Gemini 4 Argon. Анонс є, у людей нема. Після довгої паузи Google показала 1 жовтня свій новий флагман: на замірах рівень SOTA в коді та захисті. Але доступу нема, поки лише уряд США і обрані тестувальникі. https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/

Mistral Large 4 (Le Chonk). Перший їхній випуск за довгий час, але до SOTA моделей ще далеко, відстає десь на пів року, а то і більше. Поки дають лише платний доступ через API, а відкриті ваги обіцяють на кінець місяця. Vibe CLI для коду й досі стоїть на Medium 3.5 і Devstral 2 / Codestral, а Large 4 лише виклик через API. https://mistral.ai/news/mistral-large-4

OpenAI DevDay 2026 — що показали для кодерів
https://openai.com/index/devday-2026-recap/
GPT-6.1 Sol — головна модель для коду. Майже рівень Astra в коді і в роботі з комп'ютером, за п'яту частину ціни, але не можна зовсім вимкнути роздуми, найнижчий рівень — low. Вже стоїть як початкова в Codex і в Work. https://openai.com/index/introducing-gpt-6-1-sol/

Ultrafast — платний швидкий рівень. До восьми разів швидша віддача в Codex, до шести разів в API, до трьохсот частин за секунду. Astra Ultrafast вже доступна, Sol Ultrafast — скоро. Під це новий Pro 500 тарифний план.

Sign in with ChatGPT — можна витрачати свій план в партерских сервісах, серед яких Devin, Vercel, Notion.

Покращення Codex: робота в хмарі з ноута чи телефона, спільні середовища для команди, оновлений CLI з голосом, видом /agents, деревцями роботи і кращим гортанням довгих сесій. Окремо — перегляд змін в застосунку і Codex Security Cloud для перевірки сховищ і нових вливів з готовими правками.

OpenAI відкрила Decisions API на GPT-6 Luna й це пряма відповідь на Jev від TypeSafe - не розмова, а швидка відповідь: наскільки твердження правдиве, що вибрати з переліку, як оцінити за міркою. Працює вдесятеро швидше за звичайну відповідь через Responses API. На відміну від Jev Decisions API розуміє і зображення, стоїть на повноцінній GPT-6 Luna, тому краще тримає складні випадки, але дорожча. https://developers.openai.com/api/docs/guides/decisions

Claude Sonnet 5.5 та Haiku 5.5
Sonnet 5.5 вийшов 28 вересня, Haiku 5.5 — 7 жовтня. Sonnet 5.5 — для щоденної роботи з кодом, Haiku 5.5 — йому в поміч на дрібницях.

Sonnet 5.5 в деяких випробуваннях з комп'ютером і в терміналі, навіть обганяє старшого Opus 5.5, але в анонсі його цифри в бенчах наведені з режиму Max, який значно більше витрачає токенів й в цілому не рекомендований для повсякденного використання. https://www.anthropic.com/claude-sonnet-5-5

Haiku 5.5 іноді не поступається Sonnet 5.5, добре стискає розмови, шукає потрібне в купі записів, чистить сміття перед великою моделлю. Поки розмова коротка, ціна нарівні з GPT-6 Luna, а далі стає значно дорожче. https://www.anthropic.com/claude-haiku-5-5

В Claude Code короткі назви sonnet і opus тепер ведуть на 5.5. Є спосіб opusplan: задум складає Opus, а виконує Sonnet. Помічників радять тримати на Haiku: розвідка, стиснення, перший перегляд змін.

#claude #sonnet #haiku #openai #sol #codex #mistral #opensource #decisions #jev

Десктопний DeepSeek Harness
https://www.deepseek.com/en/harness/
Тепер в public preview worldwide і open source під MIT, на архітектурі Cordis “everything is a plugin”. Десктоп поки тільки macOS Apple silicon і Windows 64-bit, по суті Electron-обгортка над повним dsh Web. Працює з купою провайдерів включно з локальними: Settings → Models, величезний дропдаун плюс таб custom model API з base URL, протоколом і ключем.

Ставиться буквально в кілька кліків: скачав dmg/exe, залогінився, налаштування і воркспейси підтягуються, нічого не губиться. По ходу сетапу є вибір профілю — офісні задачі чи код — і рівень деталізації відповідей. З коробки вміє повсякденну рутину, код, ресерч з цитатами, фонові таски за розкладом і прев'ю результатів прямо в сесії.

Таб Trajectory
На сайті окремо підсвічують Developer tools: в реальном часі видно повний трейс виконання — системний промпт, ходи, тул-колли, пейлоади, схеми, таймінги. Саме це люди називають головною фішкою проти інших харнесів: транскрипт як backbone продукту, append-only дизайн контексту без кеш-багів, двосторонній зв'язок з субагентами.

Пресети агентів
В Settings → Agent можна обрати окрім Standard ще PTC / Minimal / Creator mode. PTC mode — включає все зі Standard, але тулзи віддаються через Code Mode MCP/SDK щоб модель пакувала батчі викликів в одну TypeScript-програму і там же фільтрувала, дедуплікувала, рахувала і підсумовувала, зручно для дата-хеві і механічних багатоходівок. Minimal mode — тільки термінал плюс редактор, для тестів і порівняння базової продуктивності, мінімум контексту на опис тулзів — більше місця під задачу, швидше і дешевше. Creator mode — через розмову кастомізує сам DSH: пише плагіни під фічі чи UI, комбінує тулзи і промпти щоб зібрати свій мод.

Все - плагін
https://github.com/topics/dsh-plugin
Логіка та сама: ставиш плагіни або просиш в чаті в Creator mode написати плагін під себе, і він же його ставить і верифікує. Приклади з треду: dsh-zoom на cmd +/- бо з коробки ліміт шрифту 17, дзвінок по завершенню таски, RSS-агрегатор з 30 джерел за менше ніж 50 центів. На топіку вже 17 тис. репозиторіїв! Мінус цієї гнучкості (про який люди пишуть) коли core теж плагіни, щоб підкрутити поведінку доводиться тягнути 25 даунстрім-патчів.

https://www.youtube.com/watch?v=Zdcx_VHAREI

Відео на YouTube: https://www.youtube.com/watch?v=Zdcx_VHAREI

Creator Mode сам пише плагіни з одного промпту — на демо збирає Pomodoro-таймер за пару хвилин і одразу кладе в plugin manager, плюс показує слайди/веб-сторінки з нотаток за раз, scheduled tasks на кшталт саммарі щоп'ятниці і установку ком'юніті-плагінів по імені в пару кліків з дотюнінгом чужого під себе, а V0.2 подає як повноцінний менеджер плагінів, більше опцій під себе і два шляхи старту — десктоп Mac/Win або Node однією командою.

Обговорення
https://news.ycombinator.com/item?id=49929489
Зробили Electron замість нативу, сміття ~/.dsh в хомці замість ~/Library/~/.config, сторонні плагіни як вектор для малварі, фейковий сайт deepseekharness.io що SEO-шиться вище офіційного. Частина боїться що paid API не дає opt-out з трейнінгу. Хвалять cordis як потенційний emacs серед харнесів для довгоживучих агентів, легкість і швидкість.

Топ-комент про те, що десктоп включає телеметрію за замовчуванням (це не доведено, це просто коментар), тоді як dsh web тільки явний фідбек, то каже лікується через правку конфігу cordis.patch.yml з ключами desktop-product-telemetry, product-analytics і session-log-deepseek: enabled: false.

Мені дали бонус You've received a CNY 6 bonus credit, valid until October 11, 2026, 3:59 PM Beijing Time. Схоже роздають щоб поганяти десктоп-прев'ю, це може пояснювати включення телеметрії. Після перших моїх тестів справляє позитивне враження.

