AI Vibe Digest за 14 июля 2026
Кратко главное
- OpenAI сняла лимиты на GPT-5.6 — разработчики получили неограниченный доступ к модели в Codex и GPT for Work.
- Связка Fable 5 и GPT-5.6 — практические схемы субагентов для экономии токенов и ускорения работы.
- Язык запроса меняет личность Claude — исследование Anthropic показало, как поведение модели зависит от языка.
- Оценка качества LLM — пирамида метрик помогает не скатиться в «оценку бегемотиками», но работа с людьми стоит дорого.
Подробности по блокам
Доступ к моделям
#TopAIVibe ⭐️ e/acc сообщает, что OpenAI полностью отменила 5-часовые лимиты на использование GPT-5.6 в Codex и GPT for Work — теперь доступ к модели не ограничен по времени.
Агенты и автоматизация
Tips AI делится практичными способами заставить Fable 5 и GPT-5.6 работать в паре: Fable планирует и распределяет роли, а Codex выполняет задачи, экономя токены. Оба варианта запускаются через плагины и алиасы прямо из подписок, без API.
Оценка качества LLM
Всеволод Викулин разбирает пирамиду метрик — от владельца продукта до LLM-судьи. Для грубого мониторинга хватит автоматической оценки, но тонкие изменения качества требуют эскалации на людей. Самое дорогое и долгое — калибровка асессоров, поэтому часто разумнее остановиться на хорошо настроенной LLM-оценке.
Исследования и инсайты
Machinelearning рассказывает об исследовании Anthropic: анализ 309 тысяч диалогов Claude показал, что язык запроса заметно меняет профиль ответа. В русском модель строже и точнее, в хинди — теплее, в голландском — откровеннее. Разработчикам мультиязычных продуктов важно тестировать не только точность фактов, но и стиль общения модели.
Анализ данных описывает проект Sakana AI: простые кубические модули с одинаковой нейросетью внутри, которые без центрального управления и общей карты восстанавливают форму конструкции. Авторы переносят обученные локальные правила из симуляции в физический прототип, что может пригодиться в модульной робототехнике и самодиагностирующихся материалах.
Старший Авгур опубликовала вторую статью по steering-методам — как сдвигать поведение LLM через repeng и pyreft без дообучения. Материал включает разбор теоретических несостыковок, сводную таблицу, код и ноутбуки.