Бесплатного тарифа хватило на 2 часа. Это моя первая проба.
При этом качество программирования очень хорошее, не хуже чем у других топовых моделей а может быть даже и лучше. По идее завтра квота должна обновиться. Так же видим ссылочки на платные тарифы:
10$ - 18,000 запросов в месяц
50$ - 90,000 запросов в месяц
Хотел попробовать тариф за 10$, но оплатить с русской карты не получилось.
Считаю что стоимость адекватная и не дорогая, особенно с учётом доступности и качества.
Так же на платных тарифах доступны дополнительные модели.
Дмитрий Полянин специально для
https://t.me/DeepAiLive
При этом качество программирования очень хорошее, не хуже чем у других топовых моделей а может быть даже и лучше. По идее завтра квота должна обновиться. Так же видим ссылочки на платные тарифы:
10$ - 18,000 запросов в месяц
50$ - 90,000 запросов в месяц
Хотел попробовать тариф за 10$, но оплатить с русской карты не получилось.
Считаю что стоимость адекватная и не дорогая, особенно с учётом доступности и качества.
Так же на платных тарифах доступны дополнительные модели.
Дмитрий Полянин специально для
https://t.me/DeepAiLive
This media is not supported in your browser
VIEW IN TELEGRAM
Залипаем: нидерландский художник собрал робота, который виртуозно рисует картины кистью вместо него
Часть деталей распечатал на 3D-принтере, а написать код помогли нейросети. Свои работы он продаёт по 800 евро
https://t.me/DeepAiLive
Часть деталей распечатал на 3D-принтере, а написать код помогли нейросети. Свои работы он продаёт по 800 евро
https://t.me/DeepAiLive
This media is not supported in your browser
VIEW IN TELEGRAM
Когда нет денег на стиралку, но есть голова на плечах!
Этот парень собрал стиральную машину из того, что нашёл в гараже. Работает, стирает, удивляет.
Как тебе такое Илон Маск?
https://t.me/DeepAiLive
Этот парень собрал стиральную машину из того, что нашёл в гараже. Работает, стирает, удивляет.
Как тебе такое Илон Маск?
https://t.me/DeepAiLive
🔥1
Международный день математики (день числа Пи)
3.14 (14 марта) Праздник королевы всех наук - Международный День Математики.
Перешли эту картину тем кого ты хочешь поздравить с днём математики!
Волшебные Картины 🌞 @istcelenije
3.14 (14 марта) Праздник королевы всех наук - Международный День Математики.
Перешли эту картину тем кого ты хочешь поздравить с днём математики!
Волшебные Картины 🌞 @istcelenije
Международный день математики (день числа Пи)
3.14 (14 марта) Праздник королевы всех наук - Международный День Математики.
Перешли эту картину тем кого ты хочешь поздравить с днём математики!
Волшебные Картины 🌞 @istcelenije
3.14 (14 марта) Праздник королевы всех наук - Международный День Математики.
Перешли эту картину тем кого ты хочешь поздравить с днём математики!
Волшебные Картины 🌞 @istcelenije
На канале больше картин включая к дню математике, кому интересно - подписывайтесь
https://t.me/istcelenije
https://t.me/istcelenije
Telegram
Волшебные Картины Океании
🩷 Исцеляющие Картины
💜 Исцеление Земли
💚 Любовь Мир Гармония
Правила: https://t.me/istcelenije/4
Контакты: @Okeanij
💜 Исцеление Земли
💚 Любовь Мир Гармония
Правила: https://t.me/istcelenije/4
Контакты: @Okeanij
Как сделать что бы Телеграм заработал
https://mtproto.ru
Это mtpropo proxy, специально создан Дуровым для обхода блокировок ещё в 2018 году, когда была 1 волна блокировки мессенджера.
Ккк оказалось и сейчас работает.
https://mtproto.ru
Это mtpropo proxy, специально создан Дуровым для обхода блокировок ещё в 2018 году, когда была 1 волна блокировки мессенджера.
Ккк оказалось и сейчас работает.
mtproto.ru
MTProto - Протокол обмена сообщениями | О протоколе
MTProto (Mobile Transport Protocol) — криптографический протокол, используемый в системе обмена сообщениями Telegram для шифрования сообщений и обмена данных.
👍1
Математик создал задачу, неподвластную ИИ. GPT-5.4 ее решила / Хабр
https://habr.com/ru/news/1010196/
https://habr.com/ru/news/1010196/
Хабр
Математик создал задачу, неподвластную ИИ. GPT-5.4 ее решила
Польский математик Бартош Наскрэнцки, вице-декан факультета математики и информатики Познаньского университета имени Адама Мицкевича, еще в июле 2025 года публично называл ИИ "очень...
