Anthropic выпустила Claude Fable 5.2: управление роботами и математика
Anthropic представила Claude Fable 5.2 и Claude Mythos 5.2 — новые версии моделей для сложных технических задач. Компания заявляет об улучшениях в программировании, рассуждениях и работе с визуальной информацией. В предварительных тестах модели помогли решить две открытые задачи по физике чёрных дыр и формализовать доказательство теоремы Ферма. Рассказываю, какие еще есть интересные результаты.Быстрее и дешевлеFable 5.2 генерирует ответы до 30% быстрее предыдущей версии. Цена API снизилась на 20%: с $10/$50 до $8 за миллион входных и $40 за миллион выходных токенов.
Обзор новых Claude Fable 5.2 и Mythos 5.2: разбираем главные детали обновления
9 ноября 2026 года Anthropic представила Claude Fable 5.2 и Claude Mythos 5.2. Компания обновила модели для сложных технических задач: разработки программ, научных исследований и проектирования электроники. По заявлению Anthropic, они работают быстрее предыдущих версий, а базовая стоимость обработки токенов снизилась на 20%.Чем Fable 5.2 отличается от Mythos 5.2За двумя названиями стоит одна базовая модель. Разница заключается в защитных механизмах и условиях доступа.
Как я перестал пересказывать агенту проект каждое утро: память для Claude Code, Codex и других агентов
Есть момент, знакомый всем, кто работает с ИИ-агентами дольше недели. Вы открываете проект, ставите задачу, и агент задает вопрос, на который вы уже отвечали. Вчера. Подробно, с примерами.Вы отвечаете еще раз. Через полчаса он предлагает починить то, что позавчера вы решили не трогать. Предлагает убедительно — он ведь не знает, почему вы так решили. А еще через час контекст переполняется, разговор сжимается в пересказ, и половина обсужденного превращается в пару строк.Я работаю в команде Lamantin AI, которая делает kaeru — память для ИИ-агентов. Когда мы
Как мы создавали AI-агента, с которым теперь сами разрабатываем продукты
Еще недавно вопрос о том, какой метод использовать для обработки коллекции, мог отправить разработчика в документацию, на Stack Overflow или обсуждения на Хабре. В удачный день там находился ответ. В менее удачный — обсуждение архитектуры проекта, квалификации автора и целесообразности его существования в профессии... Где-то между этими темами обычно прятались нужные три строчки кода.Затем появились ИИ-чаты, которые можно было использовать как «продвинутый поисковик»: уточнять детали, показывать код, обсуждать варианты реализации. Заодно можно было попросить придумать имя методу, пока тот не стал processDataFinalReallyFinal.
ИИ-агентура и Harness: современные системы ИИ-агентов
Мир ИИ-агентов стремительно развивается. Совсем недавно ИИ-агент был обычным чатом с LLM, где он творил что хотел. Но в последнее время вы могли даже сами слышать такие вещи как скиллы, MCP, оркестрационный цикл, инструменты, управление контекстом — все это составляющие части агентской системы. И такая обвязка носит имя Harness. Этот термин родом из среды тестировщиков — Test harness — это обвязка, которая позволяет прогонять код в контролируемых условиях. А Agent Harness — уже слой инфраструктуры, который позволяет автоматизировать и оперировать рабочим окружением. Проще говоря, приближает агента к агентности, если каламбурить.
Пытаемся сделать лаборанта из локальной Qwen 3.8 на 16 ГБ VRAM
Котик пытается настроить QwenВ прошлой статье
Как расследовать косвенные промпт-инъекции в ИИ-агентах
В октябре на arXiv авторы из Университета Сунь Ятсена и Гонконгского университета науки и технологий выложили работу AgentTracer
От AI‑агентов до архитектуры: 15 способов прокачать IT‑навыки за неделю На этой неделе наши…
От AI‑агентов до архитектуры: 15 способов прокачать IT‑навыки за неделю
Токены дешевеют, а счета за ИИ растут. Экономика LLM на конец 2026 года
Всем привет!В предыдущих статьях я разбирал локальный инференс: на каком железе запускать большие языковые модели и как подключить их к Claude Code. Локальные модели хороши тем, что за каждый токен платить не нужно. Но в корпоративной практике основная нагрузка приходится на облачные модели OpenAI, Anthropic и Google, и вопрос их стоимости становится для продуктовых команд одним из ключевых при планировании.
