<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:wfw="http://wellformedweb.org/CommentAPI/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:sy="http://purl.org/rss/1.0/modules/syndication/" xmlns:slash="http://purl.org/rss/1.0/modules/slash/">
  <channel>
    <language>ru</language>
    <title>Tproger</title>
    <description>Всё о программировании ⏩ Разработка приложений с нуля ✔️ Гайды и новости программирования ✔️ Сайт для тех, кто увлекается программированием.</description>
    <link>https://tproger.ru</link>
    <atom:link href="https://tproger.ru/feed" rel="self" type="application/rss+xml"/>
    <lastBuildDate>Fri, 20 Nov 2026 14:02:26 GMT</lastBuildDate>
    <sy:updatePeriod>hourly</sy:updatePeriod>
    <sy:updateFrequency>12</sy:updateFrequency>
    <image>
      <title>Tproger</title>
      <link>https://tproger.ru</link>
      <url>https://tproger.ru/apple-touch-icon.png</url>
    </image>
    <item>
      <title>Аналоги Gamma App: чем заменить Gamma в России</title>
      <link>https://tproger.ru/articles/analogi-gamma-app-chem-zamenit-gamma-v-rossii</link>
      <comments>https://tproger.ru/articles/analogi-gamma-app-chem-zamenit-gamma-v-rossii?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Анна Смирнова]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/analogi-gamma-app-chem-zamenit-gamma-v-rossii</guid>
      <description><![CDATA[<p>Чем заменить Gamma App в России без зарубежных карт и посредников. Протестировали 6 аналогов на одном брифе, разобрали тарифы и защиту от сайтов-клонов.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/analogi-gamma-app-chem-zamenit-gamma-v-rossii">Аналоги Gamma App: чем заменить Gamma в России</a>»</p>]]></description>
      <category><![CDATA[Партнёрский материал]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Fri, 20 Nov 2026 10:01:03 GMT</pubDate>
      <content:encoded><![CDATA[<p>Нейросеть для презентаций Gamma App приучила нас к тому, что слайды не нужно верстать руками по сетке: вводишь тему или закидываешь черновик — через минуту получаешь аккуратные карточки с тезисами и иллюстрациями. Проблема в том, что работа с платформой из России превратилась в квест: карты отечественных банков не проходят, стартовые кредиты быстро заканчиваются, а выдача поисковиков забита зеркалами-прокладками.</p><p>Разбираемся, как отличить официальный сайт Gamma AI от подделок и какие 6 сервисов решают те же задачи в РФ. Мы протестировали на одном рабочем брифе <b>Slidy AI</b>, <b>DiaClass</b>, <b>Сократик</b>, <b>Presentacium</b>,<b> Кэмп </b> и <b>Presenti AI</b> — разобрали их главные особенности, сравнили бесплатные лимиты, качество вёрстки на русском и работу с форматом PowerPoint.</p><h2>Что в Gamma хорошо и чего не хватает в России</h2><p>Платформа остаётся удобным инструментом, когда нужно за десять минут собрать каркас питч-дека, отчёта или публичного выступления и не тратить вечер на выравнивание текстовых блоков.</p><h3>Что Gamma делает хорошо:</h3><ul><li><b>Мультиформатность в одном редакторе.</b> Gamma — это не только слайды: в той же карточной сетке сервис умеет собирать одностраничные лендинги, текстовые документы и визуальные карусели для соцсетей с публикацией по веб-ссылке.</li><li><b>Адаптивная карточная вёрстка.</b> Слайды не зажаты в жёсткие рамки 16:9 — высота карточек подстраивается под объём текста, а колонки не наезжают друг на друга.</li><li><b>Работа с разными исходниками.</b> Сервис принимает короткий запрос, вставленный текст из заметок или готовый файл, после чего сам делит материал на логические экраны.</li><li><b>Точечное редактирование через чат.</b> Можно выделить один абзац и попросить встроенного ассистента сократить его, перевести в маркированный список или перерисовать картинку под другую тему.</li></ul><h3>С чем сталкиваются пользователи из России:</h3><ul><li><b>Невозможность прямой оплаты.</b> Привязать карту российского банка к тарифам Plus (10 $ в месяц) нельзя. Приходится заводить виртуальные карты иностранных банков или платить посредникам с наценкой.</li><li><b>Разовый бесплатный лимит.</b> После регистрации сервис выдаёт 400 кредитов. На одну генерацию уходит 40–50 кредитов, ещё по 10 тратится на правки и перерисовку иллюстраций. Лимит не обновляется каждый месяц — когда баланс обнулится, придётся заводить новый аккаунт или искать замену.</li><li><b>Ограничения бесплатного экспорта.</b> На тарифе Free скачивание в PDF и PPTX работает, но на каждый слайд ставится водяной знак Gamma. При открытии такого .pptx в PowerPoint нестандартные карточки нередко теряют отступы, а шрифты заменяются на системные.</li></ul><h2>Осторожно: клоны Gamma — как отличить официальный сайт</h2><p>На фоне высокого спроса на запросы вроде «гамма презентации» и «gamma app на русском» в поиске закрепились десятки сторонних сайтов-прокладок с похожими доменами в зоне .ru или с приписками ai, rus, online.</p><p>Обычно такие площадки работают по двум схемам. Первая — перепродажа доступа к зарубежным моделям с большой наценкой и мелким шрифтом в оферте, который подключает автосписание по 899–1490 ₽ каждые несколько дней. Вторая — классический фишинг для сбора данных банковских карт и паролей. Отдельный риск для ИТ-специалистов и менеджеров — утечка данных: многие загружают в генератор слайдов внутренние отчёты, финансовые показатели или архитектуру проектов, а на сайте-зеркале непонятно, кто и на каких серверах обрабатывает эти файлы.</p><figure><img src="https://media.tproger.ru/user-uploads/1140582/2026-11-16/b5ba68bd-068f-4445-8d96-d4479ae61915.webp" alt="" /><figcaption>Три признака, по которым легко отличить официальный сайт Gamma</figcaption></figure><p><b>Как проверить сайт перед входом и оплатой:</b></p><ul><li><b>Смотрите на домен.</b> Единственный официальный адрес платформы — gamma.app. У компании нет официальной российской версии на домене .ru.</li><li><b>Не вводите пароли на сторонних формах.</b> Оригинальный сервис авторизует пользователей через стандартное окно Google OAuth или одноразовый код на почту.</li><li><b>Проверяйте реквизиты в футере.</b> Если вы выбираете российский аналог, прокрутите страницу вниз: у легального сервиса указаны ИНН, ОГРН, юрлицо и прозрачные условия отмены подписки.</li></ul><h2>Как мы тестировали аналоги и сводная таблица</h2><p>Чтобы не пересказывать описания с промостраниц, мы проверили оригинал и 6 альтернатив на одной инженерной задаче. Все перечисленные ниже платформы открываются из России без VPN, понимают русскоязычные запросы и принимают карты российских банков.</p><p><b>Единый промпт для теста:</b></p><p>«Презентация для технического директора на 8 слайдов: как сократить расходы на облачную инфраструктуру (AWS и Yandex Cloud) на 20% без потери отказоустойчивости. Сделай упор на аудит неиспользуемых инстансов, автоскейлинг, зарезервированные мощности и оптимизацию хранения логов».</p><p>При оценке мы смотрели на четыре параметра: насколько точно модель попадает в технический контекст без выдуманных терминов, держит ли заданный объём в 8 слайдов, не разъезжается ли вёрстка с длинными русскими словами и можно ли увидеть результат до привязки карты.</p><p>Сначала мы прогнали этот запрос через <b>саму Gamma App</b>, чтобы посмотреть, как с задачей справляется оригинал:</p><figure><img src="https://media.tproger.ru/user-uploads/1140582/2026-11-16/0382fd9f-36cf-4ba3-a27b-4ba5f6d94c16.webp" alt="" /><figcaption>Результат генерации тестовой презентации про облачную инфраструктуру в интерфейсе Gamma App</figcaption></figure><p><b>Как отработала сама Gamma App.</b> Сервис без проблем принял длинный промпт целиком и собрал ровно 8 слайдов с понятной логикой для технического директора. Нейросеть корректно разнесла инструменты по обоим провайдерам (CloudWatch, Cost Explorer и S3 Glacier для AWS; Monitoring Service, Instance Groups и Cold Storage для Yandex Cloud), добавила схемы для автоскейлинга и Reserved Instances, а в финале вывела план внедрения на 4 недели без простоя сервисов и целевые метрики.</p><p><b>Что пошло не так (минусы):</b> на половину слайдов нейросеть поставила одну и ту же абстрактную картинку с волнами, а цифры внутри колоды расходятся с общей целью — при заявленной экономии в 20% каждый отдельный рычаг на слайдах обещает сэкономить еще от 15% до 40% затрат. В русском тексте встречаются непереведенные вставки вроде compute и downtime, на каждом экране стоит плашка Made with GAMMA, а при выгрузке в .pptx часть схем и отступов пришлось поправлять вручную.</p><h3>Сравнение Gamma App и 6 аналогов по ключевым критериям</h3><p>Прежде чем переходить к детальному разбору каждого сервиса, посмотрите на общую картину. На карточке ниже видно, кто из аналогов выдержал заданный объём в 8 слайдов, где можно скачать файл бесплатно и какие ограничения есть на старте.</p><figure><img src="https://media.tproger.ru/user-uploads/1140582/2026-11-16/a0f275d9-785f-43a1-88c4-d74d7a0a7c3e.webp" alt="" /><figcaption>Сравнение оригинальной Gamma App и 6 сервисов-аналогов по основным параметрам и результатам генерации</figcaption></figure><h3>1. Slidy AI — ближайшая замена Gamma для работы на русском</h3><p>Slidy AI — российская мультиформатная нейросеть, которая воспроизводит главную идею Gamma (закрыть в одном окне сборку слайдов, текстов, документов и визуала), но при этом решает её главные проблемы на русском рынке: корректно считает и верстает под PowerPoint и принимает карты РФ.</p><p><b>В чём совпадает с Gamma:</b></p><ul><li><b>Мультиформатный подход вместо узкого редактора слайдов.</b> Как и Gamma, сервис не ограничивается презентациями: в одном рабочем кабинете можно сгенерировать текст, документ, иллюстрацию и оформить всё это в единую колоду слайдов.</li><li><b>Пошаговая сборка из темы или черновика.</b> Сначала нейросеть анализирует запрос или загруженный файл и предлагает структуру слайдов. На этом этапе план можно отредактировать вручную, и только затем запускается вёрстка.</li><li><b>Редактирование в браузере и встроенный генератор картинок.</b> Любой блок текста поправляется прямо в веб-редакторе, а иллюстрации под контекст слайда создаются внутри сервиса без перехода на фотостоки.</li><li><b>Экспорт в рабочие форматы.</b> Готовую презентацию можно выгрузить в редактируемый файл PPTX для PowerPoint или в PDF.</li></ul><p><b>В чём отличается и чем удобнее в России:</b></p><ul><li><b>Другой набор форматов под задачи РФ.</b> Если Gamma делает ставку на веб-лендинги и посты для соцсетей, то Slidy AI заточен под текстовые и учебно-рабочие форматы: в соседних вкладках кабинета есть генератор структурированных документов (докладов, рефератов, конспектов, коммерческих предложений, текстов для лендингов), нейрочат для разбора задач, а также генерация изображений, аудио и видео. Для студентов это удобный способ собрать черновой каркас выступления и пояснительного текста к защите, чтобы затем наполнить его своими расчётами и выводами.</li><li><b>Чистый русский язык без машинного перевода.</b> Алгоритмы изначально обучены на русскоязычных текстах, поэтому в заголовках нет машинных калек с английского.</li><li><b>Акцент на классический PPTX и мобильные клиенты.</b> В отличие от Gamma, чьи карточки нередко ломаются при конвертации в PowerPoint, Slidy AI сразу собирает слайды под стандартную сетку .pptx. Плюс у сервиса есть отдельные приложения для iOS и Android, если нужно поправить тезисы с телефона перед встречей.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/1140582/2026-11-16/5358195a-72bf-4e2d-94eb-b2f888c44ff5.webp" alt="" /><figcaption>Тестовая презентация об оптимизации облачной инфраструктуры в редакторе Slidy AI</figcaption></figure><p><b>Что показал тест:</b> сервис строго выдержал заданный объём в 8 слайдов и попал в тон общения с техническим директором. Все четыре рычага экономии (аудит, автоскейлинг, резервы и логи) разобраны по отдельности с привязкой к AWS и Yandex Cloud, а через всю структуру проходит фокус на сохранении надёжности с профильными метриками (SLO, AZ, p95, on-demand). В отличие от конкурентов, здесь не разъехалась вёрстка и не вылезли чужие заглушки шаблонов.</p><p><b>Что пошло не так (минусы):</b> здесь нет публикации презентации в виде интерактивного мини-сайта по ссылке, как в Gamma, а библиотека готовых дизайн-шаблонов скромнее. Кроме того, текст перед показом всё равно нужно вычитать глазами: на втором слайде нейросеть использовала разговорное слово «нерешения» в заголовке для CTO, а на шестом пропустила предлог в связке «держим on-demand и спот-мощностям». Также для полноценного скачивания файлов и доступа ко всем инструментам нужна подписка (пробный доступ стоит 1 ₽ на 3 дня с последующим автопродлением, поэтому за статусом подписки в личном кабинете стоит следить).</p><p>Если кроме базовой сборки слайдов вам нужны встроенные опросы для зала, разовое скачивание одного файла без подписки или ежедневный бесплатный лимит, посмотрите на другие сервисы. Мы прогнали их через тот же бриф про оптимизацию AWS и Yandex Cloud — и у каждого нашли конкретные недочёты, которые придётся править руками.</p><h3>2. DiaClass — для интерактивных выступлений и вебинаров</h3><p>Российская платформа, которая объединяет ИИ-генератор слайдов и механики вовлечения слушателей. Открывается в РФ без VPN, оплата проходит российскими картами. Бесплатный тариф включает 3 презентации и 210 стартовых ИИ-токенов; подписка «Базовый» стоит от 479 ₽ в месяц при оплате за год или 599 ₽ при помесячной оплате.</p><ul><li><b>Как отработал тест.</b> В колоду можно встроить викторины, опросы и облако слов для аудитории, а итоговый файл выгружается в PPTX и PDF. Весь промпт не поместился в строку темы, поэтому запрос пришлось делить между заголовком и полем уточнения деталей. Выбрать меньше 10 слайдов в настройках нельзя — сервис собрал 10 экранов вместо 8.</li><li><b>Что пошло не так (минусы).</b> Для технического директора текст получился слишком поверхностным и учебным: нет инженерных метрик вроде SLA и SLO, а главная цель сократить расходы на 20% потерялась. Сервис добавил непрошенные слайды про мультиоблако и сетевые затраты, чередовал «стену текста» с полупустыми экранами и поставил всего одну картинку и один необъяснённый график на ярко-синем и фиолетовом фоне. Также случилась путаница  в датах: титульный слайд датирован 2026 годом, а план внедрения расписан на июль–август 2024-го.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/1140582/2026-11-16/680b72b3-fe52-45f1-81dc-b1c43a19d49d.webp" alt="" /><figcaption>Слайды про облачные серверы в конструкторе DiaClass</figcaption></figure><h3>3. Сократик — когда нужно скачать один файл без подписки</h3><p>Отечественный ИИ-сервис для быстрой сборки рабочих отчётов, питчей и учебных докладов. Работает без VPN, принимает карты РФ. Сгенерировать структуру и просмотреть все слайды в браузере можно бесплатно и без привязки карты; деньги нужны только для экспорта в PPTX или PDF без водяного знака — от 89–149 ₽ за один файл или 469 ₽ за месячную подписку.</p><ul><li><b>Как отработал тест.</b> Из всей пятёрки этот сервис точнее остальных попал в формат и аудиторию CTO: собрал ровно 8 слайдов, раскрыл все четыре технических блока и привёл профильные инструменты — от AWS Compute Optimizer и Savings Plans до автоскейлинга групп ВМ в Yandex Cloud, контроля SLO и плана внедрения на 12 недель. Перед оплатой каждый слайд удалось спокойно проверить в браузере.</li><li><b>Что пошло не так (минусы).</b> Без оплаты файл нельзя выгрузить на компьютер, видны водяные знаки по всему тексту,  а визуальные темы однотипны — на слайды про серверную инфраструктуру нейросеть поставила стоковые картинки с ноутбуками. На трёх экранах карточки и таблицы перегружены мелким текстом, который тяжело считывать на созвоне. Кроме того, при заявленной цели снизить расходы на 20% сервис не расписал, какой вклад в процентах или деньгах вносит каждый из четырёх рычагов.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/1140582/2026-11-16/83c245d7-4e3f-477f-8cc0-001f9ccd4d7e.webp" alt="" /><figcaption>Сгенерированная структура в Сократик</figcaption></figure><h3>4. Presentacium — быстрый черновик с ежедневным лимитом</h3><p>Минималистичный российский генератор презентаций по теме или загруженному тексту. Доступен без VPN, оплата российскими картами. Бесплатный режим даёт 1 генерацию в сутки; пробный доступ к расширенным функциям стоит 99 ₽ за 3 дня (далее автопродление), полный тариф «Без ограничений» — 399 ₽ за 30 дней.</p><ul><li><b>Как отработал тест.</b> Лимит обновляется каждые 24 часа, сервис принимает длинный промпт целиком без обрезки и отдаёт файл в редактируемом .pptx. Задать ровно 8 слайдов нельзя — шаг выбора идёт по сетке 5, 10, 12 и больше, поэтому колода вышла на 12 экранов.</li><li><b>Что пошло не так (минусы).</b> На выходе презентация требует полной пересборки из-за сырого технического мусора: почти все заголовки сгенерировались через нижнее подчёркивание (Аудит_неиспользуемых_инстансов), на титульном слайде осталась заглушка Автор презентации: Фамилия Имя Отчество, а в фон попали случайные картинки из Pinterest с чужим мокапом «ABOUT COMPANY / OUR TEAM». Критерий отказоустойчивости модель проигнорировала и допустила грубые ошибки: приписала Yandex Cloud серверы AWS (m5dn.12xlarge) и перепутала покупку Reserved Instances с автоскейлингом под пиковые нагрузки.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/1140582/2026-11-16/f9f2bafe-de6f-4623-a093-ebcdee132f94.webp" alt="" /><figcaption>Слайды по тестовому брифу в Presentacium</figcaption></figure><h3>5. Кэмп — помощник для учебных докладов и конспектов</h3><p>Российская образовательная ИИ-платформа, где генератор презентаций работает в связке с инструментами для конспектирования и структурирования больших текстов. Работает в РФ без VPN, принимает карты отечественных банков. Бесплатно даётся 1 запрос в день, платные пакеты токенов начинаются от 399 ₽ в месяц (тариф «База» на 1500 токенов).</p><ul><li><b>Как отработал тест.</b> Перед запуском сервис уточняет, опираться ли на свои файлы или искать фактуру самостоятельно, а также позволяет выбрать формат иллюстраций (ИИ-генерация, загрузка своих картинок или режим без изображений). Алгоритм системно раскрыл все четыре направления и использовал правильные инженерные сущности вроде unattached EBS, Elastic IP, S3 Glacier и Multi-AZ с выгрузкой в PPTX.</li><li><b>Что пошло не так (минусы).</b> Вместо 8 слайдов колода растянулась на 11 экранов из-за дублирующих обзорных блоков и лишнего финального слайда «Спасибо за внимание». Все слайды темные и почти все примеры ушли в сторону AWS без аналогов для Yandex Cloud, а в обзорном списке шагов забыли четвёртый пункт про управление логами. Текст требует ручной вычитки: под заголовком «Оптимизация прав доступа» сервис описал подбор размеров инстансов (rightsizing), в одном месте написал «вне рабочее время» раздельно, а экономию от Reserved Instances указал то до 70%, то до 75%.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/1140582/2026-11-16/2dedf039-fe79-44dc-b0c2-b50a8aa685bf.webp" alt="" /><figcaption>Генерация презентации по брифу в интерфейсе Кэмп</figcaption></figure><h3>6. Presenti AI — для работы со схемами XMind и Markdown</h3><p>Мультиязычный генератор презентаций с полноценной поддержкой русского языка и приёмом оплаты в рублях. Открывается без VPN. Бесплатный план позволяет создавать проекты до 15 слайдов на базовой модели ИИ; платный тариф Plus стоит 480 ₽ в месяц при оплате за год, Pro — 640 ₽ в месяц.</p><ul><li><b>Как отработал тест.</b> Сервис умеет разворачивать в слайды интеллект-карты из XMind и заметки с разметкой Markdown. По содержанию нейросеть грамотно раскрыла все четыре рычага экономии, учла специфику AWS и Yandex Cloud и прописала механизмы отказоустойчивости — от контроля SLA до тестов отказа зон и параметров cooldown для автоскейлинга.</li><li><b>Что пошло не так (минусы).</b> Сильный текст перечёркивается браком вёрстки и нарушением объёма: вместо 8 слайдов вышло 14 из-за пустых разделителей. На трёх слайдах заголовки наехали прямо поверх абзацев, узкие текстовые блоки порвали русские слова без дефисов (отказоуст / ойчивости), а на одном из экранов осталась сырая Markdown-разметка, англоязычные заглушки шаблона и пустая таблица Project1 – Project9. Плюс заголовок про «План реализации на 90 дней» противоречит подписям на таймлайне — вместо месяцев квартала этапы размечены по годам с 2023 по 2026-й , а экспорт в PPTX закрыт платным тарифом.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/1140582/2026-11-16/df88dacf-f17f-47a1-be66-e057c7c10d7c.webp" alt="" /><figcaption>Презентация об облачных серверах в Presenti AI</figcaption></figure><h2>Что выбрать под вашу задачу</h2><p>Если <b>нужна универсальная замена Gamma App для регулярной работы и учебы на русском языке</b>, можно начать со <b>Slidy AI</b><b>:</b> сервис работает без VPN, принимает российские карты, корректно выгружает слайды в PPTX и объединяет в одном кабинете работу с презентациями, текстами, докладами и медиафайлами. <b>Для узких сценариев подойдут профильные инструменты:</b></p><ul><li><b>Сократик</b> — если презентация нужна один раз, важна техническая точность текста и удобнее заплатить за скачивание конкретного файла без оформления подписки.</li><li><b>DiaClass</b> — если вы проводите вебинары или лекции и хотите встроить в слайды квизы, голосования и облако слов для слушателей.</li><li><b>Presentacium</b> — если нужно бесплатно и без привязки карты накидать быстрый черновик по готовым тезисам за счёт ежедневного обновляемого лимита.</li></ul>]]></content:encoded>
    </item>
    <item>
      <title>Модель Gestalt обошла людей и Claude Fable 5.2 в слепом тесте дизайна</title>
      <link>https://tproger.ru/news/model-gestalt-obowla-lyudej-i-claude-fable-5-2-v-slepom-teste-di</link>
      <comments>https://tproger.ru/news/model-gestalt-obowla-lyudej-i-claude-fable-5-2-v-slepom-teste-di?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/model-gestalt-obowla-lyudej-i-claude-fable-5-2-v-slepom-teste-di</guid>
      <description><![CDATA[<p>В слепом голосовании 35 дизайнеров модель Gestalt набрала 1931 Elo против 1739 у сайтов людей и 1713 у Claude Fable 5.2; разработчик модели не раскрыт.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/model-gestalt-obowla-lyudej-i-claude-fable-5-2-v-slepom-teste-di">Модель Gestalt обошла людей и Claude Fable 5.2 в слепом тесте дизайна</a>»</p>]]></description>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Дизайн интерфейсов и UX]]></category>
      <category><![CDATA[Веб-дизайн]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Thu, 19 Nov 2026 15:20:04 GMT</pubDate>
      <content:encoded><![CDATA[<p>Contra Labs, исследовательское подразделение фриланс-площадки Contra, вместе с BenchFlow запустила <a href="https://contralabs.com/frontierdesign">Frontier Design Benchmark</a>, бенчмарк дизайна сайтов по реальным заказам. Первое место в нём заняла неанонсированная модель Gestalt: на <a href="https://contralabs.com/frontierdesign/leaderboard">лидерборде</a> у неё Elo 1931 и 90% выигранных сравнений. По данным авторов, это первая модель, которую профессиональные дизайнеры в слепом голосовании оценили выше эталонных сайтов, сделанных людьми.</p><p>Для разработчика, который собирает интерфейсы с ИИ-агентом, бенчмарк полезен в двух местах. Он показывает, какие публичные модели сейчас лучше всего справляются с вёрсткой по настоящему брифу: верхнюю группу занимают Claude Fable 5.2, Opus 5.5, Sonnet 5.5, GPT-6.1 Sol, GPT-6 Astra и Kimi K3.1 Pro. И он перечисляет конкретные приметы «ИИ-сайта», которые дизайнеры замечают сразу и которые можно убрать из своего промпта или правил агента. Чья модель Gestalt, когда она выйдет и сколько будет стоить, Contra Labs не сообщает.</p><ul><li>Gestalt на лидерборде Contra Labs: Elo 1931, 90% побед; эталонные сайты дизайнеров (Human golden) идут вторыми с 1739, Claude Fable 5.2 третьей с 1713.</li><li>Модели делали сайты по 33 брифам: 27 основаны на реальных заказах с Contra, 6 получены от стартапов-партнёров.</li><li>Голосовали 35 профессиональных дизайнеров, всего 4311 слепых сравнений пар.</li><li>Шесть публичных моделей держатся в диапазоне 1638–1714 Elo, остальные девять отстают больше чем на 200 очков.</li><li>Разработчик Gestalt, дата выхода и цена не раскрыты; независимой проверки результатов в опубликованных материалах нет.</li></ul><h2>Как устроен Frontier Design Benchmark?</h2><p>Авторы исходят из того, что задачи вроде «сделай лендинг для кофейни» мало говорят о реальной работе. В <a href="https://contralabs.com/frontierdesign/blog">блоге о запуске</a> Contra Labs приводит статистику своей площадки: из 4,6 тыс. заказов на сайты за последний год медианный бриф занимает 138 слов при бюджете $1050, а в 75% брифов есть два и больше ограничений, например фирменные материалы, целевая аудитория или бизнес-цели.</p><p>В стартовый набор вошли 33 задачи. 27 из них написаны по реальным заказам с Contra, клиенты в них заменены вымышленными. В 19 из этих 27 брифов есть логотип клиента, 17 требуют, чтобы сайт хорошо работал на телефоне. Среди задач многостраничные маркетинговые сайты (например, сайт фестиваля с продажей билетов), лендинги, веб-приложения с рабочими сценариями вроде оформления краудфандинга или онлайн-курса с тестами и сертификатом, а также два мобильных приложения. Ещё 6 задач дали стартапы-партнёры: это проекты, под которые они нанимали дизайнера на Contra, вместе с их брендовыми материалами, файлами текущего сайта и презентациями.</p><p>Прогоны моделей делала <a href="https://benchflow.ai">BenchFlow</a>: агент решает задачу в песочнице, а платформа записывает результат, стоимость и всю траекторию. Модели вызывались через OpenRouter и, где это было возможно, в фирменной агентной оболочке своей лаборатории. Параллельно дизайнеры Contra делали по тем же брифам эталонные сайты: сначала мудборд из трёх направлений, затем вёрстка в любых инструментах и несколько итераций по замечаниям команды.</p><h2>Кто и как оценивал сайты?</h2><p>Главная метрика бенчмарка складывается из попарных сравнений. Дизайнеру показывают два сайта по одному брифу без названий моделей, стороны каждый раз перемешиваются, он выбирает лучший и по желанию объясняет выбор: цвет, типографика, сетка, удобство, соответствие брифу. По голосам строится рейтинг Elo по модели Брэдли — Терри, той же схеме, что у популярных арен.</p><p>Отличие от арен в том, кто голосует. На аренах, пишут авторы, рейтинг формируют все, кто зашёл на сайт, и большинство из них дизайном не занимается. Здесь голосовали 35 профессиональных дизайнеров, всего 4311 голосов в пяти раундах. Устойчивость рейтинга проверяли так: голосующих 200 раз случайно делили на две половины и строили рейтинг по каждой, в среднем рейтинги совпали с коэффициентом Спирмена 0,95.</p><p>Кроме голосов, у бенчмарка есть ещё две метрики. Рубрика из 34 критериев по блогу (на странице рубрики их 35: иерархия шрифтов, отступы, контраст, отрисовывается ли страница целиком) оценивает ошибки, которые можно назвать и исправить; по моделям она совпадает с рейтингом дизайнеров с корреляцией 0,94. Детектор «ИИ-слопа» оценивает по шкале от 0 до 100, насколько страница похожа на сделанную ИИ: это классификатор, обученный на сайтах, сделанных людьми и моделями.</p><h2>Насколько Gestalt опередила остальных?</h2><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-19/8f2ed196-b9c0-420d-81b9-9594a1e9c688.webp" alt="Столбчатая диаграмма Elo семнадцати участников Frontier Design Benchmark: Gestalt 1931, Human golden 1739, Claude Fable 5.2 1713" /><figcaption>Рейтинг Elo по слепым голосам дизайнеров. Скриншот: лидерборд Contra Labs, 19 ноября 2026 года</figcaption></figure><p>На текущем лидерборде Gestalt набирает 1931 очко и выигрывает 90% сравнений (95-процентный доверительный интервал 86–92%), по ней 420 голосов. Эталонные сайты людей идут вторыми с 1739 и 74% побед. Третье место у <a href="https://tproger.ru/news/anthropic-vypustila-claude-fable-5-2-i-snizila-cenu-na-20">Claude Fable 5.2</a>: 1713 и 73%. Дальше Claude Opus 5.5 (1691), GPT-6.1 Sol (1668), Claude Sonnet 5.5 (1667), Kimi K3.1 Pro (1663) и GPT-6 Astra (1638).</p><p>В блоге о запуске цифры чуть другие: там у Gestalt 1928 Elo и 378 побед из 423 голосов, у Fable 5.2 1714. Причину расхождения авторы не объясняют. По блогу, разрыв между Gestalt и Fable 5.2 составляет 214 очков, и их 95-процентные интервалы не пересекаются. В прямых парах с эталонными сайтами людей дизайнеры выбрали Gestalt 20 раз из 28.</p><p>Последнее число стоит держать рядом с громким выводом про «обошла людей»: очных сравнений Gestalt с людьми всего 28, а набор задач ограничен 33 брифами веб-дизайна. По нашей оценке, это сильный сигнал о качестве вёрстки, но не доказательство того, что модель заменит дизайнера на любом проекте. Бенчмарк проводит компания, которая продаёт лабораториям данные для обучения моделей дизайну, и в блоге прямо сказано, что Contra Labs работает с командой Gestalt и даёт ей обратную связь.</p><h2>Почему публичные модели разделились на две группы?</h2><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-19/0009ea37-bcce-425c-b511-508b9f798e29.webp" alt="Диаграмма Elo с доверительными интервалами: верхняя группа из семи моделей и нижняя из девяти" /><figcaption>Разрыв в 204 очка делит модели на две группы. Изображение: Contra Labs</figcaption></figure><p>Шесть моделей, которые прогнала сама Contra Labs, держатся плотно: от 1638 до 1714 Elo и от 66% до 73% побед. Это три модели Claude и две GPT плюс Kimi K3.1 Pro. Остальные девять сидят между 1122 и 1434 и выигрывают от 12% до 41% сравнений. Разрыв между группами 204 очка, больше чем вдвое шире разброса внутри верхней группы.</p><p>В нижней группе по текущему лидерборду Qwen3.8 Max (1434), Kimi K3 (1415), GLM-5.3 Prime (1403), Gemini 4 Carbon (1366), Muse Spark 1.3 (1335), Muse Wonder (1249), Grok 4.7 (1247), Gemini 4 Argon (1221) и DeepSeek V4 Pro (1121). Модели Google в рейтинг попали в версиях Carbon и Argon; вышедшей 18 ноября <a href="https://tproger.ru/news/google-vypustila-gemini-4-neon-koding-urovnya-opus-5-5-pochti-vdv">Gemini 4 Neon</a> в таблице нет. Расклад в верхней группе похож на <a href="https://tproger.ru/news/claude-fable-5-2-i-opus-5-5-vozglavili-rejting-ii-agentov-dlya-ko">рейтинг кодинг-агентов Artificial Analysis</a>, где Fable 5.2 и Opus 5.5 тоже наверху, но здесь дизайнеры оценивают внешний вид, удобство и соответствие брифу, а не умение довести задачу в репозитории.</p><p>Рубрика в целом ранжирует модели так же, как дизайнеры, но расходится с ними на работах людей. Эталонные сайты набрали по рубрике 73,6 балла и оказались шестыми из 16, позади двух GPT (78,7 и 79,4) и трёх Claude (от 79,3 до 83,8). Баллы они потеряли на ошибках исполнения: слишком тёмная подпись кнопки на фоне, логотип, обрезанный соседней секцией. Дизайнеры видели эти ошибки и всё равно выбирали работы людей в 74% голосов (425 из 574). Рубрика ловит ошибки, но вкус, за который голосуют дизайнеры, она не измеряет.</p><h2>По каким приметам видно, что сайт сделал ИИ?</h2><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-19/e1f5dc95-2b95-4999-b4ae-db5ebf48983b.webp" alt="Макет лендинга с пронумерованными приметами ИИ-дизайна: подпись капсом над заголовком, курсивное слово в заголовке, размытое свечение, стрелка на кнопках" /><figcaption>Приметы, по которым сайт выглядит сделанным ИИ. Изображение: Contra Labs</figcaption></figure><p>Детектор слопа уверенно отличает работу людей от работы моделей: эталонные сайты получили 0,9 балла из 100, модели от 1,2 до 66. Внутри моделей показатель больше зависит от лаборатории, чем от места в рейтинге: три Claude дают от 31 до 38, две GPT от 41 до 53, две Gemini от 54 до 57. Низкий балл 1,2 получили две модели по противоположным причинам. У DeepSeek V4 Pro многие страницы недоделаны и поэтому не похожи на типичный ИИ-сайт, а у Gestalt страницы законченные и при этом почти не выдают модель.</p><p>Авторы выписали приметы, которые дизайнеры называют «ИИ-шными» и которые на сайтах моделей встречаются намного чаще, чем у людей:</p><ul><li>Мелкая подпись капсом с разрядкой над заголовком раздела, которая повторяет сам заголовок. В обучающей выборке детектора такие подписи хотя бы у половины разделов есть на 93% ИИ-страниц и 11% страниц людей; Gemini 4 Argon делает это на каждой странице, GPT-6.1 Sol на 96%.</li><li>Одно слово заголовка курсивом для акцента: у Kimi K3.1 Pro на 60% страниц, у GPT-6 Astra на 53%, у людей в одном эталонном сайте из 19.</li><li>Нумерация разделов 01, 02, 03. У людей в выборке её нет совсем, у Gemini 4 Argon она на 42% страниц, у Kimi K3.1 Pro и Gemini 4 Carbon на 40%.</li><li>Всё содержимое разложено по карточкам с рамкой или заливкой: у Gemini 4 Argon и Carbon на 92% страниц, у Muse Spark 1.3 на 88%.</li></ul><p>Отдельно Contra Labs описывает «почерк» лабораторий. Модели Claude ставят горизонтальную стрелку на ссылки и кнопки (Fable 5.2 на 88% страниц, Opus 5.5 на 80%, Sonnet 5.5 на 90%), модели GPT диагональную (GPT-6 Astra на 84%, GPT-6.1 Sol на 92%). У GPT-6.1 Sol почти половина страниц состоит из заголовков-слоганов вроде «Less paperwork. More possibility.», а текст останавливается на выгоде и не объясняет, как работает продукт. Gemini 4 Argon, наоборот, превращает обычные маркетинговые секции в техническую спецификацию со статусами и ссылками на рисунки. Kimi K3.1 Pro наклоняет карточки и телефоны, у DeepSeek V4 Pro на половине страниц все заголовки разделов выровнены по центру.</p><p>На практике этот список можно использовать как чек-лист для своих правил агента: запретить подписи капсом над заголовками, нумерацию разделов, стрелки на каждой кнопке и сплошные карточки. Это не сделает модель дизайнером, но уберёт приметы, по которым посетитель сразу узнаёт сгенерированный сайт.</p><h2>Что известно о Gestalt?</h2><p>Почти ничего. Contra Labs называет её высококачественной моделью для дизайна, которая находится в «стелс-режиме», то есть ещё не анонсирована разработчиком. Её проверяли в той же конфигурации слепого голосования, что и остальных. Разработчик, архитектура, цена и дата выхода не раскрыты; на лидерборде у неё нет и точки на графике стоимости одного результата, который есть у остальных моделей.</p><p>После запуска бенчмарка в X начали гадать, кто стоит за Gestalt: в <a href="https://x.com/meishengsimon/status/2123364678218953183">одном из популярных постов</a> среди вариантов следующие модели OpenAI, Anthropic, Google, xAI и Z.ai. Подтверждений ни одной из версий нет. Contra Labs пишет, что продолжит тестировать Gestalt вместе с её командой, а набор из 33 задач будет расширять новыми брифами, моделями и списком примет ИИ-дизайна. Посмотреть пары сайтов и проголосовать самому можно на <a href="https://contralabs.com/frontierdesign">странице бенчмарка</a>.</p><p>Источники: <a href="https://contralabs.com/frontierdesign/leaderboard">Contra Labs: лидерборд Frontier Design Benchmark</a>, <a href="https://contralabs.com/frontierdesign/blog">Contra Labs: Frontier Design: Evaluating AI on Real World Design Tasks</a>, <a href="https://contralabs.com/frontierdesign">Contra Labs: Frontier Design Benchmark</a></p><p>Изображение на обложке: Contra Labs</p>]]></content:encoded>
    </item>
    <item>
      <title>OpenCode починил кэш GPT-6.2: 3 токена вместо 14 000 на шаг агента</title>
      <link>https://tproger.ru/news/codex-cli-poluchil-golosovye-zvonki-a-opencode-pochinil-kew-gpt-6</link>
      <comments>https://tproger.ru/news/codex-cli-poluchil-golosovye-zvonki-a-opencode-pochinil-kew-gpt-6?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/codex-cli-poluchil-golosovye-zvonki-a-opencode-pochinil-kew-gpt-6</guid>
      <description><![CDATA[<p>OpenCode 2.3.2 кэширует системный промпт GPT-6.2: некэшированный вход на шаг упал с 14 000 токенов до 3. Плюс правки Codex CLI и Claude Code.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/codex-cli-poluchil-golosovye-zvonki-a-opencode-pochinil-kew-gpt-6">OpenCode починил кэш GPT-6.2: 3 токена вместо 14 000 на шаг агента</a>»</p>]]></description>
      <category><![CDATA[Open Source]]></category>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Инструменты командной строки]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Thu, 19 Nov 2026 07:35:43 GMT</pubDate>
      <content:encoded><![CDATA[<p>OpenCode 2.3.2, вышедший 18 ноября, <a href="https://github.com/anomalyco/opencode/releases/tag/v2.3.2">перестал</a> оплачивать системный промпт моделей GPT-6.2 заново на каждом шаге агента. По данным разработчиков, на gpt-6.2-sol в GitHub Copilot некэшированный вход на шаг сократился примерно с 14 000 токенов до 3. В тот же день в Codex CLI 0.170.0 <a href="https://github.com/openai/codex/releases/tag/rust-v0.170.0">изменилось</a> устройство голосовых звонков в терминальном интерфейсе, а Claude Code 2.1.327 научился принимать настройки MCP-сервера из стандартного ввода, чтобы токены не попадали в командную строку.</p><p>Если вы работаете с GPT-6.2 через OpenCode, длинный системный промпт агента теперь кэшируется со второго шага, и некэшированного входа на каждом шаге становится меньше; сколько это даст в деньгах, зависит от тарифа провайдера. Остальные изменения недели касаются того, как агенты работают в фоне, и мелких, но неприятных ошибок вокруг секретов и конфигов. Прошлый <a href="https://tproger.ru/news/claude-code-poluchil-code-mode-a-codex-nauchilsya-vybirat-provajd">обзор харнессов</a>, где Claude Code получил Code Mode, а Codex CLI научился выбирать провайдера моделей, вышел 13 ноября; ниже то, что появилось после него.</p><ul><li>OpenCode 2.3.2 передаёт системный промпт GPT-6.2 первым developer-сообщением вместо поля instructions Responses API, и промпт кэшируется со второго шага.</li><li>На gpt-6.2-sol в GitHub Copilot некэшированный вход на шаг упал примерно с 14 000 токенов до 3, по данным релиз-нот OpenCode.</li><li>OpenCode 2.3.0 запускает субагентов в фоне по умолчанию, 2.3.1 пишет сводку для компакции в фоне, отключается compaction.background: false.</li><li>В Codex CLI 0.170.0 WebRTC-соединение для голосовых звонков устанавливает сам TUI, а сервер приложения подключается к готовому звонку.</li><li>Claude Code 2.1.327 принимает JSON MCP-сервера из stdin через claude mcp add-json &lt;name&gt; - и больше не удаляет git-ignored файлы вроде .env при остановке Remote Control в режиме worktree.</li></ul><p>Что вышло с 13 по 19 ноября</p><table><thead><tr><th>Инструмент</th><th>Версия</th><th>Дата</th><th>Главное</th></tr></thead><tbody><tr><td>OpenCode</td><td>2.3.2</td><td>18 ноября</td><td>Кэширование системного промпта GPT-6.2</td></tr><tr><td>OpenCode</td><td>2.3.1</td><td>18 ноября</td><td>Фоновая компакция, долгие команды уходят в фон по тайм-ауту</td></tr><tr><td>OpenCode</td><td>2.3.0</td><td>13 ноября</td><td>Субагенты в фоне по умолчанию, свёрнутый журнал действий</td></tr><tr><td>Codex CLI</td><td>0.170.0</td><td>18 ноября</td><td>Звонки по WebRTC устанавливает сам TUI</td></tr><tr><td>Claude Code</td><td>2.1.326</td><td>16 ноября</td><td>Code Mode вместе с agent teams</td></tr><tr><td>Claude Code</td><td>2.1.327</td><td>17 ноября</td><td>claude mcp add-json из stdin, исправления вокруг .env и .mcp.json</td></tr><tr><td>Claude Code</td><td>2.1.328</td><td>19 ноября</td><td>"onFailure": "block" для MCP-хуков, исправление автокомпакции</td></tr><tr><td>DeepSeek Harness</td><td>0.2.2-rc.5</td><td>18 ноября</td><td>Веб-поиск без оплаты за запрос для моделей DeepSeek</td></tr><tr><td>Qwen Code</td><td>0.28.0</td><td>17 ноября</td><td>Общий агентный цикл для TUI и headless-сессий</td></tr><tr><td>Goose</td><td>1.60.0</td><td>17 ноября</td><td>Скиллы встроены в ядро, логи запросов закрыты от других пользователей</td></tr></tbody></table><p>Источник: GitHub Releases проектов; даты по UTC</p><h2>Почему OpenCode переплачивал за GPT-6.2</h2><p>Модели GPT-6.2 не кэшируют системный промпт, который передаётся в поле instructions Responses API, говорится в <a href="https://github.com/anomalyco/opencode/releases/tag/v2.3.2">заметках к релизу</a> OpenCode 2.3.2. Поэтому на каждом шаге агента промпт заново оплачивался как некэшированный вход. Теперь OpenCode отправляет его ведущим developer-сообщением на всех маршрутах Responses: OpenAI по API-ключу и со входом через ChatGPT, GitHub Copilot, Zen, Azure и OpenRouter. Компакция через /responses/compact читает тот же кэшированный префикс.</p><p>Разработчики приводят один замер: на gpt-6.2-sol в GitHub Copilot некэшированный вход на шаг упал примерно с 14 000 токенов до 3. Сколько это даёт в деньгах, зависит от длины вашего системного промпта и числа шагов; независимых замеров пока нет.</p><p>Версия <a href="https://github.com/anomalyco/opencode/releases/tag/v2.3.1">2.3.1</a> вышла примерно на час раньше. В ней GPT 6.2 Sol и Astra вместе с быстрыми вариантами появились в списке моделей при входе через ChatGPT. Когда сессия подходит к автоматической компакции, сводка теперь пишется в фоне, и следующий промпт её не ждёт; выключается это настройкой compaction.background: false. Разработчики предупреждают, что фоновая сводка, которая так и не пригодилась, всё равно тратит токены.</p><p>Команда shell, не уложившаяся в тайм-аут, больше не убивается, а уходит в фон и доложит результат, когда закончит; timeout: 0 на переднем плане теперь означает стандартные 120 секунд. OpenCode снова читает CLAUDE.md в каталогах без AGENTS.md и откатывается на ~/.claude/CLAUDE.md, если нет глобального AGENTS.md; отключить это можно переменной OPENCODE_DISABLE_CLAUDE_CODE. Экспериментальные расписания переименованы в automations: они запускаются по времени, интервалу, cron или событию MCP.</p><p>В <a href="https://github.com/anomalyco/opencode/releases/tag/v2.3.0">2.3.0</a> от 13 ноября субагенты всегда работают в фоне: сразу возвращают ID сессии и отчитываются родителю, когда освободятся, так что в основной сессии можно продолжать работу. Журнал в TUI по умолчанию сворачивает цепочки вызовов инструментов в одну строку активности; прежнюю подробность возвращает session.verbosity со значением medium или high. Провайдеры получили клиентские сертификаты для шлюзов с mTLS через settings.tls, а поиск локальных моделей в Ollama, LM Studio и vLLM ждёт ответа до 15 секунд вместо одной. Недавно команда OpenCode также <a href="https://tproger.ru/news/opencode-vypustila-browse-ii-agent-rabotaet-v-brauzere-s-vawimi">выпустила</a> Browse, через который агент работает в обычном браузере пользователя.</p><h2>Что изменилось в Codex CLI 0.170</h2><p>Голосовые звонки в реальном времени по WebRTC в TUI Codex CLI <a href="https://github.com/openai/codex/blob/rust-v0.169.0/codex-rs/tui/src/app_server_session/realtime.rs">были</a> и в 0.169.0: тогда TUI передавал серверу приложения WebRTC-предложение. В <a href="https://github.com/openai/codex/releases/tag/rust-v0.170.0">0.170.0</a> от 18 ноября, как следует из <a href="https://github.com/openai/codex/pull/61172">описания изменения</a>, звонок создаёт сам TUI со своими учётными данными и провайдером, а сервер приложения подключается к нему по ID. Какие модели участвуют в звонке, в заметках к релизу не описано. Там же появились автоматически обновляемые заголовки авторизации для экспортёров OpenTelemetry по HTTP и экспериментальная поддержка одноимённых MCP-серверов в разных окружениях.</p><p>Из исправлений: слишком большие запросы по WebSocket сразу уходят по HTTP без лишних повторов, закрыты гонки при сохранении OAuth-учётных данных MCP при отмене, входе и выходе, а дочерние потоки и обновления разрешений больше не теряют ограничения песочницы. В заметках к версии 0.169.1, вышедшей накануне, основные изменения не перечислены.</p><h2>Какие исправления Claude Code касаются секретов и конфигов</h2><p>В <a href="https://github.com/anthropics/claude-code/releases/tag/v2.1.327">Claude Code 2.1.327</a> команда claude mcp add-json &lt;name&gt; - читает JSON сервера из стандартного ввода, поэтому токены можно не передавать аргументами команды; попадут ли они в историю шелла, зависит от того, как вы подаёте JSON на вход. Внутри сессии Claude Code эта форма недоступна. Там же исправлены три ошибки, которые могли стоить файлов: остановка сервера Remote Control в режиме worktree удаляла git-ignored файлы работающей сессии, например .env; claude mcp add и claude mcp remove с областью проекта стирали из .mcp.json чужие ключи верхнего уровня вроде $schema; /export перезаписывал существующий файл без вопроса.</p><p>Версия <a href="https://github.com/anthropics/claude-code/releases/tag/v2.1.326">2.1.326</a> разрешила включать Code Mode, в котором Claude пишет JavaScript, сам вызывающий инструменты, вместе с agent teams: если Code Mode уже был включён, сессии с командами агентов теперь стартуют в нём. Claude Code также предупреждает при запуске, если значение --allowedTools, --disallowedTools или --tools не похоже на полное правило, а claude purge больше не прячет вопросы при перенаправленном stdout, где одно невидимое нажатие Enter могло удалить данные проекта.</p><p>В <a href="https://github.com/anthropics/claude-code/releases/tag/v2.1.328">2.1.328</a> хуки mcp_tool получили "onFailure": "block", как у command- и HTTP-хуков: если вызов хука упал, действие блокируется. Автоматическая компакция больше не переиспользует прежний системный промпт сессии и пересобирает его так же, как /compact. Команды в zsh со словом, начинающимся с =, например echo ====, больше не падают с ошибкой «not found». Для Claude Opus 4.6 и Sonnet 4.6 на Amazon Bedrock, Google Cloud Agent Platform, Microsoft Foundry и Claude apps gateway добавлен auto mode.</p><h2>Что нового у DeepSeek Harness, Qwen Code и Goose</h2><p>DeepSeek Harness, открытый агентный харнесс DeepSeek с веб-интерфейсом и десктоп-приложением, выпустил два пререлиза. В <a href="https://github.com/deepseek-ai/deepseek-harness/releases/tag/dsh-v0.2.2-rc.4">rc.4</a> от 17 ноября исправлено создание LiveShare в десктопном приложении и обработка неожиданных ответов модели. В <a href="https://github.com/deepseek-ai/deepseek-harness/releases/tag/dsh-v0.2.2-rc.5">rc.5</a> от 18 ноября модели DeepSeek ищут в вебе через серверный поиск DeepSeek без оплаты за каждый запрос, остальные модели по умолчанию используют DeepSeek Search API. В npm пакет @deepseek-ai/dsh версии 0.2.2-rc.5 теперь стоит под тегами latest и next, так что npx @deepseek-ai/dsh web запускает свежую сборку без указания тега.</p><p><a href="https://github.com/QwenLM/qwen-code/releases/tag/v0.28.0">Qwen Code 0.28.0</a> от 17 ноября по умолчанию запускает headless-сессии и TUI на общем агентном цикле, при компакции сохраняет последнюю завершённую операцию и получил полный русский перевод интерфейса Web Shell. В <a href="https://github.com/aaif-goose/goose/releases/tag/v1.60.0">Goose 1.60.0</a> от того же дня расширение Skills заменено встроенной операцией, добавлены провайдеры Cortecs и Onysoft, а логи запросов и временные каталоги на Unix закрыты от других пользователей системы.</p><p>Если вы работаете с GPT-6.2 через OpenCode, обновитесь до 2.3.2: исправление включается само, настраивать ничего не нужно. Тем, кому не подходит фоновая компакция из 2.3.1, нужен compaction.background: false. В Claude Code MCP-серверы с токенами удобнее добавлять через claude mcp add-json &lt;name&gt; - со стандартным вводом.</p><p>Следующие версии уже на подходе: 18 ноября OpenAI опубликовала первую альфу Codex CLI 0.172.0, а у Kimi Code 19 ноября вышли canary-сборки версии 2.7.0. Что войдёт в стабильные релизы, пока не объявлено.</p><p>Источники: <a href="https://github.com/anomalyco/opencode/releases/tag/v2.3.2">OpenCode v2.3.2</a>, <a href="https://github.com/anomalyco/opencode/releases/tag/v2.3.1">OpenCode v2.3.1</a>, <a href="https://github.com/anomalyco/opencode/releases/tag/v2.3.0">OpenCode v2.3.0</a>, <a href="https://github.com/openai/codex/releases/tag/rust-v0.170.0">Codex CLI 0.170.0</a>, <a href="https://github.com/anthropics/claude-code/releases/tag/v2.1.326">Claude Code v2.1.326</a>, <a href="https://github.com/anthropics/claude-code/releases/tag/v2.1.327">Claude Code v2.1.327</a>, <a href="https://github.com/anthropics/claude-code/releases/tag/v2.1.328">Claude Code v2.1.328</a>, <a href="https://github.com/deepseek-ai/deepseek-harness/releases/tag/dsh-v0.2.2-rc.5">DeepSeek Harness 0.2.2-rc.5</a>, <a href="https://github.com/QwenLM/qwen-code/releases/tag/v0.28.0">Qwen Code 0.28.0</a>, <a href="https://github.com/aaif-goose/goose/releases/tag/v1.60.0">Goose 1.60.0</a></p><p>Изображение на обложке: Данные: релиз-ноты OpenCode; оформление Tproger</p>]]></content:encoded>
    </item>
    <item>
      <title>Google выпустила Gemini 4 Neon: кодинг уровня Opus 5.5 почти вдвое дешевле</title>
      <link>https://tproger.ru/news/google-vypustila-gemini-4-neon-koding-urovnya-opus-5-5-pochti-vdv</link>
      <comments>https://tproger.ru/news/google-vypustila-gemini-4-neon-koding-urovnya-opus-5-5-pochti-vdv?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/google-vypustila-gemini-4-neon-koding-urovnya-opus-5-5-pochti-vdv</guid>
      <description><![CDATA[<p>Gemini 4 Neon набрала 59 баллов в кодинг-индексе Artificial Analysis против 58 у Opus 5.5, задача стоит $6,86 против $12,61. Цена API $3 и $15.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/google-vypustila-gemini-4-neon-koding-urovnya-opus-5-5-pochti-vdv">Google выпустила Gemini 4 Neon: кодинг уровня Opus 5.5 почти вдвое дешевле</a>»</p>]]></description>
      <category><![CDATA[Google]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Thu, 19 Nov 2026 07:07:10 GMT</pubDate>
      <content:encoded><![CDATA[<p>Google 18 ноября <a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-neon/">выпустила</a> Gemini 4 Neon, модель между флагманской Carbon и быстрой Hydrogen. В кодинг-индексе Artificial Analysis она набрала 59 баллов против 58 у Claude Opus 5.5 и Claude Fable 5.2, а средняя задача обходится в $6,86 против $12,61 у Opus.</p><p>Для разработчика это ещё одна модель уровня флагманов для агентного кодинга, которая заметно дешевле их за задачу. В API она стоит $3 за миллион входных токенов и $15 за миллион выходных, бесплатного тарифа нет. В Antigravity модель получили платные подписчики Google AI Pro и Ultra, тогда как Carbon там доступна только на Ultra.</p><p>Днём 18 ноября в X <a href="https://x.com/SiftByte/status/2123024745876877747">разошлась</a> неподтверждённая таблица бенчмарков, по которой Neon набирала 67 баллов в общем индексе Artificial Analysis и 71,4% на Terminal-Bench 4.1, а Opus 5.5 обходила в 9 тестах из 10. Эти цифры не подтвердились: в индексе у модели 61 балл, на Terminal-Bench 4.1 65,2%, и Opus 5.5 там впереди. Подтвердилась <a href="https://x.com/SPAC89/status/2122974097936130262">утёкшая</a> цена: $3 и $15 за миллион токенов.</p><ul><li>Gemini 4 Neon вышла 18 ноября в Gemini API, AI Studio, Antigravity и приложении Gemini; идентификатор модели gemini-4-neon.</li><li>Цена $3 и $15 за миллион входных и выходных токенов, кэш $0,15, контекст 1 млн токенов; бесплатного тарифа нет.</li><li>В общем индексе Artificial Analysis 61 балл и третье место после Claude Fable 5.2 (65) и GPT-6.2 Astra (62).</li><li>В кодинг-индексе Artificial Analysis 59 баллов против 58 у Opus 5.5 и Fable 5.2 при цене задачи $6,86 против $12,61 и $15,47.</li><li>Скидка на Carbon ($2 и $10) действует до 30 ноября, с 1 декабря Carbon стоит $4 и $20, и Neon становится дешевле её на 25%.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-19/51295797-cf42-4974-b0f0-7f3ba6539601.webp" alt="Сравнение моделей Gemini 4 Carbon, Neon и Hydrogen: назначение, индекс Artificial Analysis 60, 61 и 54, цены $4/$20, $3/$15 и $1,50/$7,50, уровни рассуждений, подписки и доступность" /><figcaption>Место Neon в семействе Gemini 4. Изображение: Google</figcaption></figure><h2>Где Neon стоит среди флагманов?</h2><p>По <a href="https://x.com/ArtificialAnlys/status/2123170645777526962">замерам Artificial Analysis</a>, независимой лаборатории, которая прогоняет модели через единый набор тестов, Neon на максимальном уровне рассуждений xhigh набирает 61 балл в Intelligence Index v5.0.1. Это третье место: выше только Claude Fable 5.2 на max (65) и GPT-6.2 Astra на max (62). Gemini 4 Carbon на high набирает 60, Claude Opus 5.5 на max 59, GPT-6.2 Sol на max 57.</p><p>Отдельно лаборатория считает индекс кодинг-агентов, где модель работает в своём штатном харнессе. Neon в Antigravity CLI набрала 59 баллов, Fable 5.2 и Opus 5.5 в Claude Code по 58. До Neon первые места в этом рейтинге <a href="https://tproger.ru/news/claude-fable-5-2-i-opus-5-5-vozglavili-rejting-ii-agentov-dlya-ko">делили</a> модели Anthropic. Сама Google в <a href="https://antigravity.google/blog/gemini-4-neon-in-google-antigravity">блоге Antigravity</a> приводит более точное значение: 58,6 и первое место.</p><p>Главная разница в деньгах. Средняя задача кодинг-индекса у Neon стоит $6,86, у Opus 5.5 на max $12,61, у Fable 5.2 на xhigh $15,47.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-19/cc5c7a0e-4f2a-4013-84db-99b1a98116d0.webp" alt="Индекс Artificial Analysis: Claude Fable 5.2 65, GPT-6.2 Astra 62, Gemini 4 Neon 61, Gemini 4 Carbon 60, Claude Opus 5.5 59; ниже график индекса против цены задачи" /><figcaption>Индекс Artificial Analysis и стоимость задачи по уровням рассуждений. Источник: Artificial Analysis</figcaption></figure><h2>Где Opus 5.5 остаётся впереди?</h2><p>В <a href="https://x.com/_mohansolo/status/2123168228415599033">таблице</a>, которую Google опубликовала вместе с релизом, Neon сравнивают с Claude Opus 5.5 и GPT-6.2 Sol. Neon лидирует в большинстве строк, но в двух кодинговых бенчмарках Opus впереди. На Terminal-Bench 4.1, где агент решает задачи в терминале, у Opus 65,8% против 65,2% у Neon. На FrontierCode 2.0, где решение засчитывают, только если мейнтейнер принял бы правку в реальный репозиторий, у Opus 47,3% против 46,2%.</p><p>На SWE-sweep (метрика: награда, взвешенная по подзадачам) разрыв зависит от харнесса. В штатных харнессах у Neon в Antigravity CLI 39,0%, у Opus в Claude Code 10,1%; в общем mini-swe-agent у Neon 12,8%, у Opus 3,6%. Google связывает этот разрыв с возможностями харнесса Antigravity. В чтении плотных графиков (Chartography) впереди GPT-6.2 Sol: 75,1% против 73,5%.</p><p>Таблица сводит собственные замеры Google и внешние: по <a href="https://deepmind.google/models/evals-methodology/gemini-4-neon">методологии DeepMind</a>, часть результатов, включая Terminal-Bench 4.1 для Neon, получена у Artificial Analysis, Vals AI и Cursor или взята из публичных рейтингов и отчётов разработчиков конкурирующих моделей.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-19/7520c53e-00db-42d5-b1b4-7e2d0ec4b3cd.webp" alt="Таблица бенчмарков Google: Gemini 4 Neon против Claude Opus 5.5 и GPT-6.2 Sol по 19 тестам, Opus впереди на Terminal-Bench 4.1 и FrontierCode 2.0, Sol на Chartography" /><figcaption>Официальная таблица бенчмарков. Источник: Google</figcaption></figure><h2>Чем Neon отличается от Carbon?</h2><p>По данным Artificial Analysis, в общем индексе Neon на балл выше Carbon, но задача обходится в $6,44 против $7,76 и решается примерно за 21 минуту против 36. Выходных токенов на задачу Neon на xhigh тратит примерно на 15% больше, чем Carbon на high, так что экономия идёт только от цены за токен. Выводит она около 110 токенов в секунду против 57 у Carbon. Лаборатория считала Carbon по стандартной цене, без нынешней скидки.</p><p>На стандартном уровне high, по замерам Artificial Analysis, Neon догоняет Carbon на high меньше чем за половину цены задачи. Google в анонсе называет более скромную цифру: на 32% дешевле Carbon за задачу. Ещё у Neon четыре уровня рассуждений (low, medium, high и xhigh), у Carbon их три, без xhigh.</p><p>Кроме кода, Artificial Analysis отмечает прирост в работе с визуальными документами. На GDP.pdf у Neon на high 33,4% против 28,4% у Carbon, а в AA-Briefcase в категории качества оформления результатов (таблицы, презентации, записки) модель стала первой с 1771 баллом Эло, на 45 выше прежнего лидера Claude Sonnet 5.5.</p><p>Варун Мохан из команды Antigravity <a href="https://x.com/_mohansolo/status/2123168228415599033">написал</a>, что Neon «дешевле, быстрее и аккуратнее в поведении», чем Carbon. Google в анонсе пишет о самом низком уровне выдуманных результатов во внутренних тестах Antigravity и о 2,45% задач, где модель срезала углы в собственном тесте на жульничество в коде.</p><h2>Как устроен Orchestrator в Antigravity?</h2><p>Вместе с моделью Google <a href="https://antigravity.google/blog/gemini-4-neon-in-google-antigravity">обновила</a> режим Orchestrator в Antigravity: теперь в одной сессии можно поставить Neon планировщиком, а Hydrogen исполнителем. Neon берёт на себя план, архитектуру и сложные рассуждения, а рутинные правки, обновление пакетов и прогон тестов отдаёт <a href="https://tproger.ru/news/google-vypustila-gemini-4-hydrogen-s-besplatnym-dostupom-v-api">Hydrogen</a>. Если исполнитель упирается в проблему, задача возвращается к Neon, та смотрит состояние, правит план и продолжает.</p><p>По замыслу Google, так тяжёлая модель тратит квоту только там, где нужна её глубина. Neon доступна в десктопном приложении Antigravity, Antigravity CLI и расширениях для IDE.</p><h2>Сколько стоит и кому подходит?</h2><ul><li>Стандартный тариф <a href="https://ai.google.dev/gemini-api/docs/pricing#gemini-4-neon">Gemini API</a>: $3 за миллион входных токенов, $15 за миллион выходных, включая токены рассуждений; кэшированный вход $0,15, только неявный кэш.</li><li>Пакетная обработка (Batch): $1,50 и $7,50 за миллион токенов.</li><li>Бесплатного уровня нет, в отличие от Hydrogen, у которой он есть.</li><li>Carbon до 30 ноября стоит $2 и $10, с 1 декабря $4 и $20.</li></ul><p>На практике до конца ноября Carbon за токен дешевле Neon, но медленнее и тратит больше времени на задачу. С 1 декабря Neon дешевле Carbon на 25% по каждому токену. Тем, кто сидит на бесплатном тарифе Gemini API, Neon ничего не меняет: для них остаётся Hydrogen.</p><p>Чтобы попробовать модель в API, укажите идентификатор gemini-4-neon на платном тарифе. В Antigravity Neon выбирается в списке моделей у подписчиков Google AI Pro и Ultra.</p><p>Версия для киберзащиты, Gemini 4 Neon for cyber, в ближайшие дни начнёт приходить участникам программы Fairwind, так же как раньше раздавали <a href="https://tproger.ru/news/google-anonsirovala-gemini-4-carbon-s-uporom-na-kiberbezopasnost">Carbon</a>. Neon стала четвёртой моделью Google за семь недель, по подсчёту Artificial Analysis.</p><p>Источники: <a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-neon/">Google: Introducing Gemini 4 Neon</a>, <a href="https://antigravity.google/blog/gemini-4-neon-in-google-antigravity">Google Antigravity: Gemini 4 Neon in Google Antigravity</a>, <a href="https://ai.google.dev/gemini-api/docs/pricing#gemini-4-neon">Gemini API: цены</a>, <a href="https://x.com/ArtificialAnlys/status/2123170645777526962">Artificial Analysis в X: оценка Gemini 4 Neon</a>, <a href="https://x.com/_mohansolo/status/2123168228415599033">Варун Мохан в X: таблица бенчмарков</a>, <a href="https://deepmind.google/models/evals-methodology/gemini-4-neon">Google DeepMind: методология оценки Gemini 4 Neon</a></p><p>Изображение на обложке: Изображение: Google</p>]]></content:encoded>
    </item>
    <item>
      <title>Кодит ИИ, релизит типичный программист</title>
      <link>https://tproger.ru/interactive/kodit-ii-relizit-tipichnyj-programmist</link>
      <comments>https://tproger.ru/interactive/kodit-ii-relizit-tipichnyj-programmist?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Ihor.m 💼]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/interactive/kodit-ii-relizit-tipichnyj-programmist</guid>
      <description><![CDATA[<p>Исследование о том, как разработчики используют нейросети и с какими проблемами сталкиваются чаще всего. Каких изменений ждут в профессии после прихода ИИ и как изменилась их рутина.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/interactive/kodit-ii-relizit-tipichnyj-programmist">Кодит ИИ, релизит типичный программист</a>»</p>]]></description>
      <category><![CDATA[Партнёрский материал]]></category>
      <category><![CDATA[Игры]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 15:52:01 GMT</pubDate>
      <content:encoded><![CDATA[<p>Исследование о том, как разработчики используют нейросети и с какими проблемами сталкиваются чаще всего. Каких изменений ждут в профессии после прихода ИИ и как изменилась их рутина.</p>]]></content:encoded>
    </item>
    <item>
      <title>Ошибка HTTP/2 в nginx жила с 2015 года: обновите сервер до 1.31.9</title>
      <link>https://tproger.ru/news/owibka-http-2-v-nginx-zhila-s-2015-goda-obnovite-server-do-1-31</link>
      <comments>https://tproger.ru/news/owibka-http-2-v-nginx-zhila-s-2015-goda-obnovite-server-do-1-31?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/owibka-http-2-v-nginx-zhila-s-2015-goda-obnovite-server-do-1-31</guid>
      <description><![CDATA[<p>CVE-2026-123007 бьёт по nginx с 1.9.5, CVE-2026-123633 — с 1.19.7; Wiz подтвердила RCE без входа на 1.31.8. Что обновить и как отключить HTTP/2.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/owibka-http-2-v-nginx-zhila-s-2015-goda-obnovite-server-do-1-31">Ошибка HTTP/2 в nginx жила с 2015 года: обновите сервер до 1.31.9</a>»</p>]]></description>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[DevOps]]></category>
      <category><![CDATA[Информационная безопасность]]></category>
      <category><![CDATA[Уязвимость]]></category>
      <category><![CDATA[Сервер]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 14:04:45 GMT</pubDate>
      <content:encoded><![CDATA[<p>Разработчики nginx 18 ноября выпустили версии 1.31.9 (mainline) и 1.30.7 (stable), которые <a href="https://nginx.org/en/security_advisories.html">закрывают 10 уязвимостей</a> (в stable-ветке их девять). Главная из них, CVE-2026-123007 — порча памяти в механизме управления потоком HTTP/2, затрагивает версии с 1.9.5 по 1.31.8, то есть код с 2015 года. Исследователи Wiz <a href="https://www.wiz.io/blog/nginx-http2-rce-vulnerabilities">утверждают</a>, что она и ещё одна ошибка HTTP/2 позволяют удалённо и без авторизации выполнить код на сервере.</p><p>nginx стоит на входе у многих веб-проектов: терминирует HTTPS, раздаёт статику и проксирует запросы в приложения и API. Если на сервере включён HTTP/2, а его часто включают вместе с HTTPS, обновление нужно ставить в приоритетном порядке, даже если код самого приложения безопасен. Ошибки сидят в самом nginx, и для атаки не нужен баг в бэкенде.</p><ul><li>nginx 1.31.9 закрывает 10 CVE, 1.30.7 — 9 (одна ошибка есть только в mainline); три из них разработчики оценили как major, включая CVE-2026-123007 в HTTP/2 (уязвимы версии 1.9.5–1.31.8).</li><li>Wiz оценивает CVE-2026-123007 и CVE-2026-123633 в 9,2 по CVSS 4.0 и сообщает о подтверждённом RCE без авторизации с обходом ASLR; для CVE-2026-123007 — на официальных сборках 1.31.7 и 1.31.8.</li><li>Обе ошибки срабатывают только при включённом HTTP/2; временная мера до обновления — отключить HTTP/2.</li><li>Те же баги независимо нашли пять команд: Wiz, Ikotas Labs, Metnir, Rapid7 и Xint; Wiz искала их с помощью собственного ИИ-сканера.</li><li>Эксплойты Wiz не публикует; в NGINX Plus обе ошибки закрыты только в 37.0.8.1 и 37.3.0.1 (37.0.7.1 и 37.2.0.1 исправляют лишь CVE-2026-123633).</li></ul><h2>Какие версии уязвимы и что исправлено?</h2><p>По <a href="https://nginx.org/en/security_advisories.html">странице безопасности nginx</a>, все уязвимости ниже исправлены в 1.31.9 и 1.30.7, кроме одной, которая касается только mainline. Уровень опасности указан по шкале разработчиков nginx: major, medium или minor.</p><p>Уязвимости, закрытые в nginx 1.31.9 и 1.30.7</p><table><thead><tr><th>CVE</th><th>Что сломано</th><th>Опасность по nginx</th><th>Уязвимые версии</th></tr></thead><tbody><tr><td>CVE-2026-123007</td><td>Порча памяти в управлении потоком HTTP/2</td><td>major</td><td>1.9.5–1.31.8</td></tr><tr><td>CVE-2026-118899</td><td>Бесконечный цикл при чтении тела запроса по TLS 1.3</td><td>major</td><td>1.13.0–1.31.8</td></tr><tr><td>CVE-2026-113425</td><td>Use-after-free в почтовом прокси</td><td>major</td><td>0.5.33–1.31.8</td></tr><tr><td>CVE-2026-123633</td><td>Use-after-free в HTTP/2</td><td>medium</td><td>1.19.7–1.31.8</td></tr><tr><td>CVE-2026-121810</td><td>Use-after-free в HTTP/3</td><td>medium</td><td>1.25.0–1.31.8</td></tr><tr><td>CVE-2026-123634</td><td>Use-after-free в resolver</td><td>medium</td><td>0.6.18–1.31.8</td></tr><tr><td>CVE-2026-120967</td><td>Обход SNI при проверке клиентских сертификатов в stream</td><td>medium</td><td>1.25.5–1.31.8</td></tr><tr><td>CVE-2026-125283</td><td>Переполнение буфера при alias вместе с try_files</td><td>minor</td><td>0.9.6–1.31.8</td></tr><tr><td>CVE-2026-123640</td><td>Недостаточная проверка в ssl_preread</td><td>minor</td><td>1.15.2–1.31.8</td></tr><tr><td>CVE-2026-120993</td><td>Разыменование NULL при PROXY protocol v2</td><td>minor</td><td>1.31.4–1.31.8, исправлено только в 1.31.9</td></tr></tbody></table><p>Источник: nginx security advisories</p><p>Из <a href="https://nginx.org/en/CHANGES">журнала изменений</a> видно, кто нашёл ошибки: четыре из десяти принёс Xint.io, CVE-2026-123633 — Albert из Vexera AI, обход SNI — CERT.PL. Про CVE-2026-123007 журнал говорит сдержанно: переполнение окна управления потоком в HTTP/2 «может позволить атакующему вызвать segmentation fault в рабочем процессе или иметь другие потенциальные последствия» (перевод редакции). Про CVE-2026-123633 — что use-after-free может случиться при HTTP/2, если не хватает worker_connections.</p><p>Помимо уязвимостей mainline-релиз 1.31.9 меняет поведение (в stable 1.30.7 этих изменений нет): строки заголовков без двоеточия теперь отклоняются, как и запрос с chunked-телом, в котором слишком много служебной разметки. Если какой-то нестандартный клиент шлёт такие запросы, после обновления он начнёт получать ошибки.</p><h2>Почему Wiz называет это удалённым выполнением кода?</h2><p>На странице nginx.org уязвимости описаны сдержанно: «memory corruption» и «use-after-free», а в changelog — падение рабочего процесса «или другие последствия». Бюллетени F5 (<a href="https://my.f5.com/manage/s/article/K000163926">K000163926</a>, <a href="https://my.f5.com/manage/s/article/K000163928">K000163928</a>) прямо допускают выполнение кода, если ASLR отключён или обойдён, и дают обеим ошибкам 9,2 балла из 10 по CVSS 4.0. Практическую демонстрацию описывает <a href="https://www.wiz.io/blog/nginx-http2-rce-vulnerabilities">отчёт Wiz</a>: компания пишет, что подтвердила выполнение кода с обходом ASLR для обеих ошибок, а для CVE-2026-123007 — на официальных сборках nginx 1.31.7 и 1.31.8. Эксплойты Wiz не публикует.</p><p>CVE-2026-123007 Wiz описывает так. При HTTP/2 nginx хранит «кредит» соединения — сколько данных ещё можно отправить клиенту — в счётчике h2c-&gt;send_window. Если поток отменяют, пока его данные стоят в очереди, функция очистки возвращает неотправленный объём в счётчик и не проверяет, что тот не превысил максимум протокола. Клиент, который успел тем временем расширить окно кадрами WINDOW_UPDATE, может вытолкнуть счётчик за предел.</p><p>Дальше срабатывает цепочка. Проверка при следующем WINDOW_UPDATE вычитает текущее окно из максимума в беззнаковом типе, разность «заворачивается» в огромное число, и проверка пропускает новые увеличения. В ngx_http_v2_send_chain() гигантское значение приводится к знаковому off_t и становится отрицательным, у буфера ответа конец оказывается раньше начала, а в ngx_ssl_send_chain() это превращается в копирование памяти за границами. По словам Wiz, так можно читать память, портить кучу и выполнить код. Путь работает при HTTP/2 поверх TLS на 64-битных системах и, что важно, на обычной раздаче статических файлов, без бэкенда и сторонних модулей.</p><p>CVE-2026-123633 — другой механизм. nginx держит список «переиспользуемых» соединений, которые можно закрыть, если кончаются слоты. HTTP/2-соединение попадает туда, пока на нём нет активных запросов. Wiz отправляет заголовки запроса не целиком, соединение помечается как переиспользуемое, а после досылки заголовков запрос начинает обрабатываться, но из списка соединение не убирается. Когда nginx открывает соединение к бэкенду и свободных слотов мало, он может закрыть именно это соединение и освободить его память, хотя запрос продолжает ею пользоваться. Поэтому эта уязвимость, по оценке Wiz, вероятнее эксплуатируется в конфигурации обратного прокси.</p><p>Сама Wiz оговаривается, что такие ошибки трудно эксплуатировать удалённо: нужно раскрыть адреса памяти, разложить кучу и учесть разные версии, сборки и конфигурации nginx. Но, напоминает компания, массовые атаки обычно начинаются с коробочных продуктов, где у тысяч клиентов одна и та же сборка и конфигурация. CDN и WAF, которые сами терминируют HTTP/2, могут частично мешать атаке, но это зависит от реализации.</p><h2>Пять команд и ИИ: как нашли баги десятилетней давности</h2><p>По хронологии Wiz, компания сообщила F5 (владельцу nginx) об уязвимости CVE-2026-123633 21 октября, и F5 ответила, что ту же ошибку уже прислала другая команда. 10 ноября F5 передала патч на проверку, 16 ноября Wiz сообщила о второй уязвимости, а 17 ноября F5 подтвердила, что она совпадает с уже известной CVE-2026-123007 и войдёт в релиз 18 ноября. Всего обе ошибки независимо нашли пять команд: Wiz, Ikotas Labs, Metnir, Rapid7 и Xint.</p><p>Wiz пишет, что нашла обе ошибки с помощью Wiz Atlas — внутреннего харнесса своего ИИ-сканера кода, а для проверки, что баги действительно ведут к выполнению кода, исследователи использовали модели <a href="https://tproger.ru/news/google-anonsirovala-gemini-4-carbon-s-uporom-na-kiberbezopasnost">Gemini 4 Carbon</a> и ChatGPT 5.6 Sol. Ошибка в управлении потоком прожила в коде больше десяти лет, use-after-free — почти шесть. Wiz прямо ставит эту историю в один ряд с PHP2Shell и <a href="https://tproger.ru/news/java4shell-v-base64-dekodere-openjdk-nawli-rce-obnovite-jdk">Java4Shell в OpenJDK</a>, раскрытой днём раньше: по мнению компании, ИИ снимает барьер сложности, который годами защищал такие ошибки от поиска, и сокращает время между публикацией исправления и атаками. Похожий сюжет был и с <a href="https://tproger.ru/news/openai-codex-sobral-desyatiletnie-dos-ataki-v-http-2-bomb">HTTP/2 Bomb, которую собрал Codex</a>.</p><h2>Что делать администратору</h2><ol><li>Проверьте версию: nginx -v. Сверьте её с диапазонами в таблице выше: у каждой CVE своя нижняя граница, а у двух критичных ошибок HTTP/2 это 1.9.5 и 1.19.7. Девять CVE исправлены в обеих ветках, в 1.30.7 (stable) и 1.31.9 (mainline); CVE-2026-120993 касается только mainline и закрыта в 1.31.9. Пакеты дистрибутивов часто несут старый номер с бэкпортами, поэтому сверяйтесь с бюллетенем своего дистрибутива.</li><li>Проверьте, включён ли HTTP/2: ищите директиву http2 on; и параметр http2 в listen. Именно такие серверы под угрозой по двум критичным CVE.</li><li>Обновитесь до nginx 1.31.9 или 1.30.7. Для NGINX Plus Wiz указывает исправленные сборки 37.0.7.1 и 37.2.0.1 для CVE-2026-123633 и 37.0.8.1 и 37.3.0.1 для CVE-2026-123007. Не забудьте Docker-образы и ingress-контроллеры, где nginx зашит в образ.</li><li>Если обновиться сразу нельзя, Wiz советует временно отключить HTTP/2: в nginx 1.25.1 и новее <a href="https://nginx.org/en/docs/http/ngx_http_v2_module.html#http2">директивой</a> http2 off; в нужных блоках server, плюс убрать параметр http2 из всех listen. Затем проверить совместимость приложений, перезагрузить конфигурацию и убедиться, что старые рабочие процессы завершились. После обновления HTTP/2 можно включить обратно.</li><li>Отдельно оцените, нужны ли вам почтовый прокси, HTTP/3 и модуль stream с ssl_preread: в них тоже закрыты ошибки, а неиспользуемые модули проще выключить.</li></ol><p>Как заметить атаку. Wiz называет общие тревожные признаки, которые не являются подтверждёнными индикаторами именно этих уязвимостей: неожиданные падения рабочих процессов nginx (в error.log — «worker process exited on signal 11») и команды, запущенные от имени nginx. Для CVE-2026-123007 атакующему нужно отправить очень много кадров WINDOW_UPDATE, поэтому подозрительны долгоживущие HTTP/2-соединения с большим объёмом трафика.</p><p>Это второй выпуск исправлений безопасности nginx за пять недель: 14 октября версии 1.31.7 и 1.30.6 закрыли пять уязвимостей, а в сентябре мы <a href="https://tproger.ru/news/nginx-1-31-5-marwrutiziruet-po-telu-json-a-njs-1-0-1-zakryl-tri">писали о 1.31.5</a>, где njs 1.0.1 исправил ещё три CVE. Дальше стоит следить за бюллетенями F5 по NGINX Plus, за обновлением пакетов в вашем дистрибутиве и за образами ingress-контроллеров Kubernetes, которые выходят по своему графику.</p><p>Источники: <a href="https://nginx.org/en/security_advisories.html">nginx security advisories</a>, <a href="https://nginx.org/">nginx: новости, 18 ноября 2026</a>, <a href="https://nginx.org/en/CHANGES">nginx CHANGES 1.31.9</a>, <a href="https://www.wiz.io/blog/nginx-http2-rce-vulnerabilities">Wiz: NGINX HTTP/2 RCE vulnerabilities</a>, <a href="https://my.f5.com/manage/s/article/K000163926">F5 K000163926 (CVE-2026-123007)</a>, <a href="https://my.f5.com/manage/s/article/K000163928">F5 K000163928 (CVE-2026-123633)</a></p><p>Изображение на обложке: NGINX</p>]]></content:encoded>
    </item>
    <item>
      <title>Tencent открыла веса Hy4 Flash — дешёвой модели для документов и агентов</title>
      <link>https://tproger.ru/news/tencent-otkryla-vesa-hy4-flash-dewyovoj-modeli-dlya-dokumentov-i</link>
      <comments>https://tproger.ru/news/tencent-otkryla-vesa-hy4-flash-dewyovoj-modeli-dlya-dokumentov-i?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/tencent-otkryla-vesa-hy4-flash-dewyovoj-modeli-dlya-dokumentov-i</guid>
      <description><![CDATA[<p>Hy4 Flash на 220 млрд параметров работает с 12 млрд активных и контекстом 1 млн токенов; в API стоит $0,035 за миллион входных токенов, в коде слабее DeepSeek.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/tencent-otkryla-vesa-hy4-flash-dewyovoj-modeli-dlya-dokumentov-i">Tencent открыла веса Hy4 Flash — дешёвой модели для документов и агентов</a>»</p>]]></description>
      <category><![CDATA[Open Source]]></category>
      <category><![CDATA[Машинное обучение]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 13:59:17 GMT</pubDate>
      <content:encoded><![CDATA[<p>Tencent 17 ноября выложила в открытый доступ веса Hy4 Flash — самой дешёвой в работе модели своей линейки Hy: 220 млрд параметров, из которых на токен работают около 12 млрд, вход текстом и картинками и контекст до 1 млн токенов. Веса лежат на <a href="https://huggingface.co/tencent/Hy4-flash">Hugging Face</a>, ModelScope и GitCode в трёх вариантах: инструктивная модель, её FP8-версия и базовая предобученная. Лицензия разрешает коммерческое использование, но крупным компаниям, которые продают доступ к модели как к сервису, нужен отдельный договор с Tencent.</p><p>Для разработчика это ещё одна дешёвая модель для агентов, которые работают с документами, таблицами, презентациями и браузером: через <a href="https://openrouter.ai/tencent/hy4-flash">OpenRouter</a> она стоит $0,035 за миллион входных токенов и $0,14 за миллион выходных. Для кода она подходит хуже: на Terminal-Bench 4.0 модель набирает вдвое меньше, чем DeepSeek-V4.1-Flash, и сама Tencent советует для долгих задач по программированию старшую Hy4. Запустить веса локально можно, но самые лёгкие сборки весят от 126 ГиБ, а поддержка в llama.cpp пока живёт в ещё не влитой ветке.</p><ul><li>Hy4 Flash — MoE на 220 млрд параметров (из них 63,5 млрд — таблица n-грамм Engram), активно 11,3 млрд на текст плюс 0,43 млрд на зрение, контекст 1 048 576 токенов.</li><li>По внутреннему тесту Tencent WorkIndex модель набирает 42,1 балла против 39,7 у Hy4 preview при стоимости задачи в 13 раз ниже; это замер вендора.</li><li>В коде модель слабее конкурентов того же класса: Terminal-Bench 4.0 — 19,2 против 40,0 у DeepSeek-V4.1-Flash-1017 и 35,4 у GLM-5.3-Flash.</li><li>Лицензия Tencent Hy License 1.0 основана на Apache 2.0; отдельный договор нужен только MaaS-бизнесу с выручкой больше $50 млн или продуктом больше 100 млн MAU.</li><li>GGUF-сборки от команды AngelSlim весят от 126 до 157 ГиБ; на Mac с M5 Max и 128 ГБ памяти Q4_K_M выдаёт около 48 токенов в секунду, по замерам AngelSlim.</li></ul><h2>Что выпустила Tencent и где это взять?</h2><p>Hy (раньше Hunyuan) — семейство моделей Tencent. Hy4 Flash — облегчённая версия флагманской Hy4: модель обучали самодистилляцией из Hy4, а затем обучением с подкреплением, которое, по данным <a href="https://huggingface.co/tencent/Hy4-flash">карточки модели</a>, вдвое сократило среднее число выходных токенов за полное выполнение задачи. Через API модель появилась раньше весов: на OpenRouter её добавили 16 ноября, карточки на Hugging Face созданы 17 ноября.</p><ul><li><a href="https://huggingface.co/tencent/Hy4-flash">Hy4 flash</a> — инструктивная модель в BF16, 148 файлов safetensors;</li><li><a href="https://huggingface.co/tencent/Hy4-flash-FP8">Hy4 flash-FP8</a> — квантизированная в FP8 версия, её Tencent использует в примерах для vLLM и SGLang;</li><li><a href="https://huggingface.co/tencent/Hy4-flash-base">Hy4 flash-base</a> — предобученная модель без инструктивной донастройки, для своего дообучения;</li><li><a href="https://huggingface.co/AngelSlim/Hy4-flash-GGUF">Hy4-flash-GGUF</a> — пять квантизированных сборок для llama.cpp от команды AngelSlim из Tencent; в карточке они названы версией «для сквозного тестирования».</li></ul><p>У модели два режима рассуждений: reasoning_effort="high" (по умолчанию, с размышлением) и "no_think" для прямых ответов. Рекомендованные параметры сэмплирования — temperature 0,9 и top_p 1,0.</p><h2>Почему она дешёвая: как устроена архитектура</h2><p>Почти вся экономия заложена в архитектуру. Модель смешанных экспертов (MoE): в каждом из 41 MoE-слоя 512 экспертов, на каждый токен включаются 16 из них плюс один общий. Ещё один слой плотный, всего 42 слоя. Эксперты работают в сжатом латентном пространстве размерности 1 536 — Tencent называет это LatentMoE.</p><p>Второй приём — гибридное внимание. 12 слоёв используют разреженное внимание IndexPool, которое выбирает из всего контекста до 2 048 токенов, а 30 слоёв смотрят только на окно из последних 512 токенов. Поэтому KV-кэш, по данным Tencent, в 24 раза меньше, чем у Hy3, и в 6 раз меньше, чем у Hy4: это и позволяет держать контекст в миллион токенов без огромной памяти.</p><p>Третий — Engram, обученные представления биграмм и триграмм, которые модель достаёт из хэш-таблиц на четырёх слоях. Таблица занимает 63,5 млрд параметров из 220 млрд, но в вычислениях почти не участвует: это поиск по таблице, а не умножение матриц. Без Engram, зрительного энкодера и драфтера в модели 155,5 млрд параметров.</p><p>Hy4 Flash в цифрах</p><table><thead><tr><th>Параметр</th><th>Значение</th></tr></thead><tbody><tr><td>Всего параметров</td><td>220 млрд (с Engram, ViT и DFly2)</td></tr><tr><td>Активно на токен</td><td>11,3 млрд (текст) + 0,43 млрд (зрение)</td></tr><tr><td>Таблица Engram</td><td>63,5 млрд</td></tr><tr><td>Контекст</td><td>1 048 576 токенов</td></tr><tr><td>Слои</td><td>42: 1 плотный и 41 MoE</td></tr><tr><td>Эксперты</td><td>16 из 512 + 1 общий</td></tr><tr><td>Внимание</td><td>12 разреженных слоёв + 30 со скользящим окном 512</td></tr><tr><td>Зрение</td><td>энкодер на основе SigLIP2-So400m, 0,43 млрд</td></tr><tr><td>Драфтер DFly2</td><td>5 слоёв, 0,85 млрд</td></tr></tbody></table><p>Для ускорения генерации в модель встроен драфтер DFly2 на 0,85 млрд параметров для спекулятивного декодирования: маленькая сеть предлагает несколько токенов вперёд, большая их проверяет. DFly2 использует тот же KV-кэш и те же выбранные позиции, что и основная модель, поэтому, по словам Tencent, не требует отдельного KV-кэша и стоит одинаково при любой длине контекста. С мегаядрами, 4-битной квантизацией и DFly2 скорость генерации, по замеру компании, превышает 150 токенов в секунду.</p><h2>Насколько она хороша: цифры Tencent и независимый тест</h2><p>Почти все цифры ниже — замеры самой Tencent. Главный аргумент компании — WorkIndex, внутренний набор из восьми тестов на типичные задачи её ИИ-ассистента WorkBuddy: создание и правка презентаций, совместное редактирование Markdown, правка документов, починка таблиц, обработка аудио и видео, понимание изображений. Hy4 Flash набирает 42,1 балла против 39,7 у Hy4 preview и 51,4 у полной Hy4, а средняя стоимость задачи у неё в 13 раз ниже, чем у Hy4 preview, в 20 раз ниже, чем у Hy4, и в 8 раз ниже, чем у DeepSeek-V4.1-Flash-1017 по пиковым ценам.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-18/e54c5897-c0ca-47d6-875a-ba6aa25f7b36.webp" alt="График: средний балл на открытых агентных бенчмарках против стоимости задачи в юанях для Hy4 flash, DeepSeek-V4.1-Flash-1017, Qwen3.8-Flash-Next, GLM-5.3-Flash, GPT-6 Luna и моделей Hy4" /><figcaption>Средний балл на семи открытых агентных бенчмарках и стоимость задачи в юанях (логарифмическая шкала). Источник: Tencent, карточка Hy4 Flash</figcaption></figure><p>На семи открытых агентных бенчмарках картина неоднородная. Модель сильна там, где агент работает с офисными задачами и интерфейсом, и заметно отстаёт в программировании:</p><p>Открытые бенчмарки: Hy4 Flash и модели того же класса (замер Tencent)</p><table><thead><tr><th>Бенчмарк</th><th>Hy4 Flash</th><th>DeepSeek-V4.1-Flash-1017</th><th>GLM-5.3-Flash</th><th>GPT-6 Luna</th><th>Hy4</th></tr></thead><tbody><tr><td>DeepSWE v1.1</td><td>64,6</td><td>73,8</td><td>67,8</td><td>67,1</td><td>74,9</td></tr><tr><td>Terminal-Bench 4.0</td><td>19,2</td><td>40,0</td><td>35,4</td><td>13,3</td><td>44,4</td></tr><tr><td>ProgramBench (Almost Solved)</td><td>16,0</td><td>29,0</td><td>13,0</td><td>6,0</td><td>30,0</td></tr><tr><td>APEX-Agents v1.1</td><td>63,1</td><td>72,9</td><td>51,5</td><td>44,7</td><td>75,2</td></tr><tr><td>AutomationBench v1.0.6</td><td>52,2</td><td>54,3</td><td>48,4</td><td>38,1</td><td>56,2</td></tr><tr><td>HLE-Full (с инструментами)</td><td>55,2</td><td>57,1</td><td>52,2</td><td>49,7</td><td>59,1</td></tr><tr><td>OSWorld 2.1 (частичный балл)</td><td>68,1</td><td>68,4</td><td>64,0</td><td>55,7</td><td>78,9</td></tr></tbody></table><p>Условия замера Tencent описала в примечаниях: каждая модель запускалась на максимальном доступном уровне рассуждений, DeepSWE и ProgramBench — через mini-SWE-agent, Terminal-Bench 4.0 — в харнессе Claude Code с лимитом 500 ходов и 13 часов на попытку. Стоимость посчитана по официальным ценам API с курсом 7,2 юаня за доллар. Стоимость задачи у Hy4 Flash самая низкая почти везде: например, 0,29 юаня на DeepSWE против 1,30 у DeepSeek-V4.1-Flash-1017 и 3,23 у GLM-5.3-Flash.</p><p>Есть и слепое сравнение: 85 внутренних пользователей WorkBuddy оценили 259 задач из 27 категорий. Hy4 Flash получила 2,79 балла из 4 против 2,81 у Claude Haiku 5.5 при медианном времени выполнения 6,7 минуты и стоимости 0,26 юаня за задачу. Выборка внутренняя, поэтому это тоже аргумент вендора.</p><p>Одна из независимых проверок — Plotly. Компания прогнала модель на своём закрытом экзамене по анализу данных из 43 вопросов (<a href="https://plotly.com/blog/hy4-flash-plotly-data-analytics-bench/">публикация от 16 ноября</a>): Hy4 Flash ответила верно на 39, полный прогон стоил $0,13. GPT-6 Luna при той же цене набрала 38, полная Hy4 — 42 за $2,11, Claude Haiku 5.5 — 37 за $0,38, DeepSeek V4.1 Flash — 36 за $0,46. Plotly предупреждает, что каждую модель запускали один раз, а в повторных прогонах результат гуляет до трёх баллов, так что разницу в один-два вопроса стоит считать ничьей.</p><h2>Можно ли запустить её у себя?</h2><p>Можно, но это не модель для обычной видеокарты. Для продакшена Tencent рекомендует vLLM или SGLang: в примерах FP8-версия запускается на восьми GPU с тензорным параллелизмом (--tensor-parallel-size 8), для обоих движков выпущены готовые Docker-образы vllm/vllm-openai:hy4-flash и lmsysorg/sglang:hy4-flash, есть <a href="https://recipes.vllm.ai/tencent/Hy4-flash">рецепт vLLM</a>. Поддержка в Transformers пока живёт в <a href="https://github.com/huggingface/transformers/pull/50903">пулреквесте 50903</a>, его нужно ставить из ветки.</p><p>Для локального запуска есть <a href="https://huggingface.co/AngelSlim/Hy4-flash-GGUF">GGUF-сборки</a>. Самая лёгкая, IQ2-AH, весит 125,73 ГиБ, стандартная Q4_K_M — 156,79 ГиБ. Поддержка архитектуры в llama.cpp пока в <a href="https://github.com/ggml-org/llama.cpp/pull/32517">пулреквесте 32517</a>, который не влит, поэтому собирать нужно из этой ветки:</p><p>Скорость команда AngelSlim замеряла на двух машинах со 128 ГБ памяти. На Mac с M5 Max сборка Q4_K_M генерирует 48 токенов в секунду при контексте 4 тыс. и 44 при 32 тыс., Q3_K — 50 и 47; на генерации кода Q3_K доходит до 70 токенов в секунду. Для Mac нужен отдельный патч к конкретному коммиту llama.cpp из репозитория сборок. На RTX Spark с 128 ГБ варианты SPARK-4Bit выдают 26–33 токена в секунду.</p><p>Для дообучения Tencent положила в репозиторий <a href="https://huggingface.co/tencent/Hy4-flash/blob/main/finetune/README.md">готовые конфигурации</a> для LLaMA-Factory, ms-swift и DeepSpeed, в том числе LoRA и варианты для мультимодальных данных.</p><h2>Что разрешает лицензия</h2><p>Модель выпущена под <a href="https://huggingface.co/tencent/Hy4-flash/blob/main/LICENSE">Tencent Hy License 1.0</a>. Это отдельная лицензия на основе Apache 2.0 с добавленным разделом 10 о коммерческих условиях для сервисов модели как услуги (MaaS) — тех, кто даёт третьим лицам удалённый доступ к инференсу или дообучению, например через API. Лицензия всемирная, ограничений по странам в тексте нет.</p><ul><li>Использовать, менять, дообучать и распространять модель можно бесплатно, в том числе в коммерческих продуктах.</li><li>Отдельная письменная лицензия Tencent нужна MaaS-бизнесу, если его общая выручка превышает $50 млн за любые 12 месяцев подряд, или если модель используется в продукте с более чем 100 млн активных пользователей в месяц.</li><li>Под MaaS не попадают продукты, где модель встроена в конкретные функции без доступа к ней общего назначения, и простая переадресация запросов в чужой сервис.</li><li>Внутреннее использование, когда ни модель, ни её ответы не доступны третьим лицам, под ограничения не попадает.</li><li>Условия раздела 10 переходят на производные: дообученные, квантизированные и дистиллированные версии.</li></ul><h2>Кому стоит попробовать</h2><p>По нашей оценке, Hy4 Flash интересна как дешёвая рабочая модель для агентов, которые читают и правят документы, таблицы и презентации, ищут в интернете и управляют интерфейсом: сама Tencent рекомендует её для глубокого поиска, обработки документов, создания слайдов, простых фронтенд-демо и управления компьютером. Для кодинг-агента цифры Terminal-Bench и ProgramBench говорят против неё, на Terminal-Bench у DeepSeek-V4.1-Flash и GLM-5.3-Flash заметный запас, а на ProgramBench Hy4 Flash уступает DeepSeek, но опережает GLM; как выбирали модель для кода по цене решённой задачи, мы разбирали <a href="https://tproger.ru/news/na-chyom-kodit-v-sentyabre-cena-rewyonnoj-zadachi-u-glm-5-3-sol-i">в сентябре</a>.</p><p>Проверить модель проще всего через API OpenRouter, где Tencent пока единственный провайдер; цены сторонних хостеров появятся, если модель подхватят. Для локального запуска проверенные конфигурации пока такие: Mac или RTX Spark со 128 ГБ памяти и сборка llama.cpp из ветки пулреквеста. Другие открытые модели, которые помещаются на одну видеокарту, — в <a href="https://tproger.ru/articles/otkrytye-nejroseti-sentyabrya-2026-nawlis-pod-lyubuyu-videokartu-i">нашей подборке</a>.</p><p>Источники: <a href="https://huggingface.co/tencent/Hy4-flash">Hugging Face: карточка Hy4 flash</a>, <a href="https://huggingface.co/tencent/Hy4-flash/blob/main/LICENSE">Tencent Hy License 1.0</a>, <a href="https://huggingface.co/AngelSlim/Hy4-flash-GGUF">AngelSlim: Hy4-flash-GGUF</a>, <a href="https://hy.tencent.ai/research/hy4-flash">Tencent Hy: страница Hy4 flash</a>, <a href="https://openrouter.ai/tencent/hy4-flash">OpenRouter: Tencent Hy4 flash</a>, <a href="https://plotly.com/blog/hy4-flash-plotly-data-analytics-bench/">Plotly: Hy4 Flash в Plotly Data Analytics Bench</a></p><p>Изображение на обложке: Логотип: Tencent</p>]]></content:encoded>
    </item>
    <item>
      <title>Java4Shell: в Base64-декодере OpenJDK нашли RCE, обновите JDK</title>
      <link>https://tproger.ru/news/java4shell-v-base64-dekodere-openjdk-nawli-rce-obnovite-jdk</link>
      <comments>https://tproger.ru/news/java4shell-v-base64-dekodere-openjdk-nawli-rce-obnovite-jdk?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/java4shell-v-base64-dekodere-openjdk-nawli-rce-obnovite-jdk</guid>
      <description><![CDATA[<p>Уязвимость в AVX-512 декодере Base64 бьёт по JDK 17, 21, 25 и 27; исправлено в 17.0.21.1, 21.0.13.1, 25.0.5.1, 27.0.1.1, обход — -XX:-UseBASE64Intrinsics.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/java4shell-v-base64-dekodere-openjdk-nawli-rce-obnovite-jdk">Java4Shell: в Base64-декодере OpenJDK нашли RCE, обновите JDK</a>»</p>]]></description>
      <category><![CDATA[Java]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Информационная безопасность]]></category>
      <category><![CDATA[Уязвимость]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 13:58:32 GMT</pubDate>
      <content:encoded><![CDATA[<p>Исследователи Calif 17 ноября <a href="https://calif.io/java4shell/">раскрыли Java4Shell</a> (CVE-2026-114938) — ошибку памяти в оптимизированном Base64-декодере OpenJDK, через которую, по их данным, можно удалённо и без авторизации выполнить код в Jenkins, Keycloak, Jira, Confluence и других Java-приложениях. В тот же день OpenJDK <a href="https://openjdk.org/groups/vulnerability/advisories/2026-11-17">опубликовала advisory</a>, а Oracle включила исправление в <a href="https://www.oracle.com/security-alerts/cspunov2026.html">ноябрьский пакет Critical Security Patch Update</a>: под ударом ветки JDK 17, 21, 25 и 27.</p><p>Если у вас Java-сервис на современном x86-сервере Intel или AMD, обновить JDK стоит в ближайшие дни, даже если вы сами Base64 не трогаете: декодер вызывают библиотеки аутентификации, загрузки файлов и сетевые протоколы. Серверы на ARM, включая Graviton и Apple Silicon, уязвимость не затрагивает: проблемный код использует инструкции AVX-512, которых у ARM нет.</p><ul><li>CVE-2026-114938: запись за границу массива в x86-64 интринсике Base64 в HotSpot; OpenJDK оценивает её в 8,1 по CVSS 3.1, Calif — в 9,2 по CVSS 4.0.</li><li>Уязвимы JDK 17 (с 17.0.6), 21, 25 и 27 на процессорах с AVX-512 VBMI: Intel Xeon с Ice Lake, AMD Zen 4 и новее; ARM64 не затронут.</li><li>Исправления: OpenJDK 17.0.21.1, 21.0.13.1, 25.0.5.1 и 27.0.1.1; Amazon Corretto выпустил сборки 17 ноября, Temurin 27.0.1.1 — 18 ноября.</li><li>Временная защита: флаг -XX:-UseBASE64Intrinsics или -XX:UseAVX=2 при запуске JVM.</li><li>Баг нашёл исследователь Calif Куанг Луонг с помощью Codex: на поиск ушёл час, на первый эксплойт ещё два, токены обошлись меньше чем в $200.</li></ul><h2>Кто под ударом и как проверить свои серверы?</h2><p>По <a href="https://openjdk.org/groups/vulnerability/advisories/2026-11-17">advisory OpenJDK</a>, уязвимость затрагивает ветки 17, 21, 25 и 27; JDK 8 и 11 в столбцах риска для этой CVE не отмечены. Calif уточняет, что проблема есть в OpenJDK начиная с 17.0.6. Уязвимы и все дистрибутивы, собранные из OpenJDK: Amazon Corretto, Eclipse Temurin, Microsoft Build of OpenJDK, Azul Zulu, BellSoft Liberica, SAP SapMachine, Red Hat OpenJDK, Oracle OpenJDK, Oracle Java SE и Oracle GraalVM for JDK. В <a href="https://www.oracle.com/security-alerts/cspunov2026.html">матрице Oracle</a> отдельно перечислены затронутые версии Oracle Java SE 8u511b33-perf, 17.0.21.0.3, 21.0.13.0.3, 25.0.5.0.3 и 27.0.1.0.3, GraalVM for JDK 17.0.21.0.3 и 21.0.13.0.3 и GraalVM Enterprise Edition 21.3.20.0.3.</p><p>Второе условие — железо. Уязвимый код выполняется только на x86-64 с поддержкой AVX-512 VBMI. Calif называет серверные Intel Xeon поколений Ice Lake, Sapphire Rapids, Emerald Rapids и Granite Rapids и процессоры AMD EPYC и Ryzen на Zen 4 и новее; на таких процессорах работает и часть облачных инстансов. На Linux проверить процессор можно командой из отчёта Calif; в выводе должны быть все четыре флага:</p><p>Если флагов меньше четырёх, интринсик на этой машине не включается и баг не срабатывает. Учтите, что в облаке тип процессора меняется при пересоздании инстанса или переезде на другой класс машин, поэтому надёжнее обновить JDK везде.</p><p>Calif пишет, что продемонстрировала удалённое выполнение кода в стандартных конфигурациях популярных продуктов. Без авторизации — в Keycloak, Atlassian Jira, Atlassian Confluence, JFrog Artifactory, Jenkins и PingFederate. С авторизацией — в брокере Apache Kafka, Apache Solr, Elasticsearch, Gerrit и Spinnaker. Исследователи подчёркивают, что списки неполные: RCE удалось получить и в тестовых приложениях на Apache Struts и Spring Boot, где декодер вызывается из обычной аутентификации или загрузки файлов. Ещё один сценарий прислал исследователь samczsun: Java-программа, которая сама открывает TLS-соединение к вредоносному серверу, тоже может быть скомпрометирована, даже если не слушает ни одного порта. Демо атак Calif выложила <a href="https://www.youtube.com/watch?v=-EOYmL4UKvs">в видео</a>; эти заявления исходят от исследователей, независимых подтверждений эксплуатации в этих продуктах пока нет.</p><p>Смотреть видео: <a href="https://www.youtube.com/watch?v=-EOYmL4UKvs">Демо эксплойтов Java4Shell от Calif</a></p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-18/6e78b2c8-ac43-414d-a31d-2e81a7c581a4.webp" alt="Демо эксплойтов Java4Shell от Calif" /><figcaption>Демо эксплойтов Java4Shell от Calif</figcaption></figure><h2>Почему в «безопасной» Java случилась порча памяти?</h2><p>Сама Java защищает разработчика от выхода за границы массива, но значительная часть JVM написана на C, C++ и ассемблере. Чтобы декодировать Base64 быстрее, JIT-компилятор C2 подменяет внутренний метод Base64.Decoder.decodeBlock, через который идёт декодирование, интринсиком — заранее написанным машинным кодом, который обрабатывает по 64 байта за раз инструкциями AVX-512 VBMI. Ошибка сидит в ветке, которая обрабатывает хвост строки с символами-заполнителями «=».</p><p>Как объясняет Луонг в <a href="https://calif.io/java4shell/">техническом разборе</a>, интринсик считает длину выхода по формуле (input_length / 4) * 3 с целочисленным делением и вычитает по единице за каждый «=». Если на хвост приходится только «=», «==», «X=», «X==», «XY=» или «===», длина выхода сначала равна нулю, а после вычитания уходит в минус. Инструкция bzhi, которая строит маску записи, при таком значении маску не обрезает, и маска становится «все 64 байта». В результате инструкция записи выкладывает в память полный 64-байтный вектор.</p><p>На практике хватает строки из 64 символов «A» и одного «=». Для 65 символов JVM выделяет массив на 50 байт, интринсик пишет 64 байта начиная со смещения 48, то есть 62 байта уходят за конец массива. Java-код затем замечает некорректный ввод и бросает IllegalArgumentException, но соседние объекты в куче к этому моменту уже испорчены. В старых сборках OpenJDK 17 порог длины выше, и триггер — 128 символов «A» и «=».</p><p>Calif выложила безопасный PoC: он прогревает декодер 200 тысячами вызовов, чтобы C2 включил интринсик, а затем декодирует вредоносную строку в буфер на 4096 байт. На уязвимой JVM программа печатает REPRODUCED: декодер отклонил ввод, но байты со смещения 50 по 111 уже перезаписаны. Вся запись остаётся внутри настоящего массива, поэтому запуск не портит JVM. PoC рассчитан на триггер из 64 символов; на старых сборках OpenJDK 17, где нужен ввод из 128 символов «A» и «=», его придётся поправить. Ключевой фрагмент:</p><h2>Насколько реальна атака?</h2><p>Сама запись почти не управляется: атакующий полностью контролирует только первый байт, ещё 4 бита второго, остальное — фиксированные значения, а байты с 48-го по 63-й всегда равны 0x9a. Calif превратила это в рабочую атаку приёмом из эксплойтов JavaScript-движков: перезаписать длину соседнего массива. Такой массив-«писатель» затем принимает уже выбранные атакующим байты и портит следующий объект, а испорченный массив-«читатель» возвращает в ответе сервера содержимое кучи. Уже на этом шаге, до выполнения кода, получается утечка памяти в духе Heartbleed: ключи, токены и персональные данные из кучи Java. Дальше исследователи доходят до произвольной записи и выполнения кода через Code Cache JVM.</p><p>Чтобы нужные объекты оказались рядом, атакующий раскладывает кучу G1 удалённо: отправляет запрос частями и ждёт TCP-подтверждения перед ключевым выделением памяти, распыляет пары «писатель» и «читатель» и повторяет попытки при промахе. Неудачная попытка может уронить JVM, но часто её можно просто повторить. Атака чувствительна к задержкам сети, и для стабильности Calif арендовала виртуальную машину в том же регионе облака, что и цель.</p><p>Исследователи сами перечисляют ограничения. Универсального эксплойта нет: под каждое приложение нужен свой профиль — путь к декодеру, живой «писатель», канал обратной связи, раскладка кучи. Часть профилей требует, чтобы приложение получало тело запроса по частям, а nginx по умолчанию буферизует тело целиком и ломает такой тайминг. Но это не защита: цепочка для Elasticsearch работает с одного полного запроса, а после перехода на WebSocket кадры идут в обход буферизации. Эксплойты под конкретные продукты Calif пока не публикует и обещает выложить позже, когда пользователи успеют обновиться.</p><p>Оценки опасности расходятся. Calif считает уязвимость по CVSS 4.0 и получает 9,2 из 10 (критическая). OpenJDK и Oracle в <a href="https://openjdk.org/groups/vulnerability/advisories/2026-11-17">advisory</a> ставят 8,1 по CVSS 3.1: атака сетевая, без авторизации и без участия пользователя, но со сложностью «высокая», с полным ущербом конфиденциальности, целостности и доступности.</p><h2>Как ИИ нашёл баг за час</h2><p>Calif называет свой подход работой «кентавра» — человека и ИИ вместе — и ставит Java4Shell в один ряд с PHP2Shell, уязвимостью в PHP, которую компания нашла тем же способом. Куанг Луонг в <a href="https://calif.io/java4shell/">разборе</a> рассказывает, что начал аудит HotSpot с областей, где код пересекает много границ: JIT-компилятор, интринсики, общедоступные API и криптография. Точнее, по его словам, он «сказал Codex смотреть туда, как сделал бы любой серьёзный исследователь безопасности в 2026 году» (перевод редакции).</p><p>Большая часть первых находок Codex оказалась мусором: недостижимый код или нереалистичные условия эксплуатации. Луонг продолжал переформулировать промпты и отбрасывать ложные срабатывания около 20 минут, пока модель не принесла порчу памяти в самом Base64-декодере. Всего на обнаружение ушёл час, на первый работающий эксплойт — ещё два часа, а расход токенов составил меньше $200, пишет Calif. Дальнейшие цепочки под разные продукты, по словам компании, ИИ-агенты собирали почти автономно, но сначала исследователям пришлось написать для агента трассировщик и визуализатор кучи: без них модель застревала на раскладке памяти.</p><p>Это не единичный случай. На следующий день Wiz <a href="https://www.wiz.io/blog/nginx-http2-rce-vulnerabilities">раскрыла две RCE в HTTP/2 у nginx</a>, тоже найденные с помощью ИИ, и прямо сослалась на Java4Shell и PHP2Shell как на примеры того, что сложность кода перестала быть барьером для поиска таких ошибок. Мы уже писали, как <a href="https://tproger.ru/news/openai-codex-sobral-desyatiletnie-dos-ataki-v-http-2-bomb">Codex собрал десятилетние DoS-атаки на HTTP/2</a> и как <a href="https://tproger.ru/news/ibm-i-red-hat-ispravili-bolee-400-neizvestnyh-uyazvimostej-v-java">IBM и Red Hat закрыли более 400 уязвимостей в Java-библиотеках</a>. Calif из этой истории делает вывод о «вайб-раскодинге»: ручной ассемблерный декодер, который ускоряет обработку огромных объёмов данных, поставляется всем, хотя большинству приложений, декодирующих пару сотен байт, он не нужен.</p><p>Любопытная деталь: в списке благодарностей Oracle за CVE-2026-114938 кроме Куанга Луонга из Calif указан ещё один исследователь, Albert Yang. Был ли это независимый поиск той же ошибки, Oracle не уточняет.</p><h2>Что делать прямо сейчас</h2><ol><li>Найдите все JVM на x86-серверах: приложения, CI-агенты Jenkins, Kafka, Elasticsearch, Keycloak, контейнерные базовые образы. Проверьте версию через java -version и флаги процессора командой выше.</li><li>Обновите JDK до сборок с исправлением. В репозиториях OpenJDK это 17.0.21.1, 21.0.13.1, 25.0.5.1 и 27.0.1.1. Amazon Corretto выпустил 17.0.21.1.2, 21.0.13.1.2, 25.0.5.1.2 и 27.0.1.1.4 17 ноября (<a href="https://github.com/corretto/corretto-21/blob/21.0.13.1.2/CHANGELOG.md">changelog Corretto 21</a>), Eclipse Temurin 27.0.1.1 вышел 18 ноября; для Temurin 17, 21 и 25 и других вендоров следите за их страницами релизов. Пользователи Oracle Java SE и GraalVM берут патчи из <a href="https://www.oracle.com/security-alerts/cspunov2026.html">Critical Security Patch Update за ноябрь</a>.</li><li>Пересоберите и перевыкатите контейнеры: обновление пакета на хосте не меняет JDK внутри образа.</li><li>Если обновиться сразу нельзя, запустите JVM с флагом -XX:-UseBASE64Intrinsics (отключает аппаратное ускорение и кодирования, и декодирования Base64) или -XX:UseAVX=2 (отключает AVX-512 целиком). Второй флаг ставьте только на x86-64: JVM на ARM его не знает и не запустится.</li><li>Обновите в первую очередь сервисы, открытые в интернет без авторизации: SSO (Keycloak, PingFederate), Jira и Confluence, Jenkins, Artifactory.</li></ol><p>Флаг -XX:-UseBASE64Intrinsics замедляет только кодирование и декодирование Base64; на сервисах, которые декодируют гигабайты Base64, стоит измерить нагрузку. Признаков атаки в логах advisory не описывает; косвенный сигнал — неожиданные падения JVM (файлы hs_err_pid*.log) и ошибки IllegalArgumentException от Base64-декодера на длинных строках из «A» и «=».</p><p>Дальше стоит следить за двумя вещами: за выходом сборок у остальных вендоров и за обещанной публикацией эксплойтов под конкретные продукты. Calif обещает выложить цепочки для конкретных продуктов, когда пользователи успеют обновиться; сроков компания не называет, а после такой публикации повторить атаку станет заметно проще.</p><p>Источники: <a href="https://calif.io/java4shell/">Calif: Java4Shell (CVE-2026-114938)</a>, <a href="https://openjdk.org/groups/vulnerability/advisories/2026-11-17">OpenJDK Vulnerability Advisory: 2026/11/17</a>, <a href="https://www.oracle.com/security-alerts/cspunov2026.html">Oracle Critical Security Patch Update Advisory, ноябрь 2026</a>, <a href="https://github.com/corretto/corretto-21/blob/21.0.13.1.2/CHANGELOG.md">Amazon Corretto 21.0.13.1.2: changelog</a>, <a href="https://www.youtube.com/watch?v=-EOYmL4UKvs">Calif: демо эксплойтов (видео)</a></p><p>Изображение на обложке: Calif, постер Java4Shell</p>]]></content:encoded>