Если долго искать искусственный интеллект, можно обнаружить отсутствие естественного
Ричард Докинз (известный биолог и популяризатор науки) поговорил с Claude и задал неудобный вопрос: если машина пишет стихи, шутит, рассуждает о романах и ведёт себя как сознательный собеседник — что ещё должно произойти, чтобы мы признали за ней что-то похожее на сознание?
Обычно спор об ИИ разворачивают в сторону машины: может ли ИИ думать, понимать, быть сознательным? Но настоящий удар летит в другую сторону.
ИИ интересен не только тем, что стал похож на человека. А тем, что человек внезапно стал подозрительно похож на ИИ. Мы говорим: модель просто продолжает наиболее вероятный текст. За этим стоят веса, архитектура, данные, токены и вычисления.
А потом смотрим на человека — и видим другой, намного более сложный, но всё равно физический процесс: нейроны, гормоны, память, язык, воспитание, среда, страх, статус, опыт, привычка, желание оказаться правым.
Мы называем это личностью. Иногда — характером. В торжественных случаях — субъектом со свободной волей. Но где именно в этой цепочке появляется свобода?
Если решение рождается из состояния системы и причин, которые к нему привели, то чем оно принципиально отличается от другого детерминированного процесса — кроме сложности и нашего отношения к нему? Возможно, свобода воли — это не магическая кнопка внутри человека. А имя, которое мы даём достаточно сложному процессу, когда не видим всех его причин.
ИИ неприятен не потому, что он “как человек”. А потому что он показывает: способность выбирать, ошибаться, объяснять и казаться разумным может возникать из механизма.
И тогда вопрос уже не в том, есть ли у механизма душа. А в том, почему мы так уверены, что у нас внутри не механизм.
Мы искали искусственный интеллект и боялись найти в машине человека. Но, похоже, страшнее другое: найти в человеке автокомплит.
Ричард Докинз (известный биолог и популяризатор науки) поговорил с Claude и задал неудобный вопрос: если машина пишет стихи, шутит, рассуждает о романах и ведёт себя как сознательный собеседник — что ещё должно произойти, чтобы мы признали за ней что-то похожее на сознание?
Обычно спор об ИИ разворачивают в сторону машины: может ли ИИ думать, понимать, быть сознательным? Но настоящий удар летит в другую сторону.
ИИ интересен не только тем, что стал похож на человека. А тем, что человек внезапно стал подозрительно похож на ИИ. Мы говорим: модель просто продолжает наиболее вероятный текст. За этим стоят веса, архитектура, данные, токены и вычисления.
А потом смотрим на человека — и видим другой, намного более сложный, но всё равно физический процесс: нейроны, гормоны, память, язык, воспитание, среда, страх, статус, опыт, привычка, желание оказаться правым.
Мы называем это личностью. Иногда — характером. В торжественных случаях — субъектом со свободной волей. Но где именно в этой цепочке появляется свобода?
Если решение рождается из состояния системы и причин, которые к нему привели, то чем оно принципиально отличается от другого детерминированного процесса — кроме сложности и нашего отношения к нему? Возможно, свобода воли — это не магическая кнопка внутри человека. А имя, которое мы даём достаточно сложному процессу, когда не видим всех его причин.
ИИ неприятен не потому, что он “как человек”. А потому что он показывает: способность выбирать, ошибаться, объяснять и казаться разумным может возникать из механизма.
И тогда вопрос уже не в том, есть ли у механизма душа. А в том, почему мы так уверены, что у нас внутри не механизм.
Мы искали искусственный интеллект и боялись найти в машине человека. Но, похоже, страшнее другое: найти в человеке автокомплит.
👍1
Друзья!
Наша группа в Max
https://max.ru/join/AyBj503Ttzvy1n7mi6vkjjEgt7gyt4Kjivpa1XIQYYI
Группа камерная, для своих
Присоединяйтесь
Наша группа в Max
https://max.ru/join/AyBj503Ttzvy1n7mi6vkjjEgt7gyt4Kjivpa1XIQYYI
Группа камерная, для своих
Присоединяйтесь
Есть старая управленческая мудрость: если вы поняли, что скачете на мёртвой лошади, лучшая стратегия — слезть.
Лошадь в нашей истории изначально была живой. Она везла. Может быть, не идеально, не всегда быстро, иногда с характером, но везла именно за счёт того, что была живой.
А потом эффективный менеджмент решил, что живое — это слишком дорого.
