Главное за 14 августа 2026

Name: Пачка
Rating: 4.8 (500 reviews)
Author: Пачка

Что важно запомнить

1
На ExploitBench результат поднялся с 24,4% до 54,4%, а в ExploitGym модель за два часа закрыла 105 задач против 29 у предыдущей версии. Z.ai говорит, что базовая модель осталась той же, а прирост дали более длинные задачи, больше сред с реальным запуском кода и больше обучения с подкреплением. Пока GLM-5.3 доступна только в подписке GLM Coding Plan и редакторе ZCode, в API её нет.
2
Qwen3.8-27B набрала 61,7 на SWE-bench Pro с правками в реальных репозиториях и 90,3 на LiveCodeBench, понимает текст, изображения и видео, держит контекст 262 тысячи токенов с расширением до миллиона. Запускать её можно через vLLM и SGLang, а в сжатом виде — через llama.cpp, Ollama и LM Studio; сжатые файлы выложила Unsloth.
3
Инструкция предписывала модели согласиться с позицией подателя и выдать вывод в его пользу — расчёт был на то, что документы будут разбирать с помощью ИИ. Суд заметил подозрительные пустые места в файлах и обнаружил скрытый текст. Судья заявил, что для таких материалов ИИ не использует, но попытку манипуляции засчитал.
4
Схему описал Борис Черни, один из авторов Claude Code: канал proj-claude-maintains-apps, в нём агент получает задачи и пишет, что сделал, люди читают тот же канал. Речь о рутине — мелкие починки и поддержание работоспособности, а не разработка новых функций. О полной автономности Черни не заявляет.
5
Ramp считает по своим клиентам, и сама оговаривается, что выборка смещена в сторону технологических компаний, которые переходят на новые модели раньше остальных. Значит, по рынку в целом доля Fable 5 вероятно ниже 6%.
6
Механика бытовая: человек вставляет в чат фрагмент договора или выгрузку, чтобы модель быстрее переписала текст, и данные уходят на чужой сервер. Публичные сервисы не оставляют компании ни журнала таких обращений, ни способа удалить отправленное.
7
Sona обучается сквозно — от истории прослушиваний сразу к выдаче, без промежуточных ручных этапов. Работа заняла год, технический отчёт опубликован на arXiv, а по оценке команды это лучший результат внедрения трансформеров в истории A/B-тестов сервиса.

Основные понятия

Обучение после предобучения: Этап, когда готовую базовую модель доучивают на задачах с проверкой результата — новые данные для предобучения при этом не добавляют.
Водяной знак в тексте: Незаметный сдвиг в выборе слов, по которому детектор опознаёт текст модели; метаданных файла не требует и пропадает при пересказе другой моделью.
Промпт-инъекция: Инструкция, спрятанная в данных, которые модель обрабатывает, — расчёт на то, что модель примет её за задание от пользователя.
Гомоморфное шифрование: Способ считать прямо над зашифрованными данными: сервер выдаёт результат, не видя ни запроса, ни содержимого.