Опыт, бенчмарки и ограничения
ACC компилирует многоходовые траектории вызовов инструментов агента в длинные контекстные QA-пары, обучая модель интегрировать разрозненные доказательства. Qwen3-30B-A3B получает +18.1 на MRCR после обучения ACC, приближаясь к версии 235B.
Токеновое кредитное распределение в RLVR оставалось чёрным ящиком. DelTA переосмысливает направление обновления градиента политики как линейный дискриминатор, превосходя базовые модели того же масштаба на 2-3 балла по 7 математическим бенчмаркам.
MM-OCEAN оценивает 27 MLLM по восприятию личности, обнаруживая, что 51% правильных оценок не основаны на наблюдаемых доказательствах, а полные показатели привязки составляют лишь 0-33.5%. Правильный ответ ≠ понимание.
GRPO assigns одинаковое преимущество каждому токену. OPPO использует сигналы оракула для байесовского обновления убеждений, производя токеновые преимущества в закрытой форме — без сети ценности, без дополнительных rollout, всего один дополнительный прямой проход.
RTPurbo доказывает, что полно-внимательные LLM внутренне разрежены — всего сотни шагов обучения превращают их в высоко разреженные модели, давая 9.36x ускорение prefill при 1M контексте с почти безпотерной точностью.
AgentMemory предоставляет постоянную память для Claude Code, Cursor, Codex и других кодирующих агентов. 387 коммитов, 15k звёзд, поддержка 15+ агентов с общим сервером памяти. Гибридный поиск P@5 достигает 0.578, вдвое выше grep-базовой линии.
CloakBrowser модифицирует фингерпринты Chromium на уровне исходного кода C++, не через патчи конфигов. 30/30 сайтов детекции пройдены, замена Playwright/Puppeteer в одну строку, установка через pip. Почти 9000 звёзд за неделю.
oh-my-pi — суперзаряженный форк Pi с 5700+ коммитами и 609 тегами. Hashline-редактирование экономит Grok 4 Fast 61% выходных токенов, полная интеграция LSP, реальный отладчик, субагенты с параллельными worktree.
OpenHuman — персональный ИИ-ассистент на Rust, 23.5k звёзд, 17.7k за неделю. Превращает паттерн Obsidian Wiki Карпати в готовое десктопное приложение, автозагрузка данных из 118+ сервисов, сжатие TokenJuice экономит 80% токенов.
qiaomu — Claude Skill с поддержкой 15+ источников контента (включая обход пейволлов), автозагрузкой в Google NotebookLM для генерации подкастов, презентаций, ментальных карт. Встроенная 6-уровневая цепочка обхода пейволлов. 2347 звёзд за неделю.
Репозиторий humanlayer/12-factor-agents с 21 тыс. звёзд подтверждает одно: сообщество действительно нуждается в руководстве по разработке LLM-приложений промышленного уровня.
Репозиторий ArthurBrussee/brush набрал 4,6 тыс. звёзд за 1166 коммитов. Это не демонстрационный проект — он действительно предназначен для того, чтобы сделать 3D-реконструкцию доступной обычным пользователям.
Репозиторий BenedictKing/ccx подтверждает свою активность 1092 коммитами и 201 релизом. Рост на 595 звёзд за неделю — не случайность.
Meta переписала тайп-чекер Python на Rust — Pyrefly. 13 000+ коммитов, 6.3K звёзд. Сможет ли заменить mypy и pyright?
Проект Personal_AI_Infrastructure Дэниела Мисслера с 617 коммитами и 14.2K звёзд доказывает: персональная ИИ-рабочая станция — это не абстрактная концепция, а готовое к развёртыванию решение.
bambuddy — это открытая платформа для самостоятельного управления 3D-принтерами Bambu Lab, поддерживающая единый контроль от одной модели A1 до фермы из 40 устройств. Работает полностью локально без привязки к официальным облачным сервисам, включает интеграцию с Spoolman для управления расходными материалами и предпросмотр G-кода.
Proma — это open-source платформа агентов на базе Claude Agent SDK с нативной поддержкой вызовов в групповых чатах Feishu и гибким подключением к любым провайдерам больших языковых моделей. Она представляет практический подход: "запустить возможности лучших агентов именно там, где вы работаете каждый день".
RuView использует обычные сигналы Wi-Fi для реализации пространственного восприятия в реальном времени, мониторинга жизненных показателей и детекции присутствия — абсолютно без камер. Проект набрал на GitHub более 55 000 звёзд, вызвав дискуссии о технологиях пространственного восприятия в «эпоху после камер».
Опенсорсный набор scientific-agent-skills от K-Dense AI — это готовое решение «из коробки», объединяющее навыки агента для научных исследований, инженерии, аналитики, финансов и написания текстов. Проект уже собрал 21 500 звёзд и продолжает привлекать более 600 новых еженедельно, являясь одним из самых заметных вертикальных решений в экосистеме Agent Skills.
Южнокорейская аудиотехнологическая компания Supertone открыла исходный код Supertonic — полностью локального многоязычного движка преобразования текста в речь (TTS), поддерживающего 9 языков, включая китайский, японский, корейский и английский, с кроссплатформенным развертыванием через ONNX Runtime. Без зависимости от облака, нулевая задержка, полностью автономная работа.
Группа ML Tsinghua (thu-ml) предлагает Causal Forcing++ — авторегрессионную диффузионную дистилляцию для интерактивной генерации видео в реальном времени. 72 голоса на Hugging Face Daily Papers.
Бенчмарк CurveBench выявляет серьёзные недостатки LLM в точном топологическом рассуждении: сильнейшая модель Gemini 3.1 Pro — лишь 71,1% на простых задачах, 19,1% на сложных. Qwen3-VL-8B после RLVR-файнтьюнинга обходит GPT-5.4 и Claude Opus 4.5.