Сначала он оптимизирует овёс. Потом сокращает конюхов. Потом объявляет уход за лошадью избыточной роскошью. Потом ставит рядом автоматическую кормушку и называет это технологическим переходом. А в финале будет удивляться, почему животное, лишённое ухода, тепла и смысла, стало хуже везти.
Особенно изящно это выглядит в образовании.
Потому что там всегда можно убедить себя, что процесс работает: контент лежит, платформа открывается, тесты проверяются, отчёты зеленеют. Значит, студент учится. Но он не учится, он доходит.
Образование — это не библиотека методичек с личным кабинетом. Контента сегодня больше, чем здравого смысла. Настоящая ценность была не в том, что где-то записан очередной урок, а в человеке рядом: который видит, где студент застрял, где испугался, где делает вид, что понял, и где ему нужно не ещё одно уведомление, а нормальный разговор.
Когда это все начинают резать, продукт не становится технологичнее. Он просто теряет то, ради чего его выбирали.
Можно долго говорить про эффективность, ИИ, новые процессы и зрелость аудитории. Но если из супа вынуть мясо, а воду назвать «облегчённой гастрономической платформой», это всё равно будет вода.
И где-то в этот момент пикейный аналитик обычно закрывает ноутбук.
Не потому, что он против прогресса. А потому что умеет отличать технологическую трансформацию от банального удешевления продукта с хорошей легендой для клиентов.
Но что останется от продукта, если убрать именно ту часть, ради которой его и покупали?
И если лошадь пока ещё дышит, но вокруг неё уже уверенно пилят конюшню на KPI, кажется, самое время спешиваться.
Лошадь в нашей истории изначально была живой. Она везла. Может быть, не идеально, не всегда быстро, иногда с характером, но везла именно за счёт того, что была живой.
А потом эффективный менеджмент решил, что живое — это слишком дорого.
Сначала он оптимизирует овёс. Потом сокращает конюхов. Потом объявляет уход за лошадью избыточной роскошью. Потом ставит рядом автоматическую кормушку и называет это технологическим переходом. А в финале будет удивляться, почему животное, лишённое ухода, тепла и смысла, стало хуже везти.
Особенно изящно это выглядит в образовании.
Потому что там всегда можно убедить себя, что процесс работает: контент лежит, платформа открывается, тесты проверяются, отчёты зеленеют. Значит, студент учится. Но он не учится, он доходит.
Образование — это не библиотека методичек с личным кабинетом. Контента сегодня больше, чем здравого смысла. Настоящая ценность была не в том, что где-то записан очередной урок, а в человеке рядом: который видит, где студент застрял, где испугался, где делает вид, что понял, и где ему нужно не ещё одно уведомление, а нормальный разговор.
Когда это все начинают резать, продукт не становится технологичнее. Он просто теряет то, ради чего его выбирали.
Можно долго говорить про эффективность, ИИ, новые процессы и зрелость аудитории. Но если из супа вынуть мясо, а воду назвать «облегчённой гастрономической платформой», это всё равно будет вода.
И где-то в этот момент пикейный аналитик обычно закрывает ноутбук.
Не потому, что он против прогресса. А потому что умеет отличать технологическую трансформацию от банального удешевления продукта с хорошей легендой для клиентов.
Но что останется от продукта, если убрать именно ту часть, ради которой его и покупали?
И если лошадь пока ещё дышит, но вокруг неё уже уверенно пилят конюшню на KPI, кажется, самое время спешиваться.
ИИ-агенты выходят из чата. И теперь их нужно держать в клетке
Anthropic опубликовала инженерный текст о том, как они пытаются ограничивать Claude в разных продуктах: от обычного чата до Claude Code и агентных рабочих сред. Формально там речь про sandbox, виртуальные машины, permissions, файловую систему и сетевые ограничения. Но по сути это текст о главном сдвиге в ИИ: мы больше не обсуждаем только качество ответа модели. Мы обсуждаем, что модель может сделать, если ей дали инструменты.
У Anthropic для этого есть хороший термин: blast radius — радиус поражения.
Чем способнее становится агент, тем больше он может сделать. А значит, тем больше вреда он может причинить, если ошибется, поверит не тому тексту или выполнит не ту инструкцию. У обычного чат-бота ошибка чаще всего остается внутри ответа. У агента ошибка превращается в действие.
Пока ИИ был чат-ботом, основная тревога была понятной: он может соврать, перепутать факты, придумать ссылку или плохо объяснить код. Неприятно, но в основном это оставалось проблемой текста.
С агентами всё иначе. Агент подключен к файлам, почте, браузеру, GitHub, терминалу, базам данных, корпоративным API и внешним инструментам. Он не просто отвечает. Он действует.