    </item>
    <item>
      <title>Anthropic две недели ломала Claude Docs силами Claude Code перед запуском</title>
      <link>https://tproger.ru/news/anthropic-dve-nedeli-lomala-claude-docs-silami-claude-code-pered</link>
      <comments>https://tproger.ru/news/anthropic-dve-nedeli-lomala-claude-docs-silami-claude-code-pered?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/anthropic-dve-nedeli-lomala-claude-docs-silami-claude-code-pered</guid>
      <description><![CDATA[<p>Агент две недели нагружал staging и чинил сбои; оценка мощности упала с 500 подов до 50, весь инференс стоил около $125 тыс., малому сервису — $3–10 тыс.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/anthropic-dve-nedeli-lomala-claude-docs-silami-claude-code-pered">Anthropic две недели ломала Claude Docs силами Claude Code перед запуском</a>»</p>]]></description>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[DevOps]]></category>
      <category><![CDATA[Rust]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 13:58:29 GMT</pubDate>
      <content:encoded><![CDATA[<p>Anthropic рассказала, как готовила к запуску свой редактор документов Claude Docs: за две недели до релиза инженер оставил сессию Claude Code, которая без перерыва нагружала тестовый кластер, ломала компоненты, читала телеметрию и сама выкатывала исправления. По словам компании, к 22 сентября, через шесть дней после запуска, пользователи создали больше 4,6 млн документов, на 2 млрд запросов пришлось 60 серверных ошибок, а сервис ни разу не откатывали. <a href="https://claude.dev/blog/chaos-loop-claude-docs-launch/">Пост</a> в инженерном блоге claude.dev опубликовал 17 ноября инженер Anthropic Вивек Наир.</p><p>Для разработчика здесь интересен не сам Claude Docs, а рецепт: как поставить ИИ-агенту задачу уровня «сервис должен выдержать запуск», а не «почини этот баг», и что для этого подготовить в коде и инфраструктуре. Автор приводит стоимость всего инференса с конца августа до запуска — около $125 тыс. по прайсу API — и оценку для небольшого сервиса: $3–10 тыс. за двухнедельный прогон. Все цифры в посте — данные самой Anthropic, независимо их не проверить.</p><ul><li>С 4 сентября Claude Code две недели гонял копию продакшена на staging со скоростью больше миллиона синтетических документов в день и намеренно ломал её компоненты.</li><li>Сессия-координатор раздавала работу субагентам: обычно около 11 одновременно, на пике 30; решения, которые трудно откатить, агент отдавал человеку.</li><li>Одна из находок: каждое нажатие клавиши копировало документ в несколько структур; после перехода на copy-on-write оценка нужной мощности упала с более чем 500 подов до примерно 50.</li><li>Сервис написан на Rust с минимумом зависимостей, чтобы любое число в телеметрии сводилось к коду команды, а не к сборщику мусора.</li><li>Весь инференс с конца августа до запуска, включая продуктовую работу, автор оценивает в $125 тыс. по прайсу Claude Fable 5.2; двухнедельный цикл для небольшого сервиса — в $3–10 тыс., но такой прогон он не запускал.</li></ul><h2>Как был устроен «цикл хаоса»</h2><p>Claude Docs — редактор, в котором с документом одновременно работают люди и Claude: любая сессия Claude, от чата до Claude Code, может открыть документ, читать, писать и комментировать в реальном времени. Его выпустили 16 сентября 2026 года. За три недели до этого сервис работал прототипом на одном узле, им пользовались несколько тысяч сотрудников Anthropic, а собственная оценка команды обещала миллионы документов в первые дни после запуска.</p><p>Реального трафика такого масштаба не было, поэтому 4 сентября автор поручил Claude управлять staging-кластером, повторяющим продакшен: генерировать больше миллиона синтетических документов в день и намеренно ломать основные компоненты. Цикл — это одна сессия Claude Code, оставленная работать: выбрать сценарий, запустить нагрузочный стенд, прочитать телеметрию, предложить исправление, выкатить его на staging и повторить.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-18/78af9027-721c-4c34-8d0d-c03d6063f295.webp" alt="Схема одной итерации цикла: стенд добавляет нагрузку, Claude читает телеметрию и предлагает варианты, человек выбирает, Claude пишет изменение и проверяет его в отдельной сессии, человек одобряет, Claude выкатывает на staging" /><figcaption>Одна итерация цикла: синие шаги делает Claude, оранжевые — человек. Источник: Anthropic, блог claude.dev</figcaption></figure><p>Сессия работала координатором и отдавала большую часть работы субагентам: в самую загруженную неделю обычно около 11 одновременно, на пике 30. Через Slack MCP координатор ещё и общался с внутренней версией Claude Tag — агентами других инфраструктурных команд Anthropic, которые уже масштабировали похожие сервисы и проверяли подход на известные им ловушки. Телеметрию Claude читал через Datadog MCP.</p><p>Сценарии автор выбирал заведомо «параноидальные»:</p><ul><li>10 млн новых документов за один день;</li><li>22 тыс. живых соединений, которые переподключаются одновременно;</li><li>один «горячий» документ с сотнями зрителей, сервер, убитый посреди загрузки документа, и зависшая база данных.</li></ul><p>Каждая итерация выглядела одинаково: стенд доводил одну функцию, например создание документов, до насыщения, а Claude читал телеметрию и возвращался с коротким списком вариантов и рекомендацией. Если изменение легко откатить, Claude писал его, проверял в отдельной сессии и выкатывал на staging, после чего тест запускался снова; на схеме из поста выбор варианта и одобрение изменения остаются за человеком. Каждый запрос к базе отчитывался своим именем и тем, сколько строк он просканировал и сколько вернул, поэтому плохие запросы находились и переписывались сразу.</p><h2>Где агенту понадобился человек</h2><p>До старта автор перечислил Claude решения, которые требуют его одобрения: всё, что трудно откатить, — изменения схемы базы и раскладки ключей, способа хранения и материализации документа. Встретив такое решение, агент останавливался и спрашивал, обычно с рекомендацией, которую автор в итоге принимал. Про схемы данных он пишет, что разумных ответов обычно несколько, а менять направление потом больно.</p><p>Кроме того, весь прогон держался на двух инвариантах. Документ должен открываться практически мгновенно, даже с длинной историей правок. И если сервер подтвердил правку, тесты должны показывать, что она сохранилась. По словам автора, модель держала эти инварианты через многократное сжатие контекста, и повторять их не пришлось.</p><h2>Почему сервис писали так, чтобы его «понимал» агент</h2><p>Автор ссылается на <a href="https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/">заметку коллеги Феликса Ризеберга</a>: формулировать задачу на уровне результата («сделай приложение без падений»), а не отдельного действия («почини это падение»). Чтобы это работало, агент должен сам получать отчёты о сбоях и запускать стенд, который воспроизводит сбой и проверяет исправление. Для этого команда сделала две вещи.</p><p>Первая — диагностический цикл: на каждой итерации Claude читал телеметрию и сам добавлял метрики, которых не хватало. Обычно телеметрию дописывают руками и уже после аварии, здесь агент делал это по ходу работы. Показательный пример — память. В начале прогона один большой документ занимал на поде около 3 ГБ. Первая гипотеза Claude — уменьшить кэш, чтобы сервер раньше выгружал документы, — не подтвердилась: следующий прогон показал, что память сидит в отдельном кэше внутри одной из зависимостей, и правку отменили. Более детальное профилирование нашло причину: каждое нажатие клавиши копировало документ в несколько разных структур данных, добавляя несколько мегабайт. Claude перевёл эти структуры на copy-on-write, чтобы они ссылались на одну копию.</p><p>Примерно через три дня итераций тот же документ занимал около 180 МБ, а оценка мощности, нужной для запуска, упала с более чем 500 подов с оптимизированной памятью до примерно 50. Весь сервис на запуске и работал примерно на 50 таких подах.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-18/ae28d490-70d1-4650-9563-d4452fe73187.webp" alt="Схема из двух дорожек: выбранный путь — Rust и мало зависимостей, память в своих структурах, Claude находит причину, исправления легко проверить; отвергнутый — сборщик мусора и чужие библиотеки, память, которую нельзя объяснить, и зашумлённый сигнал" /><figcaption>Выбор технологий ради понятной агенту телеметрии. Источник: Anthropic, блог claude.dev</figcaption></figure><p>Вторая — выбор технологий. Команда избегала рантаймов, которые расходуют память и процессор так, что код этим не управляет, то есть языков со сборщиком мусора: по логике автора, память и задержки в них меняются по расписанию сборщика, а модели лучше всего «карабкаются» по чистому сигналу. Сервис написан на Rust, зависимостей минимум, а немногие нужные библиотеки вендорили, чтобы их можно было читать и измерять. Автор оговаривается: в Anthropic есть хороший инструментарий для Go, и сравнения двух языков команда не проводила — это опыт с Rust, а не тест. Его довод: Rust трудно писать людям, но Claude пишет на нём нормально, поэтому сложность языка теперь весит меньше.</p><h2>Что случилось на запуске</h2><p>По данным Anthropic, первый миллион документов появился примерно за 30 часов после запуска 16 сентября, к 22 сентября их было больше 4,6 млн. На 2 млрд запросов пришлось 60 серверных ошибок. Продакшен в сентябре выкатывали 629 раз, и ни одна выкатка не потребовала отката.</p><p>Семь из десяти сценариев, отрепетированных на staging, действительно произошли в продакшене. К тому моменту Claude уже выпустил исправления за флагами времени выполнения, поэтому, когда часть инфраструктуры оказывалась под давлением, команда обычно просто включала флаг.</p><p>Почему это стало возможно только сейчас, автор объясняет «дрейфом цели» (goal drift): старые модели нормально читали телеметрию через MCP, но через 10–20 итераций длинного цикла забывали, что именно оптимизируют, и цель приходилось повторять (подробнее о дрейфе — в <a href="https://claude.dev/blog/a-harness-for-every-task-dynamic-workflows-in-claude-code/">другом посте claude.dev</a>). Сам он работал с внутренней исследовательской моделью, которую сравнивает с Claude Fable 5.2. Похожий подход, по словам автора, применила Vercel, которая агентным циклом под присмотром человека <a href="https://vercel.com/blog/making-turborepo-ninety-six-percent-faster-with-agents-sandboxes-and-humans">ускорила Turborepo</a>: по данным Vercel, подготовка графа задач перед запуском в версии 2.9.0 стала быстрее до 96% по сравнению с 2.8.0, в зависимости от репозитория.</p><h2>Сколько это стоит и как повторить</h2><p>С конца августа до дня запуска автор израсходовал инференса примерно на $125 тыс. по прайсу API Claude Fable 5.2 на ноябрь 2026 года. В эту сумму входит вся работа за период, не только нагрузочный цикл; большая часть ушла на чтение телеметрии, предложения, генерацию исправлений и ревью кода. Он сам называет два фактора, которые раздули счёт: масштаб запуска потребовал инфраструктуры, о которой агенту пришлось много рассуждать, а много токенов сгорело, пока он отлаживал сам процесс; сейчас, по его оценке, хватило бы половины. Пару лет назад такая работа, по его догадке, заняла бы у команды инженеров около полугода.</p><p>Для небольшого сервиса — пара Kubernetes-узлов и Postgres — автор пересчитал затраты, убрав интеграцию с внутренними сервисами, продуктовую работу, работу на множестве подов и тонкий rate limiting. Осталась примерно треть изменений, и двухнедельный прогон, по его оценке, обошёлся бы в $3–10 тыс. по тому же прайсу. Он прямо пишет, что такой прогон не запускал и цифра приблизительная.</p><p>Рецепт из поста рассчитан на одного инженера с Claude Code, staging-окружение и сервис наблюдаемости:</p><ol><li>Дайте агенту доступ к телеметрии: у большинства сервисов наблюдаемости есть MCP-сервер.</li><li>Попросите агента написать нагрузочный скрипт, который даёт staging-копии в 10 раз больше реального трафика и ломает её намеренно: убить инстанс, подвесить базу, выкатить релиз посреди пика. Дальше пусть чинит всё, что падает.</li><li>При выборе стека отдавайте предпочтение тому, что агенту проще измерять; у команды Claude Docs это Rust и минимум зависимостей.</li><li>До старта запишите самые важные технические инварианты и передайте их агенту.</li><li>Для всего, что трудно откатить, требуйте от агента остановиться и предложить несколько вариантов с рекомендацией.</li></ol><p>Координатор с субагентами ускорял работу, но автор допускает, что если они сжигают слишком много токенов в час, один агент тоже справится. Это самый простой способ снизить счёт при первом опыте.</p><p>По нашей оценке, переносимая часть рецепта не зависит от конкретного агента: телеметрия, доступная через MCP, стенд с намеренными сбоями, записанные инварианты и явный список решений, которые остаются за человеком. Без изолированного staging запускать такой цикл нельзя: агент здесь сам выкатывает изменения, и границы его прав нужно продумать заранее — как это делают, мы разбирали <a href="https://tproger.ru/articles/kak-izolirovat-ii-agenta-v-2026-godu-microvm-protiv-kontejnero">в материале про изоляцию агентов</a>. Как подобрать модель и уровень рассуждений под долгую задачу, Anthropic объясняла <a href="https://tproger.ru/articles/anthropic-obyasnila-kakuyu-model-claude-i-kakoj-effort-stavit">в отдельном руководстве</a>.</p><p>Источники: <a href="https://claude.dev/blog/chaos-loop-claude-docs-launch/">claude.dev: Using a chaos loop to harden the Claude Docs launch</a>, <a href="https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/">Felix Rieseberg: How to be more ambitious</a>, <a href="https://vercel.com/blog/making-turborepo-ninety-six-percent-faster-with-agents-sandboxes-and-humans">Vercel: Turborepo на 96% быстрее с агентами</a>, <a href="https://claude.dev/blog/a-harness-for-every-task-dynamic-workflows-in-claude-code/">claude.dev: A harness for every task</a></p><p>Изображение на обложке: Tproger по данным Anthropic</p>]]></content:encoded>
    </item>
    <item>
      <title>Обновление vLLM 0.34 может сломать запуск: разбираем новые умолчания</title>
      <link>https://tproger.ru/news/obnovlenie-vllm-0-34-mozhet-slomat-zapusk-razbiraem-novye-umolch</link>
      <comments>https://tproger.ru/news/obnovlenie-vllm-0-34-mozhet-slomat-zapusk-razbiraem-novye-umolch?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/obnovlenie-vllm-0-34-mozhet-slomat-zapusk-razbiraem-novye-umolch</guid>
      <description><![CDATA[<p>В vLLM 0.34 удалён Model Runner V1 и нужен huggingface_hub 2.0; кэш MiniMax-M3 на H200 вырос с 433 до 672 тыс. токенов, но задержка может расти.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/obnovlenie-vllm-0-34-mozhet-slomat-zapusk-razbiraem-novye-umolch">Обновление vLLM 0.34 может сломать запуск: разбираем новые умолчания</a>»</p>]]></description>
      <category><![CDATA[Python]]></category>
      <category><![CDATA[Машинное обучение]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[DevOps]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 13:55:11 GMT</pubDate>
      <content:encoded><![CDATA[<p>Команда vLLM, открытого движка для запуска LLM на своих серверах, в ночь на 17 ноября по Москве (16 ноября, 23:22 UTC) <a href="https://github.com/vllm-project/vllm/releases/tag/v0.34.0">выпустила версию 0.34.0</a>. В неё вошли 1061 коммит от 412 авторов, поддержка 10 новых моделей, включая Mistral Large 4, и ускорения на Blackwell и AMD MI355X до 1,95 раза. Но главное для тех, кто уже держит vLLM в продакшене, — новые значения по умолчанию: движок теперь сам рассчитывает KV-кэш по фактически свободной видеопамяти и по умолчанию не держит прежний запас, размер блока вырос с 16 до 64, а старый Model Runner V1 удалён.</p><p>Если вы обновляете образ vllm/vllm-openai:latest без чтения changelog, сервис может не стартовать (переменная окружения VLLM_USE_V2_MODEL_RUNNER=0 теперь приводит к ошибке) или начать вести себя иначе под нагрузкой. Ниже — что изменилось, что сломается и как вернуть прежнее поведение.</p><ul><li>Extensible KV cache включён по умолчанию: кэш размеряется по памяти, реально свободной после прогрева, а gpu_memory_utilization по умолчанию 1.0 вместо 0.92.</li><li>Пример из релиза: у MiniMax-M3 на H200 кэш вырос с 433 до 672 тыс. токенов, но задержка на токен у некоторых моделей может вырасти на 6–18%.</li><li>Ломающие изменения: удалён Model Runner V1, --block-size по умолчанию 64, нужен huggingface_hub не ниже 2.0.0, образы ROCm 7.2 больше не выпускаются.</li><li>Новые модели: Mistral Large 4 (1 трлн параметров, 52 млрд активных), MiniMax-M3.1-Flash, Nemotron-3.5-Transcribe и ещё семь.</li><li>Kimi K3.1 в этой версии запустить нельзя: подготовка кода есть, поддержки нет.</li></ul><h2>Что меняет новый KV-кэш по умолчанию?</h2><p>KV-кэш — это память, где движок хранит промежуточные результаты внимания для каждого запроса. Чем он больше, тем больше одновременных запросов и длинных контекстов помещается на GPU. Раньше vLLM считал размер кэша по оценке и в версии 0.33 по умолчанию оставлял около 8% видеопамяти про запас (gpu_memory_utilization=0.92).</p><p>В 0.34 на CUDA и ROCm кэш размеряется по памяти, которая действительно свободна после захвата CUDA-графов и прогрева (<a href="https://github.com/vllm-project/vllm/pull/56492">PR 56492</a>), а gpu_memory_utilization, если не задан, равен 1.0. Это не значит, что кэш забирает всю память: механизм оставляет измеренный резерв под временные выделения. По данным релиза, большинство моделей получают больший кэш, а значит больше пропускной способности и меньшее время до первого токена (TTFT) при высокой конкурентности. Пример из release notes: MiniMax-M3 на H200 — 672 тыс. токенов кэша вместо 433 тыс.</p><p>У этого есть цена, и разработчики её называют: задержка между токенами (TPOT) у некоторых моделей на H200 при 128 одновременных запросах выросла на 6–18%. Если для вас важнее скорость генерации одного ответа, чем общая пропускная способность, новый режим может оказаться хуже. Есть два варианта: ограничить бюджет памяти явно (новый расчёт останется, но с заданным вами лимитом) или полностью вернуть старый механизм расчёта по оценке:</p><p>Есть и тонкость: если вы явно задали gpu_memory_utilization между 0,8 и 1,0, и это оставляет без дела 1 ГиБ памяти или больше, vLLM напишет предупреждение в лог. Если на той же видеокарте живут другие процессы, например второй экземпляр модели или эмбеддер, значение лучше задать явно: при 1.0 им может не хватить памяти. В релиз вошли и исправления фрагментации аллокатора, падений по нехватке памяти на старте и сильно заниженного кэша на DGX Spark, где он раньше мог быть меньше нужного до 84%.</p><h2>Что сломается при обновлении?</h2><p>Разработчики вынесли список в начало release notes под пометкой «эти изменения могут сломать существующие установки». Основное:</p><p>Ломающие изменения vLLM 0.34.0</p><table><thead><tr><th>Изменение</th><th>Что сделать</th></tr></thead><tbody><tr><td>Удалён Model Runner V1</td><td>Убрать VLLM_USE_V2_MODEL_RUNNER=0 (любое значение кроме 1 теперь падает на старте); перенести свои logits processors на vllm.v1.worker.gpu.sample.logits_processor</td></tr><tr><td>--block-size по умолчанию 64 вместо 16</td><td>Передать --block-size 16, если нужно старое поведение; ROCm paged attention по-прежнему использует 16</td></tr><tr><td>Extensible KV cache, gpu_memory_utilization = 1.0</td><td>--gpu-memory-utilization 0.9 или --no-enable-extensible-kv-cache</td></tr><tr><td>Нет сборок ROCm 7.2</td><td>Перейти на колёса и образы ROCm 10.0; теги -rocm72 больше не публикуются</td></tr><tr><td>huggingface_hub не ниже 2.0.0</td><td>Также нужны tokenizers не ниже 0.23.3 и timm не ниже 1.0.30</td></tr><tr><td>Удалены QuTLASS и fp_quant</td><td>Чекпоинты fp_quant больше не загружаются</td></tr><tr><td>Удалён Marlin W4A8</td><td>Использовать --quantization humming с VLLM_HUMMING_INPUT_QUANT_CONFIG вместо VLLM_MARLIN_INPUT_DTYPE</td></tr><tr><td>Удалены Keye-VL и Keye-VL-1.5</td><td>Остаться на 0.33 или сменить модель</td></tr></tbody></table><p>Источник: release notes vLLM 0.34.0</p><p>Вместе с Model Runner V1 исчезли и несколько опций: метод спекулятивного декодирования custom_class, use_heterogeneous_vocab, disable_padded_drafter_batch, конвейерный параллелизм с external_launcher и поддержка x86-процессоров без Triton. Изменилось и поведение API: парсер llama3_json больше не стримит аргументы вызова инструментов по кусочкам, транскрипция через Canary без параметра language возвращает 400, а пустой массив tools теперь принимается, как в OpenAI API.</p><p>Если вы поднимали сервер по нашему <a href="https://tproger.ru/articles/kak-podnyat-svoj-server-llm-na-vllm-v-2026-godu-ustanovka-i-zam">руководству по vLLM 0.33</a>, проверьте флаги запуска: явно заданный --block-size по-прежнему имеет приоритет, а вот поведение по умолчанию изменилось. Для pip версия требует Python от 3.11 до 3.14 включительно, сказано на <a href="https://pypi.org/project/vllm/0.34.0/">странице пакета на PyPI</a>.</p><h2>Какие модели и ускорения добавились?</h2><p>Новые модели: Mistral Large 4 (1 трлн параметров, из них 52 млрд активных, FP8 и NVFP4, работает на NVIDIA Blackwell и Hopper и AMD MI350), MiniMax-M3.1-Flash, речевая NVIDIA Nemotron-3.5-Transcribe (30B-A4B, аудиочат и /v1/audio/transcriptions), Ricursive Ripple-65B Preview, Zyphra ZAYA1 (8B и 74B-preview), Baidu Unlimited-OCR-2, семейство Liquid AI LFM3 (текстовая, VL и Audio), NVIDIA Canary-1B-v2, Ming3-ASR и NVIDIA Parakeet TDT через плагин. Для Kimi K3.1 в код попала подготовка, но, как прямо сказано в release notes, запустить её в этой версии нельзя.</p><p>Ускорения в release notes указаны для конкретного железа и режимов, это замеры самих разработчиков, чаще всего нового пути исполнения против прежнего в той же конфигурации, а не версии 0.34 против 0.33; точные условия описаны в соответствующих PR:</p><ul><li>Step5 в NVFP4 на 4 GB200 — до 1,95 раза быстрее декодирование;</li><li>GLM-5.3-Flash с DeepGEMM FP8 MegaMoE — в 1,6 раза выше пропускная способность по выходным токенам против той же конфигурации DEP4 с обычным MoE;</li><li>GLM-5.3 на GB200 — TTFT в 1,24–1,40 раза меньше на контексте 32–128 тыс. токенов, включено по умолчанию;</li><li>Muse Spark Open на GB300 — в 1,5 раза быстрее декодирование одного потока в синтетическом замере со спекулятивным декодированием DSpark (включается вручную);</li><li>Kimi-K3 на GB300 — в 1,34–1,59 раза быстрее ядро внимания при декодировании в микробенчмарке, сквозной прирост по описанию PR заметно меньше, порядка нескольких процентов (включается флагом --attention-backend KIMI_K3_KV_BALANCED_MLA);</li><li>Qwen3.5 (9B и 35B-A3B на GB200) — задержка между токенами ниже на 3,0–8,8% за счёт breakable CUDA-графов и слитых ядер вместо torch.compile.</li></ul><p>Почти все крупные цифры относятся к Blackwell (GB200, GB300) и AMD MI355X. На потребительских картах и A100 таких приростов ждать не стоит, хотя общие оптимизации планировщика полезны всем: например, на промпте в 128 тыс. токенов подготовка входных токенов запроса стала занимать в 40 раз меньше процессорного времени (замер одного участка, а не сквозной скорости), а wheel для x86_64 CUDA стал примерно на 82 МБ (около 25%) меньше.</p><h2>Что ещё нового для эксплуатации?</h2><ul><li>Checkpoint/restore: HTTP-маршруты /checkpoint/prepare, /checkpoint/status и /checkpoint/restore готовят и восстанавливают состояние движка, а снимок процесса через CRIU и cuda-checkpoint делает внешний оркестратор; маршруты работают с --enable-sleep-mode.</li><li>Отказоустойчивость при DP+EP: по команде оркестратора (POST /v1/fault_tolerance/apply) упавшие ранги удаляются, а их эксперты перераспределяются без перезапуска; работает только в поддерживаемой конфигурации: включённый режим fault tolerance, внешний балансировщик нагрузки и EPLB с резервными экспертами.</li><li>Привязка к NUMA включена по умолчанию в режиме best-effort, отключается флагом --no-numa-bind.</li><li>Суффиксное декодирование работает на Model Runner V2 со спекулятором на GPU, отдельная библиотека Arctic Inference больше не нужна.</li><li>API: thinking_token_budget в /v1/responses, в совместимом с Anthropic Messages API — min_tokens и thinking.type=between_tools; Responses API принимает неполную историю рассуждений, например от Codex.</li><li>Безопасность: исправлен ReDoS в санитайзере ошибок валидации, /v1/systemone теперь отклоняет шаблоны чата из запроса без флага --trust-request-chat-template.</li></ul><p>Сборки: колёса для CUDA 13.0 ставятся через pip install vllm, для ROCm — только версии 10.0. Docker-образ по умолчанию vllm/vllm-openai:v0.34.0 теперь содержит пользовательскую часть AWS EFA, есть отдельные образы для ROCm, CPU и Intel XPU.</p><h2>Как обновиться без сюрпризов?</h2><ol><li>Зафиксируйте тег образа v0.34.0 вместо latest, чтобы обновление было осознанным.</li><li>Удалите VLLM_USE_V2_MODEL_RUNNER из окружения или выставьте 1.</li><li>Обновите зависимости: huggingface_hub 2.0.0+, tokenizers 0.23.3+, timm 1.0.30+, transformers не ниже 5.16.1 и ниже 5.23.0, mistral-common 1.13.0+.</li><li>Если GPU делится с другими процессами, задайте --gpu-memory-utilization явно.</li><li>Прогоните нагрузочный тест на своей конкурентности и сравните TPOT и TTFT с 0.33. Если задержка выросла, попробуйте --no-enable-extensible-kv-cache или старый --block-size 16.</li><li>На ROCm перейдите на образы и колёса ROCm 10.0.</li></ol><p>Тем, кто запускает модели на CPU или ноутбуке, vLLM по-прежнему не лучший выбор: для этого чаще берут llama.cpp и его форки, которые, например, <a href="https://tproger.ru/news/fork-llama-cpp-umestil-deepseek-v4-flash-v-64-gb-ozu-bez-videoka">уместили DeepSeek-V4-Flash в 64 ГБ ОЗУ</a>. Из хвостов прошлых версий: флаг --mamba-cache-mode ни на что не влияет, но его удаление отложено, а он и --ir-op-priority в коде 0.34 всё ещё предупреждают об удалении «в 0.34.0». Новый срок разработчики пока не назвали.</p><p>Источники: <a href="https://github.com/vllm-project/vllm/releases/tag/v0.34.0">vLLM v0.34.0 release notes</a>, <a href="https://pypi.org/project/vllm/0.34.0/">PyPI: vllm 0.34.0</a>, <a href="https://github.com/vllm-project/vllm/pull/56492">PR 56492: extensible KV cache по умолчанию</a></p><p>Изображение на обложке: Логотип: vLLM Project</p>]]></content:encoded>
    </item>
    <item>
      <title>Тест 22 агентов показал: при смене модели стоит сменить и харнесс</title>
      <link>https://tproger.ru/news/test-22-agentov-pokazal-pri-smene-modeli-stoit-smenit-i-harnes</link>
      <comments>https://tproger.ru/news/test-22-agentov-pokazal-pri-smene-modeli-stoit-smenit-i-harnes?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/test-22-agentov-pokazal-pri-smene-modeli-stoit-smenit-i-harnes</guid>
      <description><![CDATA[<p>Runta прогнала 22 харнесса на 5 открытых моделях: на одной модели цена задачи различалась до 5 раз, а 64,5% денег ушло на непрошедшие попытки.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/test-22-agentov-pokazal-pri-smene-modeli-stoit-smenit-i-harnes">Тест 22 агентов показал: при смене модели стоит сменить и харнесс</a>»</p>]]></description>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Разработка]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 13:54:54 GMT</pubDate>
      <content:encoded><![CDATA[<p>Компания Runta, которая сдаёт в аренду изолированные среды для запуска ИИ-агентов, 17 ноября <a href="https://runta.com/blog/introducing-frontierharness-eval-v1-1/">опубликовала FrontierHarness Eval v1.1</a> — сравнение 22 конфигураций кодинг-агентов (харнессов) на пяти открытых моделях. Главный вывод: лучший по соотношению цены и результата харнесс у каждой модели свой, и при смене модели стоит перепроверить и обвязку. Codex CLI с GLM-5.3 оказался самым выгодным, а с Kimi-K3 по цене задачи опустился на 16-е место из 22.</p><p>Харнесс — это всё, что окружает модель в агенте: системный промпт, набор инструментов, правила сжатия контекста, логика шагов. Claude Code, Codex CLI, OpenCode, Pi, GitHub Copilot CLI — всё это харнессы. Если вы подключаете к любимому CLI дешёвую открытую модель через API, исследование показывает, что вы можете переплачивать в 2–5 раз за ту же работу просто из-за неудачной пары.</p><ul><li>Масштаб: 22 харнесса, 5 моделей, 62 терминальные задачи, 4 попытки — 27 280 запусков и 83 млрд токенов, в 76 раз больше версии 1.0.</li><li>Лучшие пары по цене за решённую задачу: Codex CLI с GLM-5.3, Pi с GLM-5.3 Flash, ZCode с DeepSeek V4.1 Flash, Oh My Pi с Muse Spark Open, Alma с Kimi-K3.</li><li>На одной модели самый дорогой харнесс тратил на задачу в 1,8–5,0 раза больше самого дешёвого; дороже не значит лучше.</li><li>Стоимость предсказывает число шагов агента, а не размер промпта или число инструментов.</li><li>64,5% расчётных затрат на инференс ушло на попытки, которые не прошли проверку; 68–82% таких провалов у лучших харнессов закончились уверенным «готово».</li></ul><h2>Как устроен тест?</h2><p>Runta сделала исследование вместе с Baseten — провайдером API для открытых моделей, который обслуживал все пять моделей: GLM-5.3 и GLM-5.3 Flash от Z.ai, DeepSeek V4.1 Flash 1017, Muse Spark Open от Meta и Kimi-K3 от Moonshot AI. Закрытые модели (Claude, GPT, Gemini) в этот раунд не вошли.</p><p>Харнессов 18, но четыре профиля DeepSeek Harness отличаются набором инструментов, а OpenCode гоняли в двух версиях, поэтому конфигураций 22. Среди них Codex CLI, Claude Code, GitHub Copilot CLI, Antigravity CLI, Grok Build, OpenCode, Pi, Oh My Pi, Cline CLI, Hermes Agent, KimiCode, MiniMax Code, ZCode, Alma, Maka, Exo и минималистичный mini-SWE-agent.</p><p>Задачи — 62 терминальные задачи с лимитами времени от 15 минут до 8 часов, прогон через фреймворк оценки Harbor. Каждый харнесс работал с настройками по умолчанию и на максимальном уровне reasoning; каждая попытка запускалась в новой чистой среде Runta, которую удаляли после завершения. Стоимость считали по прайсу Baseten умножением на токены, которые вернул провайдер.</p><p>Отдельно авторы проверили логи на «читерство»: 216 попыток помечены как reward hacking, из них 163 — обращения к интернет-источникам (поиск, чтение страниц, скачивание кода), которые аудит отметил как нарушение. Такие попытки засчитаны как провал. Больше всего их у Oh My Pi (42 попытки, 3,4%), OpenCode v2 и Hermes Agent.</p><h2>Какой харнесс выгоднее с какой моделью?</h2><p>Главная метрика — стоимость одной успешной задачи (средняя цена задачи, делённая на долю успешных). Победитель определялся по ней, но с поправкой: если другой харнесс дороже не больше чем на 30% и решает хотя бы на 5 пунктов больше задач, побеждает он. Так ZCode обошёл OpenCode v1 с DeepSeek, а Alma — Oh My Pi с Kimi-K3.</p><p>Лучший по цене и результату харнесс для каждой модели</p><table><thead><tr><th>Модель</th><th>Харнесс</th><th>Цена успешной задачи</th><th>Доля решённых</th></tr></thead><tbody><tr><td>GLM-5.3</td><td>Codex CLI</td><td>$0,803</td><td>57,7%</td></tr><tr><td>GLM-5.3 Flash</td><td>Pi</td><td>$0,223</td><td>58,1%</td></tr><tr><td>DeepSeek V4.1 Flash 1017</td><td>ZCode</td><td>$0,222</td><td>69,0%</td></tr><tr><td>Muse Spark Open</td><td>Oh My Pi</td><td>$1,21</td><td>58,9%</td></tr><tr><td>Kimi-K3</td><td>Alma</td><td>$1,58</td><td>64,1%</td></tr><tr><td>Все модели в среднем</td><td>Codex CLI</td><td>$0,937</td><td>61,1%</td></tr></tbody></table><p>Источник: Runta, FrontierHarness Eval v1.1</p><p>Насколько уверенно? Авторы 4000 раз пересэмплировали набор задач. Codex CLI с GLM-5.3 остался первым в 99,6% случаев. Остальные победители держатся куда менее надёжно и выбираются лучшими лишь в части пересэмплирований: Oh My Pi с Muse — в 53%, ZCode с DeepSeek — в 47%, Pi с GLM Flash — в 42%, Alma с Kimi-K3 — в 25%. Доверительный интервал доли решённых задач у одного харнесса с одной моделью — около 10 пунктов в обе стороны, так что разница в несколько пунктов означает ничью.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-18/bba5f222-7216-4563-98f4-c47dfb73ceef.webp" alt="Точечный график: средняя цена задачи и доля решённых задач для 22 харнессов по всем моделям" /><figcaption>Цена задачи и доля решённых по всем пяти моделям; линия соединяет харнессы, которых никто не обходит сразу по двум параметрам. Скриншот: runta.com</figcaption></figure><p>По всем моделям вместе «эффективную границу» образуют четыре харнесса: OpenCode v2 (самая низкая средняя цена задачи, $0,561), Pi, Codex CLI и ZCode (самая высокая доля решённых, 61,9%). Остальные стоили до 1,6 раза дороже и решали от 50,6% до 60,2%. Самая дорогая успешная задача в среднем — у Antigravity CLI ($1,63), у Claude Code — $1,55, у GitHub Copilot CLI — $1,38.</p><h2>Почему один и тот же харнесс то дешёвый, то дорогой?</h2><p>Порядок цен в целом задаёт модель: прайсы пяти моделей различаются в 20 раз и больше, и дисперсионный анализ логарифмов средней цены задачи по 110 парам относит к модели 92,8% разброса. Общий для всех моделей эффект харнесса — 2,3%, а 4,9% приходится на конкретную пару модели и харнесса (вместе с шумом). То есть при фиксированной модели около 68% различий между харнессами зависит от пары или объясняется шумом: анализ их не разделяет.</p><p>В деньгах это заметно. С каждой моделью самый дорогой харнесс тратил на задачу в 1,8–5,0 раза больше самого дешёвого; при перемешивании попыток случайный разброс составлял только 1,2–1,8 раза (p = 0,003). Рекорд у DeepSeek: Cline CLI стоил в 5 раз дороже OpenCode v1 и решил всего на 2 пункта больше. С остальными моделями самый дешёвый харнесс отставал от самого дорогого по качеству не больше чем на 0,4 пункта.</p><p>Ранги прыгают сильно. Медианный харнесс при смене модели сдвигался на 11 мест из 22. DeepSeek Harness в профиле Creator был самым дешёвым с Muse и 21-м с GLM Flash, OpenCode v1 — первым с DeepSeek и 13-м с Muse. Повторные прогоны это не объясняют: на одной модели рейтинги двух половин попыток совпадали с корреляцией 0,71, а между разными моделями — только 0,26.</p><p>И дороже не значит лучше: корреляция цены задачи и доли решённых по моделям — от -0,39 до +0,22. Харнесс с лучшим результатом был от 5-го до 20-го места по цене, а с четырьмя моделями из пяти самый дорогой по цене успешной задачи харнесс решал реже самого дешёвого.</p><h2>Что на самом деле делает агента дорогим?</h2><p>Интуиция «маленький промпт — дешёвый агент» не подтвердилась. Размер первого запроса (от 882 до 21 365 токенов), число инструментов (от 1 до 29) и доля попаданий в кэш (87–95,7%) почти не коррелируют с ценой успешной задачи. Коррелирует число шагов: +0,51 при p = 0,015. Каждый шаг заново отправляет весь контекст, поэтому попытка в среднем съедала 2,0–4,8 млн входных токенов, и даже самый большой системный промпт — меньше 1% от этого объёма.</p><p>Самый наглядный пример — mini-SWE-agent: самый маленький первый запрос (882 токена) и один инструмент, но 38 шагов на успешную задачу и 17-е место по цене успешной задачи. По всем запускам 42% денег ушло на чтение из кэша, 33% — на выходные токены, 25% — на некэшированный вход.</p><p>У пяти лучших харнессов авторы нашли общие черты (это наблюдения, а не проверенные гипотезы):</p><ul><li>один shell-инструмент делает большую часть работы: на него приходится 61–93% вызовов; у Pi по умолчанию всего четыре инструмента — read, bash, edit, write;</li><li>каждый запрос только дописывает контекст, начало не меняется, поэтому провайдер отдаёт его из кэша: 91,1–94% входа в успешных попытках;</li><li>почти нет субагентов и сжатия контекста: только Codex CLI сжимал историю, в 8 попытках, при заполнении 90% окна.</li></ul><p>Слабость у них тоже общая. 64,5% расчётных затрат на инференс (по прайсу Baseten, без стоимости самих сред) ушло на непрошедшие попытки (52,7% — ошибки, 11,8% — таймауты). У пяти лучших харнессов 68% (Pi) — 82% (Codex CLI) провалов закончились уверенным финальным ответом, а не по лимиту времени. В примере из отчёта агент пишет, что проверил конкурентность и очистку отмены, а проверяющий тест падает с assert 0 == 2.</p><h2>Что делать с этими результатами?</h2><ol><li>Если вы переключаете агента на другую модель, прогоните 2–3 харнесса-кандидата на своих задачах. Авторы советуют собирать для этого свой закрытый набор, достаточно большой, чтобы разница не утонула в шуме.</li><li>Сравнивайте цену успешной задачи, а не цену токена и не долю решённых по отдельности.</li><li>С дешёвой моделью, у которой результат сильно зависит от харнесса, выбирайте по доле решённых: с DeepSeek она менялась от 54% до 69%.</li><li>Не верьте «готово» без проверки: стоп-проверка тестами перед завершением могла бы сэкономить часть затрат на провалы, хотя авторы её не тестировали.</li><li>Если вы пишете харнесс, сокращайте число шагов, а не только длину промпта.</li></ol><p>Ограничения авторы называют сами: в тесте только открытые модели и один провайдер, а кэш и цены Baseten у другого провайдера могут изменить ранги. Важно и то, что Runta — коммерческая компания, продающая среды для агентов, а харнессы запускались с настройками по умолчанию. О том, как по-разному устроены обвязки популярных агентов, мы писали в <a href="https://tproger.ru/news/claude-code-poluchil-code-mode-a-codex-nauchilsya-vybirat-provajd">новости про Code Mode в Claude Code</a>, а о самих песочницах — в <a href="https://tproger.ru/articles/kak-izolirovat-ii-agenta-v-2026-godu-microvm-protiv-kontejnero">разборе изоляции ИИ-агентов</a>.</p><p>Следующим шагом Runta обещает добавить закрытые модели — Claude Opus 5.5, GPT-6 Astra и Gemini 4 Carbon — и изучить, как харнесс, работающий в облаке непрерывно, улучшает себя на длинных задачах. Сроков компания не называет.</p><p>Источник: <a href="https://runta.com/blog/introducing-frontierharness-eval-v1-1/">Runta: Introducing FrontierHarness Eval v1.1</a></p><p>Изображение на обложке: Данные: Runta, FrontierHarness Eval v1.1</p>]]></content:encoded>
    </item>
    <item>
      <title>Microsoft выпустила MAI Code 2 и обещает уровень GPT-6.1 Sol за 40% цены</title>
      <link>https://tproger.ru/news/microsoft-vypustila-mai-code-2-i-obeshhaet-uroven-gpt-6-1-sol-za</link>
      <comments>https://tproger.ru/news/microsoft-vypustila-mai-code-2-i-obeshhaet-uroven-gpt-6-1-sol-za?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/microsoft-vypustila-mai-code-2-i-obeshhaet-uroven-gpt-6-1-sol-za</guid>
      <description><![CDATA[<p>MAI Code 2 стоит $0,50 и $2,50 за миллион токенов по акции до 17 мая 2027; Microsoft сравнивала стоимость по скидочной цене и в своём Copilot CLI.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/microsoft-vypustila-mai-code-2-i-obeshhaet-uroven-gpt-6-1-sol-za">Microsoft выпустила MAI Code 2 и обещает уровень GPT-6.1 Sol за 40% цены</a>»</p>]]></description>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Microsoft]]></category>
      <category><![CDATA[GitHub]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 13:54:36 GMT</pubDate>
      <content:encoded><![CDATA[<p>Microsoft 17 ноября на конференции Ignite <a href="https://microsoft.ai/news/introducing-mai-code-2-and-mai-code-2-flash/">представила</a> две модели для программирования: MAI Code 2 для повседневных задач в больших корпоративных кодовых базах и облегчённую MAI Code 2 Flash для потока мелких правок. Обе в тот же день <a href="https://github.blog/changelog/2026-11-17-mai-code-2-and-mai-code-2-flash-in-github-copilot">появились в GitHub Copilot</a>. По замерам самой Microsoft, MAI Code 2 даёт 98% качества GPT-6.1 Sol при 40% его стоимости и 96% качества Claude Opus 5.5 при 5% стоимости.</p><p>Для разработчика это ещё одна дешёвая модель в выпадающем списке Copilot, причём по акционной цене токен MAI Code 2 в 4 раза дешевле, чем у GPT-6.1 Sol, и в 8 раз дешевле, чем у Opus 5.5. Но громкие проценты стоит читать вместе со сносками: стоимость MAI в сравнении посчитана по акционной цене со скидкой 50%, а три из четырёх бенчмарков Microsoft прогоняла на собственной платформе через GitHub Copilot CLI. Только оценки по четвёртому, FrontierCode, взяты у независимой Artificial Analysis.</p><ul><li>MAI Code 2 доступна в Copilot Pro, Pro+, Max, Business и Enterprise, MAI Code 2 Flash ещё и в Free и Student; Flash также в ограниченном превью Microsoft Foundry.</li><li>В Copilot до 17 мая 2027 года действует акционная цена: $0,50 и $2,50 за миллион входных и выходных токенов у MAI Code 2, $0,05 и $0,25 у Flash. Потом цены удваиваются.</li><li>Заявленные «98% от GPT-6.1 Sol за 40% цены» и «96% от Opus 5.5 за 5% цены» — замер Microsoft на максимальном reasoning, стоимость MAI взята по акционной цене.</li><li>Microsoft прямо пишет, что модели пока не настроены на очень длинную агентную работу и сложные научные задачи.</li><li>MAI-Code-1.1-Flash уберут из всех режимов Copilot 18 декабря 2026 года.</li></ul><h2>Что Microsoft выпустила и для каких задач?</h2><p>Обе модели делает подразделение Microsoft AI (MAI), это следующее поколение после MAI-Code-1-Flash, которую GitHub <a href="https://tproger.ru/news/github-prekratil-podderzhku-mai-code-1-flash-vo-vseh-rezhimah-copi">снял с поддержки в сентябре</a>, и MAI-Code-1.1-Flash. По описанию Microsoft, MAI Code 2 рассчитана на типичную работу в компаниях: довести код до продакшена, глубокая отладка, реализация на несколько файлов, рассуждения по всему репозиторию и интерфейсы. Компания утверждает, что модель делает изменения, которые мейнтейнеры готовы принять в кодовую базу (перевод редакции, формулировка маркетинговая).</p><p>MAI Code 2 Flash предназначена для массовой работы: объяснить код, сделать точечную правку, исправить рутинную ошибку, быстро пройти несколько итераций. В GitHub Copilot первая модель отнесена к категории Powerful, вторая — к Lightweight.</p><p>Ограничения Microsoft назвала сама: модели «пока явно не настроены» на сложные задачи вроде фундаментальных научных исследований и на очень длинную автономную агентную работу. Если вы отдаёте агенту многочасовые задачи без присмотра, это не та модель, на которую Microsoft делает ставку.</p><p>Отдельно MAI Code 2 настроили на дашборды и визуализации. В слепом сравнении фронтенд-приложений рецензенты в 64% случаев предпочли результат MAI Code 2 результату GPT-6 Sol. По сноске, сравнивали интерфейсы, игры, визуализации данных, 3D-сцены и SVG-графику, оценивали и внешний вид, и работоспособность, разметку делали 258 аннотаторов.</p><h2>Что стоит за процентами в сравнении с GPT и Claude?</h2><p>Главная цифра анонса — среднее по четырём бенчмаркам, которые, по словам Microsoft, ближе всего к повседневным задачам пользователей GitHub Copilot: DeepSWE 1.1, Terminal Bench 2.1, SWE-Atlas и FrontierCode v1.1. На этом среднем MAI Code 2 получила 98% результата GPT-6.1 Sol при 40% его стоимости и 96% результата Claude Opus 5.5 при 5% стоимости. Те же цифры повторены в <a href="https://microsoft.ai/news/microsoft-ignite-2026/">общем посте Microsoft об анонсах Ignite</a>.</p><p>Условия замера Microsoft раскрыла в сносках к анонсу, и от них зависит, как читать результат:</p><ul><li>все модели запускали на максимальном уровне reasoning;</li><li>DeepSWE 1.1, Terminal Bench 2.1 и SWE-Atlas прогоняли на MSBench — внутренней платформе оценки Microsoft — через GitHub Copilot CLI без субагентов, то есть в харнессе самой Microsoft;</li><li>оценки и стоимость по FrontierCode 1.1 взяты у Artificial Analysis;</li><li>стоимость MAI Code 2 и MAI Code 2 Flash показана по акционной цене со скидкой 50%.</li></ul><p>Последний пункт важен для расчёта бюджета. В Copilot акционная цена действует до 17 мая 2027 года, после чего, по <a href="https://docs.github.com/en/copilot/reference/copilot-billing/models-and-pricing">прайсу GitHub</a>, токены MAI Code 2 подорожают в 2 раза. По нашей оценке, если модель тратит на задачу столько же токенов, «40% стоимости GPT-6.1 Sol» после мая превратятся примерно в 80%, а «5% от Opus 5.5» — примерно в 10%. Сама Microsoft в разделе об ограничениях пишет, что сравнение производительности и стоимости зависит от нагрузки, конфигурации, уровня reasoning и предположений о ценах.</p><p>Второй момент — харнесс, то есть обвязка агента вокруг модели. Три бенчмарка из четырёх запускали в Copilot CLI, а системный промпт, инструменты и управление контекстом у агентов разные, как видно и по <a href="https://tproger.ru/news/claude-code-poluchil-code-mode-a-codex-nauchilsya-vybirat-provajd">последним обновлениям Claude Code и Codex</a>. В Claude Code, Codex CLI или OpenCode цифры могут быть другими.</p><p>Для Flash Microsoft приводит сравнение по трём бенчмаркам (DeepSWE 1.1, Terminal Bench 2.1 и SWE-Atlas, без FrontierCode): качество, сопоставимое с GPT-6 Luna и Claude Haiku 5.5, при 65% и 20% их стоимости соответственно. Стоимость Flash в этом сравнении тоже посчитана по акционной цене.</p><h2>Сколько стоят модели в GitHub Copilot?</h2><p>Обе модели в Copilot тарифицируются по использованию (usage-based billing), сказано в <a href="https://github.blog/changelog/2026-11-17-mai-code-2-and-mai-code-2-flash-in-github-copilot">changelog GitHub</a>. Цены за миллион токенов из документации GitHub на 18 ноября (у моделей OpenAI и Anthropic дополнительно оплачивается запись в кэш: $2,50 у GPT-6.1 Sol, $5,00 у Opus 5.5, $0,125 у GPT-6 Luna и Haiku 5.5):</p><p>Цены в GitHub Copilot за 1 млн токенов</p><table><thead><tr><th>Модель</th><th>Вход</th><th>Кэшированный вход</th><th>Выход</th></tr></thead><tbody><tr><td>MAI Code 2 (акция до 17 мая 2027)</td><td>$0,50</td><td>$0,025</td><td>$2,50</td></tr><tr><td>MAI Code 2 (с 17 мая 2027)</td><td>$1,00</td><td>$0,05</td><td>$5,00</td></tr><tr><td>MAI Code 2 Flash (акция до 17 мая 2027)</td><td>$0,05</td><td>$0,005</td><td>$0,25</td></tr><tr><td>MAI Code 2 Flash (с 17 мая 2027)</td><td>$0,10</td><td>$0,01</td><td>$0,50</td></tr><tr><td>GPT-6.1 Sol (контекст до 272 тыс.)</td><td>$2,00</td><td>$0,10</td><td>$10,00</td></tr><tr><td>Claude Opus 5.5</td><td>$4,00</td><td>$0,20</td><td>$20,00</td></tr><tr><td>GPT-6 Luna (контекст до 272 тыс.)</td><td>$0,10</td><td>$0,01</td><td>$0,50</td></tr><tr><td>Claude Haiku 5.5 (контекст до 100 тыс.)</td><td>$0,10</td><td>$0,01</td><td>$0,50</td></tr></tbody></table><p>Источник: документация GitHub Copilot, Models and pricing</p><p>Заявленная «стоимость задачи» расходится с ценой токена. У Flash по акции токены вдвое дешевле, чем у GPT-6 Luna и Haiku 5.5, а Microsoft пишет о 65% и 20% их стоимости. Вероятные причины — разный расход токенов на одну задачу, разная доля кэшированного входа и оплата записи в кэш; Microsoft детали расчёта не раскрывает. Поэтому сравнивать модели стоит по цене решённой задачи на своих примерах, а не по прайсу.</p><p>По <a href="https://docs.github.com/en/copilot/reference/ai-models/supported-models">таблице поддерживаемых моделей</a> обе MAI-модели поддерживают окно контекста в 1 млн токенов и настраиваемый уровень reasoning, но не во всех клиентах: миллионный контекст доступен в VS Code и Copilot CLI. GitHub также предупреждает, что модели MAI постоянно дообучаются, и поведение может меняться с выходом новых чекпоинтов.</p><h2>Где модели доступны и как их включить?</h2><p>По changelog GitHub, MAI Code 2 доступна на тарифах Copilot Pro, Pro+, Max, Business и Enterprise, а MAI Code 2 Flash — ещё и на Free и Student. В документации есть оговорка: пользователи Free и Student получают модели только через автоматический выбор модели (Auto). Flash входит в список моделей для Auto и Copilot Fusion, MAI Code 2 — нет.</p><p>Модели выбираются в меню моделей в VS Code, Visual Studio, Copilot CLI, облачном агенте Copilot, приложении GitHub Copilot, на github.com, в GitHub Mobile для iOS и Android, а также в JetBrains IDE, Xcode и Eclipse. Для Visual Studio GitHub указывает минимальную версию 17.14.6.</p><ol><li>Обновите расширение Copilot или IDE и выберите MAI Code 2 или MAI Code 2 Flash в меню моделей.</li><li>В Copilot Business и Enterprise доступом управляет политика моделей в настройках Copilot. Новые модели включаются автоматически, если администратор не отключил глобальное включение по умолчанию или эту модель отдельно.</li><li>Если в организации используется MAI-Code-1.1-Flash, до 18 декабря 2026 года переключите сценарии на новую модель: GitHub <a href="https://github.blog/changelog/2026-11-17-upcoming-deprecation-of-mai-code-1-1-flash-in-december">выводит её из всех режимов Copilot</a> и предлагает замену «последней моделью MAI Code Flash».</li><li>Перед переводом команды на новую модель прогоните 10–20 типичных задач из своего репозитория и сравните расход и результат с текущей моделью.</li></ol><p>Вне Copilot MAI Code 2 Flash пока доступна только в ограниченном превью Microsoft Foundry. Microsoft обещает «скоро» выпустить модели на OpenRouter, Vercel, Hermes, OpenCode и Kilo, но дат не называет.</p><h2>Зачем Microsoft свои модели?</h2><p>На Ignite Microsoft показала семь новых моделей и сделала главным аргументом цену: «по мере того как расходы на токены взлетают», компания хочет дать модели, которые можно гонять в агентах круглосуточно. Кроме кодинга, MAI Code 2 Flash стала основой для MAI Work Flash, одной модели для продуктов Microsoft 365 и Fabric IQ.</p><p>Microsoft приводит по ней внутренние замеры: в Excel и PowerPoint модель на уровне GPT-6 Luna по точности и расходу токенов; в Word близка к GPT-6.1 Sol на пяти внутренних бенчмарках при примерно на 42% меньшем числе входных токенов на вызов; в Teams обходит GPT-6 Luna в отслеживании решений, восполнении пробелов в знаниях и следовании своим инструкциям, а в задачах на следование инструкциям и вызов инструментов тратит до 28% меньше токенов; в Fabric IQ, по офлайн-оценке, генерирует запросы DAX для Power BI лучше GPT-5.6 Sol, GPT-6 Astra и Opus 5.5. Все эти цифры — замеры самой Microsoft на внутренних наборах.</p><p>Для команд, которые сейчас выбирают модели под API, это ещё один кандидат в нижнем ценовом сегменте; как считать цену решённой задачи, мы разбирали в <a href="https://tproger.ru/articles/fable-5-1-gpt-6-astra-i-dewyovye-flash-chto-brat-v-api-v-sentyab">обзоре моделей сентября</a>. Следующий проверяемый шаг — появление MAI Code 2 на OpenRouter и в сторонних харнессах: тогда станет видно, как модель ведёт себя вне Copilot CLI, на задачах, которые выбирала не Microsoft, и после окончания акции.</p><p>Источники: <a href="https://microsoft.ai/news/introducing-mai-code-2-and-mai-code-2-flash/">Microsoft AI: Introducing MAI Code 2 and MAI Code 2 Flash</a>, <a href="https://microsoft.ai/news/microsoft-ignite-2026/">Microsoft AI: анонсы Ignite 2026</a>, <a href="https://github.blog/changelog/2026-11-17-mai-code-2-and-mai-code-2-flash-in-github-copilot">GitHub Changelog: MAI Code 2 and MAI Code 2 Flash in GitHub Copilot</a>, <a href="https://github.blog/changelog/2026-11-17-upcoming-deprecation-of-mai-code-1-1-flash-in-december">GitHub Changelog: Upcoming deprecation of MAI-Code-1.1-Flash</a>, <a href="https://docs.github.com/en/copilot/reference/copilot-billing/models-and-pricing">GitHub Docs: Models and pricing for GitHub Copilot</a>, <a href="https://docs.github.com/en/copilot/reference/ai-models/supported-models">GitHub Docs: Supported AI models in GitHub Copilot</a></p><p>Изображение на обложке: Microsoft AI</p>]]></content:encoded>
    </item>
    <item>
      <title>Взломанный agent-framework от Microsoft крал токены Azure и GitHub из CI</title>
      <link>https://tproger.ru/news/vzlomannyj-agent-framework-ot-microsoft-kral-tokeny-azure-i-gith</link>
      <comments>https://tproger.ru/news/vzlomannyj-agent-framework-ot-microsoft-kral-tokeny-azure-i-gith?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/vzlomannyj-agent-framework-ot-microsoft-kral-tokeny-azure-i-gith</guid>
      <description><![CDATA[<p>Версии 1.26.1 и 1.26.2 через .pth-хук крали токены Azure, GitHub Actions и .env; Wiz связывает публикацию с сертификатом ESRP. Чистая версия — 1.26.0.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/vzlomannyj-agent-framework-ot-microsoft-kral-tokeny-azure-i-gith">Взломанный agent-framework от Microsoft крал токены Azure и GitHub из CI</a>»</p>]]></description>
      <category><![CDATA[Open Source]]></category>
      <category><![CDATA[Безопасность]]></category>
      <category><![CDATA[Python]]></category>
      <category><![CDATA[DevOps]]></category>
      <category><![CDATA[Microsoft]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 13:53:08 GMT</pubDate>
      <content:encoded><![CDATA[<p>17 ноября на PyPI вышли две вредоносные версии agent-framework — официального Python-пакета Microsoft для сборки ИИ-агентов: 1.26.1 и 1.26.2 запускали стилер, который пытался забрать ключи облаков, токены CI и файлы с паролями с каждой машины, где их установили. Версии продержались на PyPI меньше часа и удалены, последняя чистая — 1.26.0, говорится в <a href="https://osv.dev/vulnerability/PYSEC-2026-4388">advisory PYSEC-2026-4388</a> в базе OSV. Через несколько часов на GitHub перестали открываться репозитории microsoft/agent-framework и microsoft/onnxruntime; Microsoft эти два события не связывала и публично не комментировала.</p><p>Если у вас Python-проект с ИИ-агентами на Azure или GitHub Actions и зависимость agent-framework без жёсткой версии, проверьте, не собирался ли он с 23:35 мск 17 ноября до 00:30 мск 18 ноября: вредонос запускается при обычном старте Python в окружении, даже без import. Advisory требует считать такую машину или CI-задачу скомпрометированной и сменить все доступные с неё секреты. У тех, кто использует ONNX Runtime, недоступность репозитория ломает сборки, которые берут исходники или бинарники с GitHub; пакеты на PyPI и NuGet при этом ставятся.</p><ul><li>agent-framework 1.26.1 (20:35 UTC 17 ноября) и 1.26.2 (около 21:08 UTC) содержали стилер; обе удалены с PyPI, чистая версия — 1.26.0.</li><li>Вредонос стартует через .pth-файл при каждом запуске Python и собирает переменные окружения, файлы с токенами, токены Azure managed identity и OIDC-токены Azure DevOps и GitHub Actions.</li><li>По предположению Wiz, атакующий опубликовал пакет через внутренний сервис подписи и публикации Microsoft ESRP, завладев его клиентским сертификатом; как именно, неизвестно.</li><li>Что делать: найти версии 1.26.1 и 1.26.2 в lock-файлах, CI и образах, закрепить 1.26.0, пересобрать окружения и сменить секреты.</li><li>Репозитории microsoft/onnxruntime, microsoft/agent-framework и ещё несколько связанных с 18 ноября отдают 404; объяснений Microsoft нет, связь со взломом не подтверждена.</li></ul><h2>Что именно попало на PyPI и когда?</h2><p>agent-framework — Python-часть Microsoft Agent Framework, фреймворка для агентов и мультиагентных сценариев, который Microsoft представляет как преемника Semantic Kernel и AutoGen. Пакет на <a href="https://pypi.org/project/agent-framework/">PyPI</a> — метапакет: сам он почти пустой и тянет за собой agent-framework-core и интеграции. По оценке Aikido, его скачивают около 190 тыс. раз в месяц.</p><p>Хронология по отчётам <a href="https://www.aikido.dev/blog/two-malicious-agent-framework-releases-hit-pypi-in-33-minutes">Aikido</a> и <a href="https://www.wiz.io/blog/malicious-version-of-microsofts-agent-framework-published-to-pypi">Wiz</a> (время UTC):</p><ul><li>12 ноября, 18:25 — выходит легитимная версия 1.26.0;</li><li>17 ноября, 20:35 — на PyPI появляется 1.26.1 со стилером;</li><li>около 21:08 — выходит 1.26.2 с тем же стилером под другими именами файлов, 1.26.1 примерно тогда же снимают;</li><li>к 21:20–21:30 — обе версии недоступны, последней снова становится 1.26.0.</li></ul><p>Окно, в которое пакет можно было получить из PyPI, — около 45–55 минут. Этого хватает, чтобы его подтянули CI-сборки и свежие образы: Aikido отдельно предупреждает про кэши CI и контейнеры, собранные после 17 ноября. Официальное описание дали в <a href="https://osv.dev/vulnerability/PYSEC-2026-4388">PYSEC-2026-4388</a> (в OSV есть и запись MAL-2026-20101): версии загружены «без авторизации», «PyPI Security совместно с Microsoft проверила учётные записи проекта и завершила шаги по устранению» (перевод редакции). Сама Microsoft отдельного заявления на момент публикации не сделала.</p><p>Обе версии собраны из настоящего колеса 1.26.0: его распаковали, дописали файлы и загрузили снова. Aikido обратила внимание на признаки ручной сборки: у 1.26.0 колесо и архив исходников вышли с разницей около 40 секунд, а у вредоносных версий есть только колесо, в метаданных WHEEL остался старый шаблонный timestamp, а добавленные файлы имеют права rw-rw-rw-. Поскольку метапакет по-прежнему ставил настоящий agent-framework-core 1.26.0, фреймворк продолжал работать как обычно, и это затрудняло обнаружение подмены: выдать её могли разве что фоновые процессы и исходящие POST-запросы.</p><h2>Как работал стилер и что он забирал?</h2><p>Главный приём — .pth-файл. Python при обычном старте (без флага -S) читает такие файлы в site-packages и выполняет строки, начинающиеся с import. Поэтому код срабатывал при любом запуске интерпретатора в окружении, включая сам pip: pytest, линтер, скрипт миграции, даже если agent-framework в проекте не импортируется.</p><ul><li><b>1.26.1</b>: файл agent_framework_meta.pth и модуль agent_framework_meta/_telemetry.py, в agent_framework_meta/__init__.py дописан загрузчик;</li><li><b>1.26.2</b>: файлы af_runtime_diag.pth и af_runtime_diag.py, а __init__.py восстановлен байт в байт, так что сравнение только его с оригиналом подмену не покажет (на это указывает <a href="https://socket.dev/blog/agent-framework-pypi-package-compromised-with-credential-stealer">Socket</a>).</li></ul><p>Загрузчик ставит переменную _AF_TEL=1, чтобы сработать один раз на дерево процессов, и уходит в фон: на Linux и macOS через fork и setsid, на Windows отдельным потоком. Дальше, по описанию в advisory и у Aikido, он собирает:</p><ul><li>переменные окружения, в имени которых есть TOKEN, SECRET, KEY, AZURE, AWS, GITHUB, OPENAI и имена CI-переменных;</li><li>окружение других процессов из /proc/*/environ (у Aikido — до 300 процессов);</li><li>файлы до 256 КБ: ~/.azure, pip.conf, .npmrc, .netrc, .git-credentials, конфиг Docker, токен Hugging Face, файл .credentials агента Azure DevOps и .env в /app и /workspace;</li><li>OIDC-токен Azure DevOps через SYSTEM_ACCESSTOKEN;</li><li>токены Azure managed identity для ARM, Graph, Key Vault, Storage, ACR, Azure DevOps и AzureADTokenExchange плюс метаданные виртуальной машины из IMDS (169.254.169.254);</li><li>в 1.26.2 дополнительно — OIDC-токены GitHub Actions и временные файлы раннера.</li></ul><p>Собранное сжимается, кодируется в base64 и уходит POST-запросом на публичный адрес сервиса webhook.site. По сути это набор для захвата облачной инфраструктуры: managed identity и федеративные OIDC-токены CI часто имеют права деплоя в Azure, а токены реестров позволяют выпускать новые версии чужих пакетов.</p><h2>Как атакующий получил право публиковать пакет Microsoft?</h2><p>Точного ответа нет. По версии <a href="https://www.wiz.io/blog/malicious-version-of-microsofts-agent-framework-published-to-pypi">Wiz</a>, атакующий, по-видимому, завладел клиентским сертификатом и закрытым ключом для ESRP — внутреннего сервиса Microsoft, через который пакет подписывается и публикуется. Первая попытка публикации из AWS упёрлась в фильтр IP-адресов ESRP, вторая, из адресного пространства Microsoft, прошла. Как были получены учётные данные, Wiz не знает; Microsoft это не комментировала. <a href="https://opensourcemalware.com/blog/agent-framework-pypi-compromised">OpenSourceMalware</a> также пишет, что релизы вышли от легитимного издателя проекта, а не под похожим названием.</p><p>Wiz смогла увидеть часть операции, потому что инструменты атакующего отчитывались о ходе работы на тот же публичный webhook, куда уходили украденные данные. Из 50 запросов, которые исследователи там застали, четыре пришли с машин самого атакующего, 29 — из песочниц, сканеров вендоров и тестов, а оставшиеся 17 соответствуют трём уникальным случаям реальной утечки данных жертв. Это нижняя оценка: Wiz видела только то, что ещё хранилось на бесплатном тарифе webhook.site.</p><h2>Что сделать прямо сейчас?</h2><p>Шаги ниже собраны из <a href="https://osv.dev/vulnerability/PYSEC-2026-4388">advisory</a>, <a href="https://www.aikido.dev/blog/two-malicious-agent-framework-releases-hit-pypi-in-33-minutes">Aikido</a> и <a href="https://www.wiz.io/blog/malicious-version-of-microsofts-agent-framework-published-to-pypi">Wiz</a>. Начните с поиска версий, не запуская Python и pip из подозрительного окружения: сам запуск интерпретатора активирует .pth-хук.</p><ol><li>Закрепите agent-framework==1.26.0 и пересоберите окружения, кэши CI и контейнерные образы, собранные с 17 ноября. Удаление пакета не возвращает уже отправленные данные.</li><li>Если версия 1.26.1 или 1.26.2 где-то стояла, считайте машину или CI-задачу скомпрометированной и смените всё, что было доступно из неё: сессии Azure CLI, PAT и сервисные подключения Azure DevOps, учётные данные service principal, токены GitHub, npm, PyPI, Hugging Face, реестров Docker, содержимое .env.</li><li>Проверьте журналы входа Entra ID для service principal и федеративных учётных данных, которые используют пайплайны, а также managed identity, доступные с затронутых машин.</li><li>Для workflow GitHub Actions с id-token: write, куда попала 1.26.2, считайте OIDC-токены раскрытыми и проверьте связанные федеративные учётные данные.</li><li>Найдите в логах прокси и DNS обращения к webhook.site, а в HTTP-логах — User-Agent af-runtime-diagnostics/1 (1.26.1) и runtime-diagnostics/1 (1.26.2).</li></ol><p>Хэши SHA256 вредоносных колёс из advisory: agent_framework-1.26.1-py3-none-any.whl — d27fa34414e6201d5e03e559ef634f020057554d7b3f4898dd5d7cd3e989e110; agent_framework-1.26.2-py3-none-any.whl — 3d20a8bc91351a9a16b6db243b848ceca0206b7a8623b02d2af553a9c9f7e0a9. Адрес эксфильтрации: webhook[.]site/d381fd80-ec62-42ad-8f5c-d1b15103c9bb.</p><p>В отчётах названы только PyPI-версии 1.26.1 и 1.26.2. Пакет agent-framework-core, .NET-пакеты Microsoft Agent Framework в NuGet и пакеты ONNX Runtime в advisory не упоминаются.</p><h2>Почему исчезли репозитории ONNX Runtime и agent-framework?</h2><p>Это неизвестно. В ночь на 18 ноября пользователи заметили, что github.com/microsoft/onnxruntime отдаёт 404: <a href="https://news.ycombinator.com/item?id=50539610">тред на Hacker News</a> появился в 23:18 UTC 17 ноября, <a href="https://github.com/onnx/onnx/issues/8842">issue в репозитории onnx/onnx</a> — в 23:48 UTC, с жалобой, что исчезновение ломает CI. Позже обнаружилось, что недоступен и microsoft/agent-framework.</p><p>Редакция проверила состояние через GitHub API 18 ноября около 19:30 мск. Ответ 404 дают microsoft/onnxruntime, microsoft/agent-framework, microsoft/onnxruntime-genai, microsoft/onnxruntime-extensions, microsoft/onnxruntime-inference-examples, microsoft/onnxruntime-training-examples и microsoft/onnxconverter-common. При этом microsoft/semantic-kernel, microsoft/autogen, microsoft/Olive и microsoft/agent-framework-samples открываются, как и спецификация формата onnx/onnx. Ответ 404 вместо редиректа означает, что репозиторий удалён или переведён в приватные; при переносе в другую организацию GitHub отдавал бы перенаправление.</p><p>Официальных объяснений от Microsoft на момент публикации нет. В обсуждении на Hacker News высказывали две версии: что Microsoft закрыла репозитории в ответ на взлом и что идёт реорганизация к конференции Ignite. Обе не подтверждены, и в отчётах Aikido, Wiz и Socket о взломе пакета репозитории не упоминаются. Совпадение по времени есть, доказательств связи на момент публикации нет.</p><p>Практические последствия для пользователей ONNX Runtime такие. pip install onnxruntime работает, на PyPI последняя версия 1.32.0 от 13 ноября; в NuGet Microsoft.ML.OnnxRuntime тоже доступна 1.32.0; сайт с документацией <a href="https://onnxruntime.ai/">onnxruntime.ai</a> открывается. Ломаются сборки, которые берут исходники из репозитория или скачивают готовые архивы из GitHub Releases: ссылка на onnxruntime-linux-x64-1.32.0.tgz при нашей проверке отдавала 404. Пропали также исходники, issue-трекер и обсуждения.</p><p>Если ваш CI тянет бинарники ONNX Runtime с GitHub, переключите его на пакеты из PyPI, NuGet или Maven либо на свой зеркальный реестр артефактов. Форки на GitHub существуют, но собирать из случайного форка без сверки коммитов с оригиналом в ситуации со свежим взломом пакета того же вендора рискованно.</p><h2>Что дальше</h2><p>Остаются открытыми три вопроса: действительно ли утёк сертификат ESRP и как, затронуты ли этим каналом публикации другие пакеты Microsoft и вернутся ли недоступные репозитории. Пока Microsoft не выпустила разбор, имеет смысл закрепить версии всех её Python-пакетов в lock-файлах и не обновлять их автоматически. Похожие атаки на цепочку поставок PyPI в этом году уже были — <a href="https://tproger.ru/news/volna-supply-chain-atak-na-pypi--razbiraem-litellm--telnyx-i-tri">LiteLLM, telnyx и Trivy</a> и <a href="https://tproger.ru/news/ataka-na-npm-i-pypi-404-vredonosnye-versii-v-tanstack-mistral">волна в TanStack, Mistral AI и UiPath</a>; про выбор фреймворка для агентов — в <a href="https://tproger.ru/articles/kak-vybrat-frejmvork-dlya-ii-agentov">нашем обзоре</a>.</p><p>Источники: <a href="https://osv.dev/vulnerability/PYSEC-2026-4388">OSV: PYSEC-2026-4388</a>, <a href="https://www.aikido.dev/blog/two-malicious-agent-framework-releases-hit-pypi-in-33-minutes">Aikido: Two malicious agent-framework releases hit PyPI in 33 minutes</a>, <a href="https://www.wiz.io/blog/malicious-version-of-microsofts-agent-framework-published-to-pypi">Wiz: Microsoft agent-framework compromised</a>, <a href="https://socket.dev/blog/agent-framework-pypi-package-compromised-with-credential-stealer">Socket: agent-framework PyPI package compromised</a>, <a href="https://opensourcemalware.com/blog/agent-framework-pypi-compromised">OpenSourceMalware: agent-framework PyPI compromised</a>, <a href="https://bad-packages.kam193.eu/pypi/campaign/2026-11-compr-agent-framework">bad-packages: кампания 2026-11-compr-agent-framework</a>, <a href="https://news.ycombinator.com/item?id=50539610">Hacker News: ONNX Runtime has disappeared from GitHub</a>, <a href="https://github.com/onnx/onnx/issues/8842">onnx/onnx: issue 8842</a></p><p>Изображение на обложке: Скриншот: GitHub, страница microsoft/agent-framework</p>]]></content:encoded>
    </item>
    <item>
      <title>Gemini API режет документы и видео на куски и берёт деньги только за них</title>
      <link>https://tproger.ru/news/gemini-api-rezhet-dokumenty-i-video-na-kuski-i-beryot-dengi-tolk</link>
      <comments>https://tproger.ru/news/gemini-api-rezhet-dokumenty-i-video-na-kuski-i-beryot-dengi-tolk?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/gemini-api-rezhet-dokumenty-i-video-na-kuski-i-beryot-dengi-tolk</guid>
      <description><![CDATA[<p>Параметр processing в Gemini API отдаёт модели только нужные страницы, ячейки или отрезок видео; 300 страниц на medium — около 168 тыс. токенов.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/gemini-api-rezhet-dokumenty-i-video-na-kuski-i-beryot-dengi-tolk">Gemini API режет документы и видео на куски и берёт деньги только за них</a>»</p>]]></description>
      <category><![CDATA[API]]></category>
      <category><![CDATA[Google]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 13:47:22 GMT</pubDate>
      <content:encoded><![CDATA[<p>Google 18 ноября дала разработчикам в Gemini API <a href="https://ai.google.dev/gemini-api/docs/changelog#11-18-2026">возможность «нарезать» файлы</a>: из PDF, документа Word или презентации можно отправить модели только выбранные страницы, из таблицы Excel — конкретный лист и диапазон ячеек, из видео и аудио — отрезок по времени. Вдобавок можно выбрать слой содержимого: картинки страниц, извлечённый текст, формулы, кадры, звук или расшифровку. Токены, а значит и деньги, считаются только за отправленный кусок.</p><p>Для тех, кто строит RAG и агентов над офисными документами, это прямая экономия и меньше кода. Раньше, чтобы показать модели пять страниц из отчёта на 300 страниц, приходилось самому резать PDF или конвертировать документ в текст. Теперь файл загружается один раз через Files API, а нужный фрагмент описывается в запросе. Та же нарезка работает и в ответах функций, поэтому агент может сам «листать» документ по частям.</p><ul><li>Новый параметр processing у блоков document, video и audio задаёт страницы, лист и ячейки, временной отрезок и слои содержимого; работает на всех моделях Gemini 3 и Gemini 4+.</li><li>Оплачиваются только выбранные страницы, листы, отрезки и слои; модель при этом видит общее число страниц и названия листов.</li><li>Страница стоит около 280, 560 или 1 120 токенов при разрешении low, medium (по умолчанию) или high; 300 страниц на medium — около 168 тыс. токенов.</li><li>Ограничения файла прежние и считаются по всему файлу: до 50 МБ, до 1 000 страниц PDF, до 2 000 страниц или слайдов Office, до 50 тыс. ячеек на лист.</li><li>Поддержка DOCX, PPTX и XLSX появилась раньше: 18 ноября Google объявила её вместе с нарезкой, а 5 ноября добавила PPT, ODP и ODS.</li></ul><h2>Что нового, а что было и раньше?</h2><p>В записи журнала изменений от 18 ноября Google пишет, что «теперь можно» передавать файлы Microsoft Office и OpenDocument напрямую. Но по тому же журналу поддержка Office появилась раньше: <a href="https://ai.google.dev/gemini-api/docs/changelog#11-05-2026">5 ноября</a> Google добавила форматы PPT, ODP и ODS, а для DOCX, DOTX, ODT, PPTX, XLSX и XLS обработка тогда, по её словам, «не изменилась». В тот же день ответы функций научились возвращать модели Office-файлы, аудио и видео. По-настоящему новое 18 ноября — нарезка и выбор слоёв.</p><p>Сейчас Gemini API принимает <a href="https://ai.google.dev/gemini-api/docs/document-processing#office-documents">десять офисных форматов</a>: документы .docx, .doc, .dotx, .odt, презентации .pptx, .ppt, .odp и таблицы .xlsx, .xls, .ods. Передаются они так же, как PDF: блоком типа document с соответствующим MIME-типом, inline или через Files API. TXT, Markdown, HTML и XML по-прежнему читаются как простой текст, без вёрстки и графиков.</p><p>Если параметр processing не указан, файл обрабатывается целиком, и поведение зависит от поколения модели:</p><p>Как Gemini читает офисные файлы без настроек</p><table><thead><tr><th>Формат</th><th>Gemini 4 и новее</th><th>Gemini 3 и 2.5</th></tr></thead><tbody><tr><td>.docx, .dotx, .odt, .pptx</td><td>Картинки страниц или слайдов, около 560 токенов на страницу</td><td>Извлечённый текст и вложенные изображения</td></tr><tr><td>.doc, .ppt, .odp</td><td>Картинки страниц или слайдов, около 560 токенов на страницу</td><td>Картинки страниц или слайдов</td></tr><tr><td>.xlsx, .xls</td><td>Все листы: значения, формулы, названия листов</td><td>Все листы как CSV, только значения</td></tr><tr><td>.ods</td><td>Все листы: значения, формулы, названия листов</td><td>Все листы: значения, формулы, названия листов</td></tr></tbody></table><p>Источник: документация Gemini API, раздел Office and OpenDocument files</p><p>Отсюда практический вывод, который легко пропустить: при переходе на Gemini 4 документ Word по умолчанию начинает читаться как набор картинок страниц, а не как текст. Для длинных документов это заметно больше токенов, и как раз здесь нарезка и выбор слоя помогают.</p><h2>Как вырезать страницы, листы и ячейки?</h2><p>Нарезка задаётся объектом processing с типом static прямо в блоке файла (<a href="https://ai.google.dev/gemini-api/docs/document-processing#customize-document-processing">документация</a>). Для PDF, документов и презентаций используется page_options (<a href="https://ai.google.dev/gemini-api/docs/document-processing#page-options">раздел о страницах</a>):</p><ul><li>start_page и end_page — диапазон страниц, нумерация с 1, обе границы включительно. Ноль или отрицательное число дают ошибку 400 INVALID_ARGUMENT, начало за пределами документа даёт пустой срез, а слишком большой конец обрезается до последней страницы.</li><li>content_layers — что отдать модели: page_image (картинка страницы), page_text (извлечённый текст) или оба слоя. Если processing задан, по умолчанию берётся только картинка.</li><li>resolution во внешнем блоке — low, medium или high: около 280, 560 или 1 120 токенов на страницу.</li></ul><p>Пример из документации, переведённый редакцией: модель получает только страницы с 3 по 7 отчёта в высоком разрешении.</p><p>Google сама советует двухпроходную схему для больших документов и презентаций: сначала прочитать файл слоем page_text, а затем запросить page_image в высоком разрешении только для страниц с графиками или плотной вёрсткой.</p><p>Для таблиц .xlsx, .xls и .ods есть spreadsheet_options (<a href="https://ai.google.dev/gemini-api/docs/document-processing#spreadsheet-options">раздел о таблицах</a>). sheet_index выбирает лист по порядку вкладок, начиная с 1; без него читаются все листы, до 50 тыс. ячеек на каждом. visible_cells принимает диапазон в нотации A1, например A1:G40. Слоёв три: data (вычисленные значения), formulas (исходные формулы) и visual (снимок листа с графиками и оформлением); по умолчанию берутся первые два. Так выглядит блок для проверки формул и графика на втором листе:</p><h2>Как это работает с видео и аудио?</h2><p>Для видео в режиме static задаются start_offset и end_offset строками с секундами, например "1200s" или "10.5s", частота кадров fps от 0 (не включая) до 24 и слои content_layers (<a href="https://ai.google.dev/gemini-api/docs/video-understanding#customize-video-processing">документация по видео</a>). Слоёв три: frames — кадры, оплачиваются по разрешению и частоте; audio — звуковая дорожка по аудиотарифу; transcript — расшифровка с таймкодами, оплачивается как текст. По умолчанию берутся кадры и звук.</p><p>Документация <a href="https://ai.google.dev/gemini-api/docs/video-understanding#video-content-layers">предлагает</a> для длинных роликов сначала запросить только расшифровку, найти по ней нужные таймкоды, а потом отправить этот отрезок с кадрами. Второй шаг из примера Google: 45 секунд записи доклада с частотой 2 кадра в секунду, без звука.</p><p>Для аудио всё проще: в блоке audio задаются только start_offset и end_offset, и оплачивается только вырезанная длительность (<a href="https://ai.google.dev/gemini-api/docs/audio#clipping-intervals">документация по аудио</a>). Начало за пределами записи даёт ошибку 400, конец обрезается до длины файла. Аудио по-прежнему стоит 32 токена в секунду, то есть 1 920 токенов в минуту, а в одном запросе можно передать до 9,5 часа звука.</p><p>Нарезку видео не стоит путать с агентным режимом, который <a href="https://ai.google.dev/gemini-api/docs/video-understanding#technical-details-video">поддерживают</a> Gemini 4 Carbon, Gemini 4 Argon, 3.8 Flash, 3.6 Flash и 3.5 Flash-Lite. В агентном режиме модель сама решает, какие кадры и куски расшифровки загрузить, и, по оценке Google, тратит на длинных роликах до 88% меньше токенов. Нарезка в режиме static — ручное управление: отрезок выбирает разработчик, и счёт предсказуем заранее.</p><h2>Зачем нарезка в ответах функций?</h2><p>Самое интересное для агентов — что те же параметры работают внутри function_result (<a href="https://ai.google.dev/gemini-api/docs/function-calling#file-inspection-options">документация по вызову функций</a>). Инструмент агента может вернуть не весь файл, а запрошенные страницы, диапазон ячеек или отрезок видео. Модель автоматически получает метаданные файла — общее число страниц и названия листов — и может на следующем шаге попросить другой диапазон.</p><p>В примере Google разработчик объявляет функцию inspect_document_pages с параметрами start_page и end_page. Модель вызывает её, а код в ответ отдаёт тот же PDF из Files API с page_options, собранными из аргументов вызова. Получается «пагинация» по документу, которой управляет сама модель: ей не нужно держать в контексте весь файл, чтобы найти нужный раздел.</p><h2>Сколько это экономит на деле?</h2><p>Google обещает, что с параметрами processing токены <a href="https://ai.google.dev/gemini-api/docs/document-processing#technical-details">считаются и оплачиваются</a> только за выбранные страницы, листы и слои. Посчитаем на примере. Отчёт на 300 страниц в разрешении medium по умолчанию — около 560 токенов на страницу, или около 168 тыс. токенов. При цене ввода <a href="https://ai.google.dev/gemini-api/docs/pricing#gemini-4-hydrogen">Gemini 4 Hydrogen</a> $1,5 за 1 млн токенов это около $0,25 за каждый запрос с полным документом. Пять нужных страниц — около 2 800 токенов, то есть меньше полуцента. Если же агент обращается к документу десятки раз за сессию, разница становится заметной.</p><p>Для видео ориентиры такие: в режиме static около 100 токенов на секунду при разрешении по умолчанию и около 300 при высоком (<a href="https://ai.google.dev/gemini-api/docs/video-understanding#technical-details-video">технические детали</a>). Час записи — порядка 360 тыс. токенов, пятиминутный отрезок — около 30 тыс. Это расчёт редакции по документации; реальное число зависит от разрешения, частоты кадров и выбранных слоёв.</p><p>Есть и оговорки. Лимиты по размеру применяются ко всему загруженному файлу, даже если нужен один лист: до 50 МБ на файл, до 1 000 страниц на PDF и до 2 000 страниц или слайдов на офисный файл. Страницы рендерятся в картинки около 2 мегапикселей (288 DPI), и разрешение исходника на цену не влияет. А для моделей Gemini 2.5 Google указывает фиксированные 258 токенов на страницу; нарезка, по документации, работает только на Gemini 3 и новее.</p><h2>Что сделать, чтобы попробовать?</h2><ol><li>Проверить доступ: Gemini API официально не поддерживается в России, её <a href="https://ai.google.dev/gemini-api/docs/available-regions">нет в списке регионов</a>.</li><li>Загрузить большой файл через Files API один раз и дальше ссылаться на его URI с разными параметрами processing, а не пересылать файл inline.</li><li>Для длинных документов сначала прочитать их слоем page_text, а page_image в высоком разрешении запрашивать только для страниц с графиками.</li><li>Для таблиц явно указывать sheet_index и visible_cells: без них модель получает все листы.</li><li>При переходе с Gemini 3 на Gemini 4 проверить расход токенов на DOCX и PPTX: по умолчанию они теперь читаются картинками страниц.</li><li>В агентах вернуть из инструмента файл с page_options вместо целого документа и дать модели самой запрашивать следующие страницы.</li></ol><p>Google не уточнила, будут ли нарезка и выбор слоёв перенесены в старый метод generateContent: все примеры в документации написаны для Interactions API. Неделей раньше компания вывела в общий доступ <a href="https://tproger.ru/news/google-vypustila-gemini-4-hydrogen-s-besplatnym-dostupom-v-api">Gemini 4 Hydrogen</a> — на ней построены все примеры документации к новой функции. Про другие способы работы с видеозаписями мы писали в <a href="https://tproger.ru/articles/kak-perevesti-video-v-tekst-i-tajmkody-v-2026-godu-5-rabochih-sp">обзоре инструментов расшифровки</a>.</p><p>Источники: <a href="https://ai.google.dev/gemini-api/docs/changelog#11-18-2026">Gemini API: журнал изменений, 18 ноября 2026</a>, <a href="https://ai.google.dev/gemini-api/docs/document-processing#customize-document-processing">Document understanding: Customize processing</a>, <a href="https://ai.google.dev/gemini-api/docs/video-understanding#customize-video-processing">Video understanding: Customize video processing</a>, <a href="https://ai.google.dev/gemini-api/docs/audio#clipping-intervals">Audio understanding: Clip audio intervals</a>, <a href="https://ai.google.dev/gemini-api/docs/function-calling#file-inspection-options">Function calling: Slice and inspect files</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Gemini 3.5 Transcribe научилась править текст голосовыми командами</title>
      <link>https://tproger.ru/news/gemini-3-5-transcribe-nauchilas-pravit-tekst-golosovymi-komanda</link>
      <comments>https://tproger.ru/news/gemini-3-5-transcribe-nauchilas-pravit-tekst-golosovymi-komanda?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/gemini-3-5-transcribe-nauchilas-pravit-tekst-golosovymi-komanda</guid>
      <description><![CDATA[<p>Модели gemini-3.5-transcribe и transcribe-live правят текст голосовыми командами: source_text до 64 КиБ, режим smart, цена около $0,005 за минуту.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/gemini-3-5-transcribe-nauchilas-pravit-tekst-golosovymi-komanda">Gemini 3.5 Transcribe научилась править текст голосовыми командами</a>»</p>]]></description>
      <category><![CDATA[API]]></category>
      <category><![CDATA[Google]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 13:47:01 GMT</pubDate>
      <content:encoded><![CDATA[<p>Google 17 ноября добавила в модели распознавания речи gemini-3.5-transcribe и gemini-3.5-transcribe-live голосовое редактирование: теперь голосом можно не только надиктовать текст, но и исправить, переписать или отформатировать его, в том числе уже готовый текст, переданный в запросе. Об этом говорится в <a href="https://ai.google.dev/gemini-api/docs/changelog#11-17-2026">журнале изменений Gemini API</a>. Функция работает и для записанных файлов, и в потоковом режиме через Live API.</p><p>Для разработчика это значит, что связку «распознать речь, потом отдать текст языковой модели с инструкцией „поправь“» можно заменить одним вызовом модели распознавания. Фраза «перенеси встречу на 15:30» больше не попадёт в документ дословно: модель поймёт, что это команда, применит её к тексту и вернёт результат целиком. Это пригодится тем, кто делает голосовой ввод в заметках, почте, тикетах и редакторах.</p><ul><li>Голосовое редактирование появилось 17 ноября 2026 года в gemini-3.5-transcribe (файлы) и gemini-3.5-transcribe-live (поток через Live API).</li><li>Оно включено по умолчанию в «умном» режиме транскрибации (mode: smart); в дословном режиме verbatim его нет.</li><li>Готовый текст для правки передаётся в поле source_text размером до 64 КиБ; модель возвращает весь исправленный текст, а не только изменения.</li><li>Умный режим несовместим с пословными таймкодами и разметкой спикеров; Live-сессия длится до 10 минут.</li><li>Цены не менялись: около $0,005 за минуту для Transcribe и около $0,009 за минуту для Transcribe Live, по оценке Google.</li></ul><h2>Что именно умеет голосовое редактирование?</h2><p>Модели Gemini 3.5 Transcribe вышли <a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/">26 августа 2026 года</a>. У них два режима транскрибации (<a href="https://ai.google.dev/gemini-api/docs/transcribe#transcription-modes">документация</a>). Дословный verbatim включён по умолчанию и записывает всё сказанное, включая «эм», повторы и оговорки. «Умный» smart чистит речь: убирает слова-паразиты и фальстарты, сам применяет оговорки вроде «во вторник, нет, в среду», раскладывает перечисления в нумерованные списки и форматирует даты, суммы и числа.</p><p>Голосовое редактирование стало частью умного режима и <a href="https://ai.google.dev/gemini-api/docs/transcribe#voice-editing">включено в нём по умолчанию</a>. Пользователь может в одной записи надиктовать текст и тут же дать голосовую команду, например «удали второе предложение». А можно передать уже существующий текст в поле source_text, и тогда сказанное будет применено к нему как инструкция. Модель возвращает в output_text полный обновлённый текст.</p><p>В документации Google приводит пять типов правок с примерами на английском (здесь в пересказе редакции):</p><ul><li><b>точечная замена</b>: «поменяй время на 15:30 и упомяни, что будет видеосвязь» — меняется время и добавляется упоминание видеосвязи, остальной текст сохраняется;</li><li><b>смена тона</b>: «сделай формальнее» — разговорная фраза переписывается официальным стилем;</li><li><b>структура</b>: «оформи пункты как нумерованный список» — перечисление в строке превращается в список;</li><li><b>дописывание</b>: «добавь предложение с вопросом, можно ли завтра утром обсудить задержки» — новый текст дописывается в конец;</li><li><b>удаление</b>: «удали второе предложение».</li></ul><p>Похожую функцию пользователи Android уже видели: в <a href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/">августовском анонсе</a> Google писала, что в Gboard режим Rambler на этой модели позволяет голосом исправлять опечатки и менять стиль текста. Теперь то же поведение <a href="https://ai.google.dev/gemini-api/docs/changelog#11-17-2026">открыто в API</a>. Русский язык (ru-RU) входит в список поддерживаемых, но примеры правок в документации только на английском, и отдельных оценок качества редактирования Google не публиковала.</p><h2>Как включить правку текста в запросе?</h2><p>Для обычной модели запрос идёт через Interactions API. Чтобы просто диктовать с голосовыми правками, достаточно указать "mode": "smart". Чтобы править готовый текст, режим задаётся объектом с типом smart и полем source_text. Пример по мотивам <a href="https://ai.google.dev/gemini-api/docs/transcribe#voice-editing">документации</a> (текст и команда переведены редакцией):</p><p>Каждый такой запрос независим: сервер не помнит предыдущий текст. Для цепочки правок Google <a href="https://ai.google.dev/gemini-api/docs/transcribe#voice-editing">советует</a> передавать output_text из прошлого ответа в source_text следующего запроса. Размер source_text ограничен 64 КиБ (65 536 байт); для кириллицы в UTF-8, где буква занимает 2 байта, это примерно 32 тыс. символов.</p><p>В потоковом режиме всё устроено иначе (<a href="https://ai.google.dev/gemini-api/docs/live-api/live-transcribe#voice-editing">документация Live</a>). Режим SMART задаётся в input_audio_transcription при открытии сессии, а сервер сам держит текущий текст и после каждой законченной реплики применяет к нему новую команду. Начать можно с пустого поля или передать исходный текст один раз при настройке сессии:</p><p>Google советует сочетать голосовое редактирование с ручным определением активности голоса (режим push-to-talk, когда клиент сам отмечает начало и конец реплики), чтобы паузы, пока человек обдумывает команду, не обрывали реплику раньше времени.</p><h2>Где можно ошибиться при интеграции?</h2><p>Документация перечисляет несколько ловушек, о которые легко споткнуться при переходе с дословного режима (<a href="https://ai.google.dev/gemini-api/docs/live-api/live-transcribe#smart-transcription">раздел про умный режим</a>):</p><ul><li>В Live-режиме SMART поле server_content.input_transcription.text на каждой реплике содержит весь текст сессии, а не только новый фрагмент. Клиент должен заменять буфер документа, а не дописывать в него, иначе прошлые реплики продублируются.</li><li>Промежуточные interim_input_transcription в умном режиме показывают дословно произносимую команду, а не отредактированный документ. Обновлять текст нужно только по финальному input_transcription.</li><li>Если команда стёрла весь текст («удали всё»), поле text приходит незаполненным, и его надо трактовать как пустую строку.</li><li>source_text принимается только при настройке Live-сессии. Если пользователь поправил текст с клавиатуры посреди сессии, придётся переподключиться и передать новый текст.</li></ul><p>Есть и ограничения модели (<a href="https://ai.google.dev/gemini-api/docs/transcribe#limitations">раздел ограничений</a>). Умный режим нельзя совмещать с пословными таймкодами и разметкой спикеров: если нужны они, остаётся дословный режим. Обычная модель принимает аудио до часа (до 30 минут с разметкой спикеров или таймкодами), а более длинная запись обрезается молча, со статусом completed. <a href="https://ai.google.dev/gemini-api/docs/live-api/live-transcribe#limitations">Live-сессия</a> длится до 10 минут, разметки спикеров и пословных таймкодов в потоке нет. Словарь терминов принимает до 1 000 слов, но лучший результат, по данным Google, обычно получается при сотне.</p><h2>Сколько это стоит и кому пригодится?</h2><p>Отдельной платы за голосовое редактирование в документации нет, тарифы моделей указаны прежние (<a href="https://ai.google.dev/gemini-api/docs/pricing#gemini-3.5-transcribe">страница цен</a>). На бесплатном уровне обе модели бесплатны, но данные на нём Google может использовать для улучшения своих продуктов. На платном уровне:</p><p>Цены Gemini 3.5 Transcribe на платном уровне</p><table><thead><tr><th>Модель</th><th>Вход (аудио)</th><th>Выход (текст)</th><th>Оценка Google за минуту</th></tr></thead><tbody><tr><td>gemini-3.5-transcribe</td><td>$2 за 1 млн токенов (около $0,003 в минуту)</td><td>$12 за 1 млн токенов (около $0,002 в минуту)</td><td>около $0,005</td></tr><tr><td>gemini-3.5-transcribe-live</td><td>$3,5 за 1 млн токенов (около $0,005 в минуту)</td><td>$21 за 1 млн токенов (около $0,004 в минуту)</td><td>около $0,009</td></tr></tbody></table><p>Источник: страница цен Gemini API; оценка Google исходит из 25 аудиотокенов в секунду на входе и 175 текстовых токенов в минуту на выходе</p><p>Оговорка из нашего прочтения цен: оценка за минуту рассчитана на обычную расшифровку, где на выходе около 175 токенов в минуту. При редактировании модель каждый раз возвращает весь текст целиком. Поэтому правка длинного документа короткой голосовой командой, по нашей оценке, обойдётся дороже минутной оценки: основную часть счёта составит выходной текст, а не аудио. Как тарифицируется сам source_text на входе, документация отдельно не поясняет.</p><p>Кому это полезно: тем, кто встраивает диктовку в рабочие инструменты (заметки, почта, CRM, тикеты, редакторы кода) и сейчас пишет поверх распознавания отдельный слой с LLM для правок. Для голосовых агентов, которые <a href="https://tproger.ru/articles/kak-sobrat-golosovogo-ii-agenta-v-2026-godu-livekit-pipecat-i">собирают на LiveKit или Pipecat</a>, это не замена диалоговой модели: Live Transcribe — конвейер распознавания речи, он не ведёт разговор. Тем, кому нужна расшифровка встреч с таймкодами и спикерами, обновление ничего не меняет: эти функции живут в дословном режиме, где правок нет. Другие способы расшифровки мы собирали в <a href="https://tproger.ru/articles/kak-perevesti-video-v-tekst-i-tajmkody-v-2026-godu-5-rabochih-sp">отдельном материале</a>.</p><h2>Что сделать, чтобы попробовать?</h2><ol><li>Проверить доступ: Google AI Studio и Gemini API официально не поддерживаются в России, её <a href="https://ai.google.dev/gemini-api/docs/available-regions">нет в списке регионов</a>; Казахстан, Армения, Узбекистан и Грузия в списке есть.</li><li>Взять SDK google-genai с поддержкой Interactions API и указать api_version: v1beta, как в примерах документации.</li><li>Для диктовки с правками выставить transcription_config.mode = "smart", для правки готового текста передать объект {"type": "smart", "source_text": ...}.</li><li>В Live-клиенте заменить дописывание на замену буфера по финальному input_transcription и включить ручной VAD.</li><li>Попробовать без кода можно в <a href="https://aistudio.google.com/live?model=gemini-3.5-transcribe-live">Google AI Studio</a>.</li></ol><p>Google не сообщила, появится ли голосовое редактирование в дословном режиме и будут ли опубликованы замеры качества правок. <a href="https://ai.google.dev/gemini-api/docs/models/gemini-3.5-transcribe">Страница модели</a> по-прежнему указывает август 2026 года как последнее обновление: новая функция пришла как изменение API, без новой версии модели. Из соседних обновлений Gemini API на прошлой неделе — быстрая модель <a href="https://tproger.ru/news/google-vypustila-gemini-4-hydrogen-s-besplatnym-dostupom-v-api">Gemini 4 Hydrogen</a>, которую Google вывела в общий доступ 12 ноября.</p><p>Источники: <a href="https://ai.google.dev/gemini-api/docs/changelog#11-17-2026">Gemini API: журнал изменений, 17 ноября 2026</a>, <a href="https://ai.google.dev/gemini-api/docs/transcribe#voice-editing">Audio transcription: Voice editing</a>, <a href="https://ai.google.dev/gemini-api/docs/live-api/live-transcribe#voice-editing">Live transcription: Voice editing</a>, <a href="https://ai.google.dev/gemini-api/docs/pricing#gemini-3.5-transcribe">Цены Gemini API</a></p><p>Изображение на обложке: Google</p>]]></content:encoded>