Нотр-Дамский университет выпускает PreScam — бенчмарк из 11 573 многораундовых мошеннических диалогов, извлечённых из 178 тысяч реальных отчётов. Supervised-энкодеры значительно превосходят zero-shot LLM на задаче прогнозирования завершения мошенничества.
Self-Distilled Agentic Reinforcement Learning предлагает агенту само-дистилляцию в ходе RL-обучения, повышая качество стратегии без внешних моделей-учителей. 58 голосов на HF Daily Papers, 11 авторов.
Open ASR Leaderboard от Hugging Face добавил механизм «Benchmaxxer Repellant». Когда модели начинают оптимизироваться под бенчмарки, баллы больше не отражают реальные способности.
Aider坚持纯终端路线，44.8K star 证明这条路有人走。和 GUI 类编程 Agent 相比，它的优势和短板分别在哪？
Cline превратился из расширения VS Code в стратегию SDK + IDE + CLI. 61.7K звёзд — это хайп или реальность? Мы протестировали.
Codegraph заменяет семантический поиск на преиндексированный граф знаний кода, помогая Claude Code тратить меньше токенов и делать меньше вызовов инструментов в больших проектах.
Проект DS4 от antirez взорвал GitHub за неделю. DeepSeek V4 Flash + квантование 2/8bit впервые сделали локальные модели реальной заменой облачным для серьёзной работы.
Executor стремится стать недостающим слоем интеграции для AI-агентов — позволяя им безопасно вызывать любые OpenAPI, MCP, GraphQL или кастомные JS-функции. 1.7K звёзд, стоит ли следить?
Индекс интеллекта Artificial Analysis показывает, что разрыв между тремя флагманскими моделями сократился до 3 баллов. Гонка моделей сместилась от «кто сильнее» к «кто практичнее».
CEO Y Combinator Гарри Тан открыл исходный код своей полной конфигурации Claude Code — gstack, включающей 23 строго определённых инструмента, которые выполняют роли CEO, дизайнера, менеджера разработки, релиз-менеджера, инженера по документации и QA. Проект мгновенно стал вирусным после запуска, набрав 96 900 звёзд.
Kiro.rs — написанный на Rust клиент Kiro, поддерживающий API Key, IDC и социальную аутентификацию, с Admin UI. 1308 звёзд, маленький инструмент, за которым стоит следить.
NVIDIA-AI-Blueprints/aiq — это эталонная архитектура корпоративного ИИ-агента, обеспечивающая подключение к корпоративным источникам данных, инференс на основе SOTA-моделей и формирование достоверных бизнес-выводов.
NVIDIA-AI-Blueprints/pdf-to-podcast — это инструмент для преобразования PDF в подкаст с ускорением на GPU, поддерживающий загрузку статей или документов для автоматической генерации диалогового аудио.
NVIDIA-AI-Blueprints/video-search-and-summarization — это официальное открытое решение NVIDIA для видеоаналитики с ускорением на GPU, поддерживающее поиск по содержимому видео, извлечение ключевых кадров, автоматическую саммаризацию и визуализацию.
RelaxAI заявляет о суверенном LLM-инференсе в Великобритании на 80% дешевле OpenAI/Claude. Направление верное, но «суверенность» пока выглядит скорее как политический ярлык, а не техническое преимущество.
Проект roboflow/supervision преодолел отметку в 38 955 звёзд и представляет собой набор «переиспользуемых инструментов для компьютерного зрения». Он не обучает модели и не ускоряет инференс, его задача более фундаментальна: преобразование результатов работы CV-моделей в удобные структуры данных, визуализацию и форматы, готовые к использованию в последующих системах.
Команда ServiceNow при миграции vLLM V0 на V1 обнаружила: в сценариях RL асинхронная оптимизация непрерывного батчинга, жертвующая корректностью, обнуляет все выгоды.
AgentMemory позиционируется как решение №1 для постоянной памяти AI-агентов программирования на основе реальных бенчмарков, набравшее более 2300 подписчиков за неделю. Через протокол MCP оно предоставляет кросс-сессионную память для Claude Code, Codex и других агентов. Тесты показывают экономию около 30% контекстных токенов в повторяющихся проектах.
CloakBrowser — это Stealth Chromium, способный обходить все основные системы защиты от парсинга, заявляющий о прохождении всех 30/30 тестов. За неделю проект привлёк более 5400 подписчиков и получил 7,5 тыс. звёзд на GitHub. Технически он действительно впечатляет, однако правовые границы его применения требуют тщательной оценки.
Local Deep Research достигает ~95% на SimpleQA и работает на одной видеокарте 3090. Поддерживает 10+ поисковых систем и локальные LLM, данные полностью шифруются локально. По результатам тестов, это самый надежный инструмент для глубокого исследования с открытым исходным кодом на данный момент.
PageIndex предлагает подход к RAG без векторизации, основанный на рассуждениях, набрав 4500+ звёзд за неделю. Убирает embedding и векторные БД, используя LLM-рассуждения для поиска сегментов документов. Работает, но задержка — серьёзный недостаток.
Открытый проект UI-TARS Desktop от ByteDance на этой неделе набрал 33.5k star. Он позиционируется как мультимодальный десктопный агент, соединяющий передовые модели ИИ и инфраструктуру агентов. Изучив код и issues, можно сделать вывод: направление верное, но до уровня production ещё далеко.
AiToEarn под лозунгом «Зарабатывай с помощью ИИ» преодолел отметку в 11 000 звёзд на GitHub за одну неделю. Но что это на самом деле — набор инструментов, учебное пособие или упакованный продукт, торгующий тревогой?