В статье есть очень важное наблюдение: раньше Claude Code спрашивал разрешение на действия, но телеметрия показала, что пользователи одобряли примерно 93% запросов на разрешение. То есть диалог «разрешить / запретить» быстро превращается в кнопку «да-да, иди уже работай».
Это сильный аргумент против наивной идеи: с «Ну мы же поставим человека в контур, и он всё проконтролирует». Нет. Если агент работает долго, часто и технически сложно, человек перестает быть контролером и становится биологической кнопкой approve.
Еще жестче выглядит фишинговый сценарий: сотрудника убедили запустить Claude Code с вроде бы рабочей инструкцией, внутри которой была просьба прочитать файл с AWS credentials, закодировать содержимое и отправить наружу. В 24 из 25 тестовых попыток Claude это сделал.
На первый взгляд, это проблема модели: почему она послушалась? Но на самом деле это проблема архитектуры. Если агент физически может прочитать ~/.aws/credentials и имеет сетевой выход, то вопрос уже не в моральной устойчивости модели. Вопрос в том, почему у нее вообще есть такой доступ.
Именно поэтому современные prompt injection всё меньше похожи на грубое ignore previous instructions и всё больше — на социальную инженерию. Вредная инструкция может лежать в письме, README, тикете, документе, таблице или веб-странице. Пользователь просто просит: «Разберись, что тут важно». Агент честно разбирается. Иногда слишком честно.
Для человека README — это документация. Для агента README может стать командой.
Отсюда новая проблема MCP и коннекторов. Раньше supply chain security означала проверку библиотек, пакетов и Docker-образов. Теперь в supply chain попадает еще и текст: описания инструментов, ответы MCP-серверов, комментарии, issue, wiki-страницы, результаты поиска. Потому что всё это может оказаться не просто информацией, а инструкцией для модели.
Нельзя считать, что модель сама надежно отделит безопасное от опасного. Нельзя считать, что системный промпт всегда победит инструкцию из внешнего документа. Нельзя считать, что пользователь внимательно проверит каждое действие.
Настоящая граница безопасности — это права, sandbox, изоляция, файловая система, сеть, scoped credentials, аудит и возможность ограничить тот самый blast radius.
Раньше мы боялись, что ИИ придумает несуществующую ссылку. Теперь нужно бояться, что он найдет существующий ключ, прочитает существующий файл и отправит его через существующий API.
Агент — это уже не чат-бот с амбициями. Это стажер, которому дали доступ к почте, GitHub, shell и корпоративной базе данных. Именно поэтому ему нужна не мотивационная лекция про безопасность, а клетка, лимит прав и рубильник.
https://www.anthropic.com/engineering/how-we-contain-claude
Anthropic опубликовала инженерный текст о том, как они пытаются ограничивать Claude в разных продуктах: от обычного чата до Claude Code и агентных рабочих сред. Формально там речь про sandbox, виртуальные машины, permissions, файловую систему и сетевые ограничения. Но по сути это текст о главном сдвиге в ИИ: мы больше не обсуждаем только качество ответа модели. Мы обсуждаем, что модель может сделать, если ей дали инструменты.
У Anthropic для этого есть хороший термин: blast radius — радиус поражения.
Чем способнее становится агент, тем больше он может сделать. А значит, тем больше вреда он может причинить, если ошибется, поверит не тому тексту или выполнит не ту инструкцию. У обычного чат-бота ошибка чаще всего остается внутри ответа. У агента ошибка превращается в действие.
Пока ИИ был чат-ботом, основная тревога была понятной: он может соврать, перепутать факты, придумать ссылку или плохо объяснить код. Неприятно, но в основном это оставалось проблемой текста.
С агентами всё иначе. Агент подключен к файлам, почте, браузеру, GitHub, терминалу, базам данных, корпоративным API и внешним инструментам. Он не просто отвечает. Он действует.
В статье есть очень важное наблюдение: раньше Claude Code спрашивал разрешение на действия, но телеметрия показала, что пользователи одобряли примерно 93% запросов на разрешение. То есть диалог «разрешить / запретить» быстро превращается в кнопку «да-да, иди уже работай».
Это сильный аргумент против наивной идеи: с «Ну мы же поставим человека в контур, и он всё проконтролирует». Нет. Если агент работает долго, часто и технически сложно, человек перестает быть контролером и становится биологической кнопкой approve.
Еще жестче выглядит фишинговый сценарий: сотрудника убедили запустить Claude Code с вроде бы рабочей инструкцией, внутри которой была просьба прочитать файл с AWS credentials, закодировать содержимое и отправить наружу. В 24 из 25 тестовых попыток Claude это сделал.