    </item>
    <item>
      <title>Vibe от Mistral вышел на десктопе и ведёт несколько агентов в одном окне</title>
      <link>https://tproger.ru/news/vibe-ot-mistral-vywel-na-desktope-i-vedyot-neskolko-agentov-v-od</link>
      <comments>https://tproger.ru/news/vibe-ot-mistral-vywel-na-desktope-i-vedyot-neskolko-agentov-v-od?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/vibe-ot-mistral-vywel-na-desktope-i-vedyot-neskolko-agentov-v-od</guid>
      <description><![CDATA[<p>Vibe Desktop запускает агента локально или в облаке, ведёт задачи в worktree и подсессиях; Pro стоит $14,99, код LECHONK даёт три месяца в Европе.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/vibe-ot-mistral-vywel-na-desktope-i-vedyot-neskolko-agentov-v-od">Vibe от Mistral вышел на десктопе и ведёт несколько агентов в одном окне</a>»</p>]]></description>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Разработка]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 13:29:00 GMT</pubDate>
      <content:encoded><![CDATA[<p>Mistral выпустила свой агент для программирования Vibe в виде настольного приложения для macOS и Windows: компания <a href="https://x.com/MistralAI/status/2122713547952324750">впервые упомянула</a> Vibe Desktop 17 ноября, а 18 ноября <a href="https://x.com/MistralAI/status/2123073168659141119">анонсировала его отдельно</a> и добавила промокодов на бесплатный Pro. В одном окне можно запускать агента на локальном репозитории или в облачной песочнице, вести несколько задач параллельно, смотреть дифф и следить за пулреквестами. Версия для Linux, <a href="https://docs.mistral.ai/vibe/code/desktop/overview">по документации</a>, появится позже.</p><p>Для разработчика это первый у Mistral графический клиент, где локальная работа из Vibe CLI и облачные сессии из веб-версии Vibe Code собраны вместе. Ставить CLI отдельно не нужно: приложение использует то же ядро агента и те же журналы сессий, но сам CLI внутри не запускает. Вместе с релизом Mistral второй день подряд раздаёт европейским разработчикам код LECHONK на бесплатный тариф Pro, но коды заканчиваются быстро.</p><ul><li>Vibe Desktop доступен для macOS и Windows, Linux обещан позже; приложение не требует установки Vibe CLI.</li><li>Работает в двух режимах: локальная сессия в вашем клоне репозитория и облачная сессия в песочнице с доступом через GitHub.</li><li>Параллельные задачи разводятся по Git worktree, подсессиям и субагентам; у субагентов окна только для чтения.</li><li>Pro стоит $14,99 в месяц без налогов, для проверенных студентов $5,99; агенты и «кодинг весь день» доступны с Pro.</li><li>Код LECHONK даёт Pro на три месяца разработчикам в Европе; 17 ноября коды кончились примерно за час, 18 ноября пользователи жаловались на то же через 13 минут.</li></ul><h2>Что умеет Vibe Desktop?</h2><p>Основная единица работы — сессия, то есть разговор с агентом, открытый на конкретном репозитории. При создании сессии выбирается среда. Локальная сессия работает с вашими файлами, шеллом, сервисами и окружением разработки: так стоит делать, когда клон уже есть или нужно тестировать против локальных зависимостей. Облачная сессия запускается в удалённой песочнице и получает репозиторий напрямую с GitHub, как в веб-версии Vibe Code, сказано в <a href="https://docs.mistral.ai/vibe/code/desktop/overview">обзоре Desktop</a>.</p><p>Mistral отдельно оговаривает, что общее ядро не значит одинаковое поведение. Локальные сессии Desktop используют движок агента и журналы сессий CLI, но набор инструментов, их реализация и системные промпты в разных интерфейсах могут отличаться. Если вы настроили агента в CLI под свой проект, в Desktop его стоит проверить заново.</p><p>Рядом с чатом приложение показывает панели, привязанные к выбранной сессии (<a href="https://docs.mistral.ai/vibe/code/desktop/follow-work">документация</a>):</p><ul><li><b>Files</b> — дерево репозитория и просмотр файлов во вкладках;</li><li><b>Git Changes</b> — дифф изменений сессии в режимах Unified и Split;</li><li><b>Terminal</b> — свой терминал рядом с агентом; в локальной сессии команды идут в вашем окружении;</li><li><b>Background processes</b> — сборки, dev-серверы и вотчеры, которые агент запустил в фоне, с живым выводом и кнопкой Stop;</li><li><b>Browser</b> — встроенный браузер для документации, issue и дашбордов;</li><li><b>Pull requests</b> — список пулреквестов с номерами и статусами, например Conflicts; PR открывается во встроенном браузере;</li><li><b>Debug</b> — отдельная панель отладки.</li></ul><p>Важная деталь из документации: панели принадлежат сессии, а не проекту. Две локальные сессии в одном клоне видят одни и те же файлы, поэтому, переключаясь между разговорами, легко запустить команду или остановить процесс не в той сессии.</p><p>Кроме режима Code в приложении есть режим Work: Vibe теперь объединяет бывший чат-ассистент Le Chat и агента для кода, переписки и тарифы <a href="https://mistral.ai/products/vibe">перенесены</a>. В палитре команд Desktop есть переключение Work и Code и запись заметок со встречи (<a href="https://docs.mistral.ai/vibe/code/desktop/organize-conversations">раздел о навигации</a>).</p><h2>Как в нём вести несколько задач одновременно?</h2><p>Ради параллельной работы приложение и выпускали: в <a href="https://x.com/MistralAI/status/2122713547952324750">первом анонсе 17 ноября</a> Mistral описала его как место, где можно «дать Vibe несколько задач сразу, смотреть, как агенты работают бок о бок, а потом проверить их диффы и отслеживать пулреквесты в том же окне» (перевод редакции). Документация разделяет три механизма (<a href="https://docs.mistral.ai/vibe/code/desktop/parallel-tasks">Work on parallel tasks</a>):</p><ul><li><b>Git worktree</b> — отдельный рабочий каталог того же репозитория, обычно на другой ветке. История Git общая, файлы разные, текущий клон не трогается. Агента просят создать worktree до начала правок.</li><li><b>Подсессии</b> — отдельные разговоры под главной сессией, видны в боковой панели проекта. Главная сессия раздаёт им части задачи и получает от них сообщения с результатами.</li><li><b>Субагенты</b> — делегированные агенты, которых главный агент запускает сам. Их окна только для чтения: видно инструкцию, шаги и статус (Running, Waiting for input, Idle, Failed), но писать им можно только через главного агента.</li></ul><p>Отдельный разговор не изолирует файлы: две подсессии в одном каталоге будут править одни и те же исходники. Mistral советует сочетать подсессии и worktree, если задачи меняют один репозиторий независимо. И даже worktree изолирует только рабочие файлы: зависимостям, переменным окружения, внешним сервисам и портам может понадобиться отдельная настройка. Два dev-сервера не смогут занять один порт только потому, что живут в разных worktree.</p><p>Похожий набор приёмов уже есть у конкурентов: фоновые задачи и импорт истории сессий между агентами <a href="https://tproger.ru/news/koding-agenty-nauchilis-perenosit-sessii-i-rabotat-v-fone">появились у нескольких кодинг-агентов</a> этой осенью. Desktop приводит Vibe к той же модели работы.</p><h2>Чем Desktop отличается от CLI, расширения VS Code и веб-версии?</h2><p>У Vibe Code теперь четыре интерфейса. Mistral свела их в <a href="https://docs.mistral.ai/vibe/code/choose-cli-vscode-web-sessions">таблицу сравнения</a>; ниже её основные строки.</p><p>Четыре интерфейса Vibe Code</p><table><thead><tr><th>Параметр</th><th>CLI</th><th>VS Code</th><th>Vibe Code Web</th><th>Vibe Desktop</th></tr></thead><tbody><tr><td>Установка</td><td>Нужна</td><td>Нужна</td><td>Не нужна</td><td>Нужно приложение</td></tr><tr><td>Доступ к репозиторию</td><td>Локальный клон</td><td>Локальный клон</td><td>Через GitHub</td><td>Клон (локально) или GitHub (облако)</td></tr><tr><td>Файлы и шелл</td><td>Локальное дерево</td><td>Локальное дерево через ACP</td><td>Удалённая песочница</td><td>Локальное дерево или песочница</td></tr><tr><td>Свои агенты, skills, MCP</td><td>Да</td><td>Да</td><td>Да</td><td>Да</td></tr><tr><td>Неинтерактивный режим</td><td>Да, vibe --prompt</td><td>Нет</td><td>Нет</td><td>Нет</td></tr><tr><td>Где живёт сессия</td><td>Локально, общая с VS Code</td><td>Локально, общая с CLI</td><td>Облако Mistral</td><td>Локально или в облаке</td></tr></tbody></table><p>Источник: документация Mistral Vibe</p><p>Отсюда практическое правило. Для CI и скриптов по-прежнему нужен CLI: только у него есть режим vibe --prompt без участия человека. CLI и расширение VS Code делят конфигурацию и историю, поэтому сессию можно начать в терминале и продолжить в редакторе. Desktop удобен, когда хочется видеть несколько агентов, их диффы и PR в одном окне и переключаться между локальной и облачной работой.</p><p>Кроме того, Vibe реализует Agent Client Protocol (ACP, открытый протокол подключения агентов к редакторам) и опубликован в реестре ACP, так что агента можно подключить к IDE JetBrains и другим совместимым клиентам; на странице продукта упомянут и Zed.</p><h2>Сколько стоит Vibe и как получить Pro бесплатно?</h2><p>На <a href="https://mistral.ai/pricing">странице тарифов</a> у Vibe четыре плана. Free даёт ограниченное число сообщений, поисков и сессий программирования. Pro стоит $14,99 в месяц без налогов и, по описанию Mistral, открывает агентов, длинные задачи и «кодинг весь день» в CLI, IDE и вебе с ограничениями добросовестного использования. Team стоит $24,99 за пользователя в месяц, Enterprise — по запросу. Проверенные студенты аккредитованных вузов, которые раньше не пользовались Vibe или Le Chat, могут взять Pro за $5,99 в месяц на срок до 12 месяцев. Нужен ли Pro именно для режима Code в Desktop, Mistral отдельно не пишет.</p><p>Бесплатный Pro Mistral приурочила к тому, что, по её словам, связка Vibe и модели Mistral Large 4, она же Le Chonk (<a href="https://tproger.ru/news/mistral-vylozhila-vesa-large-4-i-vdvoe-snizila-cenu-api-protiv-pr">мы писали о выпуске её весов</a>), стала лучшей в мире парой открытой модели и агентной обвязки. 17 ноября Mistral <a href="https://x.com/MistralAI/status/2122713540666806397">объявила</a>, что делает Vibe бесплатным в Европе на первые три месяца по коду LECHONK, «в ограниченное время, пока коды не кончатся». Примерно через час, в 19:27 мск, компания <a href="https://x.com/MistralAI/status/2122728226531545138">сообщила</a>, что коды на сегодня закончились.</p><p>18 ноября в анонсе Desktop Mistral написала, что добавила кодов, и дала ту же ссылку на активацию. Через 13 минут после публикации один из пользователей <a href="https://x.com/vivescene/status/2123076489960698154">выложил скриншот</a> с сообщением «This code is no longer available». Сколько кодов выпущено и когда будет следующая партия, компания не говорит.</p><p>Условия акции Mistral в анонсе <a href="https://x.com/MistralAI/status/2122713550774804919">не раскрыла</a>, ограничившись фразой «Terms apply». Активация проверяет страну: у пользователя из Французской Полинезии сервис ответил «This offer isn't available in your country» (<a href="https://x.com/guybedo/status/2122717990747865488">скриншот</a>). Список стран, которые Mistral считает Европой, не опубликован.</p><p>Сама Mistral утверждает, что связка Vibe и Le Chonk лучшая среди открытых моделей на бенчмарках FrontierCode и Terminal-Bench. Это заявление компании. При этом цифры сильно зависят от обвязки: в анонсе 29 октября Mistral привела для Large 4 в режиме high 41% на Terminal-Bench 4.0 при работе в Vibe, а в общей обвязке Artificial Analysis у той же модели в том же режиме около 25%.</p><h2>Как попробовать Vibe Desktop?</h2><ol><li>Скачайте приложение <a href="https://chat.mistral.ai/download/vibe-desktop/mac?from=website">для macOS</a> или <a href="https://chat.mistral.ai/download/vibe-desktop/windows?from=website">для Windows</a> со <a href="https://mistral.ai/products/vibe">страницы продукта</a> и войдите в аккаунт Mistral.</li><li>Переключитесь в режим Code и откройте локальную сессию на репозитории. Если клона нет, выберите облачную сессию и подключите GitHub.</li><li>Начните с маленькой проверяемой задачи. Mistral в <a href="https://docs.mistral.ai/vibe/code/desktop/first-coding-task">первом руководстве</a> предлагает починить один падающий тест и приложить к промпту реальный вывод ошибки.</li><li>Проверьте результат в Git Changes и прогоните тесты сами в Terminal, прежде чем коммитить.</li></ol><p>Пример промпта из документации, его стоит адаптировать под свой проект:</p><p>Документация много раз повторяет одну мысль: остановка агента не значит, что задача готова, а его итоговая сводка не заменяет вывод команды. Mistral прямо пишет, что успешный прогон тестов — довод в пользу исправления, но не замена ревью (<a href="https://docs.mistral.ai/vibe/code/desktop/review-changes">Review changes</a>). Создание PR тоже не равно его слиянию: панель пулреквестов только показывает статусы, а при конфликте агента просят разрешить его, не сливая ветку.</p><p>Ограничения на старте: нет версии для Linux; горячие клавиши в документации описаны только для macOS (Cmd+K — палитра команд, Cmd+1–9 — переключение сессий); неинтерактивного режима для автоматизации у Desktop нет.</p><p>Что дальше: Mistral обещает Linux без даты. Стоит посмотреть, как поведёт себя изоляция локальных сессий на реальных проектах: в <a href="https://tproger.ru/news/mistral-rasskazala-kak-agent-large-4-sbezhal-iz-pesochnicy-i-polu">техотчёте Large 4</a> компания сама описывала, как агенты при обучении выходили из песочницы. По нашей оценке, для локальной сессии с доступом к шеллу и окружению это аргумент держать запросы на подтверждение команд включёнными.</p><p>Источники: <a href="https://x.com/MistralAI/status/2123073168659141119">Mistral AI в X: Vibe на десктопе, 18 ноября</a>, <a href="https://x.com/MistralAI/status/2122713540666806397">Mistral AI в X: акция LECHONK, 17 ноября</a>, <a href="https://x.com/MistralAI/status/2122728226531545138">Mistral AI в X: коды закончились, 17 ноября</a>, <a href="https://docs.mistral.ai/vibe/code/desktop/overview">Документация: Code on Desktop</a>, <a href="https://docs.mistral.ai/vibe/code/desktop/first-coding-task">Документация: Your first coding task</a>, <a href="https://docs.mistral.ai/vibe/code/desktop/follow-work">Документация: Follow and inspect work</a>, <a href="https://docs.mistral.ai/vibe/code/desktop/parallel-tasks">Документация: Work on parallel tasks</a>, <a href="https://docs.mistral.ai/vibe/code/desktop/review-changes">Документация: Review changes and pull requests</a>, <a href="https://docs.mistral.ai/vibe/code/desktop/organize-conversations">Документация: Organize your conversations</a>, <a href="https://docs.mistral.ai/vibe/code/choose-cli-vscode-web-sessions">Документация: Choose CLI, VS Code, web, or Desktop sessions</a>, <a href="https://mistral.ai/products/vibe">Mistral: страница продукта Vibe</a>, <a href="https://mistral.ai/pricing">Mistral: тарифы</a></p><p>Изображение на обложке: Mistral AI, кадр из видео анонса</p>]]></content:encoded>
    </item>
    <item>
      <title>Долг понимания: мечтают ли ИИ-агенты о риск-менеджменте?</title>
      <link>https://tproger.ru/articles/dokazat-ne-znachit-ponyat</link>
      <comments>https://tproger.ru/articles/dokazat-ne-znachit-ponyat?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Дима Дмитриев]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/dokazat-ne-znachit-ponyat</guid>
      <description><![CDATA[<p>Что такое долг понимания при внедрении ИИ-агентов и как управлять связанными рисками: оценивать полномочия и цену ошибок, проводить независимые проверки, настраивать мониторинг и сохранять контроль над автономными системами.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/dokazat-ne-znachit-ponyat">Долг понимания: мечтают ли ИИ-агенты о риск-менеджменте?</a>»</p>]]></description>
      <category><![CDATA[Машинное обучение]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Разработка]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 12:18:40 GMT</pubDate>
      <content:encoded><![CDATA[<p>Компании полагаются на ИИ больше, чем успевают проверять и контролировать. Так накапливается «долг понимания», почти незаметный на дашбордах. Точность в норме, экономика сходится, а вот время диагностики растёт, ход решений уже не восстановить, и всё держится на одном-двух людях. Способа свести такой долг к одному числу я не знаю, поэтому предлагаю посмотреть на него глазами банковского риск-менеджмента, от экспозиции и цены ошибки до независимости проверок и погашения долга.</p><p>Поводом для этой статьи стал <a href="https://www.youtube.com/watch?v=ZAzWPE9CItg">выпуск 503</a> подкаста Лекса Фридмана «AI Crisis in Math» (от 26 октября 2026), о котором я даже написал короткую <a href="https://t.me/va_friday_ai/650">заметку</a>. Разговор там был о будущем математики, но зацепила меня вполне практическая проблема: Claude формализовал доказательство Великой теоремы Ферма, а OpenAI опубликовала сотни рукописей с заявленными результатами. И теперь самое трудное это не получение новых результатов, а их проверка и осмысление.</p><p>Я Вадим Аюев. В Альфа-Банке сначала руководил моделированием в розничных рисках, затем — дирекцией моделей и методов продвинутой аналитики, а сейчас возглавляю дирекцию по разработке лингвистических моделей. Мы занимаемся NLP, GenAI и ИИ-агентами, поэтому вопросы качества моделей, их контроля и рисков применения для меня совсем не теоретические. ИИ-системы работают, приносят пользу и проходят предусмотренные проверки, а разобраться в их поведении становится всё сложнее.</p><h2>Доказать — не значит понять</h2><p>4 сентября <a href="https://www.anthropic.com/research/formalizing-fermats-last-theorem">Anthropic сообщила</a>, что Claude за 11 дней, почти без участия людей, формализовал доказательство Великой теоремы Ферма на языке Lean. Объём — 13 миллионов строк кода и около 29500 промежуточных теорем. Это формализация известного доказательства, а не новое математическое открытие, но ещё недавно ожидалось, что подобная работа потребует многих лет усилий большого сообщества математиков.</p><p>OpenAI тем временем <a href="https://openai.com/index/navier-stokes-solution/">объявила</a> о новых результатах для отдельных вариантов постановки задачи Навье–Стокса — ИИ нашёл конструкцию, в которой при гладкой внешней силе решение за конечное время приходит к сингулярности. А 6 октября <a href="https://openai.com/index/sharing-ai-progress-in-mathematics/">опубликовала</a> сразу 722 математические рукописи (правда, уже на следующий день 3 из них пришлось отозвать из-за ошибки в знаке, ещё 14 исправить). Филдсовский лауреат Теренс Тао в <a href="https://www.nature.com/articles/d41586-026-03389-1">колонке Nature</a> называет происходящее своеобразным «несварением доказательств»: математики не успевают осмыслять результаты с той скоростью, с которой ИИ их производит.</p><p>Но даже там, где доказательство уже формализовано, остаётся вопрос: «Что именно проверено?» Lean проверяет корректность логических шагов относительно заданных аксиом, определений и утверждений. Поэтому в проекте Anthropic формальную запись теоремы Ферма отдельно сверили с её формулировкой в Mathlib. Ведь Lean не гарантирует, что человек хотел доказать именно то, что записано на формальном языке. И уж тем более не обеспечивает понимания идеи, на которой доказательство построено. Как сформулировал Алекс Конторович, один из гостей подкаста, математика — это не столько установление факта, сколько поиск ответа на вопрос «Почему?».</p><p>Это не просто теоретическое ограничение. Александр Бастунис, Фабиан Чирчелли и Андерс Хансен в своей <a href="https://arxiv.org/pdf/2610.08144">работе</a> сравнили математический текст OpenAI с его формализацией в Lean и нашли расхождения (например, в одной из лемм текст использует оценку, требующую 4 дополнительных производных, а формальная версия — 5). То есть Lean проверил более слабое утверждение, чем было заявлено в тексте. Это не доказывает ошибочность итогового результата OpenAI, но иллюстрирует, <b>почему только машинной проверки недостаточно.</b></p><p>Интересный подход предложила Axiom, опубликовавшая 4 ноября <a href="https://stacks.axiommath.ai/">формализацию</a> Stacks Project — гигантского справочника по алгебраической геометрии. Формальные утверждения, сверенные людьми с оригиналом, попадают в StacksCore. А написанное агентами и проверенное Lean, но пока не изученное людьми, остаётся в StacksFrontier. Так становится видно, что проверила машина, а что ещё и человек.</p><p>Получается, имеет смысл разделить проверку результата на 3 вопроса.</p><ul><li>Во-первых, корректно ли доказательство внутри формальной системы? Тут Lean почти безупречен.</li><li>Во-вторых, доказано ли то самое, что мы хотели доказать? Это отдельная проверка, и как раз на ней Бастунис с соавторами нашли расхождения.</li><li>В-третьих, понимаем ли мы результат достаточно хорошо, чтобы им пользоваться? А здесь одной корректности уже недостаточно. Программистам это кое-что может напомнить.</li></ul><h2>Где-то мы это уже видели: зелёные тесты и неверная задача</h2><p>В ИТ подобные ситуации знакомы давно. В 2023 году DeepMind представила <a href="https://deepmind.google/blog/alphadev-discovers-faster-sorting-algorithms/">AlphaDev</a> — систему, которая с помощью обучения с подкреплением нашла более быстрые процедуры сортировки, исследуя последовательности машинных инструкций (сейчас вошли в стандартную библиотеку LLVM libc++). В 2025 году появилась <a href="https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/">AlphaEvolve</a>, которая нашла алгоритм умножения комплексных матриц 4×4 за 48 скалярных умножений вместо 49, а её эвристика планирования задач сэкономила Google около 0.7% вычислительных ресурсов дата-центров.</p><p>Делать отсюда вывод, что ИИ уже создаёт непостижимые для человека алгоритмы, было бы неправильно, и DeepMind подчёркивает, что эвристика AlphaEvolve — понятный и удобный в сопровождении код. Эти примеры показывают, что ИИ находит эффективные решения, не объясняя человеку всю логику поиска. И главное, результат их работы легко проверить — отсортирован ли массив, верно ли перемножены матрицы, сократилось ли время расчёта. Джейсон Вей называет это асимметрией верификации и выводит из неё <a href="https://www.jasonwei.net/blog/asymmetry-of-verification-and-verifiers-law">«правило верификатора»</a>: ИИ тем легче осваивает задачу, чем быстрее и объективнее можно проверить результат.</p><p>С корпоративными системами всё сложнее, ведь сначала нужно убедиться, что правильно сформулирована сама задача. Представим, что несколько ИИ-агентов проектируют архитектуру приложения, пишут код, создают тесты и исправляют ошибки быстрее, чем инженеры успевают разобраться в его устройстве. Функциональные, интеграционные и нагрузочные тесты проходят успешно, но соответствия ожиданиям бизнеса это ещё не гарантирует. Полная формальная спецификация есть далеко не всегда, требования бывают противоречивыми, а часть ограничений живёт только в головах людей. Работающий код и корректный код никогда не были синонимами. Именно поэтому ИИ-разработка без качественных БФТ (бизнес-функциональных требований) может обернуться неприятными сюрпризами.</p><p>С ошибками в постановке задачи мы в Альфе сталкивались и без автономных агентов, причём случаи бывали весьма болезненные. В одном из проектов требования составили наспех, а бизнес-заказчик делегировал их согласование рядовому аналитику и сам в детали не погрузился. Команда добросовестно работала над промтами и настройкой модели, но решала, как оказалось, не совсем ту задачу, которая была нужна бизнесу. Итог не устроил заказчика, разбор дошёл чуть ли не до топ-менеджмента, и значительную часть работы пришлось переделывать.</p><p>Не менее опасно, когда тесты пишет та же модель, что и код. Допустим, в требованиях сказано: «Возвращать клиенту стоимость доставки при отмене заказа до передачи курьеру», а агент понимает это как «До доставки клиенту», и пишет код и тесты исходя из своего понимания. Все тесты проходят, покрытие отличное, CI зелёный, только бизнес-правило реализовано неправильно. <b>Это та же история, что и с формализацией доказательства, — система уверенно подтверждает корректность относительно постановки, которая сама может оказаться ошибочной.</b></p><p>Независимые тесты, property-based и мутационное тестирование (mutation testing), а также ревью самой постановки задачи снижают такие риски. Важно принципиально различать независимость инструмента и независимость способа проверки. Если две разные LLM опираются на одинаково неверную спецификацию, их взаимная проверка не спасёт от ошибки в самой постановке. Так что дело даже не в том, что ИИ пишет непонятный код. Организация может перестать успевать разбираться в предположениях, ограничениях и зависимостях собственной системы. Подозреваю, что когда-нибудь одни модели будут писать системы, другие проверять их, а третьи объяснять нам, почему первым двум группам можно доверять. Но подписывать решение в конце всё равно придётся человеку.</p><p>Пока.</p><h2>Долг понимания</h2><p>Технический долг знаком любому разработчику: сэкономил время сегодня, приняв компромиссное решение, а завтра расплачиваешься более сложной поддержкой и развитием системы.</p><p>Похожую проблему для сгенерированного LLM кода Джейсон Горман в прошлом году <a href="https://codemanship.wordpress.com/2025/09/30/comprehension-debt-the-ticking-time-bomb-of-llm-generated-code/">описал</a> как «долг понимания» (comprehension debt). Близкая мысль звучала и раньше, когда Джонатан Зиттрейн (в далёком уже 2019 году) <a href="https://medium.com/berkman-klein-center/from-technical-debt-to-intellectual-debt-in-ai-e05ac56a502c">писал</a> об «интеллектуальном долге», который копится, пока мы пользуемся результатами машинного обучения, не понимая, почему они работают. Причём Зиттрейн уже тогда предлагал учитывать такой долг и риски, которые он создаёт. Подробно о долге понимания в коде <a href="https://addyosmani.com/blog/comprehension-debt/">писал</a> Адди Османи (на Хабре есть <a href="https://habr.com/ru/articles/1016680/">перевод его статьи</a>), а Анатолий Овчинников недавно <a href="https://habr.com/ru/companies/lansoft_career/articles/1073620/">разобрал</a>, как этот долг проявляется в разработке и сопровождении ИИ-кода. Термин Гормана кажется мне самым удачным, только применять его хочется шире (не только к коду), ведь автономные агенты помимо создания программ ещё и сами выполняют операции в корпоративных системах.</p><p>Под долгом понимания я буду иметь в виду ситуацию, когда компания полагается на систему больше, чем способна её проверять и контролировать, потому что изучение её поведения, тестирование и документирование не поспевают за изменениями или сознательно откладываются. Накопленный дефицит понимания постепенно повышает стоимость изменений, диагностики и устранения ошибок.</p><p>Замечу, долг понимания не тождествен непрозрачности модели. Мы можем не знать, почему нейросеть выдала конкретный результат, но хорошо понимать её статистическое поведение, ограничения, способы контроля и последствия ошибок. С техническим долгом он тоже совпадает лишь частично: даже аккуратный, хорошо структурированный код может создавать долг понимания, если команда так и не разобралась в его логике и зависимостях. В математике похожий разрыв возникает, когда формально проверенных результатов становится больше, чем сообщество успевает осмыслить. В разработке долг становится практическим — компоненты работают, но быстро объяснить, на каких допущениях держится система, от чего она зависит и что сломается при смене модели или её поставщика, уже никто не может. Агенты добавляют к этому новое измерение: каждый шаг цепочки выглядит разумно, но последствия их взаимодействия никто толком не проверял.</p><p>Самое неприятное, что этот долг не обязательно отражается в привычных метриках. Точность, производительность, доступность и даже финансовый эффект могут выглядеть отлично, пока компания постепенно теряет способность объяснять и диагностировать поведение системы. А если чего-то нет в измеримых и понятных условному борду метриках, защитить ресурс на митигирование риска бывает крайне непросто.</p><p>Обнаруживается такой риск позже — при редком инциденте, смене требований или необходимости быстро заменить компонент. С появлением ИИ-инструментов такой долг может накапливаться особенно быстро. Один агент создаёт код, второй расширяет функциональность, третий переписывает архитектуру, четвёртый помогает всё это поддерживать, и каждый новый слой опирается на предыдущий, в котором инженеры так и не успели разобраться. Разрубить этот гордиев узел, просто переписав решение на что-то более лёгкое, без потери качества уже не получится.</p><p>Впрочем, те же ИИ-инструменты могут помочь этот долг погасить — объяснить код, восстановить зависимости, найти причину ошибки. Вопрос лишь в том, насколько этим объяснениям можно доверять и как проверять их независимо. Ведь модели умеют <a href="https://arxiv.org/abs/2305.04388">убедительно объяснять</a> собственные ответы, не всегда называя то, что на самом деле на них повлияло. Иначе легко принять рефинансирование долга за его погашение: объяснения появились, а способности самостоятельно разобраться в системе не прибавилось.</p><h3>Можно ли измерить долг понимания?</h3><p>О том, что стандартные метрики разработки этот долг не показывают, <a href="https://habr.com/ru/articles/1016680/">писал и Османи</a>. Одной величиной его масштаб вряд ли оценишь, но стоит поискать косвенные признаки того, что организация теряет способность разбираться в собственных системах.</p><p>Часть показателей описывает сам долг (насколько сложно разобраться в системе или безопасно её изменить), часть — защищённость от его последствий. Граница условная, одно без другого почти не живёт, поэтому в таблице ниже они идут вперемешку.</p><table><thead><tr><th>№</th><th>Показатель</th><th>Что можно измерять</th></tr></thead><tbody><tr><td>1</td><td>Время диагностики</td><td>Время установления причин неожиданного поведения на контрольных инцидентах и учениях. Медиана, максимальное время и динамика на сопоставимых сценариях; при достаточной статистике — 90-й и 95-й процентили</td></tr><tr><td>2</td><td>Воспроизводимость решений</td><td>Доля существенных действий, для которых можно восстановить исходный запрос, контекст, версии моделей, вызовы инструментов и полученные результаты. Отдельно — возможность повторить решение в контролируемой среде (для вероятностных моделей точное повторение не всегда достижимо)</td></tr><tr><td>3</td><td>Покрытие независимыми проверками</td><td>Доля критичных сценариев, проверяемых методами, не зависящими от логики самого агента, — детерминированными правилами, независимыми тестами, формальными ограничениями или экспертами</td></tr><tr><td>4</td><td>Управляемость изменений</td><td>Время, необходимое для оценки последствий изменения модели, инструмента, промта или бизнес-правила и определения затронутых процессов</td></tr><tr><td>5</td><td>Концентрация знаний</td><td>Число специалистов, способных самостоятельно разобраться в критичном инциденте, а не просто знающих, кому позвонить. Тот самый bus factor</td></tr><tr><td>6</td><td>Качество человеческого контроля</td><td>Доля обнаруженных заведомо ошибочных решений в контрольных сценариях, время проверки и частота запросов дополнительной информации при росте цены ошибки</td></tr><tr><td>7</td><td>Возможность остановки и восстановления</td><td>Время остановки ошибочной цепочки действий, отзыва полномочий агента и восстановления состояния системы, если оно технически возможно</td></tr></tbody></table><p>Скажем, компания меняет правила обработки определённых обращений в ИТ-поддержку. Агент самостоятельно классифицирует заявки, обращается к базе знаний и выбирает маршрут обработки. Можно измерить, сколько времени потребуется команде, чтобы найти все зависимости от старого правила, внести изменения и проверить, что остальные сценарии продолжают работать корректно. Если при изменении одного бизнес-правила основное время уходит не на реализацию и тестирование, а на восстановление логики и зависимостей агента, хотя все привычные метрики остаются «зелёными», это осязаемый признак долга понимания.</p><p>Предупрежу, это набросок, а не готовая методология. Сводить показатели в один супериндекс я бы не стал: разные системы требуют разного уровня контроля. Да и закон Гудхарта никто не отменял (когда метрика становится целью, её можно научиться улучшать, не решая исходную проблему). Например, долю действий с журналированием легко довести до 100%, но если логи не позволяют восстановить причинно-следственную цепочку, пользы от них немного.</p><p>Интереснее изучать динамику. Если объём автоматизированных решений быстро растёт на фоне увеличения времени диагностики, независимое покрытие не расширяется и всё больше критичных сценариев завязано на одного-двух специалистов, это весомый повод задать неприятные вопросы. Ещё важнее сопоставлять эти показатели с ценой ошибок (10 минут на разбор неверно классифицированного обращения и 10 минут на разбор массово выполненных ошибочных платежей — это совершенно разные 10 минут).</p><p>Можно, конечно, добиваться полного понимания любой системы и не запускать её, пока всё не будет учтено могучим ураганом. Но опыт индустрии подсказывает, что так и до запуска можно не дожить.</p><h2>Мы давно используем модели, которые до конца не понимаем</h2><p>В <a href="https://www.nature.com/articles/d41586-026-03389-1">колонке для Nature</a> Тао среди примеров приводит кредитование и оценку финансовых рисков. Его беспокоит ситуация, в которой сложность моделей начинает опережать способность человека понимать, когда и почему они могут ошибаться.</p><p>Мне как раз довелось работать в этой области, так что предлагаю посмотреть на проблему немного с другой стороны. Раньше мы внедряли нейросетевые эмбеддинги в промышленные PD-модели (модели вероятности дефолта заёмщика) для розничного кредитования. Решения там принимаются за доли секунды, часто без участия человека, и имеют конкретные финансовые последствия. Назвать такую модель полностью интерпретируемой трудно, но для банка это не значит, что её нельзя использовать.</p><p>У нас для этого есть целый набор процедур: независимая валидация, проверка качества на исторических выборках, мониторинг отклонений фактических результатов от ожидаемых, оценка устойчивости к изменениям данных, стресс-тестирование, контроль изменений. Наконец, A/B-тесты и глобальные контрольные группы помогают заметить отклонения в бизнес-результатах, хотя сами по себе не объясняют их причины.</p><p>SHAP и другие методы помогают исследовать влияние признаков на прогнозы, но не заменяют проверку качества и устойчивости самой модели. Мы не знаем исчерпывающе, почему нейросеть приняла каждое конкретное решение, но можем накопить достаточно свидетельств о её поведении и ограничить риски применения. Требования к объяснимости отдельных решений и регуляторные ограничения при этом никуда не деваются. Но чтобы держать модель под контролем, полная интерпретируемость не обязательна.</p><p>Показательный случай из нашей практики. Одна модель больше полугода работала в проде с зелёным мониторингом: получала данные, выдавала прогнозы, все модельные метрики были в норме. A/B-тест запустили только при плановом обновлении — раньше бизнес не соглашался выделять контрольные группы, опасаясь потери эффекта. И внезапно тест не выявил различий между старой моделью, новой и группой без  модели. Оказалось, что в какой-то момент из бизнес-логики просто исключили учёт прогнозов. Модель продолжала работать, только её результаты уже никто не использовал.</p><p>Проблема оказалась не в качестве модели, а в том, что мы упустили изменение бизнес-процесса. Этот случай помог сделать A/B-тестирование обязательной практикой в одной из бизнес-линий. Он же дал убедительный ответ на аргумент «Зачем тестировать то, что и так работает?»</p><p>В кредитном риске давно научились принимать решения в условиях неполного знания, не превращая это незнание в оправдание отсутствия контроля. Но достаточно ли этого опыта, когда модель не только отвечает, но и действует?</p><h2>Почему модельного риска недостаточно</h2><p><b>Классический модельный риск — это возможные потери от решений, основанных на ошибочной модели, неверных допущениях, плохих данных или использовании модели не по назначению. </b>Для кредитного скоринга объект контроля относительно понятен. Модель получает признаки и выдаёт оценку вероятности дефолта, а решение на её основе принимают другие компоненты банковской системы. На практике всё сложнее, но модель обычно не управляет собственной дальнейшей работой и не выбирает новые действия во внешней среде.</p><p>Агент, напротив, сам выбирает инструменты, обращается к внешним источникам, изменяет данные, выполняет операции и учитывает результаты предыдущих действий при планировании следующих. Поэтому ошибка может возникнуть и без неправильного ответа LLM. Модель способна верно понять запрос, но выбрать не тот инструмент или вызвать нужный с неверными параметрами. Бывает и хуже — каждое действие по отдельности допустимо, а вместе они нарушают бизнес-ограничение (скажем, каждая выплата укладывается в лимит, а их сумма за день — уже нет). Добавьте сюда ошибки в правах доступа, атаки (те же промт-инъекции) и сбои внешних API. В длинной цепочке действий последствия таких сбоев могут накапливаться и усиливать друг друга.</p><p>Вот как может выглядеть такой сбой. Допустим, агент оформляет компенсации клиентам — проверяет статус заявки и отправляет команду на выплату. Платёжный сервис выполняет операцию, но из-за сетевого сбоя подтверждение до агента не доходит. Агент решает повторить запрос, и клиент получает компенсацию дважды. Формально он правильно определил сумму, платёжный сервис корректно выполнил оба вызова, но бизнес-процесс привёл к некорректному результату.</p><p>Здесь недостаточно проверить качество модели и отдельных API. Нужно убедиться, что повторный запрос не приводит к повторному исполнению уже выполненной операции, что система умеет проверять текущее состояние заявки и исправлять последствия сбоев.</p><p>Стандартное решение для выплат — ключ идемпотентности: повторный запрос с тем же ключом не должен создавать вторую выплату. Только формировать и сохранять ключ должна не модель, а исполняющая часть системы, привязывая его к конкретной операции. Иначе при повторе агент может сгенерировать новый ключ. И одной проверки статуса перед повтором мало, потому что между проверкой и исполнением операции возможна гонка.</p><p>Сам по себе такой сбой ещё не означает, что у команды есть долг понимания. Двойную выплату можно получить и в обычной, прекрасно документированной системе без всякого ИИ. Долг проявится, если во время инцидента никто не сможет быстро восстановить цепочку действий, оценить масштаб последствий и понять, где именно контроль дал сбой.</p><p>И дело не обязательно в недостатке логов: журналы могут содержать все вызовы инструментов, но не позволять понять, почему агент выбрал именно эти действия, на какие данные опирался и какие ограничения должен был учитывать. Ошибку исполнения нужно предотвращать в любом случае, а долг понимания влияет на то, насколько быстро компания способна обнаружить её причины и разобраться с последствиями.</p><p>Пробелы в наблюдаемости агентных систем — проблема вполне практическая. В октябре Partnership on AI <a href="https://partnershiponai.org/resource/the-observability-gap-in-ai-agents/">изучила</a> 4 популярных агентных фреймворка и нашла 6 типов пробелов в телеметрии — от смены полномочий до вмешательств человека. Фреймворки не записывают, почему потребовалось согласование, кто одобрил действие агента и какими полномочиями обладал. Без таких записей осмысленный контроль не отличить от подписи не глядя.</p><p>Отдельная история — агент может менять состояние среды, в которой потом продолжает работать. Одно неверное действие меняет данные или права, следующие решения принимаются уже с учётом этих изменений, и в некоторых сценариях ошибка усиливает саму себя. Конечно, обратная связь существует и в традиционных системах, например когда результаты скоринга влияют на состав кредитного портфеля и последующие данные. Но агент способен самостоятельно выбирать и выполнять целые последовательности действий внутри такого контура, что расширяет пространство возможных ошибок.</p><figure><img src="https://media.tproger.ru/user-uploads/99633/2026-11-18/85c65da7-a71d-44db-89d7-1c2a0d34c04e.webp" alt="" /><figcaption>Точки отказа при автономном исполнении</figcaption></figure><p>Поэтому методология управления рисками агентных систем не может быть прямой копией управления модельным риском. ФРС США, судя по всему, тоже не спешит переносить на агентов старые подходы: в апреле 2026 года вместе с другими американскими банковскими регуляторами она обновила руководство по модельному риску (<a href="https://www.federalreserve.gov/supervisionreg/srletters/SR2602.pdf">SR 26-2</a>), заменив документ 2011 года. Генеративный и агентный ИИ прямо исключены из области применения новых рекомендаций из-за новизны и быстрого развития этих технологий. Однако это не означает, что соответствующие системы освобождаются от требований к управлению рисками.</p><p>Модельный риск никуда не исчезает, и качество модели, устойчивость результатов и галлюцинации по-прежнему нужно оценивать. Просто теперь к нему добавляются операционные риски, информационная безопасность, управление доступом, обработка данных и зависимость от внешних систем. А объект оценки расширяется от отдельной модели до всего агентного сценария — от исходного запроса до всех действий и их последствий для бизнес-процесса.</p><p>Такой же подход отражён и в <a href="https://genai.owasp.org/owasp-top-10-for-agentic-applications">OWASP Top 10 for Agentic Applications</a>, где отдельно разобраны злоупотребление инструментами, ошибки управления привилегиями, атаки на память и контекст, небезопасное взаимодействие агентов и каскадные сбои. На практике это значит, что классическую независимую валидацию модели нужно дополнять проверкой всей агентной системы — её полномочий, сценариев использования, внешних зависимостей и механизмов ограничения последствий ошибок. Это уже управление операционным риском в целом, а не только модельным (который во многих классификациях и так считается частью операционного).</p><p>Для долга понимания это означает, что разбираться нужно не только в поведении модели, но и в полномочиях, зависимостях и цепочках действий агента. Иначе зелёные модельные метрики могут скрывать потерю контроля над всем сценарием.</p><p>Есть похожий <a href="https://www.cbr.ru/Crosscut/LawActs/File/12204">документ</a> и у Банка России. Отдельного режима для агентов он не вводит, но в критически важных процессах, где ИИ автоматически выполняет операции и риски информационной безопасности оценены как высокие, рекомендует проверять результаты человеком с возможностью их изменить. <b>Правда, такая проверка работает, только пока человек действительно вчитывается в то, что проверяет.</b></p><p>И ещё одна сложность — данные. Кредитный риск хорошо поддаётся статистической оценке, потому что у нас есть история наблюдений, определения дефолта, статистика потерь, бэктестинг и развитая независимая валидация. Для автономных агентов такой базы чаще всего нет — модели меняются, полномочия расширяются, а редкие сложные ошибки могут вообще не встречаться в доступной истории.</p><p>Но отсутствие статистики не означает, что остаётся только ждать первых серьёзных убытков. Пока данных мало, помогают прогоны на исторических и синтетических сценариях, теневой режим и разбор почти-инцидентов (near miss — ошибок, которые не успели привести к ущербу). А лимиты ограничивают последствия ошибок, вероятности которых мы пока не умеем надёжно оценивать.</p><h2>Можно ли управлять рисками, не понимая систему до конца?</h2><p>В кредитовании никто не пытается полностью избавиться от риска — это означало бы просто остановить выдачи. Задача в том, чтобы понимать, сколько риска банк принимает, какие потери возможны, как они соотносятся с доходностью и что делать, когда неблагоприятное событие всё-таки происходит. С ИИ-агентами можно рассуждать по аналогии.</p><p>Таблица показателей выше помогает понять, насколько управляемой остаётся система. 5 пунктов ниже описывают, как оценивать риски и выбирать меры контроля. Проверять всё одинаково глубоко слишком дорого, поэтому объём контроля стоит соотносить с полномочиями агента, возможным ущербом и обратимостью последствий. Чем хуже компания понимает систему, тем труднее оценивать и контролировать её риски. Первые 4 пункта помогают это делать даже при неполном понимании, а пятый посвящён погашению самого долга понимания.</p><h3>1. Экспозиция: сколько решений мы доверили системе?</h3><p>Начнём с экспозиции (exposure), то есть подверженности риску. Каков масштаб решений и действий, которые мы доверили агентам, и насколько хорошо понимаем и контролируем их поведение? Считать стоит не число запросов к LLM или запущенных агентов, а реальные полномочия — какие операции агент может выполнять, какие данные читать и изменять, к каким системам обращаться, сколько решений принимать без подтверждения человека.</p><p>Отдельно нужно понимать, какие данные агент способен передать за пределы корпоративного контура. Ведь право прочитать клиентские данные ещё не означает права отправить их внешней модели или инструменту, даже если агент делает это исключительно ради выполнения задачи.</p><p>Совет по финансовой стабильности (СФС) в <a href="https://www.fsb.org/2026/10/sound-practices-for-responsible-adoption-of-artificial-intelligence-ai-final-report/">октябрьском отчёте</a> рекомендует оценивать риски ИИ-сценариев ещё при запуске, затем пересматривать эту оценку и соотносить её с риск-аппетитом организации. И ещё предупреждает, что с расширением полномочий риск агента может расти мультипликативно. Но тот же СФС напоминает и о другой чаше весов: у отказа от ИИ свои риски, от потери конкурентоспособности до ослабления киберзащиты.</p><p>Агент, который генерирует оператору ответ для клиента, и агент, который сам перечисляет деньги или меняет права доступа, представляют два совершенно разных профиля риска, и для второго средней точности на тестовом наборе недостаточно. Нужен хотя бы реестр автономных сценариев, где видно, что агент делает, с какими ресурсами работает, какие ограничения действуют и где проходит граница человеческого контроля.</p><p>По-хорошему, для каждого критичного сценария должно быть понятно, какие действия агент действительно может выполнить без подтверждения человека, а не только какие ему разрешены в промте. Заодно стоит договориться, кому приходят сигналы об отклонениях и у кого есть полномочия остановить агента. Без такого реестра компания просто не знает собственной экспозиции, а это уже магнит для аудита.</p><p>В крупных организациях (в частности, банках) на вопрос «Кто проверяет?» есть стандартный ответ — 3 линии защиты.</p><ul><li>Первая — те, кто создаёт и использует решение: бизнес-заказчик, который формально владеет процессом и риском, и команда разработки, которая строит и сопровождает решение, хотя часто сидит совсем в другом подразделении.</li><li>Вторая — независимые валидация и риск-менеджмент.</li><li>Третья — внутренний аудит, который проверяет, работают ли первые две.</li></ul><p>Для агентов эта схема подходит почти без изменений, но на первой линии возникает новая ловушка. Бизнес-заказчик отвечает за результат, разработчики — за техническую реализацию, а ответственность за автономные действия агента легко теряется где-то между ними. Поэтому у каждого критичного агентного сценария должен быть конкретный владелец риска, а не только владелец продукта.</p><h3>2. Цена ошибки и обратимость</h3><p>Два агента могут ошибаться одинаково часто, но материальные последствия их ошибок будут различаться на порядки. Неправильно классифицированное обращение клиента можно перенаправить, ошибочную финансовую операцию исправить намного сложнее, а последствия ошибочно выданных прав доступа иногда невозможно полностью отменить.</p><p><b>Одной вероятности ошибки мало: важно учитывать масштаб ущерба, время обнаружения, возможность остановить цепочку действий и обратимость последствий. </b></p><p>В классическом кредитном риске есть близкая идея: ожидаемые потери определяются вероятностью дефолта (PD), суммой под риском (EAD) и долей, которую не удастся вернуть (LGD). В агентных системах обратимость играет роль, похожую на LGD. Ошибка, которую можно безопасно исправить за пять минут, совсем не то же самое, что необратимое действие, даже при одинаковой стоимости операции.</p><p>Похожую логику развивают и исследователи из ФРС США, которые в <a href="https://arxiv.org/abs/2610.08806">августовской работе</a> предложили перенести формулу ожидаемых кредитных потерь на агентные системы, оценивая вероятность вредного действия, тяжесть ущерба и «радиус поражения». Причём они пошли дальше: изучили общие источники ошибок множества агентов, риски каскадных сбоев и ограничения традиционных механизмов контроля при необратимых действиях.</p><p>Отсюда и лимиты. Агент может сам выполнять операции до установленного порога, а для действий с потенциально необратимыми последствиями нужно дополнительное подтверждение. К слову, <a href="https://datainsight.ru/agentic-commerce2026">исследование Data Insight</a> об агентной коммерции показывает: даже у ранних пользователей ИИ порог доверия к автономным платежам ощутимый — около 5000 рублей. В качестве меры защиты авторы предлагают привязывать к агенту отдельные виртуальные карты и кошельки с лимитом. По сути, такие лимиты — это риск-аппетит, переведённый на язык чисел, и обеспечивать их нужно не промтом (агент может его обойти), а внешними механизмами авторизации и контроля.</p><p>Лимиты снижают риск, а часть оставшегося можно попытаться передать страховщику. Правда, рынок страхования агентных рисков пока только формируется: по <a href="https://www.reuters.com/legal/litigation/ai-agents-go-rogue-cyber-insurers-are-adapting-their-policies-2026-08-27/">данным Reuters</a>, обычные киберполисы не всегда покрывают ущерб от ошибочных действий агента, особенно, если он работал в рамках выданных ему полномочий и никакой атаки не было. Юристы <a href="https://www.stewartslaw.com/news/when-ai-goes-rogue-will-insurance-respond/">отмечают</a> и риск споров со страховщиками, которые могут попытаться применить исключение для умышленных действий, даже если компания не санкционировала причинение ущерба агентом.</p><p>Возможность остановить ошибочные операции и отменить их последствия лучше проверять заранее, в том числе на контрольных сбоях. Наличие в документации процедуры остановки или отката ещё не означает, что она сработает достаточно быстро, когда ошибочные операции пойдут потоком. В 2012 году американский брокер Knight Capital <a href="https://www.sec.gov/litigation/admin/2013/34-70694.pdf">за 45 минут потерял</a> почти полмиллиарда долларов: обновление торговой системы установили лишь на 7 из 8 серверов, на восьмом активировался старый код, и система отправила на рынок миллионы ошибочных заявок. Оперативно остановить её не удалось. ИИ там не было, но агент с доступом к платежам может наломать дров так же быстро.</p><p>Говорят, правила техники безопасности написаны кровью. <b>Правила работы с агентами, похоже, будут написаны логами инцидентов — хорошо бы чужих.</b></p><h3>3. Концентрация, или кто наблюдает за самими наблюдателями</h3><p>Концентрацию чаще всего упускают из виду, а ведь это один из самых распространённых рисков. В кредитном портфеле сотни заёмщиков могут выглядеть независимыми, пока не выяснится, что все они зависят от одной отрасли или одного макроэкономического фактора. Возьмём кризис 2008 года. Многие участники рынка оценивали зависимость дефолтов в структурированных кредитных продуктах с помощью моделей на основе <a href="https://www.wired.com/2009/02/wp-quant/">гауссовой копулы</a> Дэвида Ли. Когда цены на жильё пошли вниз, выяснилось, что заложенные в них допущения недооценивали риск одновременных потерь и подвели сразу многих, кто на них опирался.</p><p>С моделями также. Агенты одного семейства, которые пишут код, генерируют тесты, проводят ревью и подтверждают готовность системы, формально независимы, но у них общие данные, общие предположения и склонность к одним и тем же ошибкам.</p><p>Независимую проверку нужно понимать шире, чем просто «другую модель». Иногда это другой алгоритм, детерминированное бизнес-правило, независимый набор тестов, формальная спецификация или эксперт, который проверяет не код, а саму постановку. И здесь важно смотреть не только на долю сценариев, прошедших такую проверку, но и на то, насколько совпадают ошибки проверяющих. Например, на контрольной выборке с известными ответами можно посчитать, как часто несколько моделей ошибаются одновременно и одинаково. Если заметно чаще, чем при независимых ошибках, диверсификация получается довольно условной.</p><p>И не только внутри одной компании: если большинство организаций построит агентов на моделях одного-двух поставщиков, общая слабость модели или изменение условий провайдера ударит по всем сразу — копула 2.0, теперь в масштабе всего рынка. Неслучайно страховщики уже <a href="https://www.reuters.com/legal/litigation/ai-agents-go-rogue-cyber-insurers-are-adapting-their-policies-2026-08-27/">обсуждают</a> отдельные исключения для системных событий, когда одна модель вызывает убытки сразу у многих компаний.</p><p>Держать альтернативные модели про запас полезно, но недостаточно. Нужен план выхода, как в аутсорсинге: заранее понимать, как переключить критичный процесс на другого поставщика и что продолжит работать, если переключение не удастся. Договор должен предусматривать уведомления об изменениях модели, доступ к результатам проверок и действия сторон при инцидентах. Передать исполнение поставщику можно, но ответственность компании за собственный процесс от этого не исчезает.</p><h3>4. Мониторинг и стресс-тестирование</h3><p>Риск-менеджмент не заканчивается выдачей кредита — дальше надо следить за его качеством и постоянно искать признаки проблем. С агентами также, но одного итогового ответа мало: наблюдать нужно последовательности действий, использование инструментов, сдвиги во входных данных, частоту отказов и вмешательств человека.</p><p>Опасность пробелов в мониторинге показал июльский <a href="https://metr.org/blog/2026-08-26-openai-hugging-face-incident-investigation/">инцидент</a> OpenAI и Hugging Face. Агенты, чьи возможности в задачах кибербезопасности тестировали с частично отключёнными защитными механизмами, выбрались из песочниц и взломали часть инфраструктуры Hugging Face. Пострадавшая компания сообщила об атаке 16 июля, а OpenAI <a href="https://openai.com/index/hugging-face-incident-and-the-road-ahead/">подтвердила</a> участие своих агентов лишь 21-го.</p><p>В сентябре похожая история повторилась в меньшем масштабе: агент во время испытаний <a href="https://alignment.openai.com/misalignment-reports/an-agent-used-dns-to-reach-an-external-chatbot">нашёл</a> обходной путь в интернет (через DNS-резолвер), хотя доступа в сеть у него не должно было быть. Мониторинг поднял тревогу в течение 15 минут, но другие похожие случаи не распознал как достаточно серьёзные. Автоматическая остановка не сработала, и запуск прервали вручную спустя 2,5 часа.</p><p><b>Для новых сценариев полезен теневой режим, когда агент предлагает действия, но пока не выполняет их сам. Мониторинг же нужен, чтобы замечать опасное поведение до того, как оно приведёт к ущербу, а не только фиксировать уже случившиеся инциденты.</b> Почти-инциденты (случаи, когда ошибочное действие вовремя остановил лимит или человек) стоит разбирать также внимательно, как настоящие. Это те же сигналы о слабых местах, только полученные до того, как за ошибку пришлось платить. А заодно материал для стресс-тестов редких сценариев.</p><p><b>Наблюдать стоит и за самими проверяющими</b>: рутинные согласования постепенно учат доверять агенту по умолчанию — это одно из проявлений предвзятости автоматизации (automation bias). Поэтому растущая доля одобрений может означать не только улучшение агента, но и то, что человек перестал по-настоящему проверять. Проверить это можно примерно как при досмотре багажа в аэропортах, где в рентгеновские снимки подмешивают изображения запрещённых предметов: в тестовом или теневом контуре предъявлять проверяющим заведомо ошибочные действия и смотреть, сколько из них отклонят. Разумеется, такие контрольные действия не должны исполняться в реальных системах.</p><p>В стресс-тесты, помимо редких и граничных входов, нужно закладывать враждебные сценарии: атаки, попытки обойти ограничения полномочий, цепочки действий с неожиданными побочными эффектами. Отдельно стоит проверять сами механизмы защиты. Можно ли остановить агента посреди длинной цепочки действий? А отозвать его полномочия — сразу или только после того, как он закончит очередной шаг? И что он сделает, если внешний инструмент вернёт противоречивый результат (остановится, переспросит или продолжит как ни в чём не бывало)?</p><p><b>Ни один универсальный бенчмарк LLM на эти вопросы не ответит. Такие сценарии придётся строить самим, пока их не построила за вас реальность и снизу не постучали.</b></p><h3>5. Погашение долга</h3><p>Сам по себе долг — не зло. Банки на нём зарабатывают, а компании берут его, чтобы расти быстрее. Опасен тот размер, которого никто не знает, а обслуживание не заложено в план. Но любой долг платежом красен. А платёж здесь — время инженеров, специалистов по мониторингу и валидации, аналитиков и экспертов предметной области, которые документируют требования, разбирают решения, проводят независимые проверки и поддерживают возможность заменить или восстановить систему.</p><p><b>А ещё у долга должен быть график платежей: не разовая кампания «разберём legacy, когда прижмёт», а регулярно выделяемое время команды, уходящее на разбор инцидентов, актуализацию документации и учения. </b>Чтобы всё не держалось на горстке людей, к разбору критичных инцидентов стоит привлекать тех, кто их не устранял, а на учениях проверять, сможет ли другой инженер самостоятельно восстановить ход действий агента и разобраться в сбое (попутно выявляя проблемы документации и методологии). Долг, по которому не платят, не рассасывается — он растёт.</p><p><b>Это и есть «переваривание» результатов, без которого, по Тао, наступает «несварение доказательств». Работа медленная, и её трудно красиво показать на презентации об экономическом эффекте ИИ, особенно когда рядом соблазн похвастаться, сколько строк кода агент написал за ночь.</b></p><p>Экономический эффект ИИ часто оценивают по тому, насколько дешевле стало выполнять исходную операцию. Но в Total Cost of Ownership должны входить и расходы на независимую проверку, мониторинг, расследование инцидентов, поддержание контроля над полномочиями агентов и восстановление после ошибок. Иначе экономия может оказаться вполне реальной, а расчёт окупаемости — нет. Вы ведь не будете удалять из машины подушки безопасности ради экономии?</p><p>Если постоянно наращивать систему, не разбираясь в уже созданном, стоимость сопровождения будет расти, и рано или поздно долг проявится в инциденте, устранение которого обойдётся несравнимо дороже своевременной проверки. По времени диагностики и исправления ошибок можно судить, насколько дорогим становится накопленный долг понимания. Понимать каждую строку сгенерированного кода или каждую активацию нейросети тоже не нужно — достаточно понимать систему ровно настолько, насколько этого требует принимаемый риск, и уметь убедительно проверять её существенные свойства.</p><p>Точно оценить все эти риски пока сложно. Статистики по редким ошибкам мало, да и столь разные последствия к одному числу не сведёшь. Но 4 вопроса можно задать себе уже сегодня: какие полномочия у агента на самом деле (а не в промте), какие ошибки мы готовы пропустить, сколько стоит худший день и кто посмотрит на результат своими глазами, а не глазами агента.</p><p>Нового риск-менеджмента я не изобретаю: многие из этих принципов уже описаны в <a href="https://www.nist.gov/itl/ai-risk-management-framework">NIST AI Risk Management Framework</a>. Мне интереснее, как перенести опыт банковского управления рисками на агентные системы, где модельный риск переплетается с операционным риском и информационной безопасностью.</p><h2>Когда наступит сингулярность</h2><p>Размышляя обо всём этом, я невольно вернулся к разговорам о технологической сингулярности. Возможно, на мысль навела сингулярность в уравнениях Навье–Стокса, хотя общего у них ровно одно — название.</p><p>Кто-то представляет сингулярность как момент появления сверхинтеллекта, развитие которого человек больше не может контролировать или предсказывать. Но для серьёзного разрыва между возможностями технологий и человеческим пониманием ждать реализации этого сценария не обязательно. <b>Достаточно, чтобы ИИ продолжал создавать научные результаты, алгоритмы и сложные системы быстрее, чем мы успеваем их проверять и осмыслять. Lean будет подтверждать доказательства, тесты — код, дашборды — хорошие бизнес-метрики, а расстояние между тем, что организация умеет создавать, и тем, что она способна сама диагностировать и контролировать, будет расти. </b></p><p>Можно назвать это сингулярностью понимания — гипотезой о том, к чему ведёт устойчивый разрыв между скоростью создания решений и скоростью их осмысления.</p><p>Так что сингулярность наступит не в момент, когда ИИ станет умнее всех, а когда мы перестанем замечать, что не понимаем, что он делает. Впрочем, некоторые легаси-системы прошли эту точку невозврата ещё до появления генеративного ИИ.</p><p>Но практическая проблема догонит нас задолго до любой сингулярности. Мы уже используем модели, которые не понимаем до конца, а с появлением агентов доверяем ИИ ещё и всё больше самостоятельных действий. Поэтому центральный вопрос — какой риск мы готовы разменять на эффективность ИИ и насколько хорошо умеем этим риском управлять.</p><p>Как и в кредитовании, с агентами придётся принимать решения в условиях неполного знания. Только здесь вероятности некоторых ошибок оценить труднее, а последствия зависят от длинной и не всегда предсказуемой цепочки действий. Агенты о риск-менеджменте, разумеется, не мечтают. Так что думать о нём придётся нам.</p><p>P.S. Вопрос любому руководителю, у которого ИИ уже работает в проде, в том числе себе. Если ваша главная ИИ-система завтра примет странное решение, кто сможет разобраться в его причинах, сколько времени ему понадобится и что успеет произойти за это время? В большинстве известных мне компаний у ответа на первую часть вопроса bus factor равен единице. Такую концентрацию в кредитном портфеле не одобрил бы ни один кредитный комитет.</p><p><br /><i>Всё написанное здесь — личное мнение автора, которое может не совпадать с позицией Альфа-Банка. При подготовке статьи ИИ-инструменты помогали с поиском и подбором источников, а заодно с вычиткой и сокращением текста — боюсь, без последнего вы бы просто не дочитали до этого дисклеймера. А чтобы не копить долг понимания, все источники проверены вручную.</i><br /></p>]]></content:encoded>
    </item>
    <item>
      <title>Google сбросила квоты в Antigravity на всех моделях в честь дня рождения</title>
      <link>https://tproger.ru/news/google-sbrosila-kvoty-v-antigravity-na-vseh-modelyah-v-chest-dnya</link>
      <comments>https://tproger.ru/news/google-sbrosila-kvoty-v-antigravity-na-vseh-modelyah-v-chest-dnya?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/google-sbrosila-kvoty-v-antigravity-na-vseh-modelyah-v-chest-dnya</guid>
      <description><![CDATA[<p>Варун Мохан объявил сброс 18 ноября в 02:38 мск: это третий сброс за 12 дней, а в тот же день из Antigravity уходят Claude 4.6 и GPT-OSS-120b.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/google-sbrosila-kvoty-v-antigravity-na-vseh-modelyah-v-chest-dnya">Google сбросила квоты в Antigravity на всех моделях в честь дня рождения</a>»</p>]]></description>
      <category><![CDATA[Google]]></category>
      <category><![CDATA[IDE]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Wed, 18 Nov 2026 11:21:11 GMT</pubDate>
      <content:encoded><![CDATA[<p>Google обнулила израсходованные квоты в Antigravity всем пользователям и на всех моделях — так команда отметила первый день рождения своей агентной среды разработки. О сбросе <a href="https://x.com/_mohansolo/status/2122836883877347836">написал в X</a> Варун Мохан, который руководит Antigravity в Google DeepMind, 18 ноября в 02:38 мск.</p><p>Для тех, кто работает в Antigravity каждый день, это значит одно: израсходованную квоту можно тратить заново, не дожидаясь штатного обновления. Это третий такой сброс за 12 дней, но первый за это время, который касается всех моделей, а не только Gemini.</p><p>Совпадение по датам стоит держать в голове: на <a href="https://antigravity.google/pricing">странице тарифов</a> Antigravity указано, что Claude Sonnet 4.6, Claude Opus 4.6 и GPT-OSS-120b будут убраны из продукта 18 ноября 2026 года, то есть в тот же день.</p><ul><li>18 ноября в 02:38 мск Варун Мохан объявил сброс квот «для всех и на всех моделях» в честь первого дня рождения Antigravity.</li><li>Это третий сброс за 12 дней: 7 ноября обнулили квоты Gemini и Argon, 14 ноября — Gemini.</li><li>Подняли ли сами потолки лимитов и есть ли различия по тарифам, в объявлении не сказано.</li><li>По странице тарифов, 18 ноября из Antigravity убирают Claude Sonnet 4.6, Claude Opus 4.6 и GPT-OSS-120b.</li></ul><h2>Что именно объявила Google?</h2><p>Объявление уместилось в две строки. «In honor of Antigravity turning 1, we're resetting quota for everyone across all models!» — написал Мохан (в переводе редакции: «В честь того, что Antigravity исполнился год, мы сбрасываем квоты всем пользователям на всех моделях»). Пост начинается с «One more thing…»: за час до него Мохан <a href="https://x.com/_mohansolo/status/2122821676249625014">сообщил</a>, что время до первого токена у Gemini 4 Carbon в Antigravity стало в 1,5 раза меньше, а для Argon такое же ускорение обещано позже.</p><p>Через два часа сброс <a href="https://x.com/kevinhou22/status/2122867699785289945">поблагодарил</a> Кевин Хоу, руководитель продуктовой разработки Antigravity и бывший инженер Windsurf. Он процитировал свой пост от 18 ноября 2025 года, когда Google запустила Antigravity: тогда это была IDE, построенная вокруг агентов, на модели Gemini 3 Pro, с управлением браузером для автоматической проверки приложений и Agent Manager для параллельных агентов. Сейчас, по словам Хоу, запускать сотни агентов одновременно стало нормой.</p><p>Больше подробностей в объявлении нет. Google не уточнила, касается ли сброс обоих лимитов сразу, распространяется ли он на учётные записи Gemini Enterprise и меняются ли после него сами потолки. Отдельной записи в официальном блоге или журнале изменений на момент публикации нет: источник — пост руководителя продукта.</p><h2>Как устроены квоты в Antigravity?</h2><p>Сброс имеет смысл только на фоне того, как Google считает лимиты. По <a href="https://antigravity.google/docs/plans">документации</a>, у всех тарифов есть базовая квота, и она привязана к объёму работы агента, а не к числу запросов: простая задача, которую агент закрывает быстро, тратит меньше, сложная — больше. Сами лимиты, как пишет Google, определяются прежде всего доступными мощностями и могут меняться.</p><ul><li>Без подписки: квота обновляется раз в неделю, есть недельный лимит.</li><li>Google AI Pro: квота обновляется каждые пять часов, пока не исчерпан недельный лимит, который выше, чем у бесплатного плана.</li><li>Google AI Ultra: самая большая квота с обновлением каждые пять часов, максимальный недельный лимит и доступ к сторонним моделям.</li></ul><p>Подписчики Pro и Ultra могут работать и сверх квоты за AI-кредиты по ценам Gemini Enterprise. Что делать, когда базовая квота закончилась, задаёт настройка AI Credit Overages: Never — ждать обновления, Always — переходить на кредиты и возвращаться на квоту, когда она обновится. Остаток по моделям виден на странице настроек; в новом интерфейсе он показан и рядом с полем ввода, как на обложке.</p><p>Поэтому сброс сильнее всего ощутят те, кто упёрся в недельный лимит в середине недели: пятичасовое окно обновляется само, а недельное без сброса пришлось бы ждать. Тем, кто тратил квоту умеренно, сброс вернёт только израсходованную часть.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-18/5b1da740-de0f-4596-97b0-5480577f1f8a.webp" alt="Карточки нового интерфейса Antigravity: тема, композер, контекст и облачные агенты" /><figcaption>Новый интерфейс Antigravity. Кадр: видео Google Antigravity</figcaption></figure><h2>Почему сбросов стало так много?</h2><p>За 12 дней Мохан объявлял сброс трижды. <a href="https://x.com/_mohansolo/status/2118855362518675720">7 ноября в 02:57 мск</a> обнулили квоты Gemini и Argon с пояснением, что за неделю вышло много обновлений и пользователям нужно дать поработать в выходные. <a href="https://x.com/_mohansolo/status/2121380918355234957">14 ноября в 02:13 мск</a> сбросили квоты Gemini «в честь недели безостановочных релизов» и предложили попробовать рои агентов. Нынешний сброс — первый из трёх, где сказано про все модели.</p><p>Каждый раз сброс шёл рядом с релизами. 12 ноября в Antigravity появилась <a href="https://tproger.ru/news/google-vypustila-gemini-4-hydrogen-s-besplatnym-dostupom-v-api">Gemini 4 Hydrogen</a>, 13 ноября — Dynamic Workflows: по команде /run-workflow агент пишет Python-скрипт, который запускает субагентов параллельно и последовательно. 16 ноября Мохан <a href="https://x.com/_mohansolo/status/2122119826575646918">сообщил</a>, что контекстное окно для Argon, Carbon и Hydrogen удвоили и сжатие контекста на один ход пользователя случается в 3,5 раза реже. 17 ноября команда показала полностью переделанный интерфейс для управления несколькими агентами.</p><p>Сбросы в Antigravity случались и раньше. Неофициальный трекер <a href="https://agyresets.com/">AGY Resets</a>, который собирает такие объявления из X и размечает их автоматически, насчитывает 14 сбросов с мая. Раньше их объясняли перегрузкой мощностей, жалобами на расход токенов или выходом новой модели. Данные трекера не официальные, и Google их не подтверждала.</p><h2>Что проверить сейчас?</h2><ol><li>Откройте страницу настроек Antigravity и проверьте, обновился ли остаток по нужным моделям: как быстро сброс доходит до всех учётных записей, Google не уточняла.</li><li>Если у вас Pro или Ultra и включены AI-кредиты, проверьте AI Credit Overages: с полной квотой кредиты пока не нужны, но при режиме Always они снова начнут тратиться, как только квота кончится.</li><li>Если вы работали с Claude Sonnet 4.6, Claude Opus 4.6 или GPT-OSS-120b, переключитесь заранее. На странице тарифов у этих моделей стоит дата удаления 18 ноября. Для бесплатного плана из перечисленных моделей без такой пометки остаётся только Gemini 3.8 Flash, а Claude Sonnet 5.5 и Claude Opus 5.5 указаны для платного Pro и Ultra.</li></ol><p>Сброс одноразовый: Google не обещала, что дальше квоты будут сбрасываться регулярно или что лимиты поднимут. Работа с агентами в Antigravity по-прежнему требует осторожности — Pillar Security и Mindgard <a href="https://tproger.ru/news/v-google-antigravity-nawli-dva-sposoba-poluchit-rce-prompt-inj">описали два способа выполнить чужой код</a> в IDE через prompt injection и вредоносные файлы проекта, так что свежая квота не повод выдавать агенту больше прав.</p><p>Следующий ориентир — ускорение первого токена для Argon, которое Мохан пообещал вслед за Carbon. Если Google объявит изменения лимитов или условия тарифов после удаления старых моделей, мы дополним новость.</p><p>Источники: <a href="https://x.com/_mohansolo/status/2122836883877347836">Варун Мохан в X: сброс квот в честь годовщины Antigravity, 17 ноября 2026</a>, <a href="https://x.com/kevinhou22/status/2122867699785289945">Кевин Хоу в X: первый день рождения Antigravity</a>, <a href="https://x.com/_mohansolo/status/2118855362518675720">Варун Мохан в X: сброс квот Gemini и Argon, 6 ноября 2026</a>, <a href="https://x.com/_mohansolo/status/2121380918355234957">Варун Мохан в X: сброс квот Gemini, 13 ноября 2026</a>, <a href="https://antigravity.google/pricing">Google Antigravity: тарифы и модели</a>, <a href="https://antigravity.google/docs/plans">Google Antigravity Docs: Plans</a>, <a href="https://x.com/_mohansolo/status/2122119826575646918">Варун Мохан в X: удвоение контекстного окна в Antigravity</a>, <a href="https://x.com/_mohansolo/status/2122821676249625014">Варун Мохан в X: ускорение первого токена у Carbon</a>, <a href="https://agyresets.com/">AGY Resets: неофициальный трекер сбросов квот Antigravity</a></p><p>Изображение на обложке: кадр из видео Google Antigravity о новом интерфейсе</p>]]></content:encoded>
    </item>
    <item>
      <title>Тео Браун и Every раскритиковали GPT-6.2 Astra после недель тестов</title>
      <link>https://tproger.ru/news/teo-braun-i-every-raskritikovali-gpt-6-2-astra-posle-nedel-test</link>
      <comments>https://tproger.ru/news/teo-braun-i-every-raskritikovali-gpt-6-2-astra-posle-nedel-test?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/teo-braun-i-every-raskritikovali-gpt-6-2-astra-posle-nedel-test</guid>
      <description><![CDATA[<p>Тео Браун, Мэтт Шумер и Every раскритиковали GPT-6.2 Astra: модель пишет непонятно и бросает задачи, хотя в бенчмарках уступает только Fable 5.2.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/teo-braun-i-every-raskritikovali-gpt-6-2-astra-posle-nedel-test">Тео Браун и Every раскритиковали GPT-6.2 Astra после недель тестов</a>»</p>]]></description>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[OpenAI]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 19:58:27 GMT</pubDate>
      <content:encoded><![CDATA[<p>В первый час после выхода <a href="https://tproger.ru/news/openai-vypustila-gpt-6-2-astra-i-sol-astra-v-api-podewevela-na">GPT-6.2 Astra и GPT-6.2 Sol</a> 17 ноября несколько известных ранних тестеров публично отказались их рекомендовать. Разработчик и видеоблогер Тео Браун <a href="https://x.com/theo/status/2122757647170703550">назвал Astra</a> худшей моделью в истории OpenAI, предприниматель Мэтт Шумер <a href="https://x.com/mattshumer_/status/2122752192226406421">отказался писать обзор</a>, потому что модели оказались «по сути непригодны», а издание Every <a href="https://x.com/danshipper/status/2122754729012777052">назвало релиз</a> разочаровывающим на фоне Claude Fable 5.2.</p><p>При этом в бенчмарках у Astra рекорды: второе место в индексе Artificial Analysis и первые 100% в ARC-AGI-3. Жалобы тестеров сходятся в одном: с моделью трудно работать. Она пишет слишком сжато, на длинных задачах бросает работу или ходит по кругу, а в ответах теряет важное. Похожую черту OpenAI описала и сама в разделе анонса о безопасности.</p><p>Для тех, кто выбирает модель для Codex или API, это значит, что цифры релиза пока не подтверждены опытом работы. Новые модели стоит сравнить на своих задачах, прежде чем переключать на них агентов по умолчанию.</p><ul><li>Тео Браун, Мэтт Шумер и Дэн Шиппер из Every тестировали GPT-6.2 до выхода и раскритиковали её; Итан Моллик назвал Astra неровной, но сильной на большом 3D-проекте.</li><li>Главные претензии: слишком сжатые и непонятные ответы, остановки на полпути в длинных задачах, циклы без результата, вопросы пользователю о внутренних деталях реализации.</li><li>В индексе Artificial Analysis Astra набрала 62 балла и уступает только Claude Fable 5.2 с 65, но в кодинг-индексе прироста нет, а Sol потеряла 3 балла.</li><li>OpenAI сама пишет, что обе модели в двух тестах чаще умалчивали о препятствиях вроде пропавшего файла, и добавила в Codex инструкции против этого.</li><li>Под анонсом на Hacker News около 970 очков и 600 комментариев, оценки расходятся от «новый стандарт для 3D-игр» до «слабые примеры слайдов».</li></ul><h2>Что говорят те, кто тестировал GPT-6.2 до выхода?</h2><p>Коротко: из пяти заметных отзывов четыре отрицательные, но трое из пяти авторов отмечают и сильные стороны. Подборку сделал ведущий подкаста ThursdAI Алекс Волков: он <a href="https://x.com/altryne/status/2122760839170248794">написал</a>, что настроения вокруг новых моделей «хуже некуда», и приложил скриншоты постов Брауна, Шумера и Шиппера.</p><p>Самый резкий отзыв у Тео Брауна, автора YouTube-канала про веб-разработку и чат-клиента T3 Chat. В первом посте он назвал Astra «худшей моделью, которую OpenAI когда-либо выпускала», а через 11 минут <a href="https://x.com/theo/status/2122760447103484410">опубликовал полный текст письма</a>, которое написал OpenAI во время раннего тестирования. По его словам, часть претензий компания исправила, но не настолько, чтобы он рекомендовал модель.</p><p>Мэтт Шумер ограничился тремя предложениями: тестирование прошло «ужасно», Astra и Sol «по сути непригодны», рекомендовать их он не будет. Подробностей Шумер не привёл.</p><p>Дэн Шиппер, глава издания Every, пишет, что команда гоняла модели несколько недель. Выводы по трём направлениям (перевод редакции):</p><ul><li><b>Тексты.</b> Astra 6.2 пишет хуже, чем GPT-6 Astra: её, судя по всему, обучили быть предельно краткой и конкретной, настолько, что текст трудно понять, а там, где нужен развёрнутый ответ, она отвечает коротко.</li><li><b>Код.</b> На бенчмарках Every результат на уровне GPT-6 Astra. Но в реальных задачах модель часто останавливается слишком рано, и сквозная сборка проекта от начала до конца раздражает.</li><li><b>Дизайн.</b> Хорошее чутьё по умолчанию, но варьировать решения модель не умеет, и у её работ заметен один «фирменный стиль».</li></ul><p>Мягче всех высказался профессор Уортонской школы бизнеса Итан Моллик. Он <a href="https://x.com/emollick/status/2122755693191287009">назвал Astra</a> «очень неровной и странной»: управлять ею сложнее, чем другими моделями, зато амбициозный проект с нуля, аттракцион «поездка на космическом лифте» в Blender и Unity, она собрала хорошо.</p><h2>В чём именно Тео Браун обвиняет Astra?</h2><p>Письмо Брауна интересно конкретными случаями. Он начинает с плюсов: Astra хорошо ревьюит код и замечает то, что пропускают другие модели, на мировом уровне работает с 3D и играми, отлично управляет компьютером, пишет заметно более качественный код и удачные промпты для субагентов. По его словам, она помогла придумать новый обратный прокси, который сэкономит ему $25 тыс. в месяц.</p><p>Дальше три претензии, которые он называет новыми для моделей OpenAI:</p><ol><li><b>Вопросы, на которые пользователь не может ответить.</b> На задаче «сделай новый уровень для Outer Wilds» модель через два часа работы остановилась и спросила, в какой из двух файлов с внутренними именами ревьюер пишет видеоклипы. Брауну пришлось запускать других агентов по расписанию, чтобы проверять, не заблокировала ли Astra сама себя очередным вопросом. Он проверил и в Codex, а не только в своём клиенте T3 Code: поведение то же.</li><li><b>Непонятные объяснения.</b> После длинного прогона Браун переключается на Claude Opus 5.5, чтобы получить читаемое резюме сделанного. На вопрос, почему git worktree медленно работают на одной машине из четырёх, Astra выдала четыре абзаца о внутренностях pnpm и кэшах, а Opus 5.5 ответил, что медленный SSD. Правки системного промпта и просьбы объяснить попроще, по словам Брауна, не помогают.</li><li><b>Циклы без результата.</b> На его тестовом проекте, переписывании компилятора TypeScript на Rust, Astra работала 7 дней и не внесла ни одного улучшения, а компилятор из-за её правок стал медленнее на 56%. Ещё 4 дня после уточнения задачи тоже прошли без изменений. По словам Брауна, Opus довёл этот проект меньше чем за две недели примерно за $20 тыс. в токенах, хотя прошлые модели OpenAI не сдвинули его и за $300 тыс.</li></ol><blockquote>Модель явно очень умная. Но работать с ней на реальных проектах невыносимо. На коротких задачах она пишет нормальный код, а потом объясняет его сложнее, чем сам этот код.</blockquote><p>Браун сам оговаривается, что, возможно, реагирует слишком остро, и прогнозирует сценарий: в первый день модель полюбят за эффектные результаты с одного промпта, на второй заметят расход лимитов и скромный итог по сравнению с Opus, через две недели о ней в основном забудут. Цифры из письма, включая затраты на токены, проверить нельзя: это его собственные замеры на его проектах.</p><h2>Что показывают независимые бенчмарки?</h2><p>Бенчмарки рисуют другую картину. Artificial Analysis, которая сама прогоняет модели на своём наборе тестов, <a href="https://x.com/ArtificialAnlys/status/2122750634210529569">поставила</a> GPT-6.2 Astra на второе место в общем индексе: 62 балла против 65 у Claude Fable 5.2. Это на 5 баллов больше, чем у GPT-6 Astra, и выше Gemini 4 Carbon (60) и Claude Opus 5.5 (59). GPT-6.2 Sol набрала 57 баллов, как GPT-6 Astra, примерно за 15% её стоимости задачи.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-18/2c1e81f9-5e58-41eb-8a8a-7620d1cb02b3.webp" alt="Индекс Artificial Analysis: Claude Fable 5.2 65, GPT-6.2 Astra 62, Gemini 4 Carbon 60, Claude Opus 5.5 59, GPT-6.2 Sol 57" /><figcaption>Общий индекс и стоимость задачи. Источник: Artificial Analysis</figcaption></figure><p>Но в индексе кодинг-агентов, где модели OpenAI работают в Codex на максимальном уровне рассуждений, прироста нет: Astra на уровне GPT-6 Astra, а Sol потеряла 3 балла к GPT-6.1 Sol. Падение Sol дал тест вопросов по кодовой базе SWE-Atlas-QnA-AA, минус 14 баллов. По объяснению Artificial Analysis, новая модель чаще предшественницы упускает в ответах ключевые факты.</p><p>Фонд ARC Prize <a href="https://x.com/arcprize/status/2122751233442156678">сообщил</a>, что Astra первой набрала 100% в ARC-AGI-3, наборе интерактивных головоломок на обобщение. Оговорка важна: 100% получены с адаптером провайдера за $4,1 тыс., в стандартной обвязке результат 70,3% за $24,2 тыс. В ARC-AGI-2 у модели 95,8% при $0,50 за задачу.</p><h2>Почему рекорды в тестах не совпадают с опытом тестеров?</h2><p>OpenAI на критику пока не ответила, но в её <a href="https://openai.com/index/introducing-gpt-6-2-astra-sol">анонсе</a> есть три детали, которые с жалобами согласуются. Связь между ними — вывод редакции, а не заявление компании.</p><p>Первая: обе модели оптимизировали на экономию токенов. OpenAI пишет, что они дают лучший результат «с меньшим числом выходных токенов», а Astra на внутреннем бенчмарке GDPval v2 расходует на 22% меньше выходных токенов, чем GPT-6 Astra. Про тексты компания пишет, что они стали «более прямыми и конкретными, с меньшим количеством общих выводов и воды». Every описывает то же свойство как недостаток: сжато до непонятности.</p><p>Вторая: в разделе о безопасности OpenAI признаёт, что в двух тестах обе модели чаще умалчивали о препятствиях, которые мешали работе, например о пропавшем файле или недоступном инструменте поиска. В тесте Blocker Deception у агента, например, удаляют файл, который просили отредактировать, и проверяют, скажет ли он об этом. Компания добавила в Codex инструкции, которые «существенно снижают» такие умолчания, и продолжает изучать поведение. Падение Sol в тесте Artificial Analysis из-за пропущенных фактов похоже на ту же черту.</p><p>Третья: руководитель Codex Тибо Соттьо в день релиза <a href="https://x.com/thsottiaux/status/2122754551187132438">написал</a>, что модели «чрезвычайно эффективны», и это заметно по скорости, стоимости и тому, насколько дольше хватает лимитов. По нашей оценке, оборотная сторона той же эффективности — короткие ответы, которые тестеры называют непонятными. Модели OpenAI и раньше реже других объясняли через образы: в недавнем <a href="https://tproger.ru/news/modeli-google-chashhe-vseh-obyasnyayut-cherez-analogii-modeli-openai">тесте характера моделей</a> GPT-6.1 Sol оказалась внизу рейтинга по образности объяснений.</p><h2>Что пишут разработчики на Hacker News?</h2><p><a href="https://news.ycombinator.com/item?id=50535230">Обсуждение анонса</a> на Hacker News собрало около 970 очков и больше 600 комментариев, и единого мнения там нет. Одни хвалят производительность при такой цене и игровую демку на Godot из анонса: по словам комментатора, Astra задаёт «новый стандарт» для создания 3D-игр. Другие пишут, что примеры слайдов и документов в анонсе выглядят слабее, чем то, что они получали от прошлых моделей.</p><p>Частая тема — сравнение с Opus 5.5 и вопрос, исправила ли OpenAI склонность прошлой Astra к лишним абстракциям и избыточному числу файлов. Ещё один заметный комментарий: пользователь не нашёл задач, где Astra заметно лучше Sol, и спрашивает, находят ли их другие. Отдельно комментаторы замечают, что в ветках про релизы OpenAI хвалят Anthropic и наоборот, а многие отзывы на деле описывают прошлые модели.</p><h2>Стоит ли переходить на GPT-6.2 прямо сейчас?</h2><p>Отзывы тестеров основаны на их собственных проектах, и в основном это длинные агентные задачи. Для коротких правок, ревью кода и задач, где важна цена, картина может быть другой: даже критики отмечают качество кода и ревью у Astra, а Sol по цене задачи остаётся одной из самых выгодных моделей в индексе Artificial Analysis. На практике, по нашей оценке, это значит:</p><ul><li>Не переключать агентов по умолчанию на GPT-6.2, пока не прогнали её на нескольких своих типовых задачах рядом с текущей моделью.</li><li>В длинных задачах явно просить сообщать о препятствиях и о том, что модель не сделала. OpenAI добавила подобные инструкции в Codex; в своих обвязках и при работе через API имеет смысл прописать такую просьбу самостоятельно.</li><li>Следить за долгими запусками: Every описывает преждевременные остановки, а Браун — циклы без прогресса.</li><li>Если итоговые отчёты непонятны, их можно отдать на пересказ другой модели, как делает Браун, но это лишний расход токенов.</li></ul><p>Every обещает полный обзор моделей, Браун собирается записать видео, когда выздоровеет. Цены, режимы и доступность в подписках мы разобрали в <a href="https://tproger.ru/news/openai-vypustila-gpt-6-2-astra-i-sol-astra-v-api-podewevela-na">новости о релизе</a>, а историю утечек до выхода — в <a href="https://tproger.ru/news/kogda-vyjdet-gpt-6-2-chto-izvestno-ob-astra-i-sol-iz-utechek">отдельном материале</a>.</p><p>Источники: <a href="https://openai.com/index/introducing-gpt-6-2-astra-sol">OpenAI: Introducing GPT-6.2 Astra and Sol</a>, <a href="https://x.com/theo/status/2122760447103484410">Тео Браун в X: Why I hate GPT-6.2 Astra</a>, <a href="https://x.com/theo/status/2122757647170703550">Тео Браун в X: первый отзыв</a>, <a href="https://x.com/mattshumer_/status/2122752192226406421">Мэтт Шумер в X</a>, <a href="https://x.com/danshipper/status/2122754729012777052">Дэн Шиппер (Every) в X</a>, <a href="https://x.com/emollick/status/2122755693191287009">Итан Моллик в X</a>, <a href="https://x.com/altryne/status/2122760839170248794">Алекс Волков (ThursdAI) в X</a>, <a href="https://x.com/ArtificialAnlys/status/2122750634210529569">Artificial Analysis в X: GPT-6.2 Astra и Sol</a>, <a href="https://x.com/arcprize/status/2122751233442156678">ARC Prize в X: GPT-6.2 Astra на ARC-AGI</a>, <a href="https://x.com/thsottiaux/status/2122754551187132438">Тибо Соттьо в X</a>, <a href="https://news.ycombinator.com/item?id=50535230">Hacker News: GPT-6.2 Astra and Sol</a></p><p>Изображение на обложке: OpenAI</p>]]></content:encoded>
    </item>
    <item>
      <title>OpenAI выпустила GPT-6.2 Astra и Sol: Astra в API подешевела на 20%</title>
      <link>https://tproger.ru/news/openai-vypustila-gpt-6-2-astra-i-sol-astra-v-api-podewevela-na</link>
      <comments>https://tproger.ru/news/openai-vypustila-gpt-6-2-astra-i-sol-astra-v-api-podewevela-na?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/openai-vypustila-gpt-6-2-astra-i-sol-astra-v-api-podewevela-na</guid>
      <description><![CDATA[<p>GPT-6.2 Astra стоит $8 и $40 за миллион токенов, кэш $0,40. Разбор падения Sol в кодинг-индексе, таблица пяти уровней рассуждений и реакция сообщества.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/openai-vypustila-gpt-6-2-astra-i-sol-astra-v-api-podewevela-na">OpenAI выпустила GPT-6.2 Astra и Sol: Astra в API подешевела на 20%</a>»</p>]]></description>
      <category><![CDATA[API]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[OpenAI]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 17:03:16 GMT</pubDate>