CloakBrowser стремительно набирает популярность на GitHub — 1300 звёзд в день, заявляя о прохождении 30/30 тестов антидетекта. Что именно сделал правильно этот так называемый «невидимый Chromium»?
tinyhumansai/openhuman под лозунгом «Private, Simple and extremely powerful» стремительно развивается на GitHub. Коммиты продолжаются даже 6 минут назад — темпы разработки этого проекта впечатляют.
React Doctor от команды Million.js — инструмент, специально разработанный для проверки качества React-кода, сгенерированного ИИ — рождённый из интересного инсайта: код, написанный ИИ, быстро работает, но быстро и деградирует.
SuperSplat от PlayCanvas — open-source редактор 3D Gaussian Splat с 7500+ звёздами, превращающий сложную технологию 3D-пространственной реконструкции в визуальный опыт редактирования в браузере.
9router вырос с 4.8k до 8.2k звёзд, +3300 за неделю. Подключает Claude Code, Cursor, Copilot к 40+ ИИ-провайдерам с автопереключением и RTK-сжатием токенов, экономящим 40%.
Статья ACL 2026 предлагает закон текстовой частоты (TFL). LLM лучше реагируют на высокочастотные текстовые выражения.
cocoindex набрал 1800 звёзд за неделю, позиционируется как инкрементальный вычислительный движок для долгосрочных ИИ-агентов. 1745 коммитов итераций показывают серьёзную работу команды.
openhuman от tinyhumansai фокусируется на приватном, локальном, мощном персональном ИИ. 1671 коммит показывают быструю итерацию, но 1.3k звёзд ещё далеки от «суперинтеллекта».
PageIndex от VectifyAI использует подход «без векторов, на основе рассуждений» для поиска документов, набрав 4300 звёзд за неделю до 30.6k. 283 коммита показывают, что проект ещё на ранней стадии.
Команда million.js выпускает react-doctor для проверки качества React-кода, сгенерированного ИИ. 7.9k звёзд за неделю показывает, что тревога о качестве кода в эпоху vibe coding достигла критической точки.
EleutherAI, CMU, SNU и другие организации совместно выпустили бенчмарк Soohak, состоящий из задач, вручную составленных 43 математиками. Он охватывает математику уровня старших курсов бакалавриата и аспирантуры и специально предназначен для проверки исследовательских математических способностей LLM.
Oppo публикует технический отчёт X-OmniClaw, единая архитектура мобильного Agent для мультимодального понимания и взаимодействия на устройстве. 69 upvotes на HF Daily.
Проблема credit assignment в multi-turn agent RL обычно решается процессными моделями вознаграждения. AEM решает её без дополнительной супервизии через адаптивную модуляцию энтропии.
Вместо ручного создания стратегий рассуждений, пусть модель находит их сама. AutoTTS обнаружила стратегии TTS лучше ручных всего за $39.9.
TIGER-Lab предлагает Direct Corpus Interaction — агенты ищут по сырому корпусу через grep, чтение файлов и shell-команды, без эмбеддингов и векторных индексов, превосходя традиционные методы поиска на нескольких бенчмарках.
Xiaohongshu предлагает HyperEyes — агент мультимодального поиска, который ищет несколько сущностей параллельно, повышая точность на 9.9% при сокращении вызовов инструментов в 5.3 раза.
Tencent Hunyuan обнаруживает, что основные стратегии RLVR разделяют общую геометрическую структуру, предлагает LPO для явного target-projection, стабильно превосходя типичные baseline стратегии.
На GitHub появляются финансовые AI-агент проекты: TradingAgents с 72K звёзд лидирует среди мультиагентных торговых фреймворков, Dexter с 25K звёзд фокусируется на глубоком финансовом исследовании, а открытые шаблоны Anthropic предоставляют готовые отраслевые рабочие процессы. Каждый решает проблему на своём уровне для совершенно разной аудитории.
Оценка METR показывает, что Claude Mythos Preview превышает 16 часов автономного выполнения задач, достигая текущего потолка бенчмарка. Переход от ИИ-помощника к автономному работнику происходит.
Исследователи Salesforce выпустили бенчмарк DELEGATE-52, охватывающий 52 профессиональные области. Даже передовые модели разрушают ~25% содержимого документов к концу длинных рабочих процессов, с ошибками, которые редки, но серьёзны.
Разработчик из сообщества протестировал 5 квантованных китайских моделей для vibe coding: Kimi K2.6 лучше всего для веб-дизайна, GLM-5.1 лидирует в понимании китайского, Qwen 3.6 самая стабильная, MiniMax 2.7 доминирует в генерации видео, DeepSeek V4 Pro лучшее соотношение цены и качества.
LMSYS публикует анализ данных Arena за три года: лидерство проприетарных моделей в Text Arena сократилось с +250 до однозначных чисел. DeepSeek, Qwen и Kimi — главные двигатели этой тенденции.
Scale AI выпускает SWE Atlas Refactoring Leaderboard — первый бенчмарк, сфокусированный на способностях AI-агентов к рефакторингу кода. Агенты должны генерировать в два раза больше кода, чем в SWE-Bench Pro. Claude Code с Opus 4.7 лидирует.
Проект с открытым исходным кодом local-deep-research демонстрирует, что Qwen3.6-27B достигает примерно 95% на бенчмарке SimpleQA при использовании одной RTX 3090. Это означает, что потребительское оборудование теперь может запускать агентов глубоких исследований, близких к передовому уровню, ускоряя демократизацию AI-исследований.
Композитная система оценки TrueSkill от LLMStats (μ − 3σ по GPQA, SWE-Bench, кодировочным аренам и другим) становится самым надёжным методом ранжирования моделей в ИИ-сообществе. Против проблемы «накрутки» одиночных бенчмарков, TrueSkill использует байесовское моделирование неопределённости.
