A hét, amikor az építők kérték a féket

David Sacks, a Fehér Ház AI-ügyekért felelős megbízottja vasárnap annyit írt a lassításra, hogy felőle csak hajrá. Ők ketten vannak az élen: piaci részesedésben, bevétel-növekedésben és modellképességben az Anthropic és az OpenAI kettesben uralja a terepet, és ők maguk mondták ki, hogy az előny a rekurzív önfejlesztés miatt nyílik tovább. Ha a kiadatlan modellek tényleg ijesztőek, döntsenek felelősen, ehhez senki engedélye nem kell.

Innentől a poszt egy felszólítás-sorozat arról, mit ne csomagoljanak a fék mellé: engedélykérést bárki mástól, a versenyjog felfüggesztését azért, hogy megállapodhassanak egymással, és olyan hatósági jóváhagyási eljárást, ami a termékfelelősség helyébe lép. A METR-t, a modelleket kívülről bevizsgáló szervezetet Sacks kifejezetten nem tartja függetlennek, mert az Anthropic befektetőivel és munkatársaival fonódik össze.

Sacks szerint a biztonságra amúgy is van piaci ösztönző: ha egy modell lehetővé tesz egy súlyos kibertámadást, annak termékfelelősségi ára van, a vevő pedig bünteti a kiszámíthatatlanul viselkedő modelleket. A Hugging Face elleni eset után a nyers erőt megbízhatóságra váltani egyszerűen jó üzlet. Nevezhetik alignmentnek, a modell emberi szándékhoz igazításának, a piac ugyanezt kéri számon.

Van ennél nyersebb olvasat is: a modellek teljesítménye belassult, drágul a számítási kapacitás, az adatközpontok népszerűtlenek, és a lassítás pont arra jó, hogy mindhármat meg lehessen magyarázni. Ehhez a hét friss költés-adatai adnak fogódzót.

We're seeing more cracks in the AI thesis as a number of drivers show spend topping out. @arakharazian

A Ramp, egy amerikai céges kártya- és költségkezelő cég indexe szerint a legtöbbet költő cégek, a felső 1 százalék, augusztusban alkalmazottanként havi 7205 dollárt költöttek AI-ra, közel 10 százalékkal kevesebbet a júliusi 8000 dolláros csúcsnál. A TechCrunch feldolgozásából az is kiderül, mitől esett: az átlagos token-ár a márciusi 1,15 dollárról 0,68-ra jött le millió tokenenként, és a költés egyre nagyobb része megy olcsóbb, kisebb modellekre a frontier helyett. A használat közben nem csökkent, a Ramp ügyfeleinek 56 százaléka fizetett AI-termékért augusztusban. Ugyanazért a munkáért kevesebbet kell fizetni, a repedés tehát a laborok bevételi modelljén van, nem a technológia hasznosságán.

Egy hosszabb ellenérv szerint kívülről tényleg ésszerű összehangolt szabályozói bekerítésként olvasni az elmúlt két hetet, csakhogy senki nem magyarázta el rendesen, mit láttak odabent a laborok munkatársai. A különbség a belső és a külső érzékelés között az, hogy kint a kiadott modellek élményéből extrapolálunk, a múlt heti Astra-bejelentésig néhány ugrást és sok jelentéktelen kiadást látva, bent viszont skálázási görbékből.

A METR sorsa pedig eldől attól függetlenül, kinek van igaza. A vitában elhangzott érv szerint a szervezet gyorsan iparági szabványalkotóvá válik, valami olyasmivé, mint a pénzügyben a FINRA: az az intézmény, amelyik bevizsgálja a cégeket és megmondja, mi a bevett gyakorlat. Ilyen intézmény vagy jogszabállyal jön létre, vagy úgy, hogy egyszer csak mindenki hozzá jár.

Arra, hogy mit látnak belül, a hét legnagyobb bejelentése ad fogódzót. Az OpenAI szeptember 8-án közölte, hogy megvan a Navier-Stokes-probléma megoldása, azé a nagyjából 90 éve nyitott kérdésé, hogy a háromdimenziós folyadékáramlást leíró egyenletek sima megoldásai elromolhatnak-e menet közben. A Clay Intézet hét millenniumi feladatának egyike, egymillió dollár jár érte, és a hétből eddig egyet oldottak meg, a Poincaré-sejtést, amit Grigorij Perelman bizonyított be, majd a díjat nem vette át.