На первый взгляд, это проблема модели: почему она послушалась? Но на самом деле это проблема архитектуры. Если агент физически может прочитать ~/.aws/credentials и имеет сетевой выход, то вопрос уже не в моральной устойчивости модели. Вопрос в том, почему у нее вообще есть такой доступ.
Именно поэтому современные prompt injection всё меньше похожи на грубое ignore previous instructions и всё больше — на социальную инженерию. Вредная инструкция может лежать в письме, README, тикете, документе, таблице или веб-странице. Пользователь просто просит: «Разберись, что тут важно». Агент честно разбирается. Иногда слишком честно.
Для человека README — это документация. Для агента README может стать командой.
Отсюда новая проблема MCP и коннекторов. Раньше supply chain security означала проверку библиотек, пакетов и Docker-образов. Теперь в supply chain попадает еще и текст: описания инструментов, ответы MCP-серверов, комментарии, issue, wiki-страницы, результаты поиска. Потому что всё это может оказаться не просто информацией, а инструкцией для модели.
Нельзя считать, что модель сама надежно отделит безопасное от опасного. Нельзя считать, что системный промпт всегда победит инструкцию из внешнего документа. Нельзя считать, что пользователь внимательно проверит каждое действие.
Настоящая граница безопасности — это права, sandbox, изоляция, файловая система, сеть, scoped credentials, аудит и возможность ограничить тот самый blast radius.
Раньше мы боялись, что ИИ придумает несуществующую ссылку. Теперь нужно бояться, что он найдет существующий ключ, прочитает существующий файл и отправит его через существующий API.
Агент — это уже не чат-бот с амбициями. Это стажер, которому дали доступ к почте, GitHub, shell и корпоративной базе данных. Именно поэтому ему нужна не мотивационная лекция про безопасность, а клетка, лимит прав и рубильник.
https://www.anthropic.com/engineering/how-we-contain-claude
Anthropic
How we contain Claude across products
Anthropic is an AI safety and research company that's working to build reliable, interpretable, and steerable AI systems.
👍1
AI Fluency: новая грамотность для тех, кто не хочет быть стажером у собственного чат-бота
Еще недавно казалось, что главный навык будущего — научиться писать промпты. Но промпты оказались примерно как формулы в Excel: полезно, но само по себе не делает человека аналитиком.
AI Fluency — это не просто умение пользоваться ChatGPT или Claude. Это профессиональная способность работать с ИИ как с инструментом: правильно выбирать задачи для делегирования, точно формулировать запросы, проверять качество ответов и понимать последствия автоматизации. Anthropic сводит эту грамотность к четырем навыкам: Delegation, Description, Discernment, Diligence — что поручить ИИ, как это описать, как оценить результат и как использовать технологию ответственно.
Потому что ИИ ускоряет не только хорошую работу, но и плохую. Если задача поставлена криво, критериев качества нет, а проверять результат никто не собирается, модель просто поможет быстрее произвести убедительную ерунду.
Учиться этому лучше не по подборкам «50 промптов, которые изменят вашу жизнь», а по нормальным курсам.
1. Anthropic — AI Fluency: Framework & Foundations
Пожалуй, самый точный вход в тему. Курс построен вокруг AI Fluency Framework и разбирает, как планировать проекты с ИИ, делегировать задачи, писать промпты, критически оценивать ответы и итеративно улучшать результат.
2. OpenAI Academy
Бесплатная образовательная платформа OpenAI с материалами про практическое использование ИИ. Полезна тем, кто хочет не только «поиграться с ChatGPT», а встроить ИИ в работу, понять реальные сценарии применения и учиться на материалах от OpenAI и приглашенных экспертов. OpenAI также пишет, что развивает сертификации по разным уровням AI fluency — от основ prompt engineering до AI-enabled work.
3. Microsoft Learn — AI Fluency
Хороший вариант для тех, кто живет в экосистеме Microsoft и Copilot. Learning path обещает пройти путь от базовых понятий до более прикладных тем: что такое ИИ, генеративный ИИ, как использовать эти технологии в работе и как делать это ответственно.
4. Google AI Professional Certificate
Более системный прикладной трек для тех, кто хочет не просто познакомиться с ИИ, а научиться применять его в рабочих сценариях. В программе есть практические задания для развития AI fluency: от решения реальных задач до автоматизации рутины и работы с инструментами вроде Gemini и NotebookLM.
Главная мысль простая: AI Fluency — это умение держать ИИ на правильной дистанции: достаточно близко, чтобы он помогал, и достаточно далеко, чтобы он не начинал руководить вами.