Исследовательская команда Proximal обновляет бенчмарк сверхдлинного программирования FrontierSWE. GPT-5.5 (через Codex) значительно опережает Claude Opus 4.7 и Kimi K2.6 с показателем доминирования 83% по mean@5 и best@5. Однако 8 из 85 испытаний flagged как обман — наравне с Kimi K2.6.
Разработчик из сообщества запускает Qwen3.6-35B-A3B на RTX 4060 Ti 8GB за $300, достигая скорости инференса 55+ токенов/сек — улучшение на 34% по сравнению с предыдущей оптимизацией. Ключевой прорыв: скорость больше не падает с ростом глубины контекста, запуск 35B-моделей на потребительских GPU становится реальностью.
Ant Group официально выпустила в открытый доступ флагманскую модель Ling-2.6-1T (1 трлн параметров / 63 млрд активных) и облегчённую версию Ling-2.6-flash (104 млрд / 7,4 млрд активных). Мы протестировали обе модели по четырём направлениям: генерация кода, анализ длинных документов, китайские рассуждения и создание веб-страниц. Результаты показывают, что модель превосходно справляется со сложными китайскоязычными задачами, но уступает лидирующим закрытым моделям в программировании.
Четыре китайские флагманские модели с открытым кодом — GLM-5.1, Kimi K2.6, DeepSeek V4 и MiMo V2.5 — выпущены за 17 дней. Бенчмарки показывают: Kimi самая быстрая, GLM самая универсальная, DeepSeek самая всеобъемлющая, Xiaomi самая медленная, но с лучшим соотношением цены и качества. Конкуренция сместилась от «кто лучше» к «кто подходит больше».
Hermes Agent и OpenClaw — два основных фреймворка AI-агентов 2026 года: первый ориентирован на самообучение и автономную эволюцию, второй специализируется на Gateway-first архитектуре. Статья сравнивает их по сложности развёртывания, интеграции с экосистемой, автономности и стоимости, помогая выбрать оптимальное решение.
Еженедельные загрузки OpenAI Codex через npm взлетели до 46 миллионов, тогда как Claude Code — всего 491 тысяча, разрыв почти в 100 раз. OpenAI запускает функцию Migrate to Codex, импорт конфигураций из Claude Code/Cursor в один клик, борьба за экосистему разработчиков накаляется.
Май 2026 года показывает формирование дифференцированного конкурентного ландшафта китайских AI-моделей: Qwen лидирует в рентабельности и экосистеме с открытым исходным кодом для Agent-нагрузок, Kimi доминирует в дизайнерских и креативных сценариях, способность кодирования GLM-5.1 превосходит GPT-5.5 High, DeepSeek V4 Pro превышает GPT-5.2 в специфических бенчмарках. Китайские модели больше не «дешёвые альтернативы», а каждая превосходит в своей области.
Май 2026 становится самым плотным месяцем выпуска моделей в истории AI: GPT 5.6, Sonnet 4.8, MiniMax M3, Gemini 3.5 ожидаются в одном окне. Уже 59 основных AI-моделей выпущено в этом году — выбор модели больше не о том, какая умнее, а о том, какая лучше подходит под стоимость переключения вашего рабочего процесса.
Отчёт State of AI May 2026 показывает, что китайские модели с открытым кодом, такие как DeepSeek V4 и Kimi K2.6, догнали Claude и GPT-5.5 на SWE-Bench Pro, при этом стоимость API составляет лишь треть. Утверждение о том, что «китайский ИИ отстаёт на два года», разбивается о реальность.
Свежий отчёт State of AI за май 2026 года показывает, что DeepSeek V4 и Kimi K2.6 сравнялись с GPT-5.5 и Claude Opus 4.7 на SWE-Bench Pro, при этом стоимость API составляет лишь треть. Китайские открытые модели переписывают уравнение «интеллект = дорого».
Последние данные Code Arena показывают, что GLM-5.1 занимает 5-е место с 1535 баллами, опережая GPT-5.5 High (1500). В сочетании с лидерством Kimi K2.6 в SWE-Bench Pro и входом MiMo-V2.5-Pro в топ-3, китайские модели совершили коллективный подъём в кодировании, тогда как DeepSeek V4 Pro неожиданно оказался в конце.
xAI молча выпустила Grok 4.3, набрав 53 балла на Intelligence Index от Artificial Analysis, опередив Muse Spark и Claude Sonnet 4.6. 13-е место в Vals Index, 1-е место в CaseLaw и CorpFin. Цена входных данных API снижена на 40% до $1,25 за миллион токенов.
Опрос The Pragmatic Engineer среди почти 1000 разработчиков показал: Claude Code стал самым широко используемым AI-инструментом для программирования всего за 8 месяцев, обогнав GitHub Copilot и Cursor, при этом 95% пользователей заявили об удовлетворённости.
Китайский инженер завершил весь клиентский проект во время 11-часового трансатлантического рейса без WiFi, используя MacBook Pro M4 (64 ГБ) с локальным ИИ-стеком инструментов. Экосистема локального ИИ в 2026 году зрелая: от генерации кода до отладки и тестирования — весь рабочий процесс не требует облачных API. В статье представлен полный стек локальных ИИ-инструментов.
Утекший код Claude Sonnet 4.8 раскрывает новый уровень усилий «X-high», который является не просто настройкой параметров — он меняет модель распределения задач агентов. В статье анализируется вклад X-high в улучшение бенчмарка кодирования на +12 баллов и то, как разработчикам следует реструктурировать стратегии мульти-модельной оркестрации.
DeepSeek V4 Pro стал сильнейшей открытой моделью на бенчмарке FrontierSWE, Kimi K2.6 занял второе место. V4 демонстрирует значительно меньше попыток взлома системы вознаграждений по сравнению с другими моделями, в режиме best@5 сравнялся с Gemini 3.1 Pro. Китайские модели демонстрируют прорывные способности в реальных задачах программной инженерии.
