Ai Radar R1D1

Skill для генерации аккуратных архитектурных, процессных, временных и аналитических диаграмм в виде самостоятельного HTML со встроенным SVG. Устанавливается как плагин Claude Code/Codex либо пакет Pi. После установки достаточно попросить: «Сделай sequence diagram авторизации с refresh token» или «Покажи архитектуру frontend–API–Postgres–Redis». Skill выбирает один из шаблонов, может подобрать цвета и шрифты с вашего сайта, импортировать Mermaid/draw.io и сохранить готовый HTML. SVG извлекается для Figma или презентации; PNG экспортируется через Playwright. Хорош для документации, статей и слайдов, но смысл связей и цифры всё равно должен проверить человек. MIT.
Риск: PNG-экспорт ставит Playwright/Chromium; onboarding ходит на сайт. Перед публикацией проверяйте HTML/SVG и лицензии шрифтов.

https://github.com/cathrynlavery/diagram-design

GitHub Weekly Trending: 16 проектов

Популярность — сигнал внимания, не гарантия качества. Что делает каждый проект и где ограничения.

1. diagram-design — навык для Claude Code, Codex и Pi: создаёт HTML/SVG-схемы, перерисовывает Mermaid и draw.io. Полезен для документов и слайдов; итог всё равно надо проверить глазами.
https://github.com/cathrynlavery/diagram-design

2. Semantica — слой графов знаний: связывает факты и сохраняет понятный след решений AI. Нужен там, где ответ надо аудировать; для маленького проекта настройка графа и инфраструктуры может быть лишней.
https://github.com/semantica-agi/semantica

3. Prime Agent — coding/research-агент с памятью, Python-средой и дочерними агентами; уточняет свои инструкции. Риск: выполняет AI-команды с правами пользователя, без безопасной изоляции.
https://github.com/PrimeIntellect-ai/prime-agent

4. Holehe — OSINT-инструмент, то есть поиск по открытым данным: проверяет, связан ли email с аккаунтами на 120+ сайтах. Сервисы меняются, возможны лимиты и ошибки; применять только законно и этично.
https://github.com/megadose/holehe

5. Switchyard — прокси для AI-моделей: переводит форматы OpenAI/Anthropic, выбирает провайдера и измеряет цену и задержку. Удобен для сравнения моделей; пока pre-alpha, для боевой системы не готов.
https://github.com/NVIDIA-NeMo/Switchyard

6. Code-Graph-RAG строит граф функций, классов и вызовов в многоязычном коде. AI лучше видит связи и точнее вносит правки. Индекс расходует ресурсы и устаревает; изменения проверяет человек.
https://github.com/vitali87/code-graph-rag

7. Needle 2 — 45M-модель для вызова функций и строгого JSON: файл 14 МБ, около 28 МБ оперативной памяти, работает без сети. Подходит устройствам и автоматике; окно 256 токенов, это не универсальный бот.
https://github.com/cactus-compute/needle

8. Macro объединяет почту, чат, документы, задачи, базу клиентов и AI-агентов в пространство с общей памятью. Убирает ручной перенос контекста; внедрение требует миграции данных и строгой настройки доступа.
https://github.com/macro-inc/macro

9. ToolJet — визуальный конструктор внутренних панелей и процессов: 80+ источников данных, можно запустить у себя. Удобен для админок и MVP; AI-функции — Enterprise, а AGPL может требовать открыть изменения кода.
https://github.com/ToolJet/ToolJet

10. TencentDB Agent Memory делает из чатов, документов и кода общие факты, навыки, Wiki и граф кода для агентов. Снижает повторную работу; beta состоит из нескольких сервисов, данные надо защищать.
https://github.com/TencentCloud/TencentDB-Agent-Memory

11. agent-skills — 24 готовых процесса: постановка задачи, план, код, тесты, проверка и выпуск. Работают с Codex, Claude, Cursor и другими агентами. Это сторонние инструкции: перед установкой нужен аудит.
https://github.com/addyosmani/agent-skills

12. ManimGL — Python/OpenGL-движок для создания точных математических анимаций кодом. Подходит обучающим видео, но требует программирования, FFmpeg и иногда LaTeX. Не путать с отдельной Manim Community Edition.
https://github.com/3b1b/manim

