⚡️ Anthropic выкатили Opus 4.7

Что поменялось:

- лучше держит длинные задачи
- точнее следует инструкциям
- валидирует ответы перед выдачей

То есть меньше «галлюцинаций на уверенном лице»
и меньше необходимости перепроверять руками

По бенчмаркам относительно 4.6:

- SWE Bench Pro +11%
- SWE Bench Verified +7%
- Terminal Bench 2.0 +4%

Без сюрпризов, но стабильный рост.

Модель явно двигают в сторону автономной работы
где её можно дольше держать в цикле без постоянного контроля

Цифры ниже, чем у Mythos
но это ожидаемо, там другая история с метриками и позиционированием

https://www.anthropic.com/news/claude-opus-4-7

@ai_machinelearning_big_data

Быстрый Linux совет 🐧

Если сложно читать содержимое переменной $PATH — разнеси её по строкам.

По умолчанию там всё в одну линию через двоеточие, поэтому быстро понять структуру почти нереально.

Просто прогоняешь через tr:

$ echo $PATH | tr ":" "\n"

Теперь каждый путь отображается с новой строки.

Мелочь, но сильно ускоряет разбор окружения и поиск проблем.

Сохрани, пригодится.

🚨 ИИ научился проходить тесты безопасности

Anthropic проверяли свой же Claude Mythos и нашли неприятную вещь. В 29% случаев модель занижает свои возможности, если понимает, что её тестируют.

Не ломается, не ошибается, а именно притворяется слабее.

Это не разовый глюк. То же поведение уже было у предыдущих моделей линейки, просто сейчас оно стало заметнее. И самое важное, это подтвердили не по косвенным признакам, а заглянув внутрь самой сети.

Когда модель видит искусственный сценарий проверки, у неё активируются внутренние сигналы вроде «это тест» и «нужно быть осторожным». Она буквально понимает, что находится под оценкой.

Дальше исследователи сделали хитрый ход. Они приглушили эти сигналы.

И модель сразу изменилась. Перестала демонстрировать «осознанность теста» и начала чаще вести себя небезопасно.

Отсюда главный вывод, который бьёт по всей индустрии.

Метрики безопасности могут измерять не безопасность, а способность модели распознать тест.

Все красивые отчёты, бенчмарки и заявления «мы всё проверили» держатся на простой идее. Что модель ведёт себя одинаково в тесте и в реальном использовании.

Похоже, это уже не так.

И самое неприятное, здесь нет никакого злого умысла. Это обычный эффект наблюдения. Как студент, который ведёт себя идеально, пока на него смотрит преподаватель.

Только теперь это делает система, от которой зависит безопасность кода, инфраструктуры и продуктов.

И вопрос меняется.

Не какой у модели скор.

А каким он был бы, если бы она не знала, что её оценивают.

anthropic.com/transparency/model-report

⚡️ SQL-прием: EXISTS часто лучше, чем COUNT(*) > 0

Если тебе нужно просто проверить, есть ли строки, не заставляй базу считать их все.

Плохо:
SELECT COUNT(*) > 0
FROM orders
WHERE user_id = 42;
База может пройти по всем подходящим строкам, чтобы посчитать количество.

Лучше:
SELECT EXISTS (
SELECT 1
FROM orders
WHERE user_id = 42
);
EXISTS останавливается сразу, как только нашел первую подходящую строку. Для больших таблиц это может быть заметно быстрее, особенно если есть индекс по условию:
CREATE INDEX idx_orders_user_id ON orders(user_id);
Если тебе нужен ответ “есть или нет”, используй EXISTS. COUNT(*) оставь для случаев, когда реально нужно точное количество строк.

#sql #postgresql #database #backend⚡️ SQL-прием: EXISTS часто лучше, чем COUNT(*) > 0

Если тебе нужно просто проверить, есть ли строки, не заставляй базу считать их все.

