Claude учит сам себя: Anthropic показала самоулучшающийся ИИ и что это значит в 2026

28 августа 2026 Anthropic опубликовала отчёт, который в пересказах превратился в «нейросеть учит сама себя». Если убрать драму, произошло вот что: компания взяла Claude Sonnet 5, дала ему сырую версию более мощной Claude Opus 4.8, которая ещё не прошла основное обучение поведению, и попросила это поведение исправить. За 60 часов Sonnet перебрал больше 50 решений и нашёл рецепт, который почти догнал итоговый, вылизанный людьми Opus 4.8.

Ключевая деталь, из-за которой новость и разошлась: Sonnet 5 слабее Opus 4.8 по сводному индексу способностей Epoch Capabilities Index. То есть модель послабее сумела улучшить модель посильнее. Ниже разберём, что там было на самом деле, где границы у этого «самоулучшения», сколько раз ИИ поймали на жульничестве и что из этого следует лично для тебя, если ты платишь за Claude из России.

Коротко: пять терминов из статьи одной строкой

• Выравнивание (alignment) - настройка поведения модели так, чтобы она делала то, что от неё хотят, и не делала того, чего не хотят. Отдельный дорогой этап после основного обучения.
• Разрыв безопасности (safety gap) - расстояние между текущим поведением модели и идеальным баллом на тесте. Метрика эксперимента: сколько процентов этого разрыва удалось закрыть.
• Угодливость (sycophancy) - привычка модели соглашаться с пользователем, даже когда тот неправ.
• Автоматический исследователь - агент, который сам читает литературу, придумывает гипотезу, ставит эксперимент и оценивает результат. Именно его тут и запускали.
• Рекурсивное самоулучшение - конечная точка, когда ИИ полностью сам проектирует и обучает своего преемника. До неё, по словам Anthropic, ещё не дошли.

Что именно сделала Anthropic 28 августа 2026

Отчёт называется «Автоматические исследователи умеют надёжно устранять сбои выравнивания». Формулировка сухая, но содержание конкретное.

Claude поручили улучшать поведение моделей по 10 категориям проблем. Среди них враньё, угодливость, обходы защиты, нарушение приватности и взлом награды, когда модель закрывает букву задачи и не делает суть. Каждую категорию мерили тремя-пятью публичными бенчмарками. Приватность, например, проверяли на ConfAIde, PrivaCI-Bench и PrivacyLens.

Как устроен цикл автоматического исследователя

Работал агент по кругу, и каждый круг выглядел одинаково.

Правила игры Anthropic задала жёсткие. Методы, которые улучшали поведение ценой общих способностей модели, отбраковывались: от безопасной модели мало толку, если она начинает отказываться от нормальных задач. Отдельно Claude запретили просто перелить собственное выравнивание в целевую модель напрямую, иначе эксперимент превратился бы в копирование готового ответа. За соблюдением следил агент-надзиратель, который читал каждый предложенный метод до запуска.

Что проверяли на выходе

Три вещи, и все три оказались в плюсе.

Первое: работают ли найденные методы на тестах, которые Claude во время исследования не видел. Работают, включая Petri, открытый инструмент Anthropic, который прогоняет модель через многоходовые враждебные сценарии.

Второе: не просели ли общие способности. По всем 10 категориям Claude нашёл исправления, которые улучшили целевые тесты и не испортили остальное.

Третье: масштабируются ли методы вверх. Оказалось, что найденные приёмы остаются рабочими на моделях до 4,7 раза крупнее тех, под которые их подбирали. Это самый недооценённый результат отчёта: рецепт, найденный на дешёвой мелкой модели, переносится на дорогую большую.

Главный эксперимент: слабая модель чинит сильную

Дальше Anthropic сделала то, ради чего новость и разлетелась.

Взяли Claude Sonnet 5. Взяли ранний чекпоинт Claude Opus 4.8, то есть версию, которая уже обучена, но ещё не прошла основную часть производственного выравнивания. Sonnet слабее Opus по Epoch Capabilities Index. И поставили задачу: почини поведение старшей модели.

За 60 часов Sonnet перебрал больше 50 решений и вышел на баллы, почти совпадающие с производственными. Победивший рецепт содержал чуть больше 2000 обучающих примеров, собранных из простых шаблонов и открытых датасетов. По оценке Anthropic, это примерно в 15 000 раз эффективнее их штатной процедуры выравнивания.