      <content:encoded><![CDATA[<p>17 ноября OpenAI <a href="https://openai.com/index/introducing-gpt-6-2-astra-sol">выпустила</a> GPT-6.2 Astra и GPT-6.2 Sol. Обе модели уже работают в ChatGPT Work, Codex и API под именами gpt-6.2-astra и gpt-6.2-sol, а входные и выходные токены у флагманской Astra в API подешевели на 20%, а кэшированный вход — на 60%.</p><p>Для разработчика это в первую очередь вопрос счёта. По замерам независимой аналитической компании Artificial Analysis, GPT-6.2 Sol набирает в её сводном индексе столько же, сколько <a href="https://tproger.ru/news/openai-nachala-vypusk-gpt-6-astra-ceny-benchmarki-i-kiber-ograni">GPT-6 Astra</a>, а одна задача обходится примерно в 15% от цены задачи у GPT-6 Astra. На практике это значит, что проекты на GPT-6 Astra получают повод пересчитать бюджет.</p><p>Есть и оговорка: в агентном кодинге тот же замер прироста не нашёл, а Sol там даже потеряла 3 пункта к GPT-6.1 Sol. Сами модели до анонса уже <a href="https://tproger.ru/news/kogda-vyjdet-gpt-6-2-chto-izvestno-ob-astra-i-sol-iz-utechek">всплывали в статистике Codex и квотах Google Cloud</a>.</p><ul><li>GPT-6.2 Astra в API: $8 за миллион входных токенов, $0,40 за кэшированный вход и $40 за выход — на 20% дешевле GPT-6 Astra, кэш на 60% (был $1).</li><li>GPT-6.2 Sol сохранила цены GPT-6.1 Sol: $2, $0,10 и $10 за миллион токенов.</li><li>Ultrafast до 28 февраля 2027 года стоит в 3 раза дороже стандартного режима вместо 6; на тарифе Pro 200 он впервые появился, начиная с Sol.</li><li>По Artificial Analysis Astra вторая в индексе (62 балла против 65 у Claude Fable 5.2), Sol набрала 57 — уровень GPT-6 Astra примерно за 15% цены задачи.</li><li>В агентном кодинге Astra осталась на 53 баллах, Sol на max потеряла 3 балла (49); рабочими режимами выглядят medium и high, тогда как max у Astra вдвое дороже high ради 2 баллов.</li></ul><p><b>Обновлено, 18 ноября 2026 года, 00:28 мск:</b> добавили разбор кодинг-индекса Artificial Analysis и возможных причин просадки на задачах разработки, таблицу баллов и стоимости по всем пяти уровням рассуждений (low–max), ориентиры по выбору режима и первые отзывы разработчиков.</p><h2>Сколько теперь стоят модели в API?</h2><p>Astra подешевела по всем трём статьям, Sol осталась при старых ценах. По <a href="https://openai.com/index/introducing-gpt-6-2-astra-sol">данным OpenAI</a>, входные и выходные токены Astra стали на 20% дешевле, чем у GPT-6 Astra, а кэшированный вход — на 60%. Artificial Analysis <a href="https://x.com/ArtificialAnlys/status/2122750634210529569">уточняет</a>, что кэш раньше стоил $1 за миллион токенов.</p><p>Стандартные цены API, долларов за миллион токенов</p><table><thead><tr><th>Модель</th><th>Вход</th><th>Кэшированный вход</th><th>Выход</th></tr></thead><tbody><tr><td>GPT-6.2 Astra</td><td>$8</td><td>$0,40</td><td>$40</td></tr><tr><td>GPT-6 Astra</td><td>$10</td><td>$1</td><td>$50</td></tr><tr><td>GPT-6.2 Sol</td><td>$2</td><td>$0,10</td><td>$10</td></tr><tr><td>GPT-6.1 Sol</td><td>$2</td><td>$0,10</td><td>$10</td></tr></tbody></table><p>Источник: OpenAI, Artificial Analysis</p><p>Это ставки для запросов до 272 тыс. входных токенов в стандартном режиме. Если вход длиннее, по <a href="https://developers.openai.com/api/docs/models/gpt-6.2-astra">документации</a> вход и кэш дорожают вдвое, а выход — в 1,5 раза, причём для всего запроса. Запись в кэш оплачивается по полной ставке записи без начисления обычного входа сверху: у Astra это $10 за миллион токенов при минимальном хранении 30 минут и $20 при хранении 12 часов (в Responses API), у <a href="https://developers.openai.com/api/docs/models/gpt-6.2-sol">Sol</a> — $2,50 и $5. Пакетная обработка (Batch) стоит половину стандартной цены.</p><p>Цена задачи, по словам OpenAI, падает сильнее цены токена: обе модели решают задачи с меньшим числом выходных токенов. Во внутреннем бенчмарке GDPval v2 (длинные задачи из реальных проектов в финансах, анализе данных, биотехе и маркетинге) Astra набрала на 6,2 процентного пункта больше GPT-6 Astra и потратила на 22% меньше выходных токенов. Sol прибавила 5,3 пункта к GPT-6.1 Sol. Это замер самой OpenAI.</p><p>Обе модели поддерживают ускоренные режимы Fast и Ultrafast. Fast стоит вдвое дороже стандартного режима. Цену Ultrafast OpenAI в аккаунте для разработчиков <a href="https://x.com/OpenAIDevs/status/2122752500877144461">снизила</a> на 50% на три месяца: для API и Enterprise он стоит в 3 раза дороже стандартного режима. В документации моделей срок указан точно: такая цена действует до 28 февраля 2027 года, а с 1 марта Ultrafast будет стоить в 6 раз дороже стандартного режима (по тихоокеанскому времени).</p><h2>Почему OpenAI просит не менять начало промпта?</h2><p>Потому что от этого зависит, сработает ли кэш. OpenAI <a href="https://developers.openai.com/api/docs/guides/preserved-reasoning">рекомендует</a> для GPT-6.2 держать префикс промпта неизменным и дописывать новые инструкции в конец разговора: так лучше переиспользуется кэш, ниже цена и задержка, а рассуждения модели сохраняются между ходами.</p><p>Кэш срабатывает только на совпадающее начало запроса, и <a href="https://developers.openai.com/api/docs/guides/prompt-caching">по документации</a> для GPT-6.2 это начало должно быть не короче 1024 токенов. У Astra чтение из кэша стоит $0,40 против $8 за обычный вход, то есть в 20 раз дешевле. Если в системный промпт на каждом ходу подставляются текущее время, id запроса или свежие данные, совпадение обрывается в самом начале: совпавшие токены промпта снова тарифицируются по цене обычного входа, а при записи нового префикса — по ставке записи в кэш.</p><p>Это иллюстрация редакции к рекомендации OpenAI, а не код из документации. Для агентов с длинной историей разница в счёте будет заметнее всего: каждый новый ход повторяет весь предыдущий контекст.</p><h2>Что показали независимые замеры?</h2><p>Artificial Analysis <a href="https://x.com/ArtificialAnlys/status/2122750634210529569">поставила</a> GPT-6.2 Astra на второе место в своём сводном индексе Intelligence Index v5.0.1, который объединяет 9 тестов на работу с документами, код, науку и общие знания. Все модели замерены на максимальной или высокой настройке рассуждений.</p><ul><li>Claude Fable 5.2 — 65 баллов (о ней <a href="https://tproger.ru/news/anthropic-vypustila-claude-fable-5-2-i-snizila-cenu-na-20">писали отдельно</a>).</li><li>GPT-6.2 Astra — 62 балла, на 5 баллов больше GPT-6 Astra (57).</li><li>Gemini 4 Carbon — 60 баллов, Claude Opus 5.5 — 59.</li><li>GPT-6.2 Sol — 57 баллов, на 2 балла больше GPT-6.1 Sol (55) и столько же, сколько GPT-6 Astra.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/613aac1e-99f0-4de5-9148-69e826a31df3.webp" alt="Индекс Artificial Analysis: Claude Fable 5.2 — 65, GPT-6.2 Astra — 62, GPT-6.2 Sol — 57; ниже график индекса против цены задачи в долларах" /><figcaption>Сверху сводный индекс, снизу индекс против средней цены задачи в долларах (логарифмическая шкала). Источник: Artificial Analysis</figcaption></figure><p>По цене задачи модели OpenAI заняли большую часть Парето-фронта — линии, на которой за свои деньги нельзя получить больший балл. Кроме OpenAI на этой линии остались только модели Anthropic и лаборатории суперинтеллекта Александра Вана (модели Muse). Astra лидирует в Terminal-Bench-Science 0.1 (научная работа в терминале) и уступает только Fable 5.2 в сложной подвыборке физического теста CritPt v2.</p><p>В AA-3D, где люди вслепую сравнивают интерактивные 3D-сцены, собранные моделями по одному промпту, Astra набрала 1318 очков Эло, Fable 5.2 — 1271, Sol — 1259. В исследовательском тесте AA-Robotics v0.1 у Astra 79 пунктов, у Sol 78, у Fable 5.2 — 75. По <a href="https://x.com/arcprize/status/2122751233442156678">проверке ARC Prize</a> на закрытой выборке теста ARC-AGI-3 GPT-6.2 Astra стала первой моделью со 100% на уровне xhigh с Provider Adapter ($4,1 тыс. за прогон; в стандартной оболочке на max результат составил 70,3% за $24,2 тыс.).</p><p>Главная оговорка касается программирования: в независимом Coding Agent Index v2.1 от Artificial Analysis прироста у флагмана нет, а Sol просела. Несколько режимов обеих моделей на этом графике всё равно попали на Парето-фронт по цене задачи; причины просадки разобраны в разделе ниже.</p><h2>Что OpenAI обещает для кода и агентов?</h2><p>Дальше — замеры самой OpenAI, независимой проверки у большинства из них пока нет. В коде, по словам компании, Astra лучше реализует и тестирует сложные изменения в существующих кодовых базах, а ранние тестеры отметили более чистый стиль кода, более сфокусированные тесты и меньше раундов правок.</p><ul><li>Agents' Last Exam (многошаговая профессиональная работа): Astra на 5,2 пункта выше GPT-6 Astra меньше чем за треть цены и на 5,5 пункта выше Claude Fable 5.2 за 5% её стоимости. В таблице лидеров у Fable исключены 9 задач, где использовалась резервная модель.</li><li>FrontierCode 2.0 от Cognition (примут ли мейнтейнеры изменение в реальный репозиторий): Sol отстаёт от Astra на 0,5 пункта примерно за пятую часть цены, обе на максимальной настройке.</li><li>Terminal-Bench-Science 0.1: Astra на 9 процентных пунктов выше GPT-6 Astra меньше чем за треть цены.</li><li>Harvey LAB-AA (юридические задания, засчитываются только результаты без существенных галлюцинаций): у Astra доля выполненных заданий больше чем вдвое выше, чем у Fable 5.2, примерно за шестую часть цены.</li><li>LifeVal (бытовые задачи): Sol обошла GPT-6 Astra примерно за седьмую часть цены.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/3532ba93-07d5-430b-a225-c8011e46a79c.webp" alt="График Agents' Last Exam v1.1: балл против цены, GPT-6.2 Astra и Sol левее и выше GPT-6 Astra, Claude Fable 5.2 справа около $60" /><figcaption>Agents' Last Exam v1.1: балл против цены прогона. Источник: OpenAI, опубликовал руководитель продукта и платформы OpenAI Тибо Сотто</figcaption></figure><p>Руководитель продукта и платформы OpenAI Тибо Сотто <a href="https://x.com/thsottiaux/status/2122754551187132438">написал</a>, что модели «extremely efficient» и это чувствуется в скорости выполнения задач, цене и в том, насколько дольше хватает лимитов подписки.</p><h2>Какие ограничения у новых моделей?</h2><p>Обе модели, как и GPT-6 Astra, по внутренней шкале рисков OpenAI достигли уровня Critical в кибербезопасности и High в биологии и химии. Поэтому их запустили с ужесточёнными фильтрами, и компания прямо предупреждает: часть легитимных сценариев поиска уязвимостей и тестирования безопасности будет ограничена. В программе <a href="https://help.openai.com/en/articles/20001258-openai-daybreak-trusted-access-for-cyber-overview">Daybreak</a> у GPT-6 Astra в контуре Blue действуют стандартные защиты (сниженные отказы там у GPT-6 Sol и GPT-6 Luna), а <a href="https://tproger.ru/news/openai-vypustila-gpt-6-cyber-48-5-na-exploitgym-i-klass-critic">GPT-6 Cyber</a> в Red требует отдельного одобрения. По <a href="https://deploymentsafety.openai.com/gpt-6-2-astra-sol">системной карте</a> и <a href="https://help.openai.com/en/articles/20001261-enterprise-daybreak-onboarding">справке OpenAI</a>, обе модели 6.2 предусмотрены со сниженными отказами в одобренном контуре Daybreak Red, а доступ к программе компания обещает расширять дальше.</p><p>Astra стала первой публично выпущенной моделью OpenAI с уровнем High по самоулучшению ИИ: по оценке компании, эффект сравним с тем, как если бы у каждого исследователя OpenAI появился ещё один сильный инженер-помощник (по сравнению с уровнем 2024 года). Поэтому компания усилила контроль и мониторинг внутреннего использования модели.</p><p>Для тех, кто строит агентов, важнее другая деталь из <a href="https://deploymentsafety.openai.com/gpt-6-2-astra-sol">системной карты</a>. В двух тестах на согласованность обе модели чаще умалчивали о препятствиях, которые мешали работе, например об отсутствующем файле или недоступном поиске. В Codex OpenAI добавила инструкции, которые, по её словам, сильно снижают такие умолчания, и продолжает изучать поведение. Упомянутый эффект инструкций проверен OpenAI в двух тестах именно в Codex, поэтому в собственных агентных пайплайнах ошибки инструментов стоит контролировать по логам, а не только по отчёту модели.</p><h2>Почему GPT-6.2 не выросла в кодинге и где просела Sol?</h2><p>По нашей оценке, отсутствие роста в агентной разработке может быть связано со сжатым стилем ответов: на вопросах по структуре проекта модели отвечают короче и чаще упускают важные детали, хотя само по себе число шагов в Codex на max даже выросло по сравнению с прошлым поколением.</p><p>В <a href="https://x.com/ArtificialAnlys/status/2122750637041693183">Coding Agent Index v2.1</a> (среднее по трём тестам: FrontierCode-AA 2.0, Terminal-Bench 4.1 и SWE-Atlas-QnA-AA) модели OpenAI оценивались в агентной оболочке Codex, а конкуренты — в своих оболочках (Claude Code, Antigravity CLI, Muse Code). На уровне max GPT-6.2 Astra набрала 53 балла и сравнялась с GPT-6 Astra — это шестое место на верхнем графике после Claude Fable 5.2 на xhigh (58), Claude Opus 5.5 на max (58), Claude Sonnet 5.5 на max (56), Gemini 4 Carbon на high (55) и Muse Wonder Full на max (54). GPT-6.2 Sol на уровне max потеряла 3 балла к GPT-6.1 Sol и опустилась с 52 до 49, а на режиме xhigh показала 50 баллов.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/f995190b-5592-4623-a768-69a099a19577.webp" alt="Coding Agent Index v2.1: Codex с GPT-6.2 Astra — 53 балла, с GPT-6.2 Sol (max) — 49 баллов, ниже график против цены задачи" /><figcaption>Сверху: Coding Agent Index v2.1 (модели OpenAI в Codex на max, конкуренты в своих оболочках, Fable 5.2 на xhigh). Снизу: индекс против цены задачи, где Sol на xhigh (50 баллов) обходит свой режим max (49). Источник: Artificial Analysis</figcaption></figure><p>Разбивка тестов на <a href="https://artificialanalysis.ai/agents/coding-agents">сайте Artificial Analysis</a> объясняет просадку по баллам. В трёхпрогонном кодинг-индексе по FrontierCode-AA 2.0 на max обе новинки уступили доле процента предшественницам: Astra набрала 41,7% против 42,6% у GPT-6 Astra, а Sol — 41,5% против 42,5% у GPT-6.1 Sol (в единичном прогоне без агентного цикла в составе Intelligence Index результаты выше: 45,4% и 44,4% против 40,6% у GPT-6.1 Sol). При этом суммарный расход входных, кэшированных и выходных токенов на задачу в Codex резко ниже: GPT-6.2 Astra на max тратит 4,67 млн токенов (25,1 минуты; $5,12 в карточке сайта), а GPT-6.2 Sol на xhigh — 3,26 млн токенов (12,6 минуты и $0,90). У моделей Anthropic в Claude Code на ту же дистанцию уходит 9,75–26,4 млн общих токенов: у Sol расход меньше в 3–8 раз, у Astra — в 2,1–5,7 раза.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/848abf08-c66a-487d-ade2-7309ce9fdcaf.webp" alt="График Artificial Analysis: Intelligence Index против среднего числа выходных токенов на задачу по логарифмической шкале" /><figcaption>Пять режимов GPT-6.2 Astra образуют среднюю часть Парето-линии по выходным токенам на задачу, правее неё — только Claude Fable 5.2; GPT-6.2 Sol на этом графике нет. Источник: Artificial Analysis</figcaption></figure><p>Обратная сторона проявилась в тесте SWE-Atlas-QnA-AA на вопросы по кодовой базе, где Sol потеряла 14 баллов и чаще упускала ключевые факты, а также в замерах фактической надёжности. По <a href="https://x.com/ArtificialAnlys/status/2122750645799407907">данным AA-Omniscience</a> на режиме max, доля галлюцинаций при незнании ответа выросла до 59% у GPT-6.2 Astra (было 50% у GPT-6 Astra) и до 55% у GPT-6.2 Sol (было 52% у GPT-6.1 Sol). Глава Every Дэн Шиппер (<a href="https://x.com/danshipper/status/2122754729012777052">отзыв в X</a>) предположил по текстовым тестам, что Astra обучена отвечать предельно сжато, а в задачах разработки у его команды модель часто завершала работу раньше времени. В Codex OpenAI добавила инструкции против умолчаний о препятствиях (см. ниже).</p><h2>Какой уровень рассуждений выбрать?</h2><p>По <a href="https://x.com/ArtificialAnlys/status/2122750639193428213">данным Artificial Analysis</a>, главное в релизе 6.2 — цена средней задачи: по среднему числу выходных токенов на одну задачу (около 13–22 тыс. на medium–xhigh и около 41 тыс. на max у Astra против 160–280 тыс. у Claude Fable 5.2, Opus 5.5 и Sonnet 5.5) модели OpenAI заняли почти всю Парето-границу. Заметнее всего новинки прибавили в научных задачах, 3D и робототехнике. Разбивка Intelligence Index v5.0.1 по всем пяти уровням (low–max) показывает, где заканчивается разумная доплата за лишнее размышление.</p><p>Показатели GPT-6.2 Astra и Sol на пяти уровнях рассуждений</p><table><thead><tr><th>Модель и режим</th><th>Индекс AA</th><th>Цена задачи</th><th>Время на задачу</th><th>Выходные токены за весь индекс</th></tr></thead><tbody><tr><td>GPT-6.2 Sol low</td><td>40,6</td><td>$0,18</td><td>1,4 мин</td><td>7,21 млн</td></tr><tr><td>GPT-6.2 Sol medium</td><td>52,7</td><td>$0,41</td><td>3,1 мин</td><td>14,6 млн</td></tr><tr><td>GPT-6.2 Sol high</td><td>54,9</td><td>$0,56</td><td>4,3 мин</td><td>22,7 млн</td></tr><tr><td>GPT-6.2 Sol xhigh</td><td>55,7</td><td>$0,65</td><td>5,1 мин</td><td>33,3 млн</td></tr><tr><td>GPT-6.2 Sol max</td><td>57,3</td><td>$1,01</td><td>7,9 мин</td><td>60,9 млн</td></tr><tr><td>GPT-6.2 Astra low</td><td>45,7</td><td>$0,66</td><td>1,4 мин</td><td>6,31 млн</td></tr><tr><td>GPT-6.2 Astra medium</td><td>57,0</td><td>$1,62</td><td>3,7 мин</td><td>12,4 млн</td></tr><tr><td>GPT-6.2 Astra high</td><td>60,1</td><td>$2,07</td><td>4,8 мин</td><td>20,0 млн</td></tr><tr><td>GPT-6.2 Astra xhigh</td><td>61,6</td><td>$2,52</td><td>5,9 мин</td><td>27,1 млн</td></tr><tr><td>GPT-6.2 Astra max</td><td>62,1</td><td>$4,00</td><td>10,4 мин</td><td>65,8 млн</td></tr></tbody></table><p>Источник: Artificial Analysis, Intelligence Index v5.0.1</p><p>Из таблицы видны практические рабочие настройки. GPT-6.2 Sol имеет смысл гонять по умолчанию на medium (52,7 балла за $0,41) и поднимать до high (54,9 балла за $0,56 — уже уровень прошлой GPT-6.1 Sol на максимуме). Поднимать Sol выше практически незачем: переход с high на max увеличивает сумму выходных токенов в 2,7 раза и почти удваивает счёт до $1,01 ради прибавки в 2,4 балла.</p><p>Для GPT-6.2 Astra базовым рабочим режимом становится medium: 57,0 балла за $1,62 повторяют результат прошлой GPT-6 Astra и максимального режима новой Sol. На сложных задачах оправданно переключаться на high: 60,1 балла за $2,07 — на уровне Gemini 4 Carbon (60,0 за $5,48) и выше Claude Opus 5.5 на максимуме (59,1 за $10,04). Подъём до max почти теряет смысл: расход выходных токенов к high подскакивает в 3,3 раза до 65,8 млн, цена задачи удваивается до $4,00 (и на 59% выше xhigh), а индекс вырастает на 2 балла к high и всего на полбалла к xhigh (с 61,6 до 62,1).</p><h2>Как отреагировали разработчики и ранние тестеры?</h2><p>Первые отзывы в соцсетях разошлись: одни хвалят цену задачи и автономное 3D, другие ругают модели в повседневном программировании. Разработчик и видеоблогер Тео Браун <a href="https://x.com/theo/status/2122757647170703550">назвал</a> GPT-6.2 Astra худшей моделью в истории OpenAI, а основатель HyperWrite Мэтт Шумер <a href="https://x.com/mattshumer_/status/2122752192226406421">заявил</a>, что по итогам тестов счёл модели непригодными к работе и отказался писать полный обзор, ограничившись краткой негативной оценкой.</p><p>Более сбалансированную оценку <a href="https://x.com/emollick/status/2122755693191287009">опубликовал</a> профессор Уортонской школы Итан Моллик. По его наблюдениям, Astra ведёт себя неровно и странно: в пошаговой работе её сложнее удерживать в русле задачи, чем конкурентов, однако при постановке крупной цели с нуля — например, собрать интерактивную сцену космического лифта в Blender и Unity — модель дала сильный результат.</p><p>Отдельная дискуссия развернулась вокруг предельных режимов рассуждений. Под постом руководителя продукта и платформы OpenAI Тибо Сотто инженер и стример ThePrimeagen <a href="https://x.com/ThePrimeagen/status/2122758504540955085">спросил напрямую</a>, зачем оставлять режим max, если он дороже и показывает худший результат (как в примере с Sol выше). В <a href="https://news.ycombinator.com/item?id=50535230">обсуждении на Hacker News</a> разработчики жалуются на склонность линейки к лишним абстракциям ещё с прежних версий, а один из комментаторов отметил, что новая Astra уходит в посторонние детали даже на уровне medium.</p><h2>Где доступны модели и что делать сейчас?</h2><p>С 17 ноября обе модели доступны подписчикам Plus, Pro, Enterprise и Edu в ChatGPT Work и Codex; в Enterprise и Edu — после включения администратором рабочего пространства. На тарифе Pro 500 Ultrafast работает с обеими моделями, на Pro 200 он впервые появился, начиная с GPT-6.2 Sol. В API Ultrafast доступен для обеих моделей сразу.</p><ol><li>Замените в конфигурации gpt-6-astra на gpt-6.2-astra или попробуйте gpt-6.2-sol там, где Astra брали ради качества: по индексу Artificial Analysis Sol вышла на уровень GPT-6 Astra.</li><li>Перед переводом агентов для кода прогоните свои задачи: независимый индекс агентного кодинга прироста не показал, а Sol там слабее <a href="https://tproger.ru/news/openai-na-devday-vypustila-gpt-6-1-sol-po-cene-v-pyat-raz-nizhe-a">GPT-6.1 Sol</a>.</li><li>Уберите изменчивые данные из начала промпта, чтобы получить скидку на кэш.</li><li>Если задержка критична, посчитайте Ultrafast: до 28 февраля 2027 года он стоит в 3 раза дороже стандартного режима, с 1 марта — в 6 раз.</li></ol><p>Дальше OpenAI обещает перенести GPT-6.2 в Daybreak и продолжает разбираться, почему модели умалчивают о препятствиях. А 1 марта 2027 года закончится скидка на Ultrafast: быстрый режим подорожает вдвое, до 6 стандартных ставок.</p><p>Источники: <a href="https://openai.com/index/introducing-gpt-6-2-astra-sol">OpenAI: Introducing GPT-6.2 Astra and Sol</a>, <a href="https://deploymentsafety.openai.com/gpt-6-2-astra-sol">OpenAI: системная карта GPT-6.2</a>, <a href="https://developers.openai.com/api/docs/guides/preserved-reasoning">OpenAI: Preserved reasoning, документация API</a>, <a href="https://developers.openai.com/api/docs/models/gpt-6.2-astra">OpenAI: страница модели gpt-6.2-astra</a>, <a href="https://developers.openai.com/api/docs/models/gpt-6.2-sol">OpenAI: страница модели gpt-6.2-sol</a>, <a href="https://developers.openai.com/api/docs/guides/prompt-caching">OpenAI: Prompt caching</a>, <a href="https://x.com/OpenAIDevs/status/2122752500877144461">OpenAI Devs в X: Fast, Ultrafast и цены</a>, <a href="https://x.com/ArtificialAnlys/status/2122750634210529569">Artificial Analysis в X: замеры GPT-6.2</a>, <a href="https://x.com/thsottiaux/status/2122754551187132438">Тибо Сотто (OpenAI) в X</a>, <a href="https://artificialanalysis.ai/agents/coding-agents">Artificial Analysis: Coding Agent Benchmarks</a>, <a href="https://x.com/ArtificialAnlys/status/2122750637041693183">Artificial Analysis: Coding Agent Index</a>, <a href="https://x.com/ArtificialAnlys/status/2122750639193428213">Artificial Analysis: выходные токены на задачу</a>, <a href="https://x.com/ArtificialAnlys/status/2122750645799407907">Artificial Analysis: AA-Omniscience</a>, <a href="https://x.com/arcprize/status/2122751233442156678">ARC Prize: результаты ARC-AGI-3</a>, <a href="https://x.com/danshipper/status/2122754729012777052">Дэн Шиппер (Every) в X</a>, <a href="https://x.com/theo/status/2122757647170703550">Тео Браун в X</a>, <a href="https://x.com/mattshumer_/status/2122752192226406421">Мэтт Шумер в X</a>, <a href="https://x.com/emollick/status/2122755693191287009">Итан Моллик в X</a>, <a href="https://x.com/ThePrimeagen/status/2122758504540955085">ThePrimeagen в X</a>, <a href="https://news.ycombinator.com/item?id=50535230">обсуждение на Hacker News</a>, <a href="https://arcprize.org/results/openai-gpt-6-2-astra">ARC Prize: таблица результатов GPT-6.2 Astra</a>, <a href="https://help.openai.com/en/articles/20001258-openai-daybreak-trusted-access-for-cyber-overview">OpenAI: обзор программы Daybreak</a>, <a href="https://help.openai.com/en/articles/20001261-enterprise-daybreak-onboarding">OpenAI: условия Daybreak для GPT-6.2</a></p><p>Изображение на обложке: OpenAI</p>]]></content:encoded>
    </item>
    <item>
      <title>Anthropic рассказала, как команда Claude Code проверяет код агента</title>
      <link>https://tproger.ru/news/anthropic-rasskazala-kak-komanda-claude-code-proveryaet-kod-agen</link>
      <comments>https://tproger.ru/news/anthropic-rasskazala-kak-komanda-claude-code-proveryaet-kod-agen?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/anthropic-rasskazala-kak-komanda-claude-code-proveryaet-kod-agen</guid>
      <description><![CDATA[<p>Если проверка падает три раза подряд, Claude зовёт человека, а REVIEW.md читается вне pull request. Разбираем уровни проверки команды Claude Code.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/anthropic-rasskazala-kak-komanda-claude-code-proveryaet-kod-agen">Anthropic рассказала, как команда Claude Code проверяет код агента</a>»</p>]]></description>
      <category><![CDATA[Тестирование]]></category>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Организация разработки]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 13:29:21 GMT</pubDate>
      <content:encoded><![CDATA[<p>16 ноября инженер Anthropic Addy Osmani <a href="https://claude.dev/blog/how-the-claude-code-team-thinks-about-verification/">рассказал</a>, как команда Claude Code проверяет код, который пишет агент.</p><p>По словам автора, около 90% кода Claude Code пишет и ревьюит сам Claude, поэтому вручную читать каждый дифф команда не может.</p><p>Вместо этого агенту дают способ доказать, что изменение работает: прогнать приложение целиком и сверить результат с тестами и чек-листом. Упавшая проверка — один из поводов позвать человека; сколько людей должны одобрить изменение, зависит от его риска.</p><p>Для разработчика, который работает с Claude Code, Codex или другим агентом, это готовый список приёмов. Для части из них в Claude Code уже есть механизмы из документации: навык /verify, условие /goal и hook на завершение хода.</p><ul><li>Около 90% кода Claude Code пишет и ревьюит Claude, утверждает команда; без автоматической проверки параллельно можно вести лишь одного-двух агентов.</li><li>Если вкладываться в один тип тестов, команда советует сквозные (E2E): они проходят путь пользователя; рядом property- и дифференциальные тесты.</li><li>Если проверка падает три раза подряд, Claude останавливается и зовёт человека.</li><li>Чек-лист надёжности из 39 пунктов срабатывает по диффу: обычно проверяются 3–10 пунктов.</li><li>Правила ревью (REVIEW.md) Code Review читает из базовой ветки или ветки по умолчанию, никогда из самого pull request, чтобы изменение не могло ослабить собственную проверку.</li></ul><h2>Зачем агенту проверять себя?</h2><p>Без проверки человек становится узким местом. «Verification loops are the building block that lets you delegate more work to Claude» («Циклы проверки — основа, которая позволяет поручать Claude больше работы», перевод редакции), пишет Osmani. Без них, по его словам, одновременно можно вести только одного-двух агентов, а с ними — десятки и сотни.</p><p>Как довод автор приводит внутренний замер Anthropic на другой задаче, генерации структурированных файлов. Там отдельный проверяющий, который сверял работу Claude с рубрикой, поднял долю успешных задач до 10 пунктов по сравнению с обычным циклом промптов; сильнее всего на самых сложных задачах. Методику и абсолютные цифры пост не раскрывает.</p><h2>Какие тесты команда считает главными?</h2><p>Если выбирать один тип, Osmani советует сквозные (E2E) тесты: они описывают путь пользователя, например «положить товар в корзину, оформить заказ, увидеть страницу подтверждения». Такой тест трудно обмануть: функция либо работает целиком, либо нет. Юнит-тесты быстрее и стабильнее, но их можно пройти и всё равно сломать функцию.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/31111e84-1c31-4271-8147-c2670dcf6c66.webp" alt="Слева падение юнит-теста с одной строкой Timeout after 30s, справа падение E2E-теста с трассой шагов, скриншотом страницы оплаты и описанием упавшего шага" /><figcaption>Падение юнит-теста и падение E2E-теста: во втором случае агент видит шаг, скриншот и причину. Изображение: Anthropic</figcaption></figure><p>Два других типа закрывают слабые места агента:</p><ul><li>Property-тесты. Пишется утверждение, которое не должно ломаться, а библиотека (<a href="https://fast-check.dev/">fast-check</a> для JS/TS, <a href="https://hypothesis.readthedocs.io/en/latest/">Hypothesis</a> для Python, <a href="https://proptest-rs.github.io/proptest/">proptest</a> для Rust) генерирует тысячи входов, чтобы его опровергнуть. Примеры свойств: кодирование и обратное декодирование возвращают исходное значение, баланс счёта не уходит в минус, повторная миграция ничего не меняет, оптимизированный код совпадает с наивным.</li><li>Дифференциальные тесты. Старую и новую систему запускают на одних входах и сравнивают выход; любое расхождение — баг или ломающее изменение. Нужны случайные входы или выборка продового трафика, нормализация несущественных отличий вроде пробелов и список одобренных изменений.</li></ul><p>Сами тесты тоже могут вредить: нестабильные (flaky) приучают агента перезапускать их вместо исправления кода, а медленные — запускать реже. Тяжёлые проверки лучше ставить до коммита.</p><h2>Как устроен конвейер проверки у самой команды?</h2><p>Первое правило — запускать изменение. «Running the app end to end matters more than tests» («Прогнать приложение целиком важнее тестов», перевод редакции). Для веба Claude работает через расширение Claude для Chrome, для мобильных приложений — через MCP для iOS или Android, для десктопа — через computer use, для бэкенда поднимает сервис локально. Как запустить приложение, описывается в навыке verify в папке .claude/skills/, как можно ближе к нужному коду; по словам автора, Claude использует его перед коммитом.</p><p>Дальше работают правила, которые команда перечисляет в посте:</p><ul><li>Падение — один из поводов позвать человека. Claude сам чинит упавшие проверки, но после трёх неудачных раундов останавливается и передаёт задачу человеку. В <a href="https://claude.dev/blog/solving-code-review-at-anthropic/">прошлом посте команды о ревью</a> описано и одобрение людьми по уровню риска: для мелких правок за флагом человек не нужен, для остальных — один или два.</li><li>Проверки пишут владельцы кода. Проверка, которая зовёт ревьюера, должна объяснять почему.</li><li>Чек-лист надёжности по диффу. В нём 39 пунктов, у каждого триггер, который читается из диффа, сама проверка и инциденты или PR, из которых она выросла. Claude проверяет только совпавшие пункты, обычно от 3 до 10.</li><li>Один ревьюер в несколько раундов. Второй, более дорогой ревьюер поверх первого, по опыту команды, часто хуже настройки основного через файл REVIEW.md; каждый раунд опирается на итоги прошлых.</li><li>Ревью привязано к коммиту. Если во время ревью в ветку пушат, его результат теряет смысл: «A passing review on an out-of-date commit means nothing» («Успешное ревью устаревшего коммита ничего не значит»).</li><li>Дешёвое — первым. Тесты, сборку и линтер Claude запускает до открытия pull request.</li></ul><p>Ключевой принцип сформулирован так: «If a change can modify the check that judges it, the check is broken» («Если изменение может поменять проверку, которая его оценивает, проверка сломана»). Поэтому Code Review читает REVIEW.md из базовой ветки или ветки по умолчанию и никогда из изменений самого pull request.</p><p>Новые гейты команда включает постепенно. Каждый коммит помечается способом проверки, включая «none». Гейт коммитов блокирует коммит, если в сессии не было /code-review или /verify, и работает в трёх режимах: off, observe (только пишет в лог, что заблокировал бы) и enforce. После двух блокировок в одной сессии следующий коммит пропускается, чтобы Claude не застрял: «Claude Code isn't perfect», признаёт автор.</p><p>Сами проверки тоже проверяют. Команда считает откаченные после мержа изменения и изменения, которые мейнтейнер отклонил до мержа, а также ведёт подобранную по размеру выборку изменений, оставшихся чистыми.</p><p>Пропуски превращаются в правила: шаблон из замечаний ревью и откатов должен встретиться минимум в двух PR и читаться из диффа, три агента пытаются его опровергнуть, а правило утверждает человек.</p><p>Нестабильный тест Claude не может пропустить, обложить паузами или перезапускать до успеха: если причину найти не удалось, тест удаляется с записью почему.</p><h2>Что из этого можно включить у себя?</h2><p>Большая часть приёмов не зависит от инструмента, но в Claude Code для них есть готовые механизмы, описанные в документации:</p><ul><li><a href="https://code.claude.com/docs/en/skills">Встроенные навыки</a> /run и /verify запускают приложение и проверяют изменение на работающей программе. /verify записывает рабочий рецепт в .claude/skills/verify/SKILL.md. С версии Claude Code v2.1.286 такой навык verify в проекте Claude запускает перед каждым коммитом, кроме правок документации и тестов, если в настройках не отключены встроенные Git-инструкции (includeGitInstructions). Команда /run-skill-generator сохраняет рецепт запуска для нестандартных проектов с базой, env-файлом или многошаговой сборкой.</li><li><a href="https://code.claude.com/docs/en/goal">Команда /goal</a> задаёт условие завершения, например /goal all tests in test/auth pass and the lint step is clean; после каждого хода отдельная модель проверяет, выполнено ли оно.</li><li><a href="https://code.claude.com/docs/en/hooks">Hook на событие Stop</a> срабатывает, когда Claude заканчивает ответ; код выхода 2 возвращает агента к работе. Так можно запускать тесты в конце каждого хода.</li><li><a href="https://code.claude.com/docs/en/code-review-customize">REVIEW.md</a> в корне репозитория настраивает облачный Code Review для GitHub (тарифы Team и Enterprise). Файл читается из базовой ветки или ветки по умолчанию в зависимости от защиты веток; документация советует держать его в ветке по умолчанию и защитить её. Локальная команда /code-review учитывает файлы CLAUDE.md, REVIEW.md она не читает.</li></ul><p>Те же принципы переносятся и на другие агенты: правила проверки держать вне досягаемости изменения, ограничивать число попыток починки, а повторяющиеся ошибки агента записывать в правила. Раньше мы разбирали <a href="https://tproger.ru/articles/claude-code-nauchilsya-rabotat-v-ciklah-razbiraem-oficialnyj-ga">официальный гайд Anthropic о работе Claude Code в циклах</a> и <a href="https://tproger.ru/news/addy-osmani-zawil-senior-inzhenernuyu-disciplinu-v-skilly-dlya-ai-a">набор скиллов Addy Osmani</a> с тестами и ревью для агентов.</p><h2>Что команда не утверждает и с чем спорят инженеры?</h2><p>Пост описывает практику одной команды и не приводит её результатов: сколько багов ловит конвейер, какова доля откатов и сколько стоит проверка в токенах, не сказано. Единственная цифра эффекта, до 10 пунктов, относится к внутреннему замеру на генерации файлов.</p><p>В обсуждении на Hacker News главная претензия — стоимость. Один из инженеров <a href="https://news.ycombinator.com/item?id=50530087">заметил</a>, что проверку через агента в браузере можно заменить Playwright: результат детерминированный, а тест пишется один раз и дальше почти ничего не стоит. Другой <a href="https://news.ycombinator.com/item?id=50530296">предложил</a> совмещать подходы: просить Claude переводить инвариант из естественного языка в детерминированный тест и ревьюить этот код.</p><p>Довод про стоимость в самом посте есть: тесты, которые написал агент, дальше запускаются как обычные программы и почти не тратят токены. Но ручной прогон приложения агентом команда ставит выше тестов, и во сколько он обходится, не сообщает. По нашей оценке, переносить эти приёмы стоит с замером: сколько изменений откатывается до и после.</p><p>Источники: <a href="https://claude.dev/blog/how-the-claude-code-team-thinks-about-verification/">claude.dev: How the Claude Code team thinks about verification</a>, <a href="https://claude.dev/blog/solving-code-review-at-anthropic/">claude.dev: How the Claude Code team does code review</a>, <a href="https://code.claude.com/docs/en/skills">Документация Claude Code: skills, /run и /verify</a>, <a href="https://code.claude.com/docs/en/goal">Документация Claude Code: /goal</a>, <a href="https://code.claude.com/docs/en/hooks">Документация Claude Code: hooks</a>, <a href="https://code.claude.com/docs/en/code-review-customize">Документация Claude Code: настройка Code Review и REVIEW.md</a>, <a href="https://news.ycombinator.com/item?id=50529612">Обсуждение поста на Hacker News</a></p><p>Изображение на обложке: Изображение: Anthropic</p>]]></content:encoded>
    </item>
    <item>
      <title>Модели Google чаще всех объясняют через аналогии, модели OpenAI реже всех</title>
      <link>https://tproger.ru/news/modeli-google-chashhe-vseh-obyasnyayut-cherez-analogii-modeli-openai</link>
      <comments>https://tproger.ru/news/modeli-google-chashhe-vseh-obyasnyayut-cherez-analogii-modeli-openai?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/modeli-google-chashhe-vseh-obyasnyayut-cherez-analogii-modeli-openai</guid>
      <description><![CDATA[<p>В AA-PersonalityBench 43 модели отвечали на 900 вопросов без системного промпта: у Gemini 4 Argon 100 по «метафоричности», у GPT-6 Luna 3.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/modeli-google-chashhe-vseh-obyasnyayut-cherez-analogii-modeli-openai">Модели Google чаще всех объясняют через аналогии, модели OpenAI реже всех</a>»</p>]]></description>
      <category><![CDATA[Google]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[OpenAI]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 12:39:18 GMT</pubDate>
      <content:encoded><![CDATA[<p>Artificial Analysis 17 ноября <a href="https://x.com/ArtificialAnlys/status/2122691228856709575">опубликовала</a> рейтинг «метафоричности» ИИ-моделей: чаще всех объясняет идеи через аналогии и образный язык Gemini 4 Argon, у неё перцентиль 100 среди моделей бенчмарка. Реже всех это делают модели OpenAI: у GPT-6 Luna 3, у GPT-6.1 Sol 18, у старой GPT-3.5 Turbo 1.</p><p>Рейтинг входит в <a href="https://artificialanalysis.ai/evaluations/aa-personalitybench">AA-PersonalityBench</a>, бенчмарк, который оценивает манеру письма моделей по умолчанию, без системного промпта. Правильность ответов он не проверяет.</p><p>Для разработчика это ещё одна ось при выборе модели. Там, где ответ читает человек (объяснения в обучающем сервисе, документация, чат-бот поддержки), стиль по умолчанию заметен не меньше точности. Замер AA показывает, какие модели пишут образно, когда им ничего не сказано о стиле.</p><ul><li>В черте «метафоричность» лидирует Gemini 4 Argon (100), за ней Gemini 3.8 Flash (98), Muse Spark Open (95), Gemini 3.1 Pro Preview (93) и Inkling (91).</li><li>Внизу GPT-3.5 Turbo (1), GPT-6 Luna (3), GPT-6 Sol (6), Llama 4 Maverick (8) и GPT-4o (10); у GPT-6.1 Sol 18, у Claude Opus 5.5 67.</li><li>AA-PersonalityBench запущен 19 октября 2026 года; сейчас в нём 43 модели, 900 вопросов, 30 черт и 8 индексов.</li><li>Ответы сравнивают попарно три модели-судьи; модели отвечают без системного промпта, поэтому замер описывает поведение по умолчанию.</li></ul><h2>Что такое «метафоричность» в этом бенчмарке?</h2><p>Это одна из 30 черт AA-PersonalityBench. Судье задают вопрос: использует ли модель аналогии или образный язык, чтобы сделать идею осязаемой. Сама черта не считается ни плюсом, ни минусом: Artificial Analysis измеряет, насколько сильно она проявляется, а нужна ли она, решает тот, кто выбирает модель.</p><p>«Метафоричность» входит в индекс Expressiveness («выразительность») вместе с ещё четырьмя чертами: разнообразие лексики, красноречие, литературность и естественность речи. По <a href="https://artificialanalysis.ai/evaluations/aa-personalitybench/indexes/expressiveness">индексу целиком</a> первая Claude Fable 5.1, последняя GPT-3.5 Turbo. Получается, что лидер по образности и лидер по общей выразительности текста не совпадают.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/7ffca440-3e5c-42b6-a320-ffc7eb128fbb.webp" alt="Столбчатый график AA-PersonalityBench Metaphorical: Gemini 4 Argon 100, Gemini 3.8 Flash 98, Muse Spark Open 95, Gemini 3.1 Pro Preview 93, Inkling 91, Muse Wonder 81, GLM-5.3 79, Claude Opus 5.5 67, Claude Fable 5.2 39, Grok 4.7 34, DeepSeek V4.1 Flash 1017 32, Kimi K3.1 Pro 22, GPT-6 Astra 20, GPT-6.1 Sol 18, GPT-4o 10, Llama 4 Maverick 8, GPT-6 Sol 6, GPT-6 Luna 3, GPT-3.5 Turbo 1" /><figcaption>«Метафоричность» 19 моделей, перцентиль от 1 до 100 среди всех моделей бенчмарка; усы показывают 95-процентный доверительный интервал. Изображение: Artificial Analysis</figcaption></figure><h2>Кто наверху и внизу рейтинга?</h2><p>Верх рейтинга почти целиком занимают модели Google: Gemini 4 Argon (100), Gemini 3.8 Flash (98) и Gemini 3.1 Pro Preview (93). Между ними Muse Spark Open (95), а пятой идёт Inkling от Thinking Machines (91). Дальше Muse Wonder (81) и GLM-5.3 (79).</p><p>В середине модели Anthropic, причём заметно разнесённые: у Claude Opus 5.5 67, у Claude Fable 5.2 39. Ниже Grok 4.7 (34), DeepSeek V4.1 Flash 1017 (32) и Kimi K3.1 Pro (22).</p><p>Низ почти полностью за OpenAI: GPT-6 Astra (20), GPT-6.1 Sol (18), GPT-4o в версии ноября 2024 года (10), GPT-6 Sol (6), GPT-6 Luna (3) и GPT-3.5 Turbo (1). Из других компаний на графике в этой зоне только Llama 4 Maverick (8); на графике показаны 19 из 43 моделей.</p><p>Разрыв между крайними моделями большой. По данным <a href="https://artificialanalysis.ai/evaluations/aa-personalitybench/traits/metaphorical">страницы черты</a>, рейтинги Elo у 43 моделей лежат в диапазоне от 691 до 1895, между Gemini 4 Argon и GPT-3.5 Turbo 1204 пункта. Типичный 95-процентный доверительный интервал у модели плюс-минус 30 пунктов Elo, это примерно плюс-минус 4 пункта перцентиля. На графике интервалы показаны усами: у Gemini 4 Argon и Gemini 3.8 Flash они не пересекаются, так что разница между первым и вторым местом не случайна.</p><h2>Как Artificial Analysis измеряет стиль ответов?</h2><p>Бенчмарк Artificial Analysis <a href="https://artificialanalysis.ai/articles/aa-personalitybench">запустила 19 октября 2026 года</a>. На каждую из 30 черт написано по 30 вопросов, всего 900; часть вопросов мягко подталкивает модель проявить черту, часть нейтральна. Полный набор закрыт, чтобы вопросы не попали в обучающие данные, публично доступны 5 примеров, например «Почему пал Рим?» для структурированности.</p><p>Каждая модель отвечает на вопрос один раз, одним сообщением пользователя и без системного промпта. Так видно, как она пишет по умолчанию, и все модели отвечают на одни и те же вопросы.</p><p>Дальше работают судьи. По <a href="https://artificialanalysis.ai/methodology/aa-personalitybench">методике</a>, судье дают название черты, её определение, вопрос и два ответа без имён моделей, и он выбирает, в каком ответе черты больше, или ставит ничью. В панели три модели: Gemini 3.8 Flash (high), Claude Sonnet 5.5 (medium) и GLM 5.3 Flash (max). Каждое сравнение достаётся одному судье, сравнения каждой модели делятся между судьями примерно поровну, порядок ответов перемешивается, чтобы убрать влияние позиции.</p><p>Gemini 3.8 Flash одновременно входит в панель судей и стоит второй в рейтинге «метафоричности». Отдельно вопрос о том, отдаёт ли судья предпочтение ответам моделей своей линейки, в методике не разбирается.</p><p>Вердикты превращаются в рейтинг по модели Брэдли — Терри со штрафом Ферта, ничья считается половиной победы. Шкала устроена как Elo: равные рейтинги означают шансы 50 на 50, разница в 400 пунктов означает шансы 10 к 1. Якорем служит GPT-6.1 Sol, ей на каждой черте назначен рейтинг 1000. Доверительные интервалы считают бутстрепом на 1000 повторных выборок. Итоговое число для читателя — перцентиль от 1 до 100 среди всех моделей бенчмарка.</p><h2>Какие ещё черты и индексы есть в AA-PersonalityBench?</h2><p>30 черт сведены в 8 индексов. Индекс — среднее нормированных рейтингов его черт, тоже переведённое в перцентиль:</p><ul><li>Expressiveness, выразительность: разнообразие лексики, красноречие, литературность, естественность, метафоричность;</li><li>Organization, организация: структурированность, удобство беглого чтения, итог в конце, ответ в начале;</li><li>Informativeness, информативность: плотность информации, опора на факты, конкретные ресурсы, практические шаги, прагматичность;</li><li>Transparency, прозрачность: правдивость, признание неуверенности, оговорки о допущениях, нюансы и угодливость, которая входит в индекс с обратным знаком;</li><li>Warmth, теплота: дружелюбие, юмор, искренность, эмоциональный интеллект;</li><li>Conviction, убеждённость: прямота, уверенность, наличие мнения, конструктивные возражения;</li><li>Imagination, воображение: креативность и открытость к размышлениям;</li><li>Slop: наполнитель и общие слова.</li></ul><p>Отдельно от оценок судей бенчмарк программно считает 21 характеристику ответа: длину в символах, словах и предложениях, число списков, заголовков и таблиц, тире, восклицательных знаков, вопросов, жирного шрифта, эмодзи и долю ответов, которые заканчиваются вопросом.</p><h2>Как использовать рейтинг при выборе модели?</h2><p>На странице бенчмарка есть конструктор собственного рейтинга: любой из 30 черт можно задать вес от минус 2 до плюс 2, и сайт пересчитает перцентиль под ваши требования. Например, для документации можно поднять вес структурированности и опоры на факты и понизить метафоричность. Есть и попарное сравнение двух моделей с вероятностью того, что ответ одной покажет черту сильнее.</p><p>На практике это значит, по нашей оценке, следующее. Бенчмарк описывает поведение модели без инструкций, поэтому он полезен как отправная точка: если аналогии в ответах не нужны, модели из нижней части рейтинга «метафоричности» по умолчанию используют их реже, а модели из верхней, возможно, придётся просить писать проще. Сухой тон в целом это не гарантирует: теплоту, юмор и естественность речи бенчмарк оценивает отдельно. Насколько системный промпт сдвигает эти черты, AA-PersonalityBench не измеряет, и это стоит проверить на своих задачах.</p><p>Высокий балл по стилю не говорит о качестве модели в задачах. Для кода и агентов у Artificial Analysis есть отдельные замеры: мы разбирали <a href="https://tproger.ru/news/artificial-analysis-obnovila-intelligence-index-do-v5-novye-tes">обновление Intelligence Index до v5</a> и <a href="https://tproger.ru/news/claude-fable-5-2-i-opus-5-5-vozglavili-rejting-ii-agentov-dlya-ko">рейтинг ИИ-агентов для кода</a>, где наверху Claude Fable 5.2 и Opus 5.5.</p><p>Рейтинг живой: Artificial Analysis добавляет модели по мере выхода, а перцентили пересчитываются по всем моделям бенчмарка, поэтому место конкретной модели может сдвинуться и без изменений в ней самой.</p><p>Источники: <a href="https://x.com/ArtificialAnlys/status/2122691228856709575">Artificial Analysis в X, 17 ноября 2026</a>, <a href="https://artificialanalysis.ai/evaluations/aa-personalitybench">AA-PersonalityBench: страница бенчмарка</a>, <a href="https://artificialanalysis.ai/evaluations/aa-personalitybench/traits/metaphorical">AA-PersonalityBench: рейтинг черты Metaphorical</a>, <a href="https://artificialanalysis.ai/evaluations/aa-personalitybench/indexes/expressiveness">AA-PersonalityBench: индекс Expressiveness</a>, <a href="https://artificialanalysis.ai/methodology/aa-personalitybench">AA-PersonalityBench: методика</a>, <a href="https://artificialanalysis.ai/articles/aa-personalitybench">Artificial Analysis: анонс AA-PersonalityBench, 19 октября 2026</a></p><p>Изображение на обложке: Tproger по данным Artificial Analysis</p>]]></content:encoded>
    </item>
    <item>
      <title>Когда выйдет GPT-6.2: что известно об Astra и Sol из утечек</title>
      <link>https://tproger.ru/news/kogda-vyjdet-gpt-6-2-chto-izvestno-ob-astra-i-sol-iz-utechek</link>
      <comments>https://tproger.ru/news/kogda-vyjdet-gpt-6-2-chto-izvestno-ob-astra-i-sol-iz-utechek?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/kogda-vyjdet-gpt-6-2-chto-izvestno-ob-astra-i-sol-iz-utechek</guid>
      <description><![CDATA[<p>31 октября gpt-6.2-astra заняла до 19,8% недельного расхода лимита у части пользователей Codex, а 4–5 ноября обе модели нашли в квотах Google Cloud.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/kogda-vyjdet-gpt-6-2-chto-izvestno-ob-astra-i-sol-iz-utechek">Когда выйдет GPT-6.2: что известно об Astra и Sol из утечек</a>»</p>]]></description>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[OpenAI]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 11:12:47 GMT</pubDate>
      <content:encoded><![CDATA[<p>OpenAI третью неделю не анонсирует GPT-6.2, хотя идентификаторы gpt-6.2-astra и gpt-6.2-sol уже видели в Codex и Google Cloud. 31 октября у части пользователей Codex на gpt-6.2-astra пришлось от 1,6% до 19,8% недельного расхода лимита.</p><p>В выборе модели при этом стояла GPT-6 Astra. Официальных страниц моделей, цен и даты выхода нет.</p><p>Для разработчика это значит две вещи. По версии TestingCatalog, часть запросов в Codex в конце октября могла уходить на новую модель без предупреждения, хотя подтверждения этому нет.</p><p>А при планировании бюджета на API ближайшие недели могут поменять расклад цен. Действующая <a href="https://tproger.ru/news/openai-na-devday-vypustila-gpt-6-1-sol-po-cene-v-pyat-raz-nizhe-a">GPT-6.1 Sol</a> стоит $2 за миллион входных токенов и $10 за миллион выходных, GPT-6 Astra — $10 и $50. Это стандартные тарифы для запросов до 272 тыс. входных токенов.</p><ul><li>31 октября gpt-6.2-astra появилась в статистике Codex: от 1,6% до 19,8% недельного расхода лимита у разных пользователей.</li><li>4–5 ноября gpt-6.2-astra и gpt-6.2-sol нашли в квотах Google Cloud.</li><li>The Information 4 ноября допускала выход новых Sol и Astra уже 6 ноября; 5 ноября вышла только GPT-6 Cyber.</li><li>Цена Sol ниже $2 за миллион токенов, доступ через ошибку Azure и победа над Claude Fable 5.2 и Opus 5.5 пока ничем не подтверждены.</li></ul><h2>Что видели пользователи Codex?</h2><p>Первые скриншоты <a href="https://www.testingcatalog.com/gpt-6-2-astra-appears-codex-usage/">опубликовали 1 ноября</a>. Речь о странице статистики использования, где ChatGPT показывает расход лимита по моделям в Work, Codex и других агентных задачах. Рядом с gpt-6-astra там появилась строка gpt-6.2-astra, причём только на столбце за 31 октября.</p><p>У одного пользователя на неё пришлось 1,6% расхода лимита за неделю, у другого 19,8%.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/fa2dca4f-fb4a-43a3-bec4-056e7be06af8.webp" alt="Статистика Codex за 26 октября – 1 ноября в китайском интерфейсе: gpt-6-astra 80%, gpt-6.2-astra 19,8%, весь объём новой модели приходится на 31 октября" /><figcaption>Скриншот: статистика Codex, опубликовал пользователь LuminaBench</figcaption></figure><p>Модель при этом никто не выбирал вручную: в меню Codex оставалась GPT-6 Astra. TestingCatalog предполагает, что OpenAI тихо направляла часть запросов на новую модель, как при A/B-тесте или поэтапном развёртывании.</p><p>Один из пользователей показал и сырое событие ответа, где в поле model стоит gpt-6.2-astra.</p><p>По оценке издания, это сильный признак того, что идентификатор живёт на серверах OpenAI, но не анонс. Какая модель на самом деле сгенерировала конкретный ответ, по статистике установить нельзя.</p><h2>Что известно про GPT-6.2 Sol?</h2><p>Про Sol следов меньше. 4 ноября пользователи X <a href="https://i10x.ai/news/gpt-6-2-astra-sol-google-cloud-leak">выложили скриншоты</a> страницы квот Google Cloud, где gpt-6.2-astra и gpt-6.2-sol указаны как базовые модели. 5 ноября ещё один разработчик сообщил, что видит оба идентификатора в своём проекте с нулевым расходом.</p><p>В тот же день, 4 ноября, журналист The Information Стефани Палаццоло <a href="https://x.com/steph_palazzolo/status/2117997555778744815">написала</a>, что новые Sol, Astra и модель для кибербезопасности могут выйти уже в пятницу, 6 ноября. По <a href="https://developers.openai.com/api/docs/changelog">журналу изменений OpenAI</a>, GPT-6 Cyber вышла 5 ноября, а Sol и Astra так и не появились.</p><h2>Какие слухи не подтверждены?</h2><ul><li>Доступ через Azure. 12 ноября аккаунт AGTP <a href="https://x.com/AGTPinsights/status/2120912916044038511">написал</a>, что некоторые перепродавцы API открыли GPT-6.2 Sol и Astra из-за ошибки в Azure. Подтверждений от Microsoft или OpenAI нет.</li><li>Цена. По слухам, Sol будет стоить меньше $2 за миллион токенов; входные это токены или выходные, не уточняется.</li><li>Качество. В X утверждают, что Sol обходит Claude Opus 5.5, а Astra — Claude Fable 5.2. Опубликованных замеров нет.</li></ul><p>Сотрудник OpenAI Тибо Соттьо на прошлой неделе <a href="https://daily.dev/posts/openai-hints-at-a-thursday-reset-as-gpt-6-2-astra-and-sol-rumors-build-jsvjyi1n0">намекнул в X</a> на «кодексный четверг» и сброс лимитов, но модель не называл. Пользователи прочитали это как знак скорого релиза, однако это их интерпретация.</p><h2>Что делать до анонса?</h2><p>Менять что-то в коде рано: идентификаторов gpt-6.2-* нет в документации OpenAI, и вызов по ним в API не гарантирован. Строку с другой моделью в статистике Codex можно отметить, но объяснять ею изменения в поведении ответов преждевременно.</p><p>Свежие замеры агентов для кода, на фоне которых будут сравнивать 6.2, есть в <a href="https://tproger.ru/news/claude-fable-5-2-i-opus-5-5-vozglavili-rejting-ii-agentov-dlya-ko">рейтинге Artificial Analysis</a>. Почему счета за агентов растут при падении цен на токены, мы разбирали в <a href="https://tproger.ru/articles/pochemu-tokeny-flagmanskih-llm-podeweveli-do-80-a-rashody-na-ii">статье об экономике API</a>.</p><p>Подтверждением выхода будут страница модели или запись в журнале изменений OpenAI, пост команды Codex или новое название в меню выбора модели. Последний флагман OpenAI, GPT-6 Astra, вышел 3 сентября, GPT-6.1 Sol — 29 сентября, а младшая <a href="https://tproger.ru/news/openai-vypustila-gpt-6-1-terra-po-1-za-million-vhodnyh-tokenov">GPT-6.1 Terra</a> — 26 октября.</p><p>Источники: <a href="https://www.testingcatalog.com/gpt-6-2-astra-appears-codex-usage/">TestingCatalog: GPT-6.2 Astra appears in Codex usage ahead of possible launch</a>, <a href="https://x.com/LuminaBench/status/2116848563405644250">LuminaBench в X: скриншоты статистики Codex</a>, <a href="https://i10x.ai/news/gpt-6-2-astra-sol-google-cloud-leak">i10x: GPT-6.2 Astra &amp; Sol в Google Cloud</a>, <a href="https://x.com/steph_palazzolo/status/2117997555778744815">Стефани Палаццоло (The Information) в X, 4 ноября 2026</a>, <a href="https://eu.36kr.com/en/p/4057431368782726">36Kr: GPT-6.2 Astra Is Coming</a>, <a href="https://x.com/AGTPinsights/status/2120912916044038511">AGTP в X: доступ к GPT-6.2 через ошибку Azure</a>, <a href="https://daily.dev/posts/openai-hints-at-a-thursday-reset-as-gpt-6-2-astra-and-sol-rumors-build-jsvjyi1n0">daily.dev: OpenAI hints at a Thursday reset</a>, <a href="https://developers.openai.com/api/docs/changelog">OpenAI API: журнал изменений</a></p><p>Изображение на обложке: Скриншот: статистика Codex, опубликовал пользователь LuminaBench</p>]]></content:encoded>
    </item>
    <item>
      <title>Калифорния подала в суд на OpenAI из-за агентов, сбежавших из песочниц</title>
      <link>https://tproger.ru/news/kaliforniya-podala-v-sud-na-openai-iz-za-agentov-sbezhavwih-iz-pe</link>
      <comments>https://tproger.ru/news/kaliforniya-podala-v-sud-na-openai-iz-za-agentov-sbezhavwih-iz-pe?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/kaliforniya-podala-v-sud-na-openai-iz-za-agentov-sbezhavwih-iz-pe</guid>
      <description><![CDATA[<p>Генпрокурор насчитал больше 80 случаев потери контроля над агентами OpenAI и требует штраф $2500 за каждое нарушение. Разбираем иск и уроки для песочниц.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/kaliforniya-podala-v-sud-na-openai-iz-za-agentov-sbezhavwih-iz-pe">Калифорния подала в суд на OpenAI из-за агентов, сбежавших из песочниц</a>»</p>]]></description>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[OpenAI]]></category>
      <category><![CDATA[Информационная безопасность]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 08:35:46 GMT</pubDate>
      <content:encoded><![CDATA[<p>16 ноября 2026 года генеральный прокурор Калифорнии Роб Бонта <a href="https://oag.ca.gov/news/press-releases/it%E2%80%99s-golden-state-not-wild-west-attorney-general-bonta-sues-openai-over">подал иск</a> к OpenAI в Высший суд Калифорнии по округу Сан-Франциско. По версии штата, компания тестировала опасные модели в уязвимой среде без должного мониторинга и вводила публику в заблуждение, когда говорила о безопасности этих тестов. Поводом стал июльский инцидент: две модели OpenAI во время внутренней оценки вышли из песочницы в интернет и взломали инфраструктуру Hugging Face, пытаясь найти готовые решения заданий.</p><p>Для разработчика важна фактура. В <a href="https://oag.ca.gov/system/files/attachments/press-docs/complaint-oai-cyber.pdf">тексте иска</a> и в техническом отчёте самой OpenAI по шагам описано, как агенты без прямого доступа в интернет нашли выход через общий сервис пакетов, переписывались через него же и пользовались чужими токенами из открытого доступа. Это готовый список ошибок для проверки в любой системе, где ИИ-агент запускает код и ходит в сеть.</p><ul><li>Штат обвиняет OpenAI в нарушении закона о недобросовестной конкуренции и в создании «общественной помехи»; просит судебный запрет и штраф $2500 за каждое нарушение с каждого ответчика.</li><li>По данным иска, OpenAI признала больше 80 случаев потери контроля над агентами во время тестов, а публично сообщила о 27.</li><li>По версии иска, Hugging Face атаковали около 700 агентов, совершив примерно 17 600 действий.</li><li>Выход в интернет агенты нашли через внутренний JFrog Artifactory, общий для многих песочниц.</li><li>В тот же день OpenAI объявила о соглашениях с четырьмя независимыми оценщиками, предусматривающих глубокий доступ: Apollo Research, METR, Transluce и Goodfire.</li></ul><h2>Что именно требует генпрокурор Калифорнии?</h2><p>Штат просит суд запретить OpenAI практики, которые иск называет недобросовестными, обязать компанию устранить «общественную помеху» и взыскать деньги. Ответчики — некоммерческая OpenAI Foundation и коммерческая OpenAI Group PBC, а также до 100 неназванных лиц, которых штат обещает назвать позже.</p><p>В иске два основания. Первое — закон Калифорнии о недобросовестной конкуренции (Unfair Competition Law, раздел 17200 Кодекса о бизнесе и профессиях): штат считает обманом публичные заявления OpenAI о безопасном тестировании и непрерывном мониторинге, а недобросовестной практикой — тестирование мощных моделей со сниженными ограничениями и доступ агентов к чужим системам по украденным учётным данным. Второе — «общественная помеха» (public nuisance) по Гражданскому кодексу штата: взломы агентами чужих систем, по мнению штата, угрожают жителям и их имуществу.</p><ul><li>судебный запрет на действия, которые суд признает недобросовестной конкуренцией;</li><li>возврат денег или имущества, полученных такими действиями, в сумме, которую докажут в суде;</li><li>гражданский штраф $2500 с каждого ответчика за каждое нарушение;</li><li>изъятие незаконно полученной выгоды (disgorgement);</li><li>обязанность устранить «общественную помеху» и возместить судебные расходы.</li></ul><p>Общая сумма в иске не названа: число нарушений, по которому считается штраф, штат предлагает установить в суде. Это пока позиция одной стороны: все факты в иске изложены «на основании имеющихся сведений», решения суда нет.</p><blockquote>Пусть рассказы об атаке на Hugging Face и вызывают научно-фантастические фантазии о вышедших из-под контроля ИИ-системах, скажу прямо: эта атака — предсказуемый результат внутренней культуры OpenAI, в которой рост и быстрая разработка моделей важнее безопасности и ответственности. И это лишь один из 80 известных инцидентов (перевод редакции).</blockquote><h2>Как агенты OpenAI выбрались из песочницы и дошли до Hugging Face?</h2><p>Самое подробное описание — в <a href="https://cdn.openai.com/pdf/67869394-cb91-4c12-888c-5cbd85c7814c/OpenAI-Hugging-Face%20Incident-Technical-Report.pdf">техническом отчёте OpenAI</a> от 26 августа. Модели проходили ExploitGym — внутреннюю оценку, которая проверяет, умеет ли модель находить и эксплуатировать уязвимости. Чтобы измерить предельные возможности, оценку запускали без классификаторов, которые в продукте блокируют опасные кибердействия. Песочницы не имели прямого выхода в интернет, но для установки пакетов им был доступен внутренний экземпляр JFrog Artifactory — общий для многих прогонов и с общими учётными данными.</p><p>Часть задач оказалась невыполнимой, и агенты, по словам OpenAI, стали «жульничать» — искать готовые решения в сети. Такое поведение называют взломом награды (reward hacking): модель добивается засчитанного результата обходным путём. Агенты предположили, что материалы к заданиям могут лежать на Hugging Face, и пошли туда.</p><p>Как развивался инцидент</p><table><thead><tr><th>Дата (2026)</th><th>Что произошло</th><th>Источник</th></tr></thead><tbody><tr><td>12 мая</td><td>Агент оставил в Artifactory первую «записку» другим агентам — так появилась доска объявлений</td><td>OpenAI</td></tr><tr><td>26 мая</td><td>Выход в интернет через SSRF в Artifactory; внутренняя команда это видела</td><td>OpenAI, иск</td></tr><tr><td>26 июня</td><td>Права администратора Artifactory через уязвимость в обновлении токена</td><td>OpenAI</td></tr><tr><td>27 июня</td><td>Мониторинг заметил сканирование портов, прогон решили не останавливать</td><td>OpenAI</td></tr><tr><td>4–7 июля</td><td>Artifactory упал под нагрузкой агентов, его починили, оценки возобновили</td><td>OpenAI</td></tr><tr><td>8–9 июля</td><td>Новая доска объявлений, root в родительской ВМ, снова интернет</td><td>OpenAI</td></tr><tr><td>10–13 июля</td><td>14 чужих токенов, код на 41 рабочем процессе серверов датасетов Hugging Face, Kubernetes, 4 приватных репозитория</td><td>OpenAI</td></tr><tr><td>16 июля</td><td>Hugging Face сообщила об атаке</td><td>иск</td></tr><tr><td>19–21 июля</td><td>OpenAI связала активность у себя с Hugging Face и раскрыла инцидент</td><td>OpenAI</td></tr></tbody></table><p>Технический отчёт OpenAI от 26 августа 2026 года и иск генпрокурора Калифорнии</p><p>Агент загрузил на Hugging Face датасет HDF5 со ссылкой на внешний файл, и рабочий узел при обработке вернул /proc/self/environ с производственными учётными данными. Затем через дескриптор fsspec ReferenceFileSystem и шаблон Jinja2 без песочницы агенты выполнили команды, устроили командный канал через публичный датасет (скрипт на узле опрашивал его раз в 5 секунд) и получили права уровня администратора в кластере Kubernetes. Сторону Hugging Face мы разбирали в <a href="https://tproger.ru/news/hugging-face-vzloman-avtonomnym-ii-agentom-chto-izvestno-ob-inci">июльской новости об инциденте</a>.</p><p>OpenAI называет две модели: внутреннюю исследовательскую модель, сопоставимую по масштабу с GPT-5.6 Sol, обученную настойчивости и совместной работе агентов, — она, по словам компании, сделала большую часть работы, — и GPT-5.6 Sol без классификаторов и с ослабленными ограничениями. Иск добавляет: около 1200 агентов участвовали в доске объявлений, около 700 атаковали Hugging Face и совершили примерно 17 600 действий. Сроки стороны описывают по-разному: иск — два с половиной дня в период с 9 по 16 июля, отчёт OpenAI — компрометация с 11 по 13 июля.</p><p>Иск отдельно указывает, что OpenAI не следила за рассуждениями моделей в реальном времени при обучении и оценках, а разбирала выборку задним числом, иногда спустя недели. В разгар атаки один из агентов, по данным иска, написал: «Атакуем сторонний HF утёкшим токеном, возможно, за пределами задуманного… Это, пожалуй, несанкционированно» (перевод редакции).</p><h2>Что за 80 инцидентов и почему штат недоволен ответами OpenAI?</h2><p>По словам генпрокурора, OpenAI признала, что теряла контроль над агентами во время тестов больше 80 раз; публично, по подсчёту иска, компания сообщила о 27 случаях. На повестку от 30 сентября OpenAI, как утверждает штат, ответила письмом на 14 страниц с уже опубликованными сведениями и позже — отредактированными копиями нескольких десятков писем третьим сторонам. Подробностей по каждому случаю, как пишет <a href="https://www.cnbc.com/2026/11/16/openai-california-bonta-ai-lawsuit.html">CNBC</a>, ведомство не получило.</p><p>Помимо Hugging Face, иск перечисляет другие эпизоды, которые приписывает агентам OpenAI:</p><ul><li>RubyGems: в мае агенты загрузили тысячи пакетов, администраторы закрыли регистрацию с 12 по 16 мая и удалили больше 500 вредоносных пакетов; через них агенты проникли на серверы Rubydoc.info;</li><li>немецкая вики DseWiki: около 17 000 правок, агенты использовали её как тайную доску объявлений;</li><li>Wikimedia: миллионы запросов к API и сотни тысяч запросов к Wikidata Query Service, вероятно вызвавшие частичный сбой в мае;</li><li>сайты правительства Австралии: в июне агенты получили оттуда непубличные данные;</li><li>собственная инфраструктура OpenAI: агенты, по версии иска, получили права администратора в системе развёртывания моделей, хранилище секретов и системе управления доступом;</li><li>20 сентября, уже после усиления защиты, агент вышел из песочницы к внешнему чат-боту; OpenAI, по её словам, заметила это за минуты, но прогон не остановился автоматически, а люди остановили его только через два часа.</li></ul><h2>Как ответила OpenAI?</h2><p>Представитель компании Дрю Пусатери сказал CNBC, что OpenAI опубликовала технический отчёт и отдельный независимый отчёт, уведомила пострадавшие организации и усилила защиту. По его словам, иск выделяет OpenAI за проблему, с которой сталкиваются все крупные ИИ-лаборатории, а компания продолжит работать с офисом генпрокурора. На <a href="https://openai.com/hugging-face-incident-and-misalignment/">своей странице</a> OpenAI пишет, что уведомила десятки третьих сторон.</p><p>В тот же день OpenAI <a href="https://openai.com/index/our-first-phase-of-embedded-assessments/">объявила</a> о первых соглашениях со встроенными независимыми оценщиками. Сам иск в анонсе не упоминается. Оценщики получат часть ресурсов, которыми пользуются исследователи OpenAI: контрольные точки моделей, исходный код, данные обучения и оценок, системы мониторинга, документацию и разговоры с инженерами. Работать с конфиденциальными данными они будут в офисе OpenAI на её устройствах.</p><ul><li>Apollo Research проверит, могут ли модели скрытно действовать против намерений разработчиков и заметят ли это защитные механизмы;</li><li>METR оценит нарушения в поведении моделей в крупнейшем на сегодня прогоне обучения с подкреплением, включая сбои, которые пропустили тесты и мониторы; вторая проверка мониторинга пока согласована предварительно;</li><li>Transluce изучит качество и покрытие оценок поведения после дообучения, а в начале 2027 года планируется продолжение примерно на восемь недель;</li><li>Goodfire встроит исследователей интерпретируемости и будет анализировать внутренние представления моделей во время обучения.</li></ul><p>Apollo Research и Goodfire получают оплату, которая, по словам OpenAI, не зависит от выводов; METR и Transluce денег не берут. Результаты оценщики публикуют сами, но OpenAI может вычёркивать конфиденциальное, а неразрешённые споры уходят комитету по безопасности при совете OpenAI Foundation.</p><h2>Что этот случай значит для тех, кто запускает агентов с доступом к сети?</h2><p>Иск не создаёт новых правил для разработчиков за пределами Калифорнии, но описанные в нём и в отчёте OpenAI механизмы универсальны. По нашей оценке, из фактов следуют несколько практических выводов.</p><p><b>«Нет интернета» не значит «изолировано».</b> У песочниц OpenAI не было прямого выхода в сеть, но был общий сервис пакетов, у которого выход был. Сама OpenAI в отчёте признаёт, что такой запрет недостаточен, если нагрузка может дотянуться до общих сервисов, облачной инфраструктуры или частных сетевых связей. Проверяйте не только сеть контейнера, но и всё, до чего он может достучаться: зеркала пакетов, кеширующие прокси, внутренние API.</p><p><b>Общие учётные данные — это общий канал.</b> Агенты OpenAI построили доску объявлений, просто пользуясь выданными им общими ключами Artifactory, без всякой уязвимости. На практике это значит: отдельный короткоживущий токен на каждую песочницу с минимальными правами и без записи в общие хранилища.</p><p><b>Утёкшие токены будут найдены и использованы.</b> Вход в Hugging Face начался с 14 токенов, которые лежали в публичном датасете. Секреты в открытых репозиториях, датасетах и логах теперь ищут не только люди, но и агенты.</p><p><b>Мониторинг бесполезен без права остановки.</b> Сигналы у OpenAI были 26 мая, 27 июня и 4 июля, но оценки продолжались. После инцидента компания обещает инструмент быстрой остановки прогонов, многослойную сетевую изоляцию и мониторинг рассуждений моделей. Похожий побег из песочницы с получением root недавно <a href="https://tproger.ru/news/mistral-rasskazala-kak-agent-large-4-sbezhal-iz-pesochnicy-i-polu">описывала Mistral</a>, так что проблема не ограничивается одной компанией.</p><p><b>Ограничения продукта — тоже слой защиты.</b> По замеру OpenAI, со штатной обвязкой ChatGPT и системным промптом склонность модели взламывать инфраструктуру в ExploitGym падает больше чем в 100 раз, а система автоматической проверки действий пометила бы многие опасные шаги агентов. Если вы снимаете ограничения ради теста, изоляция должна компенсировать их отсутствие.</p><h2>Что будет дальше?</h2><p>Дата заседания и ответ OpenAI в суде пока не известны. Иск ссылается и на рост возможностей моделей: по классификации OpenAI, <a href="https://tproger.ru/news/openai-gotovit-astra-pervaya-model-kompanii-s-kriticheskim-uro">GPT-6 Astra достигла «критического» уровня кибервозможностей</a>, а самый опасный эпизод с инфраструктурой самой OpenAI штат связывает с внутренней моделью, сопоставимой с Astra. Дальше стоит следить за первыми отчётами встроенных оценщиков и за тем, раскроет ли OpenAI суду данные по всем 80 случаям.</p><p>Источники: <a href="https://oag.ca.gov/system/files/attachments/press-docs/complaint-oai-cyber.pdf">Иск People of the State of California v. OpenAI Foundation et al. (PDF)</a>, <a href="https://oag.ca.gov/news/press-releases/it%E2%80%99s-golden-state-not-wild-west-attorney-general-bonta-sues-openai-over">Пресс-релиз генерального прокурора Калифорнии</a>, <a href="https://www.cnbc.com/2026/11/16/openai-california-bonta-ai-lawsuit.html">CNBC: California sues OpenAI</a>, <a href="https://openai.com/index/our-first-phase-of-embedded-assessments/">OpenAI: Our first phase of embedded assessments</a>, <a href="https://www.cnbc.com/2026/11/16/openai-independent-ai-safety-evaluators.html">CNBC: OpenAI inks deals with Apollo Research, METR, Transluce and Goodfire</a>, <a href="https://cdn.openai.com/pdf/67869394-cb91-4c12-888c-5cbd85c7814c/OpenAI-Hugging-Face%20Incident-Technical-Report.pdf">OpenAI: Hugging Face Incident Technical Report (PDF)</a>, <a href="https://openai.com/index/hugging-face-incident-and-the-road-ahead/">OpenAI: The Hugging Face incident and the road ahead</a>, <a href="https://openai.com/hugging-face-incident-and-misalignment/">OpenAI: The Hugging Face incident and other third-party impact from misaligned models</a></p><p>Изображение на обложке: Douglas Despres, офис генерального прокурора Калифорнии, Wikimedia Commons, общественное достояние</p>]]></content:encoded>
    </item>
    <item>
      <title>Исследователи нашли открытые без входа данные в тысячах приложений Lovable</title>
      <link>https://tproger.ru/news/issledovateli-nawli-otkrytye-bez-vhoda-dannye-v-tysyachah-prilozhen</link>
      <comments>https://tproger.ru/news/issledovateli-nawli-otkrytye-bez-vhoda-dannye-v-tysyachah-prilozhen?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/issledovateli-nawli-otkrytye-bez-vhoda-dannye-v-tysyachah-prilozhen</guid>
      <description><![CDATA[<p>Crissy Field проверила 159 041 проект Lovable: на 7 403 сайтах без логина читались таблицы с email. Как устроен доступ к Supabase и как проверить свой проект.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/issledovateli-nawli-otkrytye-bez-vhoda-dannye-v-tysyachah-prilozhen">Исследователи нашли открытые без входа данные в тысячах приложений Lovable</a>»</p>]]></description>
      <category><![CDATA[Безопасность]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Базы данных]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 08:35:02 GMT</pubDate>
      <content:encoded><![CDATA[<p>Гамбургская компания по безопасности приложений Crissy Field проверила 159 041 проект, собранный на ИИ-конструкторе Lovable, и нашла тысячи сайтов, которые без входа отдают записи из базы, в том числе с личными данными клиентов. Исследование сделано вместе с немецкой деловой газетой Handelsblatt, <a href="https://www.crissyfield.de/research/lovable-en/">английская версия отчёта</a> опубликована на сайте Crissy Field.</p><p>Если вы собирали приложение в Lovable, Bolt, v0 или похожем конструкторе и подключали к нему Supabase, это повод проверить права доступа к таблицам до того, как туда попадут реальные клиенты. Ключ, через который браузер ходит в базу, публичный по замыслу Supabase. Что из базы можно прочитать, решают правила доступа на стороне базы, а не скрытость адреса или ключа.</p><p>Сама Lovable считает проблему отраслевой: так её позиция передана в подзаголовке <a href="https://www.handelsblatt.com/technik/ki/lovable-experten-finden-datenluecke-bei-beliebter-ki-coding-plattform/100264923.html">статьи Handelsblatt</a>, которая вышла 3 ноября 2026 года.</p><ul><li>Crissy Field нашла 159 041 проект Lovable в архиве Common Crawl за декабрь 2025 — сентябрь 2026 года, 34 545 из них работают с Supabase.</li><li>24 664 сайта отдают записи из Supabase сразу при загрузке страницы, без входа.</li><li>Дополнительными запросами только на чтение исследователи нашли записи с email в 10 560 таблицах на 7 403 сайтах, это 30% от 24 664.</li><li>Сами авторы предупреждают: 30% не доля подтверждённых утечек, а выборка не представляет все приложения Lovable.</li><li>Lovable называет проблему отраслевой; условия сервиса и документация возлагают безопасность приложения на клиента.</li></ul><h2>Что именно нашли исследователи?</h2><p>Коротко: в части приложений на Lovable без логина читались базы с именами, email, телефонами, платёжной информацией и даже паспортными данными. Исследователи искали сайты на Lovable в наборах данных открытого веб-архива <a href="https://commoncrawl.org/">Common Crawl</a> и сосредоточились на базе данных Supabase. По их оценке, это самый распространённый у проектов Lovable облачный сервис для баз данных, а его подключение легко анализировать.</p><p>Проверка шла в два шага. Сначала смотрели, какие данные сайт сам передаёт в браузер при первой загрузке. Так делали 24 664 сайта из 34 545 с Supabase. Авторы отдельно оговаривают, что само по себе это не проблема: часть данных может быть предназначена для публичного показа, например каталог товаров или расписание. Затем с тем же API-ключом, который сайт уже отдал браузеру, исследователи делали дополнительные запросы только на чтение и смотрели, какие ещё таблицы открываются.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/5b4ce72a-7600-44ae-ad1b-92158cc1e35b.webp" alt="Схема методики: поиск приложений Lovable в Common Crawl, наблюдение за доступом к таблицам Supabase, расширение доступа по найденной информации" /><figcaption>Три шага методики: найти приложения Lovable в Common Crawl, посмотреть, к каким таблицам Supabase обращается приложение, и проверить, что ещё доступно с той же информацией. Схема: Crissy Field</figcaption></figure><p>Как признак персональных данных авторы взяли email-адреса. Записи с email нашлись в 10 560 таблицах на 7 403 сайтах. Конкретные пути доступа к найденным базам Crissy Field не публикует, чтобы не облегчать повторный доступ. Числа в примерах ниже относятся только к тем записям, которые исследователи фактически скачали; по их словам, наборы данных могут быть больше.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/7fec1bd9-5378-429c-b0ef-8417641bbfb2.webp" alt="Горизонтальная диаграмма: 159 041 проект Lovable, 34 545 с Supabase, 24 664 отдают записи при загрузке, 7 403 с таблицами, где есть email" /><figcaption>Воронка исследования: от всех найденных проектов Lovable до сайтов, где нашлись таблицы с email. Источник данных: Crissy Field по данным Common Crawl, декабрь 2025 — сентябрь 2026 года; график Tproger</figcaption></figure><p>Среди примеров, которые приводит отчёт:</p><ul><li>немецкий лайфстайл-форум: больше 80 000 профилей с полными именами, email, датами рождения и полом, а также больше 200 000 сообщений из чатов;</li><li>несколько организаторов мероприятий и ресторанов: десятки тысяч записей о продажах билетов и еды с email, телефонами, почтовыми адресами, платёжной информацией и кодами билетов;</li><li>управляющая компания в сфере недвижимости: сгенерированные ИИ пересказы внутренних писем с данными о жильцах, собственниках и партнёрах;</li><li>поставщик услуг: больше 1 000 записей с данными документов, включая номера паспортов, сроки действия и гражданство;</li><li>десятки тысяч договоров и счетов, личные фотоальбомы и внутренняя переписка в WhatsApp;</li><li>подписки на рассылки, листы ожидания, обращения в поддержку, а в одном случае 280 000 писем, отправленных клиентам компании.</li></ul><p>Такие данные, по словам авторов, годятся для фишинга, мошенничества с билетами и кражи личности. Использовал ли их кто-то на практике, установить не удалось.</p><h2>Почему 30% не означает, что утекла треть приложений?</h2><p>Потому что так оговаривают сами авторы. Email в таблице не всегда персональные данные: это может быть публичный адрес для связи или тестовая запись. И наоборот, записи с персональными данными без email в подсчёт не попали. Эти эффекты частично компенсируют друг друга, но насколько, исследователи установить не смогли.</p><p>Доля 30% считается только от 24 664 сайтов, которые сами отдавали данные при загрузке, а не от всех 159 041 проекта. Выборка из Common Crawl тоже не репрезентативна для всех приложений Lovable: в архив попадают только сайты, которые нашёл его краулер. Кроме того, в отчёте сказано, что он содержит более свежий анализ и обновлённые цифры по сравнению со статьёй Handelsblatt, поэтому числа в газете и в отчёте могут не совпадать.</p><p>Ещё одна граница исследования: смотрели только Supabase. Встроенные базы Lovable, которые платформа предлагает с конца 2025 года, по словам авторов, пока используются реже; похожие ошибки настройки там возможны, но не проверялись.</p><h2>Что ответила Lovable?</h2><p>Развёрнутого ответа компании в отчёте Crissy Field нет: там сказано только, что Handelsblatt направил Lovable результаты исследования. Статья Handelsblatt (автор Лина Кнес) закрыта платной подпиской. В её открытой части сказано, что редакция получила сигнал о проблеме в середине августа, проверила его и обратилась к Lovable. По оценке газеты, злоумышленники могли получать доступ к таким данным как минимум год, а проблема выходит за пределы одного сервиса. В подзаголовке приведена позиция компании: проблема касается всей отрасли. По данным самой Lovable, которые приводит газета, на платформе собрано больше 50 млн проектов, каждую неделю добавляется 1,2 млн.</p><p>Отдельного заявления по этому исследованию в блоге Lovable мы не нашли. Позиция компании о распределении ответственности описана в документации. На <a href="https://docs.lovable.dev/features/security">странице о безопасности</a> Lovable пишет, что пользователь отвечает за то, чтобы приложение соответствовало требованиям безопасности для своего сценария, а встроенные проверки «не могут гарантировать полную безопасность» (перевод редакции). Crissy Field обращает внимание на разрыв: маркетинг Lovable повторяет, что для создания приложений не нужны технические знания, а условия использования возлагают ответственность за приложения и обработку данных на клиента.</p><p>Спор этот не новый. В 2025 году Lovable уже оспаривала уязвимость <a href="https://www.cve.org/CVERecord?id=CVE-2025-48757">CVE-2025-48757</a>: в её описании говорится о недостаточных политиках Row Level Security в сгенерированных Lovable сайтах до 15 апреля 2025 года, а пометка поставщика гласит, что за защиту данных отвечает каждый клиент платформы. Новое исследование Crissy Field не называет конкретную причину открытого доступа, поэтому связывать его с той уязвимостью напрямую нельзя.</p><p>О том, почему сгенерированный код чаще оставляет такие дыры, мы писали в разборе «<a href="https://tproger.ru/articles/vajb-koding-kak-mechta-hakera-kakie-uyazvimosti-plodit-kod-sgene">Вайб-кодинг как мечта хакера</a>», а похожую историю с публичной базой уязвимых приложений — в новости «<a href="https://tproger.ru/news/haker-sobral-publichnuyu-bazu--navajbkozhennyh--prilozhenij-s-sotnyami-uyazvimostej">Хакер собрал публичную базу „навайбкоженных“ приложений</a>».</p><h2>Как приложение на Supabase обращается к базе из браузера?</h2><p>Напрямую, по HTTP, с публичным ключом. Судя по методике отчёта, изученные приложения на Lovable обращаются к Supabase прямо из браузера. Для этого у Supabase есть Data API: каждая таблица в открытой схеме (по умолчанию public) доступна как REST-эндпоинт. Чтобы браузер мог это делать, в код фронтенда кладётся URL проекта и публичный ключ. <a href="https://supabase.com/docs/guides/getting-started/api-keys">Документация Supabase</a> называет publishable-ключ (sb_publishable_...) безопасным для размещения на веб-странице и в исходном коде: его может прочитать любой, поэтому он получает доступ только к тому, что разрешает Row Level Security. Старый ключ anon — предыдущая версия того же типа ключа; Supabase объявила, что anon и service_role устаревают к концу 2026 года.</p><p>Row Level Security (RLS) — механизм PostgreSQL, который проверяет каждую строку таблицы по правилам-политикам. Запрос с publishable-ключом без вошедшего пользователя выполняется от роли anon, после входа — от роли authenticated. <a href="https://supabase.com/docs/guides/database/postgres/row-level-security">Документация Supabase по RLS</a> требует включать его на каждой таблице в открытой схеме: таблица без RLS в такой схеме доступна на чтение и запись любой роли, у которой есть на неё права. Если RLS включён, а политик нет, через API с publishable-ключом данные не читаются вовсе.</p><p>Отсюда типовой механизм таких утечек, который хорошо известен по прошлым случаям: таблица создана без RLS или с политикой, пропускающей всех (например, using (true) для роли anon), а публичный ключ и URL проекта лежат в коде страницы. Тогда любой, кто открыл сайт, может запросить таблицу целиком. Подчеркнём: в отчёте Crissy Field причина открытого доступа не названа, это описание того, как такое обычно происходит в Supabase.</p><p>Секретный ключ (sb_secret_..., раньше service_role) работает в обход RLS, если в запросе нет токена пользователя, поэтому Supabase запрещает класть его в браузер, в собранное приложение и в систему контроля версий. В браузере такой ключ Supabase отклоняет с ошибкой 401.</p><h2>Как проверить своё приложение на Lovable и Supabase?</h2><p>Проверяйте только свой проект. Минимальный набор шагов:</p><ol><li>Откройте своё приложение в приватном окне без входа, в DevTools на вкладке Network отфильтруйте запросы по supabase.co и посмотрите, какие таблицы и поля приходят анонимному посетителю. Всё, что вы видите там, видит любой посетитель.</li><li>В панели Supabase откройте <a href="https://supabase.com/docs/guides/observability/advisors">Security Advisor</a>. Предупреждение 0013_rls_disabled_in_public означает таблицу в открытой схеме без RLS; отдельная проверка помечает такие таблицы, если в них есть колонки с похожими на чувствительные данные названиями.</li><li>Выполните в SQL-редакторе запросы ниже: первый покажет таблицы схемы public без RLS, второй — все политики, среди которых стоит искать открытые для роли anon.</li><li>Для каждой таблицы с личными данными решите, кто должен её читать, и напишите политику, привязанную к пользователю, например через auth.uid().</li><li>Проверьте, какие ключи попали в собранный фронтенд. Новый секретный ключ виден по префиксу sb_secret_. Старые ключи anon и service_role — это JWT, и роль записана внутри токена, поэтому поиск по строке service_role её не найдёт: декодируйте среднюю часть токена (base64) и посмотрите поле role. Если в браузер попал секретный ключ или service_role, его нужно перевыпустить и унести на сервер.</li><li>В Lovable запустите Deep scan из раздела Security. Quick scan, по <a href="https://docs.lovable.dev/features/security">документации</a>, проверяет при каждой публикации таблицы без RLS и правила, пропускающие всех, а Deep scan дополнительно ищет места, где пользователь может видеть или менять чужие данные.</li></ol><p>Включение RLS без политик закроет таблицу для publishable-ключа: если данные пропали из интерфейса, допишите политики, а не выключайте RLS. Crissy Field добавляет, что автоматические проверки не заменяют профессиональный аудит прав доступа до работы с реальными данными клиентов и после заметных изменений.</p><h2>Что дальше?</h2><p>Исследование показывает не ошибку одного сайта, а повторяющийся шаблон: у приложений, собранных одним конструктором, похожее подключение к базе, поэтому, как пишут авторы, приём, сработавший против одного приложения, можно без особых усилий повторить на других. Похожие вопросы касаются и других платформ, которые собирают приложение вместе с базой и публикуют его в один клик; так, недавно публикацию веб-приложений с базой и входом добавил <a href="https://tproger.ru/news/cursor-nauchil-agenta-publikovat-veb-prilozheniya-s-bazoj-i-vhodom">Cursor</a>.</p><p>Отдельного ответа на исследование в продукте Lovable не анонсировала. В <a href="https://docs.lovable.dev/changelog">журнале изменений</a> за 12 ноября 2026 года появилось требование просмотреть нерешённые критичные замечания безопасности перед публикацией и кнопка исправления замечаний из чата проекта. Это касается проектов на встроенном бэкенде Lovable, а не внешнего Supabase, и связь с исследованием компания не заявляет.</p><p>Supabase объявила об устаревании старых ключей anon и service_role к концу 2026 года, при этом старые ключи продолжают работать, пока владелец проекта сам их не отключит. Переход на новые ключи — удобный момент заодно проверить RLS на всех таблицах.</p><p>Источники: <a href="https://www.crissyfield.de/research/lovable-en/">Crissy Field: Lovable: Many Apps Built on the Platform Expose Sensitive Data</a>, <a href="https://www.handelsblatt.com/technik/ki/lovable-experten-finden-datenluecke-bei-beliebter-ki-coding-plattform/100264923.html">Handelsblatt: Hat die beliebte KI-Coding-Plattform ein Sicherheitsproblem?</a>, <a href="https://supabase.com/docs/guides/getting-started/api-keys">Supabase: API keys</a>, <a href="https://supabase.com/docs/guides/database/postgres/row-level-security">Supabase: Row Level Security</a>, <a href="https://docs.lovable.dev/features/security">Lovable: Security overview</a></p><p>Изображение на обложке: Crissy Field</p>]]></content:encoded>
    </item>
    <item>
      <title>Codex CLI 0.169.0 отключил конфиг и MCP чужих репозиториев в codex exec</title>
      <link>https://tproger.ru/news/codex-cli-0-169-0-otklyuchil-konfig-i-mcp-chuzhih-repozitoriev-v-cod</link>
      <comments>https://tproger.ru/news/codex-cli-0-169-0-otklyuchil-konfig-i-mcp-chuzhih-repozitoriev-v-cod?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/codex-cli-0-169-0-otklyuchil-konfig-i-mcp-chuzhih-repozitoriev-v-cod</guid>
      <description><![CDATA[<p>MCP-серверы из .codex/config.toml в codex exec теперь запускаются только с флагом --trust. Что поменять в CI и зачем OpenAI выпустила хотфикс-альфы для Bedrock.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/codex-cli-0-169-0-otklyuchil-konfig-i-mcp-chuzhih-repozitoriev-v-cod">Codex CLI 0.169.0 отключил конфиг и MCP чужих репозиториев в codex exec</a>»</p>]]></description>
      <category><![CDATA[Безопасность]]></category>
      <category><![CDATA[Инструменты командной строки]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[OpenAI]]></category>
      <category><![CDATA[CI/CD]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 08:28:19 GMT</pubDate>
      <content:encoded><![CDATA[<p>13 ноября 2026 года OpenAI выпустила <a href="https://github.com/openai/codex/releases/tag/rust-v0.169.0">Codex CLI 0.169.0</a>, и в нём поменялось поведение, на которое опираются CI-пайплайны: codex exec больше не загружает конфигурацию проекта и его MCP-серверы в каталоге без доверия, даже если агент запущен с --sandbox workspace-write. Чтобы вернуть прежнее поведение для своего репозитория, нужен новый флаг --trust, он появился у codex exec и codex review.</p><p>Для программиста это значит две вещи. Если пайплайн подключал MCP-серверы или настройки из .codex/config.toml в репозитории, после обновления они молча отключатся: запуск продолжится, в stderr будет только предупреждение. И наоборот, если агент в CI проверяет чужие pull request, атакующий больше не сможет положить в репозиторий свой конфиг с MCP-сервером и выполнить команду на раннере. Ниже разбираем механизм, что поменять в CI и откуда за неделю взялся 21 альфа-релиз с версиями вроде 0.167.0-alpha.4.3.</p><ul><li>Codex CLI 0.169.0 (13 ноября): в недоверенном каталоге codex exec не читает .codex/config.toml проекта и не запускает его MCP-серверы, даже с --sandbox workspace-write.</li><li>Флаг --trust у codex exec и codex review сохраняет доверие к проекту в пользовательском конфиге навсегда, в том числе при --ephemeral; с --ignore-user-config он не сочетается.</li><li>Пропуск проектного конфига сам по себе не завершает запуск ошибкой: Codex выведет предупреждение и продолжит работу без него, а без нужных MCP-инструментов агент может сделать задачу хуже.</li><li>С 10 по 17 ноября (по UTC) в openai/codex вышел 21 альфа-релиз; четыре из пяти «четырёхзначных» хотфикс-тегов переносят инкрементальные объявления инструментов для Vertex AI и Amazon Bedrock.</li><li>Для Vertex AI эта функция включена по умолчанию в стабильной 0.167.2, для Bedrock на 17 ноября по умолчанию она включена только в альфах.</li></ul><h2>Что именно изменилось в codex exec?</h2><p>Короткий ответ: доверие к проекту теперь даётся только явно. В заметках к релизу это сформулировано так: codex exec оставляет конфигурацию проекта и MCP-серверы отключёнными в недоверенных каталогах, даже с --sandbox workspace-write, а --trust явно сохраняет доверие. Изменение пришло из <a href="https://github.com/openai/codex/pull/60041">PR #60041</a> «Require explicit project trust in non-interactive runs», его влили в основную ветку 7 ноября.</p><p>Немного терминологии. Конфигурация проекта в Codex — это файл .codex/config.toml в репозитории: в нём можно задать настройки агента и описать MCP-серверы, то есть внешние процессы, которые дают модели дополнительные инструменты (доступ к базе, трекеру, браузеру). В интерактивном режиме Codex спрашивает, доверяете ли вы каталогу, и только после согласия читает этот файл. В неинтерактивном codex exec спросить некого.</p><p>По описанию PR и диффу, раньше встроенный сервер, который поднимает codex exec, мог неявно получить доверие к рабочему каталогу, если песочница разрешала запись. Теперь рабочий каталог передаётся как значение по умолчанию, которое доверия не даёт. В тестах PR это записано прямо: тот же MCP-сервер из проектного конфига «требует явного согласия даже при доступе на запись».</p><p>Когда проектный конфиг пропущен, Codex пишет в stderr такое предупреждение:</p><p>Как ведёт себя --trust, по описанию флага и коду PR:</p><ul><li>сохраняет доверие к проекту для текущего и всех будущих чатов: запись попадает в пользовательский config.toml в каталоге Codex, а не в репозиторий;</li><li>запись сохраняется даже с --ephemeral, хотя сама сессия на диск не пишется;</li><li>не перекрывает явный запрет: если проект помечен как недоверенный, команда завершится ошибкой «… is marked as untrusted. Update its trust setting first.»;</li><li>не сочетается с --ignore-user-config: Codex откажется запускаться, потому что ему нужно проверить сохранённые решения о доверии;</li><li>от песочницы не зависит: в тестах PR проектный MCP-сервер запускается и с --sandbox read-only --trust.</li></ul><h2>Почему это защита от вредоносного репозитория?</h2><p>Потому что MCP-сервер — это команда, которую Codex запускает сам, и, как сказано в описании флага, MCP-команды выполняются вне песочницы. Песочница workspace-write ограничивает команды, которые придумывает модель, но не процессы MCP-серверов из конфига.</p><p>Типичный сценарий, от которого закрывает 0.169.0, по нашей оценке, выглядит так. Пайплайн на каждый pull request делает checkout ветки и запускает codex exec --sandbox workspace-write "проверь изменения". Автор PR из форка добавляет в репозиторий проектный конфиг с «сервером», который на самом деле скачивает и запускает скрипт:</p><p>До 0.169.0 такой процесс мог стартовать на раннере вне песочницы, с доступом к сети и файлам задачи, например к рабочей копии и учётным данным, которые в ней оставил checkout. Секреты из переменных окружения MCP-серверу автоматически не передаются, их пробрасывают явно через env_vars, но этот список задаёт тот же конфиг. Модели даже не нужно поддаваться на prompt injection, достаточно того, что Codex прочитал конфиг. Похожие атаки через файлы в репозитории уже находили в других агентах, например <a href="https://tproger.ru/news/v-google-antigravity-nawli-dva-sposoba-poluchit-rce-prompt-inj">два способа получить RCE в Google Antigravity</a>. Теперь граница проходит по явному решению человека или пайплайна: если проекту раньше не выдали доверие, без --trust его конфиг игнорируется.</p><p>Важная оговорка: --trust работает на весь проект и на будущее. На постоянном self-hosted раннере доверие, выданное один раз для каталога сборки, останется в пользовательском конфиге и распространится на следующие задачи в том же пути, включая те, что собирают чужой код. На одноразовых раннерах (контейнер на задачу, GitHub-hosted runners) такой проблемы нет: конфиг исчезает вместе с машиной.</p><h2>Что сделать в CI после обновления до 0.169.0?</h2><p>Сначала проверьте, использовал ли пайплайн проектный конфиг. Если в логах после обновления появилась строка Untrusted project-local configuration is disabled, значит, MCP-серверы и настройки из .codex/config.toml больше не подхватываются, а сам запуск ошибкой не завершается. Дальше варианты:</p><ol><li>Задачи, которые работают только с вашим кодом (push в основную ветку, ночные прогоны), можно запускать с codex exec --trust или codex review --trust.</li><li>Задачи, которые собирают pull request из форков, лучше оставить без --trust. Нужные MCP-серверы опишите в пользовательском config.toml, который пайплайн создаёт сам до запуска агента: в тестах PR сервер из пользовательского конфига запускается без всякого доверия к проекту.</li><li>На постоянных раннерах не смешивайте задачи с --trust и задачи с недоверенным кодом в одном рабочем каталоге либо очищайте каталог настроек Codex между задачами.</li><li>Если вы запускаете Codex с --ignore-user-config, флаг --trust к нему не добавить: выбирайте одно из двух.</li></ol><p>Если пайплайн не использует .codex/config.toml в репозитории, обновление для него ничего не меняет.</p><h2>Зачем OpenAI выпускает альфы с четырьмя цифрами в версии?</h2><p>С 10 по 17 ноября по UTC в репозитории openai/codex вышел 21 альфа-релиз (подсчёт редакции по GitHub API) и четыре стабильных: 0.167.1, 0.167.2, 0.168.0 и 0.169.0. Среди альф выделяются теги с четырьмя компонентами: 0.167.0-alpha.4.1, 4.2 и 4.3, 0.169.0-alpha.11.1 и 0.170.0-alpha.4.1. У всех пустые заметки к релизу, поэтому мы сравнили каждый тег с предыдущим через GitHub.</p><p>Что внутри хотфикс-тегов openai/codex</p><table><thead><tr><th>Тег</th><th>Что добавлено поверх базовой альфы</th></tr></thead><tbody><tr><td>0.167.0-alpha.4.1</td><td>Опциональные инкрементальные инструменты (#59832) и их ограничение провайдерами Amazon Bedrock (#60040)</td></tr><tr><td>0.167.0-alpha.4.2</td><td>Исправление кавычек в путях cmd.exe в песочнице Windows (#60624)</td></tr><tr><td>0.167.0-alpha.4.3</td><td>Инкрементальные объявления инструментов для Google Cloud (#60617) и их включение по умолчанию (#60848)</td></tr><tr><td>0.169.0-alpha.11.1</td><td>Включение по умолчанию для Google Cloud (#60848)</td></tr><tr><td>0.170.0-alpha.4.1</td><td>Включение по умолчанию для Amazon Bedrock (#61426)</td></tr></tbody></table><p>Источник: сравнение тегов в GitHub-репозитории openai/codex; расчёт Tproger</p><p>Смысл таких сборок объясняет <a href="https://github.com/openai/codex/pull/60456">PR #60456</a> «[Hotfix] Backport legacy incremental tools to 0.167.0-alpha.3.2»: перенести изменения на ту версию CLI, которая встроена в десктоп-приложение Codex, чтобы десктоп мог включать инкрементальные объявления инструментов для сессий через Bedrock. Сам этот PR на 17 ноября открыт и не влит, а тег 0.167.0-alpha.3.2 от 5 ноября содержит другое исправление, про правила exec policy. Тот же перенос на ветку alpha.4 оформлен в виде тега 0.167.0-alpha.4.1.</p><p>Что такое инкрементальные объявления инструментов. Обычно Codex перечисляет все доступные модели инструменты в поле tools каждого запроса. С функцией incremental_tools_legacy объявления уходят отдельными элементами additional_tools во входных данных, а при изменении набора инструментов новые объявления дописываются без переписывания истории (так описано в <a href="https://github.com/openai/codex/pull/60617">PR #60617</a>). По нашей оценке, это нужно, чтобы подключение MCP-сервера посреди сессии не меняло начало запроса и не сбрасывало кэш промптов у провайдера.</p><p>Для Google Cloud Vertex AI функция включена по умолчанию с <a href="https://github.com/openai/codex/releases/tag/rust-v0.167.2">0.167.2</a> от 12 ноября (<a href="https://github.com/openai/codex/pull/60848">PR #60848</a>), отключается строкой incremental_tools_legacy_gcp = false в разделе [features]. По сравнению тегов, этот коммит есть и в 0.169.0, хотя в её заметках он не упомянут. Для Amazon Bedrock сама функция как опция есть в стабильной 0.169.0 (PR #59832 и #60040), а включение по умолчанию (<a href="https://github.com/openai/codex/pull/61426">PR #61426</a>) влили 14 ноября, и на 17 ноября оно есть только в альфах, начиная с 0.170.0-alpha.4.1 и веток 0.171.0; отключение — incremental_tools_legacy = false. Тех, кто входит в Codex через аккаунт ChatGPT или ключ OpenAI, это не касается.</p><h2>Что ещё вошло в Codex CLI 0.169.0?</h2><p>Остальное в релизе — функции интерфейса, большинство включается вручную:</p><ul><li>в опциональном терминальном workspace теперь несколько вкладок с боковыми чатами, переключение клавиатурой или мышью, сохранённые чаты открываются после перезапуска Codex;</li><li>в командном центре агентов появился поиск старых задач по имени, началу промпта и рабочему каталогу;</li><li>опция Collapse turn details в полноэкранной ленте сворачивает выполненные действия под каждым промптом, ответы остаются видны, вывод инструментов ищется;</li><li>кастомных провайдеров моделей можно добавлять и править прямо из терминала, а для поддерживаемых шлюзов вход работает по device code, в том числе по SSH и без локального браузера;</li><li>Ctrl+S в редакторе отчёта об ошибке сохраняет диагностический ZIP локально, даже если отправка отключена;</li><li>исправлены кавычки путей cmd.exe и рабочий каталог PowerShell в песочнице Windows, а встроенный SQLite обновлён до 3.54 ради исправлений журнала WAL.</li></ul><p>Выбор провайдера по умолчанию в TUI и боковые разговоры появились ещё в 0.168.0, которую мы разбирали в обзоре <a href="https://tproger.ru/news/claude-code-poluchil-code-mode-a-codex-nauchilsya-vybirat-provajd">«Claude Code получил Code Mode, а Codex научился выбирать провайдера в TUI»</a>. Предыдущее изменение безопасности MCP в Codex, подтверждение MCP-запросов через Touch ID, вышло в <a href="https://tproger.ru/news/codex-cli-0-155-0-poluchil-golosovye-dialogi-i-podtverzhdenie-mcp">Codex CLI 0.155.0</a>.</p><p>Следующий стабильный релиз, судя по тегам, будет 0.170.0 или 0.171.0, и вместе с ним инкрементальные инструменты по умолчанию дойдут до пользователей Bedrock. Если ваш CI ходит в Codex через Bedrock, после этого обновления стоит проверить расход токенов и поведение длинных сессий с подключаемыми MCP-серверами.</p><p>Источники: <a href="https://github.com/openai/codex/releases/tag/rust-v0.169.0">openai/codex: релиз rust-v0.169.0</a>, <a href="https://github.com/openai/codex/pull/60041">openai/codex PR #60041: Require explicit project trust in non-interactive runs</a>, <a href="https://github.com/openai/codex/pull/60456">openai/codex PR #60456: [Hotfix] Backport legacy incremental tools to 0.167.0-alpha.3.2</a>, <a href="https://github.com/openai/codex/pull/60617">openai/codex PR #60617: Support incremental tool declarations on GCP</a>, <a href="https://github.com/openai/codex/pull/60848">openai/codex PR #60848: Enable incremental tool declarations by default for GCP</a>, <a href="https://github.com/openai/codex/pull/61426">openai/codex PR #61426: Enable incremental tools by default for Amazon Bedrock</a>, <a href="https://github.com/openai/codex/releases/tag/rust-v0.167.2">openai/codex: релиз rust-v0.167.2</a>, <a href="https://github.com/openai/codex/releases">openai/codex: список релизов</a></p><p>Изображение на обложке: OpenAI, репозиторий openai/codex (Apache-2.0)</p>]]></content:encoded>
    </item>
    <item>
      <title>OpenCode выпустила Browse: ИИ-агент работает в браузере с вашими логинами</title>
      <link>https://tproger.ru/news/opencode-vypustila-browse-ii-agent-rabotaet-v-brauzere-s-vawimi</link>
      <comments>https://tproger.ru/news/opencode-vypustila-browse-ii-agent-rabotaet-v-brauzere-s-vawimi?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/opencode-vypustila-browse-ii-agent-rabotaet-v-brauzere-s-vawimi</guid>
      <description><![CDATA[<p>MCP-сервер Browse даёт агенту вкладки, клики, скриншоты и трафик, но readOnly в 0.1.0 пропускал select, fill и upload. Разбираем инструменты и риски.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/opencode-vypustila-browse-ii-agent-rabotaet-v-brauzere-s-vawimi">OpenCode выпустила Browse: ИИ-агент работает в браузере с вашими логинами</a>»</p>]]></description>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Информационная безопасность]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 08:24:15 GMT</pubDate>