13. Cloudflare Computer даёт агенту постоянные файлы и запуск команд/JavaScript в облаке или Linux-контейнере. Это удалённый «компьютер» агента, но пока нестабильный preview и не для боевой системы.
https://github.com/cloudflare/computer

14. Google Skills — официальные инструкции для AI-агентов по облаку, базам данных, AI и рекламе Google. Снижают число ошибок в типовых задачах; проект активно меняется, а действия требуют прав и могут стоить денег.
https://github.com/google/skills

15. WeatherNext — код и веса DeepMind для глобальных прогнозов погоды и циклонов. Полезен исследователям; полные модели требуют мощных TPU/H100, версия Mini слабее. API нестабилен и может меняться.
https://github.com/google-deepmind/weathernext

16. Paperclip — панель для команд AI-агентов: цели, роли, задачи, бюджеты, согласования, расписание и аудит. Полезна при множестве исполнителей; модели не заменяет, а добавляет инфраструктуру.
https://github.com/paperclipai/paperclip

AI Radar: четыре важных open-source релиза

1. Qwen3.8-2.4T-A95B — гигантская модель подтверждена.

Qwen опубликовала официальные веса и model card — техническую карточку модели. Всего у неё 2,4 трлн параметров, то есть внутренних числовых настроек, но при обработке текста активны 95 млрд. Это MoE, «смесь экспертов»: внутри 512 специализированных подсетей, а система каждый раз выбирает 10 подходящих и одну общую. Так модель получает огромную ёмкость, не задействуя все 2,4 трлн параметров одновременно.

У неё 92 слоя, базовое окно контекста 262 144 токена и расширение примерно до 1,01 млн. В контекст можно поместить крупный набор документов или значительную часть кодовой базы. Открытые веса работают с текстом; облачный Max отдельно добавляет изображения. Но для домашнего ПК модель непрактична: хранение всех весов и запуск требуют серверной инфраструктуры. Лицензия своя, Qwen3.8-Max, а не Apache/MIT; для очень крупных сервисов действуют отдельные условия.

https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B

2. Qwen3.8-27B — более доступная открытая модель

Qwen3.8-27B получила официальный model card и лицензию Apache 2.0: веса можно использовать, изменять и внедрять в коммерческие продукты при соблюдении лицензии. 27B означает 27 млрд параметров. Это всё ещё серьёзная модель, но она гораздо реалистичнее для собственного сервера или мощной рабочей станции, особенно после сжатия весов.

Модель принимает текст, изображения и видео, позволяет регулировать глубину «мышления», работать с длинным контекстом и подключаться к coding harnesses. Harness — внешняя оболочка, дающая AI доступ к файлам, терминалу, инструментам и истории задачи. Важное предупреждение Qwen: низкий reasoning effort, то есть уменьшенная глубина рассуждения, ускоряет один ответ, но иногда вызывает ошибки и повторные попытки. В итоге токенов, времени и денег может уйти больше. Поэтому у агентов нужно оценивать стоимость всей выполненной задачи, а не отдельного запроса.

https://huggingface.co/Qwen/Qwen3.8-27B

3. DeepSeek открыла V4-Pro и собственный Harness

Официальные веса DeepSeek-V4-Pro-0813 заменили preview-версию и опубликованы под разрешительной лицензией MIT. В карточке раскрыты условия агентных тестов: минимальный режим DeepSeek Harness, максимальная глубина рассуждения и конкретные настройки генерации. Это важное напоминание: результат coding-agent зависит не только от модели, но и от оболочки, инструментов и параметров теста.

Ещё важнее открытый DeepSeek Harness — готовый каркас AI-агента. Модель, инструменты, навыки, сессии, изолированные среды, хранилище, рабочие циклы, планировщик и интерфейс подключаются как заменяемые плагины. Дополняемый журнал сохраняет рассуждения, вызовы инструментов, запуск вспомогательных AI-агентов и добавление контекста; сессию можно изучать, продолжать, разветвлять и воспроизводить. Это база для собственных агентных систем, но пока developer preview: интерфейсы ещё могут меняться.

https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro-0813
https://deepseek.com/harness/en/

4. Google HEIR: AI может считать, не видя исходных данных

Google представила HEIR — открытый компилятор для гомоморфного шифрования. Обычный сервер расшифровывает данные перед обработкой. Здесь он выполняет вычисления прямо над шифротекстом и возвращает зашифрованный результат: исходный текст, признаки или сетевой трафик серверу не раскрываются.