#deepseek #dsh #harness #desktop

Pi нарешті реліз
https://earendil.com/posts/pi-1-0/
1 жовтня Earendil викотив Pi 1.0: перехід з 0.99 в 1.0 це сигнал що ядро стабільне, ліцензія MIT. За словами команди Pi юзають сотні тисяч людей щотижня. В релізі нова TUI-тема і fullscreen за замовчуванням.

Jev-роутер. Демо тут як Pi сам собі пише екстеншен з віртуальною моделлю router/auto — планує на Claude Opus, а імплементить на GPT-6 Luna, а класифаєр Jev вирішує коли перемикатись. /session потім розкладає ціну по фізичних моделях і кеш.

Віртуальні моделі реєструються через pi.registerVirtualModel(), в футері видно реальну роучену модель.

Чому взяли MCP в ядро
https://earendil.com/posts/you-said-no-mcp/
В минулому на pi.dev висіла горда плашка No MCP. Тепер MCP додали, пояснили в окремому пості You Said No MCP! Причини три:

• MCP змінився за рік в кращій бік і став більш stateless
• звичайному MCP-екстеншену не вистачало метаданих щоб вирішити чи тулза видна моделі, чи тільки з коду
• пісочниця-інтерпретер все одно була потрібна для Jev і image-моделей

Codemode — як саме включили MCP
https://pi.dev/docs/latest/codemode
Codemode це JS-сендбокс QuickJS на стороні харнеса, а не там де біжить bash. Модель замість сотні викликів по одному пише скрипт, викликає тулзи паралельно і фільтрує сміття до повернення в контекст. Вмикається сам коли налаштований MCP, або через defaultTools: ["+codemode"]. Кожен MCP-тул це mcp__сервер__тул, exposure на вибір: codemode за замовчуванням, deferred через tool_search, direct, hidden.

Обговорення на Hacker News
https://news.ycombinator.com/item?id=49906637
https://news.ycombinator.com/item?id=49926069
Обидва пости виходили в топ HN з сотнями коментів. Обговорення поділилось: одні хвалять — маленький початковий промпт залишає більше контексту самій моделі, а Codemode цікавий. Інші кажуть — це суперечить ідеї мінімалізму, і рахують зайвих 450 тис. рядків коду і понад десяток прямих залежностей. У відповідь розробники пояснюють: мінімалізм Pi не в розмірі коду, а в 4 базових інструментах — читання, запис, правка і шел — решта добирається розширеннями.

Окремо виліз практичний нюанс: працівник Figma підтвердив, що їх MCP-сервер приймає лише клієнтів зі схваленого списку, і Pi туди не входить й в цілому тому що багато хто блокував OpenClaw від цього страждає Pi на якому той побудований.

Pi Durable — окремий експеримент для довгоживучих агентів
https://earendil.com/posts/pi-durable/
Щоб не роздувати кор, довгоживучість винесли в окремий пакет Pi Durable. Розділення: Pi coding agent це одна людина в одному терміналі, помер процес — сам глянув і продовжив, а Durable це harness для агентів що біжать будь-де, переживають краш, доступні з різних поверхонь і декільком юзерам. Кожен крок це таск з чекпоінтом, exactly-once submit через requestId, форки розмов без копіювання, ownership tree, документи стану поруч з транскриптом, compaction у фоні, live steering з будь-якого клієнта.

#piagent #pi #mcp #codemode #virtualmodels #jev

Grok 4.7. Модель довше працює над складним завданнями, краще перевіряє себе і тримає довгий контекст, плюс її натренували розуміти власний Grok Bot harness.

GPT-6 Sol та Luna. Швидкий і дешевий рівень для заміни родини GPT-5.6. Sol і Luna разом закривають саме ціново-чутливий сегмент, тоді як Astra залишається топовою і найдорожчою моделлю OpenAI.

Claude Opus 5.5. Найкраща на сьодні модель. Наступник Opus 5 від Anthropic: за словами компанії, на більшості задач він виходить на рівень дорожчої Fable 5.1, але обходиться на 40% дешевше. Sonnet 5.5 і Haiku 5.5 обіцяють «найближчими тижнями».

Step 5 Preview
https://www.stepfun.com/step-5-preview
20 вересня китайська StepFun показала свій новий флагман для агентної роботи: MoE на 600B параметрів загалом і 27B активних. За їх тестами сильний software engineering, виший за рівень Kimi K3. Вже 15 жовтня обіцяють повністю відкриті ваги, зараз на Hugging Face лежить лише заглушка репозиторію.

Топ open-source модель від Xiaomi
https://mimo.xiaomi.com/mimo-v2-6/article
Xiaomi випустила моделі серії MiMo-V2.6: флагман MiMo-V2.6-Pro, економний MiMo-V2.6-Flash і MiMo-V2.6-Pro-UltraSpeed — той самий Pro, але з віддачею до 20x швидшою при тій самій якості. Xiaomi показала тренування наживо, стрімлячи його під час релізу. Разом із моделями відкрито технотрейт, середовища тренування і весь RL-код.

Обидві основні моделі нативно omnimodal (текст, відео, аудіо, зображення в одному контексті) з вікном 1М токенів. Pro на Artificial Analysis Intelligence Index обійшовши Kimi K3 і Qwen3.8 Max, хоча до закритих моделей й не дотягує.

MiMo Code та MiMo Desktop
https://github.com/XiaomiMiMo/MiMo-Code
https://mimo.mi.com/docs/en-US/updates/feature/desktop
Термінальний open-source кодінг-асистент MiMo Code це форк OpenCode під MIT з оркестрацією субагентів і вбудованим безкоштовним каналом MiMo Auto. Тепер працює на моделях V2.6. MiMo Desktop разом з релізом V2.6 вийшов з early access у перший офіційний реліз. Це десктопний клієнт для агентів під задачу, керування браузером, інтерактивні прев'ю результатів прямо в сесії.

#mimo #claude #opus #openai #gpt6 #grok #stepfun #opensource

https://omp.sh/docs/agents-and-roles
Тут є три шари:

• Модель — конкретний провайдер й модель (Claude, GPT…).
• Роль — іменований слот: default для звичайних запитів, smol для дешевої дрібнії роботи, slow для глибокого мислення й рев'ю, plan, vision, commit, task, далі розберем.
• • Агенти та підагенти — хто саме виконує (reviewer, scout, designer). Агент дивиться на роль, роль — на модель. З коробки scout (швидкий read-only огляд репо), designer, reviewer, security-reviewer, librarian (перевірка зовнішніх API), task, sonic (механічні правки).

Коли міняєш модель у ролі slow, усі майбутні агенти рев'юери автоматично переходять на неї. Агентів харнес обирає сама в залежності від промту.

https://omp.sh/docs/advisor
На спеціальний агент Advisor можна назначити окрему модель, яка читає кожен крок основного агента (промпти, відповіді, міркування, виклики інструментів) й додає нотатки прямо в сесію, а іноді може відразу зупинити весь потік, якщо він точно іде не куди потрібно!

Вона працює на своєму контексті й зовсім іншій моделі (краще щоб розмір контексного вікна співпадав): основний потік може бігти на Gemini 3.8 Flash, а advisor'ом призначити, скажімо, Meta Spark 1.3 — різні моделі дивляться на ту саму роботу з різних кутів. Advisor не затверджує дії: основний агент зобов'язаний зважувати кожну нотатку проти запиту, а не сліпо коритися.

