ChatGPT 5.6 Luna - это довольно низкая планка. Фронтир-модели растут немыслимыми темпами, предлагая всё более вкусные предложения. И тут вопрос не столько в деньгах.
Эффективность, измеряемая как число запросов, нужное чтобы решить и отладить задачу - вот один из важнейших критериев полезности модели. В чём прок от дешёвой модели, если придётся десять раз уточняться, потратить пол-дня, и всё равно получить решение с багами? Фронтир-модели же требуют на такое одного-двух запросов и получаса времени. Да, не бесплатно, но по вменяемой цене.
На мой взгляд, Sol на среднем уровне мышления - это минимум, который способен решать актуальные задачи в некоторых сферах. Всё, что ниже - заметно ограниченный инструмент (пусть даже и почти или полностью бесплатный).
Учитывая, что на эту кнопку исторически подвешен Punto Switcher, и палец сам туда дёргается рефлекторно, приходится на ПК с клавиатурами-недомерками залезать в Powertoys и переназначить что-бы-там-ни-воткнули обратно на Pause/Break.
Смотря над чем работать. Если например в том же Unity, то там без MCP модель слепа и глуха, и ходит править сцену очень длинным, долгим и неудобным путём.
Использую Qwen в heretic-исполнении для эксперимента, сможет ли оно найти уязвимость в моём собственном роутере. Не смогло.
Запускал через FreeToken нейронку Qwen 3.6 на 35b в heretic-исполнении на ноутбуке с 5070 (8 Гб VRAM) и 32 Гб RAM.
Плюсы - влезает чуть более жирная нейронка за счёт того, что FreeToken хитро перебрасывает часть весов для MOE-моделей в RAM (не разбирался в деталях как она это делает), скорость от 12 до 20 токенов / сек. Минусы - пришлось немало покопаться в вариантах моделей (у FreeToken очень специфичная поддержка форматов), потребовало 26-28 Гб RAM (пришлось закрыть браузер, мессенджеры, среду разработки...), на контекст остаётся всего ничего (хотя по идее можно его расширить хотя бы до 80к) и ей явно нужен какой-то толковый харнесс.
Другое дело - по моим ощущениям 3.6 тупа как пробка. В лучшем случае - на уровне древнючего Gemini 2.5 Flash, который был в состоянии написать несложные кусочки кода, в хорошие дни даже компилирующиеся.
Может дело в отсутствии харнесса, может в чём-то ещё, но я, мягко говоря, не слишком-то впечатлён. На фоне даже "не SOTA" моделей типа Gemini Flash 3.8, которые и архитектуру проекта понимают, и взаимосвязи просекают, и сайд-эффекты отслеживают, и интерфейс красиво нарисуют, и напишут код без ошибок, и баги поймают сами, и по скринам со стрелочками разберут что мне не понравилось в результате - пока локальные модели на обычном железе выглядят скорее как "вау, оно живое", чем как ежедневный инструмент.
Не совсем понятно как 37% стыкуется в этом году с совершенно безумными конкурсами 80-человек-на-место и 310-балльниками, как будто массово не проходящими на бюджет.
Вообще Google явно делает ставку на скорость моделей. Возможно, готовит тот самый пресловутый фундамент для RSI - ведь для того, чтобы быстро совершенствоваться, нужны быстрые инструменты. Ситуация была такова:
У Гугла до эпохи Fable - были Gemini Pro 3.1 (умная, для рассуждений и сложных задач) и Flash 3.1 (быстрая, для несложных, и очень дёшево), вполне конкурирующие с другими моделями.
После выхода Fable - все ждали Pro 3.5. И он был в работе, доступ даже раздали партнёрам Гугла, он мелькнул на LMArena, но... не вышел. Злые языки шептались, что он оказался далёк от SOTA-моделей конкурентов.
Зато вышел Flash 3.5 (буквально через пару недель пропатченный до 3.6). На тестах он кое-где умудрился обойти Opus, хотя в целом был середнячком, но главное - был ЧЕРТОВСКИ быстр, порядка 150-200 токенов/сек. Пишешь запрос, и через пять секунд модель выплёвывает буквально страницы текста, бегунок прокрутки стремительно убегает вверх. Впечатляет.
