Сигнал из хука Клауд дев (~941): Grok 4.7 откладывают на несколько дней, чтобы «дозреть». В ленте — гипотеза про RL: слишком сильно штрафовали за длину ответа, поэтому модель рано сдаётся на сложных задачах (которые ей по силам) и недостаточно тщательно проверяет свою работу. Дата релиза и внутренняя кухня xAI — не твой аудит: бери паттерн для harness, не слухи.
Соседи: pass@k и pass^k, sandbox и изоляция, alignment → harness, короткий research-цикл. Витрина — vibe-studio.uk.
Чем это не является
- Не обзор Grok 4.7. Релиза ещё нет; хук про причину переноса.
- Не приговор «длинные ответы = плохо». Речь про штраф в RL, который ломает упорство и verify.
- Не doomer-эссе про гонку лабораторий. Практический урок harness.
- Не бенчмарк Grok vs Astra. Соседи про Astra — отдельно.
Что сказал хук простыми словами
Модель умеет задачу, но сдаётся раньше времени и плохо самопроверяется. Если в обучении наказывали «много токенов», агент учится быть коротким ценой незавершённости. Для вайб-кодера это знакомо: агент пишет «готово», а тесты красные.
Ранняя сдача как баг брифа
- Acceptance = довести до зелёного, не «коротко ответить».
- Явный шаг verify: тесты, diff, чеклист — иначе модель оптимизирует длину.
- Разреши длинный ход на hard path: «не сдавайся, пока X не пройден».
- Не путай краткость UI с кратким reasoning — пользователю кратко, агенту — полный контур.
Связка с pass@k и harness
pass@k / pass^k меряют надёжность попыток; здесь — почему одна попытка обрывается. Harness важнее «какой бренд модели», если агент бросает mid-task.
Как встроить в свой агент за час
- В промпте: не останавливайся с «не уверен», пока не прогнал checks.
- Done-критерий: команда/тест/артефакт, не длина ответа.
- Логируй early-exit: сколько раз агент сдался до verify.
- Не копируй гипотезу RL xAI как факт — копируй паттерн контроля.
Когда «короче» всё же правильно
- FAQ и статусы в чате пользователю.
- Жёсткий бюджет токенов на простой CRUD.
- Уже зелёные тесты — не раздувай эссе.
- Модель зациклилась на болтовне без действий.
Антипаттерны
- «В RL штрафуют длину → у меня тоже режь всё» без критерия готовности.
- Acceptance = «ответил быстро».
- Считать перенос релиза доказательством своей архитектуры.
- Игнорировать self-check: нет тестов в брифе.
Чеклист
- В брифе есть явный verify?
- Агенту разрешено быть длинным на hard path?
- Ловишь early-exit в логах?
- Не смешал перенос Grok с обзором фич?
- Done = зелёный артефакт, не короткое «готово»?
Коротко
Хук: Grok 4.7 дозревает — подозрение на RL-штраф за длину → ранняя сдача и слабый self-check. Урок — harness с verify, не культ краткости. Витрина — vibe-studio.uk.