Сім сигналів, щоб зрозуміти AI цього тижня: витоки моделей, двигуни коду, управління персоналом

Автор: Тара Тан / StrangeVC

Переклад: ShenChao TechFlow

ShenChao огляд: У цьому випуску тижневика надзвичайно висока щільність, сім незалежних сигналів охоплюють найважливіші тенденції в індустрії AI.

Найбільш варте уваги: Anthropic випадково розкрив деталі нового моделі з внутрішнім кодовим іменем “Capybara” через помилку в конфігурації CMS, яка розташована вище за Opus.

Текст повністю:

Протягом останніх кількох місяців ми, безумовно, перетнули якийсь агентний поріг. Будівництво, яке раніше потребувало чотирьох-шести тижнів, тепер займає менше п’яти хвилин. Шість місяців тому аналогічне завдання все ще займало одну-дві години з великою кількістю налагоджень.

Це досить значна зміна стану, яку ми, можливо, ще не повністю засвоїли. Обвал відстані між ідеєю та функціональним продуктом перепише всю індустрію. Це стрибок у змінах інструментів, які люди використовують для будівництва, створення та вирішення проблем.

У зв’язку з цим, OpenClaw з моменту покупки OpenAI став помітно стабільнішим. У нього є чіткий шлях до того, щоб стати одним з найважливіших проектів з відкритим кодом у сфері AI.

Переходимо до змісту цього тижня.

Розкриття Claude Mythos від Anthropic виявляє новий рівень моделі

Anthropic через помилку в конфігурації CMS випадково розкрив деталі неопублікованої моделі під назвою Claude Mythos. Розкритий проект описує новий рівень “Capybara”, розташований вище за Opus, з значними проривами в програмуванні, розумінні та кібербезпеці. Anthropic підтвердив, що тестує цю модель на ранніх клієнтах, називаючи її “стрибком змін” та “найпотужнішою моделлю, яку коли-небудь створювали”. (Fortune, The Decoder)

Чому це важливо: Окрім самої моделі, варто звернути увагу на дві речі. По-перше, розкритий проект попереджає, що кібербезпекові можливості цієї моделі “значно перевищують будь-які інші AI моделі”, що сприяло зростанню акцій у сфері кібербезпеки в один день. По-друге, введення четвертого рівня моделі (Capybara розташований вище за Opus) свідчить про те, що Anthropic створює простір для ціноутворення для корпоративних клієнтів, а не лише для тестування продуктивності.

Claude Code стає основним двигуном зростання Anthropic

Claude Code наразі становить близько 4% всіх публічних комітетів GitHub і очікується, що до кінця року цей показник перевищить 20%. Загальна річна норма доходу Anthropic оцінюється в 14 мільярдів доларів, а річна норма доходу Claude Code становить приблизно 2,5 мільярда доларів. Використання цього інструменту розширилося від розробників до не технічних користувачів, які вивчають командний рядок, щоб створювати проекти. (SemiAnalysis, Uncover Alpha, VentureBeat)

Чому це важливо: Claude Code через органічне прийняття розробниками зменшує витрати на залучення клієнтів до майже нуля. Розширення через Cowork до не розробницьких ролей значно розширює ринок, виходячи за межі 28 мільйонів професійних розробників у всьому світі.

Препринт Cheng Lou: текстове оформлення без CSS

Cheng Lou є одним з найбільш впливових UI інженерів останнього десятиліття (React, ReasonML, Midjourney), він випустив Pretext, алгоритм вимірювання тексту на чистому TypeScript, який повністю обходить CSS, DOM-вимірювання та перерозподіл браузера. Демонстраційні результати включають: віртуалізоване рендеринг десятків тисяч текстових полів з частотою 120 кадрів на секунду, стислі чат-бульбашки без витрат на пікселі, адаптивні багатоколонкові макети журналів, а також ASCII-арт з змінною шириною. (X post)

Чому це важливо: текстове оформлення та вимірювання завжди були невидимими вузькими місцями для нової генерації UI. CSS призначений для статичних документів, а не для нині домінуючих рідинних, AI-генерованих, реальних інтерфейсів. Якщо Pretext виправдає демонстраційні результати, він усуне останні основні обмеження в зовнішньому вигляді та досвіді AI нативного інтерфейсу.

