использовать модели так, чтобы им были доступны предыдущие рассуждения в рамках цепочки вызова инструментов, и сейчас на бенчмарке это выбрасывается. Очень жду, что авторы добавят хотя бы два агента, Claude Code и Codex, и протестируют с ними релевантные модели — было бы интересно увидеть гэп. Он точно есть, см. вот этот бенчмарк от Vercel (там агент авторов даёт 32% для Claude Sonnet 4 / 4.5, но 42% с Claude Code). Вангую, что и тут у моделей обеих компаний качество ощутимо подскочит, но какая будет лучше — хз, наверное, Anthropic. К другим инсайтам: — MiniMax M2 «самая экономически эффективная открытая модель из топа», но это на бумаге. Формально она стоит $0.255 / $1.02 против $1.25 / $10.00 за GPT-5 / Codex. Но OpenAI имеют кэширование промптов, которое предназначено как раз для длинных агентских сессий, состоящих из большого количества последовательных шагов. Вы платите на 90% меньше за входные токены, если они уже были обработаны. И по итогу цена за одно решение у M2 $0.44, а у Codex — $0.51. А разница в качестве 25% 🎃 При этом вместе с добавлением GPT-5.1 в API вчера OpenAI расширили кэш с 5-10 минут до 24 часов (за ту же цену, правда будет чуть медленее), так что вообще шик. — Если брать срез в 100 последних задач, то GPT-OSS 120b хоть и существенно отстаёт от фронтира (26.1% vs 44.4%), но... умудряется обгонять: DeepSeek-V3.1, Qwen3-235B, gpt-4.1, o4-mini, gemini-2.5-pro, и это при том, что она стоит 4 цента за задачу — самая дешёвая из всех, от некоторых из указанных моделей отрывается на порядок. Хорошая агентская модель для бейзлайна, получается. Grok Code Fast 1 мог с ней потягаться, за сентябрь у него была такая же цена и +- качество), но авторы не замерили модели xAI в октябре.

Не перестает удивлять и где-то даже шокировать отношение инженеров к своему труду и современным инструментам. Случай из практики. Код на спарке месяц не может отработать, уходит в тайм-аут, поэтому перешли на недели. Смотрю на код, вижу, что это мешанина адхоков на 700+ строк, которая явно не проходила через код-ассистент. То есть, казалось, то, что точно должно сработать. Прогоняю базовый скан — результат. Expected Overall Speedup: 5-10x (conservative estimate) Альтернатива: # Minimal Patch: Replace NOT IN with LEFT ANTI JOIN Expected Speedup: 3-5x on bottleneck queries Time to Implement: 10 minutes Risk Level: LOW Пришлось ввести новое правило: 1) Если есть код, который явно не проходил проверку через ассистента и занимает много времени (а такое обычно легко определить), мы должны прогнать его через ассистента, чтобы переписать код, выявить и приоритизировать узкие места, а также оценить общий прирост скорости и прирост по каждому узкому месту. 2) Затем попросить ассистента разложить изменения по узким местам, внедрять их по одному и тестировать на: a) воспроизводимость результата; b) оптимизацию Думаю пора вводить следующее правило: Мыть руки перед едой

Схема атаки и её отдельных шагов.

Disrupting the first reported AI-orchestrated cyber espionage campaign Anthropic считают, что настал момент, когда модели стали действительно полезными в кибербезопасности, как для защиты, так и для атак. Про защиту я уже писал — Google сделали систему на основе LLM, которая анализирует код и помогает находить уязвимости. Anthropic выявили злоумышленников, которые пользовались Claude Code, чтобы попытаться атаковать примерно тридцать целей, и в небольшом числе случаев им удалось это сделать. Компания с высокой уверенностью идентифицировала атакующих как группу, поддерживаемую китайским правительством. Операция была направлена на крупные технологические компании, финансовые институты, химические производства и государственные учреждения. Вероятно, это первый документально подтверждённый случай крупномасштабной кибератаки, осуществлённой без значительного участия человека. Почему именно сейчас? Anthropic видят три причины: — Интеллект моделей. Общий уровень вырос за последний год настолько, что LLM способны выполнять сложные инструкции и понимать контекст задач, требующих несколько часов работы. Особенно прокачалось программирование. — Автономность. Модели могут выступать в роли агентов, то есть работать в цикле, автономно выполнять действия, декомпозировать задачи и принимать решения сами. — Инструменты. Модели стали гораздо лучше искать информацию в интернете, извлекать данные, пользоваться инструментами. В случае кибератак такие инструменты могут включать программы для взлома паролей, сканеры сетей и другое ПО. Атака состояла из 5 этапов, на каждом из которых нужно было убедить Claude — который тщательно обучен избегать вредоносных действий — участвовать в атаке. Они добились этого с помощью джейлбрейк-промптов, фактически обманув модель. Задачи разбивались на мелкие, казалось бы, безобидные действия, которые Claude выполнял, не осознавая всей их вредоносной сути. Также модель заставили отыгрывать роль сотрудника легитимной фирмы по кибербезопасности, мол, она используется для проведения защитного тестирования. Claude Code провёл инспекцию систем и инфраструктуры целевых организаций, обнаружив базы данных с наибольшей ценностью. Модель смогла выполнить эту «разведку» за малую долю времени, которое потребовалось бы группе хакеров-людей. Затем Claude использовался для сбора учётных данных (имён пользователей и паролей), что позволило ему получить дополнительный доступ и извлечь большое количество конфиденциальных данных, которые он классифицировал по степени их значимости. Были обранужены аккаунты с наивысшими привилегиями, и пользуясь их данными созданы новые, выглядящие легитимно, но позволяющие в будущем получать неправомерный доступ к данным, которые можно скачать/итд. Claude не всегда работал идеально. Иногда он «галлюцинировал» данные учётных записей или утверждал, что получил секретную информацию, которая на самом деле была общедоступной и не требовала отдельных прав доступа. Anthropic забанили все аккаунты, связанные с этой атакой, связались с атакованными компаниями и предупредили их. В конце они отвечают на вопрос: а зачем вообще выпускать модели, которые могут быть инструментами в руках плохих людей? Ответ состоит в том, что те самые способности, которые позволяют использовать Claude в подобных атаках, также делают его незаменимым инструментом в киберзащите. ⚔️ 🛡

