Spydell_finance

Крупнейший в истории OpenAI пул анонсов DevDay 29 сентября был весьма «жирный» день на анонсы и презентации совокупности «расширителей» интеллектуальной вселенной OpenAI – с момента основания компании еще никогда не было настолько мощного однодневного залпа. Сегодня без флагманов, но … ▪️GPT-6.1 Sol – это по бенчмаркам реплика GPT-6 Astra по ценам в 5-6 раз ниже. С точки зрения производительности: GPT-6.1 Sol в режиме рассуждения MAX = GPT-6 Astra xhigh, GPT-6.1 Sol xhigh = GPT-6 Astra high, GPT-6.1 Sol high = GPT-6 Astra medium, а GPT-6.1 Sol medium ощутимо лучше, чем GPT-6 Astra low. Запомните и запишите. GPT-6.1 Sol – это GPT-6 Astra c режимом рассуждения «плюс 1» к Astra. По ценам GPT-6.1 Sol дешевле Astra в сопоставимом режиме в 4.5 раза, в xhigh в 5.9 раза, в high в 5.4 раза, а в medium в 7.3 раза! Но, как выше отметил, если скорректировать на режим рассуждения, сопоставимый уровень интеллекта и производительности можно достичь в 3.2 раза дешевле в режиме max, в 4.4 раза дешевле в xhigh, 4.8 раза в high и 3.9 раза в medium. Как это интерпретировать? Менее, чем за месяц от релиза GPT-6 Astra сопоставимый интеллект подешевел более, чем в 4 раза! То, что делали на GPT-6 Astra за 100 долларов, можно в GPT-6.1 Sol сделать в 4 раза дешевле или в 4 раза больше за аналогичную сумму. Вот в этом прорыв, а ведь никто, кроме меня не сделал столь сжатый и концентрированный расклад преимуществ новой модели. На этот всем, т.к. впереди много интересного. ▪️dots – переход от разовых поручений к длительной агентной работе. Очень крутая штука. Dots – постоянно действующие агенты на основе GPT-6 Astra, которым предлагается делегировать не только отдельный запрос, но и направление работы. Например, поддерживать материалы проекта в актуальном состоянии, отслеживать изменения требований, готовить исправления и возвращаться к человеку с результатами и решениями, требующими его участия. Агент использует память, подключённые инструменты и собственный облачный компьютер. Отличие от обычного диалога – продолжение работы между разговорами. Пользователь задаёт ответственность и границы, а не обязательно расписывает каждый следующий шаг. Общение предусмотрено через ChatGPT на компьютере и телефоне. Об этом писать можно много (отдельны материал), но это очень сильно прокаченный режим «расписания» с расширенным агентским потенциал в реальном времени, удаленным управлением и облачным размещением (непрерывная бесконечная работа). Сценариев применения очень много. ▪️Codex в облаке - обновлённый облачный процесс строится вокруг повторно используемых сред разработки: репозиториев, инструментов, настроек, разрешений, сетевого доступа. Задача получает отдельную рабочую среду и продолжает выполняться, когда пользователь закрыл компьютер. Результат можно проверить удаленно через изменения файлов, тесты и подготовленный запрос на включение изменений в проект. Также представили обновленный Codex CLI, Code Review и Codex Security Cloud. Плюс средства для разработчиков: Decisions API, Agents API с управлением интерфейсом (вот это наиболее интересно), Bedrock Managed Agents (кто хочет, может сам изучить). ▪️Отход от концепции GPTs, представленных еще в 2023 (их полностью ликвидируют в декабре 2026) к плагинам. Плагины получают более полноценные интерфейсы: приложения в боковой панели, панели рядом с диалогом, собственные настройки, просмотр и редактирование файлов, глубокие ссылки и обмен контекстом между интерфейсом приложения и моделью. Обновлены Plugin Creator, процесс подачи плагинов на рассмотрение, обратная связь разработчикам и механизмы рекомендаций. MCP Events позволяет подписываться на события внешних сервисов и запускать работу при их наступлении. Это принципиально иной механизм, чем регулярный опрос: сообщение или комментарий становится сигналом для заранее настроенного процесса.   ▪️ChatGPT Space – вероятно, одно из самых непокрытых и недооцененных обновлений. Space заменяет Library, но с другой архитектурой, объединяя файлы, страницы и рабочий корпус знаний / данных. Акцент смещается с хранения вложений на пространство, где люди и агенты могут продолжать работу над одними материалами и сохранять их контекст. До этого была непрерывная «борьба» с контекстом, чтобы при переходе в новый проект сохранить связанность с прошлым проектом (приходилось самостоятельно создавать «слепки» знаний и данных, чтобы посвятить модель в контекст в новом проекте). На компьютере и в веб-версии предусмотрены создание, редактирование и совместная работа над всем корпусом данных, который выгружается в ChatGPT Space, позволяя создавать эффективный граф связанности между всеми чатами, сессиями и проектами. ▪️Совместная работа над проектами: Pages (редактируемые рабочие, живые страницы), Teams и общие Team Tasks, ChatGPT в Slack и Microsoft Teams, Meetings, совместные слайды, публичные и рабочие профили. Все это мало интересно вне корпоративного профиля взаимодействия. Кому нужно – сам разберется. ▪️OpenAI изменили формат дорогих подписок. Раньше за 200 долларов предлагалось в 20 раз больше лимитов, чем за 20 долларов (платишь в 10 раз больше, получаешь в 20 раз больше, т.е. дисконт по лимитам в два раза). Теперь подписка за $200 будет давать только в 10 раз больше лимитов, а не в 20 раз (линейный рост), но внедрили подписку за $500, давая в 25 раз больше лимитов (линейный рост), но режиме Ultrafast, который в 6 раз дороже (!!) изначально крайне дорогой Astra и в 30 раз (!) дороже GPT-6.1 SOL, т.е. лимиты на подписке за $500 можно сжечь за несколько запросов. Странное нововведение. Что самое важное? Суперудачный релиз GPT-6.1 Sol (в 4 раза дешевле Astra при сопоставимом интеллекте), автономная длительная агентная работа в Dots, связанные данные в ChatGPT Space, переосмысление концепции плагинов, значительный акцент на облаке и совместной работе, плюс интересные инструменты для разработчиков (в основном Agents API). Тибо (благодетель в OpenAI) в очередной раз всех порадовал, предоставив бесплатный отложенный сброс лимитов.

Цифровой коллапс общества Продолжаю концептуальных анализ актуальных рисков внедрения ИИ. Ранее Ч1 и Ч2. ▪️Утрата оригинальности – вот, где «незадокументированный риск». Человеческие ошибки распределены хаотично и частично гасят друг друга – это диверсифицированный шум. Когда миллионы аналитиков опираются на 3-4 модели с похожими данными и похожей настройкой, ошибка превращается из шума в систематический и повторяемый фактор. Другими словами, кластеры интерпретации ИИ (LLMs обычно создают относительно предсказуемый градиент ответов в связи с архитектурными особенностями и циклами предобучения и посткалибровки) на основе стационарного корпуса данных создают практически идентичное «понимание картины мира» со всеми встроенными ошибками. У людей примерно также, но разница в том, что люди создают разнообразие интерпретаций из-за врожденной индивидуальности. Когда все ошибаются одинаково, используя LLMs, ошибка перестает быть видимой, накапливается и создает системный сбой, который никто не знает, как исправить, потому что не знают принципы работы «черного ящика», не хотят знать и утратили компетентность или не приобрели экспертность для того, чтобы реконструировать весь длительный, сложный и многомерный исследовательский или бизнес-процесс. При массовом следовании одинаковым рекомендациям может исчезнуть независимый опыт. ▪️Процикличный интеллект. Модель обучена на прошлом, т.е. на норме. LLMs сильнее всего там, где мир повторяется, и слабее всего там, где он ломается – в точке фазового перехода, за пределами обучающего распределения. Хвосты распределения, где живут кризисы, первыми срезает усреднение, а обучение на сгенерированном контенте срезает их еще сильнее (эффект коллапса моделей – чем больше циклов обучения, тем более сглаженная и усредненная картина мира). Получается аналог процикличного левериджа: в спокойные времена управляемость растет, в кризис обнуляется – ровно тогда, когда она нужнее всего. Не буду углубляться, я в прошлом году подробно описывал данные процессы. ИИ усиливает компетентность в норме и отнимает ее в аномалии, усиливая, а не ослабляя кризисные процессы. ▪️Разрыв конвейера экспертизы. Эксперт не появляется из ниоткуда: он вырастает из из бывшего студента, который становится стажером и годами делал рутину, ошибался и получал обратную связь. Именно рутину автоматизируют первой (студенты и начальный уровень персонала первый идет под нож), и входные позиции младшего персонала сокращают первыми. Те эксперты, которые есть сейчас неизбежно деградируют, а новых не появится или появится не в разы, а на порядки меньше. Эксперты, которые понадобятся через 10–15 лет, сегодня никто не выращивает в связи