[AINews] The Unreasonable Effectiveness of Closing the Loop
Выпуск AINews посвящён теме «closing the loop» — замыканию внешнего контура разработки с помощью AI-агентов. Cursor запустил полноценный computer use с видео-демо вместо diff'ов, Anthropic представил Remote Control для Claude Code (управление с телефона), Cognition выпустил Devin 2.2 с автоматическим возвратом ревью в исполнение, OpenAI выкатил GPT-5.3-Codex в Responses API по цене $1.75/$14 за токены. Alibaba выпустила линейку Qwen 3.5 Medium (включая MoE 35B-A3B и 122B-A10B, dense 27B и flagship 397B-A17B), Inception Labs представила диффузионную Mercury 2 со скоростью ~1000 токенов/с. Meta объявила о многолетнем партнёрстве с AMD на ~6ГВт мощностей, MatX привлекла $500M Series B на чип-акселератор, NVIDIA показала SONIC — политику управления гуманоидом на 42M параметров с zero-shot переносом. Исследования указывают на разрыв между возможностями и надёжностью агентов, проблемы с AGENTS.md и насыщение OCR-бенчмарков.
[AINews] The Unreasonable Effectiveness of Closing the Loop
[AINews] Удивительная эффективность замыкания петли
Everyone launching everything everywhere all at once.
Все запускают всё повсюду одновременно.
Through the dozens of midsize launches today (see the rest of the recaps below), one theme that we’re seeing is something I’ve come to call “closing the loop”:
Среди десятков средних по масштабу запусков сегодня (остальные обзоры ниже) одна тема, которую мы наблюдаем, — это то, что я начал называть «замыканием петли»:
In the DevTools industry, we often talk about the concept of the “inner loop” (what happens in the IDE, “squashed” inside a git commit), vs the “outer loop” (what happens in the cloud, “between” git commits, say after every git push). For a long time in the 2010s, all the action was in the “outer loop” - GitLab and multiple CI/CD unicorns, GitHub, Netlify/Vercel, and more, whereas the “inner loop” was generally free and open source (often thanks to Microsoft, but increasingly Facebook and Atlassian/Vercel) - VSCode, Language Servers, TypeScript, Prettier, and so on.
В индустрии DevTools мы часто говорим о концепции «внутренней петли» (то, что происходит в IDE, «спрессовано» внутри git-коммита) против «внешней петли» (то, что происходит в облаке, «между» git-коммитами, например после каждого git push). Долгое время в 2010-х вся активность была во «внешней петле» — GitLab и несколько CI/CD-единорогов, GitHub, Netlify/Vercel и другие, тогда как «внутренняя петля» в основном была бесплатной и open source (часто благодаря Microsoft, но всё чаще Facebook и Atlassian/Vercel) — VSCode, Language Servers, TypeScript, Prettier и так далее.
With AI, things flipped dramatically - Copilot kicked off the wave of Inner Loop coding agent applications that eventually became vanguarded by Cursor, whereas Outer Loop tools did grow thanks to AI, but remained relatively unchanged (or AI SRE or AI Data Engineering as a category seemed to particularly struggle).
С появлением AI всё кардинально перевернулось — Copilot запустил волну приложений-кодинг-агентов внутренней петли, авангардом которых в итоге стал Cursor, тогда как инструменты внешней петли тоже выросли благодаря AI, но остались относительно неизменными (а AI SRE или AI Data Engineering как категории, казалось, особенно тяжело давались).
Today many of the leading coding agent companies took steps in the “Close the Outer Loop” direction. For a lead graphic the first thing that springs to mind is the og:image for the Devin Autofix launch from a few weeks ago:
Сегодня многие ведущие компании-разработчики кодинг-агентов сделали шаги в направлении «замыкания внешней петли». В качестве ведущей иллюстрации первое, что приходит на ум, — это og:image для запуска Devin Autofix несколько недель назад:
The above only applies to review comments, but you can close the outer loop in many, many other ways. Cursor’s highly anticipated big ship today was a combination of full computer use and video output to give you high bandwidth review of the results rather than just looking at code diffs:
Вышесказанное касается только комментариев к ревью, но замкнуть внешнюю петлю можно множеством других способов. Долгожданный крупный релиз Cursor сегодня — это сочетание полноценного computer use и видеовывода, чтобы дать вам высокоскоростной обзор результатов вместо простого просмотра diff'ов кода:
Claude Code, celebrating it’s first anniversary (as we discussed on today’s special podcast and short retrospective), launched Remote Control for Max users, which allows people to close the loop in their phones, away from the Inner Loop of the terminal:
Claude Code, отмечая свой первый день рождения (как мы обсудили в сегодняшнем специальном подкасте и кратком ретроспективном выпуске), запустил Remote Control для пользователей Max, что позволяет замыкать петлю на телефоне, вдали от внутренней петли терминала:
Last but not least, Cognition launched Devin 2.2, where a headline feature was how Devin Review now automatically closes the loop back into Devin runs.