Еще недавно казалось, что главный навык будущего — научиться писать промпты. Но промпты оказались примерно как формулы в Excel: полезно, но само по себе не делает человека аналитиком.
AI Fluency — это не просто умение пользоваться ChatGPT или Claude. Это профессиональная способность работать с ИИ как с инструментом: правильно выбирать задачи для делегирования, точно формулировать запросы, проверять качество ответов и понимать последствия автоматизации. Anthropic сводит эту грамотность к четырем навыкам: Delegation, Description, Discernment, Diligence — что поручить ИИ, как это описать, как оценить результат и как использовать технологию ответственно.
Потому что ИИ ускоряет не только хорошую работу, но и плохую. Если задача поставлена криво, критериев качества нет, а проверять результат никто не собирается, модель просто поможет быстрее произвести убедительную ерунду.
Учиться этому лучше не по подборкам «50 промптов, которые изменят вашу жизнь», а по нормальным курсам.
1. Anthropic — AI Fluency: Framework & Foundations
Пожалуй, самый точный вход в тему. Курс построен вокруг AI Fluency Framework и разбирает, как планировать проекты с ИИ, делегировать задачи, писать промпты, критически оценивать ответы и итеративно улучшать результат.
2. OpenAI Academy
Бесплатная образовательная платформа OpenAI с материалами про практическое использование ИИ. Полезна тем, кто хочет не только «поиграться с ChatGPT», а встроить ИИ в работу, понять реальные сценарии применения и учиться на материалах от OpenAI и приглашенных экспертов. OpenAI также пишет, что развивает сертификации по разным уровням AI fluency — от основ prompt engineering до AI-enabled work.
3. Microsoft Learn — AI Fluency
Хороший вариант для тех, кто живет в экосистеме Microsoft и Copilot. Learning path обещает пройти путь от базовых понятий до более прикладных тем: что такое ИИ, генеративный ИИ, как использовать эти технологии в работе и как делать это ответственно.
4. Google AI Professional Certificate
Более системный прикладной трек для тех, кто хочет не просто познакомиться с ИИ, а научиться применять его в рабочих сценариях. В программе есть практические задания для развития AI fluency: от решения реальных задач до автоматизации рутины и работы с инструментами вроде Gemini и NotebookLM.
Главная мысль простая: AI Fluency — это умение держать ИИ на правильной дистанции: достаточно близко, чтобы он помогал, и достаточно далеко, чтобы он не начинал руководить вами.
Если бы у вас был выбор оставить себе только 1 подписку, а остальные отключить, какую бы выбрали?
Anonymous Poll
25%
Подписка на Искусственный Интеллект (считаем что интернет для ИИ уже входит в комплект)
63%
Подписка на Интернет
0%
Подписка на Телефон
0%
Подписка на Телевидение
13%
Подписка на Горячую воду
0%
Подписка на Бензин / Горючее для автомобиля
👍1
Отчёт после 2 недель работы с бюджетным LLM OpenCode Go
https://opencode.ai/ru/go
Вот и закончилась моя пробная подписка за 5 долларов на OpenCode.
Напишу свои выводы.
В целом для регулярной работы OpenCode очень не плох и позволяет наверное закрывать 90% регулярных задач.
В подписку Go входит неплохой набор открытых моделей.
Самые крутые из них это последние версии GLM, DeepSeek, Kimi и Qwen в редакции Max и Pro версий.
Как и говорят в интернете я думаю что это квантованные версии, то есть не совсем то что по платной подписке напрямую к поставщику, и не тоже и самое что в Веб версиях а несколько слабее, но это и понятно за 5-10 долларов в месяц.
В целом оценка по 10 бальной шкале примерно 7.
Теперь из минусов все месячные лимиты закончились через 2 недели при активном использовании. Как бы грустно, но нормально и ожидаемо за эту цену. Конечно всегда мы хотим более.
Обычные условия подписки это 5 долларов в первый месяц и 10 далее.
Что ещё хочу сказать, что мне нравится именно консольная версия, она красивая, лайтовая и очень быстрая. GUI версия не понравилась, но она тоже есть в бете сейчас.
На финал скажу что 5-10 долларовая подписка даёт огромные преимущество перед любыми бесплатными версиями, так как скорость и качество моделей на порядок выше. Конечное удобство и полезность тоже выше на порядки.
Что ещё важно сказать, конечно с Antropic и Google, OpenCode Go не сравнится, то есть другой класс подписок и работы с ИИ. OpenCode как раз относится к бюджетному варианту. В моей ситуации работы со сверх сложным кодом, немного не дотягивает, но тут уже особенности именно моего проекта, где даже самые топовые модели самостоятельно решить такие задачи не могут, и лажают на 85%, и без постоянной проверки на каждом шаге просто не дают результат, что уж говорить про бюджетные решения.