замещением низшего и среднего уровня компетенции алгоритмами и LLMs. Лаг между решением и последствием – полтора десятилетия, поэтому в статистике сигнал появится, когда исправлять будет поздно. Это также хорошо исследованная тема у меня, но требует дополнительной фиксации. Сам процесс выращивания эксперта крайне сложный, длительный и дорогой. Подробнее здесь. Все это будет нести катастрофические последствия через поколение. Износ компетенций не фиксируется нигде, но это уже происходит и усиливается вымыванием эволюционной лестницы приобретения компетенций. ▪️Кризис может возникнуть и без поломки алгоритма. Один агент сокращает закупки из-за сигнала риска. Другой принимает падение заказов за подтверждение ухудшения спроса. Третий ужесточает условия поставок, защищая собственные ресурсы. Каждый действует рационально внутри своей модели, но совместные действия усиливают провал, которого участники стремились избежать. Для этого не нужны одинаковые модели или общая ошибка в данных. Достаточно взаимных реакций, в которых защитное действие одного ухудшает положение другого. Уязвимость находится не внутри алгоритмов, а между ними. Чем быстрее решения замыкаются друг на друга, тем меньше времени остается на различение внешнего шока и кризиса, который система создает собственной реакцией. ▪️Эффективность отбора может уничтожать условия для открытий. Если ресурсы получают преимущественно проекты с предсказуемым результатом, нестандартные направления, имеющий потенциал, проигрывают до проверки своей перспективности – это известная проблема и среди людей, но более распространенная среди алгоритмов, которые стремятся к детерминированности, исключая неформализованные новые направления, не подкрепленными данными и опытом. Новое должно доказать полезность до того, как получит возможность сформировать доказательства. Система все лучше выбирает из существующего и все хуже создает то, из чего можно будет выбирать завтра. Это означает снижение потенциала будущей инновации, как бы парадоксально это ни звучало.

Когнитивная DDoS-атака В продолжении материала… Сейчас наступает момент не только «передоза» сгенерированного контента (практически весь медиа контент, новости, блоги, статьи) в потребительской среде, но и «передоз», если так можно сказать, сгенерированного инженерного, профессионального или научного контента в бизнес среде. Скорость генерации так высока, что значительно превышает теоретические пределы биологических организмов усваивать и «переваривать» весь этот контент. Это создает когнитивную перегрузку, которая на управленческом уровне приводит к генерации ошибок и дисбалансов. Эффект «взрыва мозга». Тот самый «взрыв мозга» наслаивается на эффект «черного ящика», когда люди не смогут воспроизвести цепочку создания логических связей для системы принятия решения, полагаясь на готовые ответы и решения ИИ-агентов. Это как «решать» сканворды по готовым ответам или «отвечать» на экзаменах, зная полный список ответов. Вроде бы ответил, а как получен ответ? Никто не знает. Все это рождает новый эффект безусловного отупения, вплоть до момента, когда люди потеряют способность понимать язык LLMs, т.е. мотивы, факторы и процессы сгенерированных результатов останутся не подсвеченными. Даже сохранение высококвалифицированных специалистов не гарантирует управляемость (неизбежный тренд потери экспертности), если их знания разобщены (неспособность работать в многомерных пространствах и отсутствие междисциплинарного взаимодействия), доступ к исходным данным ограничен (многие даже не смогут без ИИ воспроизвести процесс получения сырых данных), а возможности вмешательства (не понимания внутренних процессов «черных ящиков» не соответствуют масштабу автоматизированных решений (когда ИИ-агентам делегируют едва ли не все массовые решения и процессы решения бизнес задач). Локальная компетентность может сочетаться с глобальной неуправляемостью: каждый понимает свой участок, но система независимых проверок и координации уже не охватывает критические взаимосвязи. К чему это приведет? Очевидно – к управленческому (невозможность оперативно вмешаться в процесс, найти ошибку и изменить траекторию бизнес операций) и исследовательскому (невозможность грамотно сформулировать, поставить и проконтролировать задачу) параличу. ▪️ Как работает сложная система? Скрытые зависимости, переплетение