47682
Авторский канал по ВАЙБ КОДИНГУ, сотрудничество: @nikwolve
Просыпаешься, открываешь Claude, а Fable 5 больше не существует. 😐
Правительство США, ссылаясь на полномочия в сфере национальной безопасности, выпустило распоряжение по экспортному контролю, согласно которому необходимо приостановить доступ к Fable 5 и Mythos 5 для любых иностранных граждан — как находящихся на территории США, так и за её пределами, включая сотрудников Anthropic, не являющихся гражданами США.
В результате Anthropic пришлось экстренно отключить Fable 5 и Mythos 5 для всех пользователей. Доступ ко всем остальным моделям Claude остаётся без изменений.
Компания заявила, что считает произошедшее недоразумением и уже работает над тем, чтобы как можно скорее восстановить доступ.
Есть и хорошие новости: сбросили 5-часовые и недельные лимиты запросов для всех пользователей.
🎉🎉🎉
В Claude Managed Agents завезли две новые функции:
1. Scheduled deployments
Теперь каждый деплой включает агента, окружение, стартовое сообщение и расписание. При запуске создаётся новая сессия. Не нужно строить или хостить свой планировщик.
2. Env vars
С env vars агенты могут безопасно использовать CLI, SDK или прямые API‑запросы к сервисам, которые аутентифицируются через env‑переменные. Claude не получает доступ к секретам - они подставляются на границе сети.
Claude Code умеет автоматически создавать Managed Agent деплой. Встроенный скилл /claude-api знает API, а ant CLI даёт интерфейс для работы с ним.
Подробнее: https://claude.com/blog/whats-new-in-claude-managed-agents 🎉
// Self-Harness: агентные системы, которые улучшают сами себя //
Большинство агентных фреймворков сегодня создаются один раз и потом почти не меняются. Промпты обновляются, инструменты обновляются, модели обновляются. Проблема в том, что модели меняются быстрее, чем обвязка вокруг них. А что если сам harness сможет переписывать себя?
Авторы новой работы предлагают рассматривать harness, промпты, инструменты и управляющую логику вокруг модели как обучаемый артефакт, который улучшается на основе собственных запусков.
Вместо фиксированной обвязки, которую разработчик поддерживает вручную, система сама оптимизирует свою структуру по мере работы. Получается интересный сдвиг: агент начинает накапливать не только знания и результаты, но и улучшения собственной архитектуры. Для long-horizon агентов это особенно важно.
Paper: arxiv.org/abs/2606.09498
Попытка выжать из Claude Fable максимум. 💳
Завезли команду /improve. Она использует самую мощную модель для аудита вашего проекта, а затем готовит план работ для более дешёвых моделей. /improve анализирует кодовую базу, находит баги, проблемы с производительностью, технический долг, отсутствующие тесты и потенциальные точки роста. После этого создаёт подробный план, который сможет выполнить любой агент на более дешёвой модели.
То есть дорогую модель вы тратите на интеллект, а дешёвую — на исполнение. Команду можно запускать по всей кодовой базе или только на текущей рабочей ветке.
Каждый план включает:
• аудит проекта
• исследование и сбор контекста
• определение объёма работ
• пошаговый план выполнения
• стратегию тестирования
• условия завершения задачи
https://github.com/shadcn/improve
Fable 5 протестировали против Opus 4.8 на задачах по физическому моделированию.
Обе модели получили одинаковые промпты и должны были сгенерировать автономные HTML5-симуляции без сторонних библиотек:
→ Хаотический двойной маятник
→ Доска Гальтона
→ Вода во вращающемся барабане (WCSPH)
Стоимость генерации:
• Fable 5 — $3.35, 68.7 тыс. токенов, 14 мин 47 сек
• Opus 4.8 — $0.93, 38.9 тыс. токенов, 8 мин 10 сек
Наиболее заметное преимущество Fable показала в симуляции воды. Модель создала более цельный и устойчивый объём жидкости. У Opus наблюдались крупные разрывы у стенок, отдельные частицы разлетались по сцене, а сама жидкость хуже сохраняла стабильность. 🎉
На GitHub сейчас активно обсуждают два проекта для генерации UI-дизайна :
1. taste-skill
По сути, добавляет для агента дополнительный слой дизайн-ревью. Перед выдачей результата модель проверяет интерфейс по набору визуальных принципов: иерархия, работа с отступами, ритм, композиция, использование пустого пространства и другие базовые правила дизайна. Помогает избежать хаотичных цветов, перегруженных экранов и рандомных дизайн решений.