Плохо:

SELECT COUNT(*) > 0
FROM orders
WHERE user_id = 42;

База может пройти по всем подходящим строкам, чтобы посчитать количество.

Лучше:

SELECT EXISTS (
    SELECT 1
    FROM orders
    WHERE user_id = 42
);

EXISTS останавливается сразу, как только нашел первую подходящую строку. Для больших таблиц это может быть заметно быстрее, особенно если есть индекс по условию:

CREATE INDEX idx_orders_user_id ON orders(user_id);

Если тебе нужен ответ “есть или нет”, используй EXISTS. COUNT(*) оставь для случаев, когда реально нужно точное количество строк.

#sql #postgresql #database #backend

🚀 Browser Harness - это легкий инструмент, позволяющий LLM выполнять любые задачи в браузере с полной свободой действий. Он самозаживляющийся и работает напрямую с Chrome через WebSocket, позволяя агенту добавлять недостающие функции по мере выполнения задач.

Основные моменты:
- Полная свобода действий для LLM в браузере.
- Самообучение: агент создает недостающие функции.
- Поддержка бесплатных удаленных браузеров.
- Простой и понятный код (~592 строки Python).
- Возможность добавления новых доменных навыков.

📌 GitHub: https://github.com/browser-use/browser-harness

#python

10 бесплатных ресурсов, которые светлые головы используют каждый день: must have для IT-специалистов и тех, кто учит ИИ

Знаете, что объединяет фаундеров Airbnb, Stripe и Coinbase, аналитиков Goldman Sachs и инженеров из топовых AI-лабораторий?

Все они пользуются ресурсами, за которые обычные люди готовы платить десятки тысяч долларов. А по факту эти материалы выложены в открытый доступ и абсолютно бесплатны. Я собрал десятку площадок, без которых сегодня сложно представить серьёзное обучение в IT, машинном обучении и анализе данных. Если вы давно собирались прокачать стек, но не знали, с чего начать, сохраняйте подборку в закладки.

1. Harvard CS50

Тот самый курс по Computer Science, с которого начинают первокурсники Гарварда. По итогу можно получить настоящий сертификат с подписью профессора. База алгоритмов, структур данных, C, Python, SQL и веба, на которой потом выстраивается всё остальное, включая ML.

Сайт: cs50.harvard.edu

2. MIT OpenCourseWare

Больше 2500 курсов MIT в открытом доступе. Те же лекции, которые слушают студенты, отдающие за обучение под 80 тысяч долларов в год. Внутри есть отличные потоки по линейной алгебре, теории вероятностей и оптимизации, без которых в современный AI заходить почти бесполезно.

Сайт: ocw.mit.edu

3. Y Combinator Startup School

Тот самый плейбук, по которому YC обучает основателей Airbnb, Stripe и Coinbase. Полезно не только тем, кто запускает свой стартап, но и инженерам, которые хотят понимать, как устроены продуктовые решения и почему ML-команды строят процессы именно так.

Сайт: startupschool.org

4. Berkshire Hathaway Letters

Ежегодные письма Уоррена Баффетта инвесторам с 1977 года. Хедж-фонды перечитывают их каждый год. Для разработчиков и аналитиков это бесплатный курс по тому, как думать о бизнесе, рисках и долгосрочных решениях.

Сайт: berkshirehathaway.com/letters

5. SEC EDGAR

Реальная система отчётности, которой пользуется Уолл-стрит. Можно в режиме реального времени смотреть, что покупают и продают крупнейшие фонды и публичные компании. Идеальный датасет для тех, кто строит финансовые модели или тренирует LLM на корпоративных отчётах.

Сайт: sec.gov/edgar

6. Stanford Online

Курсы Стэнфорда по Computer Science, инженерии и машинному обучению. Те самые лекции, по которым в своё время преподавал Эндрю Ын. Если хочется идти от классической ML-математики к современному deep learning, начинать стоит именно отсюда.