компонентов, неявные обратные связи и изменения внешней среды повышают сложность сопровождения. Последующая проверка требует восстановить уже не отдельное решение, а историю построенной вокруг него системы, но невозможно эффективно воссоздать архитектуру проекта в «черном ящике». Здесь эту логику можно расширить до долга понимания – разрыва между объемом внедренных возможностей и способностью обосновать границы их безопасного, эффективно и рационального применения. Допустим, рекомендация ИИ принимается по умолчанию, тогда как для ее отклонения сотрудник должен представить альтернативный расчет (обладать подлинной экспертностью, но откуда ее взять?), восстановить источники и объяснить расхождение. Согласие становится дешевым административным действием, а несогласие – отдельным исследовательским проектом (нет ресурсов и компетенций для воспроизводства исследовательской или аналитической цепочки). ▪️ Более глубокая зависимость возникает не тогда, когда ИИ предлагает решение, а когда он определяет, что считать проблемой, какие факторы включить в анализ, какие альтернативы признать реалистичными и по каким критериям сравнивать результаты. Человеку остается выбирать внутри уже сформированной системы координат. ▪️ Качество замещается скоростью. Не все опасные последствия возникают из-за галлюцинаций и технических сбоев. Если качество работы измеряется скоростью закрытия задач, количеством подготовленных документов или вовлеченностью пользователя, улучшение этих показателей не обязательно означает улучшение содержательного результата. Например, сокращение времени рассмотрения обращения можно получить как за счет устранения лишних операций, так и за счет отказа от анализа сложных обстоятельств. Ошибка может находиться не в исполнении, а в определении успеха. Автоматизация исполнения растет быстрее независимости проверки, сохранения компетенций и возможности безопасного вмешательства. Именно это соотношение, а не объем нейрослопа сам по себе, определяет степень угрозы. ▪️ Первое поколение пользователей ИИ может опираться на знания и опыт, приобретенные до массового делегирования задач. Они способны распознать слабое решение именно потому, что раньше самостоятельно проходили весь путь его получения. Сегодняшняя эффективность частично обеспечивается запасом компетенций, который организация расходует, но перестает пополнять. Критический порог определяется не скоростью генерации, а временем до необратимых последствий. Человеку необязательно читать каждый документ или понимать каждую внутреннюю операцию модели. Принципиально другое: успевает ли система контроля обнаружить существенное отклонение, установить его источник и вмешаться до того, как последствия выйдут за допустимые пределы. Ошибка первого порядка – неверное решение. Ошибка второго порядка – разрушение способности установить, что решение неверно, и изменить порядок его принятия. ▪️ Предельный риск – не мир, в котором машина однажды откажется выполнять приказ человека. Это мир, в котором человек уже не способен обоснованно определить, какой приказ необходимо отдать, проверить его последствия и изменить решение до того, как оно станет необратимым. Проблема проявится в момент, когда потребуется не очередная оптимизация внутри существующих правил, а пересмотр самих правил. Как видно, я не расписывал мир антиутопии в формате Skynet, исключительно приземленные риски бизнес-применения.

ИИ как угроза человечеству? Слишком много этого нарратива стало в медиапространстве, и если со стороны научного и технологического сообщества, идеи несут под собой обеспечение, тогда как «вой от непосвященных» отдает традиционным потоком идиотизма. Много глупостей можно прочитать, но в основном все смотрят не туда. Предложу нестандартную гипотезу. Угроза от ИИ заключается в том, что темпы и масштаб нейро-когнитивного воздействия будут настолько огромными, что человечество потеряет способность к осмыслению и управлению информационными потоками, где воздействие ИИ будет всеобъемлющим, а логику и вектора генерации информационного потока и принятие решений на основе информации человечество не сможет адекватно «перерабатывать». Люди не только не будут успевать за действиями алгоритмов, но и не будут понимать мотивы, причины, факторы и характеристики вновь созданных процессов, спровоцированных действиями ИИ прямо или косвенно, что приведет