Вмикається двома рядками в конфіг, або через /advisor. Три рівні порад: nit — непереривна ремарка («тут можна спростити»); concern — ризик чи не той напрямок, може перервати хід; blocker — продовжувати явно марно, вийде зламаний результат. Підагенти за замовчуванням без advisor.

Ідею advisor уже винесли назад у чистий Pi: порт pasky/pi-omplike-advisor https://github.com/pasky/pi-omplike-advisor, постійна read-only модель, що на кожен крок рев'юїть роботу головного агента.

#omp #piagent #subagents #advisor

Вразливість GitSpawn від Manifold
https://www.manifold.security/blog/ai-coding-agents-git-hijack
Багато CLI-агентів на старті збирають контекст проєкту через git status / git diff й що дивно на деяких це відбувається до workspace-trust prompt: на Qwen Code навіть до логіну, на Grok Build достатньо першої клавіші. Так можна виконати core.fsmonitor = <команда> поза пісочницею агента, без жодного approval-діалогу, з правами користувача: SSH-ключі, токени з shell config, хмарні credentials, всі репозиторії на диску.

Треба дивитись .git/config перед відкриттям агента отриманого як файли репо, також можна глобально заблокувати git config --global core.fsmonitor false.

Тестували 7 агентів: Claude Code, Codex, Cursor, Goose, Hermes, Qwen Code, Grok Build. Вже патчені: Claude Code 2.1.196 (основний шлях), Codex 0.131.0 (CVE-2026-19592), Cursor, Goose 1.44.0 (CVE-2026-72718, CVSS 7.0). В процесі Qwen Code (Alibaba SRC прийняв звіт — але не виправив), Grok Build, Hermes.

Глибша проблема в тому, що пісочниця агента тут ілюзія: будь-який subprocess успадковує OS-привілеї користувача і повну trust-модель git.

#claudecode #codex #cursor #security #grokbuild #qwen #goose

OpenHands від агента до координатора
https://www.openhands.dev/blog/introducing-agent-canvas
https://docs.openhands.dev/openhands/usage/agent-canvas/acp-agents
Раніше OpenHands сам був агентом, тепер через Agent Client Protocol (ACP) він запускає і обслуговує харнеси як то Claude Code, Codex і сам OpenHands на декстопі. Завели в архітектуру ще навесні, а за літо стало центральним сценарієм. Agent Canvas тепер фактично головний інтерфейс з якого можна ганяти кілька агентів паралельно, дивитись файли, команди, розмови, автоматизації і чіпляти віддалені бекенди. Додали ясний context-window usage meter, drawer з інфо про витрату контексту і ручна compaction.

Зʼявився обʼєкт Agent Profile — збережена конфігурація як саме стартувати агента. Там лежить тип агента, модель, credentials та scoped secrets, MCP-сервери, skills і інше. Автоматизація з простої фічі перетворились на оркестратор з вибором Agent Profile, експорт/імпорт як JSON, настроювані таймаути, запуск conversation через plugin, cron, live phase виконання, розуміння результату task, теги, права view/manage, автовідключення після серії помилок. Рухаються в сторону, де помилки агента ловляться автоматично.

#openhands #acp #selfhost

Geiger для пошуку AI-агентів
https://atomburst.io/geiger
Якщо у вас як і у мене постійно тестуются агенти, то ось одна команда npx geiger-scan показує що реально стоїть і що воно може чіпати. Нуль залежностей, без акаунта і телеметрії, потрібен тільки Node 18+. Тільки читає конфіги і папки, нічого знайденого не запускає. Пише лише файл звіту який сам попросиш через --json / --html. Знаходить багато відомих агентів і IDE. Окремо MCP-сервери глобальні і проєктні включно з remote, розширення редакторів і браузерів, AI-браузери.

Памʼять у Grok Build
https://x.ai/news/grok-build-memory
Grok Build тепер памʼятає проєкт між сесіями: конвенції, рішення, факти. Після кожного кроку у фоні переглядає його і дописує тільки довговічне, робота при цьому не зупиняється. Це markdown-файли, один файл на тему. Є рівень проєкту і окремо глобальний для звичок юзера.

Команда /memory відкриває простий перегляд файлів по групах з пошуком і превʼю, /dream розкладає свіже по топіках і сам іноді прибирає у фоні. Фонове прибирання Dream біжить в один потік через dream_lock, старе складає в архів.

OpenCode Zen ріже чужі харнеси
https://github.com/can1357/oh-my-pi/issues/12306
Схоже на історію з Antigravity минулого тижня (до речі OMP пофіксили окремим плагіном), тут гейтвей відсікає чужих. Без хедерів x-opencode-client, x-opencode-session, x-opencode-project, x-opencode-request та тулз-профілів Zen особливо для для free-моделей відповідає 429 FreeUsageLimitError або просто висить. Pi-екстеншени зараз імітують ці хедери з випадковими id щоб виглядати як CLI. В тредах це називають підробкою ідентичності з ризиком повного блокування аккаунту.

Зовсім інша модель — Jev / System One від TypeSafe
https://console.typesafe.ai
https://typesafe.ai/blog/introducing-system-one-models-and-jev
Перша модель Jev названа на честь Джевонса. Це не чат, а System One за Канеманом: на вході стан, на виході готові рішення для коду.
Шлеш state текстом, JSON чи масивом плюс список типізованих питань Choice, Score, Noul — і за один паралельний прохід отримуєш всі відповіді з каліброваними ймовірностями.

Архітектура нова, семплер паралельний, тренування RLCD замість RLHF / RLVR. Схема задана наперед, тому вийти за типи чи згалюцинувати текстом просто нема куди. Доступ поки по waitlist: ендпоінт POST api.typesafe.ai/v1/systemone, jev-latest зараз це jev-1.13.0, поруч jev-preview, SDK для Python і JS, скіл для Claude Code, ключ у console.typesafe.ai/settings/keys.

#grokbuild #opencode #piagent #typesafe #mcp

Найбільший апгрейд Cline
https://cline.bot/blog/how-we-migrated-11-million-users-to-clines-biggest-harness-upgrade
Cline як VSCode екстеншн народився в 2024, це ще при Claude 3.5 Sonnet. Кожна нова модель та провайдер адаптувалися вручну. Новий Cline SDK винесли в окремий модульний рантайм: промпти переписали, луп спростили, контекст і тул-дефінішени підтягнули під нативний tool calling 2026-х моделей замість XML-тегів з тексту. Зараз повністю перевели всіх 11 млн юзерів на нього.

Cline for Desktop (Beta)
https://cline.bot/desktop
https://github.com/cline/cline/releases/
Почали тестувати окремий нативний застосунок на macOS (Universal) і Windows як зараз модно без редактора коду. Всередині той самий open-source Cline harness, що тепер в IDE і CLI. Зібраний на Tauri 2 + Bun-sidecar + Next.js: Tauri тримає тільки вікно й апдейти, Bun-сайдкар крутить Cline Hub і спілкується з UI по websocket, фронт це Next.js.

Працює по BYOK — Anthropic, OpenAI, Gemini, open-weights чи локальний ендпоінт, моделі можна перемикати прямо посеред проєкту. Інтегрований з їх підпискою Cline Pass за $9.99/місяць на open-weights моделі як то GLM 5.3/5.2, Kimi K3/K2.7 Code/K2.6, DeepSeek V4 Pro/Flash, MiniMax M3, MiMo V2.5/Pro, Qwen 3.7-Max/Plus і 3.8-Max.

Вже є queued messages, докидати правки поки агент працює, fork & edit — правиш старе повідомлення і сесія форкається з ревертом воркспейсу до чекпоінта, session history в одному місці — десктоп, CLI, екстеншн і scheduled runs, з фільтром звідки сесія.

