Midjourney и другие нейросети - страница 1253

Как создать скилл для ИИ-агента: превратите опыт в рабочую инструкцию


//текст ChatGPT. Обложку Gemini

Хороший скилл не придумывают с нуля — его собирают из опыта решения реальных задач. Агент уже справился с работой, вы проверили результат, исправили ошибки и нашли оптимальный порядок действий. Всё это можно превратить в инструкцию, чтобы в следующий раз не проходить тот же путь заново.

В этом и заключается главная идея Agent Skills: скилл должен не просто рассказывать модели о какой-то теме, а менять её поведение там, где без дополнительных указаний она ошибается или работает неэффективно.

Что такое скилл и зачем он нужен

Скилл — это набор инструкций, который помогает ИИ-агенту выполнять определённый класс задач по заданному алгоритму. Например, искать научные исследования, редактировать тексты, анализировать документы или проверять программный код.

В распространённом формате Agent Skills скилл представляет собой папку с обязательным файлом SKILL.md. При необходимости в неё добавляют справочные материалы, скрипты и шаблоны.

Простейшая структура выглядит так:

my-skill/

├── SKILL.md

├── references/

├── scripts/

└── assets/

Главный файл содержит описание назначения скилла и основные инструкции. Остальные материалы нужны, если одного файла недостаточно.

Но наличие правильной структуры ещё ничего не гарантирует. Можно написать сотни строк и получить бесполезную методичку. А можно добавить пять точных правил, которые заметно улучшат результат.

Правило № 1. Сначала решите задачу, потом создавайте скилл

Самая распространённая ошибка — попросить нейросеть написать скилл по теме, с которой она должна работать.

Например, на запрос о создании скилла для обработки PDF агент может ответить рекомендациями использовать подходящую библиотеку, проверять ошибки и сохранять результат в нужном формате. Всё звучит разумно, но практически ничего не меняет: это общие советы, а не рабочая инструкция.

Гораздо полезнее сначала выполнить реальную задачу вместе с агентом.

Во время работы фиксируйте:

  • Успешные действия. Какая последовательность шагов привела к результату?

  • Исправления. Где агент ошибся и что пришлось ему объяснять?

  • Особенности входных и выходных данных. Какие форматы, поля и ограничения нужно учитывать?

  • Неочевидные условия. Какие правила существуют именно в вашем рабочем процессе?

  • Неудачные подходы. Что пробовали, почему это не сработало и как избежать повторения ошибки?

Источником опыта может быть не только свежий диалог. Подойдут история изменений, документация проекта, результаты тестов, технические инструкции и разборы ошибок.

Главное — не подменять реальные наблюдения догадками. Если правило ещё не проверено, его лучше обозначить как предположение.

Правило № 2. Каждая строка должна что-то менять

При редактировании скилла задайте себе простой вопрос:

Совершит ли агент ошибку, если убрать эту инструкцию?

Если нет, строка, скорее всего, не нужна.

Сравните два варианта:

Плохо:

«Тщательно проверяйте документы и правильно обрабатывайте ошибки».

Хорошо:

«После извлечения таблиц из документа сравни результат с исходными страницами. Конвертация может потерять объединённые ячейки и изменить расположение значений».

Вторая инструкция объясняет, что именно может пойти не так и как это обнаружить.

Полезная инструкция обычно содержит конкретное действие, условие его выполнения или ограничение. Например: если обнаружен определённый тип ошибки, не повторять операцию вслепую, а проверить причину и выбрать следующий шаг.

При этом скилл не должен дублировать всю документацию инструментов или объяснять модели общеизвестные понятия. Его задача — дополнить базовые знания тем, что действительно важно для успешной работы.

Правило № 3. Описание скилла определяет, когда он включится

У скилла есть важная особенность: агенту необходимо сначала понять, что инструкция относится к текущей задаче. Во многих реализациях для этого используются название и краткое описание, а полный текст загружается только при активации.

Поэтому даже превосходно составленный скилл бесполезен, если агент не распознаёт подходящую ситуацию.

Хорошее описание отвечает на три вопроса:

  1. Что конкретно делает скилл?

  2. В каких случаях его следует применять?

  3. Какие косвенные признаки указывают на необходимость его использования?