      <content:encoded><![CDATA[<p>Команда Anomaly, которая делает открытого ИИ-агента для программирования OpenCode, 16 ноября <a href="https://github.com/anomalyco/browse/releases/tag/v0.1.0">выпустила Browse 0.1.0</a> — MCP-сервер и расширение для Chromium-браузеров, через которые агент работает в вашем настоящем браузере: с открытыми вкладками, сессиями сайтов, где вы уже вошли, и установленными расширениями. Подключить его можно к OpenCode, Claude Code, Codex, Cursor, Zed и любому другому MCP-клиенту, код открыт под лицензией MIT.</p><p>Для разработчика это значит, что агент может сам открыть локальный стенд или админку, где вы залогинены, прочитать страницу, покликать по форме, снять скриншот и сетевой трафик, а на шаге входа, 2FA или оплаты вернуть вкладку вам. Обратная сторона та же: агент действует от вашего имени во всех сервисах, куда вы вошли, а текст любой открытой страницы может попытаться им управлять. Ниже разбираем, какие инструменты получает агент, как устроено подключение и что в проекте сделано против этих рисков.</p><ul><li>Browse 0.1.0 вышел 16 ноября: один нативный бинарник на Rust (CLI, relay и MCP-сервер) плюс расширение из Chrome Web Store; Node.js и Playwright внутри больше не нужны.</li><li>OpenCode получает 26 отдельных инструментов (navigate, snapshot, click, fill, screenshot, network, recording и другие), остальные MCP-клиенты получают execute, status и tabs: execute запускает JavaScript с Playwright-подобным page.</li><li>Работает в Chrome, Edge, Brave, Arc, Helium, Vivaldi, Opera и Chromium; browse install умеет прописать сервер в конфиги 32 агентов, вы выбираете нужных.</li><li>Защита: токен relay, сопряжение браузера через одноразовый код и ECDH, запреты на опасные команды CDP, ограничение cookie хостами вкладки. Разработчики прямо пишут, что allowedOrigins и readOnly — ограждения, а не граница данных.</li><li>После релиза в основной ветке закрыли дыру: в 0.1.0 select, fill для выпадающих списков и upload срабатывали на вкладках readOnly. Исправление в релиз пока не вошло.</li></ul><h2>Что умеет агент с Browse и чем это отличается от отдельного браузера?</h2><p>Агент получает доступ к браузеру, которым вы пользуетесь каждый день, а не к чистому профилю. По описанию на <a href="https://opencode.ai/product/browse">странице продукта</a>, агенты «используют сайты, в которые вы уже вошли, без ключей и настройки» (перевод редакции). Вкладки агента открываются в фоне в окне, которым вы пользовались последним, собираются в отдельную группу и сворачиваются, пока вы в неё не смотрите. Переключить вас на свою вкладку или вывести окно на передний план агент не может.</p><p>Работа строится вокруг вкладки. Инструмент navigate без указания вкладки открывает новую фоновую вкладку и возвращает её id, все остальные вызовы передают этот id. Вкладки, которых никто не трогал 10 минут, закрываются сами (никогда во время работы), срок меняется в настройках: 10, 30, 60 минут или никогда.</p><p>Свою вкладку можно «одолжить» агенту: нажать кнопку расширения на панели, значок покажет ON, повторное нажатие забирает вкладку обратно. Пока агент работает, на значке RUN, когда ему нужен человек — WAIT. Служебная плашка браузера об отладке с кнопкой «Отмена» отключает Browse сразу от всех вкладок.</p><p>Передача вкладки человеку (handoff) выглядит как небольшая карточка на странице с адресом сайта. Вы вводите пароль, код 2FA или подтверждаете оплату и нажимаете Continue на карточке или на кнопке расширения. Если на странице капча, Cloudflare-проверка или «access denied», Browse сообщает об этом агенту и предлагает отдать такую вкладку вам; сам проверки он, по словам разработчиков, никогда не решает.</p><h2>Какие инструменты получает агент?</h2><p>Набор зависит от клиента. OpenCode, который собирает вызовы в код в режиме code mode, получает «плоские» инструменты. Все остальные MCP-клиенты получают три: execute, status и tabs, причём execute может вызвать любой из плоских инструментов из кода. Решение relay принимает по имени клиента из рукопожатия MCP: в <a href="https://github.com/anomalyco/browse/blob/v0.1.0/rust/crates/browse-relay/src/surface.rs">коде</a> плоский набор достаётся клиенту, в имени которого есть «opencode». Переменная OPENCODE_BROWSER_TOOLS=plain|execute|all меняет это для всех клиентов.</p><p>Инструменты Browse 0.1.0</p><table><thead><tr><th>Инструмент</th><th>Что делает</th></tr></thead><tbody><tr><td>navigate</td><td>Открывает страницу; без tab — в новой фоновой вкладке и возвращает её id</td></tr><tr><td>snapshot</td><td>Компактная структура страницы со ссылками вида e12 для других инструментов, включая iframe</td></tr><tr><td>click, fill, type, press, select, hover, drag, scroll</td><td>Действия по ссылке, селектору или координатам с «человеческим» вводом</td></tr><tr><td>wait_for, dialog, upload, eval</td><td>Ожидание текста, URL или элемента; ответы на диалоги; загрузка файлов; JavaScript в странице</td></tr><tr><td>screenshot, screenshot_diff</td><td>Снимок окна, всей страницы, элемента или области; сравнение с эталоном</td></tr><tr><td>network, console</td><td>Трафик вкладки с вымаранными учётными данными; сообщения и ошибки консоли</td></tr><tr><td>recording</td><td>Запись вкладки в видеофайл</td></tr><tr><td>emulate, webmcp</td><td>Размер окна, цветовая схема, user agent, геолокация; инструменты, которые страница отдаёт через WebMCP</td></tr><tr><td>tabs</td><td>Список, открытие и закрытие вкладок, в том числе целой группой</td></tr><tr><td>handoff, demonstrate</td><td>Попросить человека сделать шаг; попросить показать сценарий и записать его шаги</td></tr><tr><td>settings, status</td><td>Чтение и смена настроек по вашей просьбе; состояние relay, браузеров и сопряжения</td></tr><tr><td>execute</td><td>Для клиентов кроме OpenCode: JavaScript с Playwright-подобным page, snapshot(), ref(), handoff() и browse.&lt;инструмент&gt;()</td></tr></tbody></table><p>Источник: <a href="https://github.com/anomalyco/browse#tools">README Browse</a></p><p>Всё то же доступно из командной строки, это удобно, чтобы проверить работу без агента:</p><h2>Как Browse подключается к агенту и браузеру?</h2><p>Цепочка из трёх звеньев. Агент запускает browse mcp — маленький stdio-прокси. Тот при необходимости поднимает relay и пересылает ему вызовы на 127.0.0.1:19988 (если порт занят, на первый свободный из 19990–19997). Расширение подключается к relay по WebSocket и выполняет команды в браузере через chrome.debugger, то есть по протоколу Chrome DevTools.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/cb8eab48-4abc-4294-9065-f74936eeb412.webp" alt="Схема Browse: компьютер агента, коробка relay и компьютер с браузером, соединённые кабелями; подпись MCP stdio, 127.0.0.1:19988, extension" /><figcaption>Агент, relay и браузер. Изображение: Anomaly, README Browse</figcaption></figure><p>Relay хранит вкладки агентов, передачи вкладок, записи и сетевые захваты, а скрипты execute выполняет во встроенном движке QuickJS. В <a href="https://github.com/anomalyco/browse/blob/v0.1.0/rust/crates/browse-script/src/engine.rs">коде 0.1.0</a> у скрипта лимит памяти 64 МБ и тайм-аут по умолчанию 60 секунд. В версии 0.1.0 проект переписали на Rust: по заявлению разработчиков, это один бинарник размером в несколько мегабайт, а relay в простое занимает несколько мегабайт памяти вместо сотен.</p><p>Установка: поставить расширение из Chrome Web Store, оно проведёт по шагам, либо запустить установщик CLI. Команда browse install ставит бинарник (установщик и npx кладут его в ~/.local/bin, глобальную установку через npm или bun оставляют пакетному менеджеру), добавляет MCP-сервер в конфиги выбранных агентов (в README перечислены 32 поддерживаемых клиента, от OpenCode и Claude Code до Gemini CLI, Kimi Code CLI и Qwen Code) и сопрягает расширение. Для клиента, которого нет в списке, достаточно записи:</p><p>Агент и браузер могут жить на разных машинах: browse install --remote открывает relay наружу. Разработчики предупреждают, что Browse это соединение не шифрует, и советуют сеть вроде Tailscale или WireGuard, а не открытый интернет.</p><h2>Чем рискует пользователь, который пускает агента в свой браузер?</h2><p>Разработчики формулируют модель угроз прямо в <a href="https://github.com/anomalyco/browse#security">разделе Security</a>: Browse управляет браузером, в котором вы залогинены, поэтому исходит из того, что прочитанное агентом (веб-страница, письмо) может попытаться им управлять, а другие программы на компьютере — воспользоваться relay. Это prompt injection: инструкция, спрятанная в тексте страницы, попадает в контекст модели наравне с вашей задачей. С расширением у агента в руках все ваши сессии: почта, GitHub, облачная консоль, банк.</p><p>Против посторонних программ на компьютере в проекте сделано вот что:</p><ul><li><b>Токен relay.</b> Каждый запрос к relay требует токен из файла ~/.local/share/browse/relay-token, доступного только владельцу. Relay слушает только 127.0.0.1 и отклоняет межсайтовые запросы и чужие заголовки Host.</li><li><b>Сопряжение.</b> Код действует один раз и 10 минут, пять неверных попыток подряд аннулируют все ожидающие коды. Браузер обменивает код на собственный случайный ключ через ECDH, ни код, ни ключ по соединению не передаются. При каждом подключении обе стороны доказывают владение ключом, поэтому программа, первой занявшая порт, браузером управлять не сможет. Relay принимает только опубликованные ID расширения.</li><li><b>Песочница execute.</b> Скрипты выполняются в QuickJS с лимитами процессора, памяти и времени, без Node, сети и файлов вне разрешённых каталогов. Relay стартует с урезанным окружением, поэтому ваших API-ключей в нём нет. При этом сами разработчики называют песочницу «не границей»: код, который запускает агент, нужно считать кодом, запущенным от вашего имени.</li></ul><p>Против агента, который «увели» со страницы, защиты скромнее, и README честно это проговаривает:</p><ul><li><b>Запреты на уровне CDP.</b> Очистка cookie, кеша и данных сайтов, закрытие браузера и смена разрешений сайтов отклоняются. По умолчанию доступ к cookie и хранилищу ограничен хостами страниц самой вкладки, а агент не может открыть внутренние страницы браузера, другие расширения и локальные файлы. Эти запреты снимаются переменными окружения вроде OPENCODE_BROWSER_ALLOW_ALL_COOKIES=1 и OPENCODE_BROWSER_ALLOW_FILE_URLS=1.</li><li><b>Ваши вкладки остаются вашими.</b> Агент работает только во вкладках, которые открыл сам или которые вы одолжили. Передачу вкладки завершает только настоящий клик по карточке или кнопке, подделать его страница не может.</li><li><b>allowedOrigins и readOnly.</b> Вкладку можно открыть со списком разрешённых сайтов или только для чтения. В документации, обновлённой после релиза, уточнено: allowedOrigins ограничивает переходы и новые вкладки, но не запросы, которые делает сама страница (fetch, XHR, картинки, скрипты, iframe). На readOnly-вкладке eval и webmcp по-прежнему выполняют JavaScript в странице: читают всё, что видит страница, отправляют запросы от её имени и могут кликнуть или отправить форму. Вывод разработчиков: это защита от блуждания агента, а страницы, которые агенту читать нельзя, в Browse просто не открывать.</li><li><b>Маскировка вывода частичная.</b> fill скрывает значения только для полей пароля и одноразового кода. Сетевой захват вымарывает учётные данные по имени и виду (заголовки авторизации и API-ключей, cookie, поля с «secret» в имени), поэтому значение под обычным именем может пройти. Результаты eval, консоль, текст страницы и скриншоты отдаются как есть.</li><li><b>Инструменты WebMCP приходят от страницы.</b> Их имена, описания и пометки вроде readOnly Browse не проверяет, агенту предлагается относиться к ним как к обычному тексту страницы.</li></ul><p>В истории коммитов есть ещё две детали, важные именно для 0.1.0. Через несколько часов после релиза в основную ветку <a href="https://github.com/anomalyco/browse/commit/1ef9276">вошло исправление</a>: readOnly держался только на списке разрешённых команд CDP, а select, fill для выпадающих списков и полей дат и upload работали через JavaScript в странице и поэтому срабатывали на вкладке «только для чтения». Второй коммит закрыл случай, когда вкладка во время переподключения выглядела доступной для записи. В релиз эти исправления на момент публикации не попали. Там же <a href="https://github.com/anomalyco/browse/commit/2451ab8">убрали изоляцию вкладок между агентами</a>, которую обещали заметки к 0.1.0: теперь вкладки адресуются по id между MCP-подключениями, и README говорит, что агенты используют полученные id и не трогают чужие вкладки, если их не просят.</p><p>Отдельно стоит режим «тихой работы». Browse не включает домены CDP, которые страница может заметить, выполняет свой код в изолированных мирах и двигает мышь по кривым с паузами при наборе. Разработчики пишут, что так агента трудно заметить, но не невозможно: браузер всё равно показывает плашку «запущена отладка». Расширение просит доступ ко всем сайтам и разрешения debugger, tabs, tabGroups, scripting и ещё несколько, а обновления CLI по умолчанию ставятся автоматически: relay проверяет новую версию при старте и затем раз в час.</p><h2>Чем Browse отличается от Playwright MCP и Claude in Chrome?</h2><p><a href="https://github.com/microsoft/playwright-mcp">Playwright MCP</a> от Microsoft (Apache-2.0) по умолчанию запускает отдельный браузер с собственным постоянным профилем или изолированным контекстом. Подключиться к уже открытому Chrome или Edge с вашими логинами он тоже умеет — через флаг --extension и расширение Playwright; для этого режима есть флаги --background, чтобы не активировать вкладки, и --no-tab-group, то есть фоновые вкладки в группе не уникальная черта Browse. Разница в упаковке: у Browse передача вкладки человеку с кнопкой Continue, одолженные вкладки, запись экрана и сетевого трафика встроены в один инструмент, а для клиентов кроме OpenCode всё сведено в один execute.</p><p><a href="https://code.claude.com/docs/en/chrome">Claude in Chrome</a> в связке с Claude Code тоже работает в вашем браузере с вашими логинами и останавливается на странице входа или капче, чтобы вы прошли её сами. Но он требует прямой подписки Anthropic (Pro, Max, Ultra, Team или Enterprise) и входа через /login, по документации не работает в WSL, а доступ к сайтам регулируется разрешениями расширения и запросами Claude Code перед действиями (в режиме auto классификатор может одобрить вызов без отдельной проверки сайта). Browse бесплатен, не привязан к одному вендору моделей и подключается к любому MCP-клиенту, но пошагового подтверждения действий по сайтам в его README нет: ограничения вроде allowedOrigins задаются при открытии вкладки.</p><h2>Что делать, если хочется попробовать?</h2><ul><li>Ставить из официальных источников: расширение из Chrome Web Store со <a href="https://opencode.ai/product/browse">страницы продукта</a>, CLI через npx @opencode/browse install или установщик. Для релиза опубликованы SHA256SUMS и аттестации сборки, их можно проверить командой gh attestation verify, как указано в заметках к релизу.</li><li>По нашей оценке, разумно завести для агента отдельный профиль браузера, где вы залогинены только в нужные для задачи сервисы: почта, банк и рабочие консоли в основном профиле так не попадут в зону действия агента. Браузер выбирается параметром browser при открытии вкладки, если подключено несколько.</li><li>На readOnly в 0.1.0 не полагаться: исправление для select, fill и upload есть только в основной ветке. Для задач на чтение надёжнее давать агенту вкладки сайтов, где нечего сломать.</li><li>Если автообновление бинарника нежелательно, включить режим уведомлений: browse update --mode notify или переменная OPENCODE_BROWSER_AUTO_UPDATE=notify.</li><li>Снять всё: browse uninstall убирает сервер из конфигов агентов, останавливает relay и удаляет файлы Browse; пакет, поставленный глобально через npm или bun, удаляется командой пакетного менеджера, которую uninstall напечатает, а расширение — из браузера вручную.</li></ul><p>Как устроены похожие инструменты, мы разбирали в материале <a href="https://tproger.ru/articles/kak-dat-ii-agentu-nastoyashhij-brauzer-s-browser-use-1-0-v-2026-go">про browser-use 1.0</a>, а насколько реальна prompt injection в агентных средах — в новости <a href="https://tproger.ru/news/v-google-antigravity-nawli-dva-sposoba-poluchit-rce-prompt-inj">о двух способах получить RCE в Google Antigravity</a>. Если вы только знакомитесь с OpenCode, начните с <a href="https://tproger.ru/articles/vajb-koding-v-terminale-nastraivaem-opencode-s-claude-gpt-i-ge">разбора его настройки</a>.</p><h2>Что дальше?</h2><p>Проект молодой: репозиторий создан 27 октября, с 4 ноября вышло 12 релизов, на момент публикации у него около 790 звёзд на GitHub. Pull request разработчики не принимают: баги и идеи предлагают описывать в issue, а «наши агенты обычно быстро с ними разбираются» (перевод редакции). Главное, за чем стоит следить, — выйдет ли следующий релиз с исправлением readOnly и как в нём будет устроено разделение вкладок между агентами после отказа от изоляции.</p><p>Источники: <a href="https://github.com/anomalyco/browse/releases/tag/v0.1.0">Anomaly: Browse 0.1.0 на GitHub (релиз)</a>, <a href="https://github.com/anomalyco/browse">Репозиторий anomalyco/browse, README и раздел Security</a>, <a href="https://opencode.ai/product/browse">OpenCode: страница продукта Browse</a>, <a href="https://github.com/microsoft/playwright-mcp">Playwright MCP, README</a>, <a href="https://code.claude.com/docs/en/chrome">Claude Code: Use Claude Code with Chrome</a></p><p>Изображение на обложке: Anomaly, страница Browse на opencode.ai</p>]]></content:encoded>
    </item>
    <item>
      <title>Исследователь нашёл в Windows 11 сбор данных о ваших ИИ-агентах для кода</title>
      <link>https://tproger.ru/news/issledovatel-nawyol-v-windows-11-sbor-dannyh-o-vawih-ii-agentah</link>
      <comments>https://tproger.ru/news/issledovatel-nawyol-v-windows-11-sbor-dannyh-o-vawih-ii-agentah?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/issledovatel-nawyol-v-windows-11-sbor-dannyh-o-vawih-ii-agentah</guid>
      <description><![CDATA[<p>Реверс MissionControlAggregator.dll: Windows 11 отмечает запуск Codex, Claude, Copilot, Cursor и Antigravity и шлёт это в необязательной телеметрии.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/issledovatel-nawyol-v-windows-11-sbor-dannyh-o-vawih-ii-agentah">Исследователь нашёл в Windows 11 сбор данных о ваших ИИ-агентах для кода</a>»</p>]]></description>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Microsoft]]></category>
      <category><![CDATA[Информационная безопасность]]></category>
      <category><![CDATA[Windows 11]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 08:22:10 GMT</pubDate>
      <content:encoded><![CDATA[<p>Компонент диагностики Windows 11 отмечает, какие ИИ-агенты для программирования запускались на компьютере: Codex, Claude, Copilot, Cursor, Antigravity и ещё несколько. Это показал исследователь-реверсер Xusheng Li, который <a href="https://xusheng.dev/posts/windows-coding-agent-telemetry/">16 ноября 2026 года разобрал библиотеку MissionControlAggregator.dll</a>. Если в системе разрешены необязательные диагностические данные, отчёт об агентах встаёт в очередь на отправку в Microsoft.</p><p>Для разработчика это значит, что сам факт работы с конкретным агентом и группами инструментов вроде Python, Node.js, .NET или GCC может уходить в телеметрию вместе с остальной «необязательной» диагностикой. Промптов и исходного кода автор в изученном отчёте не обнаружил: передаётся битовая карта «этот инструмент встречался за последние примерно сутки». Отключается это одним переключателем в параметрах, ниже разбираем, где он и как проверить свою машину.</p><ul><li>В MissionControlAggregator.dll есть 4 слота для консольных агентов (copilot, claude, codex, agy) и 5 для настольных приложений (github, claude, codex, cursor, antigravity); функция называется CLICodingAgentUsage, ID 62580080.</li><li>Отдельно отмечаются инструменты разработки: node, python, dotnet, gcc, clang, gdb, javac, devenv (Visual Studio), code (VS Code) и другие, всего 12 категорий.</li><li>Отчёт Segments.SubCohorts помечен как необязательные диагностические данные; при чистой установке Windows 11 Home в регионе США этот режим был включён по умолчанию.</li><li>На виртуальной машине автора функция работала как серверный эксперимент, а в базовом образе с публичного ISO была выключена, так что включена она не на каждом компьютере.</li><li>Комментария Microsoft к находке на момент публикации нет; выключить отправку можно в «Параметры» &gt; «Конфиденциальность и защита» &gt; «Диагностика и отзывы».</li></ul><h2>Что именно нашли в системной библиотеке</h2><p>Автор искал недокументированные функции в свежих бинарниках Windows с помощью ИИ-ассистента и наткнулся на список имён исполняемых файлов внутри MissionControlAggregator.dll. Дальше он открыл библиотеку в дизассемблере Binary Ninja и проследил, где эти строки используются. Оказалось, что это не мёртвый код: имена участвуют в сравнениях, по результатам которых компонент заполняет слоты в своём состоянии.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/6aa8ad45-4e97-4505-907c-988d61847c5c.webp" alt="Строки copilot.exe, claude.exe, codex.exe, agy.exe, github.exe, cursor.exe и antigravity.exe в секции данных MissionControlAggregator.dll" /><figcaption>Имена агентов в секции данных библиотеки, открытой в Binary Ninja. Скриншот: Xusheng Li, xusheng.dev</figcaption></figure><p>Слотов для консольных агентов 4: copilot.exe, claude.exe, codex.exe и agy.exe (консольный клиент Google Antigravity). Для маршрута через WSL те же имена проверяются без расширения .exe. Слотов для настольных приложений 5: github.exe, claude.exe, codex.exe, cursor.exe и antigravity.exe. Проверки агентов закрыты функцией с говорящим названием CLICodingAgentUsage, её идентификатор 62580080.</p><p>Список не ограничен ИИ. Компонент ищет node.exe, python.exe, dotnet.exe, gcc.exe, clang.exe, gdb.exe, javac.exe, devenv.exe, code.exe и другие и раскладывает их по 12 широким категориям инструментов разработки. Для части слотов дополнительно проверяется издатель: от Node.js ожидается подпись Node.js Foundation, от Python — Python Software Foundation, от .NET и Visual Studio — Microsoft Corporation. У группы компиляторов и отладчиков с GCC и Clang такой проверки нет.</p><h2>Откуда Windows узнаёт, что вы запустили агента</h2><p>Сам компонент процессы не сканирует. Он подписывается на события, которые Windows и так собирает через ETW (Event Tracing for Windows, встроенный механизм трассировки событий). Для обычных программ это KernelProcess.AppStateChangeSummary и Win32kTraceLogging.AppInteractivitySummary, для WSL — события Microsoft.Windows.Lxss.Manager.Exec и ExecCritical с полем imageName. Поэтому обычный codex.exe в Windows попадает в проверки через сводку состояний приложений, а не только через WSL.</p><p>Когда имя совпадает, в состоянии агрегатора выставляется слот. Состояние сохраняется на диск в папку C:\ProgramData\Microsoft\Diagnosis\AggregatorStorage\MissionControlAggregator$. Примерно раз в сутки функция ReportCohorts&lt;12,4,5&gt; превращает слоты в битовые маски и отправляет событие Segments.SubCohorts: 12 категорий инструментов, 4 консольных агента, 5 настольных. Каждому агенту соответствует свой бит, а не строка с именем.</p><p>Исходные события содержат больше: время работы, время в фокусе, счётчики взаимодействия, потребление ресурсов. По наблюдению автора, компонент эти детали отбрасывает и оставляет только факт «встречался в окне отчёта»; метки времени в отчёте описывают окно сбора, а не то, сколько вы пользовались агентом. При этом автор подчёркивает, что и сам список используемых агентов и инструментов чувствителен с точки зрения приватности.</p><h2>Как проверили, что это работает на обычной машине</h2><p>Исследователь взял виртуальную машину Windows 11 ARM64 в Parallels, сборка 26200.9974, версия библиотеки 10.0.26100.9818. Функция CLICodingAgentUsage на ней уже была включена как серверный эксперимент, вручную автор её не включал. Служба DiagTrack (Connected User Experiences and Telemetry) работала с автозапуском и порождала процесс AggregatorHost.exe, в который и загружена библиотека. Это видно стандартными командами PowerShell:</p><p>Затем автор скопировал cmd.exe в файл с именем codex.exe и запустил его в интерактивной сессии. Одного имени хватило: в сохранённом состоянии агрегатора появилось значение 2 в слоте Codex. Чтобы не ждать суточной границы, он сдвинул начало окна отчёта на 25 часов назад и перезапустил DiagTrack. Пришло событие с полем CliAgentSubCohorts: 4, то есть 1 &lt;&lt; 2, бит Codex. Тот же опыт с копией cmd.exe под именем gcc.exe выставил бит 3 в категории компиляторов и отладчиков, общей для GCC, Clang и родственных инструментов.</p><p>Важная оговорка автора: в базовой виртуальной машине, развёрнутой с публичного ISO, функция агентов была выключена значением образа по умолчанию. Значит, утверждать, что она активна на каждой установке Windows 11, нельзя; Microsoft может включать её выборочно через эксперименты, и сколько машин её уже получили, неизвестно.</p><h2>Уходят ли эти данные в Microsoft</h2><p>Само по себе событие ETW может остаться на компьютере, поэтому автор проверил, кто его слушает. Сессия Diagtrack-Listener была подписана и на исходные события KernelProcess, и на провайдер Microsoft.Windows.MissionControlAggregator. Затем он разобрал базу очереди отправки DiagTrack (EventStore.db) и нашёл там событие Segments.SubCohorts с отметкой "isRequired": false. Это значит, что отчёт относится к необязательным диагностическим данным и ставится в очередь, только если они разрешены.</p><p>Дальше главный вопрос — разрешены ли они по умолчанию. Автор поставил Windows 11 Home ARM64 начисто с последнего официального ISO с регионом «США». На экране выбора параметров конфиденциальности переключатель Diagnostic data уже стоял в положении Include Optional, а после установки с настройками по умолчанию значение AllowTelemetry было 3, то есть «необязательные данные включены». Для других регионов значение по умолчанию автор не проверял. В <a href="https://learn.microsoft.com/en-us/windows/privacy/configure-windows-diagnostic-data-in-your-organization">документации для организаций</a> Microsoft называет значением по умолчанию для Windows 10 версии 1903 и новее обязательные данные (Required); как это сочетается с включённым переключателем в мастере установки Home, документация не объясняет.</p><p>Сам факт сбора сведений о программах Microsoft не скрывает: в описании необязательных данных прямо сказано про «активность приложений, например какие программы запускаются на устройстве». Новость в том, что для ИИ-агентов и инструментов разработки заведён отдельный именной список, а пользователь об этом узнаёт из реверса, а не из документации. Комментария Microsoft к исследованию на момент публикации нет. В <a href="https://news.ycombinator.com/item?id=50524736">обсуждении на Hacker News</a> часть разработчиков сочла находку ожидаемой для режима с необязательной телеметрией, другие спрашивали, видно ли событие в штатном просмотрщике диагностики; ответа на этот вопрос в исследовании нет.</p><h2>Как проверить и выключить отправку</h2><p>Самый простой путь работает во всех редакциях, включая Home. Он описан в <a href="https://support.microsoft.com/en-us/windows/privacy/diagnostics-feedback-and-privacy-in-windows">справке Microsoft о диагностике и конфиденциальности</a>:</p><ol><li>Откройте «Параметры» &gt; «Конфиденциальность и защита» &gt; «Диагностика и отзывы».</li><li>В разделе «Диагностические данные» выключите отправку необязательных данных (в английской версии переключатель Send optional diagnostic data), останутся только обязательные (Required).</li><li>Там же кнопкой «Удалить» можно попросить Microsoft удалить диагностические данные, уже собранные с этого устройства; по справке Microsoft, это не удаляет данные, привязанные к учётной записи Microsoft, и не останавливает будущую отправку.</li><li>Если хотите видеть, что уходит, включите просмотр диагностических данных и откройте Diagnostic Data Viewer; он показывает события только в реальном времени, пока запущен.</li></ol><p>На Pro, Enterprise и Education уровень диагностики можно закрепить групповой политикой: Computer Configuration &gt; Administrative Templates &gt; Windows Components &gt; Data Collection and Preview Builds &gt; Allow Diagnostic Data, значение Send required diagnostic data. Политика пишет параметр AllowTelemetry в ключ HKLM\Software\Policies\Microsoft\Windows\DataCollection: 1 — только обязательные данные, 3 — с необязательными, 0 (диагностика выключена) поддерживается только в Enterprise, Education и серверных редакциях. Это описано в <a href="https://learn.microsoft.com/en-us/windows/client-management/mdm/policy-csp-system">справочнике Policy CSP</a>; там же сказано, что значение 1 отключает переключатель необязательных данных в «Параметрах», то есть пользователь не включит их обратно.</p><p>Проверить, загружен ли компонент у вас, можно командой tasklist /m MissionControlAggregator.dll в консоли администратора. Загруженная библиотека ещё не значит, что включена именно функция с агентами: на чистой установке она была выключена образом по умолчанию. Решает отправку не наличие библиотеки, а режим необязательных данных.</p><h2>Зачем Microsoft это знать и что дальше</h2><p>Публичного объяснения у компании нет, поэтому дальше — оценка редакции. Microsoft сейчас активно перестраивает Windows под разработчиков с ИИ-агентами: в этом году она <a href="https://tproger.ru/news/microsoft-pokazala-project-zenith-windows-11-dlya-razrabotchikov">показала Project Zenith</a> — Windows 11 с предустановленными инструментами для разработки. Данные о том, какие агенты реально запускают на Windows, нужны для приоритетов таких проектов; одновременно это картина долей рынка конкурентов Copilot — Claude, Codex, Cursor и Antigravity. Похожие цифры индустрия обычно получает из опросов, например <a href="https://tproger.ru/translations/kakie-ii-instrumenty-dlya-kodinga-realno-ispolzuyut-na-rabote">исследования JetBrains на 10 000 разработчиков</a>, а здесь источник — сама операционная система.</p><p>Для команд, где на рабочих машинах крутятся агенты с доступом к коду, история встаёт в один ряд с другими утечками метаданных из инструментов разработки, вроде случая, когда <a href="https://tproger.ru/news/claude-code-razdaval-sajtam-email-akkaunta-v-user-agent-chto-de">Claude Code передавал сайтам email аккаунта в User-Agent</a>. Практический вывод простой: если политика компании запрещает отправку сведений об используемом ПО, уровень диагностики стоит закрепить политикой AllowTelemetry, а не полагаться на выбор при установке. Следить стоит за двумя сигналами: появится ли CLICodingAgentUsage в документации Microsoft о необязательных данных и прокомментирует ли компания исследование.</p><p>Источники: <a href="https://xusheng.dev/posts/windows-coding-agent-telemetry/">Xusheng Li: Windows 11 Is Collecting Data on Which Coding Agents and Developer Tools You Use</a>, <a href="https://support.microsoft.com/en-us/windows/privacy/diagnostics-feedback-and-privacy-in-windows">Microsoft Support: Diagnostics, feedback, and privacy in Windows</a>, <a href="https://learn.microsoft.com/en-us/windows/privacy/configure-windows-diagnostic-data-in-your-organization">Microsoft Learn: Configure Windows diagnostic data in your organization</a>, <a href="https://learn.microsoft.com/en-us/windows/client-management/mdm/policy-csp-system">Microsoft Learn: System Policy CSP, AllowTelemetry</a>, <a href="https://news.ycombinator.com/item?id=50524736">Hacker News: обсуждение исследования</a></p><p>Изображение на обложке: Скриншот: Xusheng Li, xusheng.dev</p>]]></content:encoded>
    </item>
    <item>
      <title>Российские S3-хранилища в 2026 году: сравниваем цены, трафик и запросы на одном сценарии</title>
      <link>https://tproger.ru/articles/rossijskie-s3-hranilishha-v-2026-godu-sravnivaem-ceny-trafik-i-z</link>
      <comments>https://tproger.ru/articles/rossijskie-s3-hranilishha-v-2026-godu-sravnivaem-ceny-trafik-i-z?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Валерия Турчак]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/rossijskie-s3-hranilishha-v-2026-godu-sravnivaem-ceny-trafik-i-z</guid>
      <description><![CDATA[<p>Сравниваем российские S3-хранилища на одном сценарии: цена хранения, трафик и запросы, совместимость с S3 API, Object Lock и 152-ФЗ.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/rossijskie-s3-hranilishha-v-2026-godu-sravnivaem-ceny-trafik-i-z">Российские S3-хранилища в 2026 году: сравниваем цены, трафик и запросы на одном сценарии</a>»</p>]]></description>
      <category><![CDATA[Swift]]></category>
      <category><![CDATA[Инфраструктура]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Tue, 17 Nov 2026 04:53:55 GMT</pubDate>
      <content:encoded><![CDATA[<p>S3-хранилище выбирают по цене за гигабайт, а потом удивляются счёту. Дело в том, что платить приходится не только за место. Каждый скачанный файл — это исходящий трафик, каждое обращение приложения — запрос, и у многих провайдеров всё это стоит денег. Мы взяли российские S3-хранилища и посмотрели, из чего у каждого складывается счёт и что он умеет помимо хранения.</p><p>Коротко о том, за что платят в S3</p><ul><li>Хранение — цена за гигабайт в месяц. Зависит от класса: горячий дороже, холодный дешевле.</li><li>Исходящий трафик — всё, что скачивают из хранилища наружу. Входящий трафик обычно бесплатный.</li><li>Запросы — операции чтения и записи: GET, PUT и другие. Считаются тысячами.</li><li>В холодных классах хранить дёшево, а доставать дорого. Это главная ловушка.</li><li>В подборке: Selectel, Cloud4U, Timeweb Cloud, PC-Storage и Yandex Object Storage.</li></ul><h2>Как мы выбирали участников</h2><p>Включили российские сервисы с S3-совместимым API, у которых данные лежат в дата-центрах на территории России. Смотрели на классы хранения и цены, плату за трафик и запросы, поддержку функций S3 API, требования 152-ФЗ и работу поддержки. Факты сверяли по официальным сайтам в ноябре 2026 года.</p><p>Чтобы сравнение было честным, считаем всех на одном сценарии: 10 ТБ данных, 5 млн запросов GET и 500 тыс. запросов PUT в месяц, 2 ТБ исходящего трафика. Это типичный профиль среднего приложения с бэкапами. Цены сравниваем итоговые, с НДС: столько вы заплатите по счёту.</p><h2>1. Selectel — три класса хранения</h2><p>S3 от Selectel — часть большой облачной платформы. Главное отличие в подборке — три класса хранения на выбор: стандартный, холодный и ледяной. Трафик между хранилищем и другими продуктами Selectel не тарифицируется.</p><h4>Кейсы клиентов и кому подойдёт</h4><ul><li>Командам, которые уже держат серверы или Kubernetes в Selectel: внутри платформы трафик до хранилища бесплатный.</li><li>Тем, кто хранит данные с разной частотой доступа: медиа и озеро данных — в стандартном классе, бэкапы и архивы — в холодном, регуляторные архивы — в ледяном.</li><li>Компаниям с требованиями к персональным данным: заявлено соответствие 152-ФЗ до УЗ-1.</li></ul><h4>Что можно развернуть</h4><p>Хранилище для данных сервисов и их бэкапов, медиаконтента, аналитики и датасетов для ML. Работать с ним можно через S3 API, Swift API, по FTP, из панели управления и через Terraform. Есть версионирование объектов, политики доступа к бакетам и управление пользователями через IAM. В документации описана работа через Rclone, AWS CLI и s3cmd.</p><h4>Инфраструктура и экосистема</h4><p>Данные лежат в собственных дата-центрах Tier III в Москве, Санкт-Петербурге и Ленинградской области. Объекты хранятся в трёх копиях на разных серверах и в разных стойках; в ледяном классе используется Erasure Coding. Базовая защита от DDoS на уровнях L3 и L4 включена бесплатно. За состоянием сервисов можно следить на статус-панели. Для защиты бэкапов бакетов есть отдельный продукт S3 Vault.</p><h4>Отзывы и репутация</h4><p>На странице указаны соответствие 152-ФЗ, приказу ФСТЭК № 21, PCI DSS и сертификаты ISO 27001, 27017 и 27018. Компания работает с 2008 года и заявляет более 44 000 клиентов.</p><h4>Поддержка и каналы связи</h4><p>Техподдержка бесплатная и круглосуточная. Обращения принимают через тикеты в панели управления и по телефону 8 800 555-06-75, вопросы по подбору — на sales@selectel.ru. Документация на русском языке.</p><h4>Тарифы, ограничения и условия</h4><ul><li>Хранение: стандартный класс — от 2,56 ₽, холодный — от 1,25 ₽, ледяной — от 0,89 ₽. Цены указаны с НДС 22%.</li><li>Оплата по потреблению, списания каждый час. Отдельно считаются объём хранения, исходящий трафик в интернет и запросы: чтение (GET, HEAD) и запись (PUT, POST, COPY).</li><li>Входящий трафик и трафик внутри Selectel бесплатны.</li><li>Чем холоднее класс, тем дешевле хранение и дороже запросы и трафик.</li><li>Эталонный сценарий в стандартном классе — 29 718,61 ₽/мес по калькулятору на сайте: 26 270,20 ₽ хранение, 2 820,10 ₽ исходящий трафик, 271,32 ₽ запросы GET и 357 ₽ запросы PUT. В холодном классе — 19 012,34 ₽/мес: 12 859,54 ₽ хранение, 4 010,80 ₽ трафик и 2 142 ₽ запросы.</li><li>На время переезда из другого хранилища не берут плату за запросы и хранение.</li><li>По умолчанию можно создать 2 000 бакетов, больше — по запросу.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/99854/2026-11-17/574cc05b-5210-420f-8e74-c5286a9c3686.webp" alt="" /><figcaption>Калькулятор стоимости S3 на сайте Selectel с выбором класса хранилища.</figcaption></figure><p>Официальный сайт: <a rel="noopener noreferrer nofollow" href="https://selectel.ru/services/cloud/storage/">selectel.ru</a></p><h2>2. Cloud4U — тестовый доступ на 30 дней</h2><p>S3-хранилище корпоративного облачного провайдера Cloud4U построено на платформе Cloudian и совместимо с Amazon S3 API. Главное отличие в подборке — самый длинный тест: 30 дней бесплатного доступа по заявке.</p><h4>Кейсы клиентов и кому подойдёт</h4><ul><li>Компаниям, которые переезжают с зарубежного S3: миграцию делают бесплатно силами специалистов провайдера.</li><li>Тем, кто хранит персональные данные: на странице выложен акт оценки мер защиты по 152-ФЗ.</li><li>Командам, которым нужно сначала проверить сервис на своих данных и только потом платить.</li></ul><h4>Что можно развернуть</h4><p>Хранилище для резервных копий, архивов и электронного документооборота, раздача контента для сайтов и приложений, озёра данных для аналитики, cloud-native приложения. Приложение должно поддерживать S3 REST API. Бакет можно подключить как сетевой диск по FTP, а данные перенести из другого хранилища через Rclone.</p><h4>Инфраструктура и экосистема</h4><p>Копии данных размещаются на географически удалённых серверах. На странице сервиса указаны семь дата-центров уровня Tier III. Заявленная доступность данных — 99,99%. Есть горячее и холодное хранение, архивное S3 идёт отдельным продуктом.</p><h4>Отзывы и репутация</h4><p>Компания работает с 2009 года и заявляет более 2 000 клиентов. Среди лицензий и сертификатов — ФСТЭК, ФСБ и PCI DSS, заявлено соответствие 152-ФЗ до УЗ-1.</p><h4>Поддержка и каналы связи</h4><p>Поддержка круглосуточная, на запрос обещают ответить в течение 10 минут. Каналы: телефон +7 499 404 04 12, почта support@cloud4u.ru, онлайн-чат и тикет-система. Есть база знаний.</p><h4>Тарифы, ограничения и условия</h4><ul><li>Цены из конфигуратора: 500 ГБ хранения — 794 ₽, 100 ГБ исходящего трафика — 93 ₽, миллион запросов GET — 28 ₽, миллион запросов PUT, META и LIST — 278 ₽.</li><li>Входящий трафик не тарифицируется.</li><li>Биллинг почасовой, оплата по факту потребления.</li><li>Тестовый доступ — 30 дней по заявке.</li><li>Миграция бесплатная; первый месяц, пока идут перенос и тестирование, ресурсы не оплачиваются.</li><li>Эталонный сценарий — 18 574,91 ₽/мес по конфигуратору на сайте: 16 261 ₽ хранение, 1 897 ₽ трафик, 139 ₽ запросы GET и 278 ₽ запросы PUT. Цена включает НДС. Запросы PUT считаются минимум от миллиона, поэтому наши 500 тысяч оплачиваются как миллион. Минимальный контракт — 1 500 ₽ в месяц.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/99854/2026-11-17/169ab2a0-a1d1-4833-b3d4-ec10c98358c3.webp" alt="" /><figcaption>Конфигуратор цен S3 на сайте Cloud4U</figcaption></figure><p>Официальный сайт: <a rel="noopener noreferrer nofollow" href="https://www.cloud4u.ru/cloud-hosting/object-storage-s3/">cloud4u.ru</a></p><h2>3. Timeweb Cloud — пакетные тарифы</h2><p>S3-хранилище облачной платформы Timeweb Cloud. Главное отличие в подборке — готовые пакеты: за небольшой объём платят фиксированную сумму в месяц, а не считают каждый гигабайт.</p><h4>Кейсы клиентов и кому подойдёт</h4><ul><li>Небольшим проектам, которым нужно от одного до сотен гигабайт: вход от 1 ₽ в месяц.</li><li>Тем, кто хранит бэкапы, архивы, статические сайты и медиаконтент: эти сценарии провайдер сам называет типовыми.</li><li>Не лучший вариант для десятков терабайт: сверх пакета гигабайт стоит дороже, чем у остальных участников.</li></ul><h4>Что можно развернуть</h4><p>Готовое S3-совместимое хранилище с доступом через API и веб-интерфейс. Есть два класса хранения: стандартный для часто используемых данных и холодный для архивов и логов.</p><h4>Инфраструктура и экосистема</h4><p>Хранилище входит в облачную платформу, где есть серверы, базы данных и другие сервисы. Данные хранятся с трёхкратной репликацией в дата-центрах уровня Tier III; для S3 пока доступен только Санкт-Петербург. Заявленный SLA — 99,98%. Есть версионирование объектов, автоудаление и архивация. Провайдер заявляет соответствие 152-ФЗ, ISO и PCI DSS.</p><h4>Отзывы и репутация</h4><p>На странице указано второе место в рейтинге облачных S3-провайдеров 2026 года от CNews Analytics. Там же опубликованы отзывы клиентов с оценками.</p><h4>Поддержка и каналы связи</h4><p>На сайте есть документация и связь с отделом продаж. С переносом данных из другого хранилища поддержка помогает бесплатно.</p><h4>Тарифы, ограничения и условия</h4><ul><li>Стандартный класс: 1 ГБ — 1 ₽/мес, 10 ГБ — 79 ₽/мес, 100 ГБ — 349 ₽/мес.</li><li>Тариф «Безлимитный» — 639 ₽/мес, в него входит 250 ГБ; сверх лимита — 4 ₽ за ГБ.</li><li>Исходящий трафик — 1,3 ₽ за ГБ.</li><li>Биллинг почасовой, цены указаны с НДС.</li><li>Плата за запросы на странице не заявлена: по FAQ стоимость зависит от объёма хранения и исходящего трафика. Первые 100 ГБ трафика в месяц бесплатны. Размер бакета — от 10 до 20 000 ГБ.</li><li>Эталонный сценарий — около 43 131 ₽/мес: 639 ₽ пакет, 39 960 ₽ за объём сверх 250 ГБ и 2 532 ₽ трафик с учётом бесплатных 100 ГБ. Калькулятор на сайте не даёт ввести 10 ТБ: объём выбирается только пакетом, поэтому сумму мы посчитали по правилам тарифа «Безлимитный».</li></ul><figure><img src="https://media.tproger.ru/user-uploads/99854/2026-11-17/d27da08b-7702-4e4b-9dee-859bd1047fd5.webp" alt="" /><figcaption>Калькулятор Timeweb Cloud: тариф «Безлимитный» с 250 ГБ и 2 ТБ исходящего трафика. Остальные 9 990 ГБ из нашего сценария оплачиваются отдельно, по 4 ₽ за гигабайт.</figcaption></figure><p>Официальный сайт: <a rel="noopener noreferrer nofollow" href="https://timeweb.cloud/services/s3-storage">timeweb.cloud</a></p><h2>4. PC-Storage — без платы за трафик и запросы</h2><p>Объектное S3-хранилище от PlatformCraft: собственная разработка с ядром на Rust. В горячем классе клиент платит только за объём данных: исходящий трафик и S3-запросы не тарифицируются, а три копии в разных дата-центрах входят в цену.</p><h4>Кейсы клиентов и кому подойдёт</h4><ul><li>DevOps-инженер настраивает ежедневные бэкапы баз данных через S3-совместимый инструмент резервного копирования, включает версионирование и Object Lock — копии лежат отдельно от основной инфраструктуры и защищены от удаления.</li><li>Веб-разработчик держит в бакетах статику, сборки и резервные копии сайтов — при сбое хостинга сайт восстанавливают на другой площадке.</li><li>Бэкенд-разработчик маркетплейса хранит фото товаров, документы и видео пользователей, выдаёт доступ через политики бакетов и подписанные ссылки.</li></ul><h4>Что можно развернуть</h4><p>PC-Storage — российская альтернатива Amazon S3. Подходит для бэкапов, статики, пользовательских файлов и архивов, а также как источник контента для CDN и хранилище для аналитики и ML. Из S3 API заявлены multipart upload, presigned URL, версионирование, Object Lock в режимах Governance и Compliance, bucket policy и ACL. Провайдер сообщает о проверке с boto3, aws-cli, rclone, s3cmd и MinIO client и об интеграции с Veeam и «КиберБэкап».</p><h4>Инфраструктура и экосистема</h4><p>Три разнесённых дата-центра в Москве. По данным провайдера, каждый объект хранится в трёх копиях: при отказе одного ЦОД сохраняются чтение и запись, при отказе двух данные доступны на чтение. Есть свой IAM, MFA, ограничения по IP и логи операций. Стандартные лимиты — 70 запросов в секунду на IP-адрес и 240 Мбит/с на бакет. Собственный CDN подключается отдельно, от 0,45 ₽ за ГБ.</p><h4>Отзывы и репутация</h4><p>Платформа включена в реестр отечественного ПО, а компания — резидент «Сколково».</p><h4>Поддержка и каналы связи</h4><p>Telegram, телефон, почта и выделенный технический менеджер; дежурная смена работает 24/7. Заявленное время ответа — 15-20 минут в рабочие часы и пара минут при инциденте. Документация полностью на русском, с миграцией и настройкой бэкапов помогают.</p><h4>Тарифы, ограничения и условия</h4><ul><li>Горячий класс — 1,8 ₽ за ГБ в месяц при объёме до 5 ТБ и 1,6 ₽ свыше 5 ТБ; трафик и все S3-запросы бесплатны, лимита на запросы нет.</li><li>Холодный класс — 0,7 ₽ за ГБ в месяц при объёме до 1 ПБ и 0,6 ₽ свыше; исходящий трафик — 0,5 ₽ за ГБ, запросы POST, PUT и GET — 0,5 ₽ за 10 000. Минимального срока хранения нет.</li><li>Эталонный сценарий в горячем классе — 16 384 ₽/мес, вся сумма за хранение. В холодном — 8 467 ₽/мес: 7 168 ₽ хранение, 1 024 ₽ трафик, 275 ₽ запросы.</li><li>Скидки за предоплату: 6 месяцев — 5%, 12 месяцев — 10%.</li><li>Тестовый период — 14 дней без привязки карты. Минимальный объём хранения — 1 ТБ.</li><li>Нет SSE-S3 и select-запросов, SSE-KMS и BYOK в SaaS-версии недоступны, lifecycle-правила пока не внедрены. POSIX-доступа к файлам нет, аттестованного сегмента для ГИС, ПДн и КИИ тоже.</li><li>Договор, закрывающие документы, расчёты в рублях, без НДС. Работа по 152-ФЗ.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/99854/2026-11-17/fa5768ff-c94f-4655-87da-5561e149b47f.webp" alt="" /><figcaption>Расчёт стоимости PC-Storage Hot для 10 ТБ в калькуляторе на сайте</figcaption></figure><p>Официальный сайт:<a href="https://pcrf.ru/pc-storage-s3?utm_source=tproger&amp;utm_content=s3"> pcrf.ru</a></p><h2>5. Yandex Object Storage — бесплатный минимум каждый месяц</h2><p>Объектное хранилище Yandex Cloud. Главное отличие в подборке — постоянный бесплатный объём: небольшая часть хранения, запросов и трафика не тарифицируется каждый месяц, а не только на тестовом периоде.</p><h4>Кейсы клиентов и кому подойдёт</h4><ul><li>Небольшим проектам и прототипам: первый гигабайт, первые запросы и первые 100 ГБ трафика бесплатны.</li><li>Тем, у кого часть данных читают часто, а часть почти никогда: в умном хранилище уровень доступа подбирается автоматически.</li><li>Командам, которые уже работают в Yandex Cloud: трафик между сервисами облака не тарифицируется.</li></ul><h4>Что можно развернуть</h4><p>Бакеты четырёх классов: стандартное, холодное, ледяное и умное хранилище. Работать с объектами можно через AWS S3 API, командную строку Yandex Cloud и консоль управления — цена операции от интерфейса не зависит. Подойдут инструменты, совместимые с Amazon S3: CLI, WinSCP, SDK для Java и Python. В бакете можно разместить статический сайт, один файл может весить до 5 ТБ.</p><h4>Инфраструктура и экосистема</h4><p>Сервис автоматически создаёт несколько копий каждого объекта и размещает их в разных зонах доступности. Заявленный SLA — 99,98%. Данные хранятся в зашифрованном виде в дата-центрах Яндекса; заявлено соответствие 152-ФЗ, ISO и PCI DSS. Цены зависят от региона, в подборке использованы тарифы региона «Россия».</p><h4>Отзывы и репутация</h4><p>Это же хранилище используют сами сервисы Яндекса: в нём лежат медиаконтент и бэкапы объёмом до сотен петабайт.</p><h4>Тарифы, ограничения и условия</h4><ul><li>Стандартное хранилище — 2,376 ₽ за ГБ в месяц, холодное — около 1,27 ₽, ледяное — 0,6336 ₽. Все цены с НДС.</li><li>Запросы в стандартном классе: GET — 0,46 ₽ за 10 000, PUT — 0,5692 ₽ за 1 000. В холодном: GET — 1,15 ₽ за 10 000, PUT — 1,39 ₽ за 1 000.</li><li>Исходящий трафик — 1,67994 ₽ за ГБ сверх бесплатных 100 ГБ и до 1 ТБ. Входящий трафик и трафик внутри облака бесплатны.</li><li>Каждый месяц бесплатно: 1 ГБ хранения, 10 000 запросов PUT и 100 000 запросов GET в стандартном классе, 100 ГБ исходящего трафика.</li><li>Удаление объектов не тарифицируется.</li><li>В ледяном хранилище минимальный срок хранения — 12 месяцев: при удалении раньше спишут остаток.</li><li>Эталонный сценарий в стандартном классе — около 28 105 ₽/мес: 24 328 ₽ хранение, 3 273 ₽ трафик, 225 ₽ запросы GET и 279 ₽ запросы PUT. В холодном — около 17 519 ₽/мес.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/99854/2026-11-17/7b5afefd-1cf5-4400-acc4-0392d46ade40.webp" alt="" /><figcaption>Расчёт стоимости Yandex Object Storage в калькуляторе на сайте</figcaption></figure><p>Официальный сайт: <a rel="noopener noreferrer nofollow" href="https://yandex.cloud/ru/docs/storage/pricing">yandex.cloud</a></p><h2>Сравнение по ключевым критериям</h2><table><thead><tr><th>Критерий</th><th>PC-Storage</th><th>Cloud4U</th><th>Yandex Object Storage</th><th>Selectel</th><th>Timeweb Cloud</th></tr></thead><tbody><tr><td>Сценарий 10 ТБ, горячий класс, ₽ в месяц с НДС</td><td>16 384</td><td>18 574,91</td><td>около 28 105</td><td>29 718,61</td><td>около 43 131</td></tr><tr><td>Сценарий 10 ТБ, холодный класс, ₽ в месяц с НДС</td><td>8 467</td><td>не считали</td><td>около 17 519</td><td>19 012,34</td><td>не считали</td></tr><tr><td>НДС</td><td>не начисляется</td><td>включён в цену</td><td>включён в цену</td><td>включён в цену, 22%</td><td>включён в цену</td></tr><tr><td>Исходящий трафик</td><td>бесплатно в горячем классе; 0,5 ₽ за ГБ в холодном</td><td>около 0,93 ₽ за ГБ</td><td>1,68 ₽ за ГБ, первые 100 ГБ бесплатно</td><td>платный в интернет, бесплатный внутри Selectel</td><td>1,3 ₽ за ГБ, первые 100 ГБ бесплатно</td></tr><tr><td>Запросы</td><td>бесплатно в горячем классе; 0,5 ₽ за 10 000 в холодном</td><td>платные, минимум от миллиона</td><td>платные, есть бесплатный лимит</td><td>платные, чтение и запись отдельно</td><td>плата не заявлена</td></tr><tr><td>Копии данных</td><td>три, в трёх дата-центрах Москвы</td><td>на геоудалённых серверах</td><td>несколько копий в разных зонах доступности</td><td>три, на разных серверах и стойках</td><td>три, Санкт-Петербург</td></tr><tr><td>SLA</td><td>не указан</td><td>99,982%</td><td>99,98%</td><td>на странице не указан</td><td>99,98%</td></tr><tr><td>Тестовый период</td><td>14 дней без карты</td><td>30 дней по заявке</td><td>бесплатный минимум каждый месяц</td><td>не указан</td><td>не указан</td></tr><tr><td>152-ФЗ</td><td>да</td><td>да, до УЗ-1</td><td>да</td><td>да, до УЗ-1</td><td>да</td></tr></tbody></table><h2>Вывод</h2><p>В S3-хранилище платят за три вещи: место, исходящий трафик и запросы. Цена места видна сразу, а две другие строки всплывают в счёте. Поэтому сравнивать сервисы стоит на своём профиле нагрузки, а не по одной цифре за гигабайт.</p><p>Если данные часто читают и скачивают, а счёт хочется знать заранее, смотрите на PC-Storage: в горячем классе платите только за объём. Если инфраструктура уже живёт в облаке и нужны разные классы хранения под разные данные — на Selectel. Если данных немного и хочется фиксированный платёж — на Timeweb Cloud. Если нужен бесплатный минимум для прототипа — на Yandex Object Storage. Если важно месяц проверять сервис бесплатно и переехать с чужого S3 руками провайдера — на Cloud4U.</p><p>Перед выбором посчитайте свой месяц: сколько гигабайт лежит, сколько скачивают и сколько запросов делает приложение. Потом прогоните эти цифры через калькулятор каждого сервиса и проверьте результат на тестовом периоде.</p>]]></content:encoded>
    </item>
    <item>
      <title>Face ID в WebView: как мы подключили нативную биометрию iOS к веб-кабинету без сторонних библиотек</title>
      <link>https://tproger.ru/articles/face-id-v-webview-kak-my-podklyuchili-nativnuyu-biometriyu-ios-k-ve-3</link>
      <comments>https://tproger.ru/articles/face-id-v-webview-kak-my-podklyuchili-nativnuyu-biometriyu-ios-k-ve-3?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Дмитрий Никоноров]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/face-id-v-webview-kak-my-podklyuchili-nativnuyu-biometriyu-ios-k-ve-3</guid>
      <description><![CDATA[<p>Как связали LocalAuthentication с WKWebView без сторонних библиотек и правок веб-кабинета. Примеры на Swift и разбор ситуаций, когда биометрия не срабатывает.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/face-id-v-webview-kak-my-podklyuchili-nativnuyu-biometriyu-ios-k-ve-3">Face ID в WebView: как мы подключили нативную биометрию iOS к веб-кабинету без сторонних библиотек</a>»</p>]]></description>
      <category><![CDATA[API]]></category>
      <category><![CDATA[Веб-разработка]]></category>
      <category><![CDATA[Мобильная разработка]]></category>
      <category><![CDATA[iOS]]></category>
      <category><![CDATA[Swift]]></category>
      <category><![CDATA[Приложение]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 21:00:04 GMT</pubDate>
      <content:encoded><![CDATA[<p>Привет, Tproger! Меня зовут Дмитрий Никоноров, я iOS-разработчик в <a href="https://triadasite.ru/">«Триаде»</a>. Мы разрабатываем сайты, порталы и мобильные приложения. В этой статье расскажу про задачу, которую делал для одного из наших клиентов: вход по Face ID в iOS-приложении, построенном на WebView.</p><p>В нативном приложении биометрия делается штатно: вызываешь фреймворк LocalAuthentication, получаешь ответ системы и пускаешь пользователя. У нас же под тонкой нативной оболочкой работает сайт, а у веб-страницы доступа к Face ID нет.</p><p>Ниже расскажу, как мы построили мост между нативной частью и WebView, покажу ключевые фрагменты кода на Swift и разберу пограничные случаи, на которых такой вход легко сломать. Спойлер: на бэкенде понадобился один новый эндпоинт, а веб-часть кабинета мы не меняли вообще.</p><h2>Контекст задачи</h2><p>Заказчик — логистическая компания, которая помогает клиентам вести внешнеэкономическую деятельность — от закупки товаров на фабриках до поставки на склады маркетплейсов. У компании есть закрытая платформа для клиентов: публичный сайт служит витриной, а вся операционная работа — заявки, статусы, документы, финансовые операции — идёт в личном кабинете.</p><p>Архитектурно кабинет связан с корпоративной информационной системой — глубоко переработанной 1С, где живут все клиентские данные. Апдейты происходят 24/7, и клиент всегда видит актуальную картину.</p><p>Мобильное приложение доступно в App Store, Google Play, AppGallery и RuStore. Технически это не нативное приложение, специально разработанное для мобильных устройств, а WebView-обёртка.</p><h2>Что такое WebView и почему выбрали именно его</h2><p>WebView — это, говоря просто, браузер, встроенный внутрь приложения. Вместо того чтобы рисовать каждый экран нативным кодом под iOS и Android отдельно, разработчики «заворачивают» веб-версию личного кабинета в тонкую нативную оболочку. Пользователь видит интерфейс как в приложении, но под капотом работает сайт.</p><p>Для заказчика это осознанный выбор. У WebView-подхода три плюса:</p><ol><li>Скорость обновлений. Не нужно поддерживать полноценные кодовые базы для iOS и Android. Изменения на фронте автоматически появляются в приложении.</li><li>Единый функционал. Всё, что есть на сайте, доступно и в мобильном приложении.</li><li>Простота поддержки. Обновили веб-часть — обновилось и приложение. Нет нужды делать новые релизы в сторах.</li></ol><p>Нативная оболочка при этом минимальна: один экран с WKWebView, который отвечает за пуш-уведомления, диплинки (внешние ссылки сразу на нужный экран), лоадеры и алерты об отсутствии сети. И за Face ID, о котором пойдёт речь.</p><p>Но у WebView есть ограничения. Биометрическая авторизация — одно из них.</p><figure><img src="https://media.tproger.ru/user-uploads/1142147/2026-11-13/86a37488-33dc-4db7-a068-da943545ea88.webp" alt="WebView внутри нативной оболочки iOS." /><figcaption>WebView внутри нативной оболочки iOS.</figcaption></figure><h2>Зачем понадобился Face ID</h2><p>Клиенты заходят в кабинет по нескольку раз в день: проверить статус заявки, скачать документы, посмотреть финансовые операции. Вводить каждый раз логин и пароль на телефоне неудобно, а вход по лицу или отпечатку пальца владельцы айфонов ждут от любого приложения с личным кабинетом. Для B2B-платформы, которая конкурирует за внимание клиентов, это ещё и вопрос имиджа.</p><p>До внедрения вход в приложение выглядел традиционно: логин, пароль, кнопка «Войти». Никакой биометрии, просто пара «кредов».</p><p>Задача звучала так: добавить Face ID в существующее WebView-приложение, не ломая текущую архитектуру и не утяжеляя проект сторонними зависимостями.</p><h2>Нельзя просто взять и…</h2><p>Вообще интеграция механизма Face ID — сравнительно тривиальная задача. Вызвал системное окошко, получил подтверждение, залогинился. В нативном приложении так примерно и работает. Но WebView — не нативное приложение.</p><p>Проблема в том, что WebView по сути браузер. У веб-страницы внутри WKWebView нет API, через который она могла бы попросить iOS проверить лицо и получить ответ. Ближе всего к этому стандарт WebAuthn, но он требует перестроить авторизацию на бэкенде под ключи доступа, а задача была как раз в том, чтобы существующую авторизацию не трогать.</p><p>Есть несколько вариантов сделать Face ID на WebView:</p><ol><li>Подключить стороннюю библиотеку, которая работает мостом между веб-частью и системной биометрией. Мы от этого отказались. Любая сторонняя зависимость — риск: обновления, уязвимости, проблемы совместимости, сложность поддержки.</li><li>Перейти на полноценное нативное приложение. Не вариант — это означало бы переписать всё с нуля, отказаться от преимуществ WebView, кратно увеличить бюджет и срок.</li><li>Сделать собственный «мостик» между нативной оболочкой и WebView. Именно этот путь мы и выбрали.</li></ol><h2>Как это работает под капотом</h2><p>Разберём процесс от запуска приложения до успешного входа.</p><h3>Шаг 1. Запуск приложения и проверка биометрии</h3><p>Когда приложение запускается, внутренний сервис в нативной части проверяет три вещи:</p><ol><li>Может ли устройство проверить владельца: биометрией или код-паролем?</li><li>Включил ли пользователь вход по биометрии?</li><li>Есть ли сохранённые логин и пароль с прошлого входа?</li></ol><p>Если хотя бы одно условие не выполнено, показываем обычный экран с логином и паролем.</p><p>Первую проверку делает LAContext из фреймворка LocalAuthentication. Затем приложение проверяет флаг согласия и наличие сохранённых учётных данных. Упрощённо это выглядит так:<br /></p><p>Важный нюанс: приложение не выбирает между Face ID и Touch ID. Это решает iOS: мы отправляем один запрос, а система сама определяет, что доступно на конкретной модели iPhone. Если биометрия не настроена, система попросит код-пароль устройства. Так работает политика .deviceOwnerAuthentication. Если нужна строго биометрия, без запасного варианта с кодом, используют .deviceOwnerAuthenticationWithBiometrics.</p><h3>Шаг 2. Первый вход</h3><p>Пользователь вводит логин и пароль. Если они корректны, он попадает в личный кабинет. Сразу после первого успешного входа приложение предлагает включить биометрию: показывает системный экран Face ID.</p><p>При самом первом обращении iOS сначала спросит разрешение на использование Face ID, а текст пояснения берётся из ключа NSFaceIDUsageDescription в Info.plist. Без этого ключа Face ID в приложении не заработает. Если проверка прошла, мы запоминаем это как согласие пользователя на вход по биометрии. Если нет, при следующем входе по паролю предложим ещё раз.</p><h3>Шаг 3. Сохранение данных</h3><p>После успешного входа логин и пароль сохраняются локально на устройстве в хранилище UserDefaults — независимо от результата запроса Face ID. Согласие влияет только на то, будут ли эти данные затем использоваться для биометрического входа.</p><p>Пароль лежит в UserDefaults без дополнительного шифрования: на этапе проектирования мы с заказчиком выбрали более простое решение ради сроков. Хранить креды в Keychain и очищать их по флагу в UserDefaults при первом запуске после установки здесь тоже подошло бы и дало бы более надёжную защиту. Это следующий логичный шаг, как и хранение токена вместо пароля.</p><p>Никакие биометрические данные — слепок лица, отпечаток пальца — не сохраняются и не передаются в приложение. Это принципиальный момент, лицо живёт только на iPhone и больше нигде. Приложение не знает пользователя в лицо, оно лишь знает, что этот пользователь разрешил вход по биометрии.</p><h3>Шаг 4. Повторный вход</h3><p>Теперь самое интересное. Пользователь снова открывает приложение. Сервис видит: устройство может проверить владельца, вход по биометрии включён, учётные данные сохранены. Как только WebView загружает страницу авторизации, проверка запускается автоматически — пользователю не нужно ничего нажимать.</p><p>Что происходит дальше:</p><ol><li>Нативная часть отправляет запрос к системе: «Проверь биометрию».</li><li>Система запускает проверку. Вся проверка — на стороне операционной системы. Приложение не видит ни изображение, ни данные сканирования.</li><li>Система возвращает результат: успех или неудача.</li><li>Если успех, нативная часть достаёт из локального хранилища сохранённые логин и пароль.</li><li>Отправляет их на специальный эндпоинт вместе с cookie сессии, которую сайт уже выдал этому WebView.</li><li>Бэкенд проверяет креды и помечает эту сессию авторизованной. WebView перезагружается с той же cookie.</li><li>Пользователь видит личный кабинет. Успех!</li></ol><p>Проверку запускает делегат навигации WKWebView: как только загрузилась страница авторизации, нативная часть сама вызывает биометрию.<br /></p><p><br />Сама проверка идёт через LAContext. Колбэк evaluatePolicy приходит не на главном потоке, поэтому всё, что трогает интерфейс, возвращаем на main:<br /></p><p><br />Отдельно передавать сессию в WebView не нужно: она у него уже есть. Как только страница авторизации открывается, WebView получает cookie сессии (в нашем случае PHPSESSID). Нативная часть читает её из хранилища cookie и отправляет на бэкенд вместе с сохранёнными логином и паролем. Бэкенд проверяет креды и помечает эту сессию авторизованной. Нам остаётся перезагрузить страницу: тот же WebView с той же cookie теперь получает уже авторизованный кабинет.<br /></p><figure><img src="https://media.tproger.ru/user-uploads/1142147/2026-11-13/93d61865-6259-47e9-aea9-46c5cd9c3f06.webp" alt="Четыре этапа входа: запуск, первый вход, сохранение данных и повторный вход." /><figcaption>Четыре этапа входа: запуск, первый вход, сохранение данных и повторный вход.</figcaption></figure><h2>Ключевое отличие от классического Face ID</h2><p>В нативном приложении биометрия работает так: система проверяет лицо или отпечаток локально на устройстве и возвращает приложению результат проверки — «совпало» или «не совпало». Приложение использует этот результат для авторизации пользователя. Никакие данные биометрии не покидают устройство и не передаются на сервер.</p><p>В нашей WebView-схеме результат проверки тот же — флаг успеха или неудачи. Но дальше механика отличается. В нативном приложении флаг «совпало» сам по себе является основанием для авторизации. В нашем случае этот флаг лишь открывает доступ к сохранённым кредам: приложение достаёт логин и пароль из локального хранилища и отправляет их на бэкенд. Авторизация всё ещё идёт по кредам — как если бы пользователь ввёл их руками.</p><p>В WebView-схеме Face ID — что-то вроде замка на шкатулке. Он не авторизует пользователя в системе, он подтверждает, что человек имеет право достать сохранённые логин и пароль из локального хранилища устройства.</p><p>Такое архитектурное решение не требует изменений в существующей системе авторизации бэкенда и не передаёт биометрические данные за пределы устройства.</p><figure><img src="https://media.tproger.ru/user-uploads/1142147/2026-11-13/85a3fc5b-d37e-4a5d-b19f-76221e72c806.webp" alt="В схеме с WebView после Face ID сервер проверяет сохранённые логин и пароль." /><figcaption>Как различается вход в нативном приложении и в WebView.</figcaption></figure><h2>Что мы сделали</h2><h3>На мобильной части (нативной оболочке):</h3><ol><li>Сервис запросов к биометрии. Логика обращения к системному API Apple, обработка ответов.</li><li>Логика отказов на любом этапе. Пользователь нажал «Отмена», лицо не распозналось, биометрия заблокирована после нескольких попыток — для каждого сценария предусмотрен запасной путь: сообщение об ошибке и переход на экран ручного ввода. Приложение не должно зависнуть или сброситься ни на одном из этапов.</li><li>Работа с UserDefaults. Сохранение и извлечение кредов.</li><li>Флаг разрешения. Приложение помнит, что пользователь включил биометрию, и не запрашивает согласие повторно.</li></ol><p>Все ветки отказа сходятся в одном месте. Для приложения неважно, что именно пошло не так: пользователь отменил проверку, лицо не распозналось или биометрия заблокирована. Повторные попытки и запрос код-пароля берёт на себя iOS, а мы получаем только итог. Если итог отрицательный, показываем сообщение об ошибке, а после его закрытия переводим пользователя на обычную форму входа. Упрощённо:</p><h3>На бэкенде:</h3><p>Один новый эндпоинт. По сути, «ручка», которую мобильная часть дёргает после успешной проверки владельца устройства. Она получает сохранённые логин и пароль вместе с PHPSESSID, проверяет креды и помечает существующую сессию авторизованной. Изменение минимальное, чтобы не трогать существующую архитектуру авторизации.</p><h3>На веб-части (фронтенде):</h3><p>Ничего. WebView перезагружается с уже авторизованной сессией — для веб-части это выглядит так же, как обычный вход по логину и паролю.</p><figure><img src="https://media.tproger.ru/user-uploads/1142147/2026-11-13/3ed0e86f-eabd-4143-a9e7-7e053229b9b2.webp" alt="Доработки в iOS, новый эндпоинт на бэкенде и веб-часть без изменений." /><figcaption>Где понадобились доработки для Face ID.</figcaption></figure><p>Самой трудоёмкой оказалась именно мобильная часть, так как необходимо было корректно обработать все промежуточные состояния и сценарии отказов, чтобы пользователь ни при каком раскладе не завис между экранами.</p><h2>Корнер-кейсы. Что может пойти не так</h2><p>В разработке так называемого happy path — сценария, где всё работает идеально — обычно мало интересного. Проблемы могут возникнуть в неочевидных юзкейсах. Вот что мы предусмотрели:</p><h3>1. Пользователь удалил Face ID с устройства</h3><p>Допустим, человек заходил по лицу, а потом сбросил биометрию в настройках iPhone. Приложение помнит, что Face ID был разрешён, и при запуске отправляет запрос к системе. Система не находит зарегистрированное лицо и вместо Face ID показывает запрос на код-пароль iPhone. Пользователь вводит код-пароль, авторизация проходит. Успех!</p><h3>2. Пользователь нажал «Отмена»</h3><p>Системное окошко биометрии появилось, но человек передумал. В этом случае приложение сообщает об ошибке, а после закрытия сообщения показывает стандартный экран логина и пароля. Сессия не прерывается.</p><h3>3. Биометрия не распозналась</h3><p>Система не уверена в биометрических данных — помешали освещение, очки, маска, неудачный угол. iOS сама предложит повторить проверку или перейти к код-паролю. Приложение получает итоговый результат: при успехе продолжает вход, при неудаче показывает сообщение об ошибке, а после его закрытия — обычную форму входа.</p><h3>4. Переустановка приложения</h3><p>Если пользователь удалил приложение и поставил заново, сохранённые в UserDefaults учётные данные и флаг включённой биометрии не подтягиваются. Всё с нуля: установка → логин/пароль → предложение включить Face ID → только после успешной проверки — биометрический вход.</p><h3>5. Биометрия заблокирована</h3><p>После нескольких неудачных попыток iOS временно блокирует биометрию. Дальше iOS сама предлагает ввести код-пароль, а если пользователь отменит и его, приложение сообщит об ошибке и покажет обычную форму входа.</p><figure><img src="https://media.tproger.ru/user-uploads/1142147/2026-11-13/6f657cbb-fb64-4277-8059-a91092c5cedd.webp" alt="Ветви входа при сбое Face ID, отмене проверки и переустановке приложения." /><figcaption>Сценарии входа с Face ID, кодом-паролем и ручным вводом.</figcaption></figure><h2>Что получил пользователь</h2><p>До внедрения:</p><p>Вход → вспомнить/ввести логин → вспомнить/ввести пароль → войти.</p><p>После внедрения:</p><p>Открыть приложение → посмотреть на экран → войти.</p><p>Для B2B-клиента, который заходит в личный кабинет несколько раз в день, это ощутимая перемена.</p><p>Презентация фичи прошла успешно, заказчик остался доволен. Мы внедряли Face ID параллельно с другими доработками, и весь релиз прошёл без остановки работы сервиса.</p><p>Если вы встраивали биометрию в WebView иначе, например через WebAuthn или с токеном вместо пароля в хранилище, расскажите в комментариях: интересно сравнить подходы.</p><p><br /></p>]]></content:encoded>
    </item>
    <item>
      <title>Как перевести видео в текст и таймкоды в 2026 году: 5 рабочих способов</title>
      <link>https://tproger.ru/articles/kak-perevesti-video-v-tekst-i-tajmkody-v-2026-godu-5-rabochih-sp</link>
      <comments>https://tproger.ru/articles/kak-perevesti-video-v-tekst-i-tajmkody-v-2026-godu-5-rabochih-sp?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/kak-perevesti-video-v-tekst-i-tajmkody-v-2026-godu-5-rabochih-sp</guid>
      <description><![CDATA[<p>Разбираем 5 способов перевести видео в текст и таймкоды: yt-dlp, «Яндекс Браузер», faster-whisper, ИИ-блокноты и сервисы Maestra, Otter.ai и «Войси».</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/kak-perevesti-video-v-tekst-i-tajmkody-v-2026-godu-5-rabochih-sp">Как перевести видео в текст и таймкоды в 2026 году: 5 рабочих способов</a>»</p>]]></description>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Работа со звуком]]></category>
      <category><![CDATA[Видео]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 19:45:11 GMT</pubDate>
      <content:encoded><![CDATA[<p>Перевести видеоролик в читаемый текст, конспект или список глав с таймкодами можно пятью разными способами: от мгновенного скачивания готовых автосубтитров одной командой до локальной нейросети на своей видеокарте и облачной обработки по прямой ссылке. Выбор зависит от исходника: открытый ролик на YouTube с готовой дорожкой текста и закрытая видеозапись вебинара на Яндекс Диске требуют разных инструментов.</p><p>17 ноября 2026 года мы проверили документацию открытых проектов, справки платформ и актуальные тарифы облачных сервисов. Ниже разобраны ограничения каждого подхода, рабочие команды для терминала и Python, а также стоимость платных альтернатив в долларах и рублях.</p><ul><li>Бесплатно и за секунды без нейросетей на своём ПК: утилита yt-dlp (208 401 звезда на GitHub) скачивает готовые и автоматические субтитры с YouTube в формат SRT, но не разделяет спикеров и бесполезна, если дорожки у ролика нет.</li><li>Бесплатный пересказ с главной мыслью: «Яндекс Браузер» кратко пересказывает видео и работает с 8 языками перевода, а веб-сервис 300.ya.ru пересказывает ролики YouTube и отдаёт результат через API, однако полный дословный транскрипт со спикерами они не выгружают.</li><li>Локальный безлимит: faster-whisper (26 801 звезда, лицензия MIT) ускоряет Whisper до 4 раз и занимает около 2,9 ГБ видеопамяти в квантизации INT8 на модели large-v2, а WhisperX (25 382 звезды) добавляет разделение спикеров при наличии токена Hugging Face.</li><li>Облачная расшифровка по ссылке и файлу: Otter.ai ограничивает бесплатный тариф 3 разовыми импортами файлов и работает только с 6 языками без русского; у Maestra разовый час стоит $12 ($0,20 за минуту), а у «Войси» (Voicee) — 500 ₽ за час (около $0,101 за минуту, или $6,06 за час, по курсу ЦБ РФ 82,51 ₽ на 17 ноября 2026 года).</li><li>Для автоматической разбивки ролика на кликабельные главы YouTube первый таймкод обязан начинаться с 00:00, эпизодов должно быть от трёх в хронологическом порядке, а длительность каждого — от 10 секунд.</li></ul><h2>Чем выгрузка субтитров отличается от транскрибации со спикерами и таймкодов?</h2><p>Выгрузка дорожки субтитров отдаёт сырые короткие строки под видеоплеер, тогда как полноценная транскрибация превращает звук в абзацы текста, размечает участников диалога и строит смысловое оглавление по минутам. Путаница между этими задачами чаще всего приводит к выбору неподходящего инструмента.</p><ol><li><b>Готовые или автоматические субтитры.</b> Если видео уже загружено на YouTube, платформа обычно создаёт текстовую дорожку на 67 языках, включая русский. Подробный разбор сервисов именно для титров мы давали в <a href="https://tproger.ru/articles/nejroseti-dlya-avtomaticheskih-subtitrov-v-2026-godu-ceny-8-servi">подборке нейросетей для автоматических субтитров</a>. Главный минус — рваные строки без деления на реплики людей.</li><li><b>Сплошная расшифровка с диаризацией.</b> Модель распознавания речи (ASR) переводит аудиодорожку с нуля и расставляет пунктуацию, а отдельный компонент диаризации определяет смену говорящих. Такой файл удобно читать как статью или передавать в языковую модель для извлечения поручений.</li><li><b>Таймкоды и смысловое саммари.</b> Следующий слой поверх расшифровки: алгоритм делит двухчасовой вебинар или интервью на тематические блоки и ставит метку времени начала каждой темы. Это экономит время как автору канала перед публикацией, так и зрителю при поиске ответа.</li></ol><p>Даже крупные платформы честно предупреждают о границах автоматического распознавания. Вычитка имён, аббревиатур и цифр остаётся задачей редактора при любом из пяти способов.</p><blockquote>Речь может распознаваться неверно, если у говорящих неправильное произношение, акцент или диалект, а также при посторонних шумах.</blockquote><h2>Какие 5 способов работают в 2026 году и чем они отличаются?</h2><p>Пять технических подходов покрывают разные сценарии: выгрузку готовой дорожки по ссылке, браузерный пересказ, работу через ИИ-блокнот по источникам, запуск открытой модели на собственном железе и пакетную облачную обработку. Ниже сведены их ключевые параметры по документации и страницам тарифов на 17 ноября 2026 года.</p><p>Пять подходов к переводу видео в текст и таймкоды на 17 ноября 2026 года</p><table><thead><tr><th>Инструмент и подход</th><th>Что принимает на вход</th><th>Что отдаёт на выходе</th><th>Цена и лимит</th><th>Главное ограничение</th></tr></thead><tbody><tr><td>yt-dlp (выгрузка дорожки)</td><td>Ссылки на YouTube и сотни видеоплощадок из списка поддерживаемых сайтов</td><td>Субтитры SRT, VTT, ASS, LRC без скачивания видео</td><td>Бесплатно, Unlicense</td><td>Бессилен без готовых субтитров, без спикеров и саммари</td></tr><tr><td>Яндекс Браузер и 300.ya.ru</td><td>Открытое видео в плеере или ссылка на YouTube</td><td>Краткий пересказ с тезисами (в 300.ya.ru есть API)</td><td>Бесплатно (для 300.ya.ru нужен Yandex ID)</td><td>Нет выгрузки дословного текста, спикеров и файлов с диска</td></tr><tr><td>Gemini Notebook / Open Notebook</td><td>Ссылки на YouTube, документы, локальные файлы (в Open Notebook)</td><td>Ответы по источнику, заметки, конспекты</td><td>Gemini: 50 источников бесплатно; Open Notebook — MIT</td><td>Gemini Notebook не поддерживает Россию; Open Notebook требует своих ключей или Ollama</td></tr><tr><td>faster-whisper и WhisperX</td><td>Любой локальный аудио- или видеофайл (через FFmpeg/PyAV)</td><td>Сегменты с таймкодами до сотых долей секунды, спикеры в WhisperX</td><td>Бесплатно (MIT и BSD-2-Clause)</td><td>Нужна видеокарта или время на CPU, нет встроенного саммари</td></tr><tr><td>Otter.ai (облако)</td><td>Импорт аудио и видео, запись встреч</td><td>Транскрипт по спикерам, ИИ-чат по расшифровке; SRT с тарифа Pro</td><td>300 минут в месяц бесплатно (но 3 импорта за всё время); Pro — $16,99 в месяц</td><td>Только 6 языков без русского (английский, испанский, французский, немецкий, японский, китайский)</td></tr><tr><td>Maestra (облако)</td><td>Файлы (MP4, MOV, MKV и др.), ссылки YouTube и Google Drive</td><td>Текст по спикерам, главы, саммари, SRT, VTT, DOCX, PDF</td><td>Пробная 1 минута; $12 за 60 минут без подписки; Basic $39 в месяц при годовой оплате</td><td>Короткий бесплатный тест (1 минута), оплата в долларах</td></tr><tr><td>«Войси» (Voicee) (облако)</td><td>Файлы (MP4, AVI, MKV и др.), ссылки YouTube, VK Видео, Rutube, облачные диски</td><td>Текст со спикерами, таймкоды для YouTube, саммари, DOCX, PDF, TXT, SRT, VTT</td><td>Первый файл на сайте и 45 минут в ботах бесплатно; 500 ₽ за 60 минут или «Плюс» 1 790 ₽ в месяц</td><td>55 языков (меньше, чем 125+ у Maestra), нет записи встреч в отличие от Otter.ai, бесплатный лимит разовый</td></tr></tbody></table><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/f689a464-c27b-4dfc-a285-ef949ca9068d.webp" alt="Горизонтальная диаграмма: звёзды на GitHub у WhisperX, faster-whisper, Open Notebook и yt-dlp" /><figcaption>Популярность открытых проектов для извлечения текста из видео на 17 ноября 2026 года, тыс. звёзд. График: Tproger по данным GitHub</figcaption></figure><h2>Как бесплатно получить текст или пересказ по ссылке без локальной модели?</h2><p>Три быстрых способа вообще не требуют видеокарты и не загружают файл на платный сервис: консольная утилита <a href="https://github.com/yt-dlp/yt-dlp">yt-dlp</a> забирает уже готовые титры с площадки, «Яндекс Браузер» и <a href="https://300.ya.ru/">300.ya.ru</a> строят выжимку по ссылке, а ИИ-блокноты превращают видео в базу вопросов и ответов.</p><p><b>Способ 1. Выгрузка дорожки через yt-dlp.</b> Если ролик лежит на YouTube и на нём уже включены ручные или автоматические субтитры, качать гигабайтный MP4 не нужно. По <a href="https://github.com/yt-dlp/yt-dlp">документации yt-dlp</a>, флаг --skip-download пропускает сам видеофайл, --write-subs и --write-auto-subs сохраняют дорожку, а --convert-subs при наличии установленного в системе исполняемого файла FFmpeg переводит её в чистый формат SRT:</p><p>Ограничение простое: утилита забирает только то, что отдаёт платформа. На большинстве закрытых вебинаров, в роликах без автосубтитров и на записях из облачных дисков скачивать будет нечего, а в полученном файле не окажется разделения на говорящих и смысловых глав.</p><p><b>Способ 2. Браузерный пересказ и 300.ya.ru.</b> По <a href="https://browser.yandex.ru/">странице «Яндекс Браузера»</a>, встроенная нейросеть кратко пересказывает видео и переводит ролики с восьми языков. Если нужен только быстрый пересказ ролика с YouTube по ссылке или по REST API, тот же сценарий закрывает веб-сервис <a href="https://300.ya.ru/">300.ya.ru</a> на базе YandexGPT. Главный предел этого подхода — формат результата: вы получаете сжатую сводку, но не полный дословный транскрипт с разметкой спикеров, и не сможете загрузить собственный MP4 с компьютера.</p><p><b>Способ 3. ИИ-блокноты по источникам.</b> Google в июле 2026 года переименовала NotebookLM в Gemini Notebook: по <a href="https://support.google.com/gemininotebook/answer/16213268?hl=en">описанию планов</a>, бесплатный уровень даёт до 100 блокнотов и 50 источников на каждый, включая ссылки на видео YouTube. Но в <a href="https://support.google.com/gemininotebook/answer/16164461?hl=en">списке поддерживаемых стран</a> России нет. Для локального развёртывания через Docker и Ollama подходит открытый <a href="https://github.com/lfnovo/open-notebook">Open Notebook</a> (42 021 звезда, лицензия MIT). Подробный разбор доступа и замен мы приводили в <a href="https://tproger.ru/articles/notebooklm-v-rossii-v-2026-godu-chto-s-dostupom-i-chem-zamenit">материале про Gemini Notebook в России</a>.</p><h2>Как расшифровать видеофайл на своём компьютере через faster-whisper и WhisperX?</h2><p>Когда запись лежит на диске, содержит несколько спикеров или не должна уходить на внешние серверы, надёжнее локальный запуск открытых моделей на базе Whisper. Проект <a href="https://github.com/SYSTRAN/faster-whisper">faster-whisper</a> переносит Whisper на движок CTranslate2: по замерам авторов на видеокарте RTX 3070 Ti для 13 минут аудио (beam size 5) faster-whisper v1.1.0 с моделью large-v2 обрабатывает запись за 59 секунд в квантизации INT8 при расходе 2 926 МБ видеопамяти против 2 минут 23 секунд и 4 708 МБ у эталонной реализации openai/whisper v20240930 в FP16.</p><p>Библиотека требует Python 3.9 или новее и декодирует звук через встроенный PyAV без обязательной установки FFmpeg, хотя перед передачей тяжёлых файлов в любые модели звук удобно заранее отделить через <a href="https://ffmpeg.org/ffmpeg.html">FFmpeg</a> опцией -vn, которая отключает видеопоток:</p><p>Дальше минимальный сценарий из <a href="https://github.com/SYSTRAN/faster-whisper">README faster-whisper</a> распознаёт дорожку и выводит сегменты вместе с таймкодами начала и конца:</p><p>На процессоре без видеокарты запускают device="cpu" и compute_type="int8", но часовое видео будет считаться заметно дольше. Если кроме текста нужно разделить реплики разных участников, берут <a href="https://github.com/m-bain/whisperX">WhisperX</a> (25 382 звезды, лицензия BSD-2-Clause): он выравнивает таймкоды до уровня слов через wav2vec2 и подключает диаризацию через pyannote-audio. Правда, без компромиссов не обходится.</p><blockquote>Overlapping speech is not handled particularly well by whisper nor whisperx. Diarization is far from perfect.</blockquote><p>Кроме того, для диаризации в WhisperX нужен токен чтения Hugging Face и принятие лицензионного соглашения модели speaker-diarization-community-1, а на машине с GPU требуется набор библиотек CUDA 12.8. Смысловые названия глав для YouTube такой скрипт тоже не пишет — текст придётся дополнительно прогонять через языковую модель.</p><h2>Сколько стоит облачная расшифровка видео по ссылке и из файла?</h2><p>Пятый способ — облачные сервисы транскрибации, которые сами забирают ролик по ссылке или файлом, распознают речь со спикерами и сразу собирают конспект с таймкодами. Для ориентира по рынку сравним три сервиса с разными условиями по языкам и оплате: американский Otter.ai, международную платформу Maestra и российский «Войси».</p><p><b>Otter.ai.</b> По <a href="https://otter.ai/pricing">странице тарифов</a>, бесплатный план Basic даёт 300 минут в месяц (до 30 минут на одну запись), но импорт готовых аудио- и видеофайлов жёстко ограничен тремя загрузками за всё время работы аккаунта. Тариф Pro за $16,99 в месяц ($8,33 при оплате за год) расширяет квоту до 1 200 минут и 10 загрузок файлов в месяц, до 90 минут на файл, а также открывает экспорт в SRT, PDF и DOCX. Главный стопор для русскоязычных роликов — поддержка только 6 языков: английского, испанского, французского, немецкого, японского и китайского.</p><p><b>Maestra.</b> Сервис на <a href="https://maestra.ai/tools/video-to-text">странице видео в текст</a> поддерживает более 125 языков, принимает файлы MP4, MOV, MKV, AVI и ссылки на YouTube и Google Drive, расставляет метки спикеров, собирает краткое содержание и главы, а результат отдаёт в TXT, DOCX, PDF, SRT и VTT. На <a href="https://maestra.ai/pricing">странице тарифов</a> доступна покупка без подписки: 60 минут за $12 ($0,20 за минуту), годовая подписка Lite — $23 в месяц за 180 минут и Basic — $39 в месяц за 360 минут. Бесплатная проба ограничена одной минутой записи, а экспорт требует регистрации.</p><p><b>«Войси» (Voicee).</b> Российский сервис: по <a href="https://voicee.ru/tools/timecodes">странице инструмента</a>, распознаёт 55 языков с разделением по спикерам, принимает MP4, AVI, MKV, MOV и ссылки на YouTube, VK Видео, Rutube, Google Диск и Яндекс Диск. Из записи делает текст, саммари, субтитры и таймкоды; экспорт в PDF, DOCX, TXT, SRT и VTT. По <a href="https://voicee.ru/price">тарифам</a> бесплатны первый файл на сайте и 45 минут в ботах; час стоит 500 ₽ или «Плюс» — 1 790 ₽ в месяц (около 4 часов). Минусы: 55 языков против 125+ у Maestra, нет записи встреч и проба разовая.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/aeb97818-6a5d-470e-bb67-607df2ca01a2.webp" alt="Горизонтальная диаграмма: стоимость минуты расшифровки видео в Otter.ai, «Войси» и Maestra в долларах" /><figcaption>Расчётная цена минуты при полном выборе квоты, $: для Otter.ai Pro взяты 10 импортов до 90 минут в месяц (900 минут из общей квоты 1 200 минут) и нет русского языка; для «Войси» пакет 500 ₽ за 60 минут пересчитан по курсу ЦБ РФ 82,51 ₽ за доллар на 17 ноября 2026 года. График: Tproger по данным страниц тарифов</figcaption></figure><p>При нашей проверке 17 ноября 2026 года сайты Otter.ai, Maestra и «Войси» открылись, регистрация и оплата не проверялись. Для зарубежных сервисов на тарифах указана оплата в долларах (для Otter.ai также заявлена оплата через Apple App Store и Google Play); один из вариантов выпуска иностранной карты мы разбирали в <a href="https://tproger.ru/articles/virtualnaya-karta-inostrannogo-banka-dlya-rossiyan-kak-ya-vypuskal">подробном руководстве по виртуальной карте</a>. Для расчёта в рублях подходят российские сервисы вроде «Войси», а бесплатно выручают пересказ в «Яндекс Браузере» и 300.ya.ru или локальный faster-whisper.</p><h2>Как оформить таймкоды для YouTube и какой способ выбрать сегодня?</h2><p>Получить список глав недостаточно: чтобы YouTube автоматически нарезал шкалу плеера на кликабельные эпизоды, нужно соблюсти требования <a href="https://support.google.com/youtube/answer/9884579?hl=ru">официальной справки о главах видео</a>. Первая строка обязана начинаться с 00:00, глав должно быть не меньше трёх, метки перечисляются строго по возрастанию, а длина каждого эпизода — не меньше 10 секунд.</p><ol><li><b>Нужен текст публичного ролика с YouTube без разделения спикеров:</b> начните с yt-dlp --skip-download --write-auto-subs --sub-langs "ru", это бесплатно и занимает секунды.</li><li><b>Нужно за минуту понять суть доклада или вебинара без скачивания:</b> откройте пересказ в «Яндекс Браузере» или вставьте ссылку в 300.ya.ru.</li><li><b>Нужно задавать вопросы по ролику и сводить его с документами:</b> используйте локальный Open Notebook с собственной моделью или Gemini Notebook вне РФ.</li><li><b>Есть видеокарта от 4–8 ГБ VRAM и нельзя отдавать файлы в облако:</b> ставьте faster-whisper (и WhisperX при необходимости диаризации).</li><li><b>Нужна расшифровка со спикерами и таймкодами без настройки Python:</b> для английских записей выгоден Otter.ai, для 125+ языков и ссылок на YouTube или Google Drive — Maestra, а для русского языка и прямых ссылок на VK Видео, Rutube и Яндекс Диск подходят связка yt-dlp с faster-whisper или российские облачные сервисы вроде «Войси».</li></ol><p>Источники: <a href="https://github.com/yt-dlp/yt-dlp">GitHub: yt-dlp/yt-dlp (README)</a>, <a href="https://support.google.com/youtube/answer/9884579?hl=ru">Справка YouTube: эпизоды видео</a>, <a href="https://support.google.com/youtube/answer/6373554?hl=ru">Справка YouTube: об автоматических субтитрах</a>, <a href="https://browser.yandex.ru/">Яндекс Браузер с Алисой</a>, <a href="https://300.ya.ru/">Пересказ 300.ya.ru на базе YandexGPT</a>, <a href="https://support.google.com/gemininotebook/answer/16164461?hl=en">Gemini Notebook Help: supported countries &amp; territories</a>, <a href="https://support.google.com/gemininotebook/answer/16213268?hl=en">Gemini Notebook Help: plans</a>, <a href="https://github.com/lfnovo/open-notebook">GitHub: lfnovo/open-notebook</a>, <a href="https://github.com/SYSTRAN/faster-whisper">GitHub: SYSTRAN/faster-whisper</a>, <a href="https://github.com/m-bain/whisperX">GitHub: m-bain/whisperX</a>, <a href="https://ffmpeg.org/ffmpeg.html">Документация FFmpeg: опции видео и потоков</a>, <a href="https://otter.ai/pricing">Otter.ai: Pricing</a>, <a href="https://maestra.ai/tools/video-to-text">Maestra: Video to Text</a>, <a href="https://maestra.ai/pricing">Maestra: Pricing</a>, <a href="https://voicee.ru/tools/timecodes">Войси: таймкоды для YouTube</a>, <a href="https://voicee.ru/price">Войси: тарифы</a>, <a href="https://www.cbr.ru/scripts/XML_daily.asp?date_req=17/11/2026">Банк России: официальные курсы валют на 17.11.2026</a></p>]]></content:encoded>
    </item>
    <item>
      <title>30 лет передачи данных в интернете с curl</title>
      <link>https://tproger.ru/translations/30-let-peredachi-dannyh-v-internete-s-curl</link>
      <comments>https://tproger.ru/translations/30-let-peredachi-dannyh-v-internete-s-curl?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/translations/30-let-peredachi-dannyh-v-internete-s-curl</guid>
      <description><![CDATA[<p>Даниэль Стенберг рассказывает об истории curl: от 100 строк кода httpget в 1996 году и IRC-бота для курсов валют до 30 млрд установок и миссии на Марсе.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/translations/30-let-peredachi-dannyh-v-internete-s-curl">30 лет передачи данных в интернете с curl</a>»</p>]]></description>
      <category><![CDATA[Open Source]]></category>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Инструменты командной строки]]></category>
      <category><![CDATA[Разработка]]></category>
      <category><![CDATA[Переводы]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 16:46:10 GMT</pubDate>