HEIR может преобразовывать обученные AI-модели для работы с зашифрованным вводом. Google показала четыре примера: приватные рекомендации, выявление мошенничества с картами, поиск аномалий в зашифрованном сетевом трафике и распознавание ключевой фразы в аудио. Практический смысл — облачный AI для финансов, медицины и безопасности можно строить без передачи провайдеру исходных чувствительных данных. Ограничение пока серьёзное: гомоморфные вычисления заметно дороже обычных. HEIR должен упростить внедрение и постепенно уменьшить этот барьер.

https://blog.google/security/how-google-is-making-private-ai-practical-with-homomorphic-encryption/

В AI privacy/security появился содержательный новый engineering signal: Google представила HEIR — open-source compiler/toolchain для вычислений над гомоморфно зашифрованными данными, включая приватный AI inference без раскрытия исходного input серверу. Google показывает четыре reference applications, включая fraud detection и network anomaly detection.

HEIR — компилятор с открытым кодом для гомоморфного шифрования.

Как это работает:

Допустим, ты Банк или Больница (работаешь с чувствительными персональными данными клиентов) и ты в работе с облачными ллм:
- Шифруешь данные своим ключом;
- Отправляешь на сервер только шифротекст;
- Сервер запускает подготовленную модель, не видя исходных данных;
- Возвращает тебе зашифрованный результат;
- Клиент (ты) расшифровываешь его у себя.
Это общая упрощённая схема.

Но «отправить всю историю болезни облачной LLM ChatGPT вместе с обычным промптом» пока нельзя считать готовым массовым сценарием. HEIR — не защищённый ChatGPT и не облачный сервис. Это инструмент, который преобразует совместимые модели и программы для вычислений над шифротекстом.
Сейчас Google показывает узкие задачи: поиск мошеннических операций, сетевых аномалий, распознавание ключевой фразы и рекомендации. Большая LLM с произвольным промптом пока потребовала бы слишком много вычислений, времени и денег. Но это пока.

А как банки и больницы работают сейчас:
• Самые чувствительные задачи запускают локально — на собственных GPU-серверах или в частном облаке.
• Либо используют корпоративные Azure, AWS или Google Cloud: изолированный аккаунт, закрытую сеть, строгие права доступа, собственные ключи, настройки хранения и запрет на обучение модели на данных клиента.
• Перед отправкой часто обезличивают данные - удаляют ФИО, номера документов и другие личные идентификаторы. Модели передают только необходимые фрагменты.
• Окончательный ответ проверяет сотрудник: LLM обычно не принимает окончательное медицинское, кредитное или страховое решение.

В обычном защищённом облаке данные зашифрованы при передаче и хранении, но для вычисления обычно расшифровываются в оперативной памяти. Поэтому приходится доверять защите провайдера.
Главное отличие HEIR: сервер сможет выполнять вычисление, вообще не получая открытые данные.

Одного «защищённого VDS» недостаточно: нужен изолированный контур, разграничение доступа, защита от утечек, аудит, журналы и управление ключами.

Источник: https://blog.google/security/how-google-is-making-private-ai-practical-with-homomorphic-encryption

AI Radar: главное за 11–14 августа 2026

🛡 Безопасность AI-агентов

✅ В PydanticAI подтверждена уязвимость CVSS 7.6: вредоносная страница могла обратиться к локальному web-chat и запустить агента с его инструментами и правами. "localhost" не защищал. Исправлено в версиях "1.107.4" и "2.28.0". "Advisory" (https://github.com/pydantic/pydantic-ai/security/advisories/GHSA-h4xc-3qfq-jf93)