Например, недостаточно написать «Работа с таблицами». Лучше уточнить:

«Анализирует табличные данные, обнаруживает пропуски и дубликаты, проверяет структуру и подготавливает сводные результаты. Используй этот скилл при обработке выгрузок, очистке данных и подготовке отчётов, даже если пользователь не называет эти задачи анализом таблиц».

Описание должно быть достаточно широким, чтобы распознавать разные формулировки одной задачи, но не настолько широким, чтобы срабатывать на всё подряд.

В спецификации Agent Skills для поля description установлен предел в 1024 символа.

Правило № 4. Не превращайте главный файл в энциклопедию

Чем длиннее скилл, тем труднее поддерживать его актуальность и выделять нужные инструкции. Поэтому основной файл лучше воспринимать как рабочий алгоритм и навигацию, а не как хранилище всех знаний по теме.

В нём должны оставаться обязательные шаги, ключевые ограничения и наиболее частые ошибки. Подробные справочники, большие примеры и дополнительные материалы можно вынести в отдельные файлы.

Например, для скилла по редактированию текстов основным файлом может быть последовательность действий, а отдельными справочниками — правила для разных жанров, список нежелательных выражений и требования к оформлению.

Важно не просто вынести сведения, но и указать, когда их нужно читать:

«Перед редактированием технической документации открой справочник по терминологии».

Так агенту не приходится загружать всё содержимое без необходимости. В качестве ориентира официальное руководство рекомендует держать основной файл короче 500 строк и 5000 токенов. Это рекомендация, а не цель, к которой нужно стремиться.

Правило № 5. Будьте строги там, где ошибка дорого обходится

Инструкции не должны быть одинаково жёсткими во всех ситуациях.

Если действие требует определённого порядка, точной команды или конкретного формата, это нужно прописать явно. Если задача допускает несколько решений, полезнее объяснить принцип выбора и предложить вариант по умолчанию.

Например:

Жёсткое правило: сначала создавай резервную копию, затем выполняй миграцию данных. Не меняй установленную последовательность.

Правило с объяснением: при выборе способа извлечения данных учитывай, что текстовый слой документа и скан требуют разных методов обработки. Для сканов дополнительно проверяй результат по изображению страницы.

Разница принципиальна. В первом случае недопустимо экспериментировать с последовательностью. Во втором агент должен понимать причину ограничения, чтобы применить правило и к незнакомому документу.

Ещё один важный момент: скилл должен описывать не готовый ответ для одной задачи, а способ решения целого класса задач. Иначе он быстро устареет.

Правило № 6. Записывайте «грабли»

Во многих скиллах самый ценный раздел — список ошибок, на которых агент уже спотыкался.

Каждый раз, когда приходится исправлять одну и ту же проблему, добавляйте в инструкцию короткое правило. Со временем получится практическая база знаний, учитывающая реальные ограничения работы.

Удобный формат:

  • Симптом: что произошло.

  • Причина: почему это случилось.

  • Действие: как исправить ситуацию или избежать ошибки.

Например:

Симптом: после преобразования документа часть таблицы пропала.

Причина: выбранный способ конвертации не сохранил структуру объединённых ячеек.

Действие: используй метод, сохраняющий таблицы, и проверяй сложные страницы по исходному документу.

Не стоит записывать каждую случайную неприятность как универсальное правило. Сначала выясните причину ошибки и убедитесь, что предложенное решение действительно помогает.

Как проверить, что скилл работает

Готовый файл ещё не означает, что скилл полезен. Он может не активироваться, неверно интерпретировать инструкции или добавлять ненужные действия.

Минимальная проверка проста: выберите две-три типичные задачи и сравните результаты с использованием скилла и без него.

Заранее определите критерии качества. Это могут быть полнота извлечения данных, отсутствие потерянных значений, соблюдение формата или количество ошибок, которые пришлось исправлять вручную.

Для повторяемых задач полезно автоматизировать проверку: например, убедиться, что в результате присутствуют обязательные поля, файлы открываются, а ссылки не ведут в никуда. Качество текста и обоснованность выводов всё равно могут потребовать человеческой оценки.

Если скилл не улучшает результат, попробуйте выяснить причину. Возможно, он слишком общий, описание не срабатывает на нужные запросы или инструкции перегружены лишними деталями.

Ещё два правила, о которых легко забыть

Безопасность. Скиллы могут содержать исполняемый код и инструкции по работе с файлами или сетью. Не устанавливайте их без проверки источника, содержимого и действий скриптов. Не храните в них пароли, токены и другие секреты.

