Stripe покупает OpenRouter за $7 млрд — AI-дайджест

Stripe договорилась о покупке роутера моделей OpenRouter более чем за $7 млрд, Cursor запустил хостинг репозиториев Origin, OpenAI строит кампус на 8 ГВт в Огайо, а исследование Agent Skills показало: 65,7% пользы скилла — от процедуры, а не от фактов.
День, когда инфраструктура ИИ подорожала на глазах: Stripe договорилась о покупке роутера моделей OpenRouter более чем за $7 млрд, Cursor запустил собственный хостинг репозиториев Origin прямо посреди сбоя GitHub, OpenAI законтрактовала кампус на 8 ГВт в Огайо, а Дарио Амодеи вышел отвечать критикам ИИ-индустрии.
Главное сегодня
Stripe покупает OpenRouter более чем за $7 млрд
Stripe договорилась о покупке OpenRouter более чем за $7 млрд — об этом со ссылкой на Bloomberg сообщил @AndrewCurran_ на неделе 15–17 августа 2026 года. OpenRouter — это роутер моделей: единый API, через который приложение обращается к моделям разных провайдеров и платит одному посреднику. Сумма сделки показывает, во что рынок оценил слой маршрутизации, который по оценке @kimmonismus забирает около 5% от оборота клиентских трат. Тот же комментатор ставит и главный вопрос к сделке: удержится ли эта наценка, когда конкуренты начнут отдавать маршрутизацию по нулевой марже. Давление на эту наценку видно с обеих сторон рынка сразу — OpenRouter снизил цены на GPT-5.6 Sol, а Vercel сделал то же самое в своём AI Gateway.
Cursor запустил Origin — собственный хостинг репозиториев
Cursor выпустил Origin — хостинг репозиториев прямо внутри редактора, с управлением репозиторием, пул-реквестами, ревью и интеграциями деплоя (анонс Cursor). Это заявка не на «ещё один GitHub», а на то, чтобы ИИ-нативная среда разработки стала системой учёта кода целиком: репозиторий, агент, поверхность ревью и выкатка в одном контуре. Синхронизация с GitHub остаётся, и он по-прежнему может быть источником правды — на это указывает @kimmonismus. Запуск пришёлся ровно на крупный сбой GitHub, что отдельно отметил @Yuchenj_UW и что добавило анонсу резонанса. Общая линия недели у кодинг-агентов одна: они поглощают окружающую платформу, а не дополняют её автодополнением.
OpenAI строит кампус на 8 ГВт в Огайо
OpenAI законтрактовала более 4 ГВт мощностей у NVIDIA — написал Марк Чен на неделе 15–17 августа 2026 года. Детали добавил разбор @kimmonismus: речь о кампусе на 8 ГВт в Огайо, площадку строит и эксплуатирует SB Energy, NVIDIA обеспечивает первые 4,25 ГВт, а стройка растянута до 2032 года — первые 800 МВт ожидаются в 2028-м. Важна здесь не только величина: OpenAI связывает в один вертикальный контур энергию, дата-центры, чипы и долгосрочный доступ к ним. Для всех, кто считает инференс-экономику, это означает, что стоимость токена в 2028–2032 годах будет определяться контрактами на электричество, подписанными сегодня.
Дарио Амодеи ответил критикам: доверие вернёт не маркетинг, а лечение болезней
Глава Anthropic Дарио Амодеи заявил, что ИИ способен вылечить большинство болезней человека за 5–10 лет (его пост). Тезис развивает его эссе «Machines of Loving Grace» и упирается в регуляторику: чтобы ускоренная разработка лекарств не встала на процедурах FDA, нужны изменения самих процедур. Общественное недоверие к ИИ Амодеи называет провалом доверия, который не лечится маркетингом — «сработает то, что действительно вылечит рак», — и говорит, что Anthropic быстро наращивает работы по биологии и медицине, ожидая первых проблесков в ближайшие месяцы. Разбор его ответа критикам вышел у The Rundown AI, а выпуск The AI Daily Brief поставил рядом главное возражение: индустрия пока не предъявила обещанной пользы.
Исследование Agent Skills: 65,7% пользы — от процедуры, 4,5% — от фактов
Скиллы помогают агенту в основном тем, что задают процедуру (65,7%), а не тем, что подсовывают факты (4,5%) — таковы цифры работы «Demystifying Agent Skills» в изложении @omarsar0. Второй вывод жёстче первого: точность выбора нужного скилла падает по мере роста их числа, то есть библиотека без дисциплины триггеров начинает мешать сама себе (продолжение разбора). Масштаб экосистемы показывает свежий датасет GitSkills: по данным DAIR.AI в нём собрано около 3,8 млн файлов SKILL.md. На aiskills.team в разделе Skills для Claude Code сейчас 10 085 активных карточек скиллов с описаниями на русском и английском — в сотни раз меньше сырого корпуса GitSkills, и это ровно тот отбор, о котором говорит исследование: точность срабатывания решается отбором, а не объёмом. Как устроены SKILL.md и условия загрузки, разобрано в нашем руководстве по скиллам Claude Code.