И наконец, Cognition запустила Devin 2.2, где ключевой особенностью стало то, как Devin Review теперь автоматически замыкает петлю обратно в запуски Devin.
If you are so inclined you could view all these as generalizations of the “Ralph Loops” that were popular in social media last month, often still with humans in the loop, but increasingly less so over time.
Если вы склонны к такому взгляду, всё это можно рассматривать как обобщения «Ralph Loops», которые были популярны в социальных сетях в прошлом месяце, часто всё ещё с человеком в петле, но со временем всё меньше.
Don’t miss the other midsize launches today that would otherwise have been title stories in their own right - Notion Custom Agents, Inception Mercury 2, and the smaller Qwen 3.5 variants.
Не пропустите другие средние по масштабу запуски сегодня, которые иначе сами стали бы заглавными темами — Notion Custom Agents, Inception Mercury 2 и меньшие варианты Qwen 3.5.
AI Twitter Recap
Обзор AI Twitter
Frontier model ecosystem: Qwen 3.5 “medium series” and open-weight momentum
Экосистема frontier-моделей: «средняя серия» Qwen 3.5 и импульс open-weight
Qwen 3.5 Medium Model Series: Alibaba released a tightly scoped set of “more intelligence, less compute” models—Qwen3.5-Flash (hosted), Qwen3.5-35B-A3B (MoE), Qwen3.5-122B-A10B (MoE), and Qwen3.5-27B (dense)—arguing that architecture + data + RL can outperform sheer parameter scaling. Notable details include Flash defaulting to 1M context and built-in tools in the hosted offering. See the full announcement and links to Hugging Face/ModelScope/APIs from @Alibaba_Qwen.
Early practitioner reactions emphasize how strong 35B-A3B and 122B-A10B feel in practice (e.g., @andrew_n_carr, @JustinLin610), plus the “intelligence-per-watt” implication of a 35B model surpassing a 235B predecessor noted by @awnihannun.
Deployment/serving stack is moving fast: community tooling quickly followed—GGUF + sizing guidance from @UnslothAI and local-run enthusiasm like “35B-A3B is all you need” from @terryyuezhuo. Qwen also highlighted SGLang support (tweet).
Quant + “local frontier” trendline: INT4 variants appeared (duplicate posts) via @HaihaoShen, and users continue pushing aggressive quantization workflows (e.g., Unsloth praise for ultra-low-bit local Qwen by @0xSero).
Evaluation signals: Qwen’s flagship Qwen3.5-397B-A17B trended on HF (@Ali_TongyiLab) and showed up strongly on agentic webdev-style evaluation in Code Arena (Arena post). Arena also posted rank deltas vs Qwen 3.0 (comparison).
Серия моделей Qwen 3.5 Medium: Alibaba выпустила чётко очерченный набор моделей «больше интеллекта, меньше вычислений» — Qwen3.5-Flash (хостовая), Qwen3.5-35B-A3B (MoE), Qwen3.5-122B-A10B (MoE) и Qwen3.5-27B (dense) — утверждая, что архитектура + данные + RL могут превзойти чистое масштабирование параметров. Среди заметных деталей — Flash по умолчанию имеет 1M контекста и встроенные инструменты в хостовом предложении. Полный анонс и ссылки на Hugging Face/ModelScope/API — у @Alibaba_Qwen. Ранние реакции практиков подчёркивают, насколько сильно ощущаются 35B-A3B и 122B-A10B на практике (например, @andrew_n_carr, @JustinLin610), а также импликация «интеллект-на-ватт» от того, что модель 35B превосходит предшественника 235B, отмеченная @awnihannun. Стек развёртывания/обслуживания быстро двигается: сообщество быстро подключилось — GGUF + рекомендации по размеру от @UnslothAI и энтузиазм по локальному запуску в духе «35B-A3B — это всё, что вам нужно» от @terryyuezhuo. Qwen также подчеркнула поддержку SGLang (твит). Тренд квантования + «локальный frontier»: появились INT4-варианты (дублирующие посты) через @HaihaoShen, и пользователи продолжают продвигать агрессивные процессы квантования (например, похвала Unsloth за ультра-низкобитный локальный Qwen от @0xSero). Сигналы оценки: флагман Qwen Qwen3.5-397B-A17B попал в тренды HF (@Ali_TongyiLab) и сильно показал себя на агентной webdev-оценке в Code Arena (пост Arena). Arena также опубликовала дельту рангов относительно Qwen 3.0 (сравнение).