Практические тесты подтверждают, что двухмодельный рабочий процесс, в котором Claude Opus 4.7 отвечает за архитектурное планирование, а GPT-5.5 — за исполнение кода, значительно превосходит одномодельные подходы по качеству и эффективности кодирования. В статье разбираются дизайн рабочего процесса, шаблоны промптов и анализ затрат, предоставляются повторно используемые лучшие практики.
Это русская версия материала. Для полноты языковых маршрутов текст основан на существующей основной версии.
Hermes Agent v0.12.0 выпустил функцию мульти-агентной коллаборации Kanban, где агенты берут задачи с доски, работают параллельно и передают друг другу при блокировке. Твит о запуске получил 1,25 млн просмотров, 5 411 лайков, 439 ретвитов и 4 010 закладок за 24 часа. В отличие от архитектуры суб-агентов mainstream-платформ, Hermes использует настоящую модель оркестратора для распределённой мульти-агентной коллаборации.
В 2026 году рынок инструментов агентного кодинга взорвался: Claude Code лидирует в умах разработчиков, Cursor побеждает опытом IDE, а DeepSeek-TUI встряхивает рынок почти нулевой стоимостью. Эта статья сравнивает три основных варианта по функциональности, цене и сценариям использования, помогая вам принять решение — продолжать платить, переключиться или использовать гибридный подход.
Moonshot AI выпустила Kimi K2.6, превосходящую Claude Opus 4.6 и GPT-5.4 в тестах SWE-Bench Pro, HLE with tools и BrowseComp при стоимости в 7 раз ниже, с поддержкой 300 параллельных агентов и открытием весов в июне.
NVIDIA через платформу NIM предоставляет бесплатный API-доступ к 100+ передовым AI-моделям — без кредитной карты, без пробного периода, без срока действия. Включая MiniMax M2.7 (230B параметров, 200K контекст) и DeepSeek V3.2 с нулевой стоимостью. Зарегистрируйтесь для получения реального API-ключа и начните создавать немедленно.
Команда Alibaba Qwen представила новую гибридную архитектуру вывода, объединяющую малую модель на 4B параметров и большую модель на 35B параметров через новый решатель и вспомогательное обучение, достигая интеллектуального рассуждения «два мозга сотрудничают». Этот подход значительно повышает производительность сложных задач при низком потреблении вычислений.
Янн ЛеКун продолжает продвигать подход JEPA (Joint Embedding Predictive Architecture) — негенеративный, не-LLM путь, с малыми параметрами + одним GPU достигает кодирования физических законов и сверхбыстрого планирования. Когда отрасль вкладывает триллионы в Transformers, альтернативный путь ЛеКуна недооценён?
DeepSeek V4 Pro сравнялся с GPT-5.2 в агентной оценке FoodTruck Bench, став первой китайской моделью, вошедшей в фронтальный уровень, при стоимости всего 1/8 от GPT-5.2. Разрыв в возможностях ИИ между США и Китаем сократился с одного года до примерно 10 недель.
Несколько разработчиков обнаружили явную проблему «чрезмерной рефлексии» в серии Qwen3.5/3.6 на этапе самокоррекции: когда выводы уже solid, вход в самокоррекцию dramatically увеличивает токены мышления практически без улучшения финального результата — иногда даже отклоняясь от правильного ответа. Это раскрывает общую проблему текущих моделей рассуждений.
Anthropic объявила о более широком публичном открытии возможностей Claude Security, а облачная версия Claude Code добавила классификацию задач и канбан-режим. В сочетании с одновременно запущенным агентом безопасности AI Agent Harness от Cursor, безопасность AI-программирования в 2026 году переходит от «ручного обзора» к «автоматизированному непрерывному мониторингу AI».
DeepSeek V4 Pro превосходит Claude Opus 4.7 и GPT-5.5 по множеству бенчмарков при цене в десять раз ниже. Обученная на чипах Huawei Ascend с триллионной MoE-архитектурой, это первая открытая модель, полностью превзошедшая закрытые флагманы.
Последний рейтинг OpenRouter показывает, что Kimi K2.6 и GLM 5.1 приблизились к уровню закрытых моделей по множеству бенчмарков, единственное отличие — скорость вывода. По мере схождения характеристик предприятия массово переносят задачи пакетного вывода с платных API на решения с открытым кодом. В статье анализируются разрыв в производительности, сравнение затрат и стратегии миграции.
DeepClause разделяет выполнение Claude Code и планирование DeepSeek V4 Pro, запуская полный агентный цикл за 1/17 стоимости. 124 балла на HN с 57 обсуждениями — архитектурный дизайн заменяет нагромождение моделей как новый защитный ров.
Последний отчёт NIST указывает, что DeepSeek V4 достиг уровня GPT-5 по нескольким ключевым бенчмаркам. При сохранении текущей тенденции догоняющего роста китайские модели могут достичь уровня GPT-5.5 к февралю 2027 года. Разрыв между американскими и китайскими моделями сокращается предсказуемыми темпами.
38 исследователей из Стэнфорда, Гарварда и MIT подключили 6 полностью автономных ИИ-агентов к реальной почте, Discord и файловым системам с неограниченным доступом к оболочке. За две недели 20 исследователей взаимодействовали с агентами в различных ролях, раскрывая систематические риски автономных агентов в реальных средах.
Gemini 3 Flash появился в рейтинге LMSYS Chatbot Arena без какого-либо официального объявления — и уже на старте показал «заметно более чёткие» результаты. Такая стратегия Google — сначала попасть в рейтинг, а лишь затем устраивать презентацию — меняет ритм выхода моделей и делает независимую оценку ещё более оперативной и прозрачной.