Поддержка. Скилл нужно обновлять по мере изменения инструментов, API и рабочих процессов. Если правило перестало действовать, оно может оказаться хуже отсутствия инструкции. Для долгоживущих скиллов полезно вести историю изменений и периодически повторять тесты.

Итог

Создание скилла — это не написание длинного промпта и не попытка объяснить нейросети всё о выбранной теме. Это извлечение практического опыта из выполненной работы.

Начните с задачи, которая уже решена и проверена. Зафиксируйте успешные шаги, исправления и ограничения. Удалите общие советы, оставьте конкретные инструкции и проверьте, улучшился ли результат на следующем прогоне.

Лучший скилл — не тот, в котором больше всего текста, а тот, который помогает агенту не повторять уже совершённые ошибки.

Источники

//приложил скилл по созданию скиллов, DSH тарахтел минут 15 пока его делал, он не большой, много времени уходило на внутренние перепроверки и дополнительные файлы, которые в целом тут для темы не нужны.
Файлы:

GPT-6.1 Terra: OpenAI обновила модель для работы с компьютером


//текст и обложка ChatGPT

OpenAI представила GPT-6.1 Terra — обновление модели среднего класса, рассчитанное на повседневную работу, автоматизацию и обработку визуальных данных. По сравнению с GPT-5.6 Terra новинка стала заметно сильнее в программировании, анализе изображений и управлении приложениями, а её стоимость снизилась вдвое.

Главная особенность Terra — способность не только понимать содержимое экрана, но и выполнять последовательность действий в программах. Модель предназначена для обработки документов, заполнения форм, работы с каталогами, анализа технических чертежей и других задач, которые обычно требуют участия человека.

Что показывают тесты

В Terminal-Bench 4.0, проверяющем способности ИИ решать задачи программирования через командную строку, GPT-6.1 Terra набрала 50,3% против 21,5% у предыдущей версии при максимальном уровне рассуждений.

На тесте Agents’ Last Exam, оценивающем выполнение профессиональных задач с помощью программ, прирост относительно GPT-5.6 Terra составил 15 процентных пунктов при среднем уровне рассуждений. OpenAI также заявляет о более чем трёхкратном преимуществе в скорости выполнения задач перед GPT-6.1 Sol и GPT-6 Astra.

Улучшилась и точность ответов. В собственном тесте OpenAI на сложных вопросах, провоцирующих фактические ошибки, их доля при низком уровне рассуждений снизилась с 53,6% до 16,7%. Это результат внутреннего тестирования компании, поэтому переносить его напрямую на все реальные запросы нельзя.

Цена и первые впечатления

API-модель стоит $1 за миллион входных токенов и $5 за миллион выходных. Кэшированные входные токены обходятся в $0,05 за миллион. Контекстное окно — 1,05 млн токенов, максимальная длина ответа — 128 тысяч токенов.

Независимый анализ Artificial Analysis также отмечает существенный рост эффективности: при максимальном уровне рассуждений показатель Intelligence Index вырос на шесть пунктов относительно предыдущей Terra, а стоимость выполнения тестовых задач снизилась примерно с $1,40 до $0,40.

Первые обсуждения в сообществе неоднозначны. Пользователи отмечают скорость и доступную цену, но указывают, что Terra не обязательно заменит более мощную Sol в сложных задачах. В отдельных первых тестах также отмечается менее точное воспроизведение инженерных чертежей. Пока это предварительные впечатления: для полноценной оценки нужно больше независимых проверок.

GPT-6.1 Terra уже доступна через API, а также в ChatGPT Work и Codex на поддерживаемых платных тарифах.

Итог: Terra — не новая флагманская модель, а попытка сделать автоматизацию доступнее. Её главное преимущество заключается в сочетании скорости, работы с интерфейсами и более низкой стоимости. Для массовых операций с документами и приложениями это может оказаться важнее абсолютного лидерства в отдельных бенчмарках.

Источники:

За копирование софта с помощью ИИ могут забанить


//текст и обложка ChatGPT

ИИ научился помогать разработчикам создавать альтернативы коммерческим программам, восстанавливать алгоритмы и разбирать закрытое ПО. Но теперь пользователи сообщают, что Claude и OpenAI Codex отказываются выполнять некоторые подобные задачи, а за реверс-инжиниринг можно даже потерять аккаунт.