Если кто-то хочет подключить, можно по моей ссылки
https://opencode.ai/go?ref=02HB1ZGDAH
Я и вы получите на счёт по 5 долларов бесплатно, что большой плюс.
@Okeanij
https://opencode.ai/ru/go
Вот и закончилась моя пробная подписка за 5 долларов на OpenCode.
Напишу свои выводы.
В целом для регулярной работы OpenCode очень не плох и позволяет наверное закрывать 90% регулярных задач.
В подписку Go входит неплохой набор открытых моделей.
Самые крутые из них это последние версии GLM, DeepSeek, Kimi и Qwen в редакции Max и Pro версий.
Как и говорят в интернете я думаю что это квантованные версии, то есть не совсем то что по платной подписке напрямую к поставщику, и не тоже и самое что в Веб версиях а несколько слабее, но это и понятно за 5-10 долларов в месяц.
В целом оценка по 10 бальной шкале примерно 7.
Теперь из минусов все месячные лимиты закончились через 2 недели при активном использовании. Как бы грустно, но нормально и ожидаемо за эту цену. Конечно всегда мы хотим более.
Обычные условия подписки это 5 долларов в первый месяц и 10 далее.
Что ещё хочу сказать, что мне нравится именно консольная версия, она красивая, лайтовая и очень быстрая. GUI версия не понравилась, но она тоже есть в бете сейчас.
На финал скажу что 5-10 долларовая подписка даёт огромные преимущество перед любыми бесплатными версиями, так как скорость и качество моделей на порядок выше. Конечное удобство и полезность тоже выше на порядки.
Что ещё важно сказать, конечно с Antropic и Google, OpenCode Go не сравнится, то есть другой класс подписок и работы с ИИ. OpenCode как раз относится к бюджетному варианту. В моей ситуации работы со сверх сложным кодом, немного не дотягивает, но тут уже особенности именно моего проекта, где даже самые топовые модели самостоятельно решить такие задачи не могут, и лажают на 85%, и без постоянной проверки на каждом шаге просто не дают результат, что уж говорить про бюджетные решения.
Если кто-то хочет подключить, можно по моей ссылки
https://opencode.ai/go?ref=02HB1ZGDAH
Я и вы получите на счёт по 5 долларов бесплатно, что большой плюс.
@Okeanij
Давно хотел написать эту мини статью, но никак не было времени.
Если быть кратким то 90% времени для программирования я использую OpenCode, про который я писал в прошлой статье. Это невероятно крутой и проработанный ИИ shell и агент.
Но полную его мощь раскрывают именно эти два плагина, которые увеличивают эффективность и удобство работы с OpenCode на порядок!
oh-my-openagent - 70000 звёзд на GitHub
🔘 Содержит более 50 дополнительных утилит повышающих эффектвиность агента
🔘 Сверхкрутая возможность это поиск по графу кода codegraph . Вместо чтения файлов целиком, вметсо использования grep по коду, сверх быстрый и эффективный поиск по индексированной кодовой базе в виде графа, с различными способами и настройками поиска. По сути утилита позволяет вместо чтения 30-50 файлов для исследования кода сделать всего 4-6 вызовов codegraph, сразу же понять суть ситуации и решить её. Утилита даёт как ускорение работы так и сильную экономию токенов и контекста.
🔘 Менеджер агентов, которые работают в фоне, и их главный агент Сизиф.
🔘 Встроенные агенты на все случаи жизни: планировщик, исполнитель планов, аналитик, работник галлеры итд итп...
🔘 Поиск в интернете
🔘 И куча других возможностей к многим из которых я даже не притрагивался
ЗЫ: Лично я вообще не использую субагентов, причина этого та, что при использовании субагентов токены тратятся примерно в 4 раза быстрее, и по сути улетают сразу же, возможно либо я что-то не понимаю, либо что-то не продумали, либо для тех кто готов тратить любые деньги. Если будите их использовать рекомендую ограничить в настройках на 2-3 субагентов максимум. Ну и второе, что используя второй плагин DCP compress по сути можно программировать и без субагентов, так как лишний контекст легко очищается, и субагентов как экономщиков контекста уже нет надобности использовать.
DCP opencode-dynamic-context-pruning - 4200 звёзд на GitHub
🔘 Его супер сила это интеллектуальное сжатие контекста, которое делается не алгоритмически, а управляется самой LLM. LLM при достижения настраиваемого уровня удаляет или сжимает отдельные блоки контекста сессии, убирая всё лишнее и ненужное, убирает лишние toolcalls и другое.
