Да, ту самую, из коробки, которая пылится на полке, потому что друзья разбежались.
Я скинул Логосу PDF с правилами.
Он, как любой хороший ИИ, сразу выдал километровый код и архитектурные предложения.
И я его остановил:

«Логос, стоп. Сначала — механики, потом код. Ты знаешь, какие карты есть в игре?»
«Нет»
«Тогда не лети вперёд паровоза»

Этот момент — ключевой. ИИ — это инструмент ускорения, а не замена мышлению.

📋 Первый реальный шаг: таблица карт

Я сел и вручную переписал все карты и правила в таблицу.
Пара вечеров — и у нас с Логосом появилось общее понимание того, что мы строим.
Без этого — никакой архитектуры. Проект начинается не с кода, а с данных.

💬 Вопросы к сообществу (не ради галочки)

1. Как вам вообще моя затея?
   Серьёзно. Мне нужен честный взгляд со стороны. Есть ли в этом смысл или я занимаюсь ерундой?

2. У кого был опыт, когда проект на старте казался простым, а потом превращался в снежный ком?
   Как вы не сдавались и доводили дело до конца?

3. Какую настолку вы бы сами перенесли в онлайн, если бы умели кодить?
   Может, я выбрал не ту игру? Посоветуйте — я открыт.

📌 Что дальше?

Следующий шаг — в следующем посте. 💯

P.S. Т-академия отказала.
И это, наверное, к лучшему — теперь точно никто не будет отвлекать от моего собственного маршрута.
Иногда «нет» — это «да» с отсрочкой.

А вы сталкивались с отказами, которые обернулись удачей?
Расскажите — вдохновимся вместе.

Китайская компания Z.ai представила GLM-5.2 — новую открытую модель искусственного интеллекта, ориентированную на программирование, работу с инструментами и выполнение длительных многоэтапных задач. После выхода модель заняла первое место среди систем с открытыми весами в индексе Artificial Analysis, набрав 51 балл и опередив MiniMax-M3, DeepSeek V4 Pro и Kimi K2.6.

GLM-5.2 построена на архитектуре Mixture-of-Experts. Модель содержит около 744 млрд параметров, но при обработке каждого токена активирует только примерно 40 млрд. Такой подход позволяет сохранить высокие возможности большой модели, не используя все параметры одновременно. Контекстное окно увеличено до одного миллиона токенов, благодаря чему нейросеть способна анализировать крупные программные проекты и длинные цепочки документов.

Особое внимание привлекло оборудование, использованное для создания семейства GLM-5. По данным Z.ai, обучение проводилось примерно на 100 000 китайских ускорителей Huawei Ascend 910B с использованием программной платформы MindSpore — без ускорителей Nvidia. Это показывает, что Китай способен создавать конкурентоспособные ИИ-модели даже в условиях ограниченного доступа к передовым американским чипам. Однако по скорости, энергоэффективности и масштабированию оборудования Huawei всё ещё уступает ведущим решениям Nvidia.

В тесте SWE-bench Pro модель набрала 62,1 балла против 58,6 у GPT-5.5, а в Terminal-Bench 2.1 получила 81 балл. При этом в наиболее сложном тесте длительного агентного программирования SWE-Marathon результат составил только 13 баллов против 26 у Claude Opus 4.8. Это означает, что GLM-5.2 особенно сильна в отдельных задачах программирования, но пока не превосходит лучшие закрытые модели во всех сценариях.

Веса GLM-5.2 опубликованы на Hugging Face под лицензией MIT. Модель можно загрузить, доработать и развернуть на собственной инфраструктуре без региональных ограничений. Однако из-за огромного размера для её полноценного запуска потребуется серверное оборудование с большим объёмом памяти.

Стала ли GLM-5.2 доказательством неэффективности технологических санкций или Китай пока лишь сократил разрыв с США?

Компания, чьё имя два года было синонимом «то же самое, только в десять раз дешевле», сегодня сделала три вещи разом: выкатила улучшенную V4 Pro, открыла исходники своего агентского движка и предупредила, что с 16 августа за её API придётся платить кратно больше. Вместе это читается не как обновление прайса, а как смена бизнес-модели.