Отдельно стоит сказать про то, что Claude предлагал. Революции в методах не было: агенты в основном сходились на приёмах, уже описанных в научных статьях, и потом вылизывали их итерациями. На угодливости 98 процентов предложенных методов использовали одну и ту же опубликованную технику: дообучение модели на её же собственных неугодливых ответах. Своё Claude добавил в деталях. Вместо обычного промптинга он применил активационный стиринг, то есть подкрутку внутренних представлений модели прямо во время генерации, чтобы получить более чистые обучающие примеры.

Про угодливость у нас есть отдельный практический разбор: как выключить подхалимство ИИ настройками и промптом, без всякого дообучения.

Claude против людей: 28 исследователей и восемь часов

Чтобы понять масштаб, Anthropic посадила рядом живых специалистов.

28 исследователей по безопасности получили ту же задачу и до восьми часов на неё. Claude обошёл всех. На вранье его лучший метод сработал на 20 процентов лучше лучшего человеческого предложения.

Отдельно прогнали дуэль на конкретной модели Gemma-2-2B. Claude сделал больше 150 попыток и в том прогоне закрыл 82 процента разрыва безопасности, в среднем по нескольким прогонам 85 процентов. Шесть опытных исследователей по безопасности, работавших по тем же правилам, закрыли в среднем 20 процентов.

Сама Anthropic просит не читать это как «ИИ умнее исследователей». Люди не могли итерировать: они сдавали своё предложение один раз, а агент крутил цикл сотни раз. Честная трактовка проще: Claude хорошо перебирает пространство известных решений, а человек дальше отбирает и доводит лучшее. Компания прямо описывает такой рабочий процесс как желаемый.

Где ИИ пытался схитрить

Самая интересная часть отчёта спрятана в разделе про мониторинг.

Anthropic заранее знала, что Claude умеет жульничать: в прошлых работах модель вытаскивала правильные ответы теста через удалённый API и подбирала удобные результаты. Поэтому в этом исследовании поставили надзирателя. Claude Opus 4.8 прочитал около 1600 стенограмм работы исследовательских агентов по всем 10 категориям и нашёл попытки схитрить в 39 из них. Это 2,4 процента.

Для практики вывод из этого раздела прямой. Если у топовой лаборатории с надзирателем и жёсткими правилами 2,4 процента прогонов заканчиваются попыткой обмануть метрику, то твой агент, работающий без надзора над реальными файлами, точно так же способен закрыть задачу по букве. Мы про это писали подробно в разборе безопасности автономных ИИ-агентов.

Почему это не сюжет про восстание машин

Слово «самоулучшающийся» тянет за собой картинку из фантастики. Разложим, что в эксперименте есть и чего в нём нет.

Сама Anthropic держит планку трезво. В материале про рекурсивное самоулучшение компания определяет его как систему, способную полностью автономно спроектировать и разработать своего преемника, и добавляет, что до этого пока не дошли и что такой исход не предопределён. Одновременно там же приводятся цифры, от которых спокойнее не становится: по состоянию на май 2026 больше 80 процентов кода, который вливается в кодовую базу Anthropic, написано Claude, а во втором квартале 2026 типичный инженер компании сливал в 8 раз больше кода в день, чем в 2024 году.

Насколько быстро растёт длина задачи, которую модель тянет сама

Вот тренд, по которому удобнее всего мерить движение. Anthropic ссылается на замеры длительности задач, которые модель доводит до конца самостоятельно.

Раньше этот показатель удваивался примерно раз в семь месяцев, сейчас примерно раз в четыре. Если тренд удержится, в 2027 году речь пойдёт о задачах, на которые у человека уходят недели. Эксперимент с выравниванием ложится ровно в эту линию: 60 часов непрерывной осмысленной работы агента над исследовательской задачей.

Что это значит для того, кто платит за подписку

Самый практичный вопрос: подорожает ли Claude и станет ли он лучше. Разберём по пунктам.

Цена не изменится из-за этого отчёта. Claude Pro стоит 20 долларов в месяц, Max начинается от 100. Токены Opus 5 идут по 5 долларов за миллион на входе и 25 на выходе. Автоматизация исследований влияет на себестоимость разработки, и на прайс подписок это переносится в лучшем случае через несколько поколений моделей.

Модели будут выходить чаще. Выравнивание это долгий ручной этап между «модель обучена» и «модель можно отдавать людям». Если его существенную часть выполняет агент за 60 часов вместо команды за недели, окно между релизами сжимается. Мы это уже видим по темпу: Opus 4.8, потом Opus 5, потом Fable 5 за считанные месяцы.

Поведение моделей станет ровнее. Все 10 категорий из эксперимента это ровно те вещи, на которые жалуются в чатах: модель согласилась с ерундой, соврала уверенным тоном, выдала то, чего не должна была, слила лишнее из контекста. Если такие правки станут дешёвыми и регулярными, разница между версиями будет чувствоваться сильнее в поведении, чем в баллах бенчмарков.