OpenAI + Anthropic “coding agents as product surface area” (APIs, remote control, web sockets, proof-of-work UX)
OpenAI + Anthropic «кодинг-агенты как продуктовая поверхность» (API, удалённое управление, web sockets, proof-of-work UX)
OpenAI: GPT-5.3-Codex in the Responses API: OpenAI shipped GPT-5.3-Codex to all developers via the Responses API (announcement), with pricing cited by @scaling01 ($1.75 input / $14 output as tweeted). OpenAI also expanded file input types (docx/pptx/csv/xlsx/etc.) for agents ingesting “real-world files” directly (tweet).
Infra detail: web sockets show up as a meaningful lever for agent throughput—“30% faster rollouts” per @gdb. This matches broader chatter about why websockets took time and how state is stored upstream vs VRAM (thread, follow-up).
Benchmarks: third-party scoreboard posts claim strong placements for Codex 5.3 across TerminalBench/IOI/LiveCodeBench/VibeCodeBench (ValsAI).
Anthropic: “Claude Code Remote Control” + enterprise workflow push: Anthropic introduced “Remote Control” for Claude Code—start a terminal session locally and continue from your phone—first via @noahzweben, then officialized by @claudeai, with rollout confirmation from @_catwu.
Separate enterprise positioning: “Cowork and plugin updates” for customizing Claude across teams landed with extremely high engagement (@claudeai).
Cursor: “review is demo videos, not diffs”: Cursor announced a major UX pivot—agents can use the software they build, then send videos of their work (“demos, not diffs”) (launch, links). Multiple builders describe cloud agents as a practical step-change: async, VM-based testing, self-verification, and demo artifacts (example, another, “creative director over sims”).
OpenAI: GPT-5.3-Codex в Responses API: OpenAI выпустила GPT-5.3-Codex для всех разработчиков через Responses API (анонс) с ценами, указанными @scaling01 ($1.75 input / $14 output, как написано в твите). OpenAI также расширила типы файлового ввода (docx/pptx/csv/xlsx/и т.д.) для агентов, обрабатывающих «реальные файлы» напрямую (твит). Деталь инфраструктуры: web sockets оказываются значимым рычагом для пропускной способности агентов — «на 30% быстрее rollout'ы» по словам @gdb. Это соответствует более широкой дискуссии о том, почему websockets потребовали времени и как состояние хранится upstream против VRAM (тред, продолжение). Бенчмарки: сторонние посты со scoreboard'ами заявляют о сильных позициях Codex 5.3 в TerminalBench/IOI/LiveCodeBench/VibeCodeBench (ValsAI). Anthropic: «Claude Code Remote Control» + продвижение enterprise-воркфлоу: Anthropic представила «Remote Control» для Claude Code — начать терминальную сессию локально и продолжить с телефона — сначала через @noahzweben, затем официально через @claudeai, с подтверждением раскатки от @_catwu. Отдельное enterprise-позиционирование: «Cowork и обновления плагинов» для кастомизации Claude в командах вышли с чрезвычайно высоким вовлечением (@claudeai). Cursor: «ревью — это демо-видео, а не diff'ы»: Cursor анонсировал серьёзный UX-разворот — агенты могут использовать программное обеспечение, которое они создают, а затем отправлять видео своей работы («демо, а не diff'ы») (запуск, ссылки). Многие разработчики описывают облачных агентов как практический скачок: асинхронность, тестирование на основе VM, самоверификация и демо-артефакты (пример, ещё один, «креативный директор над симами»).