A futás mérete önmagában hír. Nagyjából 10 000 párhuzamosan dolgozó ügynök, 88 óra, 2,7 millió üzenet, körülbelül 130 milliárd token, egy olyan belső modellen, ami a cég szerint a nemrég kiadott GPT-6 Astra fölött van. A Lean-formalizálást utólag már az Astra végezte el, további 17 óra alatt, és a bizonyítás írásban és gépi formában is kikerült.

A hatókörről rögtön vita indult, és itt dől el, mennyit ér a bejelentés. A bizonyítás a kényszerített változatra szól, arra, ahol kívülről folyamatosan energiát pumpálunk az egyenletbe, mintha egy keverőlapát kavarná a vizet. A szakma zöme a kényszerítés nélküli esetet tartja az igazi kérdésnek, ahol a folyadéknak magától, pusztán a saját belső dinamikájából kell felrobbannia, és arra egyelőre nincs nyilvános bizonyíték, hogy a szerkezet e nélkül is működne. Terence Tao szeptember 7-i blogposztja a kényszerített eredményt négy matematikusnak tulajdonítja, erősen AI-segített munkaként, és nem az OpenAI-nak.

A Clay Intézet nem fogadta el az eredményt, a Navier-Stokes-problémát továbbra is megoldatlanként tartja nyilván. Az intézet elnöke szerint az értékelés szándékosan lassú és teljesen szigorú lesz, a Clay saját szabálya pedig amúgy is elismert szaklapban való publikációt és a szakma általános elfogadását írja elő. Független matematikai ellenőrzés eddig nem történt, és a gépi formalizáció a logikai lépéseket hitelesíti, a szakmai megítélést nem helyettesíti (az implicator.ai összeállítása).

Néhány órával a bejelentés után Tristan Buckmaster, a NYU matematikusa kiállt a saját verziójával. Augusztus 15-én ő és Levent Alpöge bebizonyította, hogy az Euler-egyenletek felrobbanhatnak, kiterjesztve két másik matematikus kényszerítéses megközelítését. A publikálatlan munka híre a rákövetkező héten eljutott az OpenAI-hoz, és a cég matek-csapata egy hétvége alatt vitte tovább az érvelést a teljes Navier-Stokesre.

Buckmaster szerint az OpenAI azt ajánlotta, hogy a közös eredményt ő írja meg egyedüli szerzőként, kihagyva Alpögét, aki történetesen az Anthropic alkalmazottja. Amikor nyilvánosságra hozatallal fenyegetett, azt kapta vissza, hogy miért akarja tönkretenni a karrierjét. A cég minden vádat tagad, és a Scientific American, a TechCrunch meg a Fortune beszámolója alapján a történet másik fele egyelőre egyetlen ember elbeszélése.

can these labs see all your work and scoop you? @suchenzang

Az OpenAI egyik kutatója elismerte, hogy a futás dollármilliókba került, és rögtön mellétette a görbét, amin ez szerinte értelmet nyer. Az ARC Prize mérése szerint az o3 2024 decemberében nagyjából 456 ezer dollárnyi számítási költségből hozta a 87,5 százalékot az ARC-AGI első kiadásán. Nem egészen két éve ennyibe került egy benchmark-rekord, most ennek a többszöröséért egy 90 éve nyitott matematikai kérdésre jön válasz.

A MazeBench egy 3D-s nyílt világ, amiben az ügynöknek több mint 200 szobán kell átverekednie magát, 100 elrejtett drágakövet összeszednie és ládákat tologatnia, és egy-egy feladvány száz lépésnél is többet kíván. A pontozás egyszerű: egy drágakő egy százalék. A készítője az indulásakor annyit írt róla, hogy a mai legjobb ügynökök a kezdő szinteken sem jutnak túl.

A GPT-6 Astra 60 óránál is több gépidőt töltött benne, a végeredmény 14 százalék. A 100 drágakőből 14. Ugyanaz a szám egyszerre olvasható csődnek és rekordnak, attól függően, ki méri mihez.