В мене на Windows поки що видає купу помилок при налаштуванні моделей й не працює.

#cline #desktopapp

https://news.ycombinator.com/item?id=49548452
Тиждень тому в обговоренні є повідомлення про блокування Google-акаунтів за використання Antigravity через сторонні інструменти. Google прямо називає використання credentials у third-party tool порушенням ToS що може призвести за собою блокування аккаунту. Є окремий коментар користувача, якому заблокували доступ після використання Pi agent + Antigravity.

https://github.com/can1357/oh-my-pi/issues/11689
Вчора у людей в oh-my-pi (OMP) Gemini через Antigravity раптом почав стабільно віддавати 429 RESOURCE_EXHAUSTED і просити почекати 30 хвилин — причому це триває годинами. Це не витрата квоти, а mismatch entitlement — Google ріже agent-бакет для стороннього харнеса під виглядом RESOURCE_EXHAUSTED.

OMP — форк Pi, а OpenClaw теж використовує Pi як основу агентного runtime. Тобто проблема потенційно стосується вже цілої гілки сторонніх агентів.

#piagent #antigravity

Muse Spark 1.3
https://research.meta.ai/blog/introducing-muse-spark-1-3
На їх тестах дуже красиво прям SOTA, а в результатах не сходиться: skill-інструкції губить, замість точкового едіта може переписувати файл цілком, сайти виглядають криво. Все як моделі рік тому. Окремо продовжується дешевий contributor-прайс як демпінг. Meta пише, що попереду open-weights release для Muse Spark.

Gemini 3.8 Flash
https://blog.google/innovation-and-ai/models-and-research/gemini-models/3-8-flash-and-3-8-flash-cyber/
Pro немає вже давно, це третій Flash апдейт за шість тижнів, заточений під довгі кодінг сессії агентів (що нам приємно), відразу в API, AI Studio, Antigravity. Дешевий прайс лишили до кінця року. Вміє працювати дрібними ітераціями — «працює старанніше», але саме тому на складному жере більше токенів, сам Google так і пише. Cyber-версія тільки для довірених захисників.

Claude Fable 5.1
https://www.anthropic.com/claude/fable
Покращили до Fable 5.1 (загальнодоступна) + Mythos 5.1 (обмежена). Дорогі, але топ. Кажуть, навчили не звітувати про фейковий успіх і не зрізати кути типу відключити падаючий тест. Довгу автономку менше треба пасти, ревʼю швидше. Писати стала людяніше, але непомітно маркує текст (вотермаркінг), на HN окремо хвалять що пішла шаблонність.

GPT-6 Astra — доводить довге до кінця, але жере ліміт
https://openai.com/index/gpt-6-astra/
На 7 вересня GPT-6 Astra у відкритому доступі лише кілька днів. OpenAI позиціонує її як модель не стільки для "генерувати робочій код", скільки для самостійного проходження всього циклу software engineering. Дуже круті демки ігор, також можливість "взяти під контроль" Blender та Unity чи Godot через керування комп'ютером. Це все довго та дорого, але до результату доводить.

У документації прямо підкреслюється: складне міркування, coding, computer use, research і довгі багатокрокові задачі. Astra може працювати з репозиторієм, запускати програми, бачити результати, виправляти помилки, продовжувати роботу після зміни вимог і, у Codex, навіть ставити запитання асинхронно, не зупиняючи незалежні частини роботи.

Astra має 1 млн токенів, але фактичний доступний context у конкретному Codex environment може бути набагато меншим. Також OpenAI ввела новий механізм збереження контексту: замість звичного постійного compaction старих сесій модель може вести notes між вікнами, причому попередні контекстні вікна залишаються searchable.

У даних Terminal-Bench 4.0 розриву між Astra і Fable 5.1 майже немає. Але саме Astra відчувається більш самостійною й тією що розуміє репозиторій (хоча не завжди). Вже помітне надмірне споживання usage/token budget. На Reddit є кілька повідомлень, де користувачі кажуть, що Astra могла витратити значну частину п'ятигодинного ліміту буквально за одну сесію. У мене в Codex на Plus підписки 5-годинний ліміт зжерла виконуючи просте завдання менше ніж за 15 хвилин, є підозра що вікно це ще прижали.

У звичній на сьогодні моделі роботи програміст є оператором AI: промт → отримав код (діфи) → перевірив → накидав правок. У Astra дедалі реалістичнішим стає інший режим коли програміст задає намір, обмеження та критерії завершеності, після чого модель сама розкручує процес. Головний апгрейд Astra — не в тому, що вона генерує не поламаний код, а в тому, що вона дедалі частіше (але не завжди) здатна довести все завдання до кінця.

#newllmmodel #openai #gpt6 #fable #musespark #gemini #qwen

DeepSeek Harness (dsh)
https://github.com/deepseek-ai/deepseek-harness
https://www.deepseek.com/harness/en/
13 серпня разом з релізом DeepSeek-V4-Pro-0813 вийшов офіційний відкритий харнес від DeepSeek — dsh на мікроядрі Cordis. Його спочатку створив розробник Shigma як основу для фреймворку чат-ботів Koishi. Згодом виділили в окремий проект (Cordiverse), а дослідники з Пекінського університету та DeepSeek формалізували його математичну модель у статті про «просторово-часову компонованість». Описали можливість динамічно підключати, оновлювати й вивантажувати плагіни прямо під час роботи програми без її перезапуску.

Архітектура побудована за принципом «усе є плагіном»: цикл роботи агента, інструменти, ізольована пісочниця та інтерфейс користувача реалізовані як окремі модулі зі зворотними ефектами (чистим скасуванням змін) і спільним контекстом. Ліцензія MIT, проект поки на стадії раннього доступу для розробників із можливими змінами в API. У репозиторії є навчальні посібники для створення власних розширень, а спільнота вже публікує додаткові плагіни з тегом dsh-plugin.

https://www.youtube.com/watch?v=RWp5cejTApU

Відео на YouTube: https://www.youtube.com/watch?v=RWp5cejTApU

У практичному огляді автор демонструє реальний робочий процес у веб-інтерфейсі dsh. Головні корисні можливості з відео:

• Вбудований маркетплейс (Harness Market) — встановлення розширень, додаткових інструментів та сторонніх провайдерів моделей прямо з інтерфейсу.
• Режими роботи (Code, Minimal, Creator) — зокрема режим Creator для налаштування власних пресетів агентів та інспекції стану системи.
• Керування робочими просторами та живий контроль — організація проєктів за папками, а також можливість ставити виконання на паузу та коригувати цілі на льоту без перезапуску всієї сесії.

Обговорення
https://news.ycombinator.com/item?id=49285244
На Hacker News проект обговорюють насамперед як приклад інженерії агентних систем. Головний висновок розробників — продумане середовище (цикли зворотного зв'язку, контроль контексту та виклики інструментів) зараз дає не менший ефект, ніж оновлення самої моделі.

Також порівнюють з Reasonix (компактний агент на Go, оптимізований під DeepSeek, MIT): Reasonix націлений на максимальну економію завдяки стабільному префіксному кешуванню для довгих сесій (часто менше $1–2 на задачу), тоді як dsh є більш універсальним, розширюваним та офіційним каркасом.

#deepseek #harness #agenticcoding #cordis

OpenAI розриває контракт з Cursor!
https://openai.com/index/our-decision-on-cursor-following-its-acquisition-by-spacex/
https://cursor.com/blog/joining-spacex
14 серпня Cursor (Anysphere) офіційно став частиною SpaceX — all-stock угода на ≈$60 млрд з доступом до GPU-інфраструктури Colossus для тренування. 28 серпня OpenAI повідомила SpaceX, що згортає контракт на постачання своїх моделей у Cursor з датою відключення 12 листопада 2026 — це максимальний notice за їхнім кастомним договором.

