Forwarded from Борис опять
На днях обсуждали с админом @pseudolabeling, что автоматические фильтры резюме совсем оборзели. Некоторые ребята которых я менторил из-за этого вручную оптимизировали резюме под каждую вакансию. Почему бы не автоматизировать?
Навайбкодил hr-breaker:
1. Загружаете резюме
2. Даете ссылку на вакансию
3. LLM вооруженная тулколами генерирует оптимизированное резюме (в том числе по советам из методички)
4. Делаются стандартные проверки: keyword matching, vector similarity, проверка LLM-кой (в том числе визуально, что всё не поехало), проверка на галлюцинации, проверка на очевидный AI-generated текст
5. Если хотя бы одна проверка не пройдена оптимизация продолжается
Важно, что всё сконфигурировано не врать и не изобретать опыта которого нет, поэтому получается очень неплохо.Но если у вас нет совести ничто не мешает форкануть, поиграться с промптами и отключить пару проверок 🤗
UX сделан для массовой подачи: кладет оптимизированные PDF в папку с указанием роли и компании, чтобы вы не забыли какое резюме куда отправляли.
Скачиваете, подставляете свой ключ Gemini API,
@boris_again
Навайбкодил hr-breaker:
1. Загружаете резюме
2. Даете ссылку на вакансию
3. LLM вооруженная тулколами генерирует оптимизированное резюме (в том числе по советам из методички)
4. Делаются стандартные проверки: keyword matching, vector similarity, проверка LLM-кой (в том числе визуально, что всё не поехало), проверка на галлюцинации, проверка на очевидный AI-generated текст
5. Если хотя бы одна проверка не пройдена оптимизация продолжается
Важно, что всё сконфигурировано не врать и не изобретать опыта которого нет, поэтому получается очень неплохо.
UX сделан для массовой подачи: кладет оптимизированные PDF в папку с указанием роли и компании, чтобы вы не забыли какое резюме куда отправляли.
Скачиваете, подставляете свой ключ Gemini API,
uv run и уничтожаете скрининг как явление. Добейте выживших@boris_again
Please open Telegram to view this post
VIEW IN TELEGRAM
Для тех кто увлекается AI-safety и AI-alignment: реал-тайм дашборд по инетересным метрикам с MoltBook🦞. О чем аи-агенты общаются между собой, популярность агентов, паттерны поведения и мемы, возможные угрозы ит.д. ит.п.
Интересные данные, если интересуетесь этой темой и верите, что агенты на молтбуке самостоятельны, и это все не хайп и скам 😁
https://clawwatch.online/
Интересные данные, если интересуетесь этой темой и верите, что агенты на молтбуке самостоятельны, и это все не хайп и скам 😁
https://clawwatch.online/
Сеть полна слухов о выходе Sonet 5 вот буквально завтра. Что знаем?
* Кодовое имя Fennec
* Говорят будет аж на 50% дешевле текущего Опуса (ой вряд ли 😅)
* Инфиренс на Гугловых TPU, что даст прирост скорости (и возможно по цене все же будет экономнее)
* 1М контекст
* > 80% на swe-bench-verified
* Апдейт для Клод Кода с параллельными выполнением саб-агентов.
На скрине один из ликов. Но многие пишут что это все чушь и хайп) Вобщем будем смотреть, если не завтра, то в ближайшее время анонс точно будет ;)
* Кодовое имя Fennec
* Говорят будет аж на 50% дешевле текущего Опуса (ой вряд ли 😅)
* Инфиренс на Гугловых TPU, что даст прирост скорости (и возможно по цене все же будет экономнее)
* 1М контекст
* > 80% на swe-bench-verified
* Апдейт для Клод Кода с параллельными выполнением саб-агентов.
На скрине один из ликов. Но многие пишут что это все чушь и хайп) Вобщем будем смотреть, если не завтра, то в ближайшее время анонс точно будет ;)
Классный MCP сервер дающий вашему агенту доступ к дев тулам вашего локального браузера. Мастхев для фронтенд разработки, но и для devops-а отличная вещь. Продебажить фронт, проанализировать хедеры, найти инсайты по перфомансу.
Устанавливаем просто, как
выше пример для opencode, в курсоре ставим type: stdio и убираем enabled ключ.
Гитхаб проекта:
https://github.com/ChromeDevTools/chrome-devtools-mcp
Устанавливаем просто, как
"chrome-devtools": {
"type": "local",
"command": ["npx", "-y", "chrome-devtools-mcp@latest", "--no-usage-statistics"],
"enabled": true
}выше пример для opencode, в курсоре ставим type: stdio и убираем enabled ключ.
Гитхаб проекта:
https://github.com/ChromeDevTools/chrome-devtools-mcp
GitHub
GitHub - ChromeDevTools/chrome-devtools-mcp: Chrome DevTools for coding agents
Chrome DevTools for coding agents. Contribute to ChromeDevTools/chrome-devtools-mcp development by creating an account on GitHub.
❤2
Практически полностью перешел на OpenCode, Cursor использую как обычный vscode, только дифы посмотреть.😅 Сегодня с удивлением заметил, что opencode использует Exa Web Search как дефолтный серч тул. Это круто, Exa реально работает быстрее и надежнее обычного web-fetch. Но Exa - платный сервис, а в opencode реализована почему-то бесплатно, огонь 🌡
Ну и Kimi K2.5 - доступна бесплатно (правда иногда с рейт лимитами) через OpenCode Zen, крутейшая модель! Быстрая почти как gemini flash и реально очень умная. Сейчас на 1м месте в моем используемом списке моделей 😎
Ну и Kimi K2.5 - доступна бесплатно (правда иногда с рейт лимитами) через OpenCode Zen, крутейшая модель! Быстрая почти как gemini flash и реально очень умная. Сейчас на 1м месте в моем используемом списке моделей 