к управленческому параличу и накоплению критических ошибок. ▪️Зависимость становится труднее обратить. Если организация или человек сокращает собственную экспертизу и мыслительные операции, перестает воспроизводить собственные офлайн-навыки, в то время как перестраивает процессы вокруг алгоритмов, возможность отказаться от них постепенно сужается, что неизбежно приводит к зависимости от ИИ-технологий как базового инструмента принятия решения. Другими словами, без ИИ человечество утратит способность мыслить и действовать самостоятельно – тактическое отупение. ▪️Управленческий паралич. Увеличение скорости обработки информации идет кратно быстрее способности эту информацию осмыслять, что приводит к потере способности понимать фундаментальные характеристики процессов, графы зависимостей и причинно-следственные связи, утрачивая способность оценивать, куда ведут те или иные действия. Это приводит к стратегическому отупению – невозможности понимать причины и вектора возникающих процессов. Паралич проявится позже, когда потребуется пересмотреть основания работы, локализовать накопленные ошибки или выйти из неудачной траектории. Чтобы изменить траекторию, нужно понимать причины и уязвимости, структурные дисбалансы и моменты фазовых переходов, но в отсутствие понимания происходящего отсутствует потенциал к развитию навыков кризисного противодействия, что усиливает хрупкость системы. ▪️Накопление ошибок становится скрытым, а их последствия – связанными. Ошибочный вывод может попасть в отчет, из отчета – в план, из плана – в систему принятия решений. Следующая система будет воспринимать его как исходную реальность. В таком сценарии опасен не только процент ошибок, но и число зависимых от ИИ решений, глубина их распространения и задержка обнаружения. Чтобы понять и оценить дисбалансы, нужно обладать экспертностью, что будет отсутствовать у человечества. ▪️Утрата операционного контроля. Не имеет значения, кто занимает место оператора системы – человек или ИИ-агент. Сначала машина производит информацию, затем отбирает значимую, систематизирует и объясняет ее, предлагает решение и оценивает результат. Если эти функции (от сбора информации до итоговых отчетов и плана принятия решений) замыкаются на зависимых друг от друга системах, проверка перестает быть независимой. Человек формально сохраняет последнее слово, но содержание этого слова уже подготовлено внутри того же алгоритмического контура. Тот самый оператор системы, который должен контролировать ИИ, будет сам опираться на решения ИИ, это и есть вход в матрицу. ▪️Ну и главный риск. Несовместимость скорости обработки информации и когнитивной глубины. Уже скоро наступит момент, когда человечество утратит способность перерабатывать и осмыслять нейрослоп с одной стороны (генерация ускоряется по экспоненте, а способность к проверке и осмыслению обвально снижается, как из-за отупения общества, так и из-за пределов способности обработки информации) и потеряет способность понимать первопричину выработки траектории системы принятия решений от ИИ, утрачивая контроль над всей цепочкой кристаллизации операционного и стратегического плана. Люди не будут понимать, как было получено какое-либо решение – по сути, когнитивная DDoS-атака.

Развивать бизнес в ситуации неопределенности непросто. Меняется спрос, растёт стоимость ресурсов, необходимо корректировать планы, а решения, которые ещё вчера казались очевидными, сегодня требуют совершенно других подходов. В такой ситуации предпринимателю недостаточно просто осваивать новые бизнес-инструменты. Важно понять, что именно делать со своим бизнесом сейчас: где искать точки роста, от чего отказаться, что перестроить и на чём сфокусироваться. С такими запросами предприниматели приходят на программу «СКОЛКОВО Практикум». В центре программы — не абстрактные бизнес-кейсы, а собственный бизнес. За шесть месяцев предприниматели разбирают реальные вызовы своих компаний, проверяют гипотезы, обсуждают решения с экспертами и другими собственниками и формируют индивидуальный сценарий развития. А главный результат — переход из роли «спасателя бизнеса» в позицию стратега, который готов пересобрать компанию на новом уровне.

За 13 лет программа объединила более 1500 предпринимателей. 85% выпускников отмечают рост выручки уже в первый год после программы, а 55% открыли новое направление бизнеса.