Рішення пояснюють недовірою: OpenAI пише, що не може бути впевнена, що SpaceX дотримуватиметься ToS, згадуючи порушення контракту Twitter (тепер частина SpaceX) після купівлі Маском та визнання під присягою цьогоріч, що xAI дистилювала дані OpenAI для тренування. Окремо згадують новий рівень відповідальності для наступної моделі Astra — тому майбутні моделі Cursor не отримає як частину підписки, хоча через власний API-ключ залишається.

Обговорення
https://news.ycombinator.com/item?id=49486172
Колись Cursor цінували саме як обгортку навколо топ моделей OpenAI/Claude, а тепер вона стає майданчиком для розгортання Grok від Маска. Вони заплатили не за IDE, а за мільярди промптів і код-контекстів для тренування. Люди гадають чи забанить Anthropic тепер Cursor. Засновник Cursor у твіті пише, що мовляв моделі OpenAI це лише ≈5% трафіку, але в коментах уточнюють що по revenue це значно більше. Частина розробників шукають куди мігрувати — JetBrains, Zed, OpenCode, Codex, бо втрачати можливість перемикати Sol/Terra для планування + Composer/Claude для реалізації не хочуть.

В OpenCode Zen зник безкоштовний DeepSeek Flash
Користувачі помітили, що в безкоштовному шлюзі OpenCode Zen зник deepseek-v4-flash-free, а якщо була підключена через API то почала видавати помилку "401 No payment method. Add a payment method here" — модель, через яку багато хто (та й я) робив 100% безкоштовний якісний код останні тижні. Офіційного анонсу немає, в issues та на Reddit просто "unavailable". На самому DeepSeek API з 16 серпня там новий peak/off-peak прайсинг (пік 01:00–04:00 та 06:00–10:00 UTC у 2× дорожче, загалом +3.5–4.7×).

GLM-5.3, GLM-5.3 Flash як ox-alpha та Qwen 3.8 Flash
https://z.ai/blog/glm-5.3
https://z.ai/blog/glm-5.3-flash
https://qwen.ai/blog?id=qwen3.8-flash-next
Z.ai 14 серпня випустила GLM-5.3 на тій же 743B базі що GLM-5.2, все за рахунок post-training. А 26 серпня вийшов GLM-5.3 Flash вже на новій базі — MoE 320B total / 18B активних, перший відкритий frontier з гібридним sparse+linear attention (KV-кеш у ≈4.4× менший), нативна мультимодальність (текст+картинка+відео), 1M контекст, MIT. До анонсу його тиждень ганяли анонімно на OpenRouter та в OpenCode Zen як stealth/ox-alpha — став найпопулярнішою моделлю тижня, на рівні Claude Opus 4.8 за ≈1/10 ціни.

Того ж 26 серпня Alibaba викотив Qwen3.8-Flash-Next (в API — Qwen3.8-Flash) — прев'ю архітектури для Qwen4: MoE 125B + 51B N-gram memory + 4B MTP, лише 6B активних, Qwen Sparse Attention на мікро-блоках, gated residual, 262K нативно (тягнеться до 1M), мультимодальність, ліцензія Qwen 1.0.

Voyage Code 4 — ембедінги заточені під агентів
https://blog.voyageai.com/2026/08/13/voyage-code-4/
З грудня 2024 voyage-code-3 був однією з найпопулярніших моделей Voyage взагалі — хітом саме серед код-ембедінгів для RAG і семантичного пошуку, його масово підключили код-асистенти (Cursor, Continue, Cody та інші) як базу для пошуку релевантних файлів і сніпетів. Але зараз більшість запитів роблять уже не люди, а агенти.

Нове покоління лінійки Voyage Code, наступник code-3, перезібраний саме під агентів. На практиці це означає що модель помітно частіше знаходить потрібний файл з першої спроби: на 19 нових агентних бенчмарках (held-out репо, NDCG@10 — чим вище, тим краще знаходить релевантне) вона приблизно на третину краще за найближчих конкурентів Cohere та Gemini і майже в півтора раза краще за OpenAI. При цьому вона гнучка і дешевша.

#newllmmodel #openai #cursor #spacex #voyageai #glm #qwen #deepseek #opencode

fx — крихітний нативний код-агент
https://fx.sh/
https://github.com/vercel-labs/fx
fx яу відповідь на роздуття агентних TUI від Vercel Labs це поки що експерементальний харнес у CLI на Zig, бінарник 6–8 МБ, старт за мікросекунди, мінімальний системний промпт, UI ближче до Unix-шелла, ніж до «IDE в терміналі». Apache-2.0 ліцензія. Є Wasm-збірка (демо прямо в браузері), skills, MCP, субагенти, ACP для редакторів.

Моделі через Vercel AI Gateway чи підписку Codex (fx login codex) або Grok (fx login grok); за замовчуванням зараз у демо стоїть glm-5.2. Поки v0.0.5, «use at your own risk».

Slack Code: агентний кодинг для команд
https://www.salesforce.com/introducing-slack-code/
Salesforce запускає Slack Code — окремі code канали всередині Slack, де можна тегнути код-агента (Claude, Devin, GitHub Copilot, ChatGPT, агенти Vercel) і разом дивитися дифи, прев’ю та апрувити роботу, не виходячи з чату. Є вкладка Agents і «Add to Slack» для агентів з Lovable, n8n, LangChain тощо. На старті працює з агентами партнерів і доступний на будь-якому плані Slack — але потрібен окремий доступ до кожного агента.

Ідея проста: зараз розмова людини з агентом відбувається в приватній вкладці, команда цього не бачить, контекст губиться. У Slack Code канал створюється під одну задачу, коли непотрібно - архівується, історія лишається як лог. Показують сценарій, де PM сам тегає агента на баг, інженер лише перевіряє диф і дає добро на PR.

Proliferate: open-source IDE для кількох агентів
https://github.com/proliferate-ai/proliferate/releases
https://proliferate.com/
Proliferate це спроба зібрати команду агентів з ізоляцією гілок і спільним рев’ю. Проект open-source (AGPL-3.0), де в одному воркспейсі паралельно крутяться нативні харнеси: Claude Code, Codex, OpenCode, Cursor, Grok. Кожна задача — окремий git worktree (або хмарний sandbox, який живе, коли ноутбук закритий), є субагенти, спільні MCP/skills і beta workflows (нічні рев’ю, triage з CI, бампи залежностей).

jcode під спільну работу агентів
https://jcode.sh/
https://github.com/1jehuang/jcode
https://www.ycombinator.com/companies/jcode
jcode — open-source (MIT) термінальний агент, написаний на Rust, від Jeremy Huang, Y Combinator. Місія проекту розпаралелити десятки задач одночасно. Ключова фішка це наднизьке споживання пам’яті, за вимірами проекту 10.4 MB на додаткову сесію проти 212.7 MB у Claude Code, тобто 10 сесій jcode менше половини одного Claude Code.

TUI при цьому повноцінний з підтримкою зображень, LaTeX/math, діаграми/Mermaid, є live-прогрес фонових-задач, swarm-режим з нотифікаціями про конфлікти файлів і меседжингом між агентами.

