Сотрудник Anthropic Джейк Итон показал картины, которые «написала» модель Claude Opus 5.5: она не использует генератор изображений, а создаёт Python-программы объёмом около 7500 строк, попиксельно имитирующие мазки кистей, опираясь только на собственные «знания» о каждом художнике. Демо опубликовано 22 сентября 2026 года через 23 минуты после анонса новой флагманской модели, а на GitHub уже появился открытый аналог AI-Painter-Harness, повторяющий схему «LLM-художник + процедурный движок краски».

image

Что произошло

22 сентября 2026 года сотрудник Anthropic Джейк Итон (@jkeatn) опубликовал тред с картинами, созданными Claude Opus 5.5. «Every image here is a python program generated pixel by pixel», — пояснил он: модель сама проектирует композицию, палитру и последовательность мазков, а затем выдаёт программу примерно на 7500 строк Python на стандартных библиотеках. Код попиксельно эмулирует живописную технику — бороздки щетины, влажную краску и рельеф импасто, — причём без референсных изображений. Демо вышло через 23 минуты после анонса Claude Opus 5.5, первой модели семейства Claude 5.5: она работает на уровне Fable 5.1 для большинства задач и обходится на 40% дешевле Opus 5. Пост Итона собрал около 448 тыс. просмотров, анонс модели — 18,7 млн.

Контекст

Формат «изображение как программа» устроен иначе, чем диффузионная генерация. Диффузия порождает результат в латентном пространстве, откуда картину нельзя прочитать и точно воспроизвести, а программа на Python инспектируема: её можно читать, править и перезапускать, каждый раз получая идентичный результат. Механизм подтверждён открытым проектом AI-Painter-Harness: это NumPy-движок «масляной» живописи, в котором LLM — от Anthropic, OpenAI или Gemini до OpenRouter и офлайн-заглушки — в пять фаз управляет мазками. Весь рендер выполняется на обычном CPU без специализированных ускорителей, поэтому схема реалистична по вычислительному бюджету и доступна любому разработчику.

Почему это важно для индустрии

Для индустрии продемонстрирована альтернатива диффузионным генераторам: LLM не «рисует» сама, а пишет детерминированный код рендеринга, и для картинок больше не нужен отдельный image-генератор или image-API. Ценность смещается к frontier-моделям, сильным в генерации длинного процедурного кода, а слой «движков рисования» коммодитизируется мгновенно — открытый аналог появился в течение суток после твита. Для Anthropic демо — способ показать кодинговые способности нового флагмана без запуска отдельного image-продукта; покупателей, выручки и юнит-экономики при этом никто не показал. Если интерес удержится, вероятны волна открытых реализаций «LLM + процедурный движок», любительские бенчмарки на длинный графический кодогенерационный вывод и продукты вроде параметрического редактирования или маркетплейсов стилевых пресетов — но это сценарии, а не свершившиеся факты.

Почему это важно для пользователей

Повторить оригинальный эксперимент не получится: код Итона не опубликован. Рабочий путь уже открыт — AI-Painter-Harness ставится через pip install, предоставляет CLI aipainter и локальную веб-студию на FastAPI, включая офлайн-режим со встроенным mock-художником, которому не нужен API-ключ. Доступны десять готовых стилей: Ван Гог, Моне, Рембрандт, Вермеер, Тёрнер, Сезанн, Сёра, Ренуар, Мунк и Караваджо. Рендер одного полотна из 5000–15000 мазков занимает 5–15 секунд на CPU, поэтому за вечер можно сравнить разные модели в роли «художника-композитора», на практике понять, что значит «LLM как программист-живописец», и использовать результат как демонстрационный контент.

Что пока неизвестно / ограничения

Доказательная база пока слабая. Демо — это витрина способностей, а не бенчмарк: в источниках нет метрик качества, слепого сравнения с диффузионными моделями и данных о том, сколько попыток делала модель и как отбирались лучшие результаты. Исходники оригинального эксперимента не опубликованы, а AI-Painter-Harness — независимая реализация той же идеи, а не репликация демо Итона. Подход «изображение как код» пока не показан как конкурент диффузионным генераторам: красивые картинки без протокола отбора ничего не доказывают, а прогнозы о гибридных пайплайнах и долгосрочных нишах остаются интерпретациями.

Источники

Автор

Look at AI, редакция