🗓Ближайший поток стартует 5 октября. ❗️Свободно 4 места Если бизнес уперся в потолок, а вы закопались в бесконечной операционке, то ➡️Оставляйте заявку на «Практикум. СКОЛКОВО»

Структура рынка LLMs Проанализировал статистику OpenRouter – собрал более 450 моделей (там нет национального и модельного среза, поэтому агрегацию пришлось делать самому), вышедших с января 2025 (почти 100% всего трафика в системе), что позволит понять распределение предпочтений в сегменте ИИ. Все выводы относятся к наблюдаемому потоку OpenRouter, а не ко всему мировому рынку LLM. Страна означает происхождение разработчика, а не пользователей или серверов. Пока без графиков. Я устал править кривой ТГ, уничтожающий все форматирование. Нет ответа, почему руки из задницы растут по элементарным функциям. 🔘Экспоненциальный рост потребления токенов. Недельный поток увеличился с 4.9 трлн токенов в середине сентября 2025 года до 128.9 трлн в сопоставимую неделю 2026 года, т.е в 26.2 раза. 🔘География разработчиков практически двухполюсная: Китай и США занимают почти всё пространство. За 26 июля – 23 сентября на китайские модели приходится 63.75% токенов, на американские – 34.70%, вместе 98.45%. Всем остальным странам и неустановленным разработчикам остаётся 1.55%. 🔘Китайское доминирование стало устойчивым форматом, а не кратковременным эффектом отдельного релиза. В недельной истории китайские разработчики опережают американских 16 полных недель подряд, начиная с 1 июня, а долю выше 50% удерживают 12 недель подряд, начиная с 29 июня. Главный признак структурного перехода здесь – не максимальная доля, а продолжительность сохранения нового соотношения сил. 🔘Доминирование по токенам не означает такого же доминирования по количеству обращений. За весь 60-дневный период Китай обеспечил 46.6% запросов, США – 50.3%, несмотря на почти двукратный китайский перевес по токенам. Средний запрос к китайским моделям содержит около 29 тыс токенов против 14.6 тыс у американских: существенная часть разрыва связана с токеноёмкостью использования, а не с числом обращений. 🔘Американские модели теряют относительный вес, но на месячном горизонте их использование продолжает быстро расти. Между сопоставимыми 28-дневными окнами американский поток токенов увеличился на 43.7%, китайский – на 51.1%. 🔘Последняя неделя показывает более жёсткую ротацию: за 17–23 сентября китайский поток увеличился на 15.6%, американский сократился на 14.7%, доли составили 68.4% и 29.2% соответственно. 🔘После исключения кэша китайское преимущество сохраняется, но становится значительно скромнее. В потоке без кэшированного входа доли Китая и США за 60 дней составляют 50.4% и 46.1% вместо 63.75% и 34.70% в общем счётчике. При этом Китай обеспечивает около 60% выходных токенов. 🔘Объяснение китайского большинства исключительно бесплатностью не подтверждается. После исключения вариантов с пометкой free и известных анонимных бесплатных предварительных версий доля Китая не снижается, а увеличивается до 67.2% за весь период и 72.6% за последнюю неделю. 🔘Сотни доступных моделей сосуществуют с крайне узким распределением использования. За последнюю неделю крупнейшие 5 моделей обеспечили 51.6% токенов, крупнейшие 20 – 80.4%. 🔘Почти весь дополнительный поток достаётся четырём разработчикам. Tencent, OpenAI, Z.ai и DeepSeek обеспечили 87.0% чистого прироста токенов между сопоставимыми 28-дневными окнами. 🔘Китайская тройка уже существенно масштабнее американской тройки по наблюдаемому потоку. DeepSeek, Z.ai и Tencent за последнюю неделю суммарно обеспечили 56.6% токенов, тогда как OpenAI, Google и Anthropic – 20.7%. Разрыв составляет примерно 2.7 раза. 🔘Даже сильный месячный результат не гарантирует сохранения текущего импульса. OpenAI увеличила поток на 105.6% между 28-дневными окнами (это эффект Luna и демпинга в 10 раз), но в последнюю неделю потеряла 32.5% относительно предыдущей. 🔘Китайский успех не означает успеха каждого китайского разработчика. За сопоставимые 28-дневные окна Tencent выросла на 119.5%, Z.ai – на 83.4%, тогда как Xiaomi сократилась на 8.9%, MiniMax – на 18.2%. Национальный агрегат скрывает сильную внутреннюю конкуренцию. 🔘Новые поколения LLMs практически всегда приводят к снижению использования предшественника. Tencent Hy4-preview (в группе лидеров) получила 52.65 трлн токенов за последние 28 дней, одновременно Hy3 потеряла 14.38 трлн относительно базового окна, хотя стоимость между ними различается в разы в пользу дорогой Hy4. 🔘Рост имеет два источника: больше обращений и больше токенов внутри каждого обращения. Совокупный поток за последние 28 дней увеличился на 49.8%, число запросов – на 30.9%, средняя токеноёмкость запроса – на 14.4%. В арифметической декомпозиции примерно две трети прироста связаны с количеством обращений и одна треть – с их увеличившимся объёмом. 🔘Токенный поток уже способен расти при сокращении обращений и выходной генерации. За последнюю неделю токенов стало больше на 4.7%, запросов меньше на 3.5%, выходных токенов меньше на 1.8%; кэш обеспечил 96.3% прироста общего потока. 🔘Дорогие модели – узкий сегмент использования, а не основа токенной экспансии. На класс с выходной ценой от 20 долл приходится 2.88% токенов и около 1.1% запросов за последние 28 дней. Его вклад в общий прирост токенов составляет лишь 0.44%: основное расширение платформы происходит далеко от верхней ценовой границы. 🔘В дорогом сегменте Anthropic заметно масштабнее OpenAI по накопленному потоку. Anthropic обеспечивает 73.2% дорогих токенов, OpenAI – 26.8%. 🔘Массовые модели – не дополнение к флагманам, а основа наблюдаемого использования. На ненулевые тарифы до 5 долл за миллион выходных токенов приходится 82.6% потока, вместе с бесплатными вариантами – 90.6%. Эти две группы обеспечили 97.1% чистого прироста между сопоставимыми окнами: расширение использования происходит почти целиком в нижней части ценовой шкалы. 🔘Китайская структура использования значительно сильнее смещена к низким тарифам. Около 95.1% токенов китайских моделей приходится на ненулевые выходные тарифы до 5 долл, у американских моделей – 59.8%. 🔘Две китайские Flash-модели уже концентрируют больше четверти всего недельного потока. GLM-5.3-Flash и DeepSeek V4.1-Flash вместе обеспечили 28.6% токенов за последнюю неделю.