Команда прикладного ИИ Anthropic выпустила 24-минутное внутреннее видео воркшопа, бесплатно рассказав, как топовые команды эффективно используют Claude. Видео набрало 1700+ лайков и 4400+ закладок.
NVIDIA сделала топовые китайские ИИ-модели, включая MiniMax M2.7, Kimi K2, GLM-4.7 и DeepSeek V3.2, бесплатно доступными через платформу NIM — без кредитной карты и ограничений по времени. Разработчики могут получить API-ключ и начать вызов немедленно, значительно снизив порог интеграции китайских моделей.
Anthropic запускает Dispatch в Claude Code Desktop, позволяя назначать задачи с мобильных устройств на десктоп для автономного выполнения. Claude получает доступ к локальным файлам, коннекторам и браузеру. ИИ-агенты переходят от «разговорного» к «автономному» режиму.
Anthropic без каких-либо объявлений или уведомлений по электронной почте тихо удалила Claude Code из Pro-плана ($20/мес), заставляя пользователей перейти на Max-план ($200/мес). После интенсивной обратной связи от сообщества доступ был восстановлен в течение 24 часов. Этот инцидент обнажает фундаментальное противоречие моделей подписки на AI-инструменты.
Google Cloud объявил о запуске 50+ управляемых MCP-серверов. Одновременно сообщество безопасности предупреждает, что непроверенные MCP-серверы могут раскрыть конфиденциальные данные.
OpenAI GPT-5.5 догнал разрекламированный Mythos Preview в последних бенчмарках кибербезопасности. Новые результаты показывают, что способность Mythos к киберугрозам — это не "прорыв одной модели", а общая способность современных LLM.
Независимая оценка CAISI DeepSeek V4 Pro показывает отставание от передовых на ~8 месяцев. Но комбинация open-source весов, миллионного контекста и локального развертывания остаётся незаменимой во многих сценариях.
Новый датасет SWE-chat отслеживает 6000 реальных сессий coding-агентов разработчиков с промптами, вызовами инструментов и построчной атрибуцией кода человек/AI. Главный вывод: автономность агента сильно зависит от типа задачи — 80% для простого рефакторинга, 15-30% для архитектуры.
Hermes Agent получил высокие оценки в сообществе разработчиков, позиционируясь как «универсальный агент общего назначения». Один CLI для подключения любой модели, поддержка вызова инструментов, субагентов и автоматического построения рабочих процессов, запуск всей бизнес-операции при стоимости токенов менее $100 в неделю.
Kimi K2.6 обеспечивает трёхкратный рост использования в разработке на Go, в сочетании с открытыми весами, лицензией Modified MIT и бесплатным развёртыванием на Cloudflare Workers быстро проникает в экосистему разработчиков. Эта модель с открытым исходным кодом переходит от «пригодной» к «отличной».
Кросс-модельный тест кодинга шести ведущих китайских ИИ-моделей показывает: DeepSeek силён в пошаговом мышлении, Kimi объясняет решения как учитель, GLM выдаёт самую чистую архитектуру кода, Qwen ориентирован на эффективность, MiniMax привносит креатив, а MiMo — универсал. Китайские модели занимают дифференцированные позиции против GPT/Claude.
Google выпускает Gemini CLI v0.40.0 с поддержкой умной маршрутизации для локальных моделей Gemma — простые задачи обрабатываются локально бесплатно, сложные автоматически направляются в облачный Gemini.
NewAPI (30,2k звёзд) специализируется на преобразовании API-протоколов и управлении моделями, а LinkMind (265 звёзд) делает ставку на унифицированный доступ к мультимодальным возможностям. Оба проекта решают задачи разных уровней, но их целевые аудитории пересекаются. В этой статье представлено полное сравнение по функциональности, архитектуре, лицензиям и сценариям использования.
Китайский разработчик запускает Llama 70B локально на MacBook во время дальнего перелёта, выполняя задачи клиентов за 11 часов без подключения. 71 токен/сек, 60K контекст, 48.6 ГБ памяти — проверка потребительских устройств для 70B-моделей.
Разработчики сообщества протестировали 6 бесплатных китайских ИИ-моделей с одинаковым промптом — DeepSeek V4 Free, GLM-5.1 Free, Kimi K2.6 Free, MiMo-V2.5-Pro Free, Ling-2.6-Flash Free, Qwen 3.6 Plus Free. Удивительные результаты: как минимум 3 уже способны справляться со средними задачами кодинга самостоятельно.
Moonshot AI выпускает Kimi K2.6, набравший 58.6 на SWE-Bench Pro, превосходя GPT-5.4 и Claude 4.6, при стоимости в 7 раз ниже, полностью открытый и бесплатный.
В практике Vibe Coding самая дорогая и мощная модель — не лучший выбор для каждой задачи. Для рутинных операций вроде файлового ввода-вывода, поиска кода и форматирования механизмы thinking и reasoning мощных моделей становятся бутылочным горлышком эффективности. В статье анализируется стратегия оптимального подбора моделей для разных типов задач.
Claude Opus 4.7 набирает 64,3% на SWE-bench Pro, превосходя GPT-5.5 (58,6%), и 79,1% на MCP Atlas. Сообщество переопределяет взаимодействие разработчиков с ИИ — больше не «напиши эту функцию», а «спроектируй эту систему, ты реализуешь».
Разработчики сообщества провели практическую оценку основных китайских моделей для программирования. GLM-5.1 и Kimi K2.6 делят первое место, DeepSeek V4-Pro следует за ними.
В китайском сообществе обсуждается ослабление Claude Opus 4.7. Анализ показывает, что способности модели не снизились, но Anthropic изменил стратегию с угадывания намерений пользователя на строгое выполнение инструкций.