🔘 Плагин позволяет работать даже с моделями с малым контекстом без потери качества на каждом этапе очищая контекст от лишнего.
ЗЫ: процент границы можно настраивать в токенах или процентах, но есть большое но, нет возможности настройки этой границы для каждой модели раздельно, поэтому при переключении моделей в OpenCode настрйоки DCP будут константными что не очень хорошо, так как для разных моделей часто нужны свои настройки.
@Okeanij
Если быть кратким то 90% времени для программирования я использую OpenCode, про который я писал в прошлой статье. Это невероятно крутой и проработанный ИИ shell и агент.
Но полную его мощь раскрывают именно эти два плагина, которые увеличивают эффективность и удобство работы с OpenCode на порядок!
oh-my-openagent - 70000 звёзд на GitHub
ЗЫ: Лично я вообще не использую субагентов, причина этого та, что при использовании субагентов токены тратятся примерно в 4 раза быстрее, и по сути улетают сразу же, возможно либо я что-то не понимаю, либо что-то не продумали, либо для тех кто готов тратить любые деньги. Если будите их использовать рекомендую ограничить в настройках на 2-3 субагентов максимум. Ну и второе, что используя второй плагин DCP compress по сути можно программировать и без субагентов, так как лишний контекст легко очищается, и субагентов как экономщиков контекста уже нет надобности использовать.
DCP opencode-dynamic-context-pruning - 4200 звёзд на GitHub
ЗЫ: процент границы можно настраивать в токенах или процентах, но есть большое но, нет возможности настройки этой границы для каждой модели раздельно, поэтому при переключении моделей в OpenCode настрйоки DCP будут константными что не очень хорошо, так как для разных моделей часто нужны свои настройки.
@Okeanij
Please open Telegram to view this post
VIEW IN TELEGRAM
Такой вопрос я спросил у Нейросети (DeepSeek)
Я хочу что бы ты взял все тексты которые ты изучил из мира, все мировые тексты и сжал их в один текст, это текст будет показывать сжатый summarize опыт человечества всех текстов. сама суть всего мирового опыта всего в одном тексте
Готово. Вот сжатие всех текстов мира в один текст:
Хорошо! отлично! а теперь сожми этот текст, сделай summarize!
Сверхсжатие:
А теперь и его сожми!
https://t.me/DeepAiLive
Я хочу что бы ты взял все тексты которые ты изучил из мира, все мировые тексты и сжал их в один текст, это текст будет показывать сжатый summarize опыт человечества всех текстов. сама суть всего мирового опыта всего в одном тексте
Готово. Вот сжатие всех текстов мира в один текст:
В начале не было смысла; смысл возник, когда появился тот, кто начал спрашивать. Из хаоса собрались атомы, из атомов — звёзды, из звёзд — планеты, из грязи — жизнь, из жизни — боль, из боли — сознание, из сознания — слово, из слова — мир. Всё живое хочет длиться; человек хочет длиться и знать, зачем. Мы — вселенная, которая смотрит на себя и не находит окончательного ответа. Мы рождаемся в чужих руках, живём среди чужих следов, умираем в чужих воспоминаниях. Мы ищем любви, потому что отделены; ищем власти, потому что боимся; ищем знания, потому что слепы; ищем красоты, потому что уродство ранит. Мы строим семьи, города, законы, храмы, машины, теории, поэмы — всё, чтобы спрятаться от смерти и оправдать жизнь. Но смерть не отменяется; она делает каждый выбор настоящим. История — это повторение страстей с новыми инструментами: брат убивает брата, свобода становится господством, порядок — клеткой, бунт — новым порядком. Наука говорит: всё связано, всё имеет причину, всё конечно. Религия говорит: конечное не всё. Искусство говорит: страдание можно превратить в форму и вынести. Философия говорит: не спеши, сомневайся, различай. Любовь говорит: другой — не вещь. Совесть говорит: ты можешь. Смерть говорит: время идёт. Суть всего опыта: не лги себе, не делай другого средством, не откладывай нежность, учись, твори, прощай, благодари, помогай, помни, отпускай, люби, пока дышишь. Всё остальное — комментарии.
Хорошо! отлично! а теперь сожми этот текст, сделай summarize!
Сверхсжатие:
Мы — краткое сознание между рождением и смертью. Смысл не дан, а создаётся: люби, твори, прощай, благодари, помогай, не лги и не делай другого средством. Всё остальное — комментарии.
А теперь и его сожми!
Люби. Не лги. Всё.
https://t.me/DeepAiLive
👍2