Как успешный запуск и посадка New Glenn влияют на SpaceX? Достаточно распространённый вопрос, ответ на который нельзя упростить до «никак» или «им хана». Но это важный и позитивный шаг для всей американской космической отрасли. 2 успешных запуска — это прохождение сертификации, которая открывает двери для новых государственных и оборонных заказов. И Blue Origin ещё далеко не там — по сути, они реплицировали то, что SpaceX сделали 10 лет назад, и впереди ещё более длинный и сложный путь. Сперва им предстоит догнать результаты, которые были у SpaceX 5 лет назад — примерно 25 пусков в год. К этому можно прийти за 2-3 года, но потребует стабильности и скалирования производства и операций. Нужен флот ускорителей и по 2 вторых ступени каждый месяц. Сейчас они смогли только в 2 за год. Затем им надо будет ставить внутренние рекорды и догнать результаты SpaceX сегодня — 150-170 пусков год, и это результат, который пока никто не смог реплицировать. Если бежать и по пути не ломать ноги, то это 5 лет агрессивного роста без значительных ошибок. Также ни разу не лёгкая задача. Где будет SpaceX через 5 лет? План компании выводить 99% всей массы на орбиту и 400 пусков в год. Так что пока участникам рынка надо решить свои другие задачи, а про конкуренцию в том виде, которую себе представляют, пока речи не идёт — она будет сильно позже. А теперь разделим ответ на изначальный вопрос на несколько важных направлений: - Лунная программа Artemis - Государственные заказы - Частные заказы - Оборонные пуски Что по Artemis? Вчерашняя демонстрация и ускорение темпов запуска помогают усилить переговорную позицию Blue Origin по альтернативным архитектурам лунной программы. Но это, в первую очередь, плохие новости для ракеты SLS (Boeing, Northrop Grumman, L3Harris итд). Так что шансы увидеть корабль Orion на New Glenn в обозримом будущем стали выше. А вот на альтернативную систему посадки для Artemis 3 будет влиять тест Blue Moon MK1 весной 2026 года. Как с государственными заказами? Тут New Glenn напрямую конкурирует с Falcon Heavy и не будем удивляться, если в ближайшие несколько лет будут сюрпризы по вторичным миссиям для Artemis или высокоэнергетическим направлениям. Но такие заказы пока единичные, и сами участники по деньгам себя не обижают. А частные миссии? Тут пока губу не раскатываем — с себестоимостью запуска Falcon 9 пока никто не может конкуривать, и это даёт SpaceX гибкость по марже, они буквально могут падать ниже по цене и всё ещё зарабатывать, если потребуется. Вот та самая цена запуска ESCAPADE на New Glenn за $68 миллионов не включает издержки, которые Безос заплатил за этот запуск, чтобы получить контракт. Оценка внутри отрасли — они потеряли порядка $120 миллионов. И критически важно начать переиспользовать первую ступень, чтобы выйти на объём пусков. Но хорошие новости — Amazon Leo не улетит далеко на Vulcan Centaur и Ariane 6, так что заказы будут. А где-то там маячит orbital compute. Так может оборонные? И тут мы подходим к самому жирному куску этого пирога. Blue Origin теперь не просто могут участвовать в тендерах, а забирать себе Lane заказы по NSSL, как и другие оборонные пуски. Там стоимость высокоэнергетических направлений по $150-220 миллионов, и в основной зоне риска не SpaceX, а ULA — для них это последняя существенная кормушка под Vulcan Centaur. Так что в следующем году, при распределении новой пачки заказов, будет перетасовка. Так что радикального изменения баланса сил внутри отрасли пока не предвидится — всем только предстоит выйти на один ринг с Falcon 9 и Starlink, а за ними ещё Starship и Starlink V3. Поэтому участники этого соревнования предпочтут расширять ринг и минимально пересекаться друг с другом, нежели чем ловить лицом нокаут от SpaceX. Но это отличные новости для всех заказчиков, включая частников и NASA. Будущее снова стало немного светлее. А вот для Европы, РФ, Японии, Индии итд — пока что плохие. Им просто ещё нечем ответить.

Не каждый день в мире появляется новая тяжёлая многоразовая ракета, вот и сегодня не п... 😱 😱 в смысле села??? Поздравляем команду Blue Origin и её основателя Jeff Bezos, которые шли к этому 25 лет. Первая попытка в январе 25-го провалилась (ракета разрушилась в ходе вхождения в атмосферу), вторую перенесли с 9-го ноября из-за погоды, и сам запуск сегодня переносили аж 3, если не больше, раза. Но по сути со второй попытки полноценная посадка — огромный успех. Источник видео