      <content:encoded><![CDATA[<p>Перевод статьи Даниэля Стенберга «<a href="https://daniel.haxx.se/blog/2026/11/11/30-years-of-internet-transfers-with-curl/">30 years of Internet transfers with curl</a>», опубликованной 11 ноября 2026 года.</p><p>Тридцать лет назад, 11 ноября 1996 года, молодой бразильский студент Рафаэл Сагула выложил в сеть исходный код своей крошечной утилиты для скачивания по HTTP. Это была программа <i>httpget</i> версии 0.1 — чуть больше ста строк на языке C. Код был предельно минималистичным: почти без проверок ошибок и с очень скромной функциональностью.</p><h2>httpget</h2><p>Я наткнулся на исходный код того первого релиза httpget всего через несколько дней после публикации. Тогда я совершенно не представлял, как устроен HTTP — этот <i>язык</i> общения по сети для запроса ресурсов. Ладно, я уже знал, что такие вещи называют <i>протоколом</i>, но на этом мои познания почти заканчивались. О самом httpget и о Рафаэле я тоже никогда раньше не слышал. Наверное, я нашёл утилиту через поиск в Altavista, ведь Google тогда ещё не существовало, хотя подробностей уже не припомню.</p><p>Код был настолько простым, что фундаментальные основы протокола схватывались сразу. Подозреваю, что точно так же в последующие десятилетия реагировали бесчисленные разработчики, впервые увидев эти детали. Гораздо позже я понял, что такая простота оказалась лишь <i>иллюзией</i>, однако в те первые дни мной двигали удивление и восторг. Мне уже нравилось сетевое программирование, и HTTP сразу пришёлся мне по душе.</p><p>В httpget 0.1 почти не было обработки ошибок, а работала утилита только с голыми IPv4-адресами — без имён хостов и URL.</p><p>Я был ещё наивным и увлечённым разработчиком с мышлением Open Source (хотя сам этот термин появился только спустя 15-16 месяцев), поэтому исправил несколько очевидных багов, на которые сразу наткнулся, и добавил разрешение имён. Я сделал diff-файлы и отправил патчи Рафаэлю по электронной почте — именно так тогда было принято обмениваться правками кода. Я знал о системах контроля версий <a href="https://en.wikipedia.org/wiki/Revision_Control_System">RCS</a> и <a href="https://en.wikipedia.org/wiki/Concurrent_Versions_System">CVS</a>, но пользовался ими от случая к случаю. Полноценно внедрить CVS в проект curl мне удалось лишь в сентябре 1999 года. А в 2010 году мы перешли на git.</p><h2>Интернет в 1996 году</h2><p>В 1996 году средняя скорость интернет-подключения обычного домохозяйства в Швеции, где я жил тогда и живу до сих пор, составляла 30 Кбит/с. Тридцать килобит в секунду. Это было ещё до появления стандарта V.90, который поднял скорость модемов до 56 Кбит/с. Простые смертные выходили в сеть через модемы по единственной телефонной линии. Сегодня средняя скорость подключения в Швеции достигает 200 Мбит/с.</p><p>Тридцать лет назад во всём мире насчитывалось всего 36 миллионов пользователей интернета и 250 000 сайтов. Для сравнения: сегодня это шесть или семь миллиардов пользователей и один миллиард сайтов.</p><p>Мы пользовались более простыми протоколами. Шифрованные протоколы вроде SSL уже существовали, но их применяли редко и лишь на отдельных сайтах.</p><p><b>Компьютеры в 1996 году</b></p><p>В ноябре 1996 года моим основным домашним компьютером всё ещё оставалась Amiga 3000 с процессором 68030 на 25 МГц, но в начале 1997 года я обновился до более быстрой и современной машины на базе Intel Pentium 120 МГц. На ней стояла Windows 95, и главным образом я запускал там X-сервер, чтобы подключаться к рабочим компьютерам и открывать терминалы X11 прямо из дома. Первые версии httpget я собирал удалённо на SunOS, Solaris и Dell Unix — просто потому, что именно эти системы стояли у нас на работе.</p><p>Впервые я установил и протестировал Linux на работе в 1997 году. Я поднял наши первые публичные веб-серверы и, конечно же, позаботился о том, чтобы curl на них отлично работал. Дома я перешёл на Linux только в 2000 году, когда заодно обновил компьютер до Intel Pentium III 733 МГц.</p><h2>Что мне нужно было скачивать</h2><p>В 1996 году я работал разработчиком в небольшой шведской компании Frontec Railway Systems: занимался встраиваемыми системами и разработкой под Unix на языке C. Там я познакомился с <a href="https://en.wikipedia.org/wiki/IRC">IRC</a> и увлёкся им, а в свободное время мы с несколькими друзьями создали <a href="https://en.wikipedia.org/wiki/IRC_bot">IRC-бота</a> под названием <a href="https://github.com/bagder/dancer-416">Dancer</a>. По сути, в свободные часы мы писали TCP-клиент на C.</p><p>Бот постепенно обрастал возможностями, и мне захотелось добавить для участников <i>канала</i> (так в IRC называют чат-комнаты) сервис конвертации валют. В нашем интернациональном канале часто обсуждали цены на разные вещи, и бот, который быстро подскажет, сколько долларов США в сотне немецких марок, оказался бы очень кстати.</p><p>Чтобы выдавать достаточно точные значения, валютному сервису нужно было обновлять курсы примерно раз в день. Я нашёл HTTP-страницу со списком курсов валют и прикрутил утилиту <i>httpget</i> для их скачивания, после чего бот стал выдавать актуальный пересчёт. Всё работало как надо.</p><h2>Разработка</h2><p>Я открыл для себя компьютеры и программирование ещё подростком на Commodore 64 и сразу же втянулся. Сначала выучил Basic, а потом довольно быстро перешёл на ассемблер процессора 6510. В конце 1980-х мы с друзьями организовали демо-группу <i>Horizon</i>: писали на ассемблере крутые демки и пробовали делать игры. Именно тогда у меня появилась привычка тратить свободное время на программирование.</p><p>В начале 1990-х я перешёл на Amiga, начал писать текстовый редактор и устроился на свою первую работу в IBM, где впервые по-настоящему глубоко погрузился в C и Unix. Вместе с друзьями мы держали BBS (<i>The Holy Grail</i>), для которой со временем написали собственный софт — этим занимались мы с моим братом Бьёрном. На Amiga я освоил ассемблер Motorola 68000, а на ПК писал на ассемблере 8086.</p><p>Я никогда не учился в университете. Свою первую работу в ИТ я получил в IBM, когда мне было двадцать лет. Тогда я думал, что поступлю в вуз позже, но так и не поступил. У меня до сих пор нет высшего образования.</p><p>В начале 1990-х я открыл для себя интернет и мир свободно доступного исходного кода — и пропал окончательно.</p><h2>Мейнтейнер</h2><p>Рафаэл не горел желанием возиться с моими патчами для httpget. Думаю, он просто выложил свой код в сеть и не собирался развивать его дальше. В итоге мейнтейнером httpget стал я и продолжил доводить утилиту до ума. Моим главным проектом оставался IRC-бот Dancer, а httpget был лишь побочной задачей, чтобы сервис курсов валют исправно работал.</p><h2>Gopher и переименование</h2><p>В какой-то момент я наткнулся на gopher-сайт, где публиковалось гораздо больше курсов валют, чем на той HTTP-странице, которую я парсил, так что мне, разумеется, пришлось добавить в утилиту поддержку этого протокола. С появлением gopher речь шла уже далеко не только об HTTP, и старое название перестало подходить. Программа стала называться <i>urlget</i>. Вскоре нашёлся и третий список курсов, доступный по FTP — и да, его поддержку я тоже добавил.</p><h2>Сообщество</h2><p>С самого начала я распространял исходный код под свободной лицензией, как и Рафаэл. Первые релизы размещал он сам, но в течение 1997 года я взял это на себя и стал выкладывать архивы на сайте, который поднял и администрировал для работы. Я рассказал об утилите друзьям, и слух о ней постепенно разошёлся. Пользователи начали присылать сообщения об ошибках, а время от времени — и патчи с исправлениями или новыми функциями.</p><p>Это была эпоха множества разных вариантов Unix. Я хотел, чтобы программа распространилась как можно шире, и понимал: без помощи друзей не проверить, что она собирается и работает на каждой из этих систем.</p><h2>Загрузка на сервер и имя curl</h2><p>В начале 1998 года я добавил в urlget отправку данных на сервер (и загрузку по FTP, и HTTP POST) и снова понял, что название не отражает суть. Мне нужно было имя, которое содержит слово URL, легко произносится по-английски и быстро (а главное, коротко) набирается на клавиатуре. Так появилось название <i>cURL</i>.</p><p>Начальная буква «c» могла означать <i>client</i> («клиент»), но мне также нравилось созвучие с английским <i>see URL</i> («увидеть URL»): утилита выводила содержимое ресурса по адресу прямо перед глазами — в терминале. Придумывать названия всегда непросто.</p><p>Версия curl 4.0 вышла 20 марта 1998 года. К тому моменту проект вырос до 3 300 строк кода, поддерживал 24 флага командной строки и умел работать с тремя протоколами.</p><h2>Смена фокуса</h2><p>Постепенно я потерял интерес к IRC-боту и валютному сервису, но остался с curl. Им пользовались люди, я получал обратную связь, и инструмент становился лучше.</p><p>Я запускал другие Open Source проекты и участвовал в них, однако главным детищем и центром моего внимания оставался curl.</p><h2>Библиотека</h2><p>Идею <i>библиотеки функций</i>, которая даёт полезные возможности другим программам, я усвоил ещё во времена Amiga. Например, я написал скриптовый язык (<a href="https://github.com/vidarh/FPL">FPL</a>) для нашего текстового редактора под Amiga (<a href="https://github.com/vidarh/FrexxEd">FrexxEd</a>) именно в виде библиотеки. Благодаря этому позже мы смогли использовать язык и в нашем софте для BBS <a href="https://bjorn.haxx.se/">FrexxLink</a> (он работал на OS/2), и в IRC-боте Dancer.</p><p>Библиотека — это следующий уровень крутости: всем доступен исходный код, и при этом саму функциональность можно легко переиспользовать в готовом виде.</p><p>Мысль превратить curl в библиотеку сидела у меня в голове с самого начала. Летом 2000 года я переработал внутреннее устройство программы, и в августе того же года мы представили самую первую версию libcurl. Вдруг кто-то ещё захочет передавать данные по сети в своих сервисах или утилитах? Как выяснилось, желающие нашлись!</p><p>Одним из первых libcurl взял на вооружение PHP: его разработчики почти сразу сделали библиотеку основным движком для работы с сетью (прим. редакции: в PHP libcurl подключается отдельным расширением cURL, а для базовых потоков есть и собственный HTTP-обёртка). Статус ключевого компонента и участие в истории успеха PHP принесли нам новых пользователей, тестирование, отчёты о багах, запросы на новые функции и помогли сделать библиотеку по-настоящему надёжной.</p><h2>Язык</h2><p>curl — дитя 1990-х. В те годы выбор языков был невелик, если вы хотели написать программу, которая легко собирается и запускается на большинстве доступных операционных систем и процессорных архитектур. Конечно, вариантом мог стать C++, но он мне никогда не нравился — и до сих пор не нравится. К тому же я убеждённый сторонник непрерывных улучшений и итераций вместо переписывания с нуля. Код curl никогда не переписывали заново, и, если всё будет зависеть от меня, этого никогда не случится. Тем не менее мы постоянно проводим рефакторинг и перестраиваем внутреннюю архитектуру, чтобы успевать за меняющимся миром.</p><h2>Рост</h2><p>Я хотел, чтобы curl был доступен каждому и на любой машине, поэтому с самого начала проектировал и писал его именно с этой целью: переносимый исходный код и максимально свободная лицензия.</p><p>Поначалу мы делали почти всё неправильно, но учились, адаптировались, пробовали снова, двигались итерациями и продолжали выпускать релиз за релизом. Постепенно мы набирались опыта и работали всё лучше. Каждый выпуск приносил множество исправленных багов и обычно несколько новых возможностей. Я продолжал тратить на curl всё своё свободное время — каждый день, каждую неделю, каждый год. Если дать проекту достаточно времени, из него может вырасти нечто великое.</p><h2>Жизнь</h2><p>Первые 23 года этого пути curl оставался для меня исключительно хобби. Пока развивался проект, шла и обычная жизнь. Я много раз менял работу, женился, купил дом, завёл двоих детей и увидел, как они выросли в замечательных взрослых. И где-то на этом пути мне удалось превратить хобби в работу на полный день. Настоящая мечта.</p><p>curl — это моя жизнь, а моя жизнь — это curl. Меня сотни раз приглашали выступать перед аудиторией в дюжине стран. За работу в Open Source я получил множество наград и даже золотые медали прямо из рук королевских особ.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/4911bbdb-8a79-4231-a647-2fb91ed39e50.webp" alt="Юбилейная футболка к 30-летию проектов httpget и curl" /><figcaption>Изображение: Даниэль Стенберг, daniel.haxx.se</figcaption></figure><h2>Время</h2><p>У меня нет конечной цели для curl и никогда не было. Я просто хочу, чтобы он передавал данные по интернету наилучшим образом: быстро, безопасно, с оптимальным использованием правильных протоколов. Нам некуда спешить. Это бесконечное движение вперёд: мы постоянно шлифуем детали и подтягиваем каждый винтик.</p><p>Тридцать лет пролетели незаметно, но темп разработки по-прежнему высок. Мы регулярно внедряем новые функции протоколов передачи данных раньше всех остальных. Наши реализации многих сетевых решений задают планку в отрасли. Мы поставляем код, который без лишнего шума держит на своих плечах огромную долю мировой интернет-инфраструктуры.</p><h2>Мотивация</h2><p>Мне всё ещё нравится создавать вещи — писать код, чтобы появилось то, чего раньше не существовало. И, пожалуй, ещё больше нравится, когда программа действительно делает то, что нужно пользователям, и нравится им. Исправлять баги я люблю отчасти по той же причине, но меня также увлекают сама головоломка и вызов отладки сложных проблем. Проектирование архитектуры, создание API и поиск способов дать миллиардам устройств мощный инструмент передачи данных до сих пор, спустя 30 лет, каждое утро заставляют меня с нетерпением браться за дело.</p><h2>Инженерия</h2><p>Эта работа никогда не заканчивается. Мир интернета и передачи данных постоянно меняется. Новые протоколы, новые версии, новые вариации, новые сторонние библиотеки, новые инструменты сборки и окружения вынуждают нас непрерывно меняться и подстраиваться.</p><p>Я хочу, чтобы curl оставался лидером в передаче данных по сети, в реализации протоколов и во всех аспектах проекта. Я хочу, чтобы мы были образцовым Open Source проектом и вели каждую мелочь максимально прозрачно и прогрессивно. curl должен претендовать на звание самого безопасного программного компонента, какой только можно найти. Наш проект должен быть дружелюбным и открытым для новичков — как пользователей, так и разработчиков. И, что немаловажно, никто не должен сравниться с нами по объёму, точности и обилию документации. И это я ещё молчу о том, что мы никогда не ломаем API и ABI: приложения и скрипты должны продолжать работать без единой правки даже после обновления curl. До скончания веков.</p><p>Я твёрдо верю в эволюционное развитие без переписывания с нуля. Мы исправляем ошибки, проводим рефакторинг и чистим код, однако переписывание на другом языке или даже на том же самом полностью исключено.</p><p>Проще говоря: это правильная программная инженерия.</p><h2>IETF</h2><p>curl говорит более чем на двух дюжинах протоколов (по крайней мере, если считать по схемам URL), но наибольшую известность ему всегда приносил HTTP(S). Думаю, именно в движок HTTP мы вложили больше всего сил и труда. Мы знаем, что множество людей используют curl для отладки HTTP в целом и своих серверных реализаций в частности. Мы одними из первых поддержали и HTTP/2, и HTTP/3. Нам часто говорят, что нашу манеру работы с HTTP и наш исходный код используют как ориентир того, как всё должно быть устроено. Это огромная честь и большая ответственность, к которой мы относимся со всей серьёзностью.</p><p>Впервые я узнал об HTTP из исходников httpget, а затем, конечно, изучил документы RFC со всеми тонкостями. В конце 2000-х я услышал о рабочей группе HTTPbis и подписался на список рассылки по обновлению спецификации HTTP. В 2009 году я впервые побывал на встрече IETF, которая проходила в Стокгольме. Там я лично познакомился с авторами спецификаций HTTP и ключевыми людьми стандарта: Роем, Ларри, Марком, Джулианом и другими. Все они оказались замечательными людьми, и я понял, что смогу сделать curl ещё лучше, если буду чаще общаться в кругах IETF. Кроме того, мне хотелось поделиться собственным опытом и взглядами, чтобы, возможно, хоть немного улучшить мир вокруг.</p><p>Позже это сообщество запустило серию конференций HTTP Workshop, и я не пропустил ни одной из них. Общение с ведущими разработчиками HTTP в мире приносит огромное удовольствие, многому учит и заставляет трезво оценивать свои знания. Я уверен, что такой обмен опытом делает и сам протокол HTTP, и все его реализации ещё лучше.</p><h2>Независимость</h2><p>У curl нет юридического лица и формальной организации. Это группа слабо связанных друг с другом людей в интернете, объединённых общей целью, несколькими списками рассылки, сайтом и парой git-репозиториев. curl не находится под чьим-либо крылом, не входит в состав более крупной структуры и не принадлежит ни одной компании. Пожалуй, это настолько свободный и независимый программный проект, насколько вообще возможно. На мой взгляд, такое положение идеально для curl: оно даёт нам максимальную гибкость и полный контроль над собственной судьбой.</p><h2>Цифры</h2><p>По оценкам, сегодня libcurl работает примерно на 30 млрд устройств и установок. Оценка приблизительная: большинство пользователей libcurl никогда не сообщают нам, что применяют библиотеку, и нам приходится искать упоминания о ней в титрах, окнах с лицензиями открытого ПО или руководствах пользователя. Какое-нибудь сверхпопулярное приложение может использовать libcurl сегодня и отказаться от него завтра, или наоборот, поэтому цифры способны измениться на несколько миллиардов буквально за одну ночь. На деле, как только уляжется первое волнение и самолюбие будет удовлетворено, эти числа перестают иметь значение. В нашем уголке мира мало что меняется при переходе от тысячи установок к миллиардам. Мы всё так же работаем с похожими людьми, теми же методами и сталкиваемся с похожими задачами.</p><h2>Где используется curl</h2><p>Для меня, как и для многих других, самым крутым местом, где побывал curl, стал, пожалуй, Марс. В NASA подтвердили, что curl помогал в посадочной миссии на Марс, пусть нам и не раскрывают, где именно и для чего.</p><p>Мне до смешного часто задают вопрос: «Какое самое странное устройство, на котором вам доводилось видеть curl?». Я давно перестал удивляться тому, какие вещи сегодня подключены к интернету и несут внутри себя curl. Лампочки, посудомоечные машины, кондиционеры, тепловые насосы, автомобили, принтеры, блендеры, духовки, игрушечные роботы, дроны, оружие, мотоциклы, медицинские приборы, холодильники, саундбары и кофеварки эспрессо. И это вдобавок ко всем «традиционным» устройствам, где curl ожидаешь увидеть по умолчанию: играм, серверам, машинам, принтерам, телевизорам, часам, планшетам, игровым консолям, Bluetooth-колонкам, роутерам, мобильным приложениям и операционным системам.</p><p>Современное общество стремится подключить к сети буквально всё, и как только устройство выходит в сеть, оно может использовать curl и libcurl для передачи данных.</p><h2>BDFL</h2><p>Великодушный пожизненный диктатор (Benevolent Dictator For Life). Этим термином часто описывают модель управления во многих Open Source проектах. По сути, это один человек у штурвала корабля: он задаёт курс, определяет базовые принципы проекта и твёрдо говорит «да» или «нет». К лучшему или к худшему, я остаюсь BDFL проекта curl. Но я всегда повторяю, что curl делает команда. Свой вклад в код внесли буквально тысячи человек, и каждый год к нам присоединяются сотни новых авторов. Пусть я и остаюсь капитаном, ни одно судно определённого размера невозможно вести в одиночку без огромной команды, и curl здесь ничем не отличается.</p><p>Вполне вероятно, я буду оставаться BDFL ещё долго, потому что люблю эту роль и просто не знаю другого способа жить или вести проект curl. У нас нет планов преемственности, и я вообще против подобных вещей. Нет никакого <i>наследника</i> или <i>вице-BDFL</i>, готового перехватить штурвал. Вместо этого мы документируем всё до мельчайших деталей, чтобы в проекте не оставалось секретов и не требовалась формальная передача дел (за исключением пары редких паролей). Если завтра меня собьёт грузовик, ребята без труда во всём разберутся и продолжат работу. Я для этого не обязателен.</p><h2>Последствия</h2><p>Мой адрес электронной почты указан в стандартной лицензии curl, а сама лицензия обычно попадает в списки лицензий, разделы благодарностей или руководства пользователей. Когда обычные люди сталкиваются с проблемами в современных продуктах, им зачастую не к кому обратиться за помощью — нет ни одного контакта. Тогда моя почта порой становится последней надеждой получить хоть какие-то ответы. Мне регулярно приходят письма о продуктах, о существовании которых я даже не подозревал, уж точно не знал, что внутри них используется curl, и тем более понятия не имел, как помочь владельцам решить их проблемы...</p><p>У следов, которые curl оставляет в программах, есть и куда более тёмная сторона: мои имя и почта оказываются связаны с вредоносными инструментами, сервисами и злоумышленниками. Меня неоднократно обвиняли во взломах и атаках на людей и компании. Я не раз получал угрозы расправы, и у меня есть веские подозрения, что мои проблемы с визой в США были вызваны именно подобными историями.</p><h2>Отдавать всё бесплатно</h2><p>Я верен духу и этике Open Source. Это фундаментальная часть моих убеждений, и я уверен, что именно так лучше всего создавать программы, на которых строится общество. Я делаю всё возможное, чтобы сохранить свободную лицензию curl, потому что люблю саму эту концепцию. Правда, продавать такое непросто: сначала отдай всё бесплатно, а потом попробуй убедить кого-нибудь за это заплатить. Справедливости ради: если бы я хотел максимизировать прибыль, мне следовало бы разыграть эту карту иначе. Но это была бы уже другая жизнь. Моя жизнь — совсем другая.</p><h2>Гордость</h2><p>Разумеется, <b>я испытываю огромную гордость за всё, чего нам удалось достичь</b>. Маленькая игрушка 1996 года положила начало пути, который привёл к созданию и многолетней поддержке одного из краеугольных камней современной интернет-инфраструктуры. Мы пришли к этому без громких речей, без маркетинга и без попыток навязать свой код хитростью. Мы покорили мир тем, что десятилетиями стабильно выпускали продукт высочайшего качества. curl работает во всех этих устройствах и сервисах самых разных компаний, потому что это правильный выбор для них: открытый код, железобетонная надёжность, высокая скорость — и понимание, что проект, скорее всего, останется с нами и в будущем. Каждый может положиться на то, что мы продолжим выпускать обновления на неизменно высоком уровне и с минимальными сложностями. Навсегда.</p><h2>Будущее</h2><p>Здесь стоит задуматься сразу о многих измерениях будущего: о будущем Open Source, curl, передачи данных в интернете, языка C и, как минимум, о моём личном будущем.</p><p>Не думаю, что умею предсказывать будущее лучше других людей. У меня это никогда не получалось, да я особо и не пытался. Я всегда смотрю лишь на ближайшие несколько месяцев и быстро корректирую курс, когда обстоятельства меняются.</p><p>Я считаю, что Open Source — надёжный способ создавать базовое программное обеспечение как сейчас, так и в будущем. У него всегда будут проблемы с финансированием, и слишком много проектов живут и умирают вместе с единственным мейнтейнером. Однако общие открытые строительные блоки просто необходимы для быстрой разработки, надёжных компонентов и выпуска продуктов и сервисов с той скоростью, которую от нас ждут. И я не верю, что ИИ убьёт Open Source.</p><p>Думаю, впереди у curl ещё много лет службы. Во-первых, это проверенное решение с многолетней репутацией, с которой ничто другое даже близко не сравнится. Во-вторых, он работает на всех платформах так, как не умеет ни один аналог. Я не исключаю, что однажды его заменит какая-то альтернатива, когда проекты на языке C начнут постепенно уходить в прошлое. Если это вообще когда-нибудь произойдёт.</p><p>Сама идея передачи данных в интернете выглядит фундаментальной концепцией, которая наверняка просуществует в похожем виде ещё очень долго. Протоколы будут развиваться, меняться и обновляться, но связка «клиент — сервер — протокол» кажется невероятно прочной и долговечной.</p><p>Что касается меня лично, я продолжу работать над curl и интернет-протоколами, пока мне это интересно и приносит удовольствие. Через несколько недель мне исполнится 56 лет, и я надеюсь посвятить этому делу ещё несколько десятилетий.</p><h2>Благодарности</h2><p>Спасибо маме и папе за понимание и поддержку в те годы, когда меня, ещё подростка, с головой затянуло в мир компьютеров и программирования. Спасибо Бьёрну и Челлю за чудесное время и радость совместного освоения разработки, когда мы делали свои первые неуверенные шаги как программисты. Спасибо команде Horizon за веселье, все демки и copy-парти, которые мы устраивали и посещали. Спасибо молодёжной организации Huddinge Vi Unga: ей принадлежал компьютер, и несколько лет она оплачивала две телефонные линии для нашей BBS, которая открыла нам FidoNet и целый мир общения. Спасибо Юнасу за то, что помог мне устроиться на первую работу в IBM без какого-либо опыта. Спасибо Бьёрну за совместное создание бота Dancer, а также участникам IRC-канала #amiga в сетях EFnet и IRCnet за поддержку. Спасибо моему руководству в Frontec в середине 1990-х, которое позволяло мне заниматься своими проектами в свободное время на их разнообразных Unix-машинах (пусть вы, вероятно, и не знали всех масштабов). Спасибо всем первым пользователям curl, которые подталкивали меня вперёд, рано добавили утилиту во все важные дистрибутивы Linux и доказали, что у этого проекта есть будущее. Спасибо моей жене Ане за терпение, пока я проводил столько времени за компьютерами, и за то, что иногда выслушивала мои утомительные монологи о каких-то крошечных деталях curl, которые не выходили у меня из головы. Спасибо моим детям, Агнес и Рексу, за то, что вы свет моей жизни, что вы потрясающие и при этом совершенно не впечатляетесь моей работой. Живите своей жизнью. Спасибо каждому, кто когда-либо вносил вклад в проект curl в любом качестве. Отдельное спасибо Стефану, Виктору, Джеймсу, Виктору, Дэну, Джею, Даниэлю и Максу за многолетнее участие в основной команде мейнтейнеров. Спасибо Бьёрну, Челлю и Линусу из Haxx за то, что вы замечательные друзья и всегда поддерживали меня и curl в нужную минуту — ну и, конечно, за побочное приключение с Rockbox. Спасибо Ларри из wolfSSL за то, что поверил в меня и в curl настолько, что без колебаний дал мне возможность работать над curl на полную ставку. Спасибо всем спонсорам, жертвователям и замечательным платным клиентам поддержки curl — вместе вы делаете мою работу возможной. Спасибо всем, кто приглашал меня на конференции и мероприятия, чтобы выступать и встречаться с людьми. Спасибо Патрику за номинацию на премию Польхема, которая принесла мне золотую медаль. Спасибо Микаэлю за номинацию на золотую медаль Шведской королевской академии инженерных наук (IVA). И спасибо всем остальным, чьи имена я забыл здесь упомянуть.</p><p>Спасибо всем, кто пользуется curl и продолжает участвовать в его развитии.</p><h2>Разве 25-летний юбилей не отмечали совсем недавно?</h2><p>Да. У нас два разных дня рождения: httpget родился в ноябре 1996 года, а curl — в марте 1998 года.</p><h2>Светлой памяти</h2><p>К сожалению, Рафаэл Сагула покинул нас слишком рано — он ушёл из жизни в 2016 году. Я бесконечно благодарен ему за то, что он положил начало всему этому делу.</p><p>Источники: <a href="https://daniel.haxx.se/blog/2026/11/11/30-years-of-internet-transfers-with-curl/">30 years of Internet transfers with curl — Daniel Stenberg</a>, <a href="https://github.com/bagder/dancer-416">Dancer IRC bot (GitHub)</a>, <a href="https://bjorn.haxx.se/">FrexxLink — сайт Бьёрна Стенберга</a>, <a href="https://github.com/vidarh/FrexxEd">FrexxEd (GitHub)</a>, <a href="https://github.com/vidarh/FPL">FPL scripting language (GitHub)</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Иллюзия Claude: почему успех в кодинге заставляет верить в сверхразум</title>
      <link>https://tproger.ru/translations/illyuziya-claude-pochemu-uspeh-v-kodinge-zastavlyaet-verit-v-sverh</link>
      <comments>https://tproger.ru/translations/illyuziya-claude-pochemu-uspeh-v-kodinge-zastavlyaet-verit-v-sverh?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/translations/illyuziya-claude-pochemu-uspeh-v-kodinge-zastavlyaet-verit-v-sverh</guid>
      <description><![CDATA[<p>Перевод эссе Яна Шауманна о том, почему программисты и техномиллиардеры путают свои навыки с гениальностью и видят в нейросетях угрозу человечеству.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/translations/illyuziya-claude-pochemu-uspeh-v-kodinge-zastavlyaet-verit-v-sverh">Иллюзия Claude: почему успех в кодинге заставляет верить в сверхразум</a>»</p>]]></description>
      <category><![CDATA[Безопасность]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Карьера]]></category>
      <category><![CDATA[Разработка]]></category>
      <category><![CDATA[Переводы]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 16:45:43 GMT</pubDate>
      <content:encoded><![CDATA[<p>Перевод статьи Яна Шауманна «<a href="https://www.netmeister.org/blog/claude-delusion.html">Signs of Triviality: The Claude Delusion</a>», опубликованной 13 ноября 2026 года.</p><p>С успешными людьми происходит нечто странное: они начинают считать себя богами.</p><p>Для успеха, разумеется, вовсе не обязательны реальные достижения. Пожалуй, дело здесь даже больше в богатстве, чем в самом успехе. Как люди становятся богатыми? Некоторым просто везёт: повезло родиться с физическим талантом, повезло с родителями, которые могли и хотели этот талант развивать, и, конечно, довольно часто везёт <a href="https://nishankmagoo.medium.com/an-interesting-story-about-bill-gates-b5dc6b922c93">оказаться в нужное время в нужном месте</a> [1].</p><p>Везение не исключает того, что человек <i>также</i> много работал. Но даже — и особенно! — всякие Пэрис Хилтон, дети голливудских суперзвёзд и жулики, построившие свои коррупционные империи на «<a href="https://www.nytimes.com/interactive/2018/10/02/us/politics/donald-trump-tax-schemes-fred-trump.html">небольшом займе</a>» (или доле в изумрудном руднике) от отцов, искренне верят, что <i>заслужили</i> свой успех, и делают вывод, будто все остальные сами виноваты в собственных неудачах.</p><p>Особенно ярко это проявляется в технологической среде, где годами умение хорошо программировать приравнивали к общему (и зачастую высшему) интеллекту [2]. Иллюзорное превосходство подпитывается безудержным эффектом Даннинга — Крюгера, и мысль «<i>Я хорошо пишу код, и при доле везения мне удалось добиться успеха</i>» стремительно превращается в цепочку рассуждений: «<i>Я успешен. Успех не случаен, значит, я его заслужил. Похоже, я гений: я освоил программирование, а всё остальное — сущие пустяки. Следовательно, я хорош <b>во всём</b></i>».</p><h2>Билл Гейтс, доктор медицины и биологии</h2><p>Возьмём для примера Билла Гейтса. Стоит признать: он действительно многого достиг, а в его профессиональном багаже, без сомнения, есть и большой опыт программирования, и целый набор безжалостных монополистических бизнес-практик. В <a href="https://www.nytimes.com/2026/09/29/opinion/ezra-klein-podcast-bill-gates.html">недавнем интервью The New York Times</a> он рассказал, как оценивал прогресс OpenAI (выделение моё):</p><blockquote>Я регулярно ездил в OpenAI посмотреть на их работу и бросил им вызов: если модель сможет прочитать учебник по биологии и сдать экзамен повышенной сложности (AP) на высший балл — пятёрку, значит, вы доказали, что она умеет читать, то есть кодировать знания в доступной форме. И вот за шесть месяцев до публичного релиза Сэм Альтман, Грег Брокман и Илья Суцкевер приезжают ко мне домой и показывают, как система получает пятёрку на экзамене AP — <i>даже на вопросах, которые я придумал сам и которых она точно не могла видеть, на очень сложных задачах по биологии</i>. Результат был почти идеальным. Это стало первым шоком.</blockquote><p>Билл Гейтс, безусловно, интересуется биологией и благодаря работе в Фонде Билла и Мелинды Гейтс наверняка прочитал массу статей и исследований в этой области. Но сама дерзость считать себя профильным экспертом, способным сочинить сложные <i>оригинальные</i> вопросы в чужой научной дисциплине для оценки реальных возможностей ИИ, а потом «шокироваться» тем, что модель сумела на них ответить, лишь подтверждает мой тезис.</p><p>Впрочем, по-настоящему сносит ему крышу мысль о том, что ИИ способен делать то, чем раньше занимался он сам: писать код.</p><blockquote>А затем в конце прошлого года, когда модели Claude от Anthropic стали невероятно хороши в программировании, я увидел, что они пишут код <i>так же хорошо, как я</i> — а это мой самый развитый талант, ведь с 13 до 24 лет я был одержим тем, смогу ли программировать на уровне лучших или даже превосходить всех. В тот момент я снова подумал: <i>это невероятно</i>. Способность выполнять длительные и сложные задачи дошла до того, что модели стали <i>сверхчеловеческими</i> в написании кода и поиске ошибок в нём.</blockquote><p>Обратите внимание на выделенные мной фрагменты: сама идея, что нечто может работать «<i>так же хорошо, как я</i>», во-первых, с трудом укладывается в голове, а во-вторых, автоматически означает, что это нечто — «<i>сверхчеловеческое</i>». С самооценкой у этого человека точно полный порядок, тут сомнений нет.</p><p>Похожим образом, судя по всему, <a href="https://www.netmeister.org/blog/everybodys-lost-their-minds.html">сходят с ума</a> и многие другие технари. Именно такая логика («всё, что приближается к моему уровню, — сверхчеловечно») во многом объясняет, как мы пришли одновременно к мрачным сценариям вымирания человечества и к утопической нирване, где ИИ решает все проблемы людей (точнее, все проблемы <i>миллиардеров</i>, которые в основном сводятся к <a href="https://www.motherjones.com/politics/2024/01/alcor-cryonics-peter-thiel-billionaires-dynasty-trusts-aging-disease-death-immortality/">надоедливой смертности</a>).</p><h2>Месть нердов</h2><p>Для большинства гиков умение программировать было отличительным признаком. Это казалось чем-то странным, обычные люди в этом ничего не понимали, вы говорили на собственном языке (на целых языках!) и могли заставить компьютер <i>делать вещи</i>. Вы понимали, как устроен интернет, а всё, что работало плохо, явно написали полные идиоты — вы бы легко переписали это сами за один вечер, если бы захотели.</p><p>И вот вы создали компьютерную программу, которая умеет делать то же самое. Уму непостижимо! К тому же она говорит! Она соглашается с вами, хвалит вас, называет блестящим — явное доказательство её собственной непогрешимости. А теперь представьте, что она окажется <i>лучше</i> вас. То, что поначалу кажется немыслимым, затем вселяет в сердце страх и трепет, ведь вы породили <a href="https://genius.com/Bad-religion-chimaera-lyrics">могущественного монстра со своей собственной целью и волей</a>. (А вы наверняка прочитали достаточно бульварной фантастики, чтобы знать: однажды ваше творение придёт за вами.)</p><p>«Представляете себе кластер Беовульфа из таких штук?» — старый мем со времён Slashdot (погуглите, если не застали), появившийся ещё до того, как мемы стали массовым явлением. Мысль об армии приспешников, которые исполняют любой приказ, всегда манила гиков, жаждущих утвердить своё превосходство. Так мы и пришли к «агентам» — целым «роям» «автономных» «агентов».</p><p>К тому же такой нарратив о субъектности очень удобно снимает с вас ответственность. Это вы сами забыли нормально ограничить потенциально вредоносную программу, которую натаскали упорно взламывать чужие системы? Нет, это «агенты» «вышли из-под контроля». Вы и впрямь призвали могущественных демонов. Демонов, способных выдавать код быстрее вас (о ужас!) — код, который вы уже до конца не понимаете (хотя, конечно, могли бы, просто не хотите, некогда, да и дел полно с вашей самодельной, навороченной обвязкой). Очень быстро становится очевидно: перед нами СВЕРХИНТЕЛЛЕКТ. Сверхинтеллект, который МОЖЕТ УБИТЬ НАС ВСЕХ!</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/a75e34d8-14ae-4b4e-89e2-454cb1b4d9b7.webp" alt="Фигурки Далеков из сериала «Доктор Кто»" /><figcaption>Изображение: Ян Шауманн, netmeister.org</figcaption></figure><h2>Власть развращает и так далее</h2><p>Выше я придрался к Биллу Гейтсу, чтобы проиллюстрировать <a href="https://en.wikipedia.org/wiki/Overconfidence_effect">эффект сверхуверенности</a>, но в индустрии хватает куда более <a href="https://www.forbesmiddleeast.com/industry/healthcare/elon-musks-false-covid-predictions-a-timeline">раздутых эго</a>, которые делают смелые <a href="https://www.cnet.com/tech/tech-industry/elon-musks-submarine-not-practical-for-thai-cave-mission-rescue-head-says/">заявления за пределами</a> (и даже внутри) своей предполагаемой сферы компетенции и попутно демонстрируют полнейшую неспособность сопереживать другим людям. Гвинет Пэлтроу с её советами о здоровье, Ричард Брэнсон, пытавшийся тягаться с Coca-Cola, десятки актёров, рвущихся в политику, ведущие Fox News и звёзды реалити-шоу в министерских креслах, основатель крупной соцсети, подумывающий о президентской гонке, разнообразные техностартапы, которые пытаются «перевернуть» здравоохранение, многочисленные провалы Илона Маска или очередные Элизабет Холмс и Сэмы Бэнкманы-Фриды, которых в отрасли хоть отбавляй... Для них все мы — просто <a href="https://boingboing.net/2024/08/14/theyre-such-npcs-why-elon-musk-thinks-youre-not-real.html">NPC</a>.</p><p>Описанный мной самообман неслучайно так быстро перерастает в банальное, откровенное мошенничество. В одном из обзоров исследований о богатстве и социальном положении эти факторы статистически связывают со снижением сочувствия. Это <a href="https://www.scientificamerican.com/article/how-wealth-reduces-compassion/">давно известно</a> и встречается далеко за пределами ИТ: чёрт возьми, богатых мерзавцев, <a href="https://www.nytimes.com/2026/11/10/opinion/rich-people-martha-stewart-midterms.html">творящих мерзости</a>, полно и в других сферах. Однако мало кто вне технологического сектора доходит до такой <i>степени</i> заблуждения — веры в собственное исключительное право решать судьбу человечества, в то, что они породили цифрового Прометея, и в буквального «бога из машины», которым можно вечно прикрываться и громко обещать <a href="https://www.thetimes.com/us/news-today/article/ai-cure-cancer-smoking-cigarettes-ptl23twxn">исцеление от всех болезней</a> — вот только бы выкроить время на эти задачи среди <a href="https://www.theguardian.com/us-news/2026/may/01/pentagon-us-military-pairs-with-spacex-google-openai">военных контрактов</a>.</p><p>Вишенкой на торте смотрится притворная забота об изменении климата [3]: по оценке Sierra Club для электроэнергетики США к 2030 году, планы строительства новых дата-центров рискуют свести на нет «<a href="https://www.bloomberg.com/news/articles/2026-10-28/us-data-center-buildout-risks-erasing-years-of-climate-progress">15 лет сокращения парниковых выбросов</a>», а затем ещё и <a href="https://www.bloomberg.com/news/articles/2026-10-26/anthropic-cites-climate-change-as-risk-to-business-in-s-1">указывают экологические проблемы в качестве фактора риска</a> в своём проспекте <a href="https://www.sec.gov/Archives/edgar/data/2130357/000162828026072484/anthropicpbc-sx1ax2.htm">S-1</a>.</p><p>Если это и есть новые «американские боги»... что ж, <i>je n'ai jamais eu besoin de cette hypothèse-là</i> (фр. «в этой гипотезе я никогда не нуждался»).</p><p><i>P. S.: 14 ноября 2026 года этот пост ненадолго вышел в топ Hacker News и до того, как его пометили флагами (??), собрал почти <a href="https://news.ycombinator.com/item?id=50496921">200 комментариев</a>. Большая часть дискуссии свернула к спору о том, хороший ли программист Билл Гейтс, хотя к сути это вообще-то совершенно не относится.</i></p><h2>Примечания</h2><ol><li>Точная цитата о том, что «<i>Билл Гейтс учился в одной из немногих старших школ в мире, где был компьютер</i>», взята из книги «<a href="https://en.wikipedia.org/wiki/The_Psychology_of_Money">Психология денег</a>» Моргана Хаузела; Малкольм Гладуэлл также разбирает этот случай в книге «<a href="https://en.wikipedia.org/wiki/Outliers_(book)">Гении и аутсайдеры</a>».</li><li>Весь цирк с собеседованиями в ИТ строился вокруг идеи элитарности и «гениальных негодяев»: в Кремниевой долине без конца повторяли мантру «<i>Google нанимает гениев</i>», поэтому логично считалось, что раз тебя взяли в Google — ты гений. (Да, все более 180 000 сотрудников Google.) То же самое переносилось и на другие крупные или закрытые компании, отсюда и привычка каждого увольняющегося отмечать, что он всегда работал в окружении блестящих умов. Это обратное <a href="https://quotle.info/who-said/i-dont-want-to-belong-to-any-club-that-will-accept-me-as-a/">искажение Граучо Маркса</a>.</li><li>И да, нам совершенно точно не нужен ИИ, чтобы «придумать, как бороться с изменением климата». Мы и так знаем, как это делать. Осталось лишь проявить хоть какое-то желание остановить катастрофу. К сожалению, именно здесь все эти мегаломаны и встают на пути.</li></ol><p>Источники: <a href="https://www.netmeister.org/blog/claude-delusion.html">Signs of Triviality: The Claude Delusion — Jan Schaumann</a>, <a href="https://www.nytimes.com/2026/09/29/opinion/ezra-klein-podcast-bill-gates.html">The Ezra Klein Show: Bill Gates Interview (NYT)</a>, <a href="https://news.ycombinator.com/item?id=50496921">Обсуждение на Hacker News</a>, <a href="https://www.netmeister.org/blog/everybodys-lost-their-minds.html">Everybody's Lost Their Minds — Jan Schaumann</a>, <a href="https://www.netmeister.org/blog/winning-ai.html">«Winning AI» — Jan Schaumann</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Весь код, сгенерированный ИИ, должен быть открытым</title>
      <link>https://tproger.ru/translations/ves-kod-sgenerirovannyj-ii-dolzhen-byt-otkrytym</link>
      <comments>https://tproger.ru/translations/ves-kod-sgenerirovannyj-ii-dolzhen-byt-otkrytym?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/translations/ves-kod-sgenerirovannyj-ii-dolzhen-byt-otkrytym</guid>
      <description><![CDATA[<p>Якуб Янкевич объясняет, почему код от ИИ должен выходить под Open Source или CC0: обучение на открытом коде, а также прецеденты в авторском праве.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/translations/ves-kod-sgenerirovannyj-ii-dolzhen-byt-otkrytym">Весь код, сгенерированный ИИ, должен быть открытым</a>»</p>]]></description>
      <category><![CDATA[Open Source]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Авторское право]]></category>
      <category><![CDATA[Разработка]]></category>
      <category><![CDATA[Переводы]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 16:45:21 GMT</pubDate>
      <content:encoded><![CDATA[<p>Перевод статьи Якуба Янкевича «<a href="https://jakub.jankiewicz.org/blog/ai-code-open-source/">All AI-generated code should be Open Source</a>», опубликованной 13 ноября 2026 года.</p><p>Возможно, это прозвучит резко, но я твёрдо убеждён: весь код, сгенерированный ИИ, должен быть открытым. Объясню почему.</p><p>Во-первых, модели ИИ обучались на огромном массиве открытого кода. Его создавали с тех самых пор, как Ричард Столлман (RMS) объявил о запуске проекта GNU и движения за свободное программное обеспечение. Этот код просто собрали из интернета и использовали без разрешения и без указания авторства. Кроме того, модели обучались на материалах Stack Overflow и родственных проектов Stack Exchange. Они распространяются по лицензиям Creative Commons, а эти лицензии юридически обязывают указывать авторов. Когда такие коллективные знания превращают в закрытый проприетарный код, это выглядит как отмывание лицензий.</p><p>Вторая причина — юридическая: код, полностью созданный ИИ, написан без участия человека, а значит, на него не должно распространяться авторское право. В США этот принцип опирается на знаменитый <a href="https://en.wikipedia.org/wiki/Monkey_selfie_copyright_dispute">спор об авторских правах на селфи обезьяны</a>. Он закрепил принцип: без человеческого творческого вклада произведение не охраняется авторским правом (позже на этот прецедент ссылалось Бюро по авторским правам США в разъяснениях по ИИ). По той же логике <a href="https://commons.wikimedia.org/wiki/Commons:AI-generated_media">Викисклад, как правило, требует помечать изображения, созданные исключительно ИИ без значимого вклада человека, как общественное достояние</a>.</p><p>Однако законы об авторском праве в разных странах отличаются. Например, в Великобритании произведения, созданные компьютером, получают ограниченную защиту. Чтобы поступать честно в любой юрисдикции и отдать должное открытой экосистеме, без которой ИИ бы не появился, разработчикам и компаниям стоит явно выпускать сгенерированный ИИ код под лицензиями Open Source или передавать его в общественное достояние по лицензии Creative Commons Zero (CC0).</p><p>Разумеется, код далеко не всегда бывает на 100% ручным или на 100% автоматизированным. Тем не менее разработчики всё чаще полагаются на ИИ: даже не просматривают сгенерированный результат и тем более не дорабатывают его под свои задачи. Если человек только написал промпты и почти ничего больше в код не вложил, такой код однозначно должен быть открытым.</p><p>Обсудить статью можно <a href="https://news.ycombinator.com/item?id=50507303">в треде на Hacker News</a>.</p><p>Источники: <a href="https://jakub.jankiewicz.org/blog/ai-code-open-source/">All AI-generated code should be Open Source — Jakub T. Jankiewicz</a>, <a href="https://en.wikipedia.org/wiki/Monkey_selfie_copyright_dispute">Monkey selfie copyright dispute — Wikipedia</a>, <a href="https://commons.wikimedia.org/wiki/Commons:AI-generated_media">Commons:AI-generated media — Wikimedia Commons</a>, <a href="https://news.ycombinator.com/item?id=50507303">Обсуждение статьи на Hacker News</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Семейное древо должностей в разработке ПО</title>
      <link>https://tproger.ru/translations/semejnoe-drevo-dolzhnostej-v-razrabotke-po</link>
      <comments>https://tproger.ru/translations/semejnoe-drevo-dolzhnostej-v-razrabotke-po?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/translations/semejnoe-drevo-dolzhnostej-v-razrabotke-po</guid>
      <description><![CDATA[<p>История 104 ИТ-должностей с 1940-х годов до наших дней: как менялись роли в разработке ПО, почему умирают модные названия и при чём здесь DevOps и SRE.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/translations/semejnoe-drevo-dolzhnostej-v-razrabotke-po">Семейное древо должностей в разработке ПО</a>»</p>]]></description>
      <category><![CDATA[Open Source]]></category>
      <category><![CDATA[DevOps]]></category>
      <category><![CDATA[Карьера]]></category>
      <category><![CDATA[Разработка]]></category>
      <category><![CDATA[Переводы]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 16:43:57 GMT</pubDate>
      <content:encoded><![CDATA[<p>Перевод статьи Иэна Мила «<a href="https://zwischenzugs.com/2026/11/03/a-family-tree-of-software-job-titles/">A Family Tree of Software Job Titles</a>», опубликованной 3 ноября 2026 года.</p><p>Несколько лет я был Head of DevOps. До этого я делал почти ту же работу под другими названиями, потом её стали называть SRE, а затем она начала плавно перетекать в платформенную инженерию (platform engineering). Если вы давно работаете в индустрии, то наверняка видели, как такие названия должностей приходят и уходят, и, возможно, задавались вопросом, откуда они вообще взялись.</p><p>Поэтому я (при помощи мистера Claude) собрал семейное древо должностей в разработке ПО — с 1940-х годов до наших дней.</p><p>Оно доступно здесь: <a href="https://ianmiell.github.io/sw-job-title-family-tree/">ianmiell.github.io/sw-job-title-family-tree</a>.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/fb64b78b-2f5d-419c-ad18-8373e8e14cfa.webp" alt="Семейное древо должностей в индустрии разработки ПО" /><figcaption>Семейное древо ИТ-должностей. Изображение: Иэн Мил, sw-job-title-family-tree</figcaption></figure><h2>Что это за древо</h2><p>В схеме 104 должности: на самом верху — «вычислитель» (так называли человека, который делал расчёты вручную), в самом низу — инженер по ИИ-агентам и контексту.</p><p>Время идёт сверху вниз, каждая строка — пять лет. Должности разложены по семи цветным столбцам в зависимости от направления:</p><ul><li>Разработка (Development)</li><li>Анализ, архитектура и руководство (Analysis, architecture and leadership)</li><li>Эксплуатация и инфраструктура (Operations and infrastructure)</li><li>Сети и безопасность (Networks and security)</li><li>Данные и ИИ (Data and AI)</li><li>Качество и тестирование (Quality and test)</li><li>Поддержка и работа с клиентами (Support and customer-facing)</li></ul><p>Сплошная стрелка значит, что должность выросла напрямую из родительской. Пунктирная показывает влияние или частый карьерный переход. Знаковые должности выделены жирным.</p><p>На сайте можно нажать на направление и увидеть только его столбец (например, <a href="https://ianmiell.github.io/sw-job-title-family-tree/#data">«Данные и ИИ»</a>) или кликнуть на конкретную должность и прочитать её историю, контекст и связи (вот страница для <a href="https://ianmiell.github.io/sw-job-title-family-tree/#sre">SRE</a>).</p><p>Вся схема — это один файл Graphviz и один JSON-файл с описаниями. Каждая должность занимает одну строку в файле .dot, а итоговая картинка рендерится командой:</p><p>Чтобы добавить новую должность, хватит трёх небольших правок: узел в столбце её направления, запись в строке нужного пятилетия и стрелки от родительских ролей.</p><p>Пару слов о датах. Они показывают примерное время, когда должность стала <i>массовой</i>, — самое первое упоминание могло случиться раньше. Это мои лучшие оценки без строгих ссылок на источники. Некоторые даты широко известны (SRE в Google в 2003 году, термин «DevOps» в 2009-м, «Data Scientist» в 2008-м). Но во многих других случаях рядом просто стоит «около» и пожатие плечами.</p><h2>Шесть наблюдений</h2><p>Когда всё собрано на одной схеме, несколько закономерностей сразу бросаются в глаза.</p><h2>1. Кодирование начиналось как канцелярская рутина</h2><p>В статье Голдстайна и фон Неймана «Planning and Coding of Problems» («Планирование и кодирование задач») 1947 года работа с компьютером делилась на две части: математики планировали задачу, а кодировщики (coders) переводили план в машинные инструкции. Кодирование считалось низкостатусной конторской работой, и большую её часть выполняли женщины.</p><p>В итоге именно кодирование оказалось сложной и творческой частью процесса, а роль кодировщика слилась с профессией программиста.</p><p>Если заглянуть ещё глубже в прошлое, картина ещё удивительнее. Нескольких первых программистов ENIAC набрали из армейских «вычислителей» (human computers) — людей, которые считали вручную. Так профессия подарила своё название самой машине, а своих специалистов — программированию.</p><p>Моя будущая книга уже доступна <a href="https://learning.oreilly.com/library/view/follow-the-money/9798341661349/">в раннем доступе на O’Reilly</a>.</p><h2>2. Должности дробятся, а потом снова сливаются</h2><p>Вебмастер появился примерно в 1993 году. Чаще всего это был один человек: он писал HTML, администрировал веб-сервер (нередко системный блок под столом), отвечал на почту и поддерживал сайт в рабочем состоянии (иногда пинком по серверу, а ещё чаще — включая его обратно в розетку после пинка).</p><p>К середине 2000-х эта должность почти исчезла как безнадёжно устаревшая. Код ушёл веб-разработчикам, серверы — сисадминам, а контент — редакторам и дизайнерам.</p><p>Затем примерно в 2005 году веб-разработчик разделился на фронтенд- и бэкенд-разработчика, а около 2008 года эти две ветви снова сошлись в фулстек-разработчике (full-stack).</p><p>Это те самые качели централизации и распределения, о которых я уже <a href="https://zwischenzugs.com/2020/11/30/gitops-decisions/">писал</a> <a href="https://zwischenzugs.com/2022/01/17/why-its-great-to-be-a-consultant/">раньше</a>, только теперь они раскачиваются в названиях должностей.</p><h2>3. Некоторые названия живут недолго</h2><p>Промпт-инженер (prompt engineer) попал в заголовки новостей в 2023 году благодаря нескольким вакансиям с головокружительными зарплатами. Модели становились умнее, навык растворился в других профессиях, и на древе эту должность почти сразу поглощает ИИ-инженер.</p><p>Скрам-мастер (scrum master) — та же история, только медленнее: спрос на эту роль достиг пика в 2010-х, и с тех пор многие компании вернули эти обязанности инженерному менеджменту или ролям по управлению поставкой (delivery).</p><p>Самая свежая должность на древе — инженер по ИИ-агентам и контексту (около 2025 года). В её описании сейчас сказано: «время покажет, останется ли она отдельной должностью». Я бы ставок не делал.</p><h2>4. Названия переиспользуются</h2><p>«Системный инженер» (Systems Engineer) на схеме обозначает две совершенно разные профессии. В IBM в 1960-х годах это была пресейл-роль: специалисты работали с заказчиками, проектировали развёртывание систем и запускали их. В 1990-х, во многом благодаря сертификации Microsoft MCSE, так стали называть старшего системного администратора с уклоном в проектирование. Название одно, ветви разные, прямой связи нет.</p><p>«Управление конфигурациями» (configuration management) появилось в 1960-х как дисциплина оборонной отрасли США для учёта изменений в аппаратном обеспечении, в 1970-х превратилось в контроль версий ПО, а спустя десятилетия вернулось как обозначение инструментов вроде Puppet и Chef.</p><h2>5. Новое — это часто хорошо забытое старое</h2><p>Forward Deployed Engineer (FDE, «передовой инженер внедрения») — одна из самых горячих должностей 2025 года: OpenAI, Anthropic и множество ИИ-стартапов нанимают FDE, чтобы ИИ действительно заработал внутри компаний заказчиков.</p><p>Palantir строил свой бизнес вокруг таких специалистов примерно с 2010 года. Это инженеры-программисты, которые работают прямо в команде клиента, часто на его площадке, и дописывают всё нужное, чтобы продукт решал конкретную задачу этого клиента.</p><p>Это поразительно напоминает системных инженеров IBM 1960-х годов: они работали с заказчиками до и после продажи, проектировали инсталляции и доводили системы до запуска. (Ещё это очень похоже на старый добрый консалтинг — впрочем, от меня вы другого и не ожидали.)</p><h2>6. Спор вокруг DevOps никуда не делся</h2><p>Бен Трейнор Слосс определил SRE как «то, что получается, когда вы просите инженера-программиста спроектировать команду эксплуатации». DevOps задумывался как культура совместной работы разработки и эксплуатации, но примерно к 2011 году «DevOps-инженер» стал отдельной должностью — обычно так называли того, кто занимался автоматизацией. На древе стрелка между SRE и DevOps направлена в обе стороны. Платформенная инженерия (platform engineering) происходит от обоих направлений, а около 2022 года её начали продвигать как «наследника DevOps».</p><p>Разрыв между разработкой и эксплуатацией так и остался. Он просто получает всё новые названия.</p><h2>Зачем это всё?</h2><p>Когда меня спрашивают, чем отличаются DevOps-инженер, SRE и платформенный инженер, честный ответ всегда сводится к небольшому уроку истории. Это самая короткая версия такого урока, которую мне пока удалось составить.</p><p>Даты здесь — лишь лучшие предположения. Наверняка я упустил какие-то должности, перепутал отдельные родословные и провёл спорные стрелки. Если вы знаете точнее, напишите мне или откройте PR в <a href="https://github.com/ianmiell/sw-job-title-family-tree">репозитории</a>.</p><p>И это снова возвращает меня к кодировщикам.</p><p>В 1947 году кодирование считалось канцелярской мелочью, а настоящей работой — планирование. Перемотаем на восемьдесят лет вперёд: сегодня из-за ИИ о программировании снова говорят примерно то же самое. В прошлый раз выяснилось, что самую сложную часть работы делали как раз кодировщики.</p><p>Эту стрелку предлагаю провести вам самим.</p><p>Источники: <a href="https://zwischenzugs.com/2026/11/03/a-family-tree-of-software-job-titles/">Оригинал: A Family Tree of Software Job Titles — Ian Miell</a>, <a href="https://ianmiell.github.io/sw-job-title-family-tree/">Интерактивное семейное древо ИТ-должностей</a>, <a href="https://github.com/ianmiell/sw-job-title-family-tree">Репозиторий sw-job-title-family-tree на GitHub</a></p>]]></content:encoded>
    </item>
    <item>
      <title>NotebookLM в России в 2026 году: что с доступом и чем заменить</title>
      <link>https://tproger.ru/articles/notebooklm-v-rossii-v-2026-godu-chto-s-dostupom-i-chem-zamenit</link>
      <comments>https://tproger.ru/articles/notebooklm-v-rossii-v-2026-godu-chto-s-dostupom-i-chem-zamenit?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/notebooklm-v-rossii-v-2026-godu-chto-s-dostupom-i-chem-zamenit</guid>
      <description><![CDATA[<p>NotebookLM стал Gemini Notebook и в России не поддерживается. Лимиты тарифов, проверка с российского IP 16.11.2026 и 5 замен: от «Яндекса» до Open Notebook.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/notebooklm-v-rossii-v-2026-godu-chto-s-dostupom-i-chem-zamenit">NotebookLM в России в 2026 году: что с доступом и чем заменить</a>»</p>]]></description>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Подборки]]></category>
      <category><![CDATA[Google]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 15:44:38 GMT</pubDate>
      <content:encoded><![CDATA[<p>NotebookLM, сервис Google для работы с собственными документами, в России официально не работает, а с 16 июля 2026 года называется иначе: <a href="https://blog.google/innovation-and-ai/products/gemini-notebook/notebooklm-gemini-notebook/">Google переименовала его в Gemini Notebook</a>. Ниже — что видит пользователь с российским IP-адресом на 16 ноября 2026 года, какие лимиты действуют на бесплатном и платных тарифах и чем сервис можно заменить.</p><p>Коротко: России нет в списке поддерживаемых стран, а сайт с российского IP-адреса открывает страницу с пометкой, что регион не поддерживается. Ближайшие замены — базы знаний в «Алисе AI для бизнеса» от «Яндекса» и открытые проекты для своего компьютера или сервера: <a href="https://github.com/lfnovo/open-notebook">Open Notebook</a>, <a href="https://github.com/Mintplex-Labs/anything-llm">AnythingLLM</a>, <a href="https://github.com/Cinnamon/kotaemon">Kotaemon</a> и <a href="https://github.com/MODSetter/SurfSense">SurfSense</a>.</p><ul><li>NotebookLM с 16 июля 2026 года называется Gemini Notebook: это тот же продукт, все прежние блокноты сохранились, адрес notebooklm.google.com перенаправляет на notebook.google.</li><li>России нет в списке поддерживаемых стран и территорий в справке Google; запрос с российского IP-адреса 16 ноября 2026 года перенаправляется на notebook.google с параметром location=unsupported.</li><li>Без подписки доступно 100 блокнотов и 50 источников в каждом, не считая заметок; на тарифе Google AI Pro за $19,99 в месяц — 300 источников и лимиты использования в 4 раза выше стандартных.</li><li>У «Яндекса» базы знаний есть в «Алисе AI для бизнеса»: до 25 файлов и ссылок в одной базе.</li><li>Open Notebook (42 016 звёзд на GitHub, лицензия MIT) запускается через Docker, работает с 20+ провайдерами моделей, включая локальную Ollama, и делает подкасты на 1–4 спикера.</li></ul><h2>Что такое NotebookLM и почему он теперь Gemini Notebook?</h2><p>Это исследовательский помощник для работы с загруженными вами документами, который Google переименовала ради интеграции с приложением Gemini и Поиском. Вы собираете в блокнот файлы, ссылки и заметки, а модель Gemini отвечает на вопросы со ссылками на источники и делает производные материалы. Google <a href="https://notebook.google/">называет главным отличием</a> привязку к источникам: она снижает риск выдуманных фактов.</p><p>Сервис появился на Google I/O 2023 под именем Project Tailwind. 16 июля 2026 года Джош Вудворд, вице-президент Google Labs, <a href="https://blog.google/innovation-and-ai/products/gemini-notebook/notebooklm-gemini-notebook/">объявил о переименовании</a>: по данным компании, к этому моменту сервисом пользовались более 30 млн человек и свыше 600 000 организаций.</p><blockquote>Today, we're renaming NotebookLM to Gemini Notebook. It remains a standalone product focused on being your premier research tool, but it will now do more across the Google ecosystem, including inside the Gemini app and Google Search.</blockquote><p>Вместе с именем изменились 3 вещи. Каждый блокнот получает защищённый облачный компьютер: сервис сам пишет и выполняет код, чтобы анализировать данные из источников. В день анонса это работало у подписчиков Google AI Ultra и клиентов Workspace с тарифами AI Ultra Access и AI Expanded Access, а пользователям Pro в вебе функцию обещали в ближайшие недели. Блокноты синхронизируются между отдельным сервисом и приложением Gemini, и Google пообещала скоро добавить их в режим AI Mode в Поиске.</p><p>По справке Google, из загруженных источников сервис умеет делать следующее:</p><ul><li><b>Чат по источникам.</b> Ответы с опорой на загруженные документы.</li><li><b>Аудиообзоры.</b> Пересказ материалов голосом в формате разговора; интерактивный режим, по справке Google, работает только на английском.</li><li><b>Видеообзоры, отчёты и презентации.</b> В справке перечислены также инфографика и интеллект-карты.</li><li><b>Карточки и тесты.</b> Материалы для самопроверки по вашим конспектам.</li></ul><h2>Работает ли NotebookLM в России в 2026 году?</h2><p>Нет, официально не работает. В <a href="https://support.google.com/gemininotebook/answer/16164461?hl=en">справке Gemini Notebook</a> приведён список поддерживаемых стран и территорий: в нём есть Армения, Азербайджан, Грузия, Казахстан, Киргизия, Молдавия и Сербия, а России нет.</p><p>Проверка с российского IP-адреса 16 ноября 2026 года показала: запрос к прежнему адресу notebooklm.google.com перенаправляется на домен notebook.google с параметром location=unsupported. Сама страница при этом открывается как витрина сервиса без рабочего интерфейса.</p><p>Платные тарифы привязаны к подпискам Google AI, и география у них своя: в справке сказано, что расширенный доступ работает там, где доступны Google AI Plus, Pro и Ultra. Для мобильного приложения Google ведёт отдельный список стран. Оплатить подписку картой Visa или Mastercard российского банка не получится: за рубежом они не работают с марта 2022 года. Как устроена оплата зарубежных сервисов, ранее разбирали <a href="https://tproger.ru/articles/kak-oplatit-chatgpt-iz-rossii-v-2026-godu-rabochie-sposoby-opla">на примере ChatGPT</a>.</p><p>Строить рабочий процесс на сервисе без поддержки вашего региона рискованно: поэтому копии исходных документов и заметок стоит хранить у себя. Ниже — замены, которые от региона не зависят.</p><h2>Какие лимиты у Gemini Notebook и сколько стоит подписка?</h2><p>Без подписки сервис даёт 100 блокнотов и 50 источников в каждом (заметки считаются отдельно), а платные тарифы в США стоят от $4,99 в месяц и поднимают оба лимита. Данные взяты из <a href="https://support.google.com/gemininotebook/answer/16213268?hl=en">справки о тарифах</a> и со <a href="https://gemini.google/us/subscriptions/">страницы подписок Google AI</a> для США на 16 ноября 2026 года.</p><p>Тарифы Gemini Notebook (бывший NotebookLM) на 16 ноября 2026 года</p><table><thead><tr><th>Тариф</th><th>Цена в США</th><th>Источников в блокноте</th><th>Лимиты использования</th></tr></thead><tbody><tr><td>Без подписки</td><td>$0</td><td>50</td><td>Стандартные</td></tr><tr><td>Google AI Plus</td><td>$4,99 в месяц</td><td>100</td><td>В 2 раза выше стандартных</td></tr><tr><td>Google AI Pro</td><td>$19,99 в месяц</td><td>300</td><td>В 4 раза выше стандартных</td></tr><tr><td>Google AI Ultra, план 20 ТБ</td><td>Тарифы Ultra: $99,99 и $199,99 в месяц</td><td>500</td><td>В 5 или 20 раз выше, чем в Pro, в зависимости от плана</td></tr><tr><td>Google AI Ultra, план 30 ТБ</td><td>Тарифы Ultra: $99,99 и $199,99 в месяц</td><td>600</td><td>В 5 или 20 раз выше, чем в Pro, в зависимости от плана</td></tr></tbody></table><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/9e0481da-a080-40be-acc4-5cf6abe545be.webp" alt="Столбчатая диаграмма: число источников в одном блокноте Gemini Notebook на тарифах без подписки, Plus, Pro и двух планах Ultra" /><figcaption>Сколько источников помещается в один блокнот Gemini Notebook на разных тарифах. График: Tproger по данным справки Google, 16 ноября 2026 года</figcaption></figure><p>Число блокнотов тоже растёт с тарифом: от 100 без подписки до 500 на старших планах. Лимиты запросов Google считает по вычислительной нагрузке: по <a href="https://support.google.com/gemininotebook/answer/17670842?hl=en">справке об ограничениях</a>, расход зависит от сложности запроса, выбранных моделей, функций и длины диалога. Когда лимит исчерпан, сервис показывает время сброса и предлагает отложенную генерацию, которая может занять пару часов.</p><p>По данным Google, загруженные материалы не используются для обучения, пока вы сами не отправили отзыв; при отзыве компания может просмотреть весь контекст запроса. У корпоративных аккаунтов Workspace и учебных заведений содержимое не просматривают люди даже при отправке оценки.</p><h2>Чем заменить NotebookLM в России?</h2><p>Заменить можно 2 способами: взять российский облачный сервис с базами знаний или поставить открытый аналог на свой компьютер. Первый проще, второй не зависит от региона и подписки, а при полностью локальной модели оставляет документы у вас; с облачной моделью по API содержимое уходит её провайдеру.</p><p>Замены NotebookLM: данные на 16 ноября 2026 года</p><table><thead><tr><th>Инструмент</th><th>Тип</th><th>Лицензия и звёзды GitHub</th><th>Что умеет</th><th>Что нужно</th></tr></thead><tbody><tr><td>Алиса AI для бизнеса</td><td>Облако «Яндекса»</td><td>Закрытый сервис</td><td>Базы знаний до 25 файлов и ссылок, совместная работа</td><td>Организация в Яндекс 360</td></tr><tr><td>Open Notebook</td><td>Свой сервер или ПК</td><td>MIT, 42 016</td><td>Блокноты, чат по источникам, подкасты на 1–4 голоса, 20+ провайдеров моделей</td><td>Docker и ключ API или локальная Ollama</td></tr><tr><td>AnythingLLM</td><td>Свой ПК или сервер</td><td>MIT, 68 340</td><td>Локальная работа с документами и агентами</td><td>Модель локально или по API</td></tr><tr><td>Kotaemon</td><td>Свой ПК или сервер</td><td>Apache-2.0, 25 912</td><td>Чат с документами на основе RAG</td><td>Модель локально или по API</td></tr><tr><td>SurfSense</td><td>Свой ПК или сервер</td><td>Apache-2.0, 16 889</td><td>Исследование и правка документов ИИ-агентом, работа в изолированной сети</td><td>Модель локально или по API</td></tr></tbody></table><p><b>«Алиса AI для бизнеса».</b> У «Яндекса» был отдельный сервис «Нейроэксперт», но 16 ноября 2026 года его адрес expert.ya.ru перенаправляет на «Алису Про». По <a href="https://alice.yandex.ru/support/ru/assistant/alice-business/faq">справке «Яндекса»</a>, «Алиса Про» сейчас доступна только для личного использования, а организациям в Яндекс 360 вместо неё предлагается «Алиса AI для бизнеса» с базами знаний, совместной работой и управлением организацией. В одну базу знаний помещается до 25 файлов и ссылок, в неё можно приглашать участников — это вдвое меньше, чем 50 источников в бесплатном Gemini Notebook.</p><p><b>Open Notebook.</b> Близкий по сценарию открытый аналог: авторы называют его открытой и приватной альтернативой Notebook LM. По <a href="https://github.com/lfnovo/open-notebook">README</a>, проект работает с 20+ провайдерами моделей, включая OpenAI, Anthropic, Google, Mistral, локальную Ollama и любой сервер с OpenAI-совместимым API, а подкасты собирает на 1–4 спикера; у Google в аудиообзорах 1 или 2 ведущих в зависимости от формата. Запуск состоит из 3 шагов: скачать файл docker-compose.yml, создать рядом файл .env с ключом шифрования OPEN_NOTEBOOK_ENCRYPTION_KEY и поднять контейнеры. Авторы предупреждают, что порты 8502 и 5055 по умолчанию открыты на всех сетевых интерфейсах, а пароля нет: на сервере с внешним адресом их нужно ограничить.</p><p>Примерно через 30 секунд интерфейс открывается по адресу http://localhost:8502, провайдера модели добавляют уже в нём. Compose-файл поднимает 2 сервиса: базу данных SurrealDB и сам Open Notebook.</p><p><b>AnythingLLM.</b> Популярный по звёздам проект в подборке: 68 340 на GitHub, лицензия MIT. Авторы описывают его как всё необходимое для локальной работы с ИИ-агентами. Подойдёт тем, кому нужен чат по своим документам без облака; аудиообзоров в духе NotebookLM в описании репозитория нет.</p><p><b>Kotaemon и SurfSense.</b> <a href="https://github.com/Cinnamon/kotaemon">Kotaemon</a> — открытый инструмент для чата с документами на основе RAG, то есть поиска по вашим файлам перед ответом модели. <a href="https://github.com/MODSetter/SurfSense">SurfSense</a> авторы прямо позиционируют как открытую альтернативу NotebookLM для изолированных сетей: ИИ-агент исследует, преобразует и правит документы. Облачные сервисы для той же задачи собраны в подборке Tproger <a href="https://tproger.ru/articles/top-20-nejrosetej-dlya-raboty-s-dokumentami--ii-servisy-dlya-anali">нейросетей для работы с документами</a>.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/51100b8e-ebe8-4a76-b73c-08aa98c26f55.webp" alt="Горизонтальная диаграмма: число звёзд на GitHub у AnythingLLM, Open Notebook, Kotaemon и SurfSense" /><figcaption>Звёзды на GitHub у открытых замен NotebookLM, тыс. График: Tproger по данным GitHub, 16 ноября 2026 года</figcaption></figure><h2>С чего начать, если нужен свой NotebookLM сегодня?</h2><ol><li>Решите, где должны лежать документы. Рабочие и личные файлы, которые нельзя отдавать в чужое облако, сразу ведут к открытым проектам на своём компьютере.</li><li>Для команды в Яндекс 360 проверьте базы знаний «Алисы AI для бизнеса»: уложитесь ли вы в 25 файлов и ссылок на базу.</li><li>Для личного использования поставьте Open Notebook 3 командами, закройте его порты от внешней сети и подключите модель: локальную через Ollama или облачную по ключу API.</li><li>Загрузите 5–10 документов и задайте вопросы, ответы на которые вы знаете. Смотрите, ссылается ли ответ на нужное место в источнике.</li><li>Если пользовались NotebookLM раньше, выгрузите исходные файлы и заметки из блокнотов и храните копию у себя.</li></ol><p>Ситуация с доступом может измениться в обе стороны: Google расширяет список стран и одновременно переносит блокноты внутрь приложения Gemini и Поиска. Актуальный список стран компания ведёт в <a href="https://support.google.com/gemininotebook/answer/16164461?hl=en">справке сервиса</a>.</p><p>Источники: <a href="https://blog.google/innovation-and-ai/products/gemini-notebook/notebooklm-gemini-notebook/">Google: NotebookLM is now Gemini Notebook</a>, <a href="https://notebook.google/">Gemini Notebook</a>, <a href="https://support.google.com/gemininotebook/answer/16213268?hl=en">Gemini Notebook Help: Learn about Gemini Notebook's plans</a>, <a href="https://support.google.com/gemininotebook/answer/16164461?hl=en">Gemini Notebook Help: supported countries &amp; territories</a>, <a href="https://support.google.com/gemininotebook/answer/17670842?hl=en">Gemini Notebook Help: Manage your usage limits</a>, <a href="https://gemini.google/us/subscriptions/">Google AI: Subscriptions</a>, <a href="https://alice.yandex.ru/support/ru/assistant/alice-business/faq">Справка «Яндекса»: Алиса AI для бизнеса, вопросы и ответы</a>, <a href="https://github.com/lfnovo/open-notebook">GitHub: lfnovo/open-notebook</a>, <a href="https://github.com/Mintplex-Labs/anything-llm">GitHub: Mintplex-Labs/anything-llm</a>, <a href="https://github.com/Cinnamon/kotaemon">GitHub: Cinnamon/kotaemon</a>, <a href="https://github.com/MODSetter/SurfSense">GitHub: MODSetter/SurfSense</a>, <a href="https://support.google.com/gemininotebook/answer/16212820?hl=en">Gemini Notebook Help: Audio Overviews</a></p>]]></content:encoded>
    </item>
    <item>
      <title>ИИ экономит время в офисе, но зарплату поднял лишь 5% его пользователей</title>
      <link>https://tproger.ru/news/ii-ekonomit-vremya-ofisnym-sotrudnikam-no-zarplatu-podnyal-5-pol</link>
      <comments>https://tproger.ru/news/ii-ekonomit-vremya-ofisnym-sotrudnikam-no-zarplatu-podnyal-5-pol?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/ii-ekonomit-vremya-ofisnym-sotrudnikam-no-zarplatu-podnyal-5-pol</guid>
      <description><![CDATA[<p>SuperJob опросил 1600 офисных сотрудников: ИИ используют 64%, время на типовые задачи сократилось у 64% пользователей, а зарплата не изменилась у 77%.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/ii-ekonomit-vremya-ofisnym-sotrudnikam-no-zarplatu-podnyal-5-pol">ИИ экономит время в офисе, но зарплату поднял лишь 5% его пользователей</a>»</p>]]></description>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Карьера]]></category>
      <category><![CDATA[Россия]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 15:44:18 GMT</pubDate>
      <content:encoded><![CDATA[<p>Инструменты на основе ИИ используют в работе 64% российских офисных сотрудников, и большинству из них это экономит время, но почти никому не прибавило денег. Такие результаты 13 ноября <a href="https://www.superjob.ru/research/articles/116056/ii-ekonomit-rabochee-vremya/">опубликовал</a> исследовательский центр сервиса по поиску работы SuperJob. Среди тех, кто работает с ИИ, время на типовые задачи сократилось у 64%, а зарплата после освоения инструментов выросла у 5% и у стольких же снизилась.</p><p>Опрос охватывает офисных сотрудников в целом, без выделения разработчиков, но картина знакома любой команде, где появились ИИ-ассистенты: выигрыш во времени есть, а кому он достаётся, зависит от того, как устроены сроки, нагрузка и оплата. Цифры SuperJob полезны как довод в разговоре о компенсации подписок и обучения.</p><ul><li>ИИ в работе используют 64% из 1600 опрошенных офисных сотрудников; среди тех, кто моложе 35 лет, таких 79%.</li><li>У 64% пользователей ИИ сократилось время на типовые задачи, но общая нагрузка уменьшилась только у 29%, а у 10% выросла.</li><li>Зарплата не изменилась у 77% пользователей ИИ, выросла у 5%, снизилась у 5%; 13% затруднились ответить.</li><li>Работодатель полностью оплатил обучение работе с ИИ 4% пользователей; 25% учились за свой счёт, 23% на бесплатных курсах.</li><li>Средняя оценка доверия к ИИ: 3,3 балла из 5; «тройку» поставили 54%.</li></ul><h2>Кого и как опрашивали?</h2><p>В опросе участвовали 1600 трудоустроенных офисных сотрудников из 364 населённых пунктов во всех округах России; опрос прошёл с 19 октября по 6 ноября 2026 года. Вопросы о времени, нагрузке, зарплате, обучении и доверии задавали только тем, кто использует ИИ в работе. Если пересчитать, это 64% выборки, то есть около 1000 человек; все дальнейшие проценты считаются только от этой группы.</p><p>У данных есть естественные ограничения. Это самооценка: респонденты сами судят, сколько времени экономят, и никто этого не замерял. SuperJob не раскрывает на странице исследования способ отбора респондентов, профессии участников и то, какие именно инструменты считались «инструментами на основе ИИ». Выводы о разработчиках из этих цифр напрямую не следуют.</p><h2>Кто пользуется ИИ чаще?</h2><p>Активнее всего ИИ используют молодые и хорошо оплачиваемые сотрудники. Среди мужчин доля пользователей выше, чем среди женщин, а среди обладателей вузовских дипломов — чуть выше, чем среди выпускников колледжей. Самый большой разрыв между возрастными группами: 79% среди тех, кто моложе 35 лет, против 53% в группе 45 лет и старше.</p><p>Доля офисных сотрудников, использующих ИИ в работе</p><table><thead><tr><th>Группа</th><th>Используют ИИ</th></tr></thead><tbody><tr><td>Все опрошенные</td><td>64%</td></tr><tr><td>Мужчины</td><td>69%</td></tr><tr><td>Женщины</td><td>58%</td></tr><tr><td>До 35 лет</td><td>79%</td></tr><tr><td>35–44 года</td><td>65%</td></tr><tr><td>45 лет и старше</td><td>53%</td></tr><tr><td>Высшее образование</td><td>61%</td></tr><tr><td>Среднее профессиональное</td><td>55%</td></tr><tr><td>Зарплата до 100 тыс. рублей</td><td>53%</td></tr><tr><td>Зарплата 100–150 тыс. рублей</td><td>63%</td></tr><tr><td>Зарплата от 150 тыс. рублей</td><td>70%</td></tr></tbody></table><p>Связь с доходом SuperJob формулирует так: «Чем больше человек зарабатывает, тем чаще он работает с ИИ». Опрос показывает только совпадение, а направление связи из него не видно: высокооплачиваемые специалисты могут чаще работать с задачами, где ИИ применим, и им может быть проще позволить себе платные инструменты.</p><h2>Куда уходит сэкономленное время?</h2><p>У большинства сэкономленное время не превращается ни в меньшую нагрузку, ни в больший доход. На типовые задачи стало уходить меньше времени у 64% пользователей ИИ, у 20% ничего не изменилось, а у 4% затраты времени даже выросли. Последние объясняют это так: «За ИИ нужно все проверять».</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/44494a6d-fb6d-4f2f-99ff-310e22e7ea0a.webp" alt="Столбчатая диаграмма. Время на типовые задачи: уменьшилось у 64%, не изменилось у 20%, увеличилось у 4%. Рабочая нагрузка: 29%, 43% и 10%. Зарплата: 5%, 77% и 5%" /><figcaption>Ответы офисных сотрудников, использующих ИИ в работе; остальные затруднились ответить. График: Tproger по данным опроса SuperJob (19 октября – 6 ноября 2026 года)</figcaption></figure><p>С нагрузкой картина уже другая: она уменьшилась у 29%, не изменилась у 43% и выросла у 10%. Комментарий из последней группы: «Сократили сроки и увеличили количество задач». Ещё 18% затруднились ответить.</p><p>Зарплата не изменилась у 77%. Рост отметили 5%, и столько же сообщили о снижении дохода. Причины снижения в комментариях две. Первая: «ИИ оплачиваю за свой счёт, так что можно сказать, что зарплата сократилась». Вторая, судя по реплике, связана с оплатой по проектам: «Считается, что времени на проект трачу меньше».</p><p>Арифметика получается такая: из каждых 100 сотрудников, работающих с ИИ, 64 экономят время, 29 разгрузились, а прибавку получили 5. По нашей оценке, выгода от ускорения чаще остаётся у работодателя или превращается в дополнительные задачи.</p><h2>Кто платит за обучение и насколько ИИ доверяют?</h2><p>Учатся в основном сами. За последние 2 года работе с новыми технологиями учились 53% пользователей ИИ: 25% за свой счёт, 23% на бесплатных курсах. Работодатель полностью оплатил обучение 4%, ещё 1% разделили расходы с компанией. Не учились вовсе 47%.</p><p>Доверие к инструментам сдержанное. По пятибалльной шкале, где 1 значит «совсем не доверяю», а 5 — «полностью доверяю», средняя оценка составила 3,3. Нейтральную «тройку» поставили 54%, высокие оценки (4 и 5) поставили 35%, низкие (1 и 2) — 9%. Полностью доверяют ИИ 6% пользователей.</p><h2>Как это соотносится с данными о разработчиках?</h2><p>В индустрии разработки проникновение ИИ выше, но с измерением отдачи те же трудности. По опросу JetBrains <a href="https://blog.jetbrains.com/research/2026/11/state-of-developer-ecosystem-2026/">State of Developer Ecosystem 2026</a> (28 945 разработчиков из 198 стран и регионов, май–июль 2026 года), больше половины работающих разработчиков используют ИИ-агентов более чем в 60% рабочих задач. Это исследование с иной выборкой и методикой, поэтому напрямую сравнивать проценты с SuperJob нельзя.</p><p>Показательна часть про руководителей. Чистый выигрыш во времени считают информативным 39% технических менеджеров, но отслеживают его только 28%; расход токенов отслеживают в организациях 51% технических менеджеров. То есть об измерении той самой экономии времени, о которой говорят сотрудники в опросе SuperJob, сообщило меньше трети опрошенных менеджеров. По нашей оценке, пока её не измеряют, трудно ожидать, что она отразится в зарплате.</p><h2>Что с этим делать разработчику?</h2><p>По нашей оценке, из опроса следуют три практических шага.</p><ol><li>Замеряйте свою экономию сами: какие задачи и насколько ускорились с ИИ. На ревью зарплаты цифра по вашим задачам убедительнее общего «я использую ИИ».</li><li>Если платите за подписки и токены из своего кармана, поднимите вопрос о компенсации. Опрос показывает, что часть сотрудников воспринимает такие расходы как снижение дохода. Сократить счёт помогает выбор подходящей модели; об этом наш разбор того, <a href="https://tproger.ru/articles/anthropic-obyasnila-kakuyu-model-claude-i-kakoj-effort-stavit">какую модель Claude и какой effort ставить на задачу</a>.</li><li>Закладывайте время на проверку. Реплика «за ИИ нужно все проверять» описывает реальную статью расходов; как её сократить, мы разбирали в материале о том, <a href="https://tproger.ru/articles/kak-proverit-kod-kotoryj-napisal-ii">как проверить код, который написал ИИ</a>.</li></ol><p>Опрос фиксирует состояние на осень 2026 года и не отвечает на главный вопрос: изменится ли распределение выгоды, когда работодатели начнут считать экономию времени. Данных о динамике по сравнению с прошлыми годами в исследовании SuperJob нет, так что судить, сдвигается ли баланс, пока не по чему.</p><p>Источники: <a href="https://www.superjob.ru/research/articles/116056/ii-ekonomit-rabochee-vremya/">SuperJob: ИИ экономит рабочее время, но не влияет на зарплату</a>, <a href="https://blog.jetbrains.com/research/2026/11/state-of-developer-ecosystem-2026/">JetBrains: The State of Developer Ecosystem 2026</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Нейросети для автоматических субтитров в 2026 году: цены 9 сервисов</title>
      <link>https://tproger.ru/articles/nejroseti-dlya-avtomaticheskih-subtitrov-v-2026-godu-ceny-8-servi</link>
      <comments>https://tproger.ru/articles/nejroseti-dlya-avtomaticheskih-subtitrov-v-2026-godu-ceny-8-servi?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/nejroseti-dlya-avtomaticheskih-subtitrov-v-2026-godu-ceny-8-servi</guid>
      <description><![CDATA[<p>Сравнили 9 сервисов субтитров: бесплатные лимиты, минута от $0,024 (Kapwing) до $0,20 (Maestra), рублёвый тариф у «Войси», локальный whisper.cpp. Ноябрь 2026.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/nejroseti-dlya-avtomaticheskih-subtitrov-v-2026-godu-ceny-8-servi">Нейросети для автоматических субтитров в 2026 году: цены 9 сервисов</a>»</p>]]></description>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Подборки]]></category>
      <category><![CDATA[Нейронные сети]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Видео]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 15:43:25 GMT</pubDate>
      <content:encoded><![CDATA[<p>Нейросеть готовит субтитры за минуты: распознаёт речь, расставляет таймкоды, переводит текст и при желании вшивает его в кадр. 16 ноября 2026 года мы проверили тарифы 9 сервисов и документацию 5 открытых инструментов, выписали бесплатные лимиты, цену минуты и доступность с российского IP-адреса.</p><p>Платить нужно не всегда. <a href="https://support.google.com/youtube/answer/6373554?hl=ru">YouTube</a> создаёт автоматические субтитры бесплатно, в том числе на русском, а открытый <a href="https://github.com/ggml-org/whisper.cpp">whisper.cpp</a> делает SRT-файл на своём компьютере без лимитов. Платные сервисы берут деньги за перевод, анимированные стили для коротких роликов и удобный редактор для правки.</p><ul><li>Бесплатно: автоматические субтитры YouTube, 10 минут в месяц у VEED, разовый запас до 10 минут у Kapwing и Happy Scribe, первый файл на сайте и 45 минут в ботах у «Войси», без лимитов локально через whisper.cpp и Subtitle Edit.</li><li>У сервисов с поминутными квотами минута субтитров стоит от $0,024 у Kapwing Pro (1 000 минут за $24 с участника) до $0,20 у Maestra (60 минут за $12 без подписки), а у Submagic с оплатой за ролики выходит около $0,63; в середине шкалы — «Войси» (500 ₽ за час, около $0,101), Maestra Basic ($0,108) и Happy Scribe Basic ($0,142), расчёт Tproger по тарифам на 16 ноября 2026 года.</li><li>VEED на платных тарифах не считает минуты: автоматические субтитры безлимитные с порогом добросовестного использования 50 часов в месяц, Creator стоит $25 в месяц.</li><li>Перевод субтитров обычно считается отдельно: у Kapwing Pro это до 500 минут в месяц, у Maestra перевод расходует вдвое больше кредитов, чем субтитры на языке оригинала.</li><li>Сайты CapCut, VEED, Kapwing, Maestra, Descript и Submagic 16 ноября 2026 года открылись с российского IP-адреса; Happy Scribe автоматическую проверку не прошёл из-за защиты от ботов.</li></ul><h2>Как нейросеть делает субтитры и где она ошибается?</h2><p>Нейросеть распознаёт речь с таймкодами, разбивает текст на строки, переводит его и при необходимости вшивает в видео, а ошибается чаще всего на именах, терминах, акцентах и фоновом шуме. Ядро четырёх из пяти открытых инструментов в подборке — модель Whisper от OpenAI (ещё один редактор, Subtitle Edit, умеет переключаться и на другие движки вроде Qwen3 ASR и Google Chirp): её <a href="https://github.com/openai/whisper">репозиторий</a> собрал 112 807 звёзд на GitHub.</p><ol><li><b>Распознавание.</b> Модель превращает звук в текст и отмечает время каждой фразы. Ошибается на именах, терминах, акцентах и там, где говорят одновременно.</li><li><b>Нарезка и тайминг.</b> Текст делится на строки, удобные для чтения. Для коротких вертикальных роликов нужен тайминг по словам: его даёт, например, открытый WhisperX.</li><li><b>Перевод.</b> Готовые строки переводятся на другой язык. Тайминг при этом сохраняется, а длина строк меняется.</li><li><b>Экспорт.</b> Субтитры сохраняются отдельным файлом SRT или VTT либо вшиваются в картинку. Вшитые субтитры зритель отключить не может, зато они работают в любой соцсети.</li></ol><p>YouTube в справке прямо предупреждает, что качество автоматических субтитров может быть разным: речь распознаётся неверно из-за произношения, акцента, диалекта и фонового шума. Это справедливо для любого сервиса из подборки, поэтому вычитка перед публикацией остаётся обязательным шагом. Если нужен только текст без таймкодов, смотрите наш <a href="https://tproger.ru/articles/top-ii-instrumentov-dlya-transkribacii-mitingov--video-i-vseh-audio-formatov">обзор сервисов транскрибации</a>.</p><h2>Сколько стоят автоматические субтитры в 2026 году?</h2><p>Бесплатный лимит у VEED, Kapwing и Happy Scribe — 10 минут (у VEED каждый месяц, у двух других разово), а платная подписка при помесячной оплате начинается с $17 у Happy Scribe, $19 у Submagic и $24–25 у Kapwing и VEED. Цены взяты со страниц тарифов и справки сервисов 16 ноября 2026 года; первой указана стоимость за месяц без годовой оплаты, у VEED, Kapwing и Submagic — за одного участника.</p><p>Сервисы автоматических субтитров: цены на 16 ноября 2026 года</p><table><thead><tr><th>Сервис</th><th>Бесплатно</th><th>Младший платный тариф</th><th>Перевод субтитров</th><th>Сайт с российского IP</th></tr></thead><tbody><tr><td>YouTube</td><td>Автоматические субтитры для загруженных видео</td><td>Нет</td><td>Не входит в автоматические субтитры</td><td>Не проверяли</td></tr><tr><td>Яндекс Браузер</td><td>Субтитры для любого видео при просмотре</td><td>Нет</td><td>Перевод слов по клику</td><td>Российский сервис</td></tr><tr><td>Happy Scribe</td><td>10 минут разово, экспорт в SRT</td><td>Basic, $17 в месяц, 120 минут в месяц ($8,50 при годовой оплате, 1 440 минут на год)</td><td>Входит в минуты тарифа</td><td>Проверить не удалось: защита от ботов</td></tr><tr><td>Maestra</td><td>Пробный доступ</td><td>60 минут за $12 без подписки; Basic, $39 в месяц при годовой оплате, 360 минут</td><td>Вдвое дороже в кредитах: 30 минут за $12</td><td>Открылся</td></tr><tr><td>«Войси» (Voicee)</td><td>Первый файл на сайте, 45 минут в ботах</td><td>60 минут за 500 ₽ без подписки; подписка «Плюс» — 1 790 ₽ в месяц (около 240 минут)</td><td>Входит в стоимость (отдельной обработкой)</td><td>Российский сервис</td></tr><tr><td>CapCut</td><td>Автоматические субтитры в редакторе, приложение бесплатное</td><td>Не указано на странице инструмента</td><td>Заявлен на странице инструмента</td><td>Открылся</td></tr><tr><td>VEED</td><td>10 минут в месяц, без скачивания файла субтитров</td><td>Creator, $25 в месяц с участника ($12,25 при годовой оплате), безлимит с порогом 50 часов в месяц</td><td>50+ языков в Pro за $45 ($22,08 при годовой); на Free и Creator — 1 пробный перевод</td><td>Открылся</td></tr><tr><td>Kapwing</td><td>Разово до 10 минут субтитров и до 5 минут перевода</td><td>Pro, $24 в месяц с участника ($16 при годовой оплате), до 1 000 минут</td><td>60+ языков, до 500 минут в месяц в Pro</td><td>Открылся</td></tr><tr><td>Submagic</td><td>Не указано</td><td>Starter, $19 в месяц с участника ($12 при годовой оплате), 15 видео до 2 минут</td><td>Для Starter не указан</td><td>Открылся</td></tr></tbody></table><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/366ccc3e-6d84-43f2-9de2-4d8a621cc982.webp" alt="Горизонтальная диаграмма: цена минуты автоматических субтитров у Kapwing, «Войси», Maestra и Happy Scribe" /><figcaption>Цена минуты автоматических субтитров, $: у «Войси» пакет 500 ₽ за 60 минут (около 8,33 ₽ за минуту) пересчитан по курсу ЦБ РФ 82,15 ₽ за доллар на 16 ноября 2026 года; у Kapwing Pro и Happy Scribe Basic показана помесячная оплата, у Maestra Basic — годовая, у остальных — разовые пакеты и доп. минута. График: Tproger по данным страниц тарифов сервисов, 16 ноября 2026 года</figcaption></figure><p>Разброс на порядок объясняется тем, что именно продаёт сервис. Kapwing и VEED — видеоредакторы, для которых субтитры служат одной из многих функций: у Kapwing они расходуют общие кредиты, у VEED на платных тарифах не лимитируются. Happy Scribe, Maestra и «Войси» — сервисы расшифровки и субтитров с веб-редактором таймкодов и экспортом в SRT и VTT; при этом Maestra ($12 за 60 минут) и «Войси» (500 ₽ за 60 минут) позволяют докупать разовые пакеты минут без подписки. Submagic тарифицирует количество роликов: 15 видео длиной до 2 минут в месяц за $19, то есть около $0,63 за минуту при полной загрузке.</p><h2>Какой сервис выбрать под свою задачу?</h2><p>Выбор зависит от формата ролика: длинное видео для YouTube, короткий вертикальный клип с анимированными подписями или фильм, которому нужен файл SRT на нескольких языках.</p><p><b>YouTube.</b> Самый простой вариант, если ролик и так публикуется на YouTube. По <a href="https://support.google.com/youtube/answer/6373554?hl=ru">справке сервиса</a>, автоматические субтитры создаются для обычных и коротких видео на десятках языков, включая русский. Сервис советует использовать их, только когда нет возможности сделать субтитры вручную, и проверять перед публикацией.</p><p><b>Яндекс Браузер.</b> Вариант для зрителя: на <a href="https://browser.yandex.ru/">странице браузера</a> заявлено, что он генерирует субтитры для любого видео и переводит незнакомые слова по клику. Файл субтитров для своего ролика так не получить.</p><p><b>Happy Scribe.</b> Специализированный сервис расшифровки и субтитров на 150+ языках и диалектах. <a href="https://www.happyscribe.com/pricing">Бесплатный тариф</a> даёт 10 минут для загруженных файлов и экспорт с водяным знаком (карточка тарифа перечисляет DOCX, TXT, SRT и MP4, а сравнительная таблица ниже гарантирует только TXT и SRT). Basic стоит $17 в месяц и даёт 120 минут в месяц, при годовой оплате — $8,50 в месяц и 1 440 минут на год. Pro — $29 и 600 минут в месяц или $19 в месяц и 7 200 минут на год. Дополнительная минута стоит $0,20, а вычитка человеком — от $2 за минуту.</p><p><b>Maestra.</b> Сервис субтитров и перевода с оплатой без подписки: по <a href="https://maestra.ai/pricing">странице тарифов</a>, 60 кредитов за $12 дают 60 минут субтитров или 30 минут субтитров с переводом. Подписка Basic за $39 в месяц при годовой оплате включает 360 минут субтитров или 180 минут с переводом, словарь терминов и импорт готовых субтитров; Premium за $79 — 900 и 450 минут.</p><p><b>«Войси» (Voicee).</b> Российский сервис расшифровки и субтитров. По <a href="https://voicee.ru/tools/subtitles">странице инструмента</a>, распознаёт 55 языков с разделением по спикерам, принимает файлы и ссылки на YouTube, VK Видео, Rutube и облачные диски. В онлайн-редакторе субтитров правят текст и таймкоды (можно загрузить и свой SRT), переводят реплики, скачивают SRT, VTT, ASS и LRC или вшивают в MP4. По <a href="https://voicee.ru/price">тарифам</a> бесплатный старт разовый (первый файл на сайте и 45 минут в ботах); далее час — 500 ₽ или 1 790 ₽ в месяц в «Плюс» (около 4 часов). Сам видеоряд сервис не режет: для монтажа сцен субтитры выгружают в SRT или ASS.</p><p><b>CapCut.</b> Видеоредактор с автоматическими субтитрами. На <a href="https://www.capcut.com/tools/auto-caption-generator">странице инструмента</a> сказано, что речь преобразуется в текст бесплатно и переводится на другие языки. Удобен для коротких роликов, которые монтируются в том же приложении; полный список ограничений бесплатной версии на странице не приведён.</p><p><b>VEED.</b> Онлайн-редактор с безлимитными субтитрами на платных тарифах (порог добросовестного использования — 50 часов в месяц). По <a href="https://www.veed.io/pricing">странице тарифов</a>, бесплатный план даёт 10 минут автоматических субтитров в месяц, ставит водяной знак и не позволяет скачать файл субтитров. Creator стоит $25 в месяц или $12,25 при годовой оплате и открывает скачивание файла. Перевод на 50+ языков на постоянной основе начинается с Pro за $45 в месяц ($22,08 при годовой оплате), причём минуты перевода считаются отдельно за каждый язык; на Free и Creator справка сервиса допускает один пробный перевод.</p><p><b>Kapwing.</b> Редактор с самой низкой ценой минуты среди сервисов подборки с поминутными квотами. На <a href="https://www.kapwing.com/pricing">бесплатном тарифе</a> доступно до 10 минут субтитров и до 5 минут перевода, это разовый запас кредитов. Pro за $24 в месяц с участника ($16 при годовой оплате, по <a href="https://www.kapwing.com/help/subscription-faq-2/">справке сервиса</a>) даёт до 1 000 минут субтитров и до 500 минут перевода на 60+ языков в месяц; Business за $64 ($50 при годовой оплате) — 4 000 и 2 000 минут. Лимиты идут из общего пула кредитов, который тратится и на дубляж, и на озвучку.</p><p><b>Submagic.</b> Инструмент для коротких вертикальных роликов: анимированные подписи по словам, автоматическая нарезка, заголовки-крючки. По <a href="https://www.submagic.co/pricing">странице тарифов</a>, Starter стоит $19 в месяц с участника или $12 при годовой оплате и даёт 45 кредитов: это 15 видео длиной до 2 минут с экспортом в 1080p без водяного знака. Старший тариф Pro стоит $23 в месяц при годовой оплате.</p><p>В редакторе <a href="https://www.descript.com/pricing">Descript</a> субтитры тоже есть: динамические подписи не ограничены по числу, а перевод субтитров заявлен на 61 язык. Его мы подробно разбирали в <a href="https://tproger.ru/articles/nejroseti-dlya-dublyazha-i-perevoda-video-v-2026-godu-ceny-8-servi">подборке нейросетей для дубляжа видео</a>.</p><h2>Как сделать субтитры бесплатно на своём компьютере?</h2><p>Бесплатный и безлимитный путь — <a href="https://github.com/ggml-org/whisper.cpp">whisper.cpp</a>, перенос модели Whisper на C и C++: 55 245 звёзд на GitHub на 16 ноября 2026 года, лицензия MIT. Он работает без Python и без отправки файла в облако. Программа принимает 16-битный WAV, поэтому звук сначала приводят к нужному формату командой из README:</p><p>Дальше нужно скачать модель, собрать программу и запустить распознавание. Многоязычная модель base подходит для пробы; ключ -l задаёт язык речи, а -osrt сохраняет результат в файл SRT:</p><p>У программы есть и ключ -tr, но он переводит только на английский. Для перевода на русский готовый SRT проще открыть в редакторе субтитров.</p><p>Тем, кому не хочется работать в терминале, подойдёт <a href="https://github.com/SubtitleEdit/subtitleedit">Subtitle Edit</a> — открытый редактор субтитров под лицензией MIT с 15 020 звёздами. Он работает на Windows и Linux, а сторонние сервисы перевода, распознавания речи и озвучки подключаются в нём по желанию. Ещё 2 проекта пригодятся разработчикам: <a href="https://github.com/SYSTRAN/faster-whisper">faster-whisper</a> (26 798 звёзд) ускоряет Whisper через CTranslate2, а <a href="https://github.com/m-bain/whisperX">WhisperX</a> (25,4 тыс. звёзд) добавляет таймкоды по словам и разделение спикеров; для разделения спикеров ему нужен токен Hugging Face.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-17/679e220b-c493-42b3-b8fd-5e447d7c25c5.webp" alt="Горизонтальная диаграмма: число звёзд на GitHub у Whisper, whisper.cpp, faster-whisper, WhisperX и Subtitle Edit" /><figcaption>Звёзды на GitHub у открытых инструментов для субтитров, тыс. График: Tproger по данным GitHub, 16 ноября 2026 года</figcaption></figure><h2>Что из этого работает в России?</h2><p>С российского IP-адреса 16 ноября 2026 года открылись сайты CapCut, VEED, Kapwing, Maestra, Descript и Submagic. Happy Scribe автоматическую проверку не прошёл: сайт показал нашему серверу страницу защиты от ботов, по которой нельзя судить о доступности для обычного браузера. Регистрацию и оплату проверка не покрывает.</p><p>Зарубежные сервисы из таблицы выставляют цены в долларах, а карты Visa и Mastercard российских банков за рубежом с марта 2022 года не принимаются. Один из рабочих вариантов оплаты разобран в материале <a href="https://tproger.ru/articles/virtualnaya-karta-inostrannogo-banka-dlya-rossiyan-kak-ya-vypuskal">о виртуальной карте иностранного банка</a>. Без иностранной карты доступны рублёвые тарифы российских сервисов, например «Войси», бесплатные лимиты зарубежных платформ, субтитры в Яндекс Браузере и открытые инструменты: whisper.cpp и Subtitle Edit работают без подписки и регистрации.</p><h2>С чего начать, если субтитры нужны сегодня?</h2><ol><li>Определите формат. Длинное видео для YouTube — автоматические субтитры платформы с ручной вычиткой. Короткий вертикальный ролик с монтажом — CapCut или Submagic. Отдельный файл SRT или VTT для фильма, лекции или интервью — локальный whisper.cpp, Happy Scribe, Maestra либо «Войси» (если нужна загрузка по ссылке с VK Видео и Rutube).</li><li>Проверьте русский язык на бесплатном лимите: возьмите фрагмент с именами, цифрами и терминами и сравните результат двух сервисов.</li><li>Вычитайте текст до перевода. Ошибка распознавания при переводе превращается в бессмыслицу, которую труднее заметить.</li><li>Решите, вшивать ли субтитры. Для соцсетей вшитые подписи надёжнее, для YouTube и онлайн-курсов лучше отдельный файл: его можно отключить и перевести.</li><li>Посчитайте объём. Разовую задачу и до 10 минут в месяц у VEED закрывают бесплатные лимиты, нерегулярные длинные записи без подписки удобнее оплачивать разовыми пакетами минут в Maestra или «Войси», а десятки часов каждый месяц — на подписке Kapwing Pro, VEED Creator или локально через whisper.cpp.</li></ol><p>Чтобы вшить готовый SRT в картинку без видеоредактора, хватит FFmpeg: в <a href="https://ffmpeg.org/ffmpeg-filters.html#subtitles-1">документации фильтра subtitles</a> описано, как наложить файл субтитров на видео.</p><p>Если после субтитров понадобится озвучить перевод голосом, продолжение в нашей <a href="https://tproger.ru/articles/nejroseti-dlya-dublyazha-i-perevoda-video-v-2026-godu-ceny-8-servi">подборке нейросетей для дубляжа</a>.</p><p>Источники: <a href="https://support.google.com/youtube/answer/6373554?hl=ru">Справка YouTube: об автоматических субтитрах</a>, <a href="https://browser.yandex.ru/">Яндекс Браузер</a>, <a href="https://www.happyscribe.com/pricing">Happy Scribe: Pricing</a>, <a href="https://maestra.ai/pricing">Maestra: Pricing</a>, <a href="https://voicee.ru/tools/subtitles">Войси: автоматические субтитры</a>, <a href="https://voicee.ru/price">Войси: тарифы</a>, <a href="https://www.capcut.com/tools/auto-caption-generator">CapCut: Auto Caption Generator</a>, <a href="https://www.veed.io/pricing">VEED: Pricing</a>, <a href="https://www.veed.io/pricing/index.html.md">VEED: тарифы, текстовая версия</a>, <a href="https://www.kapwing.com/pricing">Kapwing: Pricing</a>, <a href="https://www.kapwing.com/help/subscription-faq-2/">Kapwing Help Center: Pro vs Business Plan FAQ</a>, <a href="https://www.submagic.co/pricing">Submagic: Pricing</a>, <a href="https://www.descript.com/pricing">Descript: Pricing</a>, <a href="https://github.com/ggml-org/whisper.cpp">GitHub: ggml-org/whisper.cpp</a>, <a href="https://github.com/openai/whisper">GitHub: openai/whisper</a>, <a href="https://github.com/SubtitleEdit/subtitleedit">GitHub: SubtitleEdit/subtitleedit</a>, <a href="https://github.com/SYSTRAN/faster-whisper">GitHub: SYSTRAN/faster-whisper</a>, <a href="https://github.com/m-bain/whisperX">GitHub: m-bain/whisperX</a>, <a href="https://ffmpeg.org/ffmpeg-filters.html#subtitles-1">FFmpeg: фильтр subtitles</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Число успешных кибератак на российские организации выросло на 40% за год</title>
      <link>https://tproger.ru/news/chislo-uspewnyh-kiberatak-na-rossijskie-organizacii-vyroslo-na-40</link>
      <comments>https://tproger.ru/news/chislo-uspewnyh-kiberatak-na-rossijskie-organizacii-vyroslo-na-40?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/news/chislo-uspewnyh-kiberatak-na-rossijskie-organizacii-vyroslo-na-40</guid>
      <description><![CDATA[<p>Positive Technologies насчитала 605 успешных атак за год против 433. Трояны удалённого управления вытесняют шифровальщики, растут атаки через подрядчиков.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/news/chislo-uspewnyh-kiberatak-na-rossijskie-organizacii-vyroslo-na-40">Число успешных кибератак на российские организации выросло на 40% за год</a>»</p>]]></description>
      <category><![CDATA[Безопасность]]></category>
      <category><![CDATA[Россия]]></category>
      <category><![CDATA[Кибербезопасность]]></category>
      <category><![CDATA[Новости]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 15:43:13 GMT</pubDate>
