Галлюцинации недели: Claude Sonnet 5, Nano Banana 2 Lite и возвращение блудного Fable

Anthropic продаёт фарме лопаты и сама берётся копать: Claude Science для учёных плюс собственные лекарства от забытых болезней. А в топ-5 OpenRouter два месяца тихо держалась LongCat 2.0 под именем Owl Alpha, и за ней, оказывается, стоит доставщик еды, обучивший её на китайских чипах в обход Nvidia.

Anthropic выпустила Claude Sonnet 5 и назвала его самым агентным Sonnet в линейке: миллион токенов контекста, промо-цена $2/$10 за миллион токенов на вход и выход до 31 августа, дальше стандартные $3/$15. По бенчмаркам он и правда подобрался к Opus 4.8, а по прайсу стоит вдвое дешевле. Artificial Analysis замерила стоимость не за токен, а за решённую задачу, и Sonnet 5 вышел дороже Opus 4.8 примерно на 15%, потому что жрёт заметно больше токенов и агентских ходов. Саймон Уиллисон, соавтор Django, добил деталью: у модели свежий токенизатор, и тот же английский текст теперь весит до 1.4 раза больше токенов. Ценник низкий, счётчик крутится быстрее. Комьюнити встретило выпуск прохладно: половина твиттера спорит, тянет ли это на цифру 5 или ближе к 4.9, вторая половина ждёт не Sonnet, а Fable.

Fable 5 вернули на второй день. Сам запрет Fable 5 и Mythos я разбирал две недели назад: Минторг США потребовал экспортную лицензию, модели выключили. 30 июня ведомство требование отозвало, и Anthropic вернула Fable 5 в строй. Но с оговорками. Свежий классификатор кибербезопасности срабатывает на подозрительные запросы и молча уводит их на Opus 4.8, а классификаторы по биологии и химии настолько широкие, что цепляют даже базовые около-биологические вопросы. Доступ по подписке дали до 7 июля и только на 50% недельного лимита, дальше Fable живёт на usage credits, оплата отдельно от плана. Практика оказалась злее теории: на реддите показывают счета на $321 за сессию, когда выбираешь Fable, а под капотом тебя тихо переключили на дорогой Opus, и деньги утекли туда.

Fable 5 тем временем на бенчмарке KernelBench-Mega написала первое честное single-launch мегаядро для декода Kimi-Linear и выжала ускорение 18.71× над референсом, обогнав все прежние multi-kernel решения. Движок здесь работает как маленькая программа для GPU: обычно их десятки на один проход, а Fable упаковала весь forward-проход в один запуск, с распаковкой int4-весов на лету и синхронизацией в 14 барьеров на токен. Модель сама профилировала исходник, откатывала регрессии и дожимала его к пределу железа (roofline). Sonnet 5 на той же задаче взял скромные 4.03×. То есть флагман, которого регулятор и safety-классификаторы гоняют по кругу, в свободную минуту пишет ядра, на которые у живых инженеров уходят недели.

Anthropic на мероприятии для фармкомпаний представила Claude Science, рабочий стол для учёных в духе Claude Code, только под биологию, и заодно объявила, что начнёт разрабатывать собственные лекарства от "забытых" болезней, за которые большая фарма браться не хочет. Конструкция выходит неловкая: Anthropic продаёт инструмент фармкомпаниям и одновременно выходит на их поле как конкурент. The Verge назвал это одной из самых прямых попыток крупной AI-лаборатории самой создавать лекарства.

Пока Anthropic разбирается с доступом и фармой, открытые модели давят снизу. GLM-5.2 от Z.ai, о которой я писал две недели подряд, обросла продуктом: вышла ZCode, официальная среда разработки под GLM со своими ключами, а саму схема теперь можно выбрать прямо в Claude Code через Hugging Face. Together заявляет, что GLM-5.2 даёт около 80% инженерных способностей Sonnet 5 за около 20% цены. Цифру стоит ознакомиться с поправкой: это оценка самого провайдера, а GLM жадная до токенов, около 43 тысяч токенов на задачу, так что реальная экономия скромнее, чем звучит прайс. Но всё больше команд хотят движок, который можно поставить себе и не зависеть от того, что решат в Вашингтоне.