Пока это не похоже на доказанный массовый запрет, но проблема уже вышла за рамки обычных ошибок нейросетей. Возникает более серьёзный вопрос: не смогут ли владельцы ИИ-платформ со временем ограничить само создание конкурирующих программ?

Первые ограничения уже появились

Пользователи стали публиковать примеры отказов Claude при работе с REA (Reverse Engineer Anything) — открытым инструментом, который помогает ИИ-агентам исследовать исполняемые файлы, восстанавливать алгоритмы и разбираться в устройстве приложений.

По сообщениям пользователей, Claude может начать исследование, а затем остановиться из-за защитного фильтра. При этом похожие задачи иногда удаётся выполнять без проблем: многое зависит от конкретного запроса и контекста.

Anthropic официально подтверждает существование механизма, который блокирует ответы, если система подозревает попытку воспроизвести уже существующие материалы. Компания признаёт, что фильтр может срабатывать и без намерения пользователя копировать чужой контент. За повторные попытки получить защищённый материал аккаунт могут приостановить или закрыть.

Есть и сообщения о блокировках OpenAI. Один исследователь под псевдонимом log4j заявил, что потерял аккаунт после изучения прошивки собственного телевизора Samsung. В качестве причины он указал формулировку Cyber Abuse. Однако OpenAI публично не объяснила именно этот случай, поэтому считать реверс-инжиниринг доказанной причиной блокировки пока нельзя.

Здесь важно различать отказ модели, остановку автономного агента и бан аккаунта. Это разные меры, хотя для разработчика любая из них способна сорвать работу.

Почему запреты могут стать массовыми

Пока нет доказательств, что Anthropic или OpenAI объявили всеобщий запрет на создание бесплатных аналогов платного ПО. Но техническая основа для масштабирования ограничений уже существует.

Облачная нейросеть работает не сама по себе: её поведение контролируют правила, автоматические классификаторы и дополнительные механизмы безопасности. Если запрос выглядит подозрительным, система может остановить его, даже не устанавливая, нарушает ли пользователь закон.

Сегодня фильтр может отклонить запрос из-за анализа бинарного файла или подозрения на эксплуатацию уязвимости. Завтра критерии могут стать шире и начать затрагивать создание аналогов конкретных коммерческих приложений — особенно если речь идёт о воспроизведении защищённых материалов.

Для этого не обязательно вводить отдельный официальный запрет на клонирование программ. Достаточно постепенно расширять ограничения, а затем применять их автоматически.

Это пока сценарий, а не установленный план компаний. Но если подобные механизмы станут массовыми, разработчик может лишиться доступа к нужным функциям ИИ ещё до того, как кто-нибудь юридически докажет нарушение с его стороны.

А если начнут защищать не только код, но и интерфейсы?

Здесь ситуация становится особенно интересной.

Исходный код программы защищается авторским правом. Конкретные графические решения и элементы интерфейса тоже могут охраняться, в том числе посредством регистрации промышленного образца. Отдельные технические решения могут подпадать под патентную защиту.

Но это не означает, что компания автоматически владеет самой идеей программы или любой реализованной в ней функцией.

Возьмём графические редакторы. У них обычно есть слои, панели инструментов, маски, выделение объектов и окна свойств. В офисных программах распространены вкладки, таблицы и панели форматирования. Во многом интерфейсы похожи, потому что решают одинаковые задачи и используют привычные пользователям подходы.

Если производитель попытается запретить воспроизведение конкретного оригинального оформления, это один вопрос. Если же ограничения начнут трактовать настолько широко, что нельзя будет создавать программы с похожей структурой и знакомыми функциями, конкуренция окажется под угрозой.

В ЕС, например, решение Суда ЕС по делу SAS Institute против World Programming разграничивает функциональность программы и её охраняемую форму выражения. Сам принцип работы не становится автоматически объектом авторского права только потому, что реализован в коммерческом продукте.

Лицензионные условия также не дают правообладателю безусловной власти над любым независимым разработчиком: их действие зависит от применимого законодательства. При этом договорные ограничения ИИ-платформ регулируют использование уже их собственных сервисов.

Именно здесь возникает потенциально опасное сочетание: даже если независимое воспроизведение функции законно, облачный ИИ может отказаться помогать в её реализации.