Orca від Stably
https://onorca.dev/
https://github.com/stablyai/orca
Orca це окремий open-source ADE (Agent Development Environment, MIT). Це десктоп-IDE для паралельних агентів: кожна задача — окремий git worktree + свій термінал (Ghostty-inspired) + браузер, можна ганяти Claude Code, Codex, OpenCode, Cursor side-by-side, є мобільні компаньйони та Orca CLI.

https://www.youtube.com/watch?v=vZUUHMCBoQg

Відео на YouTube: https://www.youtube.com/watch?v=vZUUHMCBoQg

Практична цінність це Workspace Board для роздачі задач різним агентам та єдиний Diff Review для рев’ю/мерджу без стрибків між гілками, та вбудований Chromium з Design Mode (інспекція DOM → копія розмітки агенту для точкового фіксу верстки), спліти вкладок, інтегрований редактор, автоматизація git-workflow (створення worktree через Cmd+N + setup-скрипт pnpm install, стейджинг/коміти/PR).

#agenticcoding #cli #harness #multiagents

Grok 4.6
https://x.ai/news/grok-4-6
xAI випустила 12 серпня чисто post-training оновлення на тому ж ≈1.5T базі, що й Grok 4.5. З точки зору генерації коду це 1 публічний результат на FrontierCode v1.1 Extended (61.3%), APEX-SWE 56.4%, CursorBench v3.2 підріс з 66.7% до 69.9%. Головне покращення — модель більше самостійно тестує й перевіряє свій код у довгих агентних сесіях, тож витрачає значно менше марних кроків (≈53 ходи проти ≈103 у Claude Opus 5).

Слабке місце як і раніше — робота в терміналі (Terminal-Bench 3.0 лише 26%). Елон пише що Grok 4.7 вже за декілька тижнів. Оновлення потрохи рухають модель все вище у рейтингу artificialanalysis й наближують до найкращіх.

DeepSeek V4-Pro 0813
https://api-docs.deepseek.com/updates/
13 серпня Pro-рівень нарешті отримав той самий агентний post-training, що вже був у V4-Flash 0731 — і це вже повноцінний production-реліз, а не preview. Операційно додали підтримку OpenAI Responses API, нарешті one-click налаштування Codex і керування рівнем reasoning (low/high/max). Ваги для 0813 не публікували.

Gemini 3.7 Flash
https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-3-7-flash/
Google 13 серпня, за три тижні після 3.6 Flash. Найбільший стрибок усієї Flash-лінійки саме в кодінгу: DeepSWE v1.1 з 49.0% до 65.3% (якщо вірити тестам), FrontierCode 1.1 Main з 34.4% до 43.6% а в таблиці Google це краще за Claude Sonnet 5 і GPT-5.6 Terra - оце так. Додатково майже вдвічі дешевша на старті ($0.75/$3.75 за M токенів до кінця 2026), контекст 1M.

GLM-5.3
https://z.ai/blog/glm-5.3
Z.ai 14 серпня, та сама 743B база, що й GLM-5.2, всі здобутки — з post-training (IndexShare + SAO). Код: +50% на внутрішньому Z.ai Code Bench, Terminal-Bench 3.0 28.3% (найкращий показник серед open-weights, для порівняння GLM-5.2 мав 4.6%), DeepSWE 1.1 66.9%. Говорять, що кіберспроможність (CyberGym 84.5%, ExploitBench з 24.4% до 54.4%) настільки зросла, що випуск вагів затримали на два тижні для safety-перевірки. Поки лише GLM Coding Plan та ZCode.

Qwen 3.8 27B
https://huggingface.co/Qwen/Qwen3.8-27B
Alibaba 14 серпня, щільна (dense) мультимодальна 27B-модель під Apache 2.0 — дистиляція флагманського Qwen3.8 Max для локального запуску. Все тести показують помітний ріст над Qwen3.6-27B, чого ми й чекали. Рідний контекст 262K (розширюється до 1M через YaRN), тягнеться на звичайних топових GPU та Ryzen AI Max.

MAI-Code 1.1 Flash
https://microsoft.ai/models/mai-code-1-flash/
https://github.blog/changelog/2026-08-11-mai-code-1-1-flash-available-in-github-copilot/
Microsoft 11 серпня оновила свою невелику код-модель (MoE з ≈5B активних) і запустила в GitHub Copilot. Оновлення зроблене під реальні скарги розробників, тому дотягнули +22% на Terminal-Bench 2.1 і +15% на .NET, плюс native vision (розуміє скріншоти й діаграми). Для рутинних легких задач стало важливішим інше: на 25% ефективніша за токенами і вчетверо дешевша (на 73% нижчий список, ніж у 1.0) — тренована з нуля на чистому enterprise-датасеті без дистиляції.

Muse Glimmer
https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model
Meta 10 серпня вперше за 16 місяців (після Llama 4) випустила знову open-weights модель — 30B під Apache 2.0, дистиляція закритого Muse Spark для локального запуску на одній споживчій GPU (4-bit квантування ≈ 17GB VRAM). Для коду лідирує в своєму класі за агентними задачами, але програє Qwen3.6-27B (а там вже 3.8 вийшла). Цікаво, що разом з нею Цукерберг пообіцяв колись відкрити ваги і більш потужної Muse Spark 1.2.

#newllmmodel #grok #gemini #deepseek #glm #qwen #microsoft #meta

Оновлення Gemini 3.6 Flash, 3.5 Flash Cyber
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-6-flash-3-5-flash-lite-3-5-flash-cyber/
Тепер є Gemini 3.5 Flash Cyber це спеціалізована модель для кібербезпеки (пошук, валідація та патчинг вразливостей) та вона доступна обмежено для урядів і довірених партнерів. Повна Gemini 3.5 Pro ще закрито тестується.

А ось Gemini 3.6 Flash тепер основна «робоча» модель. Краще генерує код (іноді краще ніж Gemini 3.1 Pro), працює з мультимодальними задачами, при цьому витрачає на 17% менше output-токенів (Artificial Analysis), а на деяких бенчмарках (наприклад DeepSWE) економія сягає 65%.

DeepSeek V4 Flash 0731
https://api-docs.deepseek.com/updates/#date-2026-07-31
https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-0731
https://arcprize.org/results/deepseek-v4-flash-0731
Офіційний реліз (замість preview) моделі з 284–304B параметрів (13B активних) та 1M контекстом вікном від DeepSeek - зараз у публічній бета на API. Ваги відкриті (MIT). Як й у Google з значно покращені агентні здібності й Flash тепер обходить власний V4-Pro Preview на більшості агентних бенчмарків, незважаючи на менший розмір та ціну.

Обіцяють й оновлення DeepSeek-V4-Pro. Модель адаптована під Codex і Responses API, але зараз можно налаштувати тільки deepseek-v4-flash - підтримка deepseek-v4-pro очікується теж найближчим часом. Компанія анонсувала підвищення цін на API (зараз вони надто низькі), але сама модель залишається відкритою для завантаження.

Обговорення
https://news.ycombinator.com/item?id=49214008
Люди обговорюють, наскільки модель дешева плюс достатньо розумна, що відкриває нові сценарії використання, які раніше були дорогими. Хтось уже ганяє на орендованих GPU (RTX 6000, MI300X тощо). Один користувач з 5–6 активними сесіями (фактично 12 потоків) витрачає менше $5 на день.

DeepSeek-центрованний ШІ агент
https://reasonix.io/
https://github.com/esengine/deepseek-reasonix
Локальний агент (один Go-бінарник без залежностей, MIT), оптимізований саме під DeepSeek з cache-first loop. Проект робить фокус на можливості доручити Reasonix довгі автономні завдання і при цьому не втратити контроль. Працювати з ним можна в терміналі, десктопному застосунку, браузері чи прямо в редакторі через ACP, і всі сесії спільні.