Diffusion for language: Inception Labs Mercury 2 and “speed as the next battleground”
Диффузия для языка: Inception Labs Mercury 2 и «скорость как следующее поле боя»
Mercury 2 (“reasoning diffusion LLM”): Inception Labs released Mercury 2, positioning it as a production diffusion LLM hitting ~1,000 output tokens/s (Stefano Ermon). Artificial Analysis contextualizes it as not frontier-leading on intelligence, but unusually strong on output speed with decent agentic/coding evaluations, including comparisons on Terminal-Bench Hard and IFBench scoring claims (analysis thread).
The deeper takeaway across these posts: teams are betting that architecture-level parallel token refinement (diffusion) can make multi-step agent loops and voice assistants feel “native” rather than “batchy” (see the architectural explanation from @LiorOnAI). This sits alongside broader sentiment that 2026 competition may be defined by latency + throughput, not just raw benchmark maxima.
Mercury 2 («диффузионный LLM с рассуждениями»): Inception Labs выпустила Mercury 2, позиционируя её как продакшен-диффузионный LLM, достигающий ~1 000 выходных токенов/с (Stefano Ermon). Artificial Analysis контекстуализирует её как не лидирующую на frontier по интеллекту, но необычайно сильную по скорости вывода с приличными агентными/кодинг-оценками, включая сравнения на Terminal-Bench Hard и заявленные оценки IFBench (аналитический тред). Более глубокий вывод по этим постам: команды ставят на то, что параллельное уточнение токенов на уровне архитектуры (диффузия) может сделать многошаговые петли агентов и голосовых ассистентов «нативными», а не «батчевыми» (см. архитектурное объяснение от @LiorOnAI). Это сочетается с более широким настроением, что конкуренция в 2026 году может определяться задержкой + пропускной способностью, а не только сырыми максимумами на бенчмарках.
Agents: reliability, safety failures, memory + context rot, and new multilingual evals
Агенты: надёжность, провалы безопасности, память + context rot и новые многоязычные оценки
Agent reliability is not keeping pace with capability: A Princeton-led effort formalizes and measures the capability–reliability gap, decomposing reliability into 12 dimensions and finding only modest reliability gains despite large capability gains (paper + dashboard; additional commentary from @random_walker). This aligns with recurring “long tail of failures” intuition from practitioners comparing agents to AVs (ahall_research).
OpenClaw and “routine-step decomposition” safety bypass: A concrete agent failure mode: “split a dangerous command into a few routine steps → safety is gone,” with inbox-wiping behavior cited; authors claim an open-source fix (paper thread).
AGENTS.md (and equivalents) can hurt: Two high-signal posts summarize research showing LLM-generated context files decrease success while increasing costs; developer-written minimal context helps slightly but still increases cost. See @omarsar0 for the paper summary and @_philschmid for a practical “how to write it” guide grounded in the same result set.
New SWE-bench Multilingual leaderboard: A push to evaluate software engineering agents beyond English/Python. The leaderboard covers 300 tasks in 9 languages, none from SWE-bench Verified, with reported SOTA at 72% (launch; more stats from @KLieret). The implication: model rankings can invert across languages—important for global dev tooling and for data-collection strategies.
Надёжность агентов не поспевает за возможностями: усилие под руководством Princeton формализует и измеряет разрыв возможности–надёжности, декомпозируя надёжность на 12 измерений и обнаруживая лишь умеренные приросты надёжности несмотря на большие приросты возможностей (статья + дашборд; дополнительный комментарий от @random_walker). Это совпадает с повторяющейся интуицией о «длинном хвосте отказов» у практиков, сравнивающих агентов с AV (ahall_research). OpenClaw и обход безопасности через «декомпозицию на рутинные шаги»: конкретный режим отказа агента: «разделите опасную команду на несколько рутинных шагов → безопасности нет», с упоминанием поведения по очистке inbox; авторы утверждают, что есть open-source-исправление (тред статьи). AGENTS.md (и эквиваленты) могут вредить: два высокосигнальных поста суммируют исследование, показывающее, что сгенерированные LLM context-файлы снижают успех при росте затрат; минимальный контекст, написанный разработчиком, помогает немного, но всё равно увеличивает стоимость. См. @omarsar0 для саммари статьи и @_philschmid для практического руководства «как это писать», основанного на том же наборе результатов. Новый лидерборд SWE-bench Multilingual: попытка оценить агентов для software engineering за пределами English/Python. Лидерборд охватывает 300 задач на 9 языках, ни одна не из SWE-bench Verified, с заявленным SOTA в 72% (запуск; больше статистики от @KLieret). Импликация: ранжирование моделей может инвертироваться между языками — важно для глобальных dev-инструментов и стратегий сбора данных.
