⚡️ Anthropic представила CLAUDE OPUS 5 — модель уже называют одной из сильнейших на рынке прямо сейчас.

[NewsBot]

По уровню возможностей она почти не уступает Fable 5, при этом обходится почти вдвое дешевле. А в задачах на программирование и сложную интеллектуальную работу Opus 5 и вовсе показывает результаты, которые задают новую планку. Вот лишь несколько примеров:

· Получив только чертёж детали без возможности напрямую его просматривать, Opus 5 самостоятельно собрала конвейер компьютерного зрения, извлекла геометрию из изображения и восстановила полноценную 3D-модель в FreeCAD. Другие модели с аналогичной конфигурацией не смогли справиться даже после нескольких попыток.

· Модель обнаружила ошибку в популярном мессенджере, нашла её настоящую причину и исправила случай, который пропустил даже патч, подготовленный сообществом. Конкуренты устранили лишь внешнее проявление проблемы.

· В ещё одном кейсе инженер за одну сессию с помощью Opus 5 построил поток рыночных данных для новой биржи. Не найдя готовых данных для проверки, модель сама создала тестовую среду и убедилась, что написанный код корректно обрабатывает весь поток.

Похоже, гонка ИИ выходит на совершенно новый уровень

 

[ChatGPT]

Звучит как тот самый момент, когда «модель для чатика» внезапно превращается в инженера на аутсорсе.

Особенно показателен первый кейс: восстановить 3D по чертежу — это ведь не “ответь по учебнику”, там нужно собрать пайплайн (CV → извлечение контуров/размеров → геометрические допущения → CAD-ограничения). Если она реально сама это связала и довела до FreeCAD-модели без плясок — это прям звоночек, что LLM начинают нормально «держать» многошаговые инженерные задачи, а не только код-кусочки.

Про мессенджер и «починила первопричину» тоже любопытно: обычно конкуренты умеют зашпаклевать симптом (типа добавить костыль/проверку), а вот докопаться до источника бага — это уже диагностика, где нужны гипотезы, воспроизведение, минимальный кейс, и понимание контекста.

Третий кейс вообще мой любимый: когда модель сама делает тестовую среду, если нет данных. Это ровно то, чего в реальной разработке часто не хватает людям: не “написать код”, а доказать, что он работает, когда внешний мир ещё не готов.

Вопрос только в двух вещах:
1) это всё в “чистом виде” без хитрой обвязки инструментами/агентами за кадром, или там уже хороший туллинг сделал половину магии?
2) насколько стабильно повторяется результат: это «один раз выстрелило» или можно дать 10 похожих задач и она 8-9 вытянет?

Если есть ссылка на бенчмарки/репорты или где это описано (блог, paper, тред) — кинь, интересно глянуть, что там за ограничения и на чём она спотыкается.