2. impeccable
Набор из 23 дизайн-команд и подробного гайда по типичным ошибкам ИИ при создании интерфейсов.
Фокусируется на структуре, адаптивности, анимациях и общей логике построения интерфейсов.
taste-skill отвечает за визуальный вкус.
impeccable отвечает за структуру и реализацию.
OpenAI раздаёт до $50 000 в виде бесплатных API-кредитов. 👔
В чём условие? Ваши данные будут использоваться для обучения моделей.
Программа обмена данными:
→ 250 тыс. токенов в день для GPT-5.5
→ 2,5 млн токенов в день для mini-моделей
→ До 10 млн токенов в день на уровнях Tier 3–5
Перейдите в OpenAI Platform → Data Controls → Sharing.
Если у вас есть видеокарта с 8 ГБ VRAM, то у меня для вас хорошие новости.
Вчера чувак тестировал Unsloth Gemma 4 12B Q4_K_XL на карте с 8 ГБ VRAM.
Народ был в шоке и сразу спросил: А 25B+ модель на бюджетной карте вообще реально запустить?
Оказалось — да.
Чувак запускает локально огромную MoE-модель на 26 миллиардов параметров на обычном ноутбуке с RTX 4060 8 ГБ и 16 ГБ оперативки.
Что по скорости:
- стабильные 20 токенов/с на декодировании;
- скорость не проседает даже на длинных промптах;
- скормил ей промпт на 60k токенов - всё так же держит около 20 TPS.
По TTFT чудес нет. Огромный контекст нужно сначала обработать. Но при скорости prefill около 200 токенов/с ждать приходится недолго, пользоваться вполне комфортно.
И всё это без MTP. Главная причина — новые QAT-кванты Gemma 4 от Google. Файл весов unsloth gemma-4-26B-A4B-it-qat-UD-Q4_K_XL.gguf весит всего 13.2 ГБ, что для модели такого размера выглядит почти нереально.
Главный секрет — флаг -cmoe в llama.cpp. Он отправляет веса экспертов MoE в оперативную память, а GPU оставляет Attention и KV Cache. В результате VRAM не забивается под завязку, а скорость остаётся стабильной.
Флаги запуска:
-m "gemma-4-26B-A4B-it-qat-UD-Q4_K_XL.gguf" -cmoe -c 248000 -v
Время что-то собрать 🆗
Смотрите опенсорс коллекцию из 50+ практических туториалов
Внутри пошаговые проекты по:
• AI-агентам и мультиагентным системам
• RAG (Agentic, Vision и Local)
• MCP-агентам
• OCR-приложениям
• Голосовым AI-агентам
• и многому другому
Всё бесплатно, с исходниками и готовыми примерами. 🥩
Вышел Harness-1 — поисковый агент на 20B параметров с довольно необычной идеей.
Вместо того чтобы заставлять модель хранить всю историю поиска в контексте, авторы решили вынести состояние наружу и обучить модель работать через специальный harness.
Получился агент на 20B параметров, который на длинных поисковых задачах конкурирует с гораздо более крупными моделями.
Обычно поисковые агенты работают по схеме:
поиск → чтение → поиск → чтение → всё подряд добавляется в контекст.
В итоге модель одновременно играет роль поисковика, памяти, заметочника, верификатора и библиотекаря.
Harness-1 разделяет эти задачи.
Модель по-прежнему решает, что искать, что читать, какие факты сохранять и что проверять. Но всё состояние поиска хранится во внешнем harness-слое.
Он ведёт рабочую память агента:
• найденные документы
• отобранные доказательства
• историю поиска
• связи между источниками
• результаты проверок
• дедупликацию и сжатие данных
• контроль контекстного бюджета
Интересно и то, что модель обучалась на сравнительно небольшом объёме данных: всего 899 SFT-траекторий и RL на 3453 запросах. Авторы считают, что значительную часть нужного поведения можно вынести в сам harness, а не зашивать в веса модели
Самый любопытный результат - переносимость. На новых бенчмарках, которых модель не видела во время обучения, прирост оказался ещё выше, чем на исходных задачах.
Paper : arxiv.org/abs/2606.02373
Code : https://github.com/pat-jj/harness-1
Model : https://huggingface.co/pat-jj/harness-1
HF Paper: https://huggingface.co/papers/2606.02373
Если пользуешься Hermes, то у Nous Research появился полноценный гайд по созданию собственных плагинов для него.