Arm вперше за 35 років випускає власні чіпи

Arm випустила AGI CPU, 136-ядерний процесор для дата-центрів, розроблений спільно з Meta на базі технології TSMC 3nm. Це вперше в історії компанії продаж готових чіпів, а не ліцензованого IP. OpenAI, Cerebras та Cloudflare стали першими партнерами, масові поставки очікуються до кінця року. (Arm Newsroom, EE Times)

Чому це важливо: Поточні AI дата-центри переважно використовують GPU. GPU відповідають за навчання і запуск моделей, тоді як CPU в основному обробляє потоки даних і планування. Але агентні робочі навантаження відрізняються. Коли тисячі AI агентів працюють одночасно, кожен координуючи завдання, викликаючи API, керуючи пам’яттю і маршрутизуючи дані між системами, ці завдання накладаються на CPU. Arm стверджує, що це призведе до збільшення попиту на CPU на 4 рази на кожен гігават дата-центрів. (HPCwire, Futurum Group)

NVIDIA та Emerald AI перетворюють дата-центри на активи електромережі

NVIDIA та Emerald AI оголосили про створення альянсу з AES, Constellation, Invenergy, NextEra та Vistra для будівництва “гнучкої AI фабрики”, яка буде брати участь у балансуванні електромережі шляхом регулювання обчислювальних навантажень. Перше підприємство Aurora знаходиться у Манасасі, штат Вірджинія, і відкриється в першій половині 2026 року. (NVIDIA Newsroom, Axios)

Чому це важливо: Найбільшим вузьким місцем для розширення AI інфраструктури є не чіпи, а терміни доступу до електромережі, більшість регіонів потребують 3-5 років. Дата-центри, які можуть продемонструвати гнучкість електромережі, можуть отримати доступ швидше, з меншими регуляторними перешкодами. Це переосмислює енергетичну пропозицію для інвесторів в AI інфраструктуру: переможний аргумент полягає не в “більшій потужності”, а в “розумнішій потужності”.

Китай обмежує виїзд керівників Manus AI

Китайська влада обмежила виїзд генерального директора Manus Сяо Хуна та головного науковця Цзі І Чао після того, як Meta придбала цю AI стартап-компанію, зареєстровану в Сінгапурі, за 2 мільярди доларів. Міністерство розвитку та реформ цього місяця викликало двох керівників до Пекіна та запровадило обмеження на подорож під час регуляторного розслідування. (Reuters, Washington Post)

Чому це важливо: Це не торгові обмеження, а обмеження на персонал. Китай може подавати сигнал: AI таланти з материковим фоном є контрольованими активами незалежно від місця реєстрації компанії.

400 мільярдів параметрів великої моделі працюють локально на iPhone 17 Pro

Проект з відкритим кодом під назвою Flash-MoE продемонстрував велику модель змішаних експертів з 400 мільярдами параметрів, яка повністю працює на пристрої, використовуючи чіп A19 Pro iPhone 17 Pro, здійснюючи потокову передачу ваг через SSD до GPU. Модель (Qwen 3.5-397B, 2-бітна квантизація, 17 мільярдів активних параметрів) працює зі швидкістю 0,6 токена за секунду та має 5,5 ГБ вільної пам’яті. (WCCFTech, TweakTown, Hacker News)

Чому це важливо: Це концептуальне підтвердження, а не продукт. Модель з 400 мільярдами параметрів може працювати на телефоні з 12 ГБ пам’яті, оскільки в будь-який момент активна лише мала частина моделі (змішані експерти), а решта передається на вимогу з вбудованого SSD телефону, а не постійно в пам’яті. Але застосування тієї ж технології до значно менших моделей — наприклад, 7 мільярдів або 14 мільярдів параметрів — на наступному поколінні швидших мобільних чіпів дозволить повністю працювати AI на пристрої, без потреби у хмарних сервісах.

AI агент самостійно завершив цілий ряд експериментів з фізики частинок

Дослідники MIT опублікували фреймворк, названий JFC (Just Furnish Context), який демонструє, що LLM агент, створений на основі Claude Code, здатний самостійно виконувати повний потік аналізу високих енергій: відбори подій, оцінка фону, кількісна оцінка невизначеності, статистичне висновування та написання статей. Ця система працювала на відкритих даних з детекторів ALEPH, DELPHI та CMS. (arXiv 2603.20179)

Чому це важливо: Це одне з найчіткіших демонстрацій того, як агентний AI може автоматизувати наукові робочі потоки кінцевого до кінця в областях з високими методологічними вимогами. Пряме інвестиційне значення вказує на повторний аналіз залишкових наборів даних у фізиці, геноміці та матеріалознавстві — десятки років архівних даних досі не були повністю досліджені.