А недавно, буквально неделю назад, вышел Flash 3.7 - и это оказался прорыв. Он всё ещё быстр как молния, но результаты показывает почти на уровне SOTA. При этом он ОЧЕНЬ дешёвый.
Из личной статистики, на моих задачах (кодинг C#, Unity, отладка, работа со сценой через MCP) средний показатель "число запросов до решения задачи":
Gemini Pro 3.1 - 4-5 запросов.
Opus 4.6 - 2-3 запроса.
Gemini Flash 3.1 - 10-15 запросов (не решает).
Sonnet 4.6 - 3-4 запроса.
Gemini Flash 3.5/3.6 - 3-4 запроса.
Gemini Flash 3.7 - 2-3 запроса.
ChatGPT Sol 5.6 - 1-2 запроса.
Причём Sol очень медленный (либо очень дорогой) - дал задачу, ушёл пить чай, вернулся, а он только её завершает. Flash же работает практически мгновенно, основное время он тратит на вызовы инструментов.
В итоге получается, что "бросовый" Flash 3.7 достигает успеха с задачей куда быстрее, чем Sol, причём дешевле чуть не в 10 раз.
Вероятно, в этом и ставка Гугла - удешевить токен, чтобы токенами можно было "залить" любую задачу, в том числе и совершенствование моделей.
Интересно, но хотелось бы поглядеть на тесты против других моделей (хотя бы того же Gemini, старого 3.1 Pro и нового Flash 3.7). И в статье нет ничего про то, на какой карточке гоняете, и каковы очки на конкретных задачах (кодинг, документы, иное).
Про де-факто хранение состояния проекта самим ИИ - любопытное наблюдение, но не удивительное.
Как-то раз, работая с нейросетью над рефакторингом довольно большого исходника (тысячи строк), я "неудачно чихнул" - и своими руками удалил файл. А нами было переписано пол-файла, десяток мест, и коммит был пару часов назад - то есть все выстраданные мной правки канули в Лету.
В отчаянии я написал нейросети - так и так, я случайно убил файл, можешь попробовать восстановить что-нибудь? Да не вопрос, ответил Gemini, и "по памяти" (он даже к Гиту за последним состоянием не обратился) восстановил содержимое! Причём абсолютно корректно, не наврал ни одну строчку. Вот тогда я крепко удивился.
А всякие RTOS, стоящие скажем в умных холодильниках и утюгах, дверных звонках, или скажем каких-нибудь проекторах или самокатах, тоже требуют возрастной верификации?
Некоторое время назад я переехал на 3.5 Flash с 3.1 Pro. Хоть модель и рассуждает похуже, но скорость очень многое решает. Пока Pro предлагает одно решение, Flash даёт три. Учитывая, что агенты нынче доросли до работы в цикле "вноси правки и проверяй результат", то скорость тут решает.
И тут 3.6 прямо очень в тему - он не сильно умнее, но при этом ещё быстрее.
"Перестройка" была известна у нас по имени исполняемого файла, Toppler. Игрушка была прикольная, но абсолютно нечестная - иногда просто не было маршрута, по которому можно было спастись.
А в "Генерала" играю до сих пор. Игра очень интересная, жалко нет исходников.
Недавно Gemini 3.5 Flash грохнул мне каталог с долго и кропотливо подготавливаемыми данными, порядка сотни файлов. Причина - решил удалить временные файлы, но выбрал не тот каталог. Потом тоже извинялся, но что самое приятное - смог восстановить основное из контекста.
SiMoCo вообще супер комбайн был, такого уровня нынешнему софту ещё лет сто не видать. Но это вроде как от энтузиастов, а по-моему, что-то из официального софта было.
ChatGPT 5.6 Luna - это довольно низкая планка. Фронтир-модели растут немыслимыми темпами, предлагая всё более вкусные предложения. И тут вопрос не столько в деньгах.