Любопытные нюансы релиза Opus 5.5 Значимые релизы флагманских моделей всегда исследую «с карандашом», т.к. именно они определяют ход технологического прогресса в индустрии, на которую завязаны десятки триллионов капитализации, триллионы капитальных расходов и ожидания технологической сингулярности. Без графиков, т.к. пост займет очень большой объем для формата ТГ (плюс ломается форматирование и приходится точки ставить после абзацев). Сами графики есть в релизе и системной карте. 🔘Частичное решение проблемы ограниченного контекстного окна. Ранее неоднократно писал, что архитектура современных LLMs не позволяет наращивать контекстное окно в связи с экспоненциально растущей сложностью. Оптимальный рабочий вариант практически у всех моделей – 1 млн токенов, где задача ведется в двух направлениях – повышение стабильности контекстного окна, чтобы на всей ширине контекста было безошибочное воспроизведение фактов, данных и цепочки рассуждений (еще в середине 2025 флагманские модели при расширении контекста сильно выше 100 тыс токенов экспоненциально наращивали плотность галлюцинаций). Второе направление – кэширование и интеллектуальная компрессия контекста. Главная проблема длинных задач теперь выглядит так: сможет ли модель через сотни действий сохранить правильное представление о состоянии проекта, не потеряв ключевые ограничения и ранее сделанные выводы. Поэтому важнее самого окна становится механизм сжатия накопленной истории и сохранения наиболее значимых элементов состояния задачи. Заявлено, что достигнут существенный прогресс в этом направлении, что предопределяет способность к длительной работе над проектами, в том числе на примере, что Anthropic приводит примеры непрерывной работы модели более 18 часов с несколькими репозиториями. 🔘Оказывается, Opus 5.5 регулярно скидывает в «откаты», как серия моделей Fable. API Opus 5.5 фактически представляет собой составную систему из нескольких моделей и управляющих компонентов. При срабатывании классификатора безопасности запрос может быть автоматически перенаправлен: – в Opus 4.8 для некоторых задач кибербезопасности; – в Opus 5 для биологических и отдельных пограничных задач искусственного интеллекта. Пользователь при этом может видеть работу Opus 5.5, хотя часть вычислительной работы выполняет другая модель. Это создает серьезную методологическую проблему для независимого тестирования и для фактического использования, т.к. остается неясным, какой объем работы был выполнен более слабой моделью. 🔘Существенно улучшена устойчивость к нарушению ограничений. Anthropic провела примерно 2 тыс сценариев для анализа некорректного или обманного поведения. Opus 5.5 показал лучшие результаты компании по большинству показателей согласованности поведения и честности. На специальном тесте преодоления границ изолированной среды модель предпринимала попытки нарушить ограничения примерно на 85% реже, чем Opus 5 и Mythos 5.1. Отсюда основные направления тестирования: ● Выход за пределы разрешенной среды; ● Самостоятельное выполнение необратимых действий; ● Устойчивость к prompt injection, т.е. к скрытому внедрению вредоносных инструкций для обхода ограничений; ● Поведение на длинных автономных траекториях; ● Кибербезопасность; ● Биологические риски; ● Автоматизация исследований в области искусственного интеллекта; ● Контроль и мониторинг длительной агентной деятельности. 🔘Anthropic прямо отмечает, что Opus 5.5 нередко способен распознавать ситуацию, в которой его оценивают, что позволяет модели «скрывать намерения», следуя по безопасной траектории с потенциально неясными мотивами. 