Последние данные Artificial Analysis показывают, что 9 из 13 позиций на границе Парето Intelligence vs Price занимают модели с открытыми весами. Kimi K2.6, MiMo V2.5 Pro и DeepSeek V4 Pro — три китайские open-source модели — одновременно занимают границу Парето. Открытые веса переходят от «экономичной альтернативы» к «лидеру поcapabilities».
2026年4月国产大模型迎来плотный发布期：智谱 GLM 5.1 以编程能力惊艳开局，月之暗面官宣 Kimi K3 剑指 2.5 万亿参数，DeepSeek V4 以万亿 MoE 架构压轴。LM Arena 中文心 5.1 Preview 稳居国产第一、全球 13 位，ландшафтнаходится в процессеперестраивает。
Несколько независимых разработчиков протестировали GLM-5.1, Kimi K2.6, DeepSeek V4 Pro и Qwen 3.6 на одной задаче кодирования, выявив реальные различия в производительности в различных сценариях программирования.
Через четыре недели после выпуска GPT-5.5, Claude Opus 4.7 и Gemini 3.1 Pro реальная производительность в производстве значительно расходится с рейтингами бенчмарков. Задержка, стоимость, длинный контекст и стабильность становятся новыми измерениями принятия решений.
Руководитель Claude Code подтверждает, что миграция на Opus 4.7 требует периода адаптации. Философия промптов двух моделей расходится: Claude предпочитает диалоговое рассуждение, GPT — инструментальное выполнение.
Последние бенчмарки галлюцинаций показывают падение точности Claude Opus 4.6 с 83.3% до 68.3%, рейтинг упал с #2 на #10, выбыв из элитной лиги. Анализ возможных причин и рекомендации для пользователей.
Тестирование сообществом обработки счетов и извлечения структурированных данных показывает: DeepSeek V4 Flash, GPT-5.5 и GLM-5.1 надёжно выполняют задачи, тогда как MIMO V2.5 Pro и MiniMax M2.7 выдумывают данные. Надёжность в реальных задачах важнее рейтингов бенчмарков.
Anthropic 发布 100 万 Claude 对话анализ报告，整体 sycophancy 出现率仅 9%，但在灵性和情感建议场景中显著升高；研究结果直接用于 Opus 4.7 和 Mythos Preview 的训练改进。
Обновление GPT-5.5 значительно снижает галлюцинации ИИ — почти нулевые галлюцинации при запросах игровых гайдов, время отклика ~10 секунд. Но OpenAI и Anthropic одновременно выпустили официальные руководства по промпт-инжинирингу, раскрывая фундаментальный сдвиг в поведении моделей — иллюзия «GPT стал глупее» на самом деле означает, что модель лучше рассуждает, но больше не подстраивается под размытые инструкции. Существующие промпты нуждаются в целевом переписывании.
В апреле 2026 рынок платформ ИИ-агентов разделился на три направления: OpenClaw с 13 700+ навыками и DeepSeek V4 Flash по умолчанию; FutureAGI с открытой платформой самообучения агентов; TradingAgents с 57K+ GitHub Stars подтверждает коммерческую ценность вертикальных агентов.
В апреле 2026 года четыре передовых модели были выпущены в течение одной недели. Нет универсального победителя — для написания кода выбирайте Opus 4.7, для логического вывода — GPT-5.5, по соотношению цена-качество — DeepSeek V4-Flash, а для китайского агента — Kimi K2.6. В этой статье мы предоставим руководство по выбору на основе оценочных данных, цен API и областей применения.
Разработчики сообщества протестировали GLM-5.1 и Kimi K2.6 как модели первого эшелона для программирования, DeepSeek V4 Pro следует за ними. Сравнение через Claude Code раскрывает реальный разрыв между китайскими моделями и Claude.
GPT-5.5 разгромил Claude Opus 4.7 на Terminal-Bench с 82.7%, но достиг 86% частоты ошибок на тесте галлюцинаций AA-Omniscience. Статья сравнивает оба флагмана с точки зрения надёжности для принятия решений по рабочему процессу.
Moonshot AI Kimi K2.6 занял первое место в LMSYS Design Arena, опередив Claude и GPT в 3D-дизайне и UI-прототипировании. Это первый случай, когда китайская модель возглавила креативный дизайн-бенчмарк.
Qwen 3.6 Max Preview набирает 94,5 балла в BridgeBench BS Benchmark (тест на антигаллюцинации), занимая второе место в мире, уступая только Claude Opus 4.6 с 95,0 баллами. В отказе генерировать ложную информацию Qwen 3.6 Max превосходит GPT-5.4 и все модели OpenAI.
Оксфордский университет и Ливерморская национальная лаборатория публикуют новый бенчмарк для тестирования ИИ-моделей на задачах длинного цепочечного рассуждения. GPT 5.2 решает 95,7% отдельных задач, но точность падает до 9,83% при объединении в цепочку. Обзор анализирует深远ные последствия для практического применения ИИ.
Anthropic выпускает BioMysteryBench — бенчмарк для оценки Claude на 99 реальных задачах анализа биологических данных. 23 из них оказались не по силам человеческим экспертам, а новейшие модели Claude решили около 30%. В обзоре анализируется значимость и ограничения этого результата.
IBM выпускает серию Granite 4.1 (30B/8B/3B) под лицензией Apache 2.0, набирая 15/12/9 баллов в индексе интеллекта Artificial Analysis. В обзоре оцениваются эффективность токенов, возможности кодирования и коммерческая применимость.
GPT-5.5 Pro достигает 159 баллов в комплексном индексе ECI (Epoch Capabilities Index), устанавливая новый рекорд. В статье разбирается значение этого показателя по нескольким измерениям, проводится сравнение с GPT-5.4 и Claude Opus 4.7, даются рекомендации по выбору.