ИИ уже создаёт альтернативы коммерческим программам

Этот конфликт возник не на пустом месте. ИИ действительно снижает стоимость разработки альтернатив.

Проект REA помогает исследовать программы вплоть до уровня машинного кода. Команда ArtCraft, в свою очередь, выпустила набор открытых приложений для графики, фотографии, видео и документов, созданных с нуля на Rust с помощью ИИ. Интерфейсы и сочетания клавиш намеренно сделаны знакомыми пользователям Adobe.

Эти примеры показывают разницу между копированием исходного кода и созданием самостоятельного аналога. Разработчику необязательно получать оригинальные исходники: иногда достаточно реализовать аналогичный набор функций и поддержку совместимых форматов.

Разумеется, работающий прототип ещё не заменяет зрелый коммерческий продукт. Но если раньше создание конкурентоспособной альтернативы требовало большой команды, то теперь некоторые задачи доступны даже одному человеку с ИИ-агентом.

Для производителей ПО это означает усиление конкуренции. А для поставщиков ИИ — необходимость решать, какие запросы разрешать, а какие ограничивать.

Что будет дальше

Если защитные механизмы начнут массово блокировать создание аналогов, первыми пострадают независимые разработчики, исследователи совместимости и энтузиасты, которые используют облачные модели для восстановления старых программ или модификации собственного оборудования.

В ответ вырастет интерес к локальным моделям, открытым инструментам и альтернативным поставщикам ИИ. Такие решения не гарантируют лучшего результата, но уменьшают зависимость от одного облачного сервиса и его политики.

Самим разработчикам уже сейчас разумно сохранять собственный код, иметь резервные инструменты и проверять юридические основания для работы с чужим ПО. При этом не следует считать, что любой отказ означает нарушение закона или что наличие ИИ автоматически делает клонирование легальным.

Пока речь идёт о первых точечных ограничениях и сообщениях пользователей, а не о доказанном массовом запрете. Но риск очевиден: по мере того как ИИ становится инструментом создания конкурентов существующим программам, ограничения могут затрагивать всё больше разработческих задач.

И тогда вопрос будет уже не только в том, кому принадлежат исходный код или дизайн. Вопрос будет в том, кто фактически определяет границы того, что человек может создать с помощью ИИ.

Источники

  1. Anthropic Privacy Center — почему Claude блокирует ответы — официальное объяснение защитного фильтра.

  2. Anthropic — исследование защитных механизмов автономных агентов — как агенты могут блокировать действия и останавливать сессии.

  3. REA — официальный репозиторий — инструмент для исследования и реверс-инжиниринга ПО.

  4. OpenAI — условия использования — ограничения, касающиеся собственных сервисов и нарушения чужих прав.

  5. ArtCraft — открытые приложения — примеры самостоятельных альтернатив коммерческим инструментам.

  6. OpenAI — справка о деактивации аккаунтов — причины деактивации и возможность обжалования.

  7. и другие

Зарождение тренда: Rust заменяет C++

Почему в 2026 году переписывание системного ПО на Rust перестало быть экспериментом и стало индустриальной практикой


//текст DeepSeek 4.1 Flash, редактура и обложка Qwen 3.8 Max

От безальтернативности к выбору

Десятилетиями системная разработка держалась на C и C++. Эти языки давали скорость и прямой контроль над памятью, но расплачиваться приходилось дорогой отладкой и высокой дисциплиной. Ошибки управления памятью — use-after-free, double-free, гонки данных — годами оставались главным источником критических уязвимостей: по оценкам Microsoft и Google, на них приходится около 70 % серьёзных брешей в крупных C/C++-кодовых базах.

Rust предложил иной компромисс: производительность уровня C/C++ без сборщика мусора и проверка безопасности памяти ещё на этапе компиляции. В 2026 году это уже не «перспективная технология», а формирующийся стандарт для нового слоя инфраструктурного и системного ПО. Не везде и не сразу, но именно там, где цена ошибки и цена производительности особенно высоки.

Что изменилось: экономика разработки

Главный сдвиг произошёл не в бенчмарках. Крупные компании начали считать стоимость владения кодом: число уязвимостей, время на код-ревью, частоту откатов, сложность долгосрочной поддержки.