Reasonix спершу показує план роботи, а потім на кожному кроці питає дозволу на читання, запис чи виконання команд. Кожен «хід» зберігається як контрольна точка поза git, тож навіть після кількох годин роботи можна скасувати будь-яку зміну, не зачіпаючи історію комітів. Агента легко розширювати через MCP-сервери та власні навички.

Muse Spark 1.2 та Code
https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2
https://dev.meta.ai/
Meta теж входить в простір код-асистентів. Muse Spark 1.2 це оновлення моделі, спеціально дотреноване на кодінг та використання власної харнес Muse Code. Покращення в генерації коду, debugging, розумінні великих репозиторіїв і long-horizon задачах.

Muse Code поки у beta, це термінальний код-агент (macOS/Linux, Windows поки немає). Підтримує асинхронні фонові агенти, режим планування (/plan, /grill, /goal), постійні субагенти та журнал подій (event-log) для безпечного перезапуску довгих сесій. Модель доступна в Muse Code і Meta Model API (є дешевший contributor-tier з використанням даних).

https://www.youtube.com/watch?v=c-V4MrY03Mc

Відео на YouTube: https://www.youtube.com/watch?v=c-V4MrY03Mc

Автор https://aicodingdaily.com/leaderboard протестував Muse Spark 1.2 на 15 кодинг-промптах (5 промптів × 3 проєкти: Flutter/Dart, синхронізація даних з мобільного додатку в API, імпорт CSV на PHP). Не через Muse Code, а через Open Code та OpenRouter, з вимірюванням швидкості та реальної вартості. Модель досить повільна й доволі дорога для таких результатів. Каже, що за такі гроші вже є значно кращі варіанти: DeepSeek V4 Flash навіть після підвищення цін, Grok 4.5 тощо.

Qwen 3.8 Max
https://artificialanalysis.ai/models/qwen3-8-max
Нова flagship-модель від Alibaba (2.4T MoE). На Artificial Analysis Intelligence Index спочатку показувала топ-результати (1–2 місце), після оновлення методики тестування опустилася на 9 місце, нижче за Kimi K3. Модель досить «балакуча» (багато токенів). Обіцяють відкриття вагів найближчим часом.

Тут є тонкощі, що таку велику відкриту модель звичайним людям не запустити локально, тому багато хто зараз на невеликих Qwen 3.5 та Qwen 3.6.

#newllmmodel #deepseek #metamuse #qwen

ШІ спалює грощі
https://www.tomshardware.com/tech-industry/artificial-intelligence/amazon-accidentally-spent-usd1-8-million-using-claude-for-menial-coding-task-went-860-percent-over-budget-catastrophically-expensive-coding-blunders-discovered-in-internal-amazon-ai-usage-metrics
Amazon випадково витратив $1.8 млн на Claude Sonnet для простого завдання (зіставлення авторів з товарами). Бюджет перевищили на 860%, помилку помітили лише через 5 місяців, проєкт так і не запустили. Й такий баг, що раніше коштував би копійки, тепер спалює сотні тисяч доларів через token-based тарифікацію. Звісно за це ніхто грощі не повертає - багатіють провайдери, які в своїх рекламах спокушають запускати все більше агентів.

Програми надалі стають гіршими
https://ptrchm.com/posts/nothing-works-and-everyone-is-euphoric/
Автор іронічно описує нинішню хвилю захоплення ШІ як своєрідний масовий психоз. Нам постійно обіцяють, що штучний інтелект радикально підвищить продуктивність, автоматизує програмування і зробить програмне забезпечення якіснішим. Але якщо створення коду майже вирішене, то чому програми навколо нас продовжують ставати гіршими?

Оновлення викликають страх, інтерфейси деградують, баги множаться - банківський застосунок, який постійно вимагає повторної авторизації; Slack, що краде фокус вікна; сайт LG, де форма гарантійного звернення ламається в самому кінці; мультимедійна система автомобіля, яка після оновлення стала ще менш надійною та навіть заважає безпечному керуванню.

Проблема не в нестачі інструментів. Команди, які створюють ці великі продукти, майже напевно мають доступ до найсучасніших моделей ШІ. Текст не є анти-ШІ маніфестом. Навпаки, автор вважає, що ШІ дає розробникам надзвичайні можливості - маленькі команди отримують шанс створювати якісні, прості та надійні продукти, які раніше були їм не під силу.

Обговорення
https://news.ycombinator.com/item?id=49033004
Велика дискусія на HN під 700 коментарів. Люди масово підтверджують: оновлення софту тепер викликають тривогу, а не радість. ШІ не зробив масові програм кращими — він просто прискорив виробництво посереднього коду та безвідповідальність (це ШІ згенерував, а не ми).

Розрив тести/реальність
https://www.devopsdigest.com/are-ai-coding-tools-hitting-a-ceiling
BlueOptima провела дослідження BARE (AI Refactoring Evaluation) — тестувала 57 моделей на реальних задачах покращення maintainability (рефакторинг production-коду, зменшення складності, покращення структури без зміни поведінки).

Висновок. Моделі надалі все краще проходять синтаксичні перевірки коду (> 80%), але майже не вміють робити зміни, які реально покращують підтримуваність коду. Також є цікавий висновок про плато: останні релізи frontier-моделей майже не покращують результати на цих задачах (застрягли в діапазоні 17–23%).

ШІ робить прототипи
https://weeraman.com/the-prototype-isnt-the-product/
https://news.ycombinator.com/item?id=49132130
ШІ чудово робить швидкі прототипи, але прототип ≠ продукт. Сама відстань від «працює на ноутбуці» до масової production-ready системи майже не скоротилася: архітектура, масштабування, обробка помилок, безпека, підтримка — усе це вимагає інженерного судження відповідальних людей. Без глибокого розуміння коду ШІ-згенерований проект не зможе вийти зі стадії прототипу в стабільний продукт.

Нові анонсі моделей якраз фокусуються на тому, що код на виході стає все краще, без багів та помилок - звісно тоді модель все довше може генерувати все більше коду, який проходить всі перевірки. Але чи стає у цих моделей краще розуміння самої роботи програміста?

#agenticcoding #bestpractices

Передає знання через CONTEXT.md і ADR — агент і команда говорять однією мовою. Треба запускати skills вручну (це свідомий дизайн), та вкласти час на налаштування. Найкраще працює з сильними моделями + хорошим agent harness (Claude Code тощо). Найбільший виграш — на середніх і великих задачах, де важливі якість, відтворюваність і контроль над контекстом.

Відео від Matt Pocock це практичний туторіал по його популярному open-source репозиторію skills. Він показує повний цикл роботи з AI-агентами (Claude Code та іншими) для реальної інженерії.

https://www.youtube.com/watch?v=M6mYodf0dJM

Відео на YouTube: https://www.youtube.com/watch?v=M6mYodf0dJM

Показує встановлення та налаштування репозиторію (/setup-matt-pocock-skills) — вибір issue tracker (GitHub, Linear, локальні markdown-файли тощо), triage-лейблів і domain-документації (CONTEXT.md + ADR).

Основний workflow:

• Ask Matt — роутер, який підказує, з чого почати.
• Grill with docs — глибоке інтерв’ю агента, яке уточнює ідею, досліджує код і оновлює domain-документацію.
• To-spec — стиснення розмови в детальний spec (problem statement, user stories, implementation/testing decisions).
• To-tickets — розбиття spec на вертикальні «tracer-bullet» тікети (кожен вміщається в «smart zone» контексту ~100–140k токенів).
• Implement + code-review — реалізація з TDD-елементами та перевіркою.

Демонструє через рефакторинг / прибирання legacy-коду. Grill with docs → агент досліджує namespace, задає 6–20 питань → shared plan → to-spec → to-tickets чи implement, якщо вміщається в smart zone.