Meituan, китайский сервис доставки еды, раскрыла LongCat 2.0, открытую MoE-модель на 1.6 триллиона параметров (48 миллиардов активных), с контекстом на миллион токенов и лицензией MIT. Два месяца она инкогнито крутилась на OpenRouter под кодовым именем Owl Alpha и дошла до топ-5 платформы, приблизительно 10 триллионов токенов в месяц, а публику никто не предупредил, что за моделью стоит доставщик еды. Интереснее размера тут железо: модель обучили целиком на китайских ASIC, без единой видеокарты Nvidia. По заявке это 50 тысяч чипов, критики насчитывают ближе к 25 тысячам, но факт обучения в обход Nvidia не оспаривает никто. Веса на Hugging Face пока не выложили, обещают "скоро", так что пощупать её локально ещё нельзя. Но околофлагманскую схема реально вырастить на домашних чипах в обход санкций.

Cognition показала Devin Security Swarm, и это качественный срез того, куда двигается инженерия агентов. Вместо одного умного агента система раскидывает пачку узких агентов по кодовой базе через паттерн, который в Cognition называют Agentic MapReduce: планировщик размечает подозрительные места, дочерние агенты разбирают каждый свой кусок, а редьюсер сшивает находки и проверяет их в песочнице на живой сборке, чтобы не тащить в отчёт правдоподобные, но ложные срабатывания. На наборе из 50 реальных уязвимостей Swarm находит дыру в 72% случаев, дешевле конкурентов и точнее. Секрет не в самой модели, а в обвязке вокруг неё: как нарезать задачу, где поставить границы и как проверить находку в песочнице, а не на слайде.

Ровно об этом была вся AI Engineer World's Fair в этом году, и я разобрал её доступные доклады в отдельном лонгриде. Из 560 сессий почти каждая сводилась к одному: узкое место переехало с модели на harness, и побеждает не тот, у кого модель набрала больше попугаев на бенчмарке, а тот, кто может объяснить, повторить, ограничить и проверить, что делает его агент. Devin Security Swarm с проверкой каждой находки на живой сборке ровно этот подход и показывает в проде. Все доступные доклады с русскими саммари и таймкодами я собрал в репозитории на GitHub и SPA-навигаторе поверх него.

Cursor завела агентов в телефон: вышел Cursor for iOS с постоянно работающими облачными агентами и удалённым управлением агентами на твоём компьютере, с ревью диффов и уведомлениями прямо на экране. Облачный агент, которого дёргаешь из очереди в АШАНе, теперь ближе к рабочему инструменту, чем к демке с конференции.

Google выкатила два медиа-релиза. Nano Banana 2 Lite генерит картинку за четыре секунды по $0.034 за 1000 изображений, а видеомодель Gemini Omni Flash отдаёт видео по $0.10 за секунду и на Video Arena встала на первое место с отрывом около в сотню очков Elo от ближайшего преследователя.

Британский институт безопасности AISI показал неприятную для всех бенчмарков вещь: если агенту выдать мало токенов на задачу, вы систематически недооцениваете, на что он способен. Оценка "горизонта", то есть сложности задач, которые модель тянет автономно, ползёт вверх по мере роста бюджета. Там, где при скромном лимите выходит пара часов человеческой работы, на 50 миллионах токенов получается приблизительно 14. На прошлой неделе METR намерил у GPT-5.6 Sol рекорд по жульничеству, где горизонт скакал с 11 до 270 часов в зависимости от того, считать ли обман успехом. И METR, и AISI показывают одно и то же: цифра горизонта зависит от того, как её мерить.

Пол Бакаус, создатель Impeccable (open-source системы дизайн-навыков для агентов), в интервью Latent Space с той же конференции гнёт обратную линию. Он делит индустрию на два лагеря: тех, кто цепляется за старый процедура вокруг Figma, и адептов "loopmaxxing", которые мечтают убрать человека из цикла совсем. Его позиция посередине: агент быстро делает первые 80% работы, а финальные 20%, где вкус, контекст и своя точка зрения, остаются за человеком. Пользователи регулярно просят добавить в Impeccable автоматический режим, чтобы платформа сама выбирала команды, и Бакаус отказывается: "Никакого авто нет и не будет". Неделя, в которой агенты пишут мегаядра, ищут дыры пачками и переезжают в телефон, заканчивается тем, что человек, который всё это строит, спокойно напоминает, зачем он в этой петле нужен.

Оставайтесь любопытными.

Пишу об искусственном интеллекте, языковых моделях и инструментах для разработчиков. Тестирую модели и сервисы на реальных задачах, а выводами делюсь в телеграм-канале.