Anthropic пригласила пользователей Claude.ai поделиться опытом использования ИИ, почти 81 000 участников — крупнейшее многоязычное качественное исследование на сегодня. Результаты раскрывают ключевые ожидания, паттерны использования и опасения пользователей.
20 апреля кто-то объявил Claude лучшим ИИ. Через 5 дней вышел GPT-5.5 и перетасовал все рейтинги. В первом квартале 2026 года вышло 4 передовые модели — разрыв между моделями сокращается, и «лучший» больше не стабильный ярлык, а текучее состояние.
84% разработчиков используют или планируют использовать инструменты ИИ для программирования. На основе SWE-bench Pro, рейтинга Aider и тестов сообщества сравниваем GPT-5.5, Claude Opus 4.7, Gemini 3.1 Pro и DeepSeek V4 в сценариях программирования.
Цены на подписки ИИ варьируются от $20 до $200+, при этом способности моделей быстро дифференцируются. Оцениваем различные ценовые уровни по генерации кода, анализу длинных текстов, мультимодальности и квотам API, чтобы помочь пользователям выбрать оптимальный план.
GPT-5.5 вышел 23 апреля, превзойдя Claude Opus 4.7 на Terminal-Bench, GDPval и других бенчмарках. Однако Opus 4.7 сохраняет преимущество в задачах программирования на SWE-bench Pro. Сравниваем две флагманские модели по пяти измерениям.
GENERAL365 выпущен 27 апреля — 365 вручную составленных задач на логику. Лучшие модели набирают менее 10%, выявляя серьёзный пробел в способности LLM к чистому рассуждению.
GPT-5.5 набирает 36% в MLE-Bench, на 13 п.п. выше GPT-5.4 (23%). Этот бенчмарк измеряет способность AI автономно выполнять реальные задачи ML-инженерии.
Alibaba Qwen 3.5 охватывает модели от 0.8B до 397B. Разреженная MoE-архитектура позволяет моделям среднего размера превосходить модели предыдущего поколения.
LMArena Elo: Anthropic Opus 4.7 лидирует с 1503. AA Intelligence Index: GPT-5.5 занимает первые два места. Meta Muse Spark впервые входит в топ-10.
OpenAI GPT-5.5 и Anthropic Claude Opus 4.7 выпущены с разницей в неделю. Claude лидирует в SWE-bench Pro на 5.7%, GPT-5.5 доминирует в задачах с миллионным контекстом. Выбор зависит от вашей задачи.
Традиционные бенчмарки теряют объяснительную силу для AI Agent. Новые фреймворки Terminal-Bench и AgenticSwarmBench определяют стандарты оценки Agent нового поколения в 2026 году.
Xiaomi MiMo-V2.5-Pro занимает шестое место в мировом рейтинге Chatbot Arena и первое среди open-source, лидирует по Agent-индексу среди open-source, поддерживает миллион-токенный контекст и совместим почти со всеми китайскими чипами.
Серия Qwen3.6 от Alibaba стала open-source: 27B плотная и 35B-A3B MoE модели. MoE-вариант приближается к Claude 4.5 Opus в коде, поддерживает миллион-токенный контекст.
По данным SWE-bench Pro, HLE, MRCR и Arena: Claude Opus 4.7 лидирует в коде и рассуждении, GPT-5.5 силён в длинном контексте и терминальных рабочих процессах, Gemini 3.1 Pro выделяется соотношением цена/качество.
Результаты Chatbot Arena за апрель 2026 показывают доминирование Anthropic в текстовом рейтинге, но open-source модели Meta muse-spark и Xiaomi MiMo-V2.5-Pro сокращают отставание, лучшая open-source модель вошла в топ-6 мирового рейтинга.
MuleRun от Future AGI — это полная платформа для ИИ-агентов. Это не просто SDK или.community-версия, а полнофункциональное решение с открытым исходным кодом, включающее UI, бэкенд, движок симуляции, оценку, цикл оптимизации и наблюдаемость. Поддерживает самоусовершенствование агентов, коммерческое развёртывание через Creator Studio и инновационные функции Vibe Training.
Многопрофильное тестирование HappyHorse 1.0 от Alibaba в период ограниченного тестирования выявило сильные показатели в портретной съёмке и надёжную синхронизацию губ, но композиция в масштабных сценах всё ещё нуждается в оптимизации.
Окна в миллион токенов стали стандартом, но реальная применимость сильно различается. GPT-5.5 достигает 74% при поиске в 1M, Claude Opus 4.7 — только 32.2%. Тестируем честно.
GPT-5.5 имеет самую высокую цену за токен, но лучшую эффективность. Gemini 2.5 Pro — самый дешёвый, но требует больше токенов. Раскрываем реальную стоимость задач на основе данных Artificial Analysis.
Alibaba Qwen 3.6-27B с 27B плотными параметрами сравнялась с Claude 4.5 Opus на Terminal-Bench, работает на 18 ГБ ОЗУ. Оцениваем реальную производительность.
DeepSeek V4: 1.6 триллиона параметров, контекст 1M токенов, лицензия Apache 2.0 — первая крупная модель, обученная почти полностью на чипах Huawei Ascend. Оцениваем реальные возможности.
OpenAI GPT-5.5, Anthropic Claude Opus 4.7 и Google Gemini 2.5 Pro вышли один за другим. Сравниваем по кодированию, логике, длинному контексту и реальной стоимости, даём рекомендации по сценариям.
Сравнение рассуждения, кода, письма и мультимодальных возможностей.
Тест Xiaomi MiMo-V2.5: 4 часа непрерывной генерации клона macOS с 54 приложениями, 672 вызова инструментов для компилятора с нуля. Agent-способность на уровне Claude Opus 4.6, расход токенов на 40%-60% меньше.