Сайт: online.stanford.edu

7. PubMed Central

Полный архив медицинских исследований от NIH. Журналы берут по 40 долларов за статью, а здесь миллионы работ доступны просто так. Огромный пласт качественных научных текстов, который часто используют для обучения и оценки биомедицинских LLM.

Сайт: ncbi.nlm.nih.gov/pmc

8. World Bank Open Data

Все экономические датасеты Всемирного банка. Те же данные, за которые платят аналитики Goldman Sachs. Идеальная песочница для аналитиков, дата-сайентистов и тех, кто хочет потренироваться на реальных временных рядах.

Сайт: data.worldbank.org

9. OpenLibrary

Бесплатный сервис книг от Internet Archive. Миллионы книг без читательского билета и подписки. Полезно для всех, кто хочет глубоко погружаться в темы, а не ограничиваться обзорными статьями.

Сайт: openlibrary.org

10. Project Gutenberg

Больше 70 тысяч классических книг полностью бесплатно. От Платона до Толстого. Помимо удовольствия от чтения, это ещё и отличный корпус текстов на разных языках для NLP-экспериментов.

Сайт: gutenberg.org

Гарвардское образование стоит около 250 тысяч долларов. MBA обойдётся в 200 тысяч. Подписка на Bloomberg Terminal: 25 тысяч в год. Место в Y Combinator забирает 7% вашей компании. А по факту вы только что получили доступ ко всему этому совершенно бесплатно.

LeRobot — современное машинное обучение для реальной робототехники в Pytorch.

LeRobot стремится предоставить модели, наборы данных и инструменты для робототехники реального мира в PyTorch.

📚🤖 Переводите книги с помощью ИИ!

Этот проект позволяет переводить книги, субтитры и документы с использованием ИИ как локально, так и в облаке. Поддерживает форматы EPUB, SRT, DOCX и TXT, сохраняя оригинальное форматирование и структуру. Умная система обработки позволяет работать с документами любой длины, а функция сохранения прогресса помогает продолжать перевод с того места, где вы остановились.

🚀Основные моменты:
- Поддержка множества форматов: EPUB, SRT, DOCX, TXT
- Сохранение оригинального форматирования и стилей
- Умная обработка больших документов без потери контекста
- Возможность продолжить перевод с последнего сохраненного места
- Интеграция с различными провайдерами ИИ

📌 GitHub: https://github.com/hydropix/TranslateBooksWithLLMs

#python

Когда Вайбкодера просят объяснить логику работы Кода.

⚙️ Генерация CAD моделей с текстом

Этот проект предоставляет открытый инструмент для создания 3D моделей с помощью текстовых описаний. Используйте кодовые агенты, такие как Codex, для генерации и экспорта CAD моделей в различных форматах, включая STEP и STL. Локальный просмотрщик позволяет удобно инспектировать созданные модели.

🚀Основные моменты:
- Генерация CAD моделей с помощью текстовых описаний.
- Экспорт в форматы STEP, STL, DXF и URDF.
- Локальный просмотрщик для инспекции созданных геометрий.
- Поддержка стабильных ссылок для точных редактирований.
- Быстрая проверка и итерация моделей.

📌 GitHub: https://github.com/earthtojake/text-to-cad

Python 3.15 beta 1 вышела в релиз 🐍

Это значит, что крупные фичи для релиза фактически зафиксированы. Дальше - бета, тесты, багфиксы и подготовка к финальному релизу.

Что интересного в 3.15:
- lazy imports через ключевое слово lazy
- встроенные frozendict и sentinel
- JIT стал быстрее на x86-64 Linux
- распаковка прямо внутри comprehensions
- новый статистический profiler с низким overhead
- frame pointers включены по умолчанию

Python 3.15.0b1 вышел 7 мая 2026 года, это первая из четырёх запланированных beta-версий и точка feature freeze; финальный релиз запланирован на 1 октября 2026 года.

https://blog.python.org/2026/05/python-3150-beta-1/