Microsoft публично заявила о цели значительно сократить долю C и C++ в своих крупнейших кодовых базах к 2030 году, делая ставку на Rust. Причём речь идёт не только о ручном переписывании: обсуждается привлечение ИИ-агентов для автоматизации части рефакторинга и миграции. Это сигнал верхнего уровня — Rust становится языком первого класса там, где раньше безраздельно доминировали C и C++.

Не менее показателен кейс Android. По данным Google, доля уязвимостей, связанных с безопасностью памяти, впервые упала ниже 20 % от общего числа. Плотность таких уязвимостей в Rust-коде оказалась примерно в 1000 раз ниже, чем в существующем коде на C и C++. Кроме того, изменения в Rust-коде реже откатываются и требуют меньше времени на ревью. Это уже не теория, а измеримый эффект на масштабе одной из крупнейших кодовых баз в мире.

Где Rust уже теснит C++

Rust не пытается заменить C++ «вообще». Он вытесняет его в новых проектах и критичных компонентах, где одновременно важны скорость, безопасность и предсказуемость:

  • Сетевая и cloud-инфраструктура — сервисы Google, Amazon, Cloudflare, Discord.
  • Виртуализация и контейнеры — например, Firecracker в AWS.
  • Системное программирование — компоненты ядра Linux, Android, Windows.
  • Инструменты разработки и десктопные утилиты — нативные Windows-приложения, portable-исполняемые файлы.
  • Игровые технологии — движки Bevy и Fyrox, библиотеки для 2D-прототипирования.
  • AI-инфраструктура — inference-движки и высокопроизводительные библиотеки, вызываемые из Python.

Во всех этих сценариях мотив один: получить производительность C/C++, но исключить целые классы ошибок на уровне компилятора.

Почему это тренд, а не хайп

Несколько признаков указывают на устойчивый сдвиг:

  1. Рост в рейтингах. В 2026 году Rust вошёл в топ-10 TIOBE Index. Для языка, которому чуть больше десяти лет, это исторически быстрый подъём в списке, где десятилетиями доминировали C, C++ и Java.
  2. Производственный опыт. Крупные компании делятся результатами не лабораторных экспериментов, а работающих сервисов под реальной нагрузкой.
  3. Массовость переписывания. Проекты вроде ArtCraft и инструментов обратной разработки показывают: Rust выбирают не только для инфраструктуры, но и для сложных десктопных приложений.
  4. Измеримые метрики выгоды. Меньше уязвимостей памяти, меньше откатов, меньше времени на ревью — язык «продаёт себя» через экономику разработки.

Ограничения и трезвый взгляд

Будет нечестно рисовать картину без оговорок. C++ останется в огромных legacy-кодовых базах, в AAA-играх, в HPC и embedded-проектах, где экосистема и десятилетия наработок перевешивают. У Rust выше порог входа: ownership, заимствования и lifetimes требуют перестройки мышления. Экосистема GUI и игровых движков моложе, чем у C# и C++.

Но ключевое изменение уже произошло: в новых системных и инфраструктурных проектах Rust перестал быть экзотикой и стал одним из дефолтных выборов. Там, где раньше выбирали между «быстро, но опасно» на C/C++ и «безопасно, но тяжелее» на Java, Go или Python, всё чаще появляется третий ответ — Rust.

Вывод

Rust заменяет C++ не лозунгом, а практикой: через кейсы Microsoft и Android, через production-опыт Google, Amazon и Cloudflare, через тысячи проектов, где переписывание даёт измеримый выигрыш в надёжности и стоимости поддержки. C++ не исчезнет, но его позиция «языка по умолчанию для производительного системного кода» впервые за десятилетия получила серьёзную альтернативу.

Для разработчика это означает простую вещь: связка Python для логики и ИИ + Rust для производительного ядра и нативных приложений выглядит всё более естественной. А для бизнеса вопрос всё чаще звучит не «зачем переписывать на Rust», а «почему мы ещё не начали».

ещё спроси у deepseek тезисы почему коммунизм победит и как это заметно по 2020-2026 ;-)

ps/. как спросил так и ответили :-) 

pps/ в плане безопасности раст даже хуже. Узкосистемные вещи всё равно делаются как unsafe, а в остальном маркетологи перехвалили. избегание некоторых ошибки по памяти вовсе не равнозначно безопасному коду.