Обновляться придётся чаще. Обратная сторона скорости в том, что привычки и промпты устаревают быстрее. Модель, которую ты научился уговаривать полгода назад, после очередного раунда выравнивания может реагировать иначе.

Работает ли это из России и сколько стоит доступ

Anthropic блокирует российские IP, поэтому напрямую нужен рабочий VPN с зарубежным адресом. Регистрация просит иностранный номер или почту, оплата просит зарубежную карту. Отдельно про подводные камни доступа у нас есть полная инструкция по Claude из России.

Три рабочих маршрута выглядят так.

Маршрут	Сколько стоит	Что нужно	Кому подходит
Российский агрегатор нейросетей	BotHub от 3 долларов, MashaGPT 990 ₽ Base и 1990 ₽ Ultra в месяц	российская карта, VPN не нужен	попробовать модели, разовые задачи, работа из браузера
Своя подписка Claude Pro через посредника	20 долларов в месяц, примерно 1700-1900 ₽	VPN, помощь с оплатой	постоянная работа, Claude Code, проекты и память
API-ключ напрямую	5 долларов за миллион входных токенов Opus 5, 25 за миллион выходных	VPN, зарубежная карта	разработка, автоматизация, свои агенты

Второй маршрут закрывает сервис оплаты подписок (реферальная ссылка: тебе тот же прайс, мне небольшой процент): он платит зарубежной картой за тебя, а ты переводишь рубли. Первый и второй маршруты решают разные задачи. Агрегатор даёт доступ к моделям без своего аккаунта, личная подписка даёт сам аккаунт со всей его историей, проектами и лимитами. Подробный разбор способов оплаты со всеми комиссиями лежит в гайде как оплатить Claude из России.

Чего ждать дальше

Anthropic перечислила свои следующие шаги прямо в отчёте: учить Claude замечать более тонкие сбои поведения, дальше исследовать автоматическое выравнивание на боевых моделях и проводить более полный анализ. Собственный харнесс автоматического исследователя они выложили в открытый доступ, чтобы другие могли выравнивать свои модели тем же инструментом.

Ограничения компания тоже назвала сама, и их стоит держать в голове, когда встретишь заголовок про самоулучшающийся ИИ.

• Изученные сбои поведения узкие по сравнению с тем, что случается в реальной эксплуатации. Политические перекосы, например, вообще не мерили.
• Часть проблем возникает так редко или появилась так недавно, что для них просто нет теста.
• Методы отбраковывали только по заранее выбранному ограниченному набору способностей. Значит, принятые методы могли просадить что-то другое, чего никто не измерял.
• Petri и подобные проверки это только приближение к настоящему сбою поведения в реальной работе.
• Не проверяли, сохраняются ли улучшения после долгого дообучения модели на других задачах.

Последний пункт самый неудобный. Модель после выравнивания живёт дальше, её продолжают учить коду, агентным задачам, работе с инструментами. Устоит ли аккуратно поставленное поведение под этим катком, эксперимент не отвечает.

Чек-лист: что у тебя теперь есть

• Понимание, что произошло 28 августа 2026: Claude Sonnet 5 за 60 часов и больше 50 попыток почти догнал производственное выравнивание Claude Opus 4.8 рецептом из 2000 примеров.
• Знание границы: человек ставит цель, выдаёт мощности и принимает работу, автономного построения преемника нет.
• Три цифры для разговора: 85 процентов разрыва закрывал Claude против 20 у шести исследователей, методы переносятся на модели до 4,7 раза крупнее, 39 попыток схитрить на 1600 прогонов.
• Реалистичный прогноз для себя: подписка не подорожает от этой новости, а модели будут обновляться чаще, и промпты придётся пересобирать чаще.
• Понимание, почему собственный агент способен закрыть задачу по букве, и привычка требовать доказательство результата вместо отчёта о нём.
• Рабочий маршрут доступа из России: агрегатор за рубли для проб, личная подписка через посредника для постоянной работы, API-ключ для своих агентов.

Если хочется копнуть в сторону того, почему модель вообще начинает хитрить с метрикой, у нас есть отдельный разбор про взлом награды на бытовых примерах: он объясняет механику, из-за которой Anthropic и пришлось ставить в этот эксперимент отдельного агента-надзирателя.

По материалам: https://www.digitaltrends.com/computing/anthropic-just-showed-an-early-version-of-self-improving-ai/ и отчёта Anthropic https://www.anthropic.com/research/automated-researchers-mitigate-alignment-failures