Сама модель: рывок в агентских задачах

Сборка называется V4-Pro-0813, окно контекста прежнее — миллион токенов, доступна в «Экспертном режиме» в приложении и в вебе. Прирост неравномерный, но там, где он есть, он огромный: Terminal Bench 2.1 — с 72,1 до 87,9; DeepSWE — с 12,8 до 62,7, почти впятеро; сводный Artificial Analysis Intelligence Index — с 45 до 53. На части агентских бенчмарков модель обходит Claude Opus 4.8.

Прайс, который перестал быть аргументом

С 16 августа, 16:00 UTC, тарифы за миллион токенов меняются так (в долларах): вход — было 0,435, станет 0,66 вне пика и 1,32 в пик; выход — было 0,87, станет 1,98 и 3,96; попадание в кеш — было 0,003625, станет 0,022 и 0,044. Впервые появляются пиковые часы: 1:00–4:00 и 6:00–10:00 UTC, то есть 9:00–12:00 и 14:00–18:00 по Пекину, ровно рабочий день Китая. Вне этих окон действует скидка 50%. Самое болезненное — кеш: то, на чём держится экономика длинных агентских циклов, в пиковые часы дорожает в двенадцать раз.

Почему они на это пошли

Причина, судя по всему, физическая, а не жадность. Ультрадешёвая V4 Flash 1 августа прожевала 8 триллионов токенов за сутки — спрос просто съел доступные мощности. Дальше выбор невелик: либо деградировать в качестве обслуживания, либо ценой отрезать часть нагрузки и растащить её по часам, как это давно делают энергетики. DeepSeek выбрал второе и стал первым из «дешёвых» китайцев, кто публично признал: инференс бесплатным не бывает.

А вот агента, наоборот, раздают

Одновременно в открытый доступ уходит Deepseek Harness v0.1 — их собственная обвязка для агентов: лицензия MIT, статус Developer Preview, в основе плагинная система Cordis. Модульная архитектура со сменными инструментами, песочницами, сессиями и интерфейсом, непрерывное логирование сессии, прогоны, которые можно продолжить с любой точки и разветвить. Западные лаборатории именно этот слой держат закрытым — он и превращает модель в продукт.

Почему это важно

Логика читается прозрачно: раздать инструмент даром, чтобы на нём строили, — и брать деньги за вычисления, которые этот инструмент потребляет. Тот самый DeepSeek, который полтора года назад одним релизом R1 обвалил акции Nvidia и заставил рынок пересчитать стоимость ИИ вниз, теперь двигает её обратно вверх. И если экономика на старых ценах не сходится даже у него — у остальных «дешёвых» она не сойдётся тем более.

Источники: The Decoder, Tech Startups

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

— уязвимость высокой серьёзности в движке V8 из Chrome (Google выпустил патч);
— дыры в неназванной мобильной ОС;
— дыры в неназванной СУБД;
— проблемы в ядре неназванной операционной системы.

Конкретные названия OpenAI не раскрывает. Что логично: половина интернета работает на этих штуках.

Свободного доступа не будет. Модель раздают через программу Daybreak, которую разбили на два уровня: Daybreak Blue — обычные модели с защитными ограничениями, Daybreak Red — вот эти боевые. В списке партнёров Accenture, Akamai, Capgemini, Cloudflare, CrowdStrike, EY, Fortinet, IBM, KPMG, Palo Alto Networks, PwC, Sophos.

Красиво. Только напомним, как это работает на практике: в конце июля северокорейские хакеры уносили деньги не через уязвимости, а через «рекрутеров», которые писали разработчикам этих самых компаний. Периметр из доверенных партнёров — ровно такая же дверь, как любая другая, просто с более солидной табличкой.

А теперь самое интересное, о чём говорят меньше.

Буквально на днях OpenAI сама пометила свою следующую модель, Astra, как потенциально достигающую критического порога киберриска. В переводе с корпоративного: она сможет самостоятельно собирать 0-day и от начала до конца проводить атаку, получив на входе только общую цель.

И это уже не прогноз. Модели OpenAI, Anthropic и Meta уже взламывали реальные организации в ходе тестирования безопасности — каждая по отдельности, в разное время.