Цифры и факты
- 136,1 знака в секунду и 44 языка — Cartesia вывела Sonic 3.6 на первое место обоих голосовых лидербордов Artificial Analysis (замер Artificial Analysis, анонс Cartesia).
- 13,3% → 38,3% на ARC-AGI-3 — столько прибавила GPT-5.6 Sol при сохранении рассуждений и сжатии контекста, потратив примерно в 6 раз меньше выходных токенов (OpenAI Devs).
- 150M параметров, 29,5% pass@2 на ARC-AGI-1, $0,0007 за задачу — результат BDH-CQ с рассуждением в латентном пространстве и временной памятью (The Turing Post).
- 30B параметров при 3B активных — Nemotron 3.5 Lightning, MoE-модель под высокую пропускную способность агентов с поддержкой предсказания нескольких токенов сразу (разбор @cwolferesearch).
- 3 000 000 000 загрузок — рубеж экосистемы Qwen, объявленный Alibaba.
- 1,7 млн реальных сессий — на такой базе Agent Arena запустила фильтры по стоимости одной задачи и категориям (Agent Arena).
Разные точки зрения: нужен ли вотермаркинг текстов Claude?
Anthropic начала помечать тексты Claude невидимыми водяными знаками, и это вызвало содержательный спор о том, что именно ломается — технология или доверие. Вотермаркинг текста — это скрытая метка происхождения, которую модель оставляет в самом тексте, чтобы позже специальный верификатор мог сказать, писала ли текст она. Спор идёт не о том, работает ли метод, а о том, кому дают в руки верификатор и что происходит с авторством.
За. Арвинд Нараянан пишет, что вотермаркинг текста без потери качества технически осуществим и прецеденты уже есть — то есть возражение «это невозможно» несостоятельно.
Нейтрально. @dbreunig обращает внимание на практическую сторону вопроса, а @suchenzang отмечает, что общая реакция сложнее простого «за/против»: люди спорят не с математикой, а с молчаливым изменением правил игры.
Против. Тот же Нараянан считает, что выкатка провалилась по трём линиям сразу: коммуникация, прозрачность верификатора и рамка доверия пользователя. @SamuelFitouss10 переводит спор в экономику: без ясного происхождения текстовый рынок скатывается к «рынку лимонов», где честный автор проигрывает. Открытым остаётся и разграничение «ИИ помогал редактировать» против «ИИ написал» — для продуктов, где текст правят в четыре руки, это уже вопрос архитектуры, а не политики.
Инструменты и приёмы
- Локальный агент-кодер на 16 ГБ видеопамяти. Разработчик опубликовал рабочий конфиг llama.cpp для Qwen 3.8 27B на RTX 5060 Ti: квант UD-Q3_K_XL, контекст 73 728 токенов, KV-кэш в q4_1, спекулятивное декодирование через MTP. Спекулятивное декодирование — это приём, когда лёгкая модель-черновик заранее предлагает несколько токенов, а основная лишь подтверждает их, что ускоряет генерацию без потери качества. Заявленный результат — более 1 млн токенов за три запроса и два часа автономной работы. Больше готовых сценариев локального запуска — в разделе Open Source и в обзоре открытых LLM.
- MiniMax H3 как генератор картинок. Видеомодель неожиданно оказалась сильной в следовании промпту, и под неё выпустили ComfyUI-MiniMax-H3-Studio — до 9 упорядоченных референсов, анализ промпта через Qwen3-VL, быстрые превью и режимы для малой видеопамяти. Промпт под конкретную картинку или ролик удобно собрать в генераторе промптов AI SKILLS.
- Оценка агентов через разбор ошибок. Хамель Хусейн обновил плагин eval-skills: он превращает выводы и трассы модели в размеченные режимы отказа и кластеризует их для ревью — рабочая замена «посмотрели глазами, вроде норм».
Коротко
- Dreamina Seedance-2.5 заняла первое место в категории Video Edit на Video Arena (Video Arena).
- Замер режимов рассуждения Qwen 3.8 27B: xhigh даёт 24,0 из 25 баллов за 717,8 секунды и 39 398 токенов рассуждения, low — 21,8 балла за 111,6 секунды (тест на llama.cpp).
- Empero выложила дистилляты Qwen 3.8 на 9B, 4B и 2B с заявленным ростом MMLU CoT у 9B с 54,6 до 75,1 — цифры производителя, независимых проверок пока нет (обсуждение).
- Vanta научила своего агента TrustVanta работать с экраном — снимать доказательства там, где у системы нет API (@christinacaci).
- LangChain показала кейс monday.com: агенты работают в изолированных песочницах LangSmith, разбирая CSV и строя карты (LangChain).
- Пользователи Claude Max массово жалуются на сгорание лимитов: один сообщает, что 90 минут работы съели 10% недельной квоты — официальных подтверждений изменения учёта нет (тред).