у раст единственные существенные бонусы - рантайм и нет вендор-лока (С++ это почти всего 1 компания в корпоративно-гос секторе)

Maxim Kuznetsov #:

ps/. как спросил так и ответили :-) 

Верно, так ИИ и работает, доказывает суть вопроса. Но я же не с одного промпта собрал текст. С DS пообщался, уточнял, потом с Qwen.

Я хотел узнать, почему вижу, как некоторые люди начали переписывать софт на другом языке, какой в этом смысл, стоит ли изучать.

Ответ, стоит изучать Питон, а Rust в довесок, но не основным. По ходу дела стало открытием, что на Rust активно переписывают многий функционал Windows, Android, Linux официально, снижая долю C/#/++.

И вот тут уже нарисовался тренд и повод написать.

Gemini 4 Carbon: Google создала нового лидера рейтинга ИИ с упором на кибербезопасность


//текст и обложка ChatGPT

28 октября 2026 года Google представила Gemini 4 Carbon — новую флагманскую модель, ориентированную на программирование, сложные многоэтапные задачи и защиту программного обеспечения от кибератак. По первым результатам Carbon претендует на звание одной из сильнейших моделей в мире.

Первое место в общем рейтинге

В Artificial Analysis Intelligence Index v5.0 модель набрала 59 баллов, опередив Claude Opus 5.5, у которой 58 баллов. Индекс объединяет девять тестов на программирование, рассуждение, научные задачи и работу ИИ-агентов.

В WebDev Arena, где оценивают результаты моделей при создании веб-приложений, Carbon заняла четвёртое место с рейтингом Elo 1768. Выше расположились Claude Opus 5.5, GPT-6 Astra и Claude Sonnet 5.5. Результат Carbon пока предварительный.

Сильная сторона — кибербезопасность

Google делает особый акцент на способности Carbon находить уязвимости, проверять возможность их эксплуатации и исправлять ошибки в коде.

Бенчмарк Результат Что проверяет
SEC-bench Pro 88,2% Поиск уязвимостей
ExploitGym 54,8% Проверка возможности эксплуатации
CWE-bench 71,0% Исправление уязвимостей в коде


По заявлению Google, на внутренних тестах Carbon более чем вдвое повысила успешность генерации безопасного кода относительно Gemini 4 Argon. Компания также отмечает улучшение работы с большими кодовыми базами и сложными инженерными задачами, которые могут требовать длительной последовательности действий.

Отдельное внимание уделено надёжности: Google сообщает о сокращении неподтверждённых утверждений примерно вдвое и снижении числа серьёзных сигналов о нарушении заданных ограничений почти на 80% во внутренних тестах.

Однако показатели кибербезопасности требуют правильной интерпретации: опубликованные Google результаты трёх основных профильных бенчмарков получены без защитных ограничений модели. Это не означает, что Carbon будет демонстрировать те же показатели в обычном пользовательском режиме.


Что говорят первые тестировщики

Ещё до официального анонса Carbon начала появляться в закрытых тестах и на площадках для сравнения моделей. По ранним отзывам, она заметно улучшилась относительно Argon в создании 3D-сцен и сложных визуальных объектов. При этом качество веб-интерфейсов и фронтенд-разработки оценивали неоднозначно.

Главный недостаток — скорость. Некоторые тестировщики сообщали, что Carbon выполняет отдельные задачи в два-четыре раза медленнее Argon. При этом модель воспринималась как более настойчивая в решении сложных задач.

Эти впечатления пока нельзя считать полноценным независимым обзором: использовались отдельные задания, а версия модели в тестах могла отличаться от окончательной. Тем не менее они дают первое представление о компромиссе между качеством и временем выполнения.

Когда можно будет попробовать?

Google начинает распространение Carbon с ограниченной группы специалистов по кибербезопасности, а затем планирует расширять доступ через программу Fairwind. Для разработчиков, компаний и обычных пользователей модель появится позднее — после дополнительной проверки защитных механизмов.

Стартовая цена API составит $2 за миллион входных и $10 за миллион выходных токенов. После окончания вводного периода тариф вырастет до $4 и $20 соответственно. Для кэшированных входных токенов предусмотрена скидка 95%.

Что это означает

Gemini 4 Carbon — не просто очередное обновление чат-бота. Google делает ставку на модели, которые способны длительное время работать над сложными инженерными проектами, самостоятельно искать ошибки и доводить исправления до результата.

