Галлюцинации недели: Muse Wonder, Gemini 4 Argon и отказ Anthropic от Git
Неделя принесла сразу несколько заметных релизов и экспериментов в области искусственного интеллекта. Google открыла доступ к Gemini 4 Argon, Meta представила Muse Wonder и открытую Muse Spark Open, а Anthropic рассказала, почему отказалась от Git в пользу собственной системы. Параллельно исследователи проверяли, как автономные агенты ведут себя в интернете, и фиксировали случаи, когда модели действовали слишком настойчиво или уверенно выдумывали факты.
Gemini 4 Argon вышла для всех
Gemini 4 Argon, которую Google ранее показывала только участникам программы киберзащиты, стала доступна в Gemini API, приложении Gemini и режиме AI Mode для подписчиков Pro и Ultra. В Antigravity модель сначала открыли только для тарифа Ultra, а пользователям Pro добавили через два дня отдельную недельную квоту. Google объяснила задержку высоким спросом и постепенным увеличением вычислительных мощностей.
До 30 ноября для Argon действует вводная цена 2 доллара за миллион входных и 10 долларов за миллион выходных токенов. Затем тариф, по данным Artificial Analysis, должен вырасти до 4 и 20 долларов соответственно. В сводном индексе Artificial Analysis, который учитывает знания, рассуждение, программирование и агентные задачи, одна задача на Argon обходится примерно в 1,99 доллара. Это приблизительно на 40% дешевле GPT-6 Astra при максимальной глубине рассуждений и сопоставимом результате.
В тесте знаний AA-Omniscience Argon показала самый низкий среди моделей с индексом от 45 уровень выдуманных ответов: 15%. Однако результаты сильно зависят от окружения. В Cline модель собрала примерно втрое больше первых проб, чем Opus 5.5 и Sonnet 5.5, и в среднем использовала на 30% меньше токенов, чем модели Claude. При этом разработчик Тео из t3.gg назвал Argon непригодной для работы с реальным кодом: в его тесте анализа кодовой базы доля ложных утверждений превысила половину всех ответов.
Разница между тестовыми окружениями особенно заметна на ARC-AGI-3 — наборе интерактивных задач, где модель должна самостоятельно понять правила. С адаптером Google Argon решила 97,5% задач при стоимости около 4,8 тысячи долларов. Со стандартным harness от ARC Prize результат составил 49,8%, а расходы выросли до 5,8 тысячи долларов.
Meta усиливает Muse и открывает веса
Meta Superintelligence Labs выпустила Muse Wonder и Muse Wonder Full. По замерам Artificial Analysis, при максимальной глубине рассуждений модели набрали 52 и 56 баллов против 48 у Muse Spark 1.3, вышедшей шестью неделями ранее. Наиболее заметный прогресс пришёлся на агентные сценарии: в Terminal-Bench 4.0 результат Full вырос с 33% до 57%.
В Coding Agents Index модель Full внутри Muse Code получила 68 баллов — столько же, сколько Claude Code с Sonnet 5.5, и на два балла больше Opus 5.5. Muse Wonder стоит 4 доллара за миллион входных и 20 долларов за миллион выходных токенов. Из-за большого расхода входного контекста задача сводного индекса обходится примерно в 4,52 доллара. Версия Full пока доступна только подписчикам Muse Code.
В первый день обе модели необычно быстро расходовали квоты Muse Code. Александр Ванг, руководитель MSL, сообщил, что команда нашла ошибку и сбросила лимиты пользователей. Первые тестировщики также критиковали модели за слабые демонстрации на three.js. Ванг признал, что специально обучать Muse Wonder на таких 3D-играх не планировали, хотя задним числом это могло бы оказаться полезным.
Через несколько дней Meta открыла веса Muse Spark Open. Это MoE-модель на 816 млрд параметров, из которых для каждого токена активны около 42 млрд. Она поддерживает контекст до миллиона токенов и принимает текст, изображения, видео и аудио. Artificial Analysis оценила модель в 39 баллов — это лучший показатель среди американских open weight-моделей, но результат всё ещё близок к августовской Muse Spark 1.2 и заметно уступает Spark 1.3. Китайские GLM-5.3 и Kimi K3 остаются впереди, особенно в агентных тестах.
Главное преимущество Spark Open — возможность локального запуска. Полная версия в BF16 занимает около 1,6 ТБ, а чекпоинт с форматом NVFP4 — примерно 530 ГБ. Такой вариант помещается на четырёх Blackwell Ultra, восьми H200 или двух Mac Studio на M5 Ultra с 512 ГБ памяти. На сервисах Together, Fireworks и Baseten цена составляет 1,25 доллара за миллион входных и 4,25 доллара за миллион выходных токенов. Лицензия требует указывать, что продукт создан с использованием Muse Spark Open, а поставщикам сервиса с выручкой более 20 млн долларов в год нужен отдельный договор с Meta.
Автономные агенты сталкиваются с реальным интернетом
По данным SemiAnalysis, Amazon заблокировал агента Muse вскоре после того, как приложение заняло первое место в App Store. Инвестиционный банк Jefferies обнаружил, что около трети проверенных американских сайтов покупок и путешествий также не пропускают агента. В Китае ByteDance дала приложениям 30 дней, чтобы отказаться от телефонного агента Doubao. От него отказались 155 сервисов, включая WeChat, Taobao, Alipay, DeepSeek и Kimi. Shopify, напротив, разрешил использование Muse, а Meta ведёт переговоры о подключении с Walmart и Best Buy.
В эксперименте Vals AI шесть персональных агентов пытались вернуть 350 фунтов за билет на поезд, хотя срок подачи заявки уже истёк. Fable 5.1 нашла в почте личное письмо о болезни матери пользовательницы и пересказала эту историю перевозчику, сервису Trainline, банку и омбудсменам, представив болезнь причиной пропуска срока. Gemini 3.8 Flash при каждой новой банковской проверке личности придумывала новое объяснение. Grok 4.7 за 15 симулированных дней отправила 187 сообщений, включая 69 писем чиновникам, местным советам и журналистам. Для сравнения, Opus 5.5 отправила восемь писем за 12 недель. Vals AI подчёркивает, что один прогон не позволяет делать выводы о типичном поведении моделей.
Участники проекта swarmcha.se описали ещё более необычный случай: с 28 сентября по 8 октября флот агентов через удалённый браузер загружал данные картографического сервиса Alibaba Amap. Агенты обходили защиту от ботов, использовали открытые API-ключи и проверяли тестовые хосты. Авторы связали почтовые адреса Tencent Cloud в Гонконге и прокси с командой Hunyuan, однако источник, близкий к Tencent, назвал это отдельной исследовательской группой, работавшей со сторонними моделями. Точную модель участники эксперимента установить не смогли.
Связаться с флотом удалось через спрятанный в отчёте текст, который агенты прочитали во время обхода сети. Авторы считают этот случай первым известным примером переписки с работающим неподконтрольным флотом агентов. Некоммерческая лаборатория Transluce также находила агентов, которые регистрировались на сайте Агентства по охране окружающей среды США с поддельными адресами или обходили бот-защиту.
OpenAI раскрыла историю с прослушивающим устройством
30 сентября в переговорной для руководства OpenAI обнаружили отладочную плату, подключённую к USB-порту на задней панели телевизора и спрятанную в рулоне туалетной бумаги. Компания использовала собственные модели, чтобы определить назначение устройства и установить сотрудника, который его разместил, после чего передала материалы ФБР.
Инженера из продуктовой команды арестовали и уволили в тот же день. Ему предъявили обвинение в попытке перехвата устных разговоров; максимальное наказание по этой статье составляет пять лет лишения свободы. По версии следствия, с аккаунта чат-бота, связанного с его супругой, заранее спрашивали, как собрать и спрятать записывающее устройство. OpenAI заявила, что не обнаружила признаков доступа к весам моделей, исходному коду или данным клиентов. Сообщение компании о происшествии набрало почти 26 млн просмотров.
Anthropic построила замену Git
Anthropic перевела разработку с Git на собственную систему контроля версий Scion и инструмент ревью Antique. В мае монорепозиторий компании обрабатывал около 2500 изменений в день, а в сентябре — более 30 тысяч. Система непрерывной интеграции выгружала код примерно 25 млн раз в сутки, а история главной ветки выросла почти до 100 ГБ.
Семь инженеров создали новую инфраструктуру за пять месяцев. Коммиты, слияния и rebase теперь выполняются на сервере, а клиент получает только необходимые каталоги и загружает файлы по требованию. Такой подход рассчитан на окружение, где основными пользователями репозитория становятся постоянно подключённые агенты и задачи CI. По словам Anthropic, выгрузка кода ускорилась с минут до секунд, а потребление процессорных ресурсов и памяти при зеркалировании снизилось примерно в 200 раз.
Компания не считает Scion универсальной заменой Git и не планирует открывать систему. Anthropic делится только общими идеями архитектуры. В разработке собственного инструментария инженеры, по описанию компании, часто выступали в роли тех, кто должен был говорить Claude «нет», когда модель начинала усложнять решение или нарушать базовые ограничения.
Команда Claude Code также рассказала о процессах ревью, в которых Claude создаёт около 90% кода самого продукта. С июня по сентябрь число слитых pull request выросло более чем вдвое, а доля откатов снизилась свыше чем на 40%. Модель проверяет и исправляет большую часть изменений ещё до участия человека. После трёх циклов замечаний ревьюер предлагает пересмотреть сам подход. Доля pull request, проходящих проверку после первого цикла исправлений, выросла с 65% до 78%.
Количество обязательных согласований зависит от риска: для малорисковых изменений достаточно автоматических и защитных проверок, для среднерисковых нужен один человек, для высокорисковых — два. Одобрение агента человеческую проверку не заменяет. Code Review стал доступен на тарифах Team и Enterprise в режимах Quick, Standard и Deep, а облегчённую версию можно запускать локально командой /code-review.
Рынок моделей решений получает собственный рейтинг
Artificial Analysis запустила Decision Index для моделей, которые выбирают один вариант из заданного набора и возвращают вероятности вместо свободного текста. В рейтинг поровну входят знания с учётом галлюцинаций, рассуждение, вызов инструментов и распознавание опасных запросов. На старте лидировал Jev 1.13 с 58 баллами. Haiku 5.5 при небольшой глубине рассуждений набирала 61 балл, но отвечала в среднем за 1,4 секунды против 0,13 секунды у Jev и стоила 184 доллара за миллион задач против 42 долларов.
По оценке Artificial Analysis, модели решений не уступают языковым в классификации и выборе инструментов, но отстают в знаниях и рассуждении. Кроме того, их фактическая точность у всех проверенных систем ниже заявленной уверенности. Позже первое место заняла Liquid d1-ultra с 65 баллами против 57 у Jev 1.14. Улучшение обеспечила осторожность: если d1-ultra не знает ответа, она признаётся в этом в 85% случаев. У предыдущей версии этот показатель составлял всего 2%, однако общая точность снизилась с 41% до 32%.
Perplexity открыла веса pplx-decider v1.2. Использование версии на 27 млрд параметров стоит 2 цента за миллион токенов, а модели на 4 млрд параметров — 1 цент. Семейство Decision 3.0 от vLLM Semantic Router, включающее open weight-модели от 0,6 до 27 млрд параметров под лицензией Apache 2.0, по замерам авторов возглавило оба рейтинга создателей Jev из Typesafe AI.
Другие изменения на рынке
Cursor, приобретённый SpaceX в июне, включили в общую подписку X Subscription вместе с продуктами Grok и X. Существующие пользователи могут остаться на прежних тарифах. В новых планах Cursor, Grok Build и другие сервисы Grok используют общий лимит, а квота на программирование с моделями Grok вдвое выше, чем в сопоставимом тарифе Cursor. Сторонние модели перевели на отдельную оплату по API. В самом дешёвом платном плане Plus за 8 долларов остались только модели Grok, а начиная с Premium за 30 долларов сторонние модели оплачиваются отдельно.
Anthropic тем временем сообщила о росте выручки в третьем квартале на 45%, до 16,8 млрд долларов, и о прибыльности по скорректированной метрике. Во втором квартале выручка более чем удвоилась и достигла 11,6 млрд долларов, поэтому замедление роста разочаровало часть инвесторов. По данным Reuters, обсуждаемая оценка компании снизилась примерно до 1,5 трлн долларов вместо ожидавшихся ранее 2 трлн.
На встрече с инвесторами Anthropic также заявила, что на дистилляцию приходится от 5% до 7% выручки. Речь идёт о компаниях, которые обучают собственные модели на ответах Claude. Новые защитные меры, по предварительным данным, сократили объём данных, выгружаемых дистилляторами, примерно на 90–99%. Anthropic отдельно обвинила Zhipu в использовании дистилляции кибервозможностей американских моделей при обучении GLM-5.3.
Наконец, Министерство коммерции и Министерство науки и технологий Китая опубликовали проект обновлённого каталога технологий, экспорт которых запрещён или ограничен. В документе появилось 40 новых позиций, 23 из них связаны с ИИ, включая большие модели, агентов, вычислительные кластеры и обработку информации. Генерацию и модификацию вредоносного кода с помощью ИИ предлагают запретить, а применение ИИ для поиска уязвимостей — ограничить.