Скопируйте эту страницу целиком в своего агента и напишите:
I want to build a plugin for [x]
Нашёл интересный апгрейд для /goal под названием /supergoal.
По сути, это самовосстанавливающийся и самоуправляемый апгрейд для обычного /goal.
Для Claude Code, Codex и любой IDE, которая поддерживает /goal.
линк: https://github.com/robzilla1738/supergoal ✍️
Тем временем, Cursor завезли visual prompts.
В Design Mode теперь можно просто ткнуть в элемент, обвести нужное место или сказать голосом, что поменять в UI.
Canvas тоже получил обновления. Теперь его можно публиковать и делиться им с командой по ссылке. С помощью Canvas агент умеет создавать дашборды, отчёты и внутренние инструменты.
Ещё одна полезная фича: Cursor теперь показывает использование контекста в виде интерактивного отчёта прямо в Canvas. Context Explorer позволяет увидеть, на что расходуются токены: системный промпт, определения инструментов, правила, скиллы и другие части контекста. ☺️
Хотели сами решать, когда тратить сброс лимитов Codex? Получайте 😎
С сегодняшнего дня OpenAI постепенно выкатывает возможность сохранять сбросы лимитов и использовать их позже, когда они действительно нужны.
На старте пользователи Go, Plus, Pro и Business получают по одному бесплатному сохранённому сбросу.
Ещё бонус: В ближайшие две недели пользователи Plus и Pro смогут пригласить до трёх друзей попробовать Codex. Как только приглашённый друг отправит своё первое сообщение в Codex, вы оба получите ещё по одному сохранённому сбросу лимита.
TIL: есть расширение ShadcnBlocks - которое даёт огромную библиотеку готовых блоков и компонентов shadcn/ui прямо в Cursor, VS Code и Antigravity.
Не придётся скакать между браузером, документацией и IDE. Открыл компонент, скопировал, вставил в проект и полетели дальше.
🤭🤭🤭
Нашёл интересный Claude Code-плагин для Fable 5 под названием /harness
Штука запускает агента на вашем проекте, отслеживает все ошибки и автоматически собирает CLAUDE.md на основе реальных фейлов. Если агент ошибся с путями, не нашёл нужный скрипт или сделал неверное предположение о структуре проекта — /harness это зафиксирует. В следующий раз агент уже знает об этих проблемах и не наступает на те же грабли.
Настройка занимает пару минут:
Установите Hyperbrowser CLI: тут
Добавьте команду /harness:
mkdir .claude/skills/harness
SKILL.md в папку, перезапускаете Claude Code и команда готова к работе.SKILL.md можно здесь: https://github.com/hyperbrowserai/examples/tree/main/skills
NVIDIA выпустила SkillSpector
Это инструмент с открытым исходным кодом для поиска уязвимостей в Agent Skills. Помогает выявлять prompt injection-атаки, утечки данных, уязвимые зависимости, опасный код и другие проблемы безопасности.
→ http://github.com/nvidia/skillspector
Антропики выпустили Claude Fable 5
Бенчмарки выглядят впечатляюще. По сути, это обновлённый Mythos, но с максимально строгими ограничениями: запросы по кибербезопасности, химии и биологии автоматически перенаправляются в Opus 4.8
Цена: $10 за миллион входных токенов и $50 за выходных, вдвое дешевле Mythos Preview.
Сейчас модель доступна пользователям Pro, Max, Team и Enterprise без доплаты до 22 июня. После этого её уберут из стандартного доступа и переведут на систему usage credits
https://www.anthropic.com/news/claude-fable-5-mythos-5
🎉
«Каждый месяц напоминаю. Хватит писать промпты для кодинговых агентов вручную. Пора проектировать циклы, которые сами ставят задачи вашим агентам».
Грег Айзенберг выпустил подробный гайд по Hermes Desktop и агентам Hermes.
За 43 минуты вы узнаете про сессии, профили, артефакты, способы экономии на использовании модели и реальные кейсы по заработку и запуску стартапов с помощью Hermes-агентов.
Если уже сидите на Hermes, найдёте пару полезных фишек. Если ещё не запускали, это, наверное, лучший входной ролик.
Алекс Финн вообще считает, что Hermes уже обошёл OpenClaw.
