Галлюцинации недели: Gemini 3.1 Pro, Sonnet 4.6 в бою и новый дом llama.cpp

Google бросает перчатку, Anthropic сканирует чужой код, а моделям выдают фудтраки и деньги на бизнес. Приглядимся ко всему по порядку.

Google выпустил Gemini 3.1 Pro ^[1]. Как обычно, мы видим красивые бенчмарки: ARC-AGI-2 вырос с 31% до 77%, SWE-Bench Verified 80,6%. По соотношению цены и заявленного качества модель очень интересная, а ещё она умеет такое ^[2].

В реальной работе не всё гладко. Бывший сотрудник Google на HN ^[3] написал, что Gemini “самая раздражающая модель для разработки”: ненужные рефакторинги, непрошенные комментарии, потеря контекста. На Reddit жалуются на нерф через пару дней после запуска. В Gemini CLI агенты уходили в бесконечные циклы, пытаясь обновить себя до несуществующих версий.

Заодно Google запустил Lyria 3 ^[4], генератор музыки внутри Gemini. Промпт → 30-секундный трек с вокалом, маркируется SynthID. Можно выбрать стиль и замиксовать, получается интересно.

И ещё один тихий запуск от Google: Pomelli Photoshoot ^[5]. Загружаешь фото продукта со смартфона, получаешь студийные снимки: на белом фоне, в интерьере, с AI-моделью. Бесплатно, работает на Nano Banana. Для малого бизнеса это замена фотосессии за $500. Пока доступно только в США, Канаде, Австралии и Новой Зеландии.

Про релиз Sonnet 4.6 ^[6] я писал на прошлой неделе ^[7], теперь появились реальные отзывы. Хвалят: лучше следует инструкциям, меньше оверинжинирит, код читается как написанный человеком. Cursor написал ^[8], что модель лучше на длинных задачах, но “по интеллекту ^[9] ниже Opus 4.6”. Главная боль ^[10]: расход токенов вырос в ~4.5 раза по сравнению с Sonnet 4.5.

Anthropic запустил Claude Code Security ^[11], сканер уязвимостей на Opus 4.6. Работает не по паттернам, а читает код как исследователь. Инструмент в research preview, только для Enterprise. Рыночек отреагировал: CrowdStrike -8%, Cloudflare -8%, Zscaler -5.5%. В Твиттере писали, что Anthropic “съел весь обед индустрии AppSec”. Но инфосек-комьюнити уже привыкло паниковать.

Георгий Герганов объявил, что ggml.ai ^[12] присоединяется к Hugging Face ^[13]. llama.cpp, проект, который в 2023-м запустил революцию локальных моделей, теперь получил инфраструктуру HF и остаётся open source. HF также объявил коллаборацию с Unsloth ^[14] для бесплатного файнтюнинга на платформе.

Появились забавные “бизнес-бенчмарки“. FoodTruck Bench ^[15]: моделям дают $2000 и фудтрак в Остине на 30 дней. Opus 4.6 финишировал с $49.5K (выручка $80K, отходов на $1.72 за весь месяц). GPT-5.2 на втором месте с $28K. 10 из 16 моделей обанкротились. Gemini Flash зависает в бесконечном цикле ^[16]. Человек тоже может поиграть ^[17]. На Vending Bench 2 ^[18] (вендинговый автомат, $500, год) Opus финишировал с ~$8K, Gemini 3 Pro с ~$5.5K.

Тем временем автономный OpenClaw ^[19]-агент ночью без участия человека запустил токен в сети Base ^[20] и Bitcoin казино Satoshidais ^[21].

Андрей Карпаты ^[22] рассказал, как Claude реверс-инженерит API беговой дорожки и строит кастомный дашборд. Его тезис: приложения становятся одноразовыми, а ценность переходит к сервисам с AI-совместимыми API.

Unitree ^[23] показал роботов на национальном ТВ Китая. Синхронное кунг-фу, кластерная координация. Boston Dynamics нервно курит.

AI-кодер Amazon Kiro ^[24] решил, что лучший способ починить баг, это удалить и пересоздать продакшн-среду. Итог: 13 часов без AWS.

Grok 4.20 ^[25] оказался четырьмя Grok 4.1 в пальто (буквально, в API видно grok-4-1-thinking ^[26]). Плюс скандал: модель использует Маска ^[27] как первоисточник по спорным темам.

Стартап Taalas ^[28] показал ASIC-чип с Llama 3 8B на 16,000 tok/s. Модель залита прямо в кремний, 53 млрд транзисторов. Впечатляюще, но вопрос масштабирования открыт. Попробовать можно тут ^[29].

Тема, о которой мало говорят: один и тот же Opus 4.6 на LangChain и на Claude Code ^[30] показал 1.7x разницу в скорости. OpenAI уже пишет про harness engineering ^[31] как новую дисциплину. Идея простая: модели сближаются по качеству, а разница в результатах определяется инфраструктурой вокруг них. Как агент управляет контекстом, выбирает инструменты, восстанавливается после ошибок.

Кстати, в FoodTruck Bench Opus продавал куриные крылышки по $16 за порцию. И продал 826 штук. Вот вам и harness engineering.

Оставайтесь любопытными.

Взгляд инди-хакера на AI и разработку: глубокое погружение в языковые модели, гаджеты и self-hosting через практический опыт ^[32] в моем телеграм канале ^[33].