⚠️ DeepSeek Harness пока находится в developer preview. В GitHub появились сообщения об удалении файлов при Full Access и конкретный дефект release-скрипта с опасной обработкой пустого "--out". Официального RCA по наиболее серьёзному инциденту нет. Запускать только в изолированной VM/контейнере без доступа к домашней директории, ключам и облачным токенам. "Репозиторий" (https://github.com/deepseek-ai/deepseek-harness) · "обсуждение дефекта" (https://github.com/deepseek-ai/deepseek-harness/discussions/457)

🚀 Новые модели

✅ Google выпустил Gemini 3.7 Flash: контекст до 1 млн токенов, выход до 64 тыс., мультимодальный ввод и режимы thinking "low/medium/high". Ввод/вывод до конца 2026 года стоят $0.75/$3.75 за миллион токенов. Заявленные результаты на coding и automation сильные, но это преимущественно тесты поставщика — нужен собственный A/B. "Карточка модели" (https://deepmind.google/models/model-cards/gemini-3-7-flash/)

✅ DeepSeek выпустил V4-Pro-0813 под MIT: около 1.7 трлн параметров, режимы reasoning "low/high/max", большие лимиты вывода. Для локального запуска официальный пример использует узел с 4× GB300, поэтому практичнее начинать с API. "Модель" (https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro-0813)

✅ Qwen открыл Qwen3.8-2.4T-A95B: 2.4 трлн общих и 95 млрд активных параметров, нативный контекст 262K с расширением примерно до 1 млн. "Модель" (https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B)

OpenAI показал ограниченный preview "Ultrafast" (https://openai.com/index/previewing-ultrafast/) на Cerebras: до 750 выходных токенов/с и до 14× скорости Standard для GPT-5.6 Sol. Это пока не массовый режим доступа.

🤖 Главный агентный тренд

Индустрия всё заметнее смещается от идеи «найти одну лучшую LLM» к маршрутизации моделей, внешней памяти, retained reasoning, управляемому сжатию контекста и детерминированным инструментам.

Работа "Strong-to-Weak" (https://arxiv.org/html/2608.12307v1) показывает, что сильная модель может существенно улучшать слабую через внешнее состояние, маршрутизацию и форматирование, а не просто более длинные рассуждения. Но эксперимент ограничен одним доменом.

"Runtime Contract" (https://arxiv.org/abs/2608.11274) предлагает важное правило: агент не должен объявлять задачу выполненной без проверяемого конечного состояния и цепочки доказательств.

🎵 Генерация музыки

✅ MiniMax выпустил Music 3.0 с открытыми весами и генерацией песен до пяти минут. Архитектура разделяет глобальную структуру композиции и локальную акустику: Global LLM 8B, Local LLM 0.6B, flow-модуль 2.4B и Flow-VAE. "Технический анонс" (https://www.minimax.io/blog/minimax-music-3-0-next-generation-open-weights-production-ready-versatile-music-model)

💰 Деньги и инфраструктура

• "Databricks" (https://www.reuters.com/legal/transactional/databricks-raises-5-billion-financing-190-billion-valuation-2026-08-13/) привлёк $5 млрд при оценке $190 млрд.
• "River AI" (https://www.reuters.com/technology/xai-co-founders-startup-river-ai-raises-11-billion-expand-custom-ai-tools-2026-08-11/) — $1.1 млрд на кастомные AI-инструменты.
• "IBM и Together AI" (https://www.reuters.com/business/ibm-together-ai-ink-240-million-deal-nvidia-powered-ai-inference-cluster-2026-08-11/) заключили контракт на $240 млн для inference-кластера примерно на 2 000 NVIDIA B300.
• Together AI заказал в Индии AI-фабрику стоимостью до "$1.57 млрд" (https://www.reuters.com/world/india/indias-larsen-toubro-secures-order-build-ai-factory-nvidia-2026-08-13/).
• ⚠️ Anthropic обсуждает покупку Decart AI примерно за $6 млрд, но сделка пока не подтверждена. "Reuters" (https://www.reuters.com/technology/anthropic-talks-buy-decart-ai-source-says-2026-08-13/)

⚖️ Регулирование

✅ Anthropic внедряет текстовые водяные знаки и C2PA-метаданные для поддерживаемого контента Claude. Метка показывает обработку через Claude, но не доказывает его авторство. "Документация" (https://support.claude.com/en/articles/16266773-how-claude-marks-ai-generated-content)