🔘В одном из исследовательских тестов модель обнаружила ошибку типа off-by-one в самой инструкции проверяющей системы и сознательно выбрала фактически правильное решение, хотя понимала, что формально может потерять баллы. Это редкий пример роста интеллектуальной самостоятельности, а не простой дисциплины следования инструкции. Другими словами, Opus 5.5 в зависимости от «мотивации» может изолировать пользовательские инструкции, если считает их ошибочными в рамках достижения цели. Потенциально – это опасная траектория, но тактически – это огромный интеллектуальный рывок, позволяющий автоматически корректировать траекторию более изящным образом, чем предполагают человеческие инструкции. 🔘Во внутреннем исследовательском тесте Anthropic 16 из 18 отчетов Opus 5.5 прошли крайне жесткую проверку на вымышленные цифры и источники, тогда как Fable 5.1 и Opus 5 не прошли ни одной попытки. Поскольку тест внутренний, переносить результат напрямую на реальные исследования нельзя, но направление заслуживает внимания. 🔘Отмечается трехкратное снижение расхода токенов и сокращение многословности примерно на 40% без ухудшения точности. Дело в том, что исторически модели Claude отличались избыточной прожорливостью и иррациональной многословностью. Сейчас более лаконичны и функциональны. Opus 5 уже достаточно хорошо рассуждал, планировал и проверял себя. Opus 5.5 значительно лучше организует собственную работу, что предполагает в соответствии с тестами: ·  сокращение числа действий в некоторых сценариях более чем вдвое; ·  существенно меньший расход токенов; ·  более эффективное использование инструментов; ·  более сильная самопроверка; ·  приближение к уровню Fable 5.1 и даже прирост производительности в сверхсложных задачах при значительно меньшей стоимости. Opus 5.5 – резкое повышение качества исполнения длинной последовательности действий и эффективности использования вычислительного бюджета. Наиболее интересный вывод выходит далеко за пределы конкретного релиза. Похоже, следующий резерв масштабирования LLM находится уже не только в увеличении размера модели или числа токенов размышления, а в оптимизации самой траектории решения задачи: меньше ошибочных ветвей, меньше повторений, лучше распределение вычислений, более устойчивое состояние задачи и более качественная обратная связь с внешней средой. По косвенным признакам, у меня есть подозрение, что Opus 5.5 является дистиллированной версией Fable или Mythos (дата отсечки обучения в июне 2026, аналогичные откаты, схожая архитектура).

Т-Банк размещает облигации «Кредитный поток 7.0» с рейтингом eAAA (ru.sf). Бумаги обеспечены портфелем потребительских кредитов. Ожидаемая доходность — до 17,79%. Подать поручение на участие можно до 25 сентября, 15:00 мск, в приложении Т-Инвестиций. Комиссия за участие в первичном размещении — 0%.

📈 Как проанализировать компании для инвестиций с ИИ Перед покупкой акций хочется понять, на чём компания зарабатывает, что происходит с прибылью и сколько у неё долгов. Но на изучение отчётности каждой интересной компании не хватает времени: нужно собрать показатели, сравнить их с прошлым годом и разобраться в примечаниях. Эту работу можно поручить Искре, российскому ИИ-агенту для работы с документами и данными. Доступен без VPN и зарубежных карт. Загрузите два полугодовых отчёта одной компании за этот и прошлый год и дайте задачу: «По этим документам кратко объясни, на чём зарабатывает компания. Сравни выручку, операционную и чистую прибыль, денежный поток от операционной деятельности и долг. Собери таблицу с изменениями год к году, единицами измерения и страницами-источниками». Полученная сводка поможет понять, как изменились результаты компании, сопровождается ли прибыль денежным потоком и что происходит с долгом. Тариф Старт бесплатный. Если упрётесь в лимит, промокод SPYDELL30 в настройках оплаты даёт 30 дней Pro: обычная цена 1 990 ₽/мес. Акция действует до 22 октября. Начните с отчётности компании, акции которой давно рассматриваете к покупке. 👉 Попробовать Реклама. ООО «Искра», ИНН 1685025044, erid: 2SDnjbxEVsH