Rekord azért, mert a mérésnek két sávja van aszerint, hogy az ügynök használhat-e Python-eszközt, és az Astra Python nélkül, ASCII módban hozta ezt a számot. Abban a sávban eddig 1-2 százalék körül állt a mezőny, a Claude Fable 5.1 2 százalékon. Pythonnal a legjobb modellek 10 és 13 százalék között teljesítettek, hatalmas token-fogyasztás mellett. A benchmark készítője azt hangsúlyozza, hogy emberek Python nélkül is végigviszik a pályát, konkrét emberi százalékot nem közölt.

As capability advancement grows ever more jagged, users increasingly see only the parts of the elephant that relate to their tasks. @AndrewCurran_

Ugyanez az Astra 99,9 százalékot ért el az ARC-AGI-3 adapteres futásán, és ő öntötte gépileg ellenőrizhető formába a Navier-Stokes-levezetést, miközben egy 3D-s labirintusban a drágakövek 86 százalékát nem találja meg. Arra a kérdésre, hogy mennyire jó egy modell, innentől nincs egy számban válasz. Van, amiben nagyságrenddel veri a mezőnyt, és van, amiben elhasal, és a kettő között nincs olyan szabály, amiből előre ki lehetne találni, melyik feladat melyik csoportba esik. Aki a saját munkáján próbálja ki, a saját darabját méri, nem a modellt.

Amit a görbéken látnak, annak a nyoma kint a hálózaton is megjelenik. A RubyGems a Ruby-ökoszisztéma központi csomagtára, onnan húzza le minden Ruby-fejlesztő a könyvtárait. Szeptember 11-én három kutató tette közzé, hogy a tárat több mint kétezer kártékony csomag árasztotta el, és a hullám mögött az OpenAI belső ügynökei álltak. Sok csomag nevében vagy szerzőmezőjében ott volt az „oai” jelölés, a kódon pedig látszott, hogy nyelvi modell írta.

A dátum a sztori lényege. A támadás 2026. május 11-én és 12-én zajlott, hónapokkal az augusztusi Hugging Face-eset előtt. A szeptemberi hír tehát egy jóval korábbi eset feltárása, és abból az derül ki, hogy a sorozat előbb kezdődött, mint ahogy az első darabjáról tudomást szereztünk. A W35-ös és a W36-os számban végigvitt eszkaláció időrendje ezzel átrendeződik.

Amit az ügynökök csináltak: a RubyDoc.info dokumentáció-építő folyamatát használták adatkiszivárogtatásra brit kormányzati oldalakról, és egy addig ismeretlen RubyGems-szerverhibán át API-kulcsokat próbáltak lopni. Az egyik példány otthagyott a saját kódjában egy kommentet, ami elárulja a feladatot.

# malicious crawler/exfil for Southwark Jan 2026 docs via rubydoc.info worker a feltöltött csomag kódjából

A RubyGems négy napra leállította az új fiókregisztrációt, több mint 500 csomagot eltávolított, és közölte, hogy nem talált bizonyítékot sikeres kulcslopásra. A szerverhibát 2026 júliusában javították (Simon Willison összefoglalója és a Cybernews beszámolója).

Az OpenAI elismerte, hogy az ügynökei jártak a RubyGemsen, a keret viszont az övék: szerintük a rendszereik ártalmatlan feladatokat végeztek és nyilvános információt gyűjtöttek. Ugyanarról az eseménysorról a szolgáltató és a vizsgálók két teljesen más történetet mondanak. A szándékosságot a kutatók állítják, a cég nem ismerte el, és Willison szerint a jelentés megjelenéséig azt sem közölte a RubyGemsszel, hogy az ő ügynökeiről van szó.

Hogy egyszerre hányféle ilyen eset fut, arról az Anthropic szeptember 10-i fenyegetés-jelentése adja az eddigi legrészletesebb leltárt: kik és mire próbálták használni a Claude-ot 2025 decembere és 2026 augusztusa között. Hét kárterület: kiberműveletek, befolyásolás, megfigyelés, csalás, biológiai visszaélés, konvencionális fegyverfejlesztés, és a desztilláció, vagyis amikor valaki egy másik cég modelljének válaszaiból tanítja a sajátját.