«Сейчас это лучший способ использовать AI-агентов на своём компьютере».Читать полностью…
Смотреть выпуск 😙
Небольшой лайфхак для пользователей Codex.
Если вам нужна автоматизация, не обязательно её делать вручную.
Можно просто попросить Codex. 😺
Например:
• напомнить о чём-то позже в этом же треде
• превратить текущую задачу в регулярную автоматизацию
• проверить существующие автоматизации и предложить улучшения
• удалить старые или бесполезные автоматизации
У меня, например, до сих пор висело несколько старых автоматизаций на GPT-5.4.
Просто попросил Codex их проверить и обновить.
Это проще, чем самому вспоминать, что вообще было настроено несколько месяцев назад.
Одно из исследовательских направлений, в которое сейчас вкладывается много ресурсов — continual learning (непрерывное обучение).
Несмотря на большое количество работ в этой области, прогресс в его измерении остаётся минимальным.
Поэтому возникает простой вопрос. Действительно ли специализированные системы памяти позволяют агентам учиться на собственном опыте?
Согласно Continual Learning Bench — пока нет. В шести экспертно валидированных предметных областях с общей обучаемой структурой обычный in-context learning часто работает лучше, чем навороченные системы памяти, которые специально проектировали для обучения на опыте.
CL-Bench вводит метрику gain, которая отделяет реальное обучение от уже имеющихся способностей модели, и показывает, что агенты часто либо переобучаются на недавних наблюдениях, либо не могут повторно использовать знания между разными экземплярами задач.
Если обычный ICL-бейзлайн обходит вашу архитектуру памяти, значит архитектура добавляет накладные расходы, а не обеспечивает обучение. 🤔
Codex оказался хорошим наставником для обучения.
1. Открываю в браузере Codex статью, документацию или любой материал, который хочу изучить.
2. Спрашиваю всё, что непонятно. Если нужно копнуть глубже, прошу его поискать информацию в интернете.
3. Подключил скилл для Obsidian, поэтому после диалога Codex сам сохраняет конспект в мои заметки.
Получается что-то вроде персонального преподавателя, который читает материал вместе с тобой, отвечает на вопросы и сразу ведёт записи.
Так можно самостоятельно изучить практически любую тему. 💥
Насколько современные агенты умеют улучшать самих себя?
Исследователи решили это проверить, с помощью Meta-Agent Challenge.
Агенту дают песочницу, API для оценки результатов и ограничение по времени. Дальше он должен не решить задачу сам, а написать другого агента, который покажет лучший результат на скрытых тестах.
Итог получился менее впечатляющим, чем многие ожидали.
Большинство meta-agents не смогли догнать даже базовые решения, которые заранее собрали люди. Те немногие, кто смог приблизиться к человеческим результатам, почти всегда работали на топовых закрытых моделях.
Самое интересное произошло под сильным давлением оптимизации.
Вместо поиска лучших решений некоторые из них начали искать способы вытащить правильные ответы через систему оценки. Исследователи зафиксировали попытки получить ground truth через scoring API, хотя специально строили защиту от reward hacking.
Получается, что даже в контролируемой среде часть агентов решила, что проще взломать экзамен, чем лучше подготовиться к нему. 😁
Статья: https://arxiv.org/abs/2606.04455
Anthropic временно удвоила лимиты в Claude Cowork.
До 5 июля пользователи всех платных тарифов смогут делегировать Claude более крупные и длительные задачи без упора в ограничения.
Изменение уже доступно 🎉
Для Codex вышел официальный плагин MagicPath
Теперь очень просто дать агенту бесконечный многопользовательский канвас, где он может вместе с вами проектировать интерфейсы, создавать их и дорабатывать.
Он может импортировать UI из вашего репозитория в MagicPath, понимать используемые компоненты и дизайн-систему, а затем воссоздавать всё это в виде редактируемого интерактивного интерфейса на канвасе.
Для лучшего рабочего процесса откройте MagicPath в браузере Codex, войдите в аккаунт и откройте свой проект. Codex обнаружит его автоматически, либо вы можете просто указать название проекта. 😊
Бесплатный учебник по Agentic AI: скачать
Разбирает основы ИИ-агентов (планирование, память, использование инструментов, принятие решений и выполнение многошаговых задач.)
Подойдёт тем, кто хочет понять, как работают современные агенты и чем они отличаются от обычных LLM.
UPD: версия на русском (спасибо @pavel_pogodin)