Эффективность, измеряемая как число запросов, нужное чтобы решить и отладить задачу - вот один из важнейших критериев полезности модели. В чём прок от дешёвой модели, если придётся десять раз уточняться, потратить пол-дня, и всё равно получить решение с багами? Фронтир-модели же требуют на такое одного-двух запросов и получаса времени. Да, не бесплатно, но по вменяемой цене.
На мой взгляд, Sol на среднем уровне мышления - это минимум, который способен решать актуальные задачи в некоторых сферах. Всё, что ниже - заметно ограниченный инструмент (пусть даже и почти или полностью бесплатный).
Учитывая, что на эту кнопку исторически подвешен Punto Switcher, и палец сам туда дёргается рефлекторно, приходится на ПК с клавиатурами-недомерками залезать в Powertoys и переназначить что-бы-там-ни-воткнули обратно на Pause/Break.
Смотря над чем работать. Если например в том же Unity, то там без MCP модель слепа и глуха, и ходит править сцену очень длинным, долгим и неудобным путём.
Запускал через FreeToken нейронку Qwen 3.6 на 35b в heretic-исполнении на ноутбуке с 5070 (8 Гб VRAM) и 32 Гб RAM.
Плюсы - влезает чуть более жирная нейронка за счёт того, что FreeToken хитро перебрасывает часть весов для MOE-моделей в RAM (не разбирался в деталях как она это делает), скорость от 12 до 20 токенов / сек. Минусы - пришлось немало покопаться в вариантах моделей (у FreeToken очень специфичная поддержка форматов), потребовало 26-28 Гб RAM (пришлось закрыть браузер, мессенджеры, среду разработки...), на контекст остаётся всего ничего (хотя по идее можно его расширить хотя бы до 80к) и ей явно нужен какой-то толковый харнесс.
Другое дело - по моим ощущениям 3.6 тупа как пробка. В лучшем случае - на уровне древнючего Gemini 2.5 Flash, который был в состоянии написать несложные кусочки кода, в хорошие дни даже компилирующиеся.
Может дело в отсутствии харнесса, может в чём-то ещё, но я, мягко говоря, не слишком-то впечатлён. На фоне даже "не SOTA" моделей типа Gemini Flash 3.8, которые и архитектуру проекта понимают, и взаимосвязи просекают, и сайд-эффекты отслеживают, и интерфейс красиво нарисуют, и напишут код без ошибок, и баги поймают сами, и по скринам со стрелочками разберут что мне не понравилось в результате - пока локальные модели на обычном железе выглядят скорее как "вау, оно живое", чем как ежедневный инструмент.
А если диск полетит, сможет ли какая-нибудь программа восстановить такую сжатую файловую систему?
А ГигаЧат умеет писать код? Или он для внекодовых задач?
Не совсем понятно как 37% стыкуется в этом году с совершенно безумными конкурсами 80-человек-на-место и 310-балльниками, как будто массово не проходящими на бюджет.
Это уже скорости, близкие к средней паршивости RAM. Интригующе.
Вообще Google явно делает ставку на скорость моделей. Возможно, готовит тот самый пресловутый фундамент для RSI - ведь для того, чтобы быстро совершенствоваться, нужны быстрые инструменты. Ситуация была такова:
У Гугла до эпохи Fable - были Gemini Pro 3.1 (умная, для рассуждений и сложных задач) и Flash 3.1 (быстрая, для несложных, и очень дёшево), вполне конкурирующие с другими моделями.
После выхода Fable - все ждали Pro 3.5. И он был в работе, доступ даже раздали партнёрам Гугла, он мелькнул на LMArena, но... не вышел. Злые языки шептались, что он оказался далёк от SOTA-моделей конкурентов.
Зато вышел Flash 3.5 (буквально через пару недель пропатченный до 3.6). На тестах он кое-где умудрился обойти Opus, хотя в целом был середнячком, но главное - был ЧЕРТОВСКИ быстр, порядка 150-200 токенов/сек. Пишешь запрос, и через пять секунд модель выплёвывает буквально страницы текста, бегунок прокрутки стремительно убегает вверх. Впечатляет.
А недавно, буквально неделю назад, вышел Flash 3.7 - и это оказался прорыв. Он всё ещё быстр как молния, но результаты показывает почти на уровне SOTA. При этом он ОЧЕНЬ дешёвый.