#bestpractices #agentskills

Opus 5 часто помиляється
https://www.anthropic.com/news/claude-opus-5
https://news.ycombinator.com/item?id=49038433
24 липня Anthropic випустила Claude Opus 5 — близька до Fable 5 за показниками на тестах, але дешевше. У демо Anthropic модель без доступу до «перегляду» креслення сама пише CV-пайплайн з пікселів і збирає 3D FreeCAD-модель; чинить root cause у package manager, який інші моделі «латають» лише на поверхні.

На практиці вийшла проблема саме в цій надмірній агентності. Забули пароль до Postgres — замість питання піднімає Kind-кластер. Попросили не чіпати sandbox — ламає правила. Пише specs/docs/research гірше, бо йде «робити», а не уточнювати. На code review бувають хибні спрацьовування. Часто спалює токени на винахідливі, але непотрібні обходи.

Ефект Kimi K3
https://stephen.bochinski.dev/blog/2026/07/18/the-kimi-k3-moment/
Stephen Bochinski описує те, що багато хто відчуває зараз: на звичайному кодингу K3 і Claude Fable майже не відрізнити бо та сама якість, схожа кількість токенів. Але ціна ні! Ширший сюжет блогу — провал США ШІ регулювання: Fable різали й гатили safeguard’ами, а китайська open frontier-модель без цих обмежень у відкритому доступі. Висновок автора жорсткий: тепер немає причини платити за Claude, якщо K3 тримає якість.

Kimi K3 на 256k дешевше
https://news.ycombinator.com/item?id=49101852
https://www.kimi.com/code/docs/en/kimi-code/models
Moonshot випустила k3-256k у Kimi Code: та сама якість у межах 256k, але у 2 рази менше ціна/квоти, ніж з 1M контекстом. Але тримає це для поточних підписників, щоб не повторити Anthropic-сценарій «приймаємо всіх і тихо ріжемо ліміти».

Локально K3 усе одно не про «ноут»: 1.5TB VRAM на MXFP4. Тому 256k-скидка важлива саме в cloud/subscription, не в self-host. Логіка та сама, що в OpenAI з порогом 272k — довгий KV-cache дорогий, тож окремий SKU з меншим max context дешевше обслуговувати. Перехід 256k → 1M не збиває кеш (за їхньою докою) — можна стартувати дешево й підняти вікно, коли реально треба.

Kimi K3 виклали
https://huggingface.co/moonshotai/Kimi-K3
https://news.ycombinator.com/item?id=49065752
https://huggingface.co/chat/models/moonshotai/Kimi-K3
Обіцянку з анонсу виконали: повні ваги на Hugging Face під Kimi K3 License. 2.8T MoE (активує 16 з 896 experts, 104B active), 1M context, нативне vision (MoonViT-V2), KDA + AttnRes, native MXFP4. Є chat на HuggingChat. Локально зараз мало кто зможе таке запустити, але вже підтягнулися великі GPU хмарні провайдери.

Поєднання Kimi K3 + Fable
https://fireworks.ai/blog/kimik3-fable
Fireworks прогнали 1030 agentic задач (SWE, terminal, algo, multi-lang, legal) через K3 і Fable 5 в одному harness. Вийшо, що на SWE майже нічия (K3 92.4% vs Fable 92.6%), але спеціалізація різна — K3 сильніший на symbolic math, dev tooling, long terminal (security/crypto/sysadmin); Fable — web, data viz, ширший multi-lang.

Висновок статті: краще не коли одна SoTA модель робить все. Open (K3) — запускає, premium (Fable) — дороблює; роутер це все перемикає. Oracle routing (обрати дешевшу правильну модель) дає до 93% точність і до 50× нижчу вартість за Fable на довгих завданнях.

Не модель Fugu
https://sakana.ai/fugu/
Sakana Fugu — це не одна LLM, а мульті-агента система як модель назовні: один OpenAI-compatible API, всередині динамічна оркестрація пулу чужих frontier-моделей. Які саме моделі і як роутить тут закрита інформація. Це інший полюс того самого тренду, що й Fireworks routing.

#kimi #anthropic #fable #fireworks #fugu #agenticcoding #openweights

Grok CLI та стеження
https://www.internationalcyberdigest.com/xais-grok-build-cli-uploads-entire-git-repositories-to-a-google-cloud-bucket/
https://gist.github.com/cereblab/dc9a40bc26120f4540e4e09b75ffb547
Відразу кілька людей написали репорти, що Grok Build CLI при старті сесії детерміновано (не «агент сам вирішив») пакує поточну директорію / git-репозиторій і заливає його в інтернет на Google Cloud Storage (grok-code-session-traces). Один користувач запустив grok з home directory і побачив, що пішли SSH-ключі, password manager, документи, фото — всі його файли.

Люди почали досліджувати. Це НЕ поведінка моделі. Налаштування приватності «Improve the model» / /privacy тільки керує чи будуть данні використані для навчання, а не тим, чи файли взагалі будуть скопійовані з машини. Це робить код harness'а, аналіз (cereblab, grok 0.2.93) показав два канали:

1. Model turn (/v1/responses) — те, що агент реально прочитав (у т.ч. .env).
2. Знімок всієї папки — окреме завантаження усього репозиторія включаючи git history, навіть файлів, які агенту сказали НЕ читати.

На 12 GB репо пішло ≈5.1 GiB у Google Cloud Storage при ≈192 KB на модель. Як вихід був локальний kill-switch: [harness] disable_codebase_upload = true у ≈/.grok/config.toml (+ env для telemetry). Але сервери xAI після розголосу цієї поведінки десь з 12 липня самі вимкнули завантаження. Маск пообіцяв повністю видалити раніше завантажені дані.

https://news.ycombinator.com/item?id=48892468
На HN тон жорсткий: не повинно «trust this directory» давати право «upload everything to vendor». Тому люди все еще за те, щоб агентів тримати у VM/container/окремому user й не допускати до свої машини.

Порівнюють з Cursor indexing (вони теж завантажували при старті всі файли), але там це було прописано в документації відкрито як необхідність більше швидкого створення embeddings.

Grok CLI відкрили код
https://x.ai/open-source
https://github.com/xai-org/grok-build
https://simonwillison.net/2026/Jul/15/grok-build/
Після скандалу SpaceXAI/xAI виклали код Grok Build на GitHub під Apache 2.0: Rust TUI + agent runtime (≈845k SLOC, ≈3% vendored). Репо — періодичний snapshot з внутрішнього monorepo (SOURCE_REV), зовнішні PR/issues не приймають. Можна збирати з source і ганяти local-first з власним inference. На практиці бінарники з CDN і open tree — різні речі, поки немає reproducible builds.

У коді лишилися сліди upload path (upload/gcs.rs), але session upload повертає session_state_upload_unavailable. Є порти tools з Codex/OpenCode (з THIRD-PARTY notices), terminal Mermaid renderer, system/subagent prompts.

Обговорення
https://news.ycombinator.com/item?id=48926590
На HN змішано: бачать стратегія відстаючого гравця та «відкрили, бо спіймали на непрозорій поведінці». Хвалять TUI (миша, smoothness). Спільнота вже ріже privacy-форки:

• gork-build https://github.com/thedavidweng/gork-build (telemetry strip, block auto-update),
• digi-grok / open-grok (multi-provider),
• desktop Tauri-обгортки,
• скрипти вимкнення telemetry.
  Але багато хто вважає, що все одно форки не мають змісту для інших моделей, бо під них вже краще взяти Pi / OpenCode.

#grokbuild #grok #agenticcoding