[AINews] The Unreasonable Effectiveness of Closing the Loop

[AINews] Удивительная эффективность замыкания петли

Все запускают всё повсюду одновременно.

Среди десятков средних по масштабу запусков сегодня (остальные обзоры ниже) одна тема, которую мы наблюдаем, — это то, что я начал называть «замыканием петли»:

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.

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).

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:

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, 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:

И наконец, Cognition запустила Devin 2.2, где ключевой особенностью стало то, как Devin Review теперь автоматически замыкает петлю обратно в запуски Devin.

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.

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.

Обзор AI Twitter

Экосистема frontier-моделей: «средняя серия» Qwen 3.5 и импульс open-weight

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 «кодинг-агенты как продуктовая поверхность» (API, удалённое управление, web sockets, proof-of-work UX)

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»).

Диффузия для языка: Inception Labs Mercury 2 и «скорость как следующее поле боя»

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.

Агенты: надёжность, провалы безопасности, память + context rot и новые многоязычные оценки

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.

Данные + бенчмарки: насыщение OCR, скептицизм к «новым оптимизаторам» и идеи адаптивных/непрерывных данных

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.

Вычисления, чипы и робототехника: мегасделка Meta–AMD, ставка MatX на «HBM+SRAM» и масштабирование управления гуманоидами

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.

Топ твиты (по вовлечению, техническая/индустриальная релевантность)

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

Обзор AI Reddit

Продолжайте чтение с 7-дневной бесплатной пробной версией

Подпишитесь на Latent.Space, чтобы продолжить читать этот пост и получить 7 дней бесплатного доступа к полному архиву постов.