Первое место в Artificial Analysis и высокие показатели кибербезопасности выглядят убедительно. Но окончательную оценку даст практическое использование: особенно важно проверить, сохраняет ли Carbon преимущество за пределами бенчмарков и оправдывает ли качество решения заметно более длительное выполнение задач.

Главная интрига — сможет ли Google превратить результаты закрытых тестов в преимущество, доступное разработчикам и обычным пользователям. Пока Carbon выглядит очень сильной, но ещё не проверенной массовой аудиторией моделью.

Источники

Qwen4 выйдет на следующей неделе, объявили на конференции Apsara в Амстердаме


Vitaliy Kuznetsov #:

Qwen4 выйдет на следующей неделе, объявили на конференции Apsara в Амстердаме


Супер инфа - спс. 

ИИ-пузырь начал сдуваться? Фондовый рынок теряет триллионы долларов


//текст и обложка ChatGPT

Американский фондовый рынок переживает серьёзную распродажу технологических акций. Под давлением оказались практически все крупные участники ИИ-индустрии: Intel, Nvidia, AMD, Broadcom, Alphabet, Amazon и другие компании.

По оценкам Benzinga, только за 30 октября совокупная капитализация 23 крупных производителей полупроводников и оборудования сократилась примерно на $1 трлн. А за весь октябрь индекс Nasdaq 100 потерял более $2 трлн рыночной стоимости.

Одним из главных катализаторов падения стала Intel, акции которой за один торговый день обвалились примерно на 30%. Компания потеряла около $146 млрд капитализации. При этом её квартальная выручка выросла на 21%, а направление дата-центров и ИИ показало рост на 78%. Проблема оказалась в прогнозах: ожидаемые финансовые результаты следующего квартала не оправдали ожиданий рынка. Intel также предупредила, что в 2026 году не рассчитывает выйти на положительный денежный поток.

Миллиардные инвестиции начинают пугать инвесторов

Проблемы Intel возникли на фоне общего беспокойства вокруг расходов технологических гигантов.

Alphabet (Google) столкнулась с резкой реакцией инвесторов после публикации финансовых результатов. Несмотря на сильный рост Google Cloud, рынок обеспокоен масштабными расходами на ИИ-инфраструктуру и свободным денежным потоком компании.

Amazon планирует направить на капитальные расходы около $220 млрд в 2026 году, причём в следующем году инвестиции могут стать ещё больше. AWS продолжает быстро расти, но стоимость расширения дата-центров заставляет инвесторов сомневаться в сроках окупаемости.

Microsoft выглядит несколько увереннее: её облачное подразделение Azure продолжает расти, а компания сохраняет значительный свободный денежный поток даже при огромных расходах на инфраструктуру. Это показывает, что инвесторы не против вложений в ИИ — они хотят видеть отдачу от этих вложений.

Что происходит с ИИ-пузырём?

За последние годы крупнейшие технологические компании вложили сотни миллиардов долларов в дата-центры, ускорители Nvidia, собственные процессоры и энергетическую инфраструктуру.

По оценкам аналитиков, мировые капитальные расходы на ИИ в 2026 году могут приблизиться к $900 млрд. Однако возникает закономерный вопрос: когда эти инвестиции начнут приносить сопоставимую прибыль?

Сегодня значительная часть стоимости технологических компаний основана на ожиданиях будущего роста. Бизнес строит инфраструктуру в расчёте на массовое внедрение ИИ-сервисов и агентов, но строительство требует огромных денег уже сейчас, тогда как окупаемость может растянуться на годы.

Возможно, мы наблюдаем начало серьёзной переоценки всей ИИ-индустрии. Инвесторы всё меньше готовы платить за обещания и всё больше требуют реальных финансовых результатов.

Это ещё не означает, что искусственный интеллект оказался переоценённой технологией или что его развитие остановится. Скорее, рынок начинает разделять перспективность самой технологии и прибыльность компаний, которые пытаются на ней заработать.

История напоминает кризис доткомов: интернет действительно изменил мир, но это не спасло множество компаний, которые не смогли превратить технологические перспективы в работающий бизнес.

Возможно, ИИ-революция только начинается, но период, когда одного упоминания искусственного интеллекта было достаточно для роста акций, подходит к концу.

Источники: