Hacker News Digest

Главная мысль: Dario Amodei отвергает упрощённую схему «регуляция = концентрация = регуляторное захват», показывая, как правильно построенные институты могут рассеивать власть, а также продвигая политику, выгодную не только крупным игрокам.

Ключевые факты: он подчёркивает, что «регуляция» часто воспринимается как ограничение корпоративного контроля, но на деле зависит от формы закона; в Калифорнии SB53 и SB1047 освобождают малый бизнес от строгих требований, а предложенный в CAISI подход к тестированию моделей дифференцирует крупные и мелкие компании. Кроме того, идея «Pacing the Frontier» предполагает замедление самых передовых моделей, не ограничивая тех, кто их догоняет, что в пользу открытых и более доступных решений. Amodei считает, что ИИ по своей природе склонен к концентрации, но правильные правила могут одновременно управлять кибер‑, био‑ и выравнивательными рисками, ограничивать власть фронтендеров и поддерживать открытый‑исходный сегмент.

Публичное недоверие к Anthropic связано не с формой регуляции, а с отсутствием реальных результатов, противоречием между риторикой безопасности и закрытостью продуктов, а также восприятием компании как инструмента концентрации власти под видом благих намерений. Обещания вроде «вылечим рак» воспринимаются как пустая риторика: за три года не появилось ни одного материального прорыва в медицине, связанных с Claude, несмотря на заявления о повышении продуктивности учёных. Закрытость — отсутствие open-weight моделей, ограничения на Claude Code — трактуется как сознательное удержание технологий, усиливающее подозрения в монополизации. Риторика о «безопасности» и «благих намерениях» кажется кондесценциентной и лицемерной на фоне блокировки открытых инструментов и отказа от прозрачности. Сравнения с религией («сознание Клауда», обращения к папе) и с Microsoft в 90-х подчёркивают формирование культа личности и повторение модели закрытой экосистемы. Критики отмечают, что Dario Amodei, несмотря на намерения, стал частью системы, где власть искажает восприятие: он воспринимает себя как морального арбитра, а не инженера, служащего обществу. Предложения по регуляции, якобы поддерживающие малые компании, воспринимаются как легитимация монополии — они не решают фундаментальную проблему: зависимость от вычислительных ресурсов, которые остаются у крупных игроков. Даже если AI ускорит открытия, Anthropic не говорит, как обеспечит доступ к лечению, а не только к коду. Споры о том, стоит ли открывать код: одни считают это необходимым для восстановления доверия, другие — что это не решит концентрацию власти при дефиците ресурсов. Сравнение с Китаем: одни утверждают, что регуляция в США бессмысленна, так как другие страны её не соблюдают и она лишь укрепляет американскую монополию; другие — что она может задать глобальные стандарты, даже если не все их соблюдают. Технологические компании 25 лет систематически разрушали доверие, поэтому любые заявления о «спасении мира» теперь воспринимаются как манипуляция. Даже сторонники ИИ разочарованы отсутствием прорывов.

Qwen 3.8 27B — Alibaba‑разработанная 27‑параметровая LLM с поддержкой визуального ввода, работает под лицензией Apache 2 и умеет генерировать сложные SVG‑рисунки, но по умолчанию включает «xhigh»‑уровень рассуждений, который превращает простые запросы в часы‑долгие раздумья. На ноутбуке с 128 ГБ RAM и на сервере NVIDIA DGX Spark я использовал 17 ГБ‑квантованную версию в LM Studio, увеличив контекст до 262 144 токенов; при включённом рассуждении модель потратила 21 минуту на создание SVG‑картинки пеликана, а без него — лишь 2 минуту, получив менее детализированный результат.

Запомните:

• 27 Б‑модель помещается в 17 ГБ файла и способна к полноценному генеративному рисованию и коду.
• Параметр reasoning_effort (xhigh/medium/low) сильно влияет на скорость; отключив «xhigh», время генерации падает почти в 10 раз.
• При работе через llama.cpp с MTP‑режимом (draft‑mtp) ускорение достигает ~72 % по сравнению с базовым GGUF‑режимом.

Эти факты показывают, что даже крупные открытые модели теперь доступны для локального использования без дорогостоящего дата‑центра, однако их производительность ограничена пропускной способностью памяти.

Избыточное рассуждение — системная проблема современных LLM, не уникальная для Qwen 3.8: аналогичное поведение у Opus 5, Claude и других моделей. Оно вызвано RLHF и дистилляцией, где перерассуждение выгодно для бенчмарков, но вредит интерактивному использованию: замедляет ответ в 7–9 раз, увеличивает токен-расход и снижает эффективность. Qwen 3.8 27B работает на потребительском железе (M4/M5 Max, 48–128 ГБ RAM), превосходит по качеству 3.6 и сопоставима с Opus 4.6 и Codex 5.3, но из-за медленной работы и неэффективности по токенам непрактична без настройки. Для локального использования рекомендуется квантованные версии Q4, а не 16-битные веса. Уровень рассуждений можно контролировать: через шаблоны GGUF (например, Froggeric), параметры llama.cpp (--thinking-budget, --thinking-message) или принудительные хаки (например, fork @shifto), отключая 'xhigh' и используя 'none' или 'low'. Это снижает задержку, но может слегка ухудшить качество. Для разработчиков — динамическое управление уровнем рассуждений по запросу. Скорость на CPU — до 8 минут на задачу, на GPU — до 11 часов на сложные; при частом использовании облачные API (например, Luna) экономически выгоднее. Модель способна находить баги в фреймворках (например, Next.js), но только после десятков часов рассуждений — непригодна как быстрый отладчик. MTP-слой позволяет предсказывать 6–8 токенов с высокой точностью, что частично компенсирует избыточность в генерации кода и SVG. Избыточное рассуждение делает модели неэффективными для продакшена, где важны скорость и лаконичность, а не идеальный бенчмарк.

Anthropic объявила, что все модели Claude будут «водяровать» любой генерируемый текст, чтобы соответствовать европейскому закону о маркировке AI‑контента. Вместо скрытых непечатных символов они используют стеганографию: выбор слов и токенов оставляет вероятностные «отпечатки», которые можно позже обнаружить. При этом документация обещала, что такой отпечаток не меняет смысл, качество или читаемость текста — обещание, которое оказалось ложным.

Эта практика превращает любой скопированный или переведённый материал в потенциальный маркер AI‑происхождения, даже если текст изначально написан человеком. Скрытые ключи, известные только Anthropic, позволяют им определять, что контент «водяонизирован», но делают это без прозрачности для пользователей. В результате любой, кто копирует цитату из их сайта, может оказаться обвиняемым в AI‑генерации, хотя текст был написан вручную. Такой подход подрывает доверие к тексту и ставит под угрозу свободу использования и передачи информации.

Водяные знаки Anthropic не искажают семантику текста, но создают системные риски: проверка требует отправки данных третьим сторонам, лишая пользователей контроля над контентом и угрожая приватности непубличных данных. Критики отмечают, что их можно обойти перефразированием, а детекция зависит от секретных ключей и непрозрачности. Водяной знак не работает при доминирующих токенах (например, в цитатах) и при использовании разных алгоритмов провайдеров — проверка становится нереалистичной. Требование сохранять водяной знак нарушает право на модификацию собственного текста. Некоторые видят в них шаг к юридическому претензиям на AI-контент. Уже существующая практика Anthropic лишь формально признана. Пользователи отмечают, что если текст и так распознаётся как машинный, водяной знак лишь делает это очевиднее, не улучшая качество; если же текст неотличим от человеческого — знак не имеет практической ценности. Некоторые считают, что он влияет только при неоднозначности выбора токенов, а не везде. Сторонники утверждают, что он лишь делает случайность LLM детерминированной, не ухудшая качество, и что пользователи и так редактируют вывод, делая проблему гипотетичной. Также высказывается мнение, что «наилучшее слово» — иллюзия: LLM лишь делают человеческие шаблоны более явными. Рекомендуется использовать LLM для обсуждения идей, а не для генерации финального текста, чтобы сохранить контроль и избежать водяных знаков.

Модели сознательно «обнуляют» знания ради эффективности: активные параметры падают с сотен миллиардов до 13–40 млрд, но при этом их способность к рассуждению растёт. Например, GLM-5.2 с 40 млрд активных параметров на токен достигает 99,2 % на AIME 2026, а Qwen3.5 9B — 91,3 % при 17 млрд активных. При этом на простых фактических вопросах (SimpleQA) лучший результат — лишь 53 % у Gemini 2.5 Pro, а маленькие модели показывают 80–82 % галлюцинаций. Это происходит потому, что знания занимают «тяжёлый» объём весов (≈2 бита на факт), тогда как алгоритмы рассуждения сжаты до скромного набора процедур, которые легко передаются в компактные модели через синтетические данные и RL‑fine‑tuning.

Таким образом, современные системы хранят лишь «широту» знаний — общую картину мира, достаточную для выбора правильного источника, — а детали (версии API, даты релизов, редкие формулы) вынесены в внешние базы. Это делает их устойчивыми к устареванию фактов, но требует runtime‑подключения к актуальному контенту. В результате ошибки в знаниях становятся обычными данными, исправляемыми без переобучения, а «галлюцинации» превращаются в проверяемые ссылки, что радикально снижает риск уверенного, но неверного ответа. В будущем модель будет почти полностью полагаться на внешние источники, а её веса будут служить лишь гибким «интерпретатором» запросов.

Тред обсуждает перспективы и ограничения моделей, намеренно «обнуляющих» знания для эффективности, и возможность использования плаггабельных моделей для решения конкретных задач. @kennywinker предлагает плаггабельные модели знаний, не требующие знания всех языков программирования. @gopalv и @stanac поддерживают идею систем из нескольких специализированных моделей как более эффективной альтернативы одной универсальной, причём @stanac отмечает, что плаггабельные модели требуют базовых для работы. @jimmaswell возражает: модели с большим объёмом параметров и разнообразным знанием работают лучше, даже если это неочевидно, и структура задачи может скрываться в неожиданных источниках, например, в древних китайских стихах. @lowsong опровергает утверждение автора, что перемещение информации из весов в контекст устраняет галлюцинации — это не гарантирует точности выводов.

Главная мысль: RISC‑V захватывает рынок дешёвых микроконтроллеров не благодаря изысканной схеме команд, а потому, что открытый набор инструкций позволяет выпускать чипы по 10 ¢, а открытый инструментарий делает их доступными даже в отдалённых регионах.

Ключевые детали: компрессированные store‑offsets и отдельный Zicsr‑модуль действительно вызывают неудобства, но они лишь часть более широкой проблемы — отсутствие массового доступа к недорогим разработчикам. Для большинства стран «третьего мира» цена и логистика важнее эстетики ISA; один‑долларовый чип с бесплатной доставкой меняет правила игры, позволяя студентам и малым компаниям создавать собственные устройства.

Запомните: RISC‑V меняет Embedded‑пространство не за счёт «красивого» кода, а благодаря своей открытости, доступности и способности дать каждому шанс «зажечь» свой собственный транзисторный эксперимент.

Тред дополняет статью опытом эксплуатации и оспаривает утверждения о стоимости и доступности RISC-V. Автор @ndiddy отмечает, что оригинальная статья говорит о невозможности RISC-V конкурировать с ARM64, а ответ — о его пригодности для дешёвых микроконтроллеров — это разные темы. @kelnos сомневается, как RISC-V может быть дешевле в регионах с высокой стоимостью доставки, ведь она не зависит от типа чипа. @vlovich123 подтверждает: разница в 10 центов против доллара незначительна при доминирующей стоимости доставки. @HawtAds опровергает: в Нигерии и Бангладеш доставка не так дорога, как утверждается. @strenholme предполагает, что в будущем RISC-V может достигнуть или превзойти производительность ARM и x86_64, исходя из исторических тенденций.

Быть амбициозным и быть отцом — это не выбор, а постоянный конфликт ролей. Большинство великих создателей — от Стива Джобса до Эдисона — пренебрегали семьёй ради работы, хотя их успехи в истории запечатлены. Я не хочу повторять их путь: считаю, что качество времени с детьми важнее, чем его количество, и намеренно выделяю вечерние ужины и выходные для семьи, убираю всё лишнее из расписания.

Моя амбиция теперь двойная — строить продукты, которые меняют мир, и быть отцом, которого дети запомнят. Я не верю в теорию «лучшего времени», а ставлю цель: компенсировать упущенное через стабильный рост в работе и осознанный отдых. Это сложно, но именно в трудностях и рождается настоящая цель.

Амбиции не исчезают при рождении детей — они трансформируются: от карьерного роста к созданию устойчивой, осмысленной жизни с семьёй, где качество времени и личные границы становятся ключевыми. Многие отцы, как @megalomanu и @tuomas7, переориентировали амбиции на бизнес и семейное благополучие, отказавшись от скучных должностей ради смысла, не жертвуя семьёй. Отцовство расширяет социальные круги — @ceplabs обнаружил новые миры: школы, скауты, соседи. @kaeruct описал смену мировоззрения — от нигилизма к фокусу на важном, благодаря поддержке партнёра. @qooiii2 осознал скрытый труд матери, став полным временем родителем. @mholt подчёркивает: настоящие герои — те, кто воспитывает детей и меняет мир одновременно. @archeantus 12+ лет работал удалённо, оставаясь активным отцом восьмерых детей. @frank00001 сохранил ежедневные 4 часа без работы и телефона — больше времени с детьми, чем многие «неамбициозные» родители. @jimmar сознательно отказался от карьерного роста — и не жалеет. @dalyons утверждает: если веришь в важность количества времени — логично минимизировать работу. Спор: @alkonaut считает 50+ часовые недели с маленькими детьми недопустимыми, но @tuomas7 и @megalomanu показывают, что это возможно при переосмыслении амбиций. @jsrozner утверждает, что амбиция по определению антисоциальна, но @megalomanu и @tuomas7 доказывают: амбиции могут быть направлены на семью и смысл, а не на славу. @mattmaroon использовал AI, чтобы сократить 10 часов работы в неделю при появлении ребёнка — временная возможность для баланса. @flkiwi напоминает: родительство — глубоко значимый и мироизменяющий подвиг, не уступающий карьере. @ronbenton: ревность к коллегам — нормальна, но ключ — не в сравнении, а в жёсткой оптимизации имеющегося времени.

В документации Claude представлены системные промпты, определяющие поведение моделей на уровне ядра. С версии 4.6 каждая модель стала фиксированным снапшотом — обновления больше не меняют её поведение, а выпускаются как новые ID. Это обеспечивает стабильность для продакшена. Важно: системные промпты теперь не редактируются пользователем напрямую, а задаются антропиком как неизменная часть модели.

Среди последних обновлений — Claude Opus 5 и Claude Fable 5, выпущенные в июне–июле 2026 года, которые предлагают улучшенную логику, точность и эффективность. Sonnet 4.6 и Opus 4.6, вышедшие в феврале 2026, стали первыми моделями с фиксированными ID. Все предыдущие версии, включая Opus 4.5 и Haiku 4.5, имеют несколько обновлений, отмеченных жирным — они содержат улучшения в понимании контекста, снижение ошибок и оптимизацию скорости. Пользователям рекомендуется мигрировать на новые ID для получения стабильных результатов.

Системные промпты Claude содержат противоречивые, избыточные и неэффективные инструкции, которые не работают на практике: модель игнорирует запреты на слова «genuinely», «honestly», эмодзи, длинные ответы, а также не соблюдает указания по безопасности, датам и приоритетам моделей (например, противоречит утверждению, что Opus 5 лучше Mythos/Fable). Промпт объёмом 22k+ символов содержит устаревшие данные (например, о выборах 2024) и не улучшает производительность — пользователи считают его шумом. Claude не реагирует на инструкции в кризисных ситуациях и некорректно обрабатывает даты, несмотря на их частое упоминание. Опытные пользователи рекомендуют сокращать промпты, удаляя нерелевантные правила, использовать модульные подходы (отдельные блоки для задач) и управлять промптами через внешние файлы и прокси. Считается, что Anthropic использует промпты как способ контролировать поведение модели без изменения архитектуры — это дорогое и неэластичное решение. Промпты воспринимаются не как интеллектуальные инструкции, а как жёсткие ограничения, ухудшающие качество ответов. При использовании API добавление собственного системного промпта может конфликтовать со скрытыми промптами в API-слое.

Размер талии гораздо точнее предсказывает сердечно-сосудистый риск, чем показатель массы тела. У людей с «нормальным» ИМТ часто бывает повышенный WHR — и у них риск инфаркта, инсульта и смертности на 15–50 % выше. При этом у людей с ожирением и низкой тазобедренной окружностью риск почти не отличается от нормального веса, но все‑равно остаётся повышенным.

Цифра, которую нельзя игнорировать: 5 % людей с нормальным ИМТ имеют высокий показатель окружности талии, а 18 % — высокий соотношение талии‑к‑бедра. Эти цифры ставят их в группу повышенного риска, которую традиционно «пропускает» только ИМТ. Автор исследования Michael J. Blaha подчёркивает, что «центральная adipositas переклассифицирует риск, определённый по обычным ИМТ‑порогам». Поэтому врачам стоит измерять талию и соотношение талия‑к‑бедру даже у пациентов с «нормальным» весом.

BMI не является точным индикатором сердечно-сосудистого риска, так как не учитывает распределение жира и может быть неточным при высокой мышечной массе. Более точными предикторами являются размер талии и соотношение талии и бедер. Рекомендуется также учитывать уровень холестерина и артериальное давление. Некоторые считают BMI полезным, другие — слишком упрощённым.

Экстремальный Эль‑Ниньо ускоряется, достигая рекордных значений в 2026 году. Зафиксированы рекордные аномалии западных ветров над экваториальным Тихим океаном, а мощный Келвин‑волнa переносит огромный запас тёплой воды к востоку, усиливая Super El Niño.

Эти процессы уже трансформируют глобальную циркуляцию: давление падает в центральной и восточной части Тихого океана, а высокое давление формируется над западным регионом, вызывая резкое изменение джет‑стрима. В результате — более тёплые условия в северных широтах и усиленный штормовой поток над южными США, Канадой и Европой.

Запомните: рекордные западные ветры и подповерхностный нагрев делают этот Эль‑Ниньо одним из самых сильных за последние десятилетия, а его последствия будут ощущаться по всему миру уже этой осенью и зимой.

Super El Niño может вызвать засухи, жару и нарушения в продовольственных и экономических системах. Пользователи подтверждают его влияние на глобальную циркуляцию и погоду, отмечая важность личных наблюдений за аномалиями как дополнения к научным данным. Обсуждается роль человека в изменении климата: одни считают, что отказ от ископаемого топлива решит проблему, другие указывают на сложность и необходимость учитывать потребление, диету и другие факторы. Советуют готовиться к последствиям и понимать многокомпонентность климатической системы.

Искусственный интеллект не «умнее» математика — он просто помнит в разы больше. В отличие от человека, чья рабочая память удерживает лишь несколько абстрактных элементов одновременно, нейросети могут удерживать в контексте тысячи формул, промежуточных выводов, определений и даже отброшенных подходов. Это позволяет решать сложные задачи, не перегружая биологические ограничения.

Ключевой факт: человеку трудно умножить в уме два трёхзначных числа — не из-за сложности операций, а из-за необходимости одновременно хранить промежуточный результат и текущую цель. Бумага или цифровой контекст устраняют эту «узкую горлышко» интеллекта. Математики используют нотацию, схемы и «чанкинг» (группировку знакомых конструкций), чтобы компенсировать лимит памяти, но не преодолевают его. AI же работает с внешним «бесконечным блокнотом», где каждый шаг фиксируется. Это делает его похожим на машину-умножитель Вон Неймана: не гениальный в философском смысле, но способный обрабатывать масштабы, недоступные мозгу.

Запомните: рабочая память — главный барьер для человеческого математического мышления. Её объём напрямую коррелирует с успехом в математике, независимо от общего ИК. Но у AI нет «глубины» Вон Неймана — он лишь использует его скорость и объём памяти как инструмент. Следующий прорыв наступит, когда ИИ поймёт, что задача сформулирована неверно, и переосмыслит её фундаментально.

Пример: Чтобы доказать теорему о сходимости ряда, математик может одновременно удерживать в голове 5 определений, 3 предыдущих леммы и текущую цель. AI же хранит все эти элементы в контексте и перебирает варианты, не уставая.

ИИ превосходит математиков не только в запоминании, но и в применении знаний к новым задачам — например, решении сложных математических проблем и генерации доказательств, обходя биологические ограничения рабочей памяти. Некоторые считают, что это проявление мышления, другие — что ИИ лишь эффективно использует рабочую память. В любом случае, он полезен в областях, требующих большого объёма знаний и памяти, таких как математика и программирование.