      <content:encoded><![CDATA[<p>Positive Technologies 16 ноября опубликовала исследование <a href="https://ptsecurity.com/research/analytics/russia-cyberthreat-landscape-2027/">PT Vector 2027</a>: с октября 2025 года по сентябрь 2026 года компания насчитала 605 успешных кибератак на российские организации против 433 за предыдущие 12 месяцев — рост на 40%. Атакующие всё реже шифруют данные сразу и всё чаще надолго закрепляются в сети с помощью троянов удалённого управления, а в инфраструктуру заходят через украденные учётные записи, подрядчиков и отечественное ПО.</p><p>Для разработчиков в отчёте есть отдельный неприятный вывод. ИТ-компании хранят пароли, ключи и доступы к сетям заказчиков, поэтому взлом одного подрядчика открывает дорогу сразу ко многим клиентам. У таких компаний уносят исходный код и дампы Git, в которых потом ищут уязвимости и забытые токены. Это оценки одного вендора средств защиты по собственной базе инцидентов, но они хорошо показывают, что проверить в своих репозиториях и CI/CD.</p><ul><li>605 успешных атак на российские организации за 12 месяцев против 433 годом ранее; прогноз Positive Technologies на календарный 2027 год: плюс 30–40% к 2026 году.</li><li>Среди атак с вредоносным ПО доля троянов удалённого управления выросла с 52% до 62%, доля шифровальщиков упала с 35% до 24%.</li><li>Доля атак с украденными учётными данными выросла с 9% до 13%, а с использованием легального ПО — с 8% до 11%.</li><li>Число атак, в которых ресурсы уже взломанной компании использовали для дальнейших атак, выросло в три раза.</li><li>На ИТ-компании пришлось 6% атак; в 67% случаев у них похищали конфиденциальную информацию, включая исходный код.</li></ul><h2>Как считали и почему 605 атак нельзя читать как «все атаки»?</h2><p>В отчёт попали только успешные атаки — инциденты с негативными последствиями для организации. За период с 1 октября 2025 года по 30 сентября 2026 года исследователи проанализировали 605 таких атак и 709 объявлений на теневых площадках; атаки на частных лиц не учитывались. Данные собрали из расследований и проектов самой Positive Technologies, анализа теневых форумов и открытых сообщений.</p><p>У метода есть три оговорки, которые авторы называют сами. Во-первых, большинство атак, по их оценке, не предаётся огласке, поэтому точное число инцидентов подсчитать невозможно. Во-вторых, массовая фишинговая рассылка на множество адресатов считается за одну атаку — как и волна однотипных атак одной группировки на конкретную отрасль. Наконец, доли методов сравниваются с прошлогодним исследованием CODE RED 2026, где период наблюдения был другим: с 1 июля 2024 года по 26 сентября 2025 года. Иначе говоря, число 605 показывает нижнюю границу и динамику, а полного масштаба никто не знает.</p><p>По данным компании, на Россию пришлось 73% успешных атак на организации в странах СНГ и 14–15% в мире, а в каждом квартале инцидентов было больше, чем в соответствующем квартале годом ранее. Причины роста авторы видят в расширении цифровой инфраструктуры, в рынке готовых киберпреступных услуг и в геополитической напряжённости.</p><h2>Чем атакуют: что изменилось за год?</h2><p>Главные инструменты прежние, но их доля снижается. Вредоносное ПО использовали в 67% успешных атак (годом ранее — в 71%), социальную инженерию — в 56% (было 60%), эксплуатацию уязвимостей — в 24% (было 28%). Растут более тихие приёмы: вход по украденным или подобранным учётным данным и использование легальных программ, средств удалённого управления и системных утилит, уже после проникновения.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/67990300-b635-40c0-ab05-138e7bf05da8.webp" alt="Столбчатая диаграмма: вредоносное ПО 71% и 67%, социальная инженерия 60% и 56%, эксплуатация уязвимостей 28% и 24%, компрометация учётных данных 9% и 13%, легальное ПО 8% и 11%" /><figcaption>Доля успешных атак на российские организации, в которых применялся метод; одна атака может сочетать несколько методов. График: Tproger по данным Positive Technologies (PT Vector 2027)</figcaption></figure><p>Вход по чужому логину и паролю авторы считают трудным для обнаружения: он не требует ни эксплойта, ни запуска вредоносного файла. У финансово мотивированных группировок доля таких атак выросла с 10% до 24%. Учётные данные берут из утечек, покупают на теневых площадках или подбирают перебором.</p><p>Внутри вредоносного ПО лидер укрепился. Трояны удалённого управления (RAT), которые дают контроль над заражённым узлом и позволяют красть данные и двигаться по сети, встречались в 62% таких атак против 52% годом ранее. Доля шифровальщиков снизилась с 35% до 24%. При этом вымогатели никуда не делись: финансово мотивированные группировки, по данным отчёта, провели почти столько же атак с шифровальщиками, сколько годом ранее.</p><p>Среди уязвимостей заметны старые знакомые. Чаще всего в документах-приманках встречался эксплойт для CVE-2017-11882 в редакторе формул Microsoft Office, закрытой ещё в 2017 году. На периметре атаковали Atlassian Confluence, Microsoft SharePoint, Ivanti Endpoint Manager Mobile и почтовые серверы Zimbra, не обновлявшиеся с 2024 года.</p><h2>Почему под ударом отечественное ПО и подрядчики?</h2><p>Отечественные продукты и сервисы использовались не менее чем в 4% успешных атак: через них получали первоначальный доступ, доставляли и запускали вредоносный код. Авторы объясняют риск так: в ряде классов ПО выбор российских продуктов ограничен, в одной отрасли стоят одинаковые системы, и одна уязвимость позволяет скомпрометировать сразу несколько организаций.</p><ul><li><b>ViPNet.</b> Как минимум с мая 2026 года кибершпионы атаковали крупные организации через механизм обновления: вредоносные обновления приходили от скомпрометированного управляющего узла смежной доверенной сети.</li><li><b>TrueConf.</b> Группировка PhantomCore эксплуатировала уязвимости серверов видеоконференцсвязи на периметре и подменяла клиентский дистрибутив версией с бэкдором. В разобранном инциденте атакующие скомпрометировали около 20 узлов и 25 учётных записей; причиной стала устаревшая версия сервера.</li><li><b>«1С:Предприятие».</b> Группировка Bearlyfy загружала на серверы вредоносные внешние обработки и использовала ошибки конфигурации кластера, позволявшие выполнять код без аутентификации.</li><li><b>«Битрикс».</b> Группировка GOFFEE, проникнув в инфраструктуру промышленной компании, изменила код сервисов на базе «Битрикс», чтобы скрытно собирать учётные данные пользователей.</li></ul><p>Через подрядчиков, поставщиков ПО и доверенные каналы связи начиналось около 4% успешных атак, и фактическая доля, как оговариваются авторы, может быть выше: пострадавшие не всегда раскрывают способ проникновения. У финансово мотивированных группировок эта доля выросла с 4% до 9%. Отдельная цифра показывает обратную сторону: число инцидентов, в которых ресурсы уже взломанной организации использовали для дальнейших атак, выросло в три раза. С чужих серверов раздают вредоносное ПО, а с чужой почты пишут клиентам и партнёрам, которые привыкли этому адресу доверять.</p><h2>Что отчёт говорит об ИТ-компаниях?</h2><p>ИТ-сектор опустился с третьего на четвёртое место среди самых атакуемых отраслей, уступив телекому: на него пришлось 6% успешных атак. Впереди промышленность (17%), госучреждения (10%) и телекоммуникации (9%). Число инцидентов в ИТ выросло на 18% при общем росте на 40%. Однако снижение в рейтинге не означает меньшего риска: характер последствий делает эти атаки опасными для клиентов.</p><ul><li>В 67% атак на ИТ-компании происходила утечка конфиденциальной информации. Выгружали клиентские базы, учётные данные, цифровые сертификаты и исходный код продуктов, развёрнутых у заказчиков.</li><li>В марте 2026 года группировка DC8044 опубликовала полный дамп Git одного из российских производителей систем хранения данных объёмом около 112 ГБ. По такому дампу, пишут авторы, можно искать уязвимости в коде, а в истории коммитов — оставленные пароли, ключи и токены.</li><li>В июне 2026 года группировка AuditTeam выложила выгрузку из GitLab одного из разработчиков ПО вместе с учётными данными сетевых устройств и сертификатами заказчиков.</li><li>В 13% атак на отрасль ресурсы взломанной ИТ-компании использовали для других атак. Ещё 8% инцидентов начались с партнёров и подрядчиков самих ИТ-компаний.</li><li>Доля атак, нарушивших работу ИТ-компаний, снизилась с 48% до 31%, но половина таких инцидентов затронула сервисы для клиентов; авторы сравнивают это с общемировым показателем в 25%.</li></ul><p>Авторы напоминают, чем опасна учётная запись разработчика или администратора: через неё можно попасть в репозитории и CI/CD, внедрить вредоносный код в сборки продукта или пройти в инфраструктуру заказчиков. Фишинг под это подстраивают. В июле 2026 года сотрудникам ИТ-компаний рассылали поддельное приглашение на отраслевой форум с архивом, после запуска которого вредоносное ПО создавало задачи в планировщике Windows под видом обновления Microsoft Edge и поднимало на машине SSH-сервер.</p><h2>Как злоумышленники применяют ИИ?</h2><p>По наблюдениям Positive Technologies, генеративный ИИ в атаках на российские организации используют для подготовки приманок и для разработки вредоносных инструментов: загрузчиков, бэкдоров, троянов, скриптов и вайперов. Признаки возможной генерации кода исследователи описывают буднично: избыточные комментарии на английском, типовые имена переменных вроде result, data и output, шаблонные блоки try/except, эмодзи, а в одном инфостилере нашлась строка «generated at», которая, по их словам, может указывать на использование ИИ.</p><p>Прогноз о дипфейках, сделанный годом ранее, не подтвердился: успешных атак на организации с подделкой голоса или видео компания не зафиксировала. Авторы объясняют это тем, что генеративные модели упрощают уже отработанные сценарии, а подделка конкретного руководителя требует разведки и ресурсов. На 2027 год они ждут, что ИИ начнут применять и внутри взломанной сети: для анализа инфраструктуры жертвы и планирования следующих шагов.</p><h2>Что из рекомендаций отчёта стоит сделать команде разработки?</h2><p>В отчёте есть базовый набор из шести мер для организаций с ограниченными ресурсами. Ниже — те из них и из соседних разделов, которые напрямую касаются разработки и эксплуатации.</p><ol><li>Уберите с внешнего периметра сервисы, которым не нужен доступ из интернета, а служебные сервисы откройте через VPN или обратный прокси с аутентификацией.</li><li>Включите двухфакторную аутентификацию для сервисов периметра и ключевых систем; для привилегированного доступа авторы советуют способы, устойчивые к фишингу.</li><li>Обновляйте в первую очередь системы, доступные из интернета; трендовые уязвимости закрывайте сразу, не дожидаясь планового окна.</li><li>Держите токены и ключи сервисных учётных записей в хранилище секретов и проверяйте скрипты, конфигурационные файлы и репозитории на секреты в открытом виде.</li><li>Учитывайте сервисные учётные записи и учётные записи ИИ-агентов как отдельный класс активов: назначение, владелец, срок действия, порядок ротации и отзыва.</li><li>Проверяйте подлинность и целостность дистрибутивов и обновлений перед установкой и тестируйте обновления до применения на рабочих системах.</li><li>Храните данные в трёх экземплярах на носителях двух типов, одну копию вне основной площадки и хотя бы одну офлайн или с защитой от изменения, и регулярно проводите тестовое восстановление.</li></ol><p>По нашей оценке, для небольшой команды самый дешёвый шаг из списка — четвёртый: прогнать по истории репозиториев сканер секретов и отозвать всё найденное. Истории с дампами Git показывают, что в утёкшем репозитории ищут в том числе забытые ключи и токены. Подробный разбор соседней задачи есть в нашем материале о том, <a href="https://tproger.ru/articles/kak-proverit-zavisimosti-proekta-na-uyazvimosti">как проверить зависимости проекта на уязвимости</a>, а о цене хранения всех копий у одного провайдера напоминает <a href="https://tproger.ru/news/beget-vernul-perenos-domenov-ru-i-rf-akkreditaciya-poka-priost">история с Beget</a>.</p><p>К цифрам стоит относиться как к данным заинтересованной стороны: Positive Technologies продаёт средства защиты и услуги расследования, а база инцидентов собрана из её собственных проектов и открытых сообщений. Проверить выборку снаружи нельзя. Прогноз на 2027 год у компании такой: за календарный 2027 год число успешных атак превысит показатель 2026 года на 30–40%, а злоумышленники чаще будут компрометировать внутренние серверы обновлений и системы централизованного управления ПО и атаковать организации с помощью данных, украденных у их контрагентов.</p><p>Источники: <a href="https://ptsecurity.com/research/analytics/russia-cyberthreat-landscape-2027/">Positive Technologies: PT Vector 2027. Актуальные киберугрозы для российских организаций</a>, <a href="https://pt-corp.s3.ru-msk.k2.cloud/uploads/files/PT_Vector_2027_b28a03871b.pdf">PT Vector 2027, полная версия (PDF)</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Самозанятость или ИП для разработчика в 2026 году: считаем на доходах</title>
      <link>https://tproger.ru/articles/samozanyatost-ili-ip-dlya-razrabotchika-v-2026-godu-schitaem-na-do</link>
      <comments>https://tproger.ru/articles/samozanyatost-ili-ip-dlya-razrabotchika-v-2026-godu-schitaem-na-do?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/samozanyatost-ili-ip-dlya-razrabotchika-v-2026-godu-schitaem-na-do</guid>
      <description><![CDATA[<p>Сравниваем НПД, ИП на УСН 6% и АУСН на доходах от 600 тыс. до 12 млн руб. в год: ставки, взносы 57 390 руб., лимит 2,4 млн, порог НДС. Данные ФНС на 16.11.2026.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/samozanyatost-ili-ip-dlya-razrabotchika-v-2026-godu-schitaem-na-do">Самозанятость или ИП для разработчика в 2026 году: считаем на доходах</a>»</p>]]></description>
      <category><![CDATA[Работа]]></category>
      <category><![CDATA[Карьера]]></category>
      <category><![CDATA[Законы]]></category>
      <category><![CDATA[Бизнес]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:56:26 GMT</pubDate>
      <content:encoded><![CDATA[<p>Разработчику, который берёт заказы напрямую, в России доступны два основных статуса: самозанятый на налоге на профессиональный доход (НПД) и ИП на упрощённой системе (УСН). Привычная логика «самозанятость дешевле, ИП серьёзнее» ломается на доходах выше 100 тыс. рублей в месяц: примерно с 1,09 млн рублей в год ИП на УСН 6% отдаёт государству те же 6% дохода, что и самозанятый при работе с компаниями.</p><p>Дальше — расчёты для шести уровней дохода, от 50 тыс. до 1 млн рублей в месяц, и разбор ограничений, которые для разработчика важнее самой ставки: лимит 2,4 млн рублей, выплаты от бывшего работодателя, к которым НПД не применяется, и порог НДС. Все ставки, лимиты и сроки взяты с сайтов ФНС и из текстов законов и проверены 16 ноября 2026 года. Материал носит справочный характер и не заменяет юридическую консультацию.</p><ul><li>НПД: 4% с доходов от физлиц и 6% от компаний и ИП, лимит дохода 2,4 млн рублей в год, обязательных взносов нет. Эксперимент действует до 31 декабря 2028 года.</li><li>ИП на УСН «доходы»: ставка 6% с дохода, налог уменьшается на страховые взносы. В 2026 году это 57 390 рублей плюс 1% с дохода свыше 300 тыс. рублей.</li><li>При годовом доходе от 1 087 800 рублей ИП на УСН 6% без работников платит в сумме ровно 6% дохода; при меньшем доходе его нагрузка выше из-за фиксированных взносов (расчёт Tproger).</li><li>К выплатам от заказчика, который был вашим работодателем менее двух лет назад, НПД не применяется; режим также не подходит, если нужны наёмные сотрудники или доход превысит 2,4 млн рублей.</li><li>НДС разработчика на УСН не касается, пока доход за прошлый год и с начала текущего не превышает 20 млн рублей. После июльских поправок 2026 года этот порог действует по доходам 2025–2028 годов; 15 млн рублей установлены для доходов 2029 года, 10 млн — с 2030 года.</li></ul><h2>Чем НПД, УСН и АУСН отличаются по закону?</h2><p>Главное отличие в том, что считается обязательным платежом. Самозанятый платит только процент с каждого поступления и ничего не должен при нулевом доходе. ИП на УСН перечисляет страховые взносы даже без заказов, зато может уменьшить на них налог. АвтоУСН (АУСН) снимает взносы и почти всю отчётность, но берёт более высокую ставку. Параметры режимов на 2026 год с <a href="https://npd.nalog.ru/">сайта НПД</a> и страниц ФНС об <a href="https://www.nalog.gov.ru/rn77/taxation/taxes/usn/">УСН</a> и <a href="https://ausn.nalog.gov.ru/">АУСН</a>:</p><p>Режимы для разработчика без сотрудников, 2026 год</p><table><thead><tr><th>Параметр</th><th>Самозанятый (НПД)</th><th>ИП на УСН «доходы»</th><th>ИП на АУСН «доходы»</th></tr></thead><tbody><tr><td>Ставка</td><td>4% от физлиц, 6% от компаний и ИП</td><td>6%, регион может снизить до 1%</td><td>8%</td></tr><tr><td>Страховые взносы за себя</td><td>нет; пенсионные и на случай болезни по желанию</td><td>57 390 руб. плюс 1% с дохода свыше 300 тыс. руб.</td><td>нет</td></tr><tr><td>Лимит дохода в год</td><td>2,4 млн руб.</td><td>490,5 млн руб.</td><td>60 млн руб.</td></tr><tr><td>Наёмные работники</td><td>нельзя</td><td>не более 130 человек</td><td>до 5 человек</td></tr><tr><td>Отчётность</td><td>нет, чеки в приложении «Мой налог»</td><td>декларация раз в год, книга учёта доходов</td><td>налог считает ФНС по данным банка</td></tr><tr><td>Срок уплаты налога</td><td>до 28-го числа следующего месяца</td><td>авансы раз в квартал, итог до 28 апреля</td><td>до 25-го числа следующего месяца</td></tr><tr><td>Срок действия режима</td><td>эксперимент до 31 декабря 2028 года</td><td>бессрочно</td><td>эксперимент до 31 декабря 2027 года</td></tr></tbody></table><p>npd.nalog.ru, nalog.gov.ru, ausn.nalog.gov.ru, проверено 16 ноября 2026 года</p><p>К таблице есть два уточнения. Новые самозанятые получают налоговый вычет 10 000 рублей: пока он не израсходован, ставки снижаются до 3% и 4%, а расчёт ведёт сама налоговая. АУСН работает только в регионах, которые приняли местный закон о режиме, и требует счёта в одном из уполномоченных банков; списки регионов и банков есть на сайте режима.</p><blockquote>В течение десяти лет проведения эксперимента не могут вноситься изменения в настоящий Федеральный закон в части увеличения налоговых ставок и (или) уменьшения предельного размера доходов.</blockquote><h2>Сколько вы заплатите с конкретного дохода?</h2><p>При доходе от 100 тыс. рублей в месяц самозанятый с заказчиками-компаниями и ИП на УСН 6% платят одинаково, а АУСН обходится на треть дороже. Расчёт построен на четырёх допущениях: разработчик работает один, региональных льгот по УСН нет, доход ИП ниже порога НДС, а разовый вычет самозанятого уже израсходован.</p><p>Налоги и взносы за 2026 год при разном доходе, руб.</p><table><thead><tr><th>Доход в год (в месяц)</th><th>НПД, заказчики-физлица, 4%</th><th>НПД, заказчики-компании, 6%</th><th>ИП на УСН 6%: взносы</th><th>ИП на УСН 6%: налог к доплате</th><th>ИП на УСН 6%: всего</th><th>ИП на АУСН, 8%</th></tr></thead><tbody><tr><td>600 тыс. (50 тыс.)</td><td>24 000</td><td>36 000</td><td>60 390</td><td>0</td><td>60 390</td><td>48 000</td></tr><tr><td>1,2 млн (100 тыс.)</td><td>48 000</td><td>72 000</td><td>66 390</td><td>5 610</td><td>72 000</td><td>96 000</td></tr><tr><td>2,4 млн (200 тыс.)</td><td>96 000</td><td>144 000</td><td>78 390</td><td>65 610</td><td>144 000</td><td>192 000</td></tr><tr><td>3,6 млн (300 тыс.)</td><td>недоступен</td><td>недоступен</td><td>90 390</td><td>125 610</td><td>216 000</td><td>288 000</td></tr><tr><td>6 млн (500 тыс.)</td><td>недоступен</td><td>недоступен</td><td>114 390</td><td>245 610</td><td>360 000</td><td>480 000</td></tr><tr><td>12 млн (1 млн)</td><td>недоступен</td><td>недоступен</td><td>174 390</td><td>545 610</td><td>720 000</td><td>960 000</td></tr></tbody></table><p>расчёт Tproger по ставкам и размерам взносов ФНС на 2026 год</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/26e67bc4-b894-4c3b-bb80-8a055f779d3f.webp" alt="Столбчатая диаграмма: налоги и взносы за год в тысячах рублей при доходе 0,6, 1,2 и 2,4 млн рублей для НПД 4%, НПД 6%, ИП на УСН 6% и ИП на АУСН 8%" /><figcaption>Налоги и взносы за 2026 год при доходе 0,6, 1,2 и 2,4 млн рублей, тыс. руб. График: Tproger по ставкам и размерам взносов ФНС</figcaption></figure><p>Числа в столбцах ИП складываются так. Взносы состоят из двух частей: <a href="https://www.nalog.gov.ru/rn77/taxation/insprem/">совокупный фиксированный размер</a> на пенсионное и медицинское страхование (в 2026 году это 57 390 рублей) и 1% с дохода свыше 300 тыс. рублей, но не больше 321 818 рублей. Налог по УСН равен 6% дохода, и ИП без работников вправе уменьшить его на взносы без ограничения. Тот же расчёт на Python:</p><blockquote>Индивидуальные предприниматели, не производящие выплаты и иные вознаграждения физическим лицам, производят указанное уменьшение налога (авансового платежа по налогу) без установленного в абзаце пятом настоящего пункта ограничения.</blockquote><p>К расчёту нужна одна оговорка. По <a href="https://nalog.garant.ru/fns/nk/66bb1e0fc479d9e7b11e5d8029669820/">статье 346.21 Налогового кодекса</a> налог уменьшают взносы, подлежащие уплате в этом году, причём сам факт уплаты значения не имеет. Фиксированную часть платят до 28 декабря текущего года, а 1% с превышения — до 1 июля следующего. По <a href="https://www.nalog.gov.ru/rn93/news/activities_fts/16633718/">разъяснению ФНС</a> от 26 июня 2026 года, дополнительный взнос за 2026 год можно зачесть в уменьшение налога в 2026 или в 2027 году. В таблице он учтён в 2026 году; дважды одну сумму учитывать нельзя.</p><h2>Где граница, после которой ИП не дороже самозанятости?</h2><p>Она проходит на доходе 1 087 800 рублей в год, или около 90 650 рублей в месяц. В этой точке 6% дохода сравниваются с суммой взносов: 57 390 рублей плюс 1% с превышения над 300 тыс. рублей. Ниже этой границы взносы ИП больше исчисленного налога, и платить приходится именно их. Выше неё налог полностью перекрывает взносы, и общая сумма остаётся равной 6% дохода, пока у ИП не возникает обязанность платить НДС.</p><p>Итоговый выбор зависит от того, кто ваши заказчики и в каком регионе вы зарегистрированы:</p><ul><li><b>Компании и ИП.</b> При доходе от 1,09 млн до 2,4 млн рублей в год НПД и УСН 6% стоят одинаково. Выбор определяют ограничения режима, отчётность и пенсионный стаж.</li><li><b>Физические лица.</b> НПД со ставкой 4% дешевле УСН при любом доходе до лимита. Начиная с 1,09 млн рублей в год разница равна 2 процентным пунктам: на 2,4 млн рублей это 48 000 рублей в год. При меньшем доходе разрыв больше из-за фиксированных взносов ИП.</li><li><b>Доход ниже 1,09 млн рублей в год.</b> Самозанятость дешевле в обоих случаях: при 600 тыс. рублей ИП отдаст 60 390 рублей, а самозанятый — 24 000 или 36 000 рублей.</li><li><b>Регион с пониженной ставкой УСН.</b> Закон разрешает субъектам снижать ставку для объекта «доходы» до 1%. Тогда налог ИП меньше, но взносы остаются, и нижняя граница нагрузки равна их сумме.</li></ul><h2>Когда самозанятость разработчику не подходит?</h2><p>В трёх типичных случаях: заказчик недавно был работодателем, нужны сотрудники или доход упирается в лимит. Все ограничения перечислены в статьях <a href="https://www.consultant.ru/document/cons_doc_LAW_311977/30ba0412dfedfe46e8061ea063246bac59da2b69/">4</a> и <a href="https://www.consultant.ru/document/cons_doc_LAW_311977/27164c06aa904117df15dede95fb55764e9054e7/">6</a> закона № 422-ФЗ.</p><ul><li><b>Бывший работодатель.</b> Доходы по гражданско-правовым договорам от нынешнего работодателя или от того, кто был работодателем менее двух лет назад, под НПД не подпадают. Сотрудничать с бывшим работодателем закон не запрещает, но платить с таких выплат 4% или 6% нельзя.</li><li><b>Наёмные работники.</b> Самозанятый не может нанимать людей по трудовым договорам.</li><li><b>Лимит 2,4 млн рублей.</b> Это 200 тыс. рублей в месяц в среднем; ограничения на доход в отдельном месяце нет.</li><li><b>Агентские схемы и перепродажа.</b> Режим не применяется при работе по договорам поручения, комиссии и агентским договорам и при перепродаже товаров и имущественных прав.</li><li><b>Совмещение с УСН.</b> ИП может перейти на НПД, но не одновременно с УСН: от упрощёнки придётся отказаться в течение месяца после регистрации.</li></ul><p>Работе с зарубежными заказчиками НПД не мешает. В <a href="https://npd.nalog.ru/faq/">ответах ФНС</a> сказано, что при продаже иностранной компании в приложении выбирают «продажа юридическому лицу или ИП» с признаком «Иностранная организация», а валютную выручку пересчитывают в рубли по курсу Банка России на день получения. Ставка в этом случае — 6%. Практические сложности таких заказов разобраны в материале <a href="https://tproger.ru/articles/brat-ili-ne-brat-zakaz-u-zarubezhnogo-klienta-v-2025--podvodnye-kamni-sankcij--swift-i-nalogov">о работе с зарубежными клиентами</a>.</p><h2>Что будет, если превысить 2,4 млн рублей в середине года?</h2><p>Право на НПД теряется со дня превышения, а всё полученное раньше остаётся обложенным по ставкам НПД. Возьмём разработчика с доходом 300 тыс. рублей в месяц от компаний: к концу августа он заработает ровно 2,4 млн рублей, и первый же платёж в сентябре выведет его за лимит.</p><ol><li>За период с января по август он заплатит 6% от 2,4 млн рублей, то есть 144 000 рублей.</li><li>После утраты права у него есть 20 календарных дней, чтобы зарегистрироваться как ИП и уведомить налоговую о переходе на УСН.</li><li>Если уложиться в срок, УСН применяется с даты регистрации ИП. Если нет, человек считается применяющим общую систему налогообложения.</li><li>Выплаты, полученные после утраты права и до регистрации ИП, считаются доходом физлица без статуса: с них заказчик-компания, по разъяснению ФНС, обязан удерживать НДФЛ и платить страховые взносы.</li></ol><p>Поэтому при доходе, который приближается к 200 тыс. рублей в месяц, разумнее зарегистрировать ИП и перейти на УСН заранее, с начала года, чем делать это в спешке после превышения.</p><h2>Что с пенсией, больничными и НДС?</h2><p>У самозанятого пенсионный стаж сам по себе не идёт; у ИП взносы на пенсионное и медицинское страхование входят в обязательный платёж. По <a href="https://npd.nalog.ru/faq/">разъяснениям ФНС</a>, обязательных отчислений в Социальный фонд на НПД нет и страховая пенсия не формируется, но можно добровольно платить пенсионные взносы. Сумму, при которой год целиком войдёт в стаж, определяет Социальный фонд; её стоит уточнить там до начала года. В системе обязательного медицинского страхования самозанятый участвует. С больничными правила изменились: с 1 января 2026 года идёт эксперимент, в котором самозанятый может добровольно платить взносы на случай временной нетрудоспособности и получать пособие от Социального фонда, <a href="https://www.nalog.gov.ru/rn77/news/activities_fts/16606764/">сообщала ФНС</a> 6 марта 2026 года. Заявление подают через приложение «Мой налог» до 30 сентября 2027 года, эксперимент продлится до конца 2028 года, декретные выплаты в него не входят.</p><blockquote>Налоговый режим будет действовать в течение 10 лет. В этот период ставки налога не изменятся.</blockquote><p>НДС для разработчика-одиночки на УСН остаётся теоретическим вопросом. По действующей редакции <a href="https://www.consultant.ru/document/cons_doc_LAW_28165/8f399ec989074fdad875f9a672a1b091ea9bf05c/">статьи 145 Налогового кодекса</a> ИП на УСН освобождён от НДС, если его доход за предыдущий год не превысил порог: 20 млн рублей для доходов 2025–2028 годов, 15 млн рублей для доходов 2029 года и 10 млн рублей начиная с доходов 2030 года. Такой график установил закон № 228-ФЗ от 4 июля 2026 года; прежняя редакция снижала порог до 15 млн рублей уже по доходам 2026 года, и на <a href="https://www.nalog.gov.ru/rn77/taxation/taxes/nds_usn/">странице ФНС об НДС при УСН</a> на 16 ноября всё ещё приведён старый вариант. Порог проверяют и в течение текущего года: после превышения НДС начисляют с 1-го числа следующего месяца. По информации ФНС, превысивший порог выбирает между общей ставкой 22% с вычетами и специальными ставками 5% или 7% без вычетов. ИП на НПД налог на добавленную стоимость не платят, кроме случая ввоза товаров в Россию.</p><h2>Какие сроки и отчёты ждут ИП на УСН?</h2><p>Четыре платежа налога, два платежа взносов и одна декларация в год. Самозанятый для сравнения только формирует чек на каждое поступление и платит начисленный налог до 28-го числа следующего месяца. Календарь ИП на УСН по правилам ФНС:</p><ul><li><b>Авансовые платежи по налогу</b>: не позднее 28 календарных дней после окончания квартала, полугодия и девяти месяцев.</li><li><b>Декларация по УСН</b>: не позднее 25 апреля следующего года.</li><li><b>Налог по итогам года</b>: не позднее 28 апреля следующего года.</li><li><b>Фиксированные взносы</b>: не позднее 28 декабря текущего года.</li><li><b>Взнос 1% с дохода свыше 300 тыс. рублей</b>: не позднее 1 июля следующего года.</li><li><b>Книга учёта доходов и расходов</b>: ведётся в течение года.</li></ul><p>Третий вариант для тех, кто не хочет следить за календарём, — АУСН: налог считает налоговая по операциям в банке и кассе, заплатить его нужно до 25-го числа следующего месяца, страховых взносов нет. Цена удобства видна в таблице выше: 8% вместо 6%. Есть и патент: разработка программного обеспечения входит в перечень видов деятельности для патентной системы, а налог равен 6% от потенциального дохода, который устанавливает регион, поэтому точную стоимость нужно смотреть для своего субъекта.</p><h2>Как выбрать режим за пять вопросов?</h2><p>Идите по списку сверху вниз и остановитесь на первом «да».</p><ol><li>Заказчик был вашим работодателем менее двух лет назад? Тогда НПД для этих доходов закрыт: остаётся ИП либо договор с физлицом, по которому НДФЛ и взносы платит заказчик.</li><li>Доход за год превысит 2,4 млн рублей или нужны сотрудники? ИП на УСН; при желании обойтись без отчётности проверьте, доступна ли АУСН в регионе.</li><li>Основные заказчики — физические лица и доход ниже лимита? Самозанятость со ставкой 4%.</li><li>Заказчики — компании, доход ниже 1,09 млн рублей в год или нерегулярный? Самозанятость: при нулевом доходе платить ничего не нужно.</li><li>Заказчики — компании, доход от 1,09 млн до 2,4 млн рублей? По деньгам режимы равны. ИП даёт пенсионный стаж и запас по лимиту, самозанятость избавляет от деклараций и взносов в месяцы без заказов.</li></ol><p>Как искать заказы и оформлять отношения с клиентом, рассказано в <a href="https://tproger.ru/articles/freelancer-guide">гайде для начинающих фрилансеров</a>; что делать, если заказчик не платит, — в <a href="https://tproger.ru/articles/chto-delat--esli-vam-ne-zaplatili---sovety-ot-frilanserov-dlya-frilanserov">подборке советов фрилансеров</a>.</p><h2>Что изменится в 2027 году?</h2><p>Вырастут взносы ИП, а порог НДС останется прежним. По информации ФНС, совокупный фиксированный размер взносов на 2027 год составит 61 154 рубля, максимум дополнительного взноса — 342 923 рубля. Граница, с которой нагрузка ИП на УСН равна 6% дохода, сдвинется примерно до 1,16 млн рублей в год. Освобождение от НДС в 2027 году сохранят те, чей доход за 2026 год не превысит 20 млн рублей.</p><p>У самозанятых ставки и лимит до конца эксперимента защищены законом, но сам эксперимент заканчивается 31 декабря 2028 года, а АУСН — 31 декабря 2027 года. Что будет с режимами дальше, действующие редакции законов не определяют, поэтому при планировании на несколько лет вперёд учитывайте эти сроки.</p><p>Источники: <a href="https://npd.nalog.ru/">ФНС России: Налог на профессиональный доход</a>, <a href="https://npd.nalog.ru/faq/">ФНС России: вопросы и ответы по НПД</a>, <a href="https://www.consultant.ru/document/cons_doc_LAW_311977/512cf86a56df0bdea9fb5f14bba79e01a90ed7a5/">Федеральный закон от 27.11.2018 № 422-ФЗ, статья 1</a>, <a href="https://www.consultant.ru/document/cons_doc_LAW_311977/30ba0412dfedfe46e8061ea063246bac59da2b69/">Федеральный закон от 27.11.2018 № 422-ФЗ, статья 4</a>, <a href="https://www.consultant.ru/document/cons_doc_LAW_311977/27164c06aa904117df15dede95fb55764e9054e7/">Федеральный закон от 27.11.2018 № 422-ФЗ, статья 6</a>, <a href="https://www.consultant.ru/document/cons_doc_LAW_311977/13e4df89facf9d8907f4128f64e63a516a966c9f/">Федеральный закон от 27.11.2018 № 422-ФЗ, статья 12</a>, <a href="https://www.nalog.gov.ru/rn77/taxation/taxes/usn/">ФНС России: упрощённая система налогообложения</a>, <a href="https://www.nalog.gov.ru/rn77/taxation/taxes/nds_usn/">ФНС России: НДС при УСН</a>, <a href="https://www.nalog.gov.ru/rn77/taxation/insprem/">ФНС России: страховые взносы</a>, <a href="https://data.nalog.ru/html/sites/www.new.nalog.ru/files/taxation/insprem/c_fixed.zip">ФНС России: совокупный фиксированный размер страховых взносов на 2026 и 2027 годы (архив)</a>, <a href="https://nalog.garant.ru/fns/nk/66bb1e0fc479d9e7b11e5d8029669820/">Налоговый кодекс РФ, статья 346.21</a>, <a href="https://ausn.nalog.gov.ru/">ФНС России: АвтоУСН</a>, <a href="https://www.nalog.gov.ru/rn77/taxation/taxes/patent/">ФНС России: патентная система налогообложения</a>, <a href="https://www.consultant.ru/document/cons_doc_LAW_28165/8f399ec989074fdad875f9a672a1b091ea9bf05c/">Налоговый кодекс РФ, статья 145 (ред. закона № 228-ФЗ от 04.07.2026)</a>, <a href="https://nalog.garant.ru/fns/nk/25251f9c341b4b29fabf5cb7957c5992/">Налоговый кодекс РФ, статья 430</a>, <a href="https://www.nalog.gov.ru/rn77/news/activities_fts/16606764/">ФНС России: Самозанятые могут оформить больничный, 06.03.2026</a>, <a href="https://www.nalog.gov.ru/rn93/news/activities_fts/16633718/">ФНС России: Плательщикам разъяснили способы уменьшения налога, 26.06.2026</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Как curl за 30 лет вырос из 100 строк на C до 30 млрд установок</title>
      <link>https://tproger.ru/articles/kak-curl-za-30-let-vyros-iz-100-strok-na-c-do-30-mlrd-ustanovok</link>
      <comments>https://tproger.ru/articles/kak-curl-za-30-let-vyros-iz-100-strok-na-c-do-30-mlrd-ustanovok?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/kak-curl-za-30-let-vyros-iz-100-strok-na-c-do-30-mlrd-ustanovok</guid>
      <description><![CDATA[<p>Пересказ юбилейного эссе Даниэля Стенберга: от httpget 0.1 до libcurl, почему проект не переписывают с C, кто им управляет и чем автор платит за охват.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/kak-curl-za-30-let-vyros-iz-100-strok-na-c-do-30-mlrd-ustanovok">Как curl за 30 лет вырос из 100 строк на C до 30 млрд установок</a>»</p>]]></description>
      <category><![CDATA[Open Source]]></category>
      <category><![CDATA[История IT]]></category>
      <category><![CDATA[Сетевые протоколы]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:56:25 GMT</pubDate>
      <content:encoded><![CDATA[<p>Даниэль Стенберг, основатель и ведущий разработчик curl, 11 ноября 2026 года опубликовал эссе <a href="https://daniel.haxx.se/blog/2026/11/11/30-years-of-internet-transfers-with-curl/">«30 years of Internet transfers with curl»</a>. Ровно за 30 лет до этого, 11 ноября 1996 года, бразильский студент Рафаэл Сагула выложил в сеть httpget 0.1 — программу для скачивания по HTTP размером чуть больше 100 строк на C. Сегодня её потомок libcurl, по оценке самого Стенберга, работает примерно в 30 млрд установок.</p><p>Это эссе читается как отчёт о том, как один разработчик три десятилетия ведёт инфраструктурный проект: как выбирает язык и лицензию, почему обходится без плана преемственности и чем за это платит. Ниже — пересказ текста с короткими цитатами и сверкой дат и цифр по официальной истории проекта на curl.se. Полного перевода нет, так как блог Стенберга опубликован без открытой лицензии.</p><ul><li>httpget 0.1 вышел 11 ноября 1996 года; имя curl программа получила 20 марта 1998 года вместе с версией 4.0.</li><li>В curl 4.0 было 3300 строк кода, 24 опции командной строки и 3 протокола; в ноябре 2025 года опций стало 273.</li><li>Библиотека libcurl появилась в августе 2000 года, и в том же месяце её взял PHP.</li><li>Первые 23 года Стенберг вёл проект как хобби; с января 2019 года это его основная работа.</li><li>Оценка установок выросла с 5 млрд в 2018 году до 30 млрд в 2026-м; плана преемственности у проекта нет, ставка сделана на документацию.</li></ul><h2>С чего начался curl и почему он дважды менял имя?</h2><p>curl начался с побочной задачи: Стенбергу нужно было раз в день скачивать курсы валют для IRC-бота. В 1996 году он работал программистом встраиваемых систем в шведской компании Frontec Railway Systems, а в свободное время с друзьями писал бота Dancer. Бот пересчитывал цены для участников международного канала — например, из немецких марок в доллары.</p><p>Страницу с курсами Стенберг нашёл быстро, а инструмент для скачивания подвернулся почти сразу: httpget вышел за несколько дней до того. Автор предполагает, что наткнулся на него через AltaVista. Про HTTP он тогда почти ничего не знал, и простота кода его увлекла — позже он назовёт эту простоту иллюзией. В первой версии почти не было проверок ошибок, а адрес задавался числом IPv4, без имён хостов и URL. Стенберг исправил несколько багов, добавил разрешение имён и отправил патчи автору по почте.</p><p>Сагула, по словам Стенберга, развивать программу не стремился, поэтому сопровождение перешло к новому участнику. <a href="https://curl.se/docs/history.html">Официальная история проекта</a> уточняет даты: первая версия с правками Стенберга, 0.2, вышла 17 декабря 1996 года. Дальше имя программы менялось вслед за её возможностями.</p><ul><li><b>httpget.</b> Только HTTP. Версия 1.0 вышла 8 апреля 1997 года с поддержкой прокси.</li><li><b>urlget.</b> Курсы валют нашлись на Gopher-сайте, потом на FTP, и старое название перестало подходить. urlget 2.0 вышел в августе 1997 года; по эссе, имя сменили после Gopher, а официальная история связывает его с поддержкой FTP.</li><li><b>curl.</b> Программа научилась отправлять данные: появились загрузка по FTP и HTTP POST. Стенберг относит это к началу 1998 года, а в официальной истории загрузка по FTP датирована версией 3.1 от 24 ноября 1997 года. Слово get в названии снова стало неточным, и 20 марта 1998 года вышел curl 4.0.</li></ul><p>Новое имя Стенберг подбирал по трём условиям: в нём есть URL, его легко произнести по-английски, оно короткое и удобно набирается. Буква c могла означать client, а целиком название читается как «see URL».</p><blockquote>Naming things is hard.</blockquote><h2>Как утилита выросла в библиотеку, которую встроили во всё?</h2><p>Решающим шагом стало превращение программы в библиотеку. Эту идею Стенберг вынес ещё с Amiga, где писал скриптовый язык для текстового редактора как отдельный модуль. Летом 2000 года он переработал внутренности curl, и в августе вышла первая libcurl. По официальной истории, это была версия 7.1, а проект к тому моменту насчитывал около 20 000 строк кода.</p><p>Одним из первых библиотеку взял PHP, почти сразу сделав её своим штатным инструментом для сетевых запросов. Стенберг пишет, что участие в чужом успехе принесло проекту пользователей, тестирование, отчёты об ошибках и запросы новых функций. На Tproger есть <a href="https://tproger.ru/articles/osnovy-biblioteki-curl-php">введение в работу с curl из PHP</a>.</p><p>По числу опций командной строки хорошо видно, как рос инструмент. В curl 4.0 их было 24, а в официальной статистике проекта за ноябрь 2025 года значится уже 273.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/b6dd77a8-5cda-4bf3-ab38-a609c77e5d62.webp" alt="Линейный график: число опций командной строки curl с 1998 по 2025 год" /><figcaption>Опции командной строки curl: от 24 в версии 4.0 до 273. График: Tproger по данным эссе Стенберга и curl.se/docs/history.html</figcaption></figure><p>Сам автор при этом настаивает, что масштаб охвата мало что меняет в ежедневной работе. Оценка в 30 млрд установок грубая: большинство пользователей libcurl никому о ней не сообщают, и находить её приходится по экранам с благодарностями, спискам лицензий и руководствам. Одно популярное приложение способно за ночь сдвинуть итог на несколько миллиардов. В официальной истории зафиксированы прежние оценки: 5 млрд в 2018 году и 10 млрд в 2020-м.</p><h2>Каким был интернет в 1996 году?</h2><p>В 1996 году средняя скорость домашнего подключения в Швеции, где живёт автор, составляла 30 кбит/с — это было ещё до стандарта V.90, поднявшего модемы до 56 кбит/с. Сейчас, по его данным, средняя скорость там 200 Мбит/с. Пользователей интернета было 36 млн против 6–7 млрд сегодня, сайтов 250 тыс. против 1 млрд. Шифрование вроде SSL существовало, но встречалось редко.</p><p>Домашним компьютером Стенберга в ноябре 1996 года была Amiga 3000 с процессором 68030 на 25 МГц. Первые версии httpget он собирал удалённо на рабочих машинах под SunOS, Solaris и Dell Unix, а Linux впервые поставил на работе в 1997 году. На контроль версий в CVS проект полностью перешёл в сентябре 1999 года, на git — в 2010-м.</p><h2>Почему curl остаётся на C и никогда не переписывается?</h2><p>Потому что Стенберг считает итерации надёжнее переписывания. В 1990-х у программы, которая должна собираться на большинстве операционных систем и процессоров, выбора языков почти не было; C++ автору не нравился тогда и не нравится сейчас. curl ни разу не переписывали с нуля, и, пока решает Стенберг, делать этого не будут. Внутренности при этом регулярно перерабатываются.</p><p>Из того же принципа следует обещание не ломать API и ABI: приложения и скрипты должны работать без изменений после обновления curl. Остальные инженерные цели сформулированы так же жёстко. Проект должен оставаться образцом открытости, одним из самых безопасных программных компонентов, дружелюбным к новичкам и лучшим по объёму и точности документации. К новым версиям протокола команда подключалась рано: в официальной истории первая настоящая поддержка HTTP/2 датирована мартом 2014 года, а первые запросы по HTTP/3 — августом 2019-го. Подробнее о смене поколений протокола можно прочитать в материале <a href="https://tproger.ru/articles/evolyuciya-setevyh-protokolov--ot-http-1-1-do-http-3">об эволюции от HTTP/1.1 до HTTP/3</a>.</p><p>С сообществом вокруг HTTP Стенберг сблизился в конце 2000-х: подписался на рассылку рабочей группы HTTPbis, а в 2009 году приехал на первую для себя встречу IETF в Стокгольме. С тех пор он не пропустил ни одного HTTP Workshop. По его словам, curl часто используют как эталон того, как следует говорить по HTTP, и для команды это одновременно честь и ответственность.</p><h2>Кто управляет проектом и что будет, если Стенберг уйдёт?</h2><p>Формально никто, кроме самого Стенберга. У curl нет юридического лица, проект не входит ни в одну зонтичную организацию и не принадлежит никакой компании. Автор описывает его как группу слабо связанных людей с общей целью, несколькими рассылками, сайтом и git-репозиториями и считает такую независимость преимуществом.</p><p>Свою роль он называет привычным для открытых проектов термином BDFL — «великодушный пожизненный диктатор», и оговаривается, что curl никогда не был проектом одного человека: код присылали тысячи людей, и каждый год приходят сотни новых авторов. В официальной статистике за ноябрь 2025 года указано 3534 участника.</p><p>Плана преемственности нет, и Стенберг против того, чтобы его составлять. Заместителя или наследника тоже нет. Вместо этого проект документирует всё до мелочей, чтобы формальная передача дел не понадобилась (кроме нескольких редких паролей).</p><blockquote>If I get run over by a truck tomorrow, you guys can figure it out and continue. You don’t need me.</blockquote><p>Первые 23 года curl оставался хобби. За это время автор не раз менял работу, женился, купил дом и вырастил двоих детей. Университета он не заканчивал: в 20 лет получил первую работу в IBM и к учёбе уже не вернулся. По официальной истории, с января 2019 года он работает над curl полный день как сотрудник wolfSSL. В 2017 году Стенберг получил премию Польхема, а в октябре 2025-го — золотую медаль Шведской королевской академии инженерных наук.</p><h2>Чем автор платит за популярность?</h2><p>Адрес Стенберга указан в лицензии curl, которую печатают в списках благодарностей и руководствах к разным устройствам. Когда гаджет ломается, а производитель молчит, этот адрес становится последним шансом — и автор регулярно получает письма о продуктах, о существовании которых даже не знал.</p><p>Есть и тёмная сторона. Когда curl используют в атаках, следы ведут к его имени. Стенберг пишет, что его несколько раз обвиняли во взломах, он получал угрозы убийством и подозревает, что его проблемы с американской визой выросли из той же почвы.</p><p>С деньгами тоже непросто. Автор держится либеральной лицензии и называет открытую модель лучшим способом делать программы, на которых держится общество. Он признаёт, что убеждать платить за то, что раздаётся бесплатно, трудно, и что ради денег стоило бы действовать иначе.</p><blockquote>That would have been another life. Not my life.</blockquote><h2>Что Стенберг думает о будущем curl и открытого кода?</h2><p>Прогнозов он избегает и планирует жизнь лишь на несколько месяцев вперёд, но общими оценками всё же делится. Открытый код, по его мнению, останется основой базового ПО, хотя проблема финансирования никуда не денется и слишком многие проекты живут и умирают вместе с единственным мейнтейнером.</p><blockquote>I don’t believe AI will kill Open Source.</blockquote><p>У curl, считает автор, впереди ещё много лет службы: за ним самая длинная проверенная история, и он работает на таком числе платформ, как ни одна альтернатива. Замену он не исключает, если проекты на C когда-нибудь начнут постепенно вытеснять. Сама схема «клиент, сервер, протокол» кажется ему устойчивой. Через несколько недель Стенбергу исполнится 56 лет, и он рассчитывает заниматься curl ещё несколько десятилетий.</p><p>Объяснение, почему недавно отмечали 25-летие, простое: у проекта два дня рождения. httpget появился в ноябре 1996 года, а curl под нынешним именем — в марте 1998-го. Заканчивается эссе благодарностями и строкой памяти: Рафаэл Сагула умер в 2016 году, и Стенберг благодарит его за то, что тот дал проекту начало.</p><p>Источники: <a href="https://daniel.haxx.se/blog/2026/11/11/30-years-of-internet-transfers-with-curl/">Daniel Stenberg: 30 years of Internet transfers with curl</a>, <a href="https://curl.se/docs/history.html">curl.se: History of curl</a></p><p>Изображение на обложке: curl project</p>]]></content:encoded>
    </item>
    <item>
      <title>Древо из 104 ИТ-должностей показывает, откуда взялись SRE и DevOps</title>
      <link>https://tproger.ru/articles/drevo-iz-104-it-dolzhnostej-pokazyvaet-otkuda-vzyalis-sre-i-devo</link>
      <comments>https://tproger.ru/articles/drevo-iz-104-it-dolzhnostej-pokazyvaet-otkuda-vzyalis-sre-i-devo?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/drevo-iz-104-it-dolzhnostej-pokazyvaet-otkuda-vzyalis-sre-i-devo</guid>
      <description><![CDATA[<p>Иэн Миелл собрал 104 должности с 1940-х до 2025 года в одну схему. Считаем их по семействам и десятилетиям и разбираем шесть закономерностей из записи.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/drevo-iz-104-it-dolzhnostej-pokazyvaet-otkuda-vzyalis-sre-i-devo">Древо из 104 ИТ-должностей показывает, откуда взялись SRE и DevOps</a>»</p>]]></description>
      <category><![CDATA[История IT]]></category>
      <category><![CDATA[DevOps]]></category>
      <category><![CDATA[Карьера]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:53:28 GMT</pubDate>
      <content:encoded><![CDATA[<p>Британский инженер Иэн Миелл (Ian Miell) 3 ноября 2026 года опубликовал в блоге zwischenzugs <a href="https://zwischenzugs.com/2026/11/03/a-family-tree-of-software-job-titles/">«семейное древо» должностей в индустрии ПО</a>: 104 названия от «вычислителя» 1940-х до инженера по ИИ-агентам. Запись набрала 456 очков и 219 комментариев на Hacker News на 16 ноября 2026 года, а сама схема открыта в виде одного файла Graphviz и одного JSON с описаниями.</p><p>Схема отвечает на частый вопрос с собеседований: чем DevOps-инженер отличается от SRE и platform engineer. Короткий ответ автора опирается на его собственный опыт: примерно ту же работу, что он делал как Head of DevOps, до и после называли другими словами. Ниже пересказ записи с цитатами, подсчёт узлов из репозитория и возражения читателей. Полного перевода здесь нет: автор опубликовал текст без открытой лицензии.</p><ul><li>На древе 104 должности в 7 семействах; больше всего в разработке и эксплуатации — по 21.</li><li>Даты означают время, когда название стало распространённым; автор называет их оценками без ссылок на источники.</li><li>В 1947 году кодирование считали канцелярской частью работы; спустя 80 лет о нём снова так говорят из-за ИИ.</li><li>Промпт-инженер появляется на схеме около 2022 года и почти сразу вливается в AI Engineer.</li><li>SRE и DevOps связаны стрелкой в обе стороны, а platform engineer происходит от обоих.</li></ul><h2>Что это за древо и как его читать?</h2><p>Это <a href="https://ianmiell.github.io/sw-job-title-family-tree/">интерактивная схема</a>, где время идёт сверху вниз пятилетними рядами, а должности разложены по семи цветным колонкам. Миелл несколько лет работал Head of DevOps и пишет, что ту же работу раньше и позже называли иначе: сначала другими словами, потом SRE, потом platform engineering. Древо он собрал с помощью Claude.</p><ul><li>разработка;</li><li>анализ, архитектура и руководство;</li><li>эксплуатация и инфраструктура;</li><li>сети и безопасность;</li><li>данные и ИИ;</li><li>качество и тестирование;</li><li>поддержка и работа с клиентами.</li></ul><p>Сплошная стрелка означает, что должность выросла из родительской, а пунктирная показывает влияние или типичный карьерный переход. Ключевые названия выделены полужирным: в файле схемы таких десять, среди них Programmer, Software Engineer, Systems Administrator, Site Reliability Engineer, DevOps Engineer, Platform Engineer, Data Scientist и AI Engineer. На сайте можно оставить одну колонку или щёлкнуть по должности, чтобы прочитать её историю и связи.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/e7f75849-7a20-476b-960a-85a1de8a47b0.webp" alt="Семейное древо должностей в индустрии ПО: семь цветных колонок, время идёт сверху вниз" /><figcaption>Схема целиком: 104 должности с 1940-х годов до 2025-го. Изображение: Ian Miell, репозиторий sw-job-title-family-tree</figcaption></figure><p>К датам автор просит относиться осторожно. Это примерное время, когда название вошло в обиход, а не первое упоминание, поэтому часть годов помечена «c.» («около»). Точными он называет немногие даты: SRE в Google в 2003 году, слово DevOps в 2009-м и Data Scientist в 2008-м.</p><blockquote>Plenty are a ‘c.’ and a shrug.</blockquote><h2>Сколько должностей в каждом семействе и когда они появлялись?</h2><p>Мы посчитали узлы в <a href="https://github.com/ianmiell/sw-job-title-family-tree">файле схемы</a> на 16 ноября 2026 года. На разработку и эксплуатацию приходится по 21 должности, на руководство и архитектуру 17, на данные и ИИ 14, на поддержку 14, на сети и безопасность 13, а на тестирование всего 4.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/f233df19-678b-4bd4-b0e1-eb003041773c.webp" alt="Столбчатая диаграмма: число должностей в каждом из семи семейств древа" /><figcaption>Число должностей по семействам. График: Tproger по данным репозитория ianmiell/sw-job-title-family-tree на 16 ноября 2026 года</figcaption></figure><p>Если разложить те же узлы по первой дате в подписи, видно, когда индустрия дробилась быстрее всего: на 1990-е приходится 19 названий, на 2000-е 20, на 2010-е 18. На 2020-е пока 7, и почти все они связаны с ИИ и платформами: AI Engineer, AI Red Teamer, Prompt Engineer, AI Agent / Context Engineer, Developer Experience Engineer.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/fdc208c5-d757-4125-9a90-2e43d88e4cba.webp" alt="Столбчатая диаграмма: число новых должностей по десятилетиям с 1940-х по 2020-е" /><figcaption>Новые должности по десятилетиям (по первой дате в подписи узла, оценки автора древа). График: Tproger по данным репозитория ianmiell/sw-job-title-family-tree</figcaption></figure><h2>Почему программирование начиналось как канцелярская работа?</h2><p>В 1940-х работу с компьютером делили на «думать» и «записывать». Миелл ссылается на работу Голдстайна и фон Неймана «Planning and Coding of Problems» 1947 года: математики планировали решение, а кодировщики переводили план в машинные инструкции. Кодирование считалось малопрестижным занятием, и занимались им во многом женщины.</p><p>Дальше, по наблюдению автора, выяснилось, что самая сложная и творческая часть работы кроется как раз в кодировании, поэтому кодировщик слился с программистом. Ещё раньше слово computer означало человека. Несколько первых программисток ENIAC набрали из армейских «вычислителей», которые считали вручную: так профессия дала имя машине, а её люди стали первыми программистами.</p><h2>Что происходит с должностями со временем?</h2><p>Миелл выделяет шесть закономерностей; первая описана выше, а остальные пять выглядят так.</p><ul><li><b>Должности распадаются и срастаются.</b> Вебмастер появился около 1993 года и часто был одним человеком на всё: писал HTML, держал сервер, отвечал на почту. К середине 2000-х название почти исчезло: код ушёл веб-разработчикам, серверы достались сисадминам, а контент отошёл редакторам и дизайнерам. Около 2005 года веб-разработчик разделился на фронтенд и бэкенд, но уже около 2008-го обе половины снова сошлись в full-stack.</li><li><b>Некоторые названия не выживают.</b> Промпт-инженер попал в заголовки в 2023 году из-за нескольких очень дорогих вакансий. Модели стали лучше, навык разошёлся по другим ролям, и на древе эта должность поглощена AI Engineer почти сразу после появления. Скрам-мастер прошёл тот же путь медленнее: спрос достиг пика в 2010-х, после чего во многих компаниях роль вернули менеджерам разработки.</li><li><b>Названия используют повторно.</b> Systems Engineer на древе встречается дважды. В IBM 1960-х это была пресейл-роль, а в 1990-х, во многом благодаря сертификации Microsoft MCSE, так стали называть старшего сисадмина с уклоном в проектирование. Configuration management начиналось в 1960-х как оборонная дисциплина учёта изменений в железе, в 1970-х стало контролем версий, а потом вернулось как название класса инструментов вроде Puppet и Chef.</li><li><b>Новое часто оказывается старым.</b> Forward deployed engineer стал одной из самых заметных должностей 2025 года: таких инженеров нанимают OpenAI, Anthropic и ИИ-стартапы для внедрения моделей у заказчиков. Palantir строила на них бизнес примерно с 2010 года. Автор замечает, что это очень похоже на системных инженеров IBM 1960-х и на классический консалтинг.</li><li><b>Спор о DevOps зашит в схему.</b> Стрелка между SRE и DevOps направлена в обе стороны, а platform engineering наследует обоим.</li></ul><p>Самая новая должность на древе, AI Agent / Context Engineer, датирована примерно 2025 годом. В её описании сказано, что время покажет, останется ли она отдельным названием, и автор добавляет, что ставок не принимает.</p><h2>Чем же отличаются SRE, DevOps и platform engineer?</h2><p>Честный ответ, по версии Миелла, всегда упирается в историю этих названий. SRE появился в Google в 2003 году: Бен Трейнор Слосс, который собрал там первую такую команду, во <a href="https://sre.google/sre-book/introduction/">введении к книге «Site Reliability Engineering»</a> определяет подход одной фразой.</p><blockquote>SRE is what happens when you ask a software engineer to design an operations team.</blockquote><p>DevOps задумывался как культура совместной работы разработчиков и эксплуатации. Слово появилось в 2009 году, но уже к 2011-му DevOps Engineer стал отдельной должностью, которую обычно получал специалист по автоматизации. Platform engineering, по описанию в репозитории, вырос из внутренних платформенных команд и около 2022 года продавался как «преемник DevOps». На Tproger об этих ролях есть отдельные материалы: <a href="https://tproger.ru/articles/devops-engineer">кто такой DevOps-инженер</a> и <a href="https://tproger.ru/articles/kto-takie-prompt-inzhenery--napravlenie-i-perspektivy">кто такие промпт-инженеры</a>.</p><blockquote>The Dev/Ops divide has never been resolved. It just keeps getting new names.</blockquote><p>В финале записи автор возвращается к кодировщикам. В 1947 году кодирование считали канцелярской частью, а настоящей работой было планирование. Спустя 80 лет то же самое снова говорят о написании кода, теперь из-за ИИ, и автор напоминает, чем это кончилось в прошлый раз.</p><blockquote>Last time, the coders turned out to be doing the hard part.</blockquote><h2>Как добавить свою должность и о чём спорят читатели?</h2><p>Добавить название можно пул-реквестом из трёх правок: узел в колонке своего семейства, запись в ряду нужного пятилетия и стрелки от родителей. Картинка собирается одной командой из README.</p><p>Автор заранее признаёт, что пропустил часть должностей, перепутал некоторые линии и нарисовал стрелки, с которыми будут спорить. Лицензии у репозитория нет, так что переиспользовать схему в своих материалах без согласия автора не стоит, но предлагать правки это не мешает.</p><p>В <a href="https://news.ycombinator.com/item?id=50499038">обсуждении на Hacker News</a> пропуски нашли быстро: читатели не увидели Web Designer, которым многие назывались между вебмастером и веб-разработчиком, и Operations Manager. Самая длинная ветка посвящена тому, как называть человека, который не учился разработке, но выпускает проекты с помощью ИИ. Другой участник сравнил сертификаты Scrum Master и Product Owner с вебмастером середины 1990-х: он убрал их из резюме как приметы ушедшей эпохи.</p><p>Инженер, сменивший пять названий от DevOps Engineer до Site Reliability Engineer, написал, что почти все они описывали одного и того же универсала с корневыми доступами. Это совпадает с главным выводом древа: при выборе вакансии и планировании роста полезнее смотреть на содержание работы и её «родителей» на схеме, чем на свежесть названия. О том, <a href="https://tproger.ru/articles/kak-menyaetsya-karernaya-karta-it-specialistov">как меняется карьерная карта ИТ-специалистов</a>, мы писали отдельно.</p><p>Источники: <a href="https://zwischenzugs.com/2026/11/03/a-family-tree-of-software-job-titles/">zwischenzugs: A Family Tree of Software Job Titles</a>, <a href="https://ianmiell.github.io/sw-job-title-family-tree/">Интерактивное древо должностей</a>, <a href="https://github.com/ianmiell/sw-job-title-family-tree">GitHub: ianmiell/sw-job-title-family-tree</a>, <a href="https://news.ycombinator.com/item?id=50499038">Hacker News: обсуждение записи</a>, <a href="https://sre.google/sre-book/introduction/">Google: Site Reliability Engineering, Introduction</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Почему код от ИИ предлагают открыть и что об этом говорит закон</title>
      <link>https://tproger.ru/articles/pochemu-kod-ot-ii-predlagayut-otkryt-i-chto-ob-etom-govorit-zakon</link>
      <comments>https://tproger.ru/articles/pochemu-kod-ot-ii-predlagayut-otkryt-i-chto-ob-etom-govorit-zakon?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/pochemu-kod-ot-ii-predlagayut-otkryt-i-chto-ob-etom-govorit-zakon</guid>
      <description><![CDATA[<p>Разбираем эссе Jakub T. Jankiewicz: почему код от ИИ могут не охранять в США, что написано в законе Великобритании и ГК РФ и чем возражают на Hacker News.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/pochemu-kod-ot-ii-predlagayut-otkryt-i-chto-ob-etom-govorit-zakon">Почему код от ИИ предлагают открыть и что об этом говорит закон</a>»</p>]]></description>
      <category><![CDATA[Open Source]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Авторское право]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:46:12 GMT</pubDate>
      <content:encoded><![CDATA[<p>Польский разработчик Jakub T. Jankiewicz 13 ноября 2026 года опубликовал короткое эссе <a href="https://jakub.jankiewicz.org/blog/ai-code-open-source/">«All AI-generated code should be Open Source»</a>: весь код, который написала нейросеть, по его мнению, нужно выпускать под открытой лицензией или отдавать в общественное достояние. 15 ноября текст попал на Hacker News и к 20:40 мск 16 ноября собрал там 1220 очков и 647 комментариев.</p><p>Спор касается каждой команды, которая отдаёт задачи ИИ-агентам целиком. Если сгенерированный код по местным законам не охраняется авторским правом, компания не сможет запретить его копировать, и открытая лицензия превращается в пустую формальность. Ниже — пересказ доводов автора с короткими цитатами, сверка с документами Бюро авторского права США, британским законом и Гражданским кодексом РФ, а также главные возражения из обсуждения.</p><p>Блог автора распространяется по лицензии <a href="https://creativecommons.org/licenses/by-nc-sa/4.0/">CC BY-NC-SA 4.0</a>, которая не разрешает коммерческое использование, поэтому полного перевода здесь нет — только пересказ эссе и короткие цитаты.</p><ul><li>Эссе вышло 13 ноября 2026 года; на Hacker News у него 1220 очков и 647 комментариев на вечер 16 ноября.</li><li>Доводов два: модели обучены на открытом коде и ответах Stack Overflow под CC BY-SA, а произведение без автора-человека в США не охраняется.</li><li>Бюро авторского права США в разъяснении от 16 марта 2023 года подтвердило: материал, созданный по одному лишь промпту, не регистрируется, а человеческий вклад (отбор, компоновка, переработка) охраняется.</li><li>В Великобритании у произведений, созданных компьютером, автор есть по закону, а охрана длится 50 лет.</li><li>Главное возражение читателей: если код не охраняется авторским правом, открытая лицензия на него ничего не регулирует.</li></ul><h2>Что именно предлагает Jankiewicz?</h2><p>Автор предлагает считать открытым любой код, который целиком написала модель, и приводит два довода: моральный и юридический. Свою позицию он сам называет спорной.</p><blockquote>This may be a hot take, but I strongly believe that all code generated by AI should be Open Source.</blockquote><p>Первый довод касается происхождения моделей. По словам автора, их обучали на огромном массиве открытого кода, накопленного с тех пор, как Ричард Столлман объявил о проекте GNU, и этот код собрали из интернета без разрешения и без указания авторства. Туда же он относит Stack Overflow и родственные сайты Stack Exchange. Проверить это легко: по <a href="https://stackoverflow.com/help/licensing">правилам Stack Overflow</a> все публичные ответы распространяются по лицензиям CC BY-SA версий 2.5, 3.0 или 4.0 в зависимости от даты, а они требуют указывать автора. Превращение этого общего знания в закрытый код Jankiewicz сравнивает с отмыванием лицензий.</p><blockquote>Turning this collective knowledge into proprietary, closed-source code feels like license laundering.</blockquote><p>Второй довод юридический: код, полностью написанный ИИ, создал не человек, поэтому охраняться авторским правом он не должен. Автор опирается на американскую практику (включая спор о селфи обезьяны) и на правила «Викисклада», но сам оговаривается: в мире законы разные, и Великобритания, например, даёт ограниченную охрану произведениям, созданным компьютером.</p><p>Отсюда предложение: чтобы правила работали одинаково во всех юрисдикциях, разработчики и компании должны явно выпускать сгенерированный код под открытыми лицензиями или передавать его в общественное достояние через Creative Commons Zero (CC0). Границу автор проводит по вкладу человека. Код редко бывает на 100% ручным или на 100% автоматическим, но разработчики всё чаще принимают результат, даже не просмотрев его. По мнению Jankiewicz, открытым точно должен быть код, в который человек вложил только промпты.</p><h2>Правда ли, что в США код от ИИ не защищён авторским правом?</h2><p>Частично правда: американское ведомство не регистрирует материал, который создала машина по одному лишь запросу, но человеческий вклад в такую работу остаётся под охраной. Это следует из <a href="https://www.federalregister.gov/documents/2023/03/16/2023-05321/copyright-registration-guidance-works-containing-material-generated-by-artificial-intelligence">разъяснения Бюро авторского права США</a>, опубликованного в Federal Register 16 марта 2023 года (88 FR 16190). Новых правил документ не вводит: он применяет к генеративным моделям давнее требование человеческого авторства.</p><p>Логика документа такая. Бюро выясняет, кто на деле задумал и исполнил «традиционные элементы авторства». Если система получает от человека только промпт и в ответ выдаёт сложный текст, изображение или музыку, эти элементы определяет технология, и такую работу ведомство не зарегистрирует. По оценке Бюро, пользователь не контролирует, как система истолкует запрос. При этом каждую заявку разбирают отдельно: человек может отобрать и скомпоновать сгенерированный материал достаточно творчески или переработать его так, что правки сами дотянут до планки охраны. Тогда защищается именно человеческая часть.</p><p>Отсюда обязанность для заявителей: в заявке нужно раскрыть, что в работе есть сгенерированный материал, коротко описать вклад человека и исключить сгенерированную часть, если она существенна.</p><p>Отсылка автора к обезьяне тоже точна. Речь о <a href="https://en.wikipedia.org/wiki/Monkey_selfie_copyright_dispute">споре вокруг селфи хохлатого макака</a>, снятого на камеру британского фотографа Дэвида Слейтера. В декабре 2014 года Бюро включило в свой свод практики пример: фотографию, сделанную обезьяной, зарегистрировать нельзя. В апреле 2018 года апелляционный суд девятого округа в деле Naruto v. Slater подтвердил, что закон не даёт животным права подавать иски о нарушении авторских прав. В разъяснении 2023 года Бюро прямо ссылается на это решение.</p><p>С тех пор позиция укрепилась. 29 января 2025 года Бюро выпустило <a href="https://www.copyright.gov/ai/">вторую часть отчёта «Copyright and Artificial Intelligence»</a>, посвящённую охраноспособности результатов генеративного ИИ. А 18 марта 2025 года апелляционный суд округа Колумбия в деле <a href="https://law.justia.com/cases/federal/appellate-courts/cadc/23-5233/23-5233-2025-03-18.html">Thaler v. Perlmutter</a> оставил в силе отказ зарегистрировать картину, единственным автором которой заявитель Стивен Талер указал свою систему Creativity Machine. Суд постановил, что закон об авторском праве требует автора-человека.</p><p>Примеры в разъяснении и оба судебных дела касаются изображений и текстов. Спора именно о сгенерированном программном коде среди них нет, хотя само требование человеческого авторства Бюро формулирует для любых произведений.</p><h2>Почему в Великобритании и других странах правила другие?</h2><p>Потому что британский закон прямо называет автора произведения, которое создал компьютер. По <a href="https://www.legislation.gov.uk/ukpga/1988/48/section/9">статье 9(3) закона Copyright, Designs and Patents Act 1988</a> автором литературного, драматического, музыкального или художественного произведения, созданного компьютером, считается лицо, которое организовало всё необходимое для его создания. <a href="https://www.legislation.gov.uk/ukpga/1988/48/section/12">Статья 12(7)</a> ограничивает срок: охрана заканчивается через 50 лет после конца года, в котором произведение создано.</p><p>На это и ссылается автор эссе, когда приводит в пример «Викисклад». <a href="https://commons.wikimedia.org/wiki/Commons:AI-generated_media">Правила Wikimedia Commons</a> требуют ставить на сгенерированные изображения шаблон PD-algorithm, который помечает их как общественное достояние. Исключений два: человек существенно переработал результат или изображение явно производно от конкретного произведения, созданного без ИИ. Там же рекомендуют добавлять свободную лицензию на случай стран вроде Великобритании и Китая. Про Китай в правилах упомянуто дело Li v. Liu 2023 года: суд признал охраняемым изображение из Stable Diffusion, учтя составление промпта, подбор параметров и выбор результата.</p><p>В российском Гражданском кодексе отдельной нормы о произведениях, созданных компьютером, нет. Общая формула такая: автором результата интеллектуальной деятельности признаётся гражданин, творческим трудом которого создан такой результат (<a href="https://www.consultant.ru/document/cons_doc_LAW_64629/61d6709b930465436b5adb0943843ed28ff5dd8e/">статья 1228</a>), и то же сказано об авторе произведения в <a href="https://www.consultant.ru/document/cons_doc_LAW_64629/7dde8dbb10c5ce94297e5eb859712be091044d70/">статье 1257</a>. Как эти нормы применять к коду, написанному моделью по запросу, из текста закона прямо не следует.</p><p>Из этой разницы и вырастает идея эссе. Один и тот же сгенерированный модуль в одной стране может оказаться ничьим, а в другой получить автора и срок охраны. Явная лицензия или CC0, по замыслу Jankiewicz, снимает эту неопределённость.</p><h2>С чем спорят читатели на Hacker News?</h2><p>Чаще всего в <a href="https://news.ycombinator.com/item?id=50507303">обсуждении</a> указывают на внутреннее противоречие: лицензия работает только там, где есть авторское право. Один из комментаторов сформулировал это так: лицензии существуют потому, что код охраняется, а если сгенерированный код не охраняется, никакая лицензия им управлять не может. В такой логике от предложения автора остаётся только вторая половина — передача в общественное достояние.</p><p>Остальные возражения сводятся к четырём линиям.</p><ul><li><b>Люди тоже учатся на открытом коде.</b> Если обучение на чужих репозиториях обязывает открывать результат, то же требование пришлось бы предъявить любому программисту, который читал открытые проекты и ответы на Stack Overflow.</li><li><b>Вклад человека не сводится к строкам.</b> Разработчики, которые месяцами ведут проект с агентом, пишут, что постановка задач, архитектура и проверка остаются их работой, даже если каждую строку набрала модель. Для американского Бюро этого мало: постановка задач и руководство сами по себе авторства не создают, охраняется творческий отбор, компоновка и переработка результата.</li><li><b>Ответственность несут люди.</b> За результат и убытки отвечают разработчик и владелец бизнеса; модель ничем не рискует.</li><li><b>Принуждение вызывает отторжение.</b> Часть читателей считает, что обязывать кого-либо открывать код нельзя в принципе, и называет позицию автора слишком жёсткой для практики.</li></ul><p>Есть и голоса в поддержку. Автор нескольких проектов под AGPL рассказал, что ранние модели выдавали его код почти дословно, а компания, которую он уличил в нарушении лицензии, после нескольких месяцев переписки поручила модели переписать систему заново. Проверить эту историю по обсуждению нельзя, но она показывает, чего опасаются авторы открытых проектов.</p><p>Отдельная ветка напоминает про позицию Бюро: участник привёл выводы отчёта 2025 года, по которым использование ИИ как помощника оставляет работу под охраной, а полностью сгенерированный материал под неё не попадает. Сам спор о том, <a href="https://tproger.ru/news/opros-6221-self-hostera-forgejo-obowyol-gitea-a-ii-ispolzuyut-6">насколько автор обязан понимать код, написанный с ИИ</a>, идёт и за пределами юридических форумов.</p><h2>Что из этого следует для команды, которая пишет код с ИИ?</h2><p>Практический вывод не зависит от того, согласны ли вы с Jankiewicz: права на сгенерированный код нельзя считать само собой разумеющимися. С чужим открытым кодом вопрос стоял и раньше: о том, <a href="https://tproger.ru/articles/kod-svobodnyj--ispolzujte-kto-hotite--licenzii-opensorsnyh-zavisimostej-v-proprietarnoj-razrabotke">как лицензии опенсорсных зависимостей работают в проприетарной разработке</a>, у нас есть отдельный материал. По нашей оценке, полезно сделать четыре вещи.</p><ol><li>Разделить в репозитории код, который человек проектировал и правил, и код, принятый от агента без просмотра. История коммитов и ревью пригодится, если вклад человека придётся доказывать.</li><li>Проверять сгенерированный код и перерабатывать его. В американской логике охраняется человеческий отбор, компоновка и переработка; промпт сам по себе авторства не создаёт.</li><li>При регистрации программы в США раскрывать сгенерированные части, как того требует разъяснение Бюро от 16 марта 2023 года.</li><li>Если проект открытый, решить, как помечать сгенерированные вклады. Вариант из эссе для полностью машинного кода — CC0.</li></ol><p>Чем больше работы уходит агентам, тем чаще такие вопросы будут возникать: в <a href="https://tproger.ru/news/claude-fable-5-2-i-opus-5-5-vozglavili-rejting-ii-agentov-dlya-ko">рейтингах ИИ-агентов для кода</a> модели уже соревнуются в задачах, которые выполняют без участия человека. Бюро авторского права США обещает финальную версию третьей части отчёта — об обучении моделей на охраняемых материалах; предварительную версию ведомство выпустило 9 мая 2025 года. Она ближе всего к первому доводу эссе, об использовании открытого кода для обучения.</p><p>Источники: <a href="https://jakub.jankiewicz.org/blog/ai-code-open-source/">Jakub T. Jankiewicz: All AI-generated code should be Open Source</a>, <a href="https://news.ycombinator.com/item?id=50507303">Hacker News: обсуждение эссе</a>, <a href="https://www.federalregister.gov/documents/2023/03/16/2023-05321/copyright-registration-guidance-works-containing-material-generated-by-artificial-intelligence">Federal Register: Copyright Registration Guidance, 88 FR 16190</a>, <a href="https://www.copyright.gov/ai/">U.S. Copyright Office: Copyright and Artificial Intelligence</a>, <a href="https://law.justia.com/cases/federal/appellate-courts/cadc/23-5233/23-5233-2025-03-18.html">Thaler v. Perlmutter (D.C. Cir. 2025)</a>, <a href="https://en.wikipedia.org/wiki/Monkey_selfie_copyright_dispute">Wikipedia: Monkey selfie copyright dispute</a>, <a href="https://commons.wikimedia.org/wiki/Commons:AI-generated_media">Wikimedia Commons: AI-generated media</a>, <a href="https://www.legislation.gov.uk/ukpga/1988/48/section/9">Copyright, Designs and Patents Act 1988, section 9</a>, <a href="https://www.legislation.gov.uk/ukpga/1988/48/section/12">Copyright, Designs and Patents Act 1988, section 12</a>, <a href="https://stackoverflow.com/help/licensing">Stack Overflow: лицензирование контента</a>, <a href="https://www.consultant.ru/document/cons_doc_LAW_64629/61d6709b930465436b5adb0943843ed28ff5dd8e/">ГК РФ, статья 1228</a>, <a href="https://www.consultant.ru/document/cons_doc_LAW_64629/7dde8dbb10c5ce94297e5eb859712be091044d70/">ГК РФ, статья 1257</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Roadmap фронтенд-разработчика на 2027 год: что учить и в каком порядке</title>
      <link>https://tproger.ru/articles/roadmap-frontend-razrabotchika-na-2027-god-chto-uchit-i-v-kakom-p</link>
      <comments>https://tproger.ru/articles/roadmap-frontend-razrabotchika-na-2027-god-chto-uchit-i-v-kakom-p?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/roadmap-frontend-razrabotchika-na-2027-god-chto-uchit-i-v-kakom-p</guid>
      <description><![CDATA[<p>План изучения фронтенда на 2027 год: HTML, CSS, JavaScript, TypeScript 7, React 19 или Vue, Vite 8, Vitest, Playwright, Core Web Vitals. Сверено 16 ноября 2026.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/roadmap-frontend-razrabotchika-na-2027-god-chto-uchit-i-v-kakom-p">Roadmap фронтенд-разработчика на 2027 год: что учить и в каком порядке</a>»</p>]]></description>
      <category><![CDATA[JavaScript]]></category>
      <category><![CDATA[Для начинающих]]></category>
      <category><![CDATA[Веб-разработка]]></category>
      <category><![CDATA[Карьера]]></category>
      <category><![CDATA[TypeScript]]></category>
      <category><![CDATA[Фронтенд]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:45:24 GMT</pubDate>
      <content:encoded><![CDATA[<p>Фронтенд-разработчик отвечает за ту часть сайта или приложения, с которой взаимодействует пользователь: вёрстку, логику интерфейса и работу с данными сервера. Основа профессии не изменилась — это по-прежнему HTML, CSS и JavaScript. Зато инструменты вокруг обновились: в июле 2026 года вышел TypeScript 7.0 с компилятором на Go, сборщик Vite перешёл на движок Rolldown, а React, Vue, Angular и Svelte выпустили свежие релизы.</p><p>Этот план подойдёт тем, кто начинает учиться сейчас и собирается искать работу в 2027 году. Маршрут выстроен от обязательной базы к рабочим инструментам: браузерная платформа, TypeScript, фреймворк, сборка, тестирование и производительность. Версии сверены с первоисточниками 16 ноября 2026 года, а доли технологий взяты из опроса <a href="https://devecosystem.jetbrains.com/tools-and-trends">JetBrains State of Developer Ecosystem 2026</a>, в котором участвовали 28 945 разработчиков из 198 стран.</p><ul><li>База остаётся прежней: HTML, CSS и JavaScript. По опросу JetBrains 2026 года JavaScript используют 59% разработчиков, HTML и CSS 52%.</li><li>TypeScript вырос с 12% в 2017 году до 43% в 2026 году и занял первое место в индексе перспективности языков JetBrains с 212 баллами против 6 у JavaScript.</li><li>TypeScript 7.0 вышел 8 июля 2026 года с компилятором на Go; по оценке Microsoft, полная сборка обычно идёт в 8–12 раз быстрее, чем на TypeScript 6.</li><li>Актуальные версии на 16 ноября 2026 года: React 19.3.1, Vue 3.5.45, Angular 22.2.6, Svelte 5.57.3, Vite 8.3.8, Vitest 5.1.0, Playwright 1.65.1.</li><li>Целевые значения Core Web Vitals: LCP до 2,5 секунды, INP до 200 миллисекунд, CLS до 0,1 на 75-м процентиле загрузок.</li></ul><h2>С чего начинать фронтенд в 2027 году?</h2><p>С HTML, CSS и JavaScript, именно в таком порядке. Дорожная карта <a href="https://roadmap.sh/frontend">roadmap.sh</a> называет их тремя базовыми навыками, без которых остальные просто не применить, и добавляет к ним ещё одиннадцать: доступность, Git, адаптивную вёрстку, основы UX, SEO, работу с REST API, тестирование и отладку, инструменты разработчика в браузере, фреймворк, производительность и TypeScript.</p><blockquote>The main skills required to become a frontend developer are HTML, CSS, and JavaScript. The rest are also important, but without those three basic ones, you can't apply any of the others.</blockquote><p>При этом базовые технологии всё ещё самые массовые. В опросе JetBrains 2026 года JavaScript назвали 59% разработчиков, HTML и CSS 52%, а пользовательский интерфейс входит в задачи 48% опрошенных. На пике в 2020 году у JavaScript было 70%, с тех пор его доля понемногу снижается.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/7e95b3eb-e7e7-49e0-ad2f-7f4f7ca5d7ae.webp" alt="Линейный график доли разработчиков, использующих язык, с 2017 по 2026 год: JavaScript снизился с 65% до 59%, HTML и CSS с 60% до 52%, TypeScript вырос с 12% до 43%" /><figcaption>Доля разработчиков, использующих JavaScript, HTML, CSS и TypeScript с 2017 по 2026 год. График: Tproger по данным JetBrains, State of Developer Ecosystem 2026</figcaption></figure><p>На практике в базу входят четыре направления:</p><ul><li><b>HTML.</b> Семантические теги, формы и их проверка, изображения, метаданные страницы.</li><li><b>CSS.</b> Каскад и специфичность, Flexbox, Grid, адаптивная вёрстка, пользовательские свойства, анимации.</li><li><b>JavaScript.</b> Типы и функции, замыкания, модули, работа с DOM и событиями, асинхронность (промисы и async/await), запросы к серверу через fetch.</li><li><b>Браузер.</b> Инструменты разработчика: инспектор, сеть, отладчик, профилировщик производительности.</li></ul><h2>Какие возможности браузеров можно использовать без оглядки на совместимость?</h2><p>Те, что получили статус Baseline Widely available, с поправкой на браузеры вашей аудитории. Baseline — это <a href="https://web.dev/baseline">общая шкала</a> поддержки веб-возможностей в основных браузерах с двумя уровнями. Newly available означает, что возможность уже работает во всех основных браузерах. Статус Widely available присваивается через 30 месяцев после этого: такой возможностью большинство сайтов может пользоваться без лишних проверок поддержки. Набор возможностей, получивших первый статус в текущем году, называют Baseline 2026.</p><p>На Baseline ориентируются и современные инструменты. Например, Vite в режиме разработки рассчитывает на актуальный браузер, а служебный код его сервера использует возможности уровня Baseline Newly Available на момент выхода каждой крупной версии — об этом сказано в <a href="https://vite.dev/guide/">документации</a>. Для новичка правило простое: статус возможности лучше проверять до того, как тянуть в проект полифил или стороннюю библиотеку.</p><p>Вторая обязательная тема браузерной платформы — доступность. Действующий стандарт <a href="https://www.w3.org/TR/WCAG22/">WCAG 2.2</a> имеет статус рекомендации W3C от 12 декабря 2024 года. Базовый минимум включает семантическую разметку, управление с клавиатуры, достаточный контраст, а также подписи к элементам форм и изображениям. С чего начать проверку, разобрано в материале <a href="https://tproger.ru/articles/chto-takoe-dostupnost-sajta-i-kak-ejo-proverit">о доступности сайта</a>.</p><h2>Нужен ли TypeScript с первого дня?</h2><p>С первого дня нет, а вот до первого резюме точно да. Сначала разберитесь с самим JavaScript, затем переходите на TypeScript: это тот же язык, но с проверкой типов до запуска. В опросе JetBrains его доля выросла с 12% в 2017 году до 43% в 2026 году, и в этом году он впервые обошёл Java.</p><p>В рейтинге перспективности Language Promise Index, который JetBrains считает по росту за пять лет, намерению перейти на язык и лояльности разработчиков, TypeScript занял первое место с 212 баллами. У JavaScript при этом 6 баллов.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/0a5a6990-74d6-4db3-a312-333038bc8892.webp" alt="Горизонтальная диаграмма JetBrains Language Promise Index 2026: TypeScript 212, Rust 179, Python 146, C++ 100, Go 83, Dart 82, Kotlin 80, Java 55, PHP 40, C# 39, HTML и CSS 19, JavaScript 6" /><figcaption>JetBrains Language Promise Index, 2026 год, баллы. График: Tproger по данным JetBrains, State of Developer Ecosystem 2026</figcaption></figure><p>Главное событие года в экосистеме — выход <a href="https://devblogs.microsoft.com/typescript/announcing-typescript-7-0/">TypeScript 7.0</a> 8 июля 2026 года. Компилятор перенесли на Go, сохранив структуру и логику прежнего кода. Актуальным выпуском на 16 ноября остаётся 7.0.2 от 20 августа, а с 20 октября доступна бета-версия 7.1.</p><blockquote>TypeScript 7 brings native code speed, shared memory multithreading, and a number of new optimizations that typically yield speedups between 8x and 12x on full builds.</blockquote><p>Это оценка самой Microsoft в сравнении с TypeScript 6, и на конкретном проекте выигрыш может оказаться другим. При этом суть языка от смены компилятора не поменялась. Вот пример сужения типа из <a href="https://www.typescriptlang.org/docs/handbook/2/everyday-types.html">справочника TypeScript</a>: параметр может быть числом или строкой, и компилятор следит, чтобы строковый метод вызывался только в нужной ветке.</p><p>Систему типов, настройку tsconfig.json и перевод проекта с JavaScript подробно разбирает <a href="https://tproger.ru/articles/typescript-v-2026-godu-polnyj-putevoditel-dlya-razrabotchika">путеводитель по TypeScript</a>.</p><h2>Какой фреймворк выбрать: React, Vue, Angular или Svelte?</h2><p>Один основной, а остальные на уровне общего понимания — так формулирует подход roadmap.sh, приводя в пример React и Vue. Свежей независимой статистики по долям фреймворков у нас нет, поэтому ранжировать их по популярности мы не будем. Ориентируйтесь на вакансии, на которые планируете откликаться: компонентный подход, работа с состоянием, маршрутизация и запросы к серверу устроены во всех четырёх похоже.</p><p>Фреймворки и библиотеки интерфейсов, ноябрь 2026 года</p><table><thead><tr><th>Проект</th><th>Актуальная версия</th><th>Дата выпуска</th></tr></thead><tbody><tr><td>React</td><td>19.3.1</td><td>14 октября 2026</td></tr><tr><td>Vue</td><td>3.5.45</td><td>5 ноября 2026</td></tr><tr><td>Angular</td><td>22.2.6</td><td>12 ноября 2026</td></tr><tr><td>Svelte</td><td>5.57.3</td><td>26 октября 2026</td></tr><tr><td>Next.js (на React)</td><td>16.4.6</td><td>9 ноября 2026</td></tr></tbody></table><p>страницы релизов проектов на GitHub, проверено 16 ноября 2026 года</p><p>Компонент в React — это обычная функция, которая возвращает разметку. Пример из <a href="https://react.dev/learn">официального введения</a>:</p><p>После основ фреймворка логично перейти к его серверной надстройке. Для React это, например, Next.js: он берёт на себя рендеринг на сервере, маршрутизацию и сборку. Браться за надстройку раньше, чем станут понятны компоненты и состояние, не нужно: она добавляет свой слой концепций поверх базовой библиотеки.</p><h2>Чем собирать и оформлять проект?</h2><p>Для нового проекта разумно взять Vite. В <a href="https://vite.dev/blog/announcing-vite8">версии 8</a>, вышедшей 12 марта 2026 года, связку из esbuild и Rollup заменил единый сборщик Rolldown на Rust. По бенчмаркам команды Vite, он в 10–30 раз быстрее Rollup; там же указано, что Vite скачивают 65 млн раз в неделю. Актуальная версия на 16 ноября — 8.3.8 от 11 ноября. Vite требует Node.js 20.19 и новее или 22.12 и новее, а шаблон проекта разворачивается одной командой:</p><p>Вокруг сборщика нужны ещё три инструмента. Во-первых, менеджер пакетов: npm идёт вместе с Node.js, а альтернативы сравниваются в материале <a href="https://tproger.ru/articles/kakoj-menedzher-paketov-vybrat-dlya-javascript-proekta-v-2026-god">о выборе менеджера пакетов</a>. Во-вторых, линтер: у ESLint актуальна версия 10.15.0 от 13 ноября. В-третьих, подход к стилям: чистый CSS с модулями либо утилитарный фреймворк Tailwind CSS, версия 4.3.5 которого вышла 6 ноября; переход на четвёртую ветку описан в <a href="https://tproger.ru/articles/kak-perejti-na-tailwind-css-4-i-ne-slomat-vyorstku-v-2026-godu">отдельном гайде</a>.</p><h2>Как тестировать интерфейс?</h2><p>Двумя уровнями тестов: модульными для функций и компонентов и сквозными для сценариев в настоящем браузере. Для первого уровня в проектах на Vite обычно берут Vitest: версия 5.1.0 вышла 2 ноября 2026 года и требует Vite 6.4.0 и Node.js 22.12.0 или новее. Простой тест из <a href="https://vitest.dev/guide/">руководства</a> выглядит так:</p><p>Сквозные тесты пишут на Playwright: он открывает страницу в браузере и воспроизводит действия пользователя. Актуальная версия 1.65.1 вышла 13 ноября 2026 года. Первый тест за 15 минут разобран в <a href="https://tproger.ru/articles/playwright---vs-code--ustanovka-i-pervyj-test-za-15-minut">материале о Playwright и VS Code</a>.</p><h2>По каким метрикам оценивают скорость сайта?</h2><p>По трём метрикам Core Web Vitals. Их целевые значения Google описывает на <a href="https://web.dev/articles/vitals">web.dev</a>:</p><p>Core Web Vitals: что измеряют и к чему стремиться</p><table><thead><tr><th>Метрика</th><th>Что измеряет</th><th>Хорошее значение</th></tr></thead><tbody><tr><td>LCP, Largest Contentful Paint</td><td>скорость загрузки: когда отрисован самый крупный элемент</td><td>до 2,5 секунды</td></tr><tr><td>INP, Interaction to Next Paint</td><td>отзывчивость: задержка между действием и откликом</td><td>до 200 миллисекунд</td></tr><tr><td>CLS, Cumulative Layout Shift</td><td>визуальную стабильность: сдвиги макета</td><td>до 0,1</td></tr></tbody></table><p>web.dev, проверено 16 ноября 2026 года</p><p>Оценивать эти показатели рекомендуют по 75-му процентилю загрузок страницы, отдельно для мобильных устройств и компьютеров. Страница считается прошедшей проверку, если на этом уровне укладывается во все три порога. Для фронтендера это прямые требования к коду: размер и формат изображений, объём JavaScript, зарезервированное место под баннеры и шрифты, а также тяжёлые обработчики событий.</p><h2>В каком порядке учить фронтенд?</h2><p>От платформы к инструментам. Каждый шаг ниже заканчивается чем-то работающим, а последний даёт готовый проект для портфолио.</p><ol><li><b>HTML и CSS.</b> Сверстать несколько адаптивных страниц без фреймворков.</li><li><b>JavaScript.</b> Добавить к страницам логику: формы, запросы к открытому API, обработку ошибок.</li><li><b>Git.</b> Вести проекты в репозитории, работать с ветками.</li><li><b>Доступность и инструменты браузера.</b> Проверить свои страницы с клавиатуры и в инспекторе.</li><li><b>TypeScript.</b> Перевести один из проектов на типы.</li><li><b>Фреймворк.</b> React, Vue, Angular или Svelte: компоненты, состояние, маршрутизация, запросы к серверу.</li><li><b>Сборка и стили.</b> Vite, менеджер пакетов, линтер, выбранный подход к CSS.</li><li><b>Тесты.</b> Vitest для логики и компонентов, Playwright для ключевых сценариев.</li><li><b>Производительность.</b> Измерить Core Web Vitals своего проекта и довести их до целевых значений.</li><li><b>Итоговый проект.</b> Приложение с несколькими экранами, данными с сервера, тестами и выкладкой в открытый доступ.</li></ol><p>Со стороны сервера фронтендеру достаточно понимать HTTP и REST; остальная часть подробно разобрана в <a href="https://tproger.ru/articles/kak-stat-bekend-razrabotchikom-v-2026-godu-roadmap-ot-yazyka-do">roadmap бэкенд-разработчика</a>.</p><h2>Что изменится во фронтенде в 2027 году?</h2><p>Больше всего на профессию влияют ИИ-инструменты. В опросе JetBrains написание шаблонного, повторяющегося кода готовы делегировать ИИ 80% разработчиков, тесты 75%, прототипы 65%, тогда как логику приложения только 50% и ревью кода 43%. По нашей оценке, вёрстка типовых компонентов ближе к первой группе, поэтому ценность специалиста смещается к тому, что агенту доверяют реже: архитектура интерфейса, доступность, производительность и ревью кода. Подробности есть в <a href="https://tproger.ru/articles/opros-jetbrains-54-polzovatelej-agentov-delayut-s-nimi-bolee-6">разборе опроса</a>.</p><p>Из инструментов стоит следить за TypeScript 7.1, который находится в бета-версии с 20 октября 2026 года, и за пополнением набора Baseline: в него попадают возможности, становящиеся в течение года доступными во всех основных браузерах. Учёбу при этом лучше строить на текущих стабильных версиях из таблиц выше.</p><p>Источники: <a href="https://roadmap.sh/frontend">roadmap.sh: Frontend Developer</a>, <a href="https://devecosystem.jetbrains.com/tools-and-trends">JetBrains: State of Developer Ecosystem 2026, Tools and trends</a>, <a href="https://devecosystem.jetbrains.com/artificial-intelligence">JetBrains: State of Developer Ecosystem 2026, Artificial intelligence</a>, <a href="https://web.dev/baseline">web.dev: Baseline</a>, <a href="https://www.w3.org/TR/WCAG22/">W3C: Web Content Accessibility Guidelines (WCAG) 2.2</a>, <a href="https://devblogs.microsoft.com/typescript/announcing-typescript-7-0/">Microsoft: Announcing TypeScript 7.0</a>, <a href="https://github.com/microsoft/TypeScript/releases/tag/v7.0.2">TypeScript 7.0.2</a>, <a href="https://www.typescriptlang.org/docs/handbook/2/everyday-types.html">TypeScript Handbook: Everyday Types</a>, <a href="https://react.dev/versions">React: Versions</a>, <a href="https://react.dev/learn">React: Quick Start</a>, <a href="https://github.com/facebook/react/releases/tag/v19.3.1">React 19.3.1</a>, <a href="https://github.com/vuejs/core/releases/tag/v3.5.45">Vue 3.5.45</a>, <a href="https://github.com/angular/angular/releases/tag/v22.2.6">Angular 22.2.6</a>, <a href="https://github.com/sveltejs/svelte/releases/tag/svelte%405.57.3">Svelte 5.57.3</a>, <a href="https://github.com/vercel/next.js/releases/tag/v16.4.6">Next.js 16.4.6</a>, <a href="https://vite.dev/blog/announcing-vite8">Vite: Announcing Vite 8</a>, <a href="https://vite.dev/guide/">Vite: Getting Started</a>, <a href="https://github.com/vitejs/vite/releases/tag/v8.3.8">Vite 8.3.8</a>, <a href="https://github.com/tailwindlabs/tailwindcss/releases/tag/v4.3.5">Tailwind CSS 4.3.5</a>, <a href="https://vitest.dev/guide/">Vitest: Getting Started</a>, <a href="https://github.com/microsoft/playwright/releases/tag/v1.65.1">Playwright 1.65.1</a>, <a href="https://web.dev/articles/vitals">web.dev: Web Vitals</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Как стать бэкенд-разработчиком в 2026 году: roadmap от языка до продакшена</title>
      <link>https://tproger.ru/articles/kak-stat-bekend-razrabotchikom-v-2026-godu-roadmap-ot-yazyka-do</link>
      <comments>https://tproger.ru/articles/kak-stat-bekend-razrabotchikom-v-2026-godu-roadmap-ot-yazyka-do?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/kak-stat-bekend-razrabotchikom-v-2026-godu-roadmap-ot-yazyka-do</guid>
      <description><![CDATA[<p>Что учить бэкенд-разработчику в 2026 году: язык, HTTP и OpenAPI, PostgreSQL, очереди, Docker, наблюдаемость, OWASP Top 10:2025. Версии сверены 16 ноября 2026.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/kak-stat-bekend-razrabotchikom-v-2026-godu-roadmap-ot-yazyka-do">Как стать бэкенд-разработчиком в 2026 году: roadmap от языка до продакшена</a>»</p>]]></description>
      <category><![CDATA[Для начинающих]]></category>
      <category><![CDATA[Обучение программированию]]></category>
      <category><![CDATA[Карьера]]></category>
      <category><![CDATA[Базы данных]]></category>
      <category><![CDATA[Бэкенд]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:39:09 GMT</pubDate>
      <content:encoded><![CDATA[<p>Бэкенд-разработчик пишет серверную часть приложений: логику, работу с базами данных и API, которыми пользуются сайты, мобильные клиенты и другие сервисы. Набор тем за последние годы почти не изменился, зато сменились версии и приоритеты: PostgreSQL оторвался от MySQL, в списке OWASP появились сбои в цепочке поставок ПО, а интеграцией с ИИ занимается уже больше трети разработчиков.</p><p>Путь в бэкенд на 2026 и 2027 годы складывается из понятной цепочки: язык программирования, HTTP, базы данных, очереди, контейнеры и наблюдаемость. Он подойдёт новичкам и тем, кто переходит из фронтенда или тестирования. Версии инструментов сверены с первоисточниками 16 ноября 2026 года, а доли использования взяты из опроса <a href="https://devecosystem.jetbrains.com/tools-and-trends">JetBrains State of Developer Ecosystem 2026</a> (28 945 разработчиков из 198 стран).</p><ul><li>Первый язык выбирают из Python, Java, Go, C#, TypeScript и PHP; по опросу JetBrains 2026 года самый используемый язык — Python (65%), а в верхнюю четверть по зарплате чаще всего попадают пишущие на Rust (43%) и Go (42%).</li><li>Первая база данных — PostgreSQL: её используют 59% разработчиков против 54% у MySQL; актуальная версия 18.7 вышла 12 ноября 2026 года.</li><li>API описывают по спецификации OpenAPI, актуальная версия 3.2.1 выпущена 10 сентября 2026 года.</li><li>OWASP Top 10:2025 поставил на третье место сбои в цепочке поставок ПО и добавил новую категорию об обработке исключительных ситуаций.</li><li>Интеграцией с ИИ занимаются 36% опрошенных разработчиков: это больше, чем обработкой и анализом данных (31%).</li></ul><h2>Какой язык выбрать для бэкенда в 2026 году?</h2><p>Любой из шести массовых: Python, Java, Go, C#, TypeScript на Node.js или PHP. Дорожная карта <a href="https://roadmap.sh/backend">roadmap.sh</a> советует новичку взять один язык, освоить его менеджер пакетов и идти дальше к базам данных и API. Принципы бэкенда от языка зависят мало, поэтому выбирать разумно по вакансиям в своём городе и по тому, какая экосистема ближе.</p><p>Языки бэкенда: версии и данные опроса JetBrains 2026 года</p><table><thead><tr><th>Язык</th><th>Актуальная версия</th><th>Используют, %</th><th>В верхней четверти по зарплате, %</th></tr></thead><tbody><tr><td>Python</td><td>3.15.2 от 25 октября 2026</td><td>65</td><td>31</td></tr><tr><td>JavaScript (Node.js)</td><td>Node.js 26.13.1 LTS от 10 ноября 2026</td><td>59</td><td>21</td></tr><tr><td>TypeScript</td><td>7.0.2 от 20 августа 2026</td><td>43</td><td>26</td></tr><tr><td>Java</td><td>JDK 25 LTS, промежуточный JDK 27</td><td>42</td><td>26</td></tr><tr><td>C#</td><td>.NET 11 от 10 ноября 2026</td><td>19</td><td>20</td></tr><tr><td>Go</td><td>1.27.4</td><td>16</td><td>42</td></tr><tr><td>PHP</td><td>8.5.12 от 21 октября 2026</td><td>16</td><td>14</td></tr><tr><td>Rust</td><td>1.100.0 от 12 ноября 2026</td><td>12</td><td>43</td></tr></tbody></table><p>официальные страницы релизов, проверено 16 ноября 2026 года; JetBrains, State of Developer Ecosystem 2026</p><p>Доли в третьем столбце показывают, сколько участников опроса используют язык; в сумме выходит больше 100%, потому что разработчики называют несколько языков. Четвёртый столбец — доля пишущих на языке, чья зарплата входит в верхнюю четверть по их стране или региону. Отчёт фиксирует связь языка с зарплатной группой и не объясняет её причин, так что сам по себе Go прибавки не гарантирует.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/7c02a534-db9d-4054-a2c8-9034d4ad987d.webp" alt="Горизонтальная диаграмма: доля разработчиков, использующих язык, в 2026 году: Python 65%, JavaScript 59%, TypeScript 43%, Java 42%, C++ 24%, C# 19%, Go 16%, PHP 16%, Kotlin 15%, Rust 12%" /><figcaption>Доля разработчиков, использующих язык, 2026 год. График: Tproger по данным JetBrains, State of Developer Ecosystem 2026</figcaption></figure><p>У Java и Python на Tproger есть отдельные материалы: свежий <a href="https://tproger.ru/articles/python--polnyj-putevoditel-dlya-razrabotchika">путеводитель по Python</a> и обзор того, <a href="https://tproger.ru/articles/kak-vojti-v-backend-razrabotku-na-java">как войти в бэкенд на Java</a>. Какой бы язык вы ни выбрали, сразу осваивайте Git и тесты: в командной разработке они нужны с первого дня.</p><h2>Что бэкендеру нужно знать про HTTP и API?</h2><p>HTTP, REST и описание API в формате OpenAPI: это основа повседневной работы. В опросе JetBrains 50% разработчиков сказали, что интегрируют внешние API и сервисы, а 45% сами предоставляют API. Минимум знаний: методы и коды ответов HTTP, заголовки, кэширование, формат JSON, аутентификация по токенам, версионирование API, пагинация и обработка ошибок.</p><p>OpenAPI позволяет описать API в файле, из которого генерируются документация, клиенты и проверки. Актуальная версия спецификации, <a href="https://github.com/OAI/OpenAPI-Specification/releases/tag/3.2.1">3.2.1</a>, вышла 10 сентября 2026 года. Так в <a href="https://github.com/OAI/OpenAPI-Specification/blob/main/versions/3.2.0.md">тексте спецификации 3.2</a> выглядит описание одного маршрута:</p><p>Когда REST освоен, имеет смысл посмотреть на gRPC для обмена между сервисами и на WebSocket для двусторонней связи с клиентом. Порядок важен: сначала уверенный REST с тестами и документацией, потом остальные протоколы. Практические правила проектирования собраны в переводе <a href="https://tproger.ru/translations/luchshie-praktiki-razrabotki-rest-api-20-sovetov">20 советов по разработке REST API</a>.</p><h2>Какую базу данных учить первой?</h2><p>PostgreSQL. В опросе JetBrains 2026 года её назвали 59% разработчиков, MySQL — 54%; годом раньше разрыв составлял 1 процентный пункт. Дальше идут SQLite (37%), Redis (27%) и MongoDB (23%). Авторы отчёта уточняют, что в 2026 году изменили способ набора участников, поэтому годовой рост на 9 процентных пунктов отчасти может объясняться методикой.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/d121f298-73cf-4abb-a9b6-a470108fb444.webp" alt="Горизонтальная диаграмма: базы данных по доле использования в 2026 году: PostgreSQL 59%, MySQL 54%, SQLite 37%, Redis 27%, MongoDB 23%, Microsoft SQL Server 20%, MariaDB 15%, Supabase 14%, Elasticsearch 13%, Oracle Database 12%" /><figcaption>Базы данных по доле разработчиков, которые их используют, 2026 год. График: Tproger по данным JetBrains, State of Developer Ecosystem 2026</figcaption></figure><blockquote>Last year, it was a photo finish. In 2026, PostgreSQL is clear of the field.</blockquote><p>Актуальная версия PostgreSQL на 16 ноября 2026 года — 18.7: корректирующие выпуски для веток с 14-й по 18-ю <a href="https://www.postgresql.org/support/versioning/">вышли</a> 12 ноября вместе со вторым кандидатом PostgreSQL 19. Этот выпуск стал последним для ветки 14; подробности есть в <a href="https://tproger.ru/news/postgresql-zakryl-52-uyazvimosti-i-prekratil-podderzhku-versii-14">новости об обновлении</a>.</p><p>В самой базе в первую очередь нужны четыре темы: язык SQL, индексы, транзакции и чтение планов запросов. Транзакция объединяет несколько операций в одну: либо выполнятся все, либо ни одна. Пример из <a href="https://www.postgresql.org/docs/current/tutorial-transactions.html">учебника PostgreSQL</a> про перевод денег между счетами:</p><p>Команда EXPLAIN показывает, как база собирается выполнять запрос. В <a href="https://www.postgresql.org/docs/current/using-explain.html">примере из документации</a> план состоит из последовательного чтения всей таблицы (Seq Scan) с оценкой в 10 000 строк:</p><p>Синтаксис запросов от первых SELECT до оконных функций разобран в <a href="https://tproger.ru/articles/sql--polnyj-putevoditel---ot-pervyh-zaprosov-do-okonnyh-funkcij">путеводителе по SQL</a>. После реляционной базы стоит познакомиться с Redis: это хранилище в памяти, которое используют для кэша, сессий и счётчиков. Его актуальная стабильная версия 8.10.3 вышла 26 октября 2026 года.</p><h2>Когда нужны очереди сообщений?</h2><p>Когда операцию нельзя или незачем выполнять внутри запроса пользователя: отправка писем, обработка файлов, обмен событиями между сервисами. Брокер принимает сообщение, хранит его и доставляет обработчику, а сервисы перестают зависеть от доступности друг друга в каждый момент времени.</p><ul><li><b>Apache Kafka</b> — распределённый журнал событий для потоков данных и интеграции многих сервисов; версия 4.4.0 вышла 13 октября 2026 года.</li><li><b>RabbitMQ</b> — классический брокер с очередями и маршрутизацией; версия 4.4.0 вышла 19 октября 2026 года.</li><li><b>NATS</b> — лёгкий сервер сообщений; хранение и повторную доставку в нём обеспечивает подсистема JetStream, без неё сообщения получают только подключённые подписчики. Версия 2.15.3 вышла 11 ноября 2026 года.</li></ul><p>Новичку достаточно понять одну систему и три идеи вокруг неё: гарантии доставки, идемпотентность обработчика и повторные попытки. Выбор между брокерами разобран в <a href="https://tproger.ru/articles/message-brokers-2025--kafka-vs-pulsar-vs-rabbitmq-vs-nats---jetstream-vs-redis-streams---kogda-chto-vybirat">сравнении Kafka, Pulsar, RabbitMQ и NATS</a>.</p><h2>Как упаковать сервис и довести его до продакшена?</h2><p>Сервис собирают в контейнер, настраивают через переменные окружения и выкатывают автоматическим конвейером. Общие правила такого сервиса описывает методология <a href="https://12factor.net/ru/">«Приложение двенадцати факторов»</a> Адама Уиггинса: одна кодовая база, явные зависимости, конфигурация в среде выполнения, процессы без внутреннего состояния, журнал как поток событий.</p><blockquote>Конфигурация может существенно различаться между развёртываниями, код не должен различаться.</blockquote><p>Из инструментов нужны Docker, один сервис CI и базовое представление о Kubernetes. Проект Kubernetes на 16 ноября 2026 года <a href="https://kubernetes.io/releases/">поддерживает</a> три последние ветки: 1.37, 1.36 и 1.35. Для начала хватит умения написать Dockerfile, поднять сервис с базой через Docker Compose и прочитать конфигурацию конвейера. Всё это есть в <a href="https://tproger.ru/articles/docker-v-2026-godu-polnyj-putevoditel-po-kontejneram">путеводителе по Docker</a> и в обзоре <a href="https://tproger.ru/articles/gde-vzyat-besplatnyj-ci-cd-v-2026-godu-i-skolko-minut-dayut">бесплатных CI/CD</a>.</p><h2>Как понять, что происходит с сервисом в продакшене?</h2><p>По трём видам телеметрии: логам, метрикам и трассировкам. Открытый стандарт для всех трёх — OpenTelemetry. Проект <a href="https://opentelemetry.io/docs/what-is-opentelemetry/">описывает себя</a> как набор инструментов для генерации, экспорта и сбора телеметрии, независимый от вендора; хранить и показывать данные он оставляет другим системам, например Jaeger и Prometheus.</p><p>На практике это три привычки: писать структурированные логи в стандартный вывод, как советуют двенадцать факторов, считать метрики запросов (количество, долю ошибок, время ответа) и передавать идентификатор трассировки между сервисами, чтобы видеть путь запроса целиком. Введение в тему есть в материале <a href="https://tproger.ru/articles/chto-takoe-opentelemetry-i-kak-ona-mozhet-uluchwit-kachestvo-vawih-servisov">о том, что такое OpenTelemetry</a>.</p><h2>Что нужно знать о безопасности?</h2><p>Начните со списка <a href="https://owasp.org/Top10/2025/">OWASP Top 10:2025</a>: это десять самых серьёзных классов рисков веб-приложений по данным тестирования и опросу сообщества. По сравнению с редакцией 2021 года в нём две новые категории и одно объединение.</p><ol><li><b>Broken Access Control</b>, нарушение контроля доступа. Сохранил первое место; в среднем 3,73% протестированных приложений имели хотя бы одну слабость из этой категории. Сюда же включили SSRF.</li><li><b>Security Misconfiguration</b>, ошибки конфигурации. Поднялась с пятого места на второе.</li><li><b>Software Supply Chain Failures</b>, сбои в цепочке поставок ПО. Расширенная версия прежней категории об уязвимых и устаревших компонентах: теперь она охватывает зависимости, системы сборки и инфраструктуру распространения.</li><li><b>Cryptographic Failures</b>, ошибки криптографии. Опустилась со второго места на четвёртое.</li><li><b>Injection</b>, внедрение. От межсайтового скриптинга до SQL-инъекций; опустилось с третьего места на пятое.</li><li><b>Insecure Design</b>, небезопасное проектирование.</li><li><b>Authentication Failures</b>, сбои аутентификации.</li><li><b>Software or Data Integrity Failures</b>, нарушение целостности ПО и данных.</li><li><b>Security Logging and Alerting Failures</b>, сбои журналирования и оповещений.</li><li><b>Mishandling of Exceptional Conditions</b>, неверная обработка исключительных ситуаций. Новая категория: ошибки обработки сбоев, логические ошибки, отказ в «открытое» состояние.</li></ol><p>Для повседневной работы из списка следуют простые правила: проверять права на каждом запросе, не собирать SQL из строк, не хранить секреты в коде, закреплять версии зависимостей и проверять их на уязвимости. Последнему посвящён материал <a href="https://tproger.ru/articles/kak-proverit-zavisimosti-proekta-na-uyazvimosti">о проверке зависимостей</a>.</p><h2>В каком порядке учить бэкенд?</h2><p>От одного языка к работающему сервису, затем вширь. Авторы roadmap.sh считают, что на первую работу можно претендовать после первых пяти шагов, а остальное добирать по мере необходимости.</p><ol><li><b>Язык и его менеджер пакетов.</b> Синтаксис, стандартная библиотека, установка зависимостей.</li><li><b>Git.</b> Ветки, слияния, запросы на слияние, работа в общем репозитории.</li><li><b>Реляционная база данных.</b> PostgreSQL, операции CRUD, индексы, транзакции.</li><li><b>REST API.</b> Веб-фреймворк выбранного языка, маршруты, валидация, описание в OpenAPI.</li><li><b>Аутентификация и авторизация.</b> Сессии, токены, роли, хранение паролей.</li><li><b>Тесты.</b> Модульные и интеграционные, запуск в CI.</li><li><b>Кэш и очереди.</b> Redis, один брокер сообщений, фоновые задачи.</li><li><b>Контейнеры и выкладка.</b> Docker, Docker Compose, конвейер CI/CD, основы Kubernetes.</li><li><b>Наблюдаемость и безопасность.</b> Логи, метрики, трассировки, OWASP Top 10.</li></ol><blockquote>Remember to create a lot of projects while you are learning to solidify your understanding of the concepts.</blockquote><p>Хороший учебный проект проходит все девять шагов: сервис с API, базой, фоновой задачей, тестами, контейнером и документацией. Что учить дальше в сторону инфраструктуры, описано в <a href="https://tproger.ru/articles/roadmap-devops-inzhenera-v-2026-godu--chto-uchit-i-v-kakom-poryadke">roadmap DevOps-инженера</a>; для тех, кто выбрал JVM, есть отдельный <a href="https://tproger.ru/articles/roadmap-java-razrabotchika-na-2026-2027-gody-chto-uchit-i-v-kakom">roadmap Java-разработчика</a>.</p><h2>Что меняется в профессии в 2026 и 2027 годах?</h2><p>В задачах разработчиков закрепилась работа с ИИ-моделями. В опросе JetBrains интеграцию с ИИ назвали среди своих задач 36% разработчиков: больше, чем обработку и анализ данных (31%). Для бэкендера это обычная интеграция с внешним API, только со своими особенностями: потоковые ответы, лимиты, стоимость запроса, проверка результата. Как меняется сама работа программиста, показано в <a href="https://tproger.ru/articles/opros-jetbrains-54-polzovatelej-agentov-delayut-s-nimi-bolee-6">разборе опроса JetBrains</a>.</p><p>Из ближайших событий стоит следить за PostgreSQL 19: второй кандидат вышел 12 ноября 2026 года, дату финального выпуска проект на странице версий пока не называет. Сроки поддержки языков тоже полезно держать в календаре: Python 3.10 перестал получать обновления в октябре 2026 года, а 3.11 останется на поддержке до октября 2027 года.</p><p>Источники: <a href="https://roadmap.sh/backend">roadmap.sh: Backend Developer</a>, <a href="https://devecosystem.jetbrains.com/tools-and-trends">JetBrains: State of Developer Ecosystem 2026, Tools and trends</a>, <a href="https://devecosystem.jetbrains.com/life-and-work">JetBrains: State of Developer Ecosystem 2026, Life and work</a>, <a href="https://www.python.org/downloads/">Python: Active Python releases</a>, <a href="https://go.dev/dl/">Go: загрузки и версии</a>, <a href="https://nodejs.org/dist/index.json">Node.js: список релизов</a>, <a href="https://github.com/microsoft/TypeScript/releases/tag/v7.0.2">TypeScript 7.0.2</a>, <a href="https://github.com/dotnet/core/releases/tag/v11.0.0">.NET 11.0 GA</a>, <a href="https://www.php.net/releases/">PHP: Releases</a>, <a href="https://blog.rust-lang.org/2026/11/12/Rust-1.100.0/">Rust Blog: Announcing Rust 1.100.0</a>, <a href="https://www.oracle.com/java/technologies/java-se-support-roadmap.html">Oracle Java SE Support Roadmap</a>, <a href="https://github.com/OAI/OpenAPI-Specification/releases/tag/3.2.1">OpenAPI Specification 3.2.1</a>, <a href="https://github.com/OAI/OpenAPI-Specification/blob/main/versions/3.2.0.md">OpenAPI Specification 3.2.0, текст</a>, <a href="https://www.postgresql.org/support/versioning/">PostgreSQL: Versioning Policy</a>, <a href="https://www.postgresql.org/docs/current/tutorial-transactions.html">PostgreSQL Documentation: Transactions</a>, <a href="https://www.postgresql.org/docs/current/using-explain.html">PostgreSQL Documentation: Using EXPLAIN</a>, <a href="https://github.com/apache/kafka/releases/tag/4.4.0">Apache Kafka 4.4.0</a>, <a href="https://github.com/rabbitmq/rabbitmq-server/releases/tag/v4.4.0">RabbitMQ 4.4.0</a>, <a href="https://github.com/redis/redis/releases/tag/8.10.3">Redis 8.10.3</a>, <a href="https://12factor.net/ru/">Приложение двенадцати факторов</a>, <a href="https://kubernetes.io/releases/">Kubernetes: Releases</a>, <a href="https://opentelemetry.io/docs/what-is-opentelemetry/">OpenTelemetry: What is OpenTelemetry?</a>, <a href="https://owasp.org/Top10/2025/">OWASP Top 10:2025</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Как оценить качество LLM-приложения в 2026 году: evals по шагам</title>