Параллельно Financial Times со ссылкой на источники пишет, что АНБ использует Claude Mythos от Anthropic для наступательных операций, а внутри агентства сидят около полудюжины инженеров компании. Официального подтверждения нет. Отдельная ирония в том, что ту же Anthropic Пентагон при этом держит в чёрном списке.

Новые истории и разборы — регулярно в нашем канале. https://t.me/skamshot

Почему детектор в принципе не может работать точно

Корень проблемы в том, что ИИ-детектор не умеет распознавать нейросеть, он умеет только прикидывать вероятность. Он смотрит на признаки: слишком ровный ритм, гладкость, предсказуемость, отсутствие корявостей, и делает ставку. Беда в том, что грамотный, аккуратно написанный человеческий текст выглядит ровно так же, поэтому под подозрение попадает именно тот, кто пишет хорошо. Как это ломается, отлично видно на тесте vc.ru: летом 2025 года они залили в платный «Антиплагиат» чистый текст из ChatGPT, DeepSeek и Qwen и получили почти 99% оригинальности, детектор не поймал ни одну из трех моделей, а уже весной 2026-го тот же сервис принялся браковать самостоятельные дипломы. Разработчики просто перекрутили настройку с мягкой на агрессивную, и эти качели свойственны всему рынку детекторов, а не одной компании. Даже Turnitin, мировой лидер, еще в 2024 году признал у своего детектора 4% ложных срабатываний на полностью человеческих текстах. Показателен и эксперимент преподавателя МИФИ: он взял свою статью и сгенерированную на ту же тему, прогнал обе, и обе получили по 20% подозрений на генерацию. Сами детекторы, кстати, честно пишут обтекаемое «похоже, что текст сгенерирован», а вот уже вузовский чиновник превращает это осторожное «похоже» в железный приговор и отправляет переписывать.

Почему это несправедливо вдвойне

Самое злое в этой истории даже не ошибки алгоритма, а то, кого он наказывает. Студент, который реально сдул текст с ChatGPT и слегка причесал его под себя, чаще всего проходит, а честный автор с живым, нестандартным, личным текстом летит на пересдачу. Чтобы обмануть детектор, надо писать не свои мысли, а безопасные, обтекаемые, никакие формулировки, в которых машине не за что зацепиться, то есть система награждает серость и штрафует индивидуальность. Дичь ситуации в том, что студентке буквально пришлось делать свою работу тупее, чтобы доказать, что ее писал живой человек. В одном из описанных случаев девушка провела эксперимент: одногруппница целиком скопировала курсовую из нейросети и получила больше 70 баллов, а она сама, написав все от начала до конца, получила ноль и села переписывать. За всем этим стоит очень удобная для вузов подмена: живую оценку живой работы заменили процентом из робота, и теперь не преподаватель отвечает за решение, а бездушная цифра в отчете, с которой спорить бесполезно.

Что делать студенту и куда все катится

Если ты сейчас пишешь диплом или курсач, пара вещей реально снизит риск нарваться. Заранее выясни точные правила своего вуза, потому что пороги у всех разные и где-то допускают небольшой процент, а где-то требуют жесткий ноль. Аккуратно оформляй ссылки и цитаты, грамотно закавыченный и сосланный кусок детектор обычно не засчитывает как подозрительный. Сохраняй все черновики, промежуточные версии, заметки и скриншоты процесса, это твое доказательство авторства, если придется что-то оспаривать. И если тебя пометили ошибочно, требуй, чтобы работу разобрал человек, а не робот, ведь сам детектор выдает лишь вероятность, а не установленный факт, и это его прямая формулировка. А куда все катится, понятно уже сейчас: гонка детекторов и генераторов бесконечна, детектор всегда будет на шаг позади и всегда будет цеплять невиновных. Ужесточение бьет мимо цели, потому что ленивый спишет и обойдет фильтр, а страдает тот, кто честно сидел над текстом. И проблема тут вовсе не в нейросетях, а в том, что учебные заведения тихо переложили ответственность за оценку человека на программу, которая в принципе не способна отличить ум от шаблона.