модели 17 авг 2026 1 мин

MirrorCode: Claude Opus 4.6 переписал 16 000 строк кода биоинформатики за часы вместо месяцев

Anthropic представила тест MirrorCode — AI самостоятельно переписывает крупные программы без доступа к исходникам, имея только спецификацию. Claude Opus 4.6 восстановил биоинформатический инструмент gotree (16 тысяч строк Go, 40+ команд) — задача, которую человек делал бы 2–17 недель. Главное: масштабирование inference работает, большие проекты решаются при росте вычислений.

Если AI уже сейчас может переписывать код на уровне недель работы программиста, это меняет экономику разработки и аутсорсинга — особенно в задачах миграции легаси и портирования между языками.

Anthropic вместе с METR запустили бенчмарк MirrorCode — набор длинных задач по программированию, взятых из реальных приложений. Суть эксперимента: AI получает только спецификацию (что делает программа, как работает) и должен полностью переписать софт с нуля, не видя оригинального кода.

Claude Opus 4.6 успешно воссоздал gotree — биоинформатический тулкит на Go с 16 000 строк и 40+ командами. По оценкам, программист без AI потратил бы на это от 2 до 17 недель. Модель справилась автономно за гораздо меньшее время.

Важный момент: масштабирование inference показывает устойчивый рост качества на более крупных проектах. Больше токенов — выше шанс решить сложную задачу. Это подтверждает гипотезу, что «недельные» coding-задачи уже доступны AI при достаточных вычислительных ресурсах.

Пока это ранние результаты и эксперимент работает только при наличии детальной проверяемой спецификации — без неё модель не может подтвердить корректность.

AI-разработкаinference-scalingавтоматизация кодаAnthropic рефакторинг

Автор: Ксения Лаврова · Источник: reddit.com

Разработчикам. Если у вас есть чёткая спека на легаси-систему или нужно портировать проект на другой язык — можно поручить переписывание AI. Главное условие: тесты и чёткие требования, чтобы проверить результат. Это не замена разработчику, но помощник для рутинных переписываний.

Бизнесу. Проекты по миграции кода, рефакторингу легаси, портированию между языками — задачи, которые раньше требовали месяцев, теперь можно ускорить в разы. Если у вас есть старый софт и документация — вы можете быстрее модернизировать технологический стек.

Инвесторам. Anthropic демонстрирует, что inference-scaling работает на практических задачах, а не только в синтетических тестах. Если тренд продолжится — взрывной рост производительности в аутсорсе, DevOps, поддержке легаси. Сектора под ударом: индийский IT-аутсорсинг, консалтинг по легаси-миграциям. Растут: инструменты для AI-driven refactoring, платформы управления AI-разработчиками.

Хайп65

Реальная польза70

Заработать75

Сервис автоматической миграции легаси-кода: загружаешь спеку старой системы — получаешь обновлённую версию на новом стеке, AI переписывает под капотом
AI-помощник для портирования между языками: есть Python-проект — получаешь рабочий Go/Rust за часы вместо недель, с тестами
Консалтинг по документированию легаси: если у компании есть старый код без документации — помогаешь создать спецификацию, потом AI переписывает
Платформа для проверки AI-кода: тулинг для валидации того, что AI переписал всё корректно — автоматическая генерация тестов, сравнение поведения
Ниша для фрилансеров: брать проекты на рефакторинг, делегировать основную работу AI, самому заниматься только review и тестированием — экономия времени в разы

Результат полностью зависит от качества спецификации — если её нет или она неполная, AI сгенерирует мусор
Это пока proof-of-concept: только задачи с чёткими проверяемыми требованиями, реальные проекты редко имеют такую документацию
Inference-стоимость может быть огромной для крупных проектов — экономика пока неясна, возможно, дешевле нанять разработчика
Риск переоценки: пока AI не умеет проектировать архитектуру и делать креативные решения, только реимплементацию по заданному описанию

Главное здесь не в том, что AI переписал конкретную программу — а в том, что inference-scaling показывает предсказуемый рост на практических задачах. Anthropic фактически подтверждает: если дать модели больше вычислений (больше токенов на размышление), она решит более сложную задачу. Это огромная новость для индустрии — значит, недельные и даже месячные coding-задачи уже в зоне досягаемости при правильной настройке.

Но осторожность нужна: это работает только при наличии детальной спецификации. В реальных проектах её обычно нет — и вот тут начинаются проблемы. AI пока не может сам выяснить, что должна делать программа, если это не описано. Поэтому практическое применение будет в нишах с хорошей документацией: миграция легаси, портирование между языками, реимплементация известных алгоритмов. Для стартапов и greenfield-проектов это пока не панацея.