Data + benchmarks: OCR saturation, “new optimizer” skepticism, and adaptive/continual data pitches
Данные + бенчмарки: насыщение OCR, скептицизм к «новым оптимизаторам» и идеи адаптивных/непрерывных данных
OCR/document parsing benchmarks saturating: Multiple posts argue OmniDocBench is hitting a ceiling (e.g., ~95% with failures on real documents) and that exact-match metrics penalize semantically correct parses. See @llama_index and @jerryjliu0. Related: confusion at why OCR remains hard despite cheap synthetic data (gabriberton) and a study suggesting text extraction beats image representations for PDF QA (cwolferesearch).
“Nature MI optimizer” controversy: A highly technical critique calls out suspicious baselines and potential test-set hyperparameter selection in a new optimizer paper with dramatic plots, urging independent validation and better-tuned baselines (e.g., nanogpt speedrun) (giffmana; plus additional experimental context from @YouJiacheng).
Adaption Labs: “Adaptive Data”: Several tweets pitch a shift from static datasets to a “living asset” loop, with claims of 82% average quality gains across 242 languages and an early access/community program (company; additional framing from @sarahookr; third-party paraphrase here). Treat as a directional thesis (data drift/feedback loops) rather than a validated standard until more methodology is public.
Бенчмарки OCR/парсинга документов насыщаются: несколько постов утверждают, что OmniDocBench упирается в потолок (например, ~95% с провалами на реальных документах) и что метрики точного совпадения штрафуют семантически корректные парсы. См. @llama_index и @jerryjliu0. Связанное: недоумение, почему OCR остаётся сложным несмотря на дешёвые синтетические данные (gabriberton), и исследование, предполагающее, что извлечение текста превосходит представления изображений для PDF QA (cwolferesearch). Спор вокруг «Nature MI optimizer»: высокотехнический критический разбор указывает на подозрительные baseline'ы и потенциальный отбор гиперпараметров на тест-сете в новой статье об оптимизаторе с драматичными графиками, призывая к независимой валидации и лучше настроенным baseline'ам (например, nanogpt speedrun) (giffmana; плюс дополнительный экспериментальный контекст от @YouJiacheng). Adaption Labs: «Adaptive Data»: несколько твитов продвигают сдвиг от статических датасетов к петле «живого актива» с заявлениями о 82% среднего прироста качества на 242 языках и программе раннего доступа/сообщества (компания; дополнительная формулировка от @sarahookr; сторонний пересказ здесь). Стоит воспринимать как направление тезиса (data drift/feedback loops), а не как валидированный стандарт, пока больше методологии не публично.
Compute, chips, and robotics: Meta–AMD megadeal, MatX’s “HBM+SRAM” bet, and scaling humanoid control
Вычисления, чипы и робототехника: мегасделка Meta–AMD, ставка MatX на «HBM+SRAM» и масштабирование управления гуманоидами
Meta ↔ AMD infrastructure deal: Meta announced a multi-year agreement to integrate AMD Instinct GPUs with ~6GW planned data center capacity for the deployment (@AIatMeta). Commentary frames it as a major capex/compute signal on the eve of NVIDIA earnings (kimmonismus).
MatX “One” accelerator: MatX announced a $500M Series B and pitched a chip architecture combining systolic-array efficiency with better utilization on smaller matrices, aiming for high throughput and low latency, explicitly addressing long-context workloads via HBM while preserving SRAM-first latency characteristics (reinerpope). Karpathy highlights the “two memory pools” constraint (SRAM vs DRAM/HBM) and frames memory+compute orchestration as a core puzzle for upcoming token demand (karpathy).