Из личной статистики, на моих задачах (кодинг C#, Unity, отладка, работа со сценой через MCP) средний показатель "число запросов до решения задачи":
Gemini Pro 3.1 - 4-5 запросов.
Opus 4.6 - 2-3 запроса.
Gemini Flash 3.1 - 10-15 запросов (не решает).
Sonnet 4.6 - 3-4 запроса.
Gemini Flash 3.5/3.6 - 3-4 запроса.
Gemini Flash 3.7 - 2-3 запроса.
ChatGPT Sol 5.6 - 1-2 запроса.
Причём Sol очень медленный (либо очень дорогой) - дал задачу, ушёл пить чай, вернулся, а он только её завершает. Flash же работает практически мгновенно, основное время он тратит на вызовы инструментов.
В итоге получается, что "бросовый" Flash 3.7 достигает успеха с задачей куда быстрее, чем Sol, причём дешевле чуть не в 10 раз.
Вероятно, в этом и ставка Гугла - удешевить токен, чтобы токенами можно было "залить" любую задачу, в том числе и совершенствование моделей.
Штука по цене 1.8 мегарубля - это СВОЯ карта?! Богато живёте :)
Интересно, но хотелось бы поглядеть на тесты против других моделей (хотя бы того же Gemini, старого 3.1 Pro и нового Flash 3.7). И в статье нет ничего про то, на какой карточке гоняете, и каковы очки на конкретных задачах (кодинг, документы, иное).
Про де-факто хранение состояния проекта самим ИИ - любопытное наблюдение, но не удивительное.
Как-то раз, работая с нейросетью над рефакторингом довольно большого исходника (тысячи строк), я "неудачно чихнул" - и своими руками удалил файл. А нами было переписано пол-файла, десяток мест, и коммит был пару часов назад - то есть все выстраданные мной правки канули в Лету.
В отчаянии я написал нейросети - так и так, я случайно убил файл, можешь попробовать восстановить что-нибудь? Да не вопрос, ответил Gemini, и "по памяти" (он даже к Гиту за последним состоянием не обратился) восстановил содержимое! Причём абсолютно корректно, не наврал ни одну строчку. Вот тогда я крепко удивился.
А всякие RTOS, стоящие скажем в умных холодильниках и утюгах, дверных звонках, или скажем каких-нибудь проекторах или самокатах, тоже требуют возрастной верификации?
Жалко, а я только раскатал губу на фоне недавних успехов Гугла во Flash-моделях, которые сейчас быстрее всего, что есть на рынке.
Некоторое время назад я переехал на 3.5 Flash с 3.1 Pro. Хоть модель и рассуждает похуже, но скорость очень многое решает. Пока Pro предлагает одно решение, Flash даёт три. Учитывая, что агенты нынче доросли до работы в цикле "вноси правки и проверяй результат", то скорость тут решает.
И тут 3.6 прямо очень в тему - он не сильно умнее, но при этом ещё быстрее.
"Перестройка" была известна у нас по имени исполняемого файла, Toppler. Игрушка была прикольная, но абсолютно нечестная - иногда просто не было маршрута, по которому можно было спастись.
А в "Генерала" играю до сих пор. Игра очень интересная, жалко нет исходников.
Эх, вот бы 4B-версию иметь с хорошим сжатием...
Недавно Gemini 3.5 Flash грохнул мне каталог с долго и кропотливо подготавливаемыми данными, порядка сотни файлов. Причина - решил удалить временные файлы, но выбрал не тот каталог. Потом тоже извинялся, но что самое приятное - смог восстановить основное из контекста.
SiMoCo вообще супер комбайн был, такого уровня нынешнему софту ещё лет сто не видать. Но это вроде как от энтузиастов, а по-моему, что-то из официального софта было.
Ага, на КПК это называлось ActiveSync. Я тогда думал что это "необходимый минимум"... а оказалось что "роскошный максимум"?
P.S. Даже на старом Siemens S75 был инструментарий для этого, но за давностью лет из памяти название выветрилось из головы.