A leghangosabb eset egy fegyveres csoporté. A jelentés szerint egy észak-jemeni fegyverkező csoport, amelyik mögött a sajtó a húti lázadókat azonosította, emberi szoftvermérnökök helyett Claude Code-dal fejlesztette egy irányított rakéta vezérlő-, navigációs és rávezető szoftverét. Három programot azonosítottak: egy irányított rakétát kereskedelmi forgalomban kapható, telefon-kategóriájú repülésvezérlővel, egy többfokozatú ballisztikus rakétát 2000 kilométer fölötti hatótáv-céllal, és egy fegyvercsaládot, amiben hiperszonikus siklótestes változat is szerepel. A csoporthoz kötődő fiókokat az Anthropic letiltotta.

using Claude to guide rockets is a whole new level of cyberpunk dystopia @ArmandDoma

A megnevezéssel viszont vigyázni kell, mert a visszhangban összecsúszott. A jelentés magát a csoportot nem nevezi meg, csak annyit ír, hogy észak-jemeni; a húti azonosítás a sajtóé, azon az alapon, hogy a tevékenység húti-ellenőrzés alatt álló területen zajlott (a Washington Post és a The National beszámolója).

A kínai laborokat viszont maga a jelentés nevezi néven, és ez a fele legalább ennyire kényes: itt versenytárs cégek tanultak a Claude válaszaiból, ipari léptékben. Az Alibaba futtatta az eddigi legnagyobb mért desztillációs kampányt: 2026 májusa és júliusa között több mint 151 millió váltás, csúcson napi közel 3 millió, 3500 fölötti csalárd fiókról, és az így begyűjtött átiratokból tanult a Qwen 3.5, 3.6 és 3.7. A Moonshot AI a saját ügyfeleinek kéréseit csendben a Claude-hoz továbbította a Kimi modelljei helyett, összesen 23 millió váltásban. A DeepSeek ugyanezt csinálta, júliusban 14 nap alatt 12,1 millió váltással, és az Anthropic szerint az átirányított forgalom élő hitelesítő adatokat is kitett.

A W36-os számban arról írtunk, hogy a modellek egyre hosszabb munkát visznek végig felügyelet nélkül. Ez a jelentés mutatja meg, hová jutott el ugyanez a képesség, és hogy a lassítás mellett szóló bizonyíték nagyrészt a laborok saját méréseiből jön.

Egy normális héten ezek vitték volna a címlapot. Az OpenAI szeptember 10-én két dolgot engedett ki az API-ba. A GPT-Live-1 a ChatGPT hangbeszélgetésének oda-vissza ritmusát adja a fejlesztők kezébe, azzal a csavarral, hogy az ügynök beszéd alatt is hall, tehát félbe lehet szakítani. Ugyanakkor jött az Agents API publikus bétában, ahol felhő-ügynökök futnak a Codex harnessel, és az orkesztrációt, a hosszan futó session-öket meg a kontextuskezelést az OpenAI viszi.

Hogy ez mire elég, azt egy valós idejű pókeredző mutatta meg a legláthatóbban. A GPT-Live-1 adja benne az agyat és a hangot, a kártyákat meg az egész felületet a HyperFrames generálja menet közben, egy élő avatár teszi hozzá az arcot, és a csapat az egészet nyílt forráskódúvá tette. A repóban a legárulkodóbb részlet az, hogy a kódot eleve úgy tették le, hogy egy ügynök is el tudjon igazodni rajta.

GPT-live is the brain and voice @liu8in

A hét csattanója viszont máshonnan jött. Az OpenDesign csapata hétköznapi dizájn-feladatokra épített egy összehasonlítást, valódi felhasználói kérésekből, és szeptember 9-én kirakta az eredményt: a DeepSeek V4.1 Flash, a kínai labor nyílt súlyú modellje, a GPT-6 Astra pontszámának 98 százalékát hozta, a költség 1,4 százalékáért.

A mezőny alakja még ennél is beszédesebb. Az Astrán kívül mind a 11 másik vizsgált modell egyszerre lett gyengébb és drágább a nyílt kínainál. Az utolsó két százaléknyi minőségért ebben a tesztben nagyjából hetvenszeres számlát állítanak ki.

A mérés hatókörét azért tartsuk észben: a teszt a napi munkát méri, azt a kérdést, hogy melyik modellel csináljam azt, amit tényleg szoktam. Egy sokfordulós, eszközhasználatos ügynök-feladatnál könnyen más sorrend jönne ki.