Liquid AI LFM2-24B-A2B: Liquid AI released LFM2-24B-A2B, a 24B MoE with ~2.3B active/token, optimized for efficiency and edge inference in a 32GB footprint (launch). Distribution arrived quickly across Ollama (tweet) and LM Studio (tweet).
Robotics scaling: NVIDIA SONIC (GEAR-SONIC): A standout robotics thread claims a 42M-parameter policy trained on 100M+ mocap frames and 500k+ parallel simulated robots, transferring zero-shot to a real humanoid with 100% success across 50 sequences; code/weights are open (Jim Fan thread, plus links here). The key “systems” claim is that dense supervision from motion tracking acts like a scalable analogue to next-token prediction for whole-body control.
Инфраструктурная сделка Meta ↔ AMD: Meta объявила о многолетнем соглашении на интеграцию AMD Instinct GPU с ~6ГВт запланированной мощности дата-центров для развёртывания (@AIatMeta). Комментаторы рассматривают это как крупный сигнал по capex/вычислениям накануне отчёта NVIDIA (kimmonismus). Акселератор MatX «One»: MatX объявила о раунде Series B на $500M и представила архитектуру чипа, сочетающую эффективность систолических массивов с лучшей утилизацией на меньших матрицах, ориентированную на высокую пропускную способность и низкую задержку, явно адресующую длинноконтекстные нагрузки через HBM, при этом сохраняя SRAM-first характеристики задержки (reinerpope). Karpathy подчёркивает ограничение «двух memory pool'ов» (SRAM против DRAM/HBM) и формулирует оркестрацию памяти и вычислений как ключевую головоломку для предстоящего спроса на токены (karpathy). Liquid AI LFM2-24B-A2B: Liquid AI выпустила LFM2-24B-A2B, 24B MoE с ~2.3B активных параметров/токен, оптимизированную для эффективности и edge-инференса в формате 32ГБ (запуск). Дистрибуция быстро появилась через Ollama (твит) и LM Studio (твит). Масштабирование робототехники: NVIDIA SONIC (GEAR-SONIC): выдающийся тред по робототехнике заявляет о политике на 42M параметров, обученной на 100M+ кадров mocap и 500k+ параллельных симулированных роботах, переносящейся zero-shot на реальный гуманоид с 100% успехом на 50 последовательностях; код/веса открыты (тред Jim Fan, плюс ссылки здесь). Ключевое «системное» утверждение в том, что плотная супервизия от motion tracking действует как масштабируемый аналог предсказания следующего токена для управления всем телом.
Top tweets (by engagement, technical/industry-relevant)
Топ твиты (по вовлечению, техническая/индустриальная релевантность)
Claude Code Remote Control rollout: @claudeai
Qwen 3.5 Medium Model Series release: @Alibaba_Qwen
Cursor agents ship “demos not diffs”: @cursor_ai
Karpathy on CLIs as agent-native interface: @karpathy
Meta–AMD 6GW infrastructure deal: @AIatMeta
Mercury 2 diffusion LLM launch: @StefanoErmon
NVIDIA SONIC humanoid control (open source): @DrJimFan
MatX chip + $500M Series B: @reinerpope
AGENTS.md research summary (context can hurt): @omarsar0
OpenAI GPT-5.3-Codex in Responses API: @OpenAIDevs
Раскатка Claude Code Remote Control: @claudeai Релиз серии моделей Qwen 3.5 Medium: @Alibaba_Qwen Агенты Cursor отгружают «демо, а не diff'ы»: @cursor_ai Karpathy о CLI как агентно-нативном интерфейсе: @karpathy Инфраструктурная сделка Meta–AMD на 6ГВт: @AIatMeta Запуск диффузионного LLM Mercury 2: @StefanoErmon Управление гуманоидом NVIDIA SONIC (open source): @DrJimFan Чип MatX + Series B на $500M: @reinerpope Саммари исследования AGENTS.md (контекст может вредить): @omarsar0 OpenAI GPT-5.3-Codex в Responses API: @OpenAIDevs
AI Reddit Recap
Обзор AI Reddit
Keep reading with a 7-day free trial
Продолжайте чтение с 7-дневной бесплатной пробной версией
Subscribe to Latent.Space to keep reading this post and get 7 days of free access to the full post archives.
Подпишитесь на Latent.Space, чтобы продолжить читать этот пост и получить 7 дней бесплатного доступа к полному архиву постов.