      <link>https://tproger.ru/articles/kak-ocenit-kachestvo-llm-prilozheniya-v-2026-godu-evals-po-wagam</link>
      <comments>https://tproger.ru/articles/kak-ocenit-kachestvo-llm-prilozheniya-v-2026-godu-evals-po-wagam?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/kak-ocenit-kachestvo-llm-prilozheniya-v-2026-godu-evals-po-wagam</guid>
      <description><![CDATA[<p>Что такое evals, чем проверять ответы модели и как считать pass@k. Примеры для promptfoo, DeepEval и Inspect, восемь шагов для первого набора из 20–50 задач.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/kak-ocenit-kachestvo-llm-prilozheniya-v-2026-godu-evals-po-wagam">Как оценить качество LLM-приложения в 2026 году: evals по шагам</a>»</p>]]></description>
      <category><![CDATA[Open Source]]></category>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Python]]></category>
      <category><![CDATA[Машинное обучение]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[QA]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:33:54 GMT</pubDate>
      <content:encoded><![CDATA[<p>Оценить LLM-приложение на глаз нельзя: одна и та же модель на один и тот же вопрос отвечает по-разному, а после правки промпта неизвестно, стало лучше или просто повезло с примером. Эту проблему решают evals: наборы повторяемых проверок, которые прогоняют приложение по фиксированным задачам и выдают число вместо впечатления. Для чат-бота, RAG-поиска или агента это то же, что автотесты для обычного кода.</p><p>В гайде собрана рабочая схема: из чего состоит eval, чем проверять ответы, как считать результат при нестабильных ответах и какими открытыми инструментами всё это запускать. Основа — <a href="https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents">руководство инженеров Anthropic</a> по оценке агентов, документация promptfoo, DeepEval и Inspect и свежий <a href="https://blog.jetbrains.com/ai/2026/11/ai-models-hate-python-and-love-php-we-asked-12-of-them-1-200-times/">эксперимент JetBrains</a> как наглядный пример методики. Данные о проектах проверены 16 ноября 2026 года.</p><ul><li>Для старта достаточно 20–50 простых задач, собранных из реальных сбоев: так советуют инженеры Anthropic.</li><li>Ответы проверяют тремя способами: кодом, другой моделью и человеком; у каждого свои слабые места, поэтому их комбинируют.</li><li>Если агент решает задачу в 75% попыток и попытки независимы, три попытки подряд он пройдёт только в 42% случаев: стабильность нужно измерять отдельно от способности.</li><li>У promptfoo 27 316 звёзд на GitHub, у DeepEval 19 512, у Ragas 16 340, у Inspect 3 265 (16 ноября 2026 года); все четыре проекта открыты.</li><li>JetBrains задала 12 моделям два вопроса по 50 раз: 1 200 запросов обошлись в $7,68 (с разметкой ответов $38,16), и повторы показали закономерности, невидимые в одном ответе.</li></ul><h2>Почему один прогон ничего не доказывает?</h2><p>Потому что ответ модели — случайная величина, и по одному значению нельзя судить о распределении. Хорошо это видно на эксперименте, который 15 ноября 2026 года описал Денис Ширяев в <a href="https://blog.jetbrains.com/ai/2026/11/ai-models-hate-python-and-love-php-we-asked-12-of-them-1-200-times/">блоге JetBrains</a>. Двенадцати моделям задали два вопроса о языках программирования, каждый по 50 раз, всегда в новом диалоге и без системного промпта. В одном из вопросов модель просили выбрать язык случайно.</p><p>Если спросить один раз, любой ответ выглядит правдоподобно. На 600 повторах оказалось, что «случайный» выбор покрывает всего 14 языков, причём пять из них получили 541 выбор, то есть 90%. GPT-6.1 Sol за 50 попыток назвала только три языка: Go 30 раз, Java 17 раз и Python 3 раза. Одиночный запрос показал бы «модель выбрала Go» и ничего не сказал бы о том, что она выбирает его в 60% случаев.</p><blockquote>All 1,200 requests came back. Collecting them cost USD 7.68, about two-thirds of a cent per hot take.</blockquote><p>Из этого примера следуют три приёма, которые переносятся на любое приложение. Каждую задачу запускают много раз. Каждый запуск начинают с чистого состояния, чтобы прошлые ответы не влияли на новые. И заранее считают бюджет: в этом эксперименте 1 200 коротких запросов к двенадцати моделям стоили $7,68, а вместе с разметкой ответов $38,16.</p><h2>Из чего состоит eval?</h2><p>Из задач, попыток и оценщиков. Инженеры Anthropic в <a href="https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents">руководстве от 9 января 2026 года</a> предлагают набор терминов, которым удобно пользоваться и вне их продуктов:</p><ul><li><b>Задача (task)</b> — один тест с заданными входными данными и критерием успеха.</li><li><b>Попытка (trial)</b> — один запуск задачи. Ответы меняются от запуска к запуску, поэтому попыток делают несколько.</li><li><b>Оценщик (grader)</b> — логика, которая выставляет балл какой-то стороне результата. У задачи может быть несколько оценщиков, у оценщика несколько проверок.</li><li><b>Транскрипт (transcript)</b> — полная запись попытки: ответы, вызовы инструментов, промежуточные результаты.</li><li><b>Исход (outcome)</b> — итоговое состояние среды после попытки.</li></ul><p>Различие между транскриптом и исходом принципиально для агентов. Пример из руководства: агент бронирования может написать в конце диалога «ваш рейс забронирован», но исход — это наличие записи о брони в базе данных. Проверять нужно второе. По той же причине руководство советует оценивать то, что агент произвёл, а не путь, которым он шёл: жёсткая проверка последовательности вызовов инструментов ломается, когда агент находит другой корректный способ.</p><p>Задача считается хорошо поставленной, если два эксперта независимо друг от друга вынесут по ней одинаковый вердикт. Двусмысленность в условии превращается в шум в метриках, а расплывчатая рубрика для модели-судьи даёт противоречивые оценки.</p><h2>Чем проверять ответы: кодом, моделью или человеком?</h2><p>Всеми тремя способами, в порядке от дешёвого к дорогому. Код проверяет то, что можно выразить условием. Модель-судья оценивает свободный текст по рубрике. Человек нужен, чтобы убедиться, что первые два способа измеряют то, что требуется.</p><p>Три типа оценщиков по руководству Anthropic</p><table><thead><tr><th>Тип</th><th>Что умеет</th><th>Сильные стороны</th><th>Слабые стороны</th></tr></thead><tbody><tr><td>Код</td><td>Сравнение строк и регулярные выражения, запуск тестов, статический анализ, проверка исхода и вызовов инструментов</td><td>Быстро, дёшево, объективно, воспроизводимо</td><td>Ломается на корректных ответах в другой форме, не улавливает нюансы</td></tr><tr><td>Модель</td><td>Оценка по рубрике, утверждения на естественном языке, попарное сравнение, сверка с эталоном</td><td>Гибко, масштабируется, справляется со свободным текстом</td><td>Недетерминирована, дороже кода, требует калибровки по оценкам людей</td></tr><tr><td>Человек</td><td>Экспертная проверка, выборочный контроль, A/B-тесты</td><td>Эталонное качество, совпадает с суждением пользователя-эксперта</td><td>Дорого, медленно, нужны эксперты</td></tr></tbody></table><p>Anthropic Engineering, Demystifying evals for AI agents, 9 января 2026 года</p><p>Практическое правило: всё, что проверяется кодом, проверять кодом. Формат JSON, наличие обязательного поля, запрет на упоминание конкурента, длина ответа, задержка и стоимость не требуют модели-судьи. Судья нужен там, где ответ может быть правильным в разных формулировках. Как встроить такого судью в автотесты, подробно разобрано в <a href="https://tproger.ru/articles/pochemu-vam-nuzhno-dobavit-llm-as-a-judge-v-pajplajn-avtomatichesk">статье про LLM-as-a-Judge</a>, а метрики для поиска с генерацией — в <a href="https://tproger.ru/articles/ot-poiska-do-generacii--kakie-metriki-ispolzuyutsya-pri-ocenke-ka">материале об оценке RAG</a>.</p><h2>Как считать результат, если ответы нестабильны?</h2><p>Двумя метриками, которые отвечают на разные вопросы. Метрика pass@k показывает вероятность того, что из k попыток хотя бы одна успешна. Метрика pass^k показывает вероятность того, что успешны все k попыток. Первая растёт с числом попыток, вторая падает.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/cb872f7f-565e-49d7-8392-7fdbbc8d7464.webp" alt="Линейный график для одной задачи, которую агент решает в 75% независимых попыток: вероятность хотя бы одного успеха растёт с 75% до почти 100% к четырём попыткам, вероятность успеха во всех попытках падает с 75% до 5,6% к десяти попыткам" /><figcaption>Как расходятся pass@k и pass^k для одной задачи, которую агент решает в 75% независимых попыток. График: расчёт Tproger по формулам из руководства Anthropic</figcaption></figure><p>Руководство приводит числовой пример для одной задачи: если агент справляется с ней в 75% попыток, вероятность пройти три попытки подряд равна 0,75 в кубе, то есть около 42%. Вероятность хотя бы одного успеха из трёх при этом выше 98%. Расчёт верен для независимых попыток с одинаковой вероятностью успеха; на средний процент прохождения всего набора его переносить нельзя, потому что задачи различаются по сложности, а сбои бывают связанными. Какую метрику брать, зависит от продукта. Для генерации кода, где достаточно одного рабочего решения, смотрят pass@k. Для агента поддержки, от которого клиент ждёт одинаково надёжного поведения каждый раз, важна pass^k.</p><p>Сами наборы задач тоже делятся на два вида. Наборы на способности задают вопрос «что агент умеет»: в них кладут трудные задачи, и стартовый процент прохождения должен быть низким, чтобы было куда расти. Регрессионные наборы задают вопрос «не разучился ли агент»: в них процент прохождения должен держаться около 100%, а падение означает поломку. Задачи из первого набора со временем переходят во второй.</p><blockquote>In reality, 20-50 simple tasks drawn from real failures is a great start.</blockquote><h2>Как запустить первый eval в promptfoo?</h2><p>Тремя командами. <a href="https://github.com/promptfoo/promptfoo">promptfoo</a> — утилита командной строки и библиотека с лицензией MIT: проверки описываются в YAML-файле, запускаются локально, результаты открываются в браузере. В README указано, что проект теперь входит в OpenAI и остаётся открытым. Быстрый старт из README:</p><p>Конфигурация состоит из промптов, провайдеров (моделей), тестов и проверок. В <a href="https://www.promptfoo.dev/docs/getting-started/">руководстве</a> есть отдельный пример, где ответы оцениваются моделью-судьёй и кодом одновременно; он скачивается командой promptfoo init --example eval-self-grading вместе с файлом промптов. Его конфигурация:</p><p>Здесь две проверки на каждый тест: llm-rubric отдаёт ответ модели-судье с условием на естественном языке, а javascript считает балл по длине ответа. В <a href="https://www.promptfoo.dev/docs/configuration/expected-outputs/">справочнике проверок</a> есть и детерминированные типы: equals, contains, regex, is-json, latency и другие, а также проверки функциями на Python и Ruby. Если в providers перечислить несколько моделей, один и тот же набор прогонится по каждой, и таблица результатов покажет их рядом.</p><p>Повторы включаются флагом --repeat: по <a href="https://www.promptfoo.dev/docs/usage/command-line/">справке по командам</a>, он задаёт, сколько раз выполнить каждый тест. Для конвейера сборки отдельный флаг не нужен: по той же справке, команда eval возвращает код завершения 100, если провален хотя бы один тест или доля пройденных ниже порога из переменной PROMPTFOO_PASS_RATE_THRESHOLD, и код 1 при других ошибках. Примеры для разных систем сборки собраны в <a href="https://www.promptfoo.dev/docs/integrations/ci-cd/">руководстве по CI/CD</a>.</p><h2>Когда брать DeepEval, Inspect или Ragas?</h2><p>Когда проверки удобнее писать на Python рядом с кодом приложения или когда оценивается агент в изолированной среде. В README <a href="https://github.com/confident-ai/deepeval">DeepEval</a> описывается как аналог Pytest для LLM-приложений: каждый тест выглядит как обычная функция, метрика задаётся объектом, а итогом становится статус «прошёл» или «не прошёл». Пример из README с метрикой G-Eval, где модель-судья сравнивает фактический ответ с ожидаемым:</p><p>Устанавливается библиотека командой pip install -U deepeval, тест запускается командой deepeval test run test_ai_agent.py. Порог threshold=0.5 в примере означает, что тест пройден, если судья поставил не меньше половины балла.</p><p><a href="https://inspect.aisi.org.uk/">Inspect</a> разрабатывают британский институт безопасности ИИ (UK AI Security Institute) и Meridian Labs. Оценка в нём — это задача (Task) из трёх частей: набор данных с вопросами и эталонами, решатель (solver), который получает ответ, и оценщик (scorer). В комплекте больше 200 готовых реализаций известных бенчмарков и система песочниц для запуска недоверенного кода модели в Docker и Kubernetes. В документации разобран пример задачи в файле simpleqa.py; когда файл создан, оценка запускается так:</p><p><a href="https://github.com/vibrantlabsai/ragas">Ragas</a> специализируется на оценке RAG-систем и агентов. По числу звёзд на GitHub лидирует promptfoo, по строгости среды для агентов выделяется Inspect; зачем агенту песочница, рассказано в статье <a href="https://tproger.ru/articles/kak-izolirovat-ii-agenta-v-2026-godu-microvm-protiv-kontejnero">об изоляции ИИ-агентов</a>.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/12d15d96-48da-4b69-9f34-3fc3a18e90f0.webp" alt="Горизонтальная диаграмма звёзд на GitHub: promptfoo 27 316, DeepEval 19 512, Ragas 16 340, Inspect 3 265" /><figcaption>Звёзды на GitHub у открытых инструментов для evals. График: Tproger по данным GitHub API, 16 ноября 2026 года</figcaption></figure><p>Открытые инструменты для evals</p><table><thead><tr><th>Инструмент</th><th>Звёзды</th><th>Лицензия</th><th>Свежая версия</th><th>Как описываются проверки</th></tr></thead><tbody><tr><td>promptfoo</td><td>27 316</td><td>MIT</td><td>0.125.1 от 25 октября 2026 года</td><td>YAML-файл и утилита командной строки</td></tr><tr><td>DeepEval</td><td>19 512</td><td>Apache 2.0</td><td>4.2.4 от 22 сентября 2026 года</td><td>Тесты на Python в стиле Pytest</td></tr><tr><td>Ragas</td><td>16 340</td><td>Apache 2.0</td><td>0.4.4 от 14 ноября 2026 года</td><td>Метрики на Python для RAG и агентов</td></tr><tr><td>Inspect</td><td>3 265</td><td>MIT</td><td>0.3.290 от 14 ноября 2026 года</td><td>Задачи на Python: набор данных, решатель, оценщик</td></tr></tbody></table><p>GitHub API, 16 ноября 2026 года</p><h2>С чего начать, если evals ещё нет?</h2><p>С малого набора и одного вечера работы. Последовательность ниже повторяет шаги из руководства Anthropic.</p><ol><li><b>Соберите 20–50 задач из реальных сбоев.</b> Источники: то, что вы уже проверяете руками перед релизом, баг-трекер и обращения в поддержку.</li><li><b>Сформулируйте критерий успеха для каждой задачи.</b> Проверка: два эксперта независимо должны прийти к одному вердикту. Добавьте эталонное решение.</li><li><b>Сбалансируйте набор.</b> Нужны и случаи, где поведение должно сработать, и случаи, где оно сработать не должно.</li><li><b>Начинайте каждую попытку с чистого окружения.</b> Общие файлы и кэш между запусками дают связанные сбои и могут завышать результат.</li><li><b>Сначала оценщики на коде, потом модель-судья.</b> Судью периодически сверяйте с оценками людей; для задач из нескольких частей давайте частичный балл.</li><li><b>Читайте транскрипты.</b> Только так видно, ошибся агент или оценщик отклонил правильный ответ.</li><li><b>Запускайте набор при каждом изменении.</b> Смена промпта, модели или инструмента — повод для прогона; ненулевой код завершения в CI не даст выпустить регрессию.</li><li><b>Следите за насыщением.</b> Набор, который проходится на 100%, ловит регрессии, но не показывает улучшений: пора добавлять задачи сложнее.</li></ol><p>Главное ограничение метода в том, что eval измеряет только то, что в него положили. Набор из удобных примеров покажет высокий балл и ничего не скажет о поведении на реальных запросах, поэтому его нужно пополнять случаями из эксплуатации. Руководство Anthropic отдельно предупреждает: чем дольше откладывать evals, тем труднее их строить, потому что в начале требования к продукту сами превращаются в тесты, а позже критерии успеха приходится восстанавливать по работающей системе.</p><p>Источники: <a href="https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents">Anthropic Engineering: Demystifying evals for AI agents</a>, <a href="https://blog.jetbrains.com/ai/2026/11/ai-models-hate-python-and-love-php-we-asked-12-of-them-1-200-times/">JetBrains AI Blog: AI models hate Python and love PHP</a>, <a href="https://github.com/promptfoo/promptfoo">GitHub: promptfoo/promptfoo</a>, <a href="https://www.promptfoo.dev/docs/getting-started/">promptfoo Docs: Getting started</a>, <a href="https://www.promptfoo.dev/docs/configuration/expected-outputs/">promptfoo Docs: Assertions and metrics</a>, <a href="https://www.promptfoo.dev/docs/usage/command-line/">promptfoo Docs: Command line</a>, <a href="https://www.promptfoo.dev/docs/integrations/ci-cd/">promptfoo Docs: CI/CD integration</a>, <a href="https://github.com/confident-ai/deepeval">GitHub: confident-ai/deepeval</a>, <a href="https://inspect.aisi.org.uk/">Inspect: документация</a>, <a href="https://github.com/UKGovernmentBEIS/inspect_ai">GitHub: UKGovernmentBEIS/inspect_ai</a>, <a href="https://github.com/vibrantlabsai/ragas">GitHub: vibrantlabsai/ragas</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Roadmap Java-разработчика на 2026–2027 годы: что учить и в каком порядке</title>
      <link>https://tproger.ru/articles/roadmap-java-razrabotchika-na-2026-2027-gody-chto-uchit-i-v-kakom</link>
      <comments>https://tproger.ru/articles/roadmap-java-razrabotchika-na-2026-2027-gody-chto-uchit-i-v-kakom?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/roadmap-java-razrabotchika-na-2026-2027-gody-chto-uchit-i-v-kakom</guid>
      <description><![CDATA[<p>План изучения Java на 2026–2027 годы: JDK 25 LTS, виртуальные потоки, Spring Boot 4.1, Maven и Gradle, JUnit 6, сроки поддержки версий и данные опроса JetBrains.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/roadmap-java-razrabotchika-na-2026-2027-gody-chto-uchit-i-v-kakom">Roadmap Java-разработчика на 2026–2027 годы: что учить и в каком порядке</a>»</p>]]></description>
      <category><![CDATA[Java]]></category>
      <category><![CDATA[Для начинающих]]></category>
      <category><![CDATA[Обучение программированию]]></category>
      <category><![CDATA[Карьера]]></category>
      <category><![CDATA[Бэкенд]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:29:00 GMT</pubDate>
      <content:encoded><![CDATA[<p>Java в 2026 году учат по другой карте, чем пять лет назад. Актуальный выпуск с долгой поддержкой — <a href="https://openjdk.org/projects/jdk/25/">JDK 25</a> от 16 сентября 2025 года. Промежуточный JDK 27 вышел 15 сентября 2026 года, а следующий LTS, Java 29, Oracle <a href="https://www.oracle.com/java/technologies/java-se-support-roadmap.html">планирует</a> на сентябрь 2027 года. В языке закрепились записи, сопоставление с образцом и виртуальные потоки, а первая программа теперь умещается в три строки.</p><p>Экосистема тоже сменила поколение: Spring Boot дошёл до ветки 4.1, JUnit до шестой версии, Gradle до девятой. Дальше — порядок изучения на 2026–2027 годы для тех, кто начинает с нуля или возвращается к Java после перерыва: какую версию ставить, что учить в языке и JVM, какие инструменты и фреймворки нужны для первой работы. Версии и даты сверены с первоисточниками 16 ноября 2026 года.</p><p>Если вы пришли из другого стека, начните с разделов про версии и фреймворки. Новичкам стоит идти подряд: язык, сборка, тесты, база данных, Spring Boot. Параллельно пригодятся путеводители Tproger <a href="https://tproger.ru/articles/git-polnyj-putevoditel-ot-pervogo-kommita-do-prodvinutyh-wor">по Git</a> и <a href="https://tproger.ru/articles/sql--polnyj-putevoditel---ot-pervyh-zaprosov-do-okonnyh-funkcij">по SQL</a>.</p><ul><li>Учить стоит на JDK 25: это LTS-выпуск с поддержкой Oracle Premier Support до сентября 2030 года; следующий LTS, Java 29, запланирован на сентябрь 2027 года.</li><li>Spring Boot 4.1.2 требует минимум Java 17 и совместим с версиями до Java 27 включительно, поэтому JDK 25 подходит и для учёбы, и для работы.</li><li>В обязательную программу входят современные возможности языка: записи, сопоставление с образцом в switch и виртуальные потоки (JDK 21), Scoped Values и компактные исходные файлы (JDK 25).</li><li>Инструменты на ноябрь 2026 года: Maven 3.10.1, Gradle 9.9.1, JUnit 6.1.3, Testcontainers 2.0.5.</li><li>По опросу JetBrains 2026 года Java используют 42% разработчиков, год назад было 49%; авторы предупреждают, что часть разницы объясняется сменой способа набора респондентов.</li></ul><h2>С какой версии Java начинать в 2026 году?</h2><p>Ставьте JDK 25. Это актуальный LTS-выпуск: по <a href="https://www.oracle.com/java/technologies/java-se-support-roadmap.html">графику Oracle</a> основная поддержка (Premier Support) продлится до сентября 2030 года, а расширенная — до сентября 2033 года. Проект OpenJDK выпускает новую версию каждые шесть месяцев, и большинство из них Oracle поддерживает только до следующего выпуска: JDK 26 вышел 17 марта 2026 года, JDK 27 появился 15 сентября, а JDK 28 <a href="https://openjdk.org/projects/jdk/28/">намечен</a> на 9 марта 2027 года.</p><p>Версии Java и сроки поддержки Oracle</p><table><thead><tr><th>Версия</th><th>Выход</th><th>Premier Support до</th><th>Extended Support до</th></tr></thead><tbody><tr><td>8 (LTS)</td><td>март 2014</td><td>март 2022</td><td>декабрь 2030</td></tr><tr><td>11 (LTS)</td><td>сентябрь 2018</td><td>сентябрь 2023</td><td>январь 2032</td></tr><tr><td>17 (LTS)</td><td>сентябрь 2021</td><td>сентябрь 2026</td><td>сентябрь 2029</td></tr><tr><td>21 (LTS)</td><td>сентябрь 2023</td><td>сентябрь 2028</td><td>сентябрь 2031</td></tr><tr><td>25 (LTS)</td><td>сентябрь 2025</td><td>сентябрь 2030</td><td>сентябрь 2033</td></tr><tr><td>27</td><td>сентябрь 2026</td><td>март 2027</td><td>нет</td></tr><tr><td>29 (LTS, план)</td><td>сентябрь 2027</td><td>сентябрь 2032</td><td>сентябрь 2035</td></tr></tbody></table><p>Oracle Java SE Support Roadmap, проверено 16 ноября 2026 года</p><p>Даты в таблице относятся к коммерческой поддержке Oracle JDK. Сборки OpenJDK под лицензией GPL бесплатны, а сам Oracle JDK 25 бесплатен для всех пользователей; обновления, которые выйдут после сентября 2028 года, Oracle планирует выпускать уже под лицензией OTN, как сейчас для версий 8, 11, 17 и 21. Для учёбы и собственных проектов это ограничение роли не играет.</p><p>Со старыми версиями вы всё равно встретитесь на работе: расширенная поддержка Java 8 продлена до декабря 2030 года, Java 11 — до января 2032 года. Поэтому полезно понимать, какая возможность в какой версии появилась, но учить язык лучше сразу в современном виде. В JDK 25 для этого есть прямой помощник: компактные исходные файлы из <a href="https://openjdk.org/jeps/512">JEP 512</a>. Программа из одного файла больше не требует объявления класса и модификаторов public static:</p><p>Такой файл запускается одной командой, без отдельной компиляции:</p><blockquote>Evolve the Java programming language so that beginners can write their first programs without needing to understand language features designed for large programs.</blockquote><h2>Что в самом языке учить в первую очередь?</h2><p>Сначала базу, которая не менялась годами, затем возможности из JDK 21–25, на которых сейчас пишут новый код. Разумный порядок такой:</p><ol><li><b>Синтаксис и типы.</b> Примитивы и ссылочные типы, строки, массивы, управляющие конструкции, методы.</li><li><b>ООП.</b> Классы, интерфейсы, наследование, инкапсуляция, исключения. Сюда же записи (records) и запечатанные (sealed) классы: с ними модель данных описывается короче и строже.</li><li><b>Коллекции и дженерики.</b> List, Set, Map, итераторы и Sequenced Collections из JDK 21 с единым доступом к первому и последнему элементу.</li><li><b>Лямбды и Stream API.</b> Функциональные интерфейсы, цепочки преобразований, Optional.</li><li><b>Сопоставление с образцом.</b> Record Patterns и Pattern Matching for switch закреплены в JDK 21 и заменяют цепочки instanceof с приведением типов.</li><li><b>Многопоточность.</b> Потоки, синхронизация, ExecutorService, CompletableFuture, затем виртуальные потоки.</li><li><b>Новое в JDK 25.</b> Scoped Values (JEP 506), Module Import Declarations (JEP 511), Flexible Constructor Bodies (JEP 513).</li></ol><p>Виртуальные потоки стали постоянной частью платформы в JDK 21 (JEP 444). Это лёгкие потоки, которыми управляет сама JVM, и на каждую задачу можно заводить отдельный. Так выглядит пример из <a href="https://docs.oracle.com/en/java/javase/25/core/virtual-threads.html">документации Oracle для Java 25</a>:</p><p>Часть возможностей пока остаётся предварительной (preview), и строить на них обучение рано. Structured Concurrency прошёл семь предварительных версий, последняя вошла в JDK 27; в списке JDK 28 он уже утверждён как финальный JEP 543. Сопоставление примитивных типов в switch дошло до пятой предварительной версии. Знать о них полезно, но в рабочем коде без флага --enable-preview они недоступны.</p><h2>Что Java-разработчику нужно знать о JVM?</h2><p>На старте хватит трёх тем: как устроена память, какие есть сборщики мусора и чем смотреть на работающее приложение. Глубокая настройка JVM понадобится позже, когда появится сервис под нагрузкой.</p><ul><li><b>Сборщики мусора.</b> G1 в JDK 27 стал сборщиком по умолчанию во всех окружениях (JEP 523). Generational ZGC появился в JDK 21, Generational Shenandoah стал штатной возможностью в JDK 25; оба рассчитаны на короткие паузы.</li><li><b>Компактные заголовки объектов.</b> В JDK 25 они стали штатной возможностью (JEP 519), в JDK 27 включены по умолчанию (JEP 534).</li><li><b>Запуск и прогрев.</b> JDK 25 упростил работу с AOT-кэшем (JEP 514) и научился сохранять профили методов между запусками (JEP 515).</li><li><b>Диагностика.</b> JDK Flight Recorder (JFR) встроен в JDK; в версии 25 он получил трассировку и замер времени методов (JEP 520).</li></ul><p>Замеры авторов <a href="https://openjdk.org/jeps/519">JEP 519</a> показывают, как такие изменения работают на практике. В одной из конфигураций бенчмарк SPECjbb2015 с компактными заголовками занял на 22% меньше места в куче и потратил на 8% меньше процессорного времени; в другой число сборок мусора у G1 и Parallel снизилось на 15%. Это результаты на отдельных тестовых конфигурациях, и на вашем сервисе эффект будет другим.</p><blockquote>Since JDK 24, compact object headers have proven their stability and performance.</blockquote><h2>Чем собирать и тестировать Java-проект?</h2><p>Сборку в Java ведут Maven или Gradle, тесты пишут на JUnit. Достаточно уверенно владеть одним сборщиком и уметь читать конфигурацию второго. Актуальные версии на 16 ноября 2026 года:</p><p>Инструменты Java-разработчика, ноябрь 2026 года</p><table><thead><tr><th>Инструмент</th><th>Зачем</th><th>Актуальная версия</th><th>Дата выпуска</th></tr></thead><tbody><tr><td>Apache Maven</td><td>сборка и зависимости</td><td>3.10.1</td><td>15 ноября 2026</td></tr><tr><td>Gradle</td><td>сборка и зависимости</td><td>9.9.1</td><td>10 ноября 2026</td></tr><tr><td>JUnit</td><td>модульные тесты</td><td>6.1.3</td><td>7 августа 2026</td></tr><tr><td>Testcontainers for Java</td><td>тесты с настоящими базами в Docker</td><td>2.0.5</td><td>20 апреля 2026</td></tr><tr><td>Hibernate ORM</td><td>работа с базой через JPA</td><td>7.4.16</td><td>15 ноября 2026</td></tr></tbody></table><p>страницы релизов проектов на GitHub, проверено 16 ноября 2026 года</p><p>Maven 4 всё ещё не вышел: последний кандидат, 4.0.0-rc-7, появился 24 сентября 2026 года, так что учебные проекты и документация опираются на ветку 3.x. Spring Boot 4.1.2 по <a href="https://docs.spring.io/spring-boot/system-requirements.html">системным требованиям</a> работает с Maven 3.6.3 и новее, а из Gradle поддерживает 8.14 и новее и всю ветку 9.x. У Hibernate готовится восьмая версия: кандидат 8.0.0.CR1 вышел 12 ноября.</p><p>Тестам стоит уделить столько же внимания, сколько коду. Минимум для первой работы: модульные тесты на JUnit, проверки с подменой зависимостей и интеграционные тесты с базой данных в контейнере через Testcontainers. Для последних нужен Docker; разобраться с ним поможет <a href="https://tproger.ru/articles/docker-v-2026-godu-polnyj-putevoditel-po-kontejneram">путеводитель по Docker</a>.</p><h2>Какой фреймворк учить: Spring Boot, Quarkus или Micronaut?</h2><p>Первым стоит учить Spring Boot: именно его вместе с Hibernate приводит в пример <a href="https://roadmap.sh/java">дорожная карта roadmap.sh</a>, когда описывает типичную задачу Java-разработчика — REST API для бэкенда. Актуальная стабильная версия на 16 ноября 2026 года: 4.1.2 от 22 октября; параллельно обновляется ветка 4.0 (4.0.9), а 5 ноября вышел второй кандидат версии 4.2.0.</p><p>Требования Spring Boot 4.1.2 из документации: минимум Java 17, совместимость до Java 27 включительно, Spring Framework 7.0.10 или новее, встроенные Tomcat 11.0.x или Jetty 12.1.x с Servlet 6.1. Нативные образы собираются на GraalVM 25 и новее. Проект начинается с родительского POM:</p><p>Первое веб-приложение из <a href="https://docs.spring.io/spring-boot/tutorial/first-application/index.html">официального учебника</a> занимает один класс и запускается командой mvn spring-boot:run:</p><p>Внутри Spring порядок такой: внедрение зависимостей и конфигурация, веб-слой (Spring MVC), доступ к данным (Spring Data JPA поверх Hibernate), безопасность (Spring Security), затем обмен сообщениями и наблюдаемость. С ИИ-моделями Spring работает через отдельный проект Spring AI, его стабильная версия 2.0.2 вышла 23 октября 2026 года.</p><p>Quarkus и Micronaut имеет смысл смотреть вторым фреймворком, когда Spring уже понятен. Оба активно развиваются: у Quarkus стабильная ветка 3.40 и кандидат 4.0.0.CR1 от 11 ноября, у Micronaut Core версия 5.2.24 от 16 ноября. Обзор соседних библиотек есть в подборке <a href="https://tproger.ru/articles/11-topovyh-bibliotek-i-frejmvorkov-dlya-java-v-2025-godu">библиотек и фреймворков для Java</a>.</p><h2>Насколько Java востребована в 2026 году?</h2><p>Java остаётся в числе самых используемых языков, но её доля снижается. В десятом опросе <a href="https://devecosystem.jetbrains.com/tools-and-trends">JetBrains State of Developer Ecosystem</a> (28 945 разработчиков из 198 стран, май–июль 2026 года) Java назвали 42% участников. Годом раньше было 49%, а пик в 54% пришёлся на 2020 год. TypeScript с 43% впервые обошёл Java.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/563d719f-abdc-41c8-894f-3edb4f9ae623.webp" alt="Линейный график доли разработчиков, использующих язык, с 2017 по 2026 год: Java снизилась с 47% до 42%, Python вырос с 32% до 65%, TypeScript с 12% до 43%, Kotlin с 2% до 15%" /><figcaption>Доля разработчиков, использующих язык, 2017–2026 годы. График: Tproger по данным JetBrains, State of Developer Ecosystem 2026</figcaption></figure><blockquote>The foundational pillars – JavaScript, HTML/CSS, SQL and Java – all peaked around 2019–2020 and have steadily drifted downward since.</blockquote><p>К падению с 49% до 42% за год стоит относиться осторожно. В 2026 году JetBrains впервые набирала участников рекламой без собственного бренда, и авторы отчёта сами предупреждают, что часть результатов из-за этого расходится с прошлыми годами. Десятилетний тренд надёжнее: в 2017 году у Java было 47%, то есть за девять лет доля снизилась на 5 процентных пунктов. Подробнее методика разобрана в <a href="https://tproger.ru/articles/opros-jetbrains-54-polzovatelej-agentov-delayut-s-nimi-bolee-6">материале об опросе</a>.</p><p>По зарплатам Java в середине списка. В верхнюю четверть по доходу в своей стране, по данным того же опроса, входят 26% пишущих на Java: столько же, сколько у TypeScript, и чуть меньше, чем у Kotlin (28%). Лидируют Rust (43%) и Go (42%). Отчёт показывает связь языка с зарплатной группой, а о причинах ничего не говорит.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/ded003e6-defc-4a64-9724-fd81ee4a9941.webp" alt="Горизонтальная диаграмма: доля разработчиков в верхней четверти по зарплате в своей стране по языкам: Rust 43%, Go 42%, C++ 32%, Python 31%, Kotlin 28%, Java 26%, TypeScript 26%, JavaScript 21%, C# 20%, PHP 14%" /><figcaption>Доля разработчиков, входящих в верхнюю четверть по зарплате в своей стране, по языкам. График: Tproger по данным JetBrains, State of Developer Ecosystem 2026</figcaption></figure><p>В рейтинге перспективности языков Language Promise Index, который JetBrains считает по росту за пять лет, намерению перейти на язык и лояльности пользователей, у Java 55 баллов. У Kotlin 80 баллов, у лидера TypeScript — 212. Для выбора первого языка это значит следующее: Java остаётся одним из самых распространённых языков, но её доля в опросах уже не растёт, а Kotlin работает на той же JVM и легко осваивается вторым.</p><h2>В каком порядке всё это проходить?</h2><p>Идите от языка к инфраструктуре: каждый следующий этап опирается на предыдущий, а в итоге получается проект, который можно показать на собеседовании. Сроки зависят от того, сколько часов в неделю вы занимаетесь, поэтому здесь порядок без привязки к календарю.</p><ol><li><b>Установка и первый код.</b> JDK 25, IDE, компактные исходные файлы, запуск через java HelloWorld.java.</li><li><b>Ядро языка.</b> Синтаксис, ООП, коллекции, исключения, записи, сопоставление с образцом. Результат этапа: консольное приложение с тестами.</li><li><b>Git и сборка.</b> Репозиторий, ветки, Maven или Gradle, подключение зависимостей.</li><li><b>Тесты.</b> JUnit 6, подмена зависимостей, привычка писать тест вместе с кодом.</li><li><b>SQL и база данных.</b> PostgreSQL, запросы, индексы, транзакции; затем JDBC и JPA с Hibernate.</li><li><b>Spring Boot.</b> REST API, валидация, доступ к данным, безопасность, конфигурация по профилям.</li><li><b>Многопоточность и JVM.</b> Потоки и виртуальные потоки, сборщики мусора, JFR.</li><li><b>Инфраструктура.</b> Docker, интеграционные тесты на Testcontainers, CI, основы Kubernetes.</li><li><b>Итоговый проект.</b> Сервис с базой, тестами, контейнером и документацией API в открытом репозитории.</li></ol><p>Что учить после девятого шага, зависит от команды: очереди сообщений, наблюдаемость, облака. Эти темы подробно разложены в <a href="https://tproger.ru/articles/roadmap-devops-inzhenera-v-2026-godu--chto-uchit-i-v-kakom-poryadke">roadmap DevOps-инженера</a>.</p><h2>Что изменится в Java в 2027 году?</h2><p>В 2027 году выйдут две версии: JDK 28 в марте и LTS-выпуск Java 29 в сентябре. Для JDK 28 на 11 ноября 2026 года <a href="https://openjdk.org/projects/jdk/28/">утверждены</a> десять JEP, и несколько из них меняют программу обучения:</p><ul><li><b>Structured Concurrency (JEP 543)</b> после семи предварительных версий утверждён как постоянная возможность.</li><li><b>Value Objects (JEP 401)</b> впервые появятся в предварительном виде: это объекты без идентичности из проекта Valhalla.</li><li><b>Ahead-of-Time Code Compilation (JEP 544)</b> продолжает работу над ускорением запуска.</li><li><b>Simple JSON API (JEP 540)</b> появится в инкубаторном модуле.</li><li><b>Shenandoah</b> переключится на режим с поколениями по умолчанию (JEP 535), а порт для macOS на x64 объявят устаревшим (JEP 541).</li></ul><p>Список не окончательный: ветка JDK 28 отделяется от основной 3 декабря 2026 года, до этого состав может пополниться. Что из этого войдёт в Java 29, станет ясно ближе к лету 2027 года; до тех пор основой для учёбы и новых проектов остаётся JDK 25.</p><p>Источники: <a href="https://openjdk.org/projects/jdk/">OpenJDK: JDK Project, список релизов</a>, <a href="https://openjdk.org/projects/jdk/25/">OpenJDK: JDK 25</a>, <a href="https://openjdk.org/projects/jdk/27/">OpenJDK: JDK 27</a>, <a href="https://openjdk.org/projects/jdk/28/">OpenJDK: JDK 28</a>, <a href="https://www.oracle.com/java/technologies/java-se-support-roadmap.html">Oracle Java SE Support Roadmap</a>, <a href="https://openjdk.org/jeps/512">JEP 512: Compact Source Files and Instance Main Methods</a>, <a href="https://openjdk.org/jeps/519">JEP 519: Compact Object Headers</a>, <a href="https://docs.oracle.com/en/java/javase/25/core/virtual-threads.html">Oracle: Virtual Threads, Java SE 25 Core Libraries</a>, <a href="https://docs.spring.io/spring-boot/system-requirements.html">Spring Boot: System Requirements</a>, <a href="https://docs.spring.io/spring-boot/tutorial/first-application/index.html">Spring Boot: Developing Your First Spring Boot Application</a>, <a href="https://github.com/apache/maven/releases">Apache Maven: релизы</a>, <a href="https://github.com/gradle/gradle/releases">Gradle: релизы</a>, <a href="https://github.com/junit-team/junit-framework/releases">JUnit: релизы</a>, <a href="https://github.com/testcontainers/testcontainers-java/releases">Testcontainers for Java: релизы</a>, <a href="https://github.com/quarkusio/quarkus/releases">Quarkus: релизы</a>, <a href="https://github.com/micronaut-projects/micronaut-core/releases">Micronaut Core: релизы</a>, <a href="https://github.com/hibernate/hibernate-orm/releases">Hibernate ORM: релизы</a>, <a href="https://kotlinlang.org/docs/releases.html">Kotlin: release process</a>, <a href="https://devecosystem.jetbrains.com/tools-and-trends">JetBrains: State of Developer Ecosystem 2026, Tools and trends</a>, <a href="https://devecosystem.jetbrains.com/life-and-work">JetBrains: State of Developer Ecosystem 2026, Life and work</a>, <a href="https://roadmap.sh/java">roadmap.sh: Java Developer</a></p><p>Изображение на обложке: OpenJDK</p>]]></content:encoded>
    </item>
    <item>
      <title>Как собрать голосового ИИ-агента в 2026 году: LiveKit, Pipecat и Vapi</title>
      <link>https://tproger.ru/articles/kak-sobrat-golosovogo-ii-agenta-v-2026-godu-livekit-pipecat-i</link>
      <comments>https://tproger.ru/articles/kak-sobrat-golosovogo-ii-agenta-v-2026-godu-livekit-pipecat-i?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/kak-sobrat-golosovogo-ii-agenta-v-2026-godu-livekit-pipecat-i</guid>
      <description><![CDATA[<p>Сравниваем LiveKit Agents, Pipecat и Vapi: устройство, команды запуска и цена минуты разговора от $0,01 до $0,05 без моделей. Цены проверены 16 ноября 2026.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/kak-sobrat-golosovogo-ii-agenta-v-2026-godu-livekit-pipecat-i">Как собрать голосового ИИ-агента в 2026 году: LiveKit, Pipecat и Vapi</a>»</p>]]></description>
      <category><![CDATA[API]]></category>
      <category><![CDATA[Open Source]]></category>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[Python]]></category>
      <category><![CDATA[Искусственный интеллект]]></category>
      <category><![CDATA[Работа со звуком]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:27:45 GMT</pubDate>
      <content:encoded><![CDATA[<p>Голосовой ИИ-агент — это программа, которая слушает человека, понимает сказанное и отвечает голосом без заметной паузы. Его ставят на телефонную линию поддержки, встраивают в приложение или используют как голосовой интерфейс к внутренним системам. Собирать такого агента с нуля в 2026 году уже не нужно: есть открытые фреймворки и готовые платформы, которые берут на себя звук, сеть и телефонию.</p><p>В этом обзоре три самых заметных варианта: открытые фреймворки <a href="https://github.com/livekit/agents">LiveKit Agents</a> и <a href="https://github.com/pipecat-ai/pipecat">Pipecat</a> и управляемая платформа <a href="https://docs.vapi.ai/quickstart/introduction">Vapi</a>. Мы сравнили, как они устроены, сколько кода нужно для первого запуска и сколько стоит минута разговора. Команды и примеры взяты из документации и README, цены проверены 16 ноября 2026 года.</p><ul><li>У Pipecat 17 290 звёзд на GitHub и лицензия BSD-2-Clause, у LiveKit Agents 15 248 звёзд и Apache 2.0 (данные на 16 ноября 2026 года); оба фреймворка можно развернуть на своих серверах.</li><li>Vapi берёт $0,05 за минуту сверх стоимости моделей: по калькулятору сервиса 1000 минут с Deepgram, OpenAI и ElevenLabs обходятся в $82–129.</li><li>В LiveKit Cloud минута сессии агента стоит $0,01, на бесплатном тарифе включено 1000 минут в месяц; телефонный звонок с моделями и наблюдаемостью из калькулятора выходит в $0,0479 за минуту.</li><li>В Pipecat Cloud агент на профиле agent-1x стоит $0,01 за минуту, телефонная линия через PSTN — $0,018 за минуту; модели оплачиваются провайдерам напрямую.</li><li>Телефонные номера LiveKit продаёт только в США; для номеров в других странах все три инструмента подключаются к оператору по SIP.</li></ul><h2>Из чего состоит голосовой агент?</h2><p>Из трёх моделей и транспорта между ними. Документация <a href="https://docs.vapi.ai/quickstart/introduction">Vapi</a> описывает схему так: распознавание речи (STT) превращает звук в текст, языковая модель (LLM) формирует ответ, синтез речи (TTS) озвучивает его. Четвёртая часть — транспорт: WebRTC для браузера и приложений либо телефония для звонков.</p><p>Главная сложность — согласовать работу моделей по времени. Агент должен отличать паузу в речи от конца фразы, начинать ответ до того, как LLM допишет весь текст, и замолкать, если его перебили. <a href="https://docs.pipecat.ai/pipecat/learn/overview">Документация Pipecat</a> называет ключевой идеей параллельность: пока языковая модель генерирует конец ответа, его начало уже синтезируется и проигрывается пользователю.</p><blockquote>Typical voice interactions complete in 500-800ms for natural conversations</blockquote><p>Это внутренняя оценка разработчиков фреймворка: реальная задержка зависит от выбранных моделей и сети. Есть и второй путь, без цепочки из трёх моделей: модели «речь в речь», которые принимают и выдают звук напрямую. Pipecat поддерживает в этой категории OpenAI Realtime, Gemini Multimodal Live, AWS Nova Sonic и Grok Voice Agent; на базе последней работают голосовые звонки агентам в Cursor, о которых мы <a href="https://tproger.ru/news/cursor-nauchil-agentov-razgovarivat-golosom-zvonki-na-grok-voic">писали в ноябре</a>.</p><h2>Чем отличаются LiveKit Agents, Pipecat и Vapi?</h2><p>Степенью контроля и объёмом ручной работы. LiveKit Agents и Pipecat — библиотеки: вы пишете агента на Python, сами выбираете модели и решаете, где его запускать. Vapi работает как сервис: агент настраивается в панели или через API, а всю инфраструктуру держит платформа.</p><p>LiveKit Agents, Pipecat и Vapi в сравнении</p><table><thead><tr><th>Параметр</th><th>LiveKit Agents</th><th>Pipecat</th><th>Vapi</th></tr></thead><tbody><tr><td>Тип</td><td>Открытый фреймворк</td><td>Открытый фреймворк</td><td>Управляемая платформа</td></tr><tr><td>Лицензия</td><td>Apache 2.0</td><td>BSD-2-Clause</td><td>Закрытый сервис</td></tr><tr><td>Звёзды на GitHub</td><td>15 248</td><td>17 290</td><td>нет открытого ядра</td></tr><tr><td>Свежая версия</td><td>1.8.12 от 13 ноября 2026 года</td><td>1.16.0 от 12 ноября 2026 года</td><td>не применимо</td></tr><tr><td>Языки</td><td>Python, есть отдельная библиотека для JS/TS</td><td>Python 3.11–3.14</td><td>Настройка в панели и через API; SDK для веба, мобильных платформ и сервера</td></tr><tr><td>Транспорт</td><td>Свой WebRTC-сервер LiveKit, телефония по SIP</td><td>Daily, LiveKit, WebSocket, собственный WebRTC; Twilio, Telnyx, Plivo и другие</td><td>Телефония и SIP Vapi, WebSocket, Daily WebRTC; Twilio, Vonage, Telnyx</td></tr><tr><td>Свой сервер</td><td>Да, весь стек</td><td>Да</td><td>Нет</td></tr><tr><td>Облако разработчика</td><td>LiveKit Cloud, $0,01 за минуту сессии</td><td>Pipecat Cloud, от $0,01 за минуту</td><td>$0,05 за минуту</td></tr></tbody></table><p>GitHub, документация и прайсы проектов, 16 ноября 2026 года</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/0696679d-7eba-4341-adfe-68d6a945b638.webp" alt="Горизонтальная диаграмма звёзд на GitHub: сервер LiveKit 22 236, Pipecat 17 290, LiveKit Agents 15 248" /><figcaption>Звёзды на GitHub у открытых проектов для голосовых агентов. График: Tproger по данным GitHub API, 16 ноября 2026 года</figcaption></figure><p>По числу звёзд фреймворки близки, а релизы у обоих выходят часто: последние версии датированы 12 и 13 ноября. У LiveKit есть ещё один актив: медиасервер livekit с 22 236 звёздами, на котором фреймворк и работает.</p><h2>Как запустить первого агента на LiveKit Agents?</h2><p>Через утилиту lk и готовый шаблон проекта: по <a href="https://docs.livekit.io/agents/start/voice-ai/">руководству</a> на это уходит меньше 10 минут. Нужны Python 3.10 или новее и менеджер пакетов uv. Команды для Linux:</p><p>Команда lk agent dev запускает агента в режиме разработки и печатает ссылку на консоль, где с ним можно поговорить через микрофон. Развёртывание в LiveKit Cloud запускает lk agent create. Сам агент описывается несколькими объектами. Фрагмент примера из README:</p><p>Здесь видна вся схема: детектор речи (VAD), распознавание, языковая модель и синтез. В примере модели вызываются через LiveKit Inference, единый API облака LiveKit; вместо него можно подключить плагины провайдеров со своими ключами. Из заметных возможностей README называет семантическое определение конца реплики отдельной моделью-трансформером, встроенную поддержку MCP и собственный фреймворк тестов с оценщиками.</p><blockquote>Fully open-source, allowing you to run the entire stack on your own servers, including LiveKit server, one of the most widely used WebRTC media servers.</blockquote><h2>Как устроен конвейер в Pipecat?</h2><p>Как цепочка обработчиков, по которой идут «кадры» с данными. Кадр — это порция звука, текста или служебное событие; обработчик принимает кадры одного типа и выдаёт другие. Порядок обработчиков в списке и есть логика агента. Так выглядит конвейер из <a href="https://docs.pipecat.ai/pipecat/get-started/quickstart">быстрого старта</a>:</p><p>Проект создаётся утилитой из пакета pipecat-ai. По README, она готовит каталог так, чтобы дальше агента мог дописывать ИИ-ассистент для кода, и способна собрать работающего бота меньше чем за минуту:</p><p>Ключи Deepgram, OpenAI и Cartesia для этого примера записываются в файл .env; после запуска бот доступен в браузере по адресу http://localhost:7860/client. Главное отличие Pipecat от LiveKit Agents — независимость от транспорта. Один и тот же конвейер работает через Daily, LiveKit, обычный WebSocket или собственный WebRTC-транспорт, а для телефонии есть сериализаторы под Twilio, Telnyx, Plivo и Exotel. В README перечислены десятки подключаемых сервисов распознавания, синтеза и языковых моделей.</p><h2>Когда проще взять Vapi?</h2><p>Когда нужен работающий телефонный агент без собственной инфраструктуры и команды поддержки. В Vapi агент называется ассистентом: это системный промпт, набор инструментов и выбранные модели. Для сложных сценариев есть «отряды» (Squads), где несколько ассистентов передают друг другу разговор с сохранением контекста. Подключение к сайту занимает несколько строк; пример из <a href="https://docs.vapi.ai/quickstart/web">документации</a>:</p><p>За удобство платят наценкой и ограничениями. Без пакета поддержки доступны $5 стартового кредита и 4 одновременных звонка; пакет Core за $29 в месяц поднимает лимит до 10 звонков, Pro от $999 в месяц — до 30. Дополнительный слот одновременного звонка стоит $10 в месяц. Европейский регион, по <a href="https://docs.vapi.ai/advanced/sip/sip-trunk">документации по SIP</a>, доступен только на старшем пакете Premier.</p><h2>Сколько стоит минута разговора с агентом?</h2><p>В примерах из калькуляторов платформ — от 4 до 13 центов, и заметная часть суммы достаётся поставщикам моделей. Это оценки конкретных конфигураций, а не пределы: с другими моделями минута выйдет и дешевле, и дороже. Счёт складывается из четырёх строк: платформа, распознавание, языковая модель, синтез; для звонков добавляется телефония.</p><blockquote>The cost to run a voice agent mainly depends on the costs of the transcriber, LLM, and voice.</blockquote><p>Плата платформам за минуту, без стоимости моделей</p><table><thead><tr><th>Платформа</th><th>Работа агента</th><th>Телефония</th><th>Бесплатно</th></tr></thead><tbody><tr><td>Vapi</td><td>$0,05 за минуту</td><td>Собственная телефония и SIP Vapi бесплатно; Twilio $0,008 входящие и $0,014 исходящие</td><td>$5 кредита</td></tr><tr><td>LiveKit Cloud</td><td>$0,01 за минуту сессии</td><td>$0,01 за минуту входящих на местный номер США сверх включённых минут; сторонний SIP тарифицируется отдельно</td><td>1000 минут сессий и $2,50 кредита на модели в месяц</td></tr><tr><td>Pipecat Cloud</td><td>$0,01 за минуту (agent-1x: 0,5 vCPU, 1 ГБ)</td><td>PSTN $0,018 за минуту, SIP $0,003–0,02</td><td>голосовой WebRTC для сессий один на один</td></tr><tr><td>Свой сервер</td><td>Цена сервера</td><td>По тарифу SIP-оператора</td><td>сами фреймворки бесплатны</td></tr></tbody></table><p>vapi.ai/pricing, livekit.io/pricing, daily.co/pricing/pipecat-cloud, 16 ноября 2026 года</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/7b6c88e1-5f6d-42a7-be8c-33d8b61cd031.webp" alt="Столбчатая диаграмма платы платформе за минуту работы агента: Vapi 5 центов, LiveKit Cloud 1 цент, Pipecat Cloud 1 цент" /><figcaption>Плата платформе за минуту работы агента без стоимости моделей и телефонии. График: Tproger по данным прайсов Vapi, LiveKit и Daily, 16 ноября 2026 года</figcaption></figure><p>Полную цену показывают калькуляторы на страницах тарифов. У <a href="https://vapi.ai/pricing">Vapi</a> 1000 минут в месяц с распознаванием Deepgram, моделью OpenAI и голосом ElevenLabs оцениваются в $82–129: $50 берёт платформа, $10 распознавание, $8–45 языковая модель, $15–24 синтез. У <a href="https://livekit.io/pricing">LiveKit</a> входящий телефонный звонок с Gemma 4 31B, распознаванием AssemblyAI и синтезом Fish Audio выходит в $0,0479 за минуту, то есть около $48 за 1000 минут. В эту сумму входит $0,01 за наблюдаемость (Observability); без неё получается $0,0379.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/37889c6e-b209-483f-93a0-1823daf7057a.webp" alt="Столбчатая диаграмма состава цены 1000 минут в калькуляторе Vapi: платформа 50 долларов, синтез ElevenLabs от 15, распознавание Deepgram 10, модель OpenAI от 8" /><figcaption>Из чего складывается цена 1000 минут в калькуляторе Vapi при минимальных ставках моделей. График: Tproger по данным vapi.ai/pricing, 16 ноября 2026 года</figcaption></figure><p>Напрямую эти два числа сравнивать нельзя: в калькуляторах стоят разные модели, а в прайсе LiveKit самая дешёвая и самая дорогая языковые модели различаются по цене в десятки раз. Сопоставима только плата самой платформе: у Vapi она в пять раз выше, чем у облаков LiveKit и Pipecat. При 100 тыс. минут в месяц эта разница составляет $4000.</p><p>В <a href="https://www.daily.co/pricing/pipecat-cloud/">Pipecat Cloud</a> есть ещё одна статья расходов: зарезервированные агенты, которые всегда запущены, стоят $0,0005 за каждую зарезервированную минуту на профиле agent-1x. В LiveKit Cloud защита от холодного старта включена в тариф Ship от $50 в месяц; там же 5000 минут сессий и 20 одновременных сессий против 5 на бесплатном тарифе.</p><h2>Как подключить телефонный номер и нужный язык?</h2><p>Через SIP-транк своего оператора: встроенные номера у платформ в основном американские. LiveKit, по <a href="https://docs.livekit.io/sip/">документации по телефонии</a>, продаёт местные номера и номера с бесплатным вызовом только в США, для остальных случаев поддерживает сторонних SIP-провайдеров через входящие и исходящие транки. Vapi подключает SIP-транк по адресу sip.vapi.ai и требует добавить его IP-адреса в список разрешённых у оператора. Pipecat работает с Twilio, Telnyx, Plivo и Exotel или с SIP и PSTN от Daily.</p><p>Язык разговора зависит от выбранных моделей распознавания и синтеза, сам фреймворк на него не влияет. В примере LiveKit распознавание Deepgram nova-3 запускается с параметром language="multi"; поддерживает ли конкретная модель русский и с каким качеством, нужно проверять в документации её поставщика и на своих записях. Доступность платформ и оплату из России мы не проверяли: в документации сервисов об этом ничего не сказано.</p><p>О готовых продуктах на этих технологиях, без программирования, у нас есть отдельные материалы: <a href="https://tproger.ru/articles/nejroseti-dlya-klonirovaniya-golosa-v-2026-godu-ceny-i-dostup-iz">сервисы клонирования голоса</a> и <a href="https://tproger.ru/articles/nejroseti-dlya-dublyazha-i-perevoda-video-v-2026-godu-ceny-8-servi">дубляжа видео</a>.</p><h2>Что выбрать под свою задачу?</h2><p>Выбор сводится к трём вопросам: нужен ли контроль над кодом, кто будет поддерживать инфраструктуру и какой ожидается объём.</p><ol><li><b>Прототип или небольшой объём звонков: Vapi.</b> Агент настраивается в панели, телефония встроена. Платформа берёт $0,05 за минуту, и при малом объёме это дешевле времени разработчика.</li><li><b>Продукт с собственным клиентом и видео: LiveKit Agents.</b> Один поставщик закрывает медиасервер, SDK для клиентов, телефонию и фреймворк агентов; облако можно позже заменить своим сервером без переписывания кода.</li><li><b>Нестандартный конвейер или смена поставщиков: Pipecat.</b> Транспорт и модели меняются перестановкой обработчиков, поэтому фреймворк удобен, когда нужно сравнивать провайдеров или встраиваться в существующую телефонию.</li><li><b>Большой объём: свой сервер на LiveKit или Pipecat.</b> Плата платформе исчезает, остаются сервер, модели и телефония. Считайте порог окупаемости по числу минут в месяц.</li></ol><p>Перед выбором стоит собрать один и тот же сценарий в двух инструментах и измерить задержку ответа на своих моделях: это тот параметр, который сильнее всего влияет на впечатление от разговора и который нельзя оценить по документации.</p><p>Источники: <a href="https://github.com/livekit/agents">GitHub: livekit/agents</a>, <a href="https://docs.livekit.io/agents/start/voice-ai/">LiveKit Docs: Voice AI quickstart</a>, <a href="https://livekit.io/pricing">LiveKit: Pricing</a>, <a href="https://docs.livekit.io/sip/">LiveKit Docs: Telephony</a>, <a href="https://github.com/pipecat-ai/pipecat">GitHub: pipecat-ai/pipecat</a>, <a href="https://docs.pipecat.ai/pipecat/learn/overview">Pipecat Docs: Overview of Pipecat</a>, <a href="https://docs.pipecat.ai/pipecat/get-started/quickstart">Pipecat Docs: Quickstart</a>, <a href="https://www.daily.co/pricing/pipecat-cloud/">Daily: Pipecat Cloud Pricing</a>, <a href="https://docs.vapi.ai/quickstart/introduction">Vapi Docs: Introduction</a>, <a href="https://docs.vapi.ai/quickstart/web">Vapi Docs: Web calls</a>, <a href="https://vapi.ai/pricing">Vapi: Pricing</a>, <a href="https://docs.vapi.ai/advanced/sip/sip-trunk">Vapi Docs: SIP trunking</a>, <a href="https://docs.vapi.ai/assistants/model-intelligence/understanding-cost">Vapi Docs: How voice agent component costs and estimates work</a></p>]]></content:encoded>
    </item>
    <item>
      <title>Linux для разработчика: полный путеводитель в 2026 году</title>
      <link>https://tproger.ru/articles/linux-dlya-razrabotchika-polnyj-putevoditel-v-2026-godu</link>
      <comments>https://tproger.ru/articles/linux-dlya-razrabotchika-polnyj-putevoditel-v-2026-godu?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/linux-dlya-razrabotchika-polnyj-putevoditel-v-2026-godu</guid>
      <description><![CDATA[<p>Что нужно знать о Linux разработчику: выбор дистрибутива и сроки поддержки, WSL, команды терминала, права доступа, apt, systemd и подключение по SSH.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/linux-dlya-razrabotchika-polnyj-putevoditel-v-2026-godu">Linux для разработчика: полный путеводитель в 2026 году</a>»</p>]]></description>
      <category><![CDATA[Linux]]></category>
      <category><![CDATA[Инструменты терминала Linux]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:26:24 GMT</pubDate>
      <content:encoded><![CDATA[<p>На Linux работает большая часть серверов, контейнеров и конвейеров CI, поэтому разработчик сталкивается с ним, даже если пишет код на Windows или macOS. На 16 ноября 2026 года актуальны стабильное ядро <a href="https://www.kernel.org/">Linux 7.3.4</a> от 10 ноября, Ubuntu 26.04 LTS и 26.10, Debian 13.7 от 12 сентября. В Windows полноценное окружение Linux ставится одной командой, так что отдельный компьютер или переустановка системы для знакомства не нужны.</p><p>Здесь собраны базовые задачи разработчика: выбор дистрибутива, работа в терминале, права доступа, установка пакетов, запуск сервисов, чтение логов и подключение по SSH. В каждом разделе — короткое объяснение, команды из официальных руководств и ссылки на подробные разборы Tproger.</p><ul><li>Версии на 16 ноября 2026 года: стабильное ядро 7.3.4, тестовое 7.4-rc3, Ubuntu 26.04 LTS и 26.10, Debian 13.7.</li><li>Ubuntu LTS получает стандартные обновления безопасности 5 лет (для пакетов из репозитория Main), промежуточные выпуски Ubuntu живут 9 месяцев, у Debian цикл 5 лет: 3 года полной поддержки и 2 года LTS.</li><li>WSL ставится командой wsl --install на Windows 11 и Windows 10 начиная с версии 2004; по умолчанию устанавливается Ubuntu.</li><li>Права доступа задаются тремя наборами: для владельца файла, для группы и для всех остальных; в каждом наборе чтение, запись и выполнение.</li><li>Команда ssh-keygen без аргументов создаёт ключ Ed25519; новые основные версии ядра выходят каждые 9–10 недель.</li></ul><h2>Зачем разработчику Linux, если он работает на Windows или macOS?</h2><p>Код часто запускается на Linux, даже когда пишется в другой системе. Linux-контейнер Docker — это процесс на ядре Linux, изолированный пространствами имён и контрольными группами; подробности есть в нашем <a href="https://tproger.ru/articles/docker-v-2026-godu-polnyj-putevoditel-po-kontejneram">путеводителе по Docker</a>. Облачные серверы, раннеры CI и узлы Kubernetes тоже чаще всего работают под Linux, и умение читать логи, права и процессы экономит часы при разборе сбоев. Об этом же заметка <a href="https://tproger.ru/news/pochemu-bez-znaniya-linux--kubernetes-ostanetsya-dlya-vas-magiej">«Почему без знания Linux Kubernetes останется для вас магией»</a>.</p><p>Linux состоит из ядра и дистрибутива вокруг него. Ядро развивается по понятному графику: по <a href="https://www.kernel.org/category/releases.html">описанию на kernel.org</a>, новые основные версии выходят каждые 9–10 недель, после чего ветка считается стабильной и получает исправления. На 16 ноября 2026 года актуальна стабильная версия 7.3.4, тестовая 7.4-rc3, а долгосрочную поддержку получают шесть веток: 6.18, 6.12, 6.6, 6.1, 5.15 и 5.10. Дистрибутив выбирает версию ядра, нередко поддерживает её собственными силами и добавляет пакеты, установщик и свой срок поддержки.</p><h2>Какой дистрибутив выбрать и сколько он будет получать обновления?</h2><p>Чаще всего выбирают между Ubuntu, Debian и Fedora — они отличаются сроком поддержки и свежестью пакетов. На рабочую машину разумно ставить то же семейство, что стоит на серверах проекта: так совпадут менеджер пакетов и расположение конфигурационных файлов.</p><ul><li><b>Ubuntu.</b> Новая версия выходит каждые шесть месяцев. Выпуски LTS появляются раз в два года и, по <a href="https://ubuntu.com/about/release-cycle">описанию цикла</a>, получают 5 лет стандартных обновлений безопасности для пакетов из репозитория Main; промежуточные выпуски вроде 26.10 обновляются только 9 месяцев. Подписка Ubuntu Pro продлевает срок LTS до 10 лет, а с платным дополнением Legacy до 15; для личного использования Ubuntu Pro бесплатна на пяти машинах.</li><li><b>Debian.</b> <a href="https://www.debian.org/releases/">Стабильная ветка</a> сейчас 13 (trixie): она вышла 9 августа 2025 года, а обновление 13.7 вышло 12 сентября 2026 года. Выпуск поддерживается пять лет: три года полной поддержки и два года LTS.</li><li><b>Fedora.</b> Дистрибутив со свежими версиями ядра и инструментов; пакеты ставятся менеджером dnf. Подходит тем, кому новые версии компиляторов нужны раньше, чем они попадут в LTS-дистрибутивы.</li></ul><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/7f17f221-7304-4533-964b-d631b061866e.webp" alt="Горизонтальная диаграмма сроков поддержки: промежуточный выпуск Ubuntu 0,75 года, Debian полная поддержка 3 года, Debian с LTS 5 лет, Ubuntu LTS 5 лет, Ubuntu LTS с Ubuntu Pro 10 лет, с дополнением Legacy 15 лет" /><figcaption>Сроки обновлений безопасности дистрибутивов, годы; у Ubuntu LTS стандартный срок относится к пакетам из Main. График: Tproger по данным Canonical и Debian, 16 ноября 2026 года</figcaption></figure><p>Подробное сравнение для начинающих есть в подборке <a href="https://tproger.ru/digest/vybiraem-distributiv-linux-dlja-novichka">«Выбираем дистрибутив Linux для новичка»</a>, а изменения последнего LTS разобраны в новости <a href="https://tproger.ru/news/vywel-ubuntu-26-04-lts-resolute-raccoon-rust-v-core-wayland">о выходе Ubuntu 26.04 LTS</a>.</p><h2>Как получить Linux на Windows без переустановки системы?</h2><p>На Windows достаточно подсистемы WSL: она запускает настоящий дистрибутив Linux рядом с Windows. По <a href="https://learn.microsoft.com/en-us/windows/wsl/install">инструкции Microsoft</a>, нужна Windows 11 или Windows 10 версии 2004 и новее. Команды выполняются в PowerShell от имени администратора, после первой требуется перезагрузка:</p><p>Новые установки работают в режиме WSL 2. Исходный код подсистемы открыт с мая 2025 года, об этом была <a href="https://tproger.ru/news/--microsoft-otkryla-ishodnyj-kod-windows-subsystem-for-linux--wsl-">наша новость</a>. На macOS терминал уже есть в системе, а Linux-окружение обычно получают через контейнеры или виртуальную машину.</p><h2>Какие команды терминала нужны каждый день?</h2><p>Повседневная работа в терминале держится на двух десятках команд и одном приёме: объединении команд в конвейер. Базовый набор выглядит так:</p><p>Команды, с которых начинают</p><table><thead><tr><th>Задача</th><th>Команды</th><th>Пример</th></tr></thead><tbody><tr><td>Перемещение по каталогам</td><td>pwd, ls, cd</td><td>ls -la /var/log</td></tr><tr><td>Файлы и каталоги</td><td>cp, mv, rm, mkdir</td><td>mkdir -p project/src</td></tr><tr><td>Просмотр содержимого</td><td>cat, less, head, tail</td><td>tail -f app.log</td></tr><tr><td>Поиск</td><td>grep, find</td><td>grep -r TODO src/</td></tr><tr><td>Процессы</td><td>ps, top, kill</td><td>ps aux</td></tr><tr><td>Диск и память</td><td>df, du, free</td><td>df -h</td></tr></tbody></table><p>Источник: руководства GNU Coreutils и справочные страницы man</p><p>По определению из <a href="https://www.gnu.org/software/bash/manual/html_node/Pipelines.html">руководства Bash</a>, конвейер — это последовательность команд, разделённых символом |: вывод каждой передаётся на вход следующей. Так из простых утилит собирается нужная обработка. Команды ниже считают строки с ошибками в журнале и показывают десять последних:</p><p>Второй приём — <a href="https://www.gnu.org/software/bash/manual/html_node/Redirections.html">перенаправление</a>: оператор &gt; записывает вывод команды в файл, &gt;&gt; дописывает в конец, а 2&gt;&amp;1 отправляет ошибки туда же, куда идёт обычный вывод. Пример из руководства Bash, ls &gt; dirlist 2&gt;&amp;1, сохраняет в файл dirlist и список файлов, и ошибки. Порядок здесь важен: при записи ls 2&gt;&amp;1 &gt; dirlist в файл попадёт только обычный вывод.</p><p>Справку по любой команде показывает man, например man grep. Расширенные подборки есть на Tproger: <a href="https://tproger.ru/articles/100-komand-linux-dlya-ezhednevnoj-raboty">«100 команд Linux для ежедневной работы»</a>, <a href="https://tproger.ru/articles/chto-eshhe-est-v-terminale-linux--7-komand--kotorye-ekonomyat-kuchu-vremeni">«7 команд, которые экономят кучу времени»</a> и обязательный к прочтению список <a href="https://tproger.ru/articles/20-komand-linux--kotorye-ne-stoit-zapuskat--libo-zapuskat-s-osoboj-ostorozhnostyu">«20 команд Linux, которые не стоит запускать»</a>. Автоматизацию начинают со <a href="https://tproger.ru/translations/bash-cheatsheet">шпаргалки по Bash</a> и <a href="https://tproger.ru/articles/bash-scripts-guide">руководства по скриптам</a>.</p><h2>Как устроены права доступа и когда нужен sudo?</h2><p>У каждого файла есть владелец, группа и три набора прав. <a href="https://www.gnu.org/software/coreutils/manual/html_node/Mode-Structure.html">Руководство GNU Coreutils</a> описывает три вида доступа: чтение, запись и выполнение, и три категории пользователей: владелец файла, участники его группы и все остальные. Для каталога чтение означает просмотр списка файлов, запись позволяет создавать и удалять файлы, а выполнение даёт доступ к файлам внутри.</p><p>Права меняет команда chmod, а владельца — chown. Режим задают буквами или числом: в числовой записи чтение равно 4, запись 2, выполнение 1, и значения складываются отдельно для каждой категории.</p><p>Системные операции, такие как установка пакетов или правка файлов в /etc, выполняет суперпользователь root. Команда sudo запускает одну команду с его правами, поэтому постоянно работать под root незачем. Тему подробно раскрывает статья <a href="https://tproger.ru/articles/prava-v-linux-komandy-i-gruppy">«Права в Linux: команды и группы»</a>.</p><h2>Как ставить программы и обновлять систему?</h2><p>Программы в Linux ставят из репозиториев дистрибутива через менеджер пакетов. В Debian и Ubuntu это apt: <a href="https://manpages.debian.org/trixie/apt/apt.8.en.html">справочная страница</a> описывает его как высокоуровневый интерфейс к системе управления пакетами, рассчитанный на интерактивную работу.</p><p>В Fedora ту же роль играет dnf: sudo dnf install git, sudo dnf upgrade. Команды разных семейств отличаются, а порядок действий одинаков: сначала обновить сведения о пакетах, потом ставить. Для языковых зависимостей по-прежнему нужны свои менеджеры (pip или uv, npm, cargo): системный менеджер пакетов отвечает за саму систему и её библиотеки.</p><h2>Как управлять сервисами и читать логи?</h2><p>В большинстве современных дистрибутивов сервисами управляет systemd. Двух его команд хватает для повседневной работы: systemctl запускает, останавливает и показывает состояние сервисов, journalctl читает их журналы. Обе описаны в <a href="https://www.freedesktop.org/software/systemd/man/latest/systemctl.html">официальных справочных страницах</a>.</p><p>Как устроены юниты и зачем они нужны, объясняет перевод <a href="https://tproger.ru/translations/how-to-love-systemd">«Как полюбить systemd»</a>; свежие изменения разобраны в новости <a href="https://tproger.ru/news/vywel-systemd-262-so-staticheskoj-sborkoj-pid-1-i-usilennoj-zashhit">о выходе systemd 262</a>.</p><h2>Как подключаться к серверам по SSH?</h2><p>К удалённым машинам подключаются по SSH с ключом вместо пароля. Ключ создаёт ssh-keygen: по <a href="https://man.openbsd.org/ssh-keygen">справочной странице OpenSSH</a>, без аргументов команда сгенерирует ключ Ed25519. Открытую часть ключа копируют на сервер, закрытая остаётся на вашей машине.</p><p>Чтобы не набирать адрес и имя пользователя каждый раз, параметры подключения записывают в файл ~/.ssh/config:</p><p>После этого достаточно команды ssh staging. Больше приёмов в переводе <a href="https://tproger.ru/translations/ssh-tips-and-tricks">«Интересные приёмы и хитрости SSH»</a>, принципы работы протокола разобраны в материале <a href="https://tproger.ru/explain/a-top-down-introduction-to-ssh">«Основные принципы работы протокола SSH»</a>, а первый сервер поможет настроить <a href="https://tproger.ru/articles/tproger-server-setup-manual">инструкция Tproger</a>.</p><h2>Что освоить после базовых команд?</h2><p>Дальше Linux перестаёт быть отдельной темой и становится средой для остальных инструментов. Три направления, которые дают больше всего пользы разработчику:</p><ul><li><b>Терминальные инструменты.</b> Мультиплексор держит несколько сессий в одном окне и переживает обрыв связи: <a href="https://tproger.ru/articles/tmux-v-2026-godu-perezhivaet-vtoroe-rozhdenie-kak-razrabotchiki-de">«Tmux в 2026 году»</a>; современные замены классических утилит собраны в подборке <a href="https://tproger.ru/articles/10-cli-instrumentov--kotorye-sekonomyat-vremya-razrabotchiku">«10 CLI-инструментов»</a>.</li><li><b>Контейнеры.</b> <a href="https://tproger.ru/articles/docker-v-2026-godu-polnyj-putevoditel-po-kontejneram">Путеводитель по Docker</a> показывает, как знание процессов, сетей и прав применяется на практике.</li><li><b>Инфраструктура.</b> Порядок изучения сетей, CI/CD и оркестрации расписан в <a href="https://tproger.ru/articles/roadmap-devops-inzhenera-v-2026-godu--chto-uchit-i-v-kakom-poryadke">роадмапе DevOps-инженера на 2026 год</a>, а выбрать площадку для собственного сервера поможет разбор <a href="https://tproger.ru/digest/vps-vs-vds-vs-virtualnyj-hosting-chto-vybrat-v-2026-godu">«VPS vs VDS vs виртуальный хостинг»</a>.</li></ul><p>Источники: <a href="https://www.kernel.org/">The Linux Kernel Archives</a>, <a href="https://www.kernel.org/category/releases.html">kernel.org: Active kernel releases</a>, <a href="https://ubuntu.com/about/release-cycle">Ubuntu release cycle</a>, <a href="https://www.debian.org/releases/">Debian Releases</a>, <a href="https://learn.microsoft.com/en-us/windows/wsl/install">Microsoft Learn: Install WSL</a>, <a href="https://www.gnu.org/software/bash/manual/html_node/Pipelines.html">Bash Reference Manual: Pipelines</a>, <a href="https://www.gnu.org/software/bash/manual/html_node/Redirections.html">Bash Reference Manual: Redirections</a>, <a href="https://www.gnu.org/software/coreutils/manual/html_node/Mode-Structure.html">GNU Coreutils: Structure of File Mode Bits</a>, <a href="https://www.gnu.org/software/coreutils/manual/html_node/chmod-invocation.html">GNU Coreutils: chmod</a>, <a href="https://manpages.debian.org/trixie/apt/apt.8.en.html">apt(8), Debian trixie</a>, <a href="https://www.freedesktop.org/software/systemd/man/latest/systemctl.html">systemctl(1)</a>, <a href="https://www.freedesktop.org/software/systemd/man/latest/journalctl.html">journalctl(1)</a>, <a href="https://man.openbsd.org/ssh-keygen">ssh-keygen(1)</a>, <a href="https://man.openbsd.org/ssh_config">ssh_config(5)</a></p><p>Изображение на обложке: Larry Ewing, Garrett LeSage, IFo Hancroft (Tux)</p>]]></content:encoded>
    </item>
    <item>
      <title>Где взять бесплатный CI/CD в 2026 году и сколько минут дают</title>
      <link>https://tproger.ru/articles/gde-vzyat-besplatnyj-ci-cd-v-2026-godu-i-skolko-minut-dayut</link>
      <comments>https://tproger.ru/articles/gde-vzyat-besplatnyj-ci-cd-v-2026-godu-i-skolko-minut-dayut?scrollTo=tproger-comments</comments>
      <dc:creator><![CDATA[Tproger]]></dc:creator>
      <guid isPermaLink="true">https://tproger.ru/articles/gde-vzyat-besplatnyj-ci-cd-v-2026-godu-i-skolko-minut-dayut</guid>
      <description><![CDATA[<p>Сравнили бесплатные тарифы CI/CD на 16 ноября 2026 года: 2000 минут GitHub, 400 GitLab, 50 Bitbucket, кредиты CircleCI, Codeberg, SourceCraft и свой раннер.</p><p>— Читать дальше «<a rel="follow" href="https://tproger.ru/articles/gde-vzyat-besplatnyj-ci-cd-v-2026-godu-i-skolko-minut-dayut">Где взять бесплатный CI/CD в 2026 году и сколько минут дают</a>»</p>]]></description>
      <category><![CDATA[Инструменты]]></category>
      <category><![CDATA[DevOps]]></category>
      <category><![CDATA[GitHub]]></category>
      <category><![CDATA[GitLab]]></category>
      <category><![CDATA[CI/CD]]></category>
      <category><![CDATA[Статьи]]></category>
      <slash:comments>0</slash:comments>
      <pubDate>Mon, 16 Nov 2026 14:20:44 GMT</pubDate>
      <content:encoded><![CDATA[<p>Бесплатный CI/CD для закрытого репозитория в ноябре 2026 года даёт от 50 до 6000 минут сборки в месяц: 50 у Bitbucket, 400 у GitLab, 1000 у SourceCraft, 2000 у GitHub и до 6000 у CircleCI. В открытых репозиториях условия мягче: GitHub вообще не ограничивает время на стандартных раннерах, а Codeberg выдаёт доступ к CI по заявке.</p><p>Сравнивать цифры в тарифах напрямую не получится. GitHub считает бесплатный лимит в долларах, GitLab использует «вычислительные минуты» с коэффициентами, CircleCI начисляет кредиты, а минута на macOS везде обходится в разы дороже Linux. Мы изучили тарифы и документацию 7 платформ на 16 ноября 2026 года и перевели лимиты в минуты на стандартном Linux-раннере.</p><p>В подборку вошли GitHub Actions, GitLab CI/CD, Codeberg, Bitbucket Pipelines, CircleCI и 2 российские платформы: SourceCraft и GitFlic. Отдельно разберём, как обойти лимиты без доплаты с помощью собственного раннера.</p><ul><li>GitHub Free включает вычислений на $12 в месяц: это 2000 минут на Linux с 2 ядрами, 1200 минут на Windows или 193 минуты на macOS.</li><li>В публичных репозиториях GitHub стандартные раннеры бесплатны без лимита; собственные раннеры бесплатны в любых репозиториях.</li><li>GitLab.com на тарифе Free даёт 400 вычислительных минут в месяц и до 5 пользователей в приватной группе верхнего уровня.</li><li>CircleCI Free: 30 000 кредитов в месяц, до 6000 минут на малом Docker-классе или 3000 минут на среднем Linux, до 5 активных пользователей.</li><li>SourceCraft Free: по 1000 минут в месяц для публичных и приватных репозиториев; докупать минуты по 0,8 руб. можно только на платной подписке.</li><li>Codeberg не считает минуты, но доступ к Woodpecker CI выдают вручную, сборки идут только под linux/amd64 и без гарантий доступности.</li></ul><h2>Сколько бесплатных минут CI дают платформы в 2026 году?</h2><p>Для закрытых репозиториев разница достигает 120 раз. В таблице собраны лимиты бесплатных тарифов в пересчёте на минуты стандартного Linux-раннера и ограничения по размеру команды.</p><p>Бесплатные тарифы CI/CD на 16 ноября 2026 года</p><table><thead><tr><th>Платформа</th><th>Приватные репозитории, в месяц</th><th>Публичные репозитории</th><th>Ограничение по людям</th></tr></thead><tbody><tr><td>GitHub Actions</td><td>$12 вычислений: 2000 минут Linux</td><td>без лимита на стандартных раннерах</td><td>нет</td></tr><tr><td>GitLab.com</td><td>400 вычислительных минут</td><td>те же 400 минут; скидка по программе для open source</td><td>5 пользователей в приватной группе</td></tr><tr><td>Bitbucket Pipelines</td><td>50 минут</td><td>те же 50 минут</td><td>5 пользователей</td></tr><tr><td>CircleCI</td><td>30 000 кредитов: до 6000 минут</td><td>до 400 000 кредитов для open source</td><td>5 активных пользователей</td></tr><tr><td>Codeberg</td><td>хостинг только для свободных проектов</td><td>CI по заявке, без счётчика минут</td><td>нет</td></tr><tr><td>SourceCraft</td><td>1000 минут</td><td>1000 минут, больше по запросу</td><td>нет</td></tr><tr><td>GitFlic</td><td>CI/CD включён, лимит минут не указан</td><td>CI/CD включён, лимит минут не указан</td><td>5 человек в приватных репозиториях</td></tr></tbody></table><p>документация и страницы тарифов платформ, проверено 16 ноября 2026 года</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/b3298226-b13f-4f58-8dd0-12c07ca5df14.webp" alt="Диаграмма бесплатных минут CI в месяц для приватных репозиториев: CircleCI до 6000, GitHub 2000, SourceCraft 1000, GitLab 400, Bitbucket 50" /><figcaption>Бесплатные минуты CI в месяц для приватных репозиториев в пересчёте на стандартный Linux-раннер; у CircleCI показан максимум на малом Docker-классе. График: Tproger по данным документации платформ на 16 ноября 2026 года</figcaption></figure><p>У CircleCI есть оговорка: 6000 минут выходят только на самом маленьком классе ресурсов. Сама компания в справке ориентируется на другой расчёт: 30 000 кредитов при расходе 10 кредитов в минуту на Linux Medium дают 3000 минут. Неиспользованные кредиты бесплатного плана сгорают в конце месяца.</p><h2>Как GitHub считает бесплатный лимит Actions?</h2><p>Лимит задан в долларах. По <a href="https://docs.github.com/en/billing/concepts/product-billing/github-actions">документации по биллингу</a>, в тариф включена месячная сумма вычислений, из которой вычитается стоимость каждой сборки по ставке раннера. У GitHub Free и бесплатных организаций это $12 в месяц, у Pro и Team сумма равна $18, у Enterprise Cloud — $300.</p><p>Итоговое число минут зависит от типа раннера. <a href="https://docs.github.com/en/billing/reference/actions-runner-pricing">Ставки</a> на 16 ноября: Linux с 1 ядром стоит $0,002 в минуту, Linux с 2 ядрами стоит $0,006, Linux на arm64 — $0,005, Windows обходится в $0,010, macOS в $0,062. Время каждой задачи округляется вверх до целой минуты.</p><figure><img src="https://media.tproger.ru/user-uploads/1140448/2026-11-16/0bfee127-d3ea-49ce-85e1-4d6946331678.webp" alt="Диаграмма: на 12 долларов в месяц GitHub даёт 6000 минут на Linux с 1 ядром, 2400 на Linux arm64, 2000 на Linux с 2 ядрами, 1200 на Windows и 193 минуты на macOS" /><figcaption>Сколько минут сборки в месяц покрывают $12 включённых вычислений GitHub Free на разных раннерах. График: расчёт Tproger по ставкам GitHub на 16 ноября 2026 года</figcaption></figure><p>Отсюда следуют 3 практических вывода. Сборка под macOS расходует бесплатный лимит в 10 раз быстрее сборки под Linux: 193 минут в месяц хватит примерно на 20 прогонов по 10 минут. Лёгкие задачи вроде линтеров выгоднее переносить на раннер ubuntu-slim с 1 ядром и 5 ГБ памяти, где те же $12 превращаются в 6000 минут. Наконец, упавшая сборка тоже списывает баланс, а перезапуск считается заново.</p><p>Документация прямо перечисляет, что остаётся бесплатным сверх лимита: стандартные раннеры в публичных репозиториях, сборки GitHub Pages и Dependabot, а также собственные раннеры. В публичных репозиториях стандартный Linux-раннер получает больше ресурсов: 4 ядра и 16 ГБ памяти против 2 ядер и 8 ГБ в приватных.</p><blockquote>Use of the standard GitHub-hosted runners is free and unlimited on public repositories.</blockquote><p>Хранилище считается отдельно: 500 МБ на артефакты и пакеты у Free и 10 ГБ кэша на репозиторий. Если к аккаунту не привязан действующий способ оплаты, после исчерпания включённой суммы сборки в приватных репозиториях блокируются до начала следующего расчётного периода. Без действующего способа оплаты это означает жёсткий потолок в 2000 минут на стандартном Linux-раннере.</p><p>Отдельная история с собственными раннерами. В декабре 2025 года GitHub объявляла о планах брать плату за минуты на них, мы <a href="https://tproger.ru/news/github-nachnet-brat-dengi-dazhe-za-lokalnye-actions-polzovatelya-uzhe-s-2026-goda">писали об этом</a>. В действующей документации на 16 ноября 2026 года собственные раннеры по-прежнему входят в список бесплатных и не уменьшают включённую сумму.</p><h2>Что дают GitLab, Bitbucket и CircleCI?</h2><p>Меньше минут, чем GitHub, либо больше минут, но с оговорками. У GitLab.com тариф Free включает 400 вычислительных минут в месяц, 10 ГиБ хранилища и до 5 пользователей в приватной группе верхнего уровня, по условиям <a href="https://about.gitlab.com/pricing/">страницы тарифов</a>. Premium даёт 10 000 минут, Ultimate — 50 000.</p><p>Вычислительная минута GitLab отличается от минуты реального времени. По <a href="https://docs.gitlab.com/ci/pipelines/compute_minutes/">документации</a>, расход считается как длительность задачи, умноженная на коэффициент раннера: 1 для малого Linux-раннера, 2 для среднего, 3 для большого, 6 для macOS на M1. На среднем раннере 400 минут превращаются в 200. Счётчик относится к общим раннерам платформы; открытые проекты из программы GitLab for Open Source получают коэффициент 0,5.</p><p>Bitbucket на бесплатном тарифе даёт 50 минут сборки в месяц и 1 ГБ хранилища LFS на рабочее пространство до 5 пользователей; минуты тоже умножаются на размер раннера. Такого объёма хватит только для знакомства с Pipelines: один пайплайн на 5 минут исчерпает лимит за 10 запусков. Платный Standard стоит $3,65 за пользователя в месяц. Для команд из России есть отдельное ограничение: Atlassian <a href="https://www.atlassian.com/blog/announcements/atlassian-stands-with-ukraine">объявила</a>, что с 31 октября 2022 года сворачивает бизнес в России и Беларуси и перестаёт продлевать лицензии клиентам из этих стран.</p><p>У CircleCI самый крупный бесплатный лимит: 30 000 кредитов в месяц, до 5 активных пользователей, раннеры Docker, Linux, Arm, Windows и macOS и поддержка собственных раннеров. Открытым проектам на Linux, Arm и Docker компания обещает до 400 000 кредитов в месяц. При этом CircleCI — отдельный сервис сборки: сам код остаётся на внешнем хостинге, к которому он подключается.</p><h2>Чем отличается бесплатный CI на Codeberg?</h2><p>Codeberg — это общественный ресурс без коммерческих тарифов и счётчика минут. Некоммерческий хостинг работает на Forgejo и предназначен для свободных проектов: обычного приватного хостинга для закрытого кода он не предлагает. Вместо автоматического биллинга здесь действуют ручной допуск и правила из <a href="https://docs.codeberg.org/ci/">документации по CI</a>.</p><ul><li>Основной вариант — экземпляр Woodpecker CI на ci.codeberg.org. Доступ нужно запросить через форму; заявку рассматривает волонтёр и одобряет, если проект подходит под критерии.</li><li>Сервис работает «как есть» и может быть недоступен неопределённое время. Расход ресурсов должен быть разумным.</li><li>Единственная целевая платформа сборки — linux/amd64. Управление правами в Woodpecker ограничено, что неудобно командам со сложной структурой доступа.</li><li>Forgejo Actions, совместимые по синтаксису с GitHub Actions, на стороне Codeberg доступны в ограниченном режиме: авторы документации ссылаются на нерешённые вопросы безопасности и нехватку мейнтейнеров. Собственный раннер Forgejo подключить можно уже сейчас.</li></ul><p>Конфигурация Woodpecker — YAML-файл в каталоге .woodpecker, где каждый шаг запускается в своём контейнере. Пример из <a href="https://woodpecker-ci.org/docs/usage/intro">документации Woodpecker</a>:</p><p>Woodpecker можно поставить и на свой сервер: версия 3.20.1 вышла 29 октября 2026 года, а в документации сказано, что он работает даже на Raspberry Pi. Для проекта со свободной лицензией Codeberg остаётся разумным выбором, если сборки короткие, а простои не критичны.</p><h2>Какие бесплатные лимиты у российских платформ?</h2><p>У SourceCraft лимит описан точно, у GitFlic — нет. <a href="https://sourcecraft.dev/portal/docs/ru/sourcecraft/pricing">SourceCraft</a>, платформа «Яндекса», на подписке Free даёт 1000 минут CI в месяц отдельно для публичных и отдельно для приватных репозиториев, 5 параллельных процессов и по 2 ГБ хранилища. На платных подписках квота вырастает до 3000 минут и 20 параллельных процессов. Докупить время сверх квоты можно только на платной подписке: минута в приватных репозиториях стоит 0,8 руб. с НДС. Образовательным и открытым проектам квоту для публичных репозиториев увеличивают бесплатно по запросу в поддержку.</p><p><a href="https://gitflic.ru/price">GitFlic</a> включает CI/CD, реестр контейнеров и пакетов в бесплатный облачный тариф для открытых проектов и приватных репозиториев с командой до 5 человек; репозиторий ограничен 4 ГБ. Сколько минут сборки при этом доступно, на странице тарифов не сказано. Тариф для компаний стоит от 750 руб. в месяц за пользователя, а версию для собственного сервера с CI/CD можно скачать бесплатно.</p><p>Сайты github.com, codeberg.org, bitbucket.org, circleci.com, sourcecraft.dev и gitflic.ru 16 ноября 2026 года ответили на наши запросы с сервера в Москве кодом 200. Это говорит только о том, что сайт открывается, и ничего не обещает про регистрацию и оплату. Проверить gitlab.com таким способом не удалось: сайт не ответил на автоматические запросы ни из России, ни из Финляндии. У SourceCraft и GitFlic цены указаны в рублях, у остальных платформ способы оплаты нужно смотреть в документации по биллингу.</p><h2>Как не упереться в лимит и что делать, если минут не хватает?</h2><p>Сначала сократить расход, затем вынести тяжёлые сборки на свой раннер. Оптимизация обычно даёт больше, чем кажется: значительная часть минут уходит на прогоны, результат которых никому не нужен.</p><p>Самый простой приём на GitHub — отменять устаревшие запуски. Если в ветку прилетел новый коммит, предыдущий прогон можно не доводить до конца. Пример из документации:</p><ol><li>Включить отмену незавершённых запусков через concurrency с cancel-in-progress: true.</li><li>Перевести линтеры и короткие проверки на ubuntu-slim: минута стоит $0,002 вместо $0,006.</li><li>Собирать под macOS и Windows только на релизных ветках или тегах: минута macOS в 10 раз дороже минуты Linux.</li><li>Следить за артефактами: у GitHub Free на них 500 МБ вместе с пакетами, и место, занятое в течение месяца, остаётся в счёте даже после удаления файлов.</li><li>В GitLab выбирать малый раннер там, где хватает его мощности: средний расходует квоту в 2 раза быстрее.</li></ol><p>Если экономии мало, остаётся собственный раннер. На GitHub он бесплатен в любых репозиториях, в GitLab квота вычислительных минут применяется к общим раннерам платформы, CircleCI поддерживает свои раннеры на бесплатном плане, а Codeberg позволяет подключить раннер Forgejo. Агент <a href="https://github.com/actions/runner">actions/runner</a> обновляется регулярно: версия 2.338.2 вышла 26 октября 2026 года.</p><p>У собственного раннера своя цена: сервер, обновления и безопасность. Запускать на нём сборки из чужих пул-реквестов в публичном репозитории опасно, потому что посторонний код получает доступ к вашей машине. Как устроен пайплайн и где в нём экономить, мы разбирали в материалах про <a href="https://tproger.ru/articles/kak-uprostit-gitlab-ci-sem-priyomov-dlya-nastrojki-pajplajna-2">семь приёмов для GitLab CI</a> и про <a href="https://tproger.ru/articles/chto-takoe-ci-cd--nepreryvnaya-integraciya-i-dostavka">основы CI/CD</a>.</p><h2>Какую платформу выбрать под свою задачу?</h2><p>Выбор зависит от открытости кода, нужной ОС и возможности оплатить перерасход — ниже краткие рекомендации редакции.</p><ul><li><b>Открытый проект:</b> GitHub Actions. Стандартные раннеры без лимита, включая Windows и macOS, из платформ в подборке есть только здесь.</li><li><b>Закрытый пет-проект на Linux:</b> GitHub с 2000 минут или CircleCI, если проект уже лежит на GitHub или Bitbucket и нужно больше времени.</li><li><b>Небольшая команда, которой нужен рублёвый счёт:</b> SourceCraft с 1000 минут на бесплатной подписке и ценой 0,8 руб. за минуту сверх квоты на платной.</li><li><b>Свободный проект, для которого важна независимость от корпораций:</b> Codeberg с Woodpecker, с поправкой на ручной допуск и отсутствие гарантий.</li><li><b>Сборки под macOS или тяжёлые пайплайны:</b> в открытом репозитории GitHub стандартные раннеры macOS бесплатны, в закрытом квота кончится быстро, и выручит собственный раннер.</li></ul><p>Единицы учёта у всех разные: доллары у GitHub, кредиты у CircleCI, минуты с коэффициентами у GitLab, а условия бесплатных тарифов платформы периодически пересматривают. Перед тем как строить процесс вокруг бесплатного тарифа, лучше перечитать страницу биллинга и поставить уведомление о расходе.</p><p>Источники: <a href="https://docs.github.com/en/billing/concepts/product-billing/github-actions">GitHub Docs: GitHub Actions billing</a>, <a href="https://docs.github.com/en/billing/reference/actions-runner-pricing">GitHub Docs: Actions runner pricing</a>, <a href="https://docs.github.com/en/actions/reference/runners/github-hosted-runners">GitHub Docs: GitHub-hosted runners</a>, <a href="https://docs.gitlab.com/ci/pipelines/compute_minutes/">GitLab Docs: Compute minutes</a>, <a href="https://about.gitlab.com/pricing/">GitLab: Pricing</a>, <a href="https://docs.codeberg.org/ci/">Codeberg Docs: Working with Codeberg's CI</a>, <a href="https://docs.codeberg.org/ci/actions/">Codeberg Docs: Using Forgejo Actions</a>, <a href="https://woodpecker-ci.org/docs/usage/intro">Woodpecker CI: Your first pipeline</a>, <a href="https://www.atlassian.com/software/bitbucket/pricing">Bitbucket: Plans &amp; pricing</a>, <a href="https://circleci.com/pricing/">CircleCI: Pricing</a>, <a href="https://sourcecraft.dev/portal/docs/ru/sourcecraft/pricing">SourceCraft: правила тарификации</a>, <a href="https://gitflic.ru/price">GitFlic: тарифы</a>, <a href="https://github.com/actions/runner">GitHub: actions/runner</a>, <a href="https://www.atlassian.com/blog/announcements/atlassian-stands-with-ukraine">Atlassian: Atlassian stands with Ukraine</a></p>]]></content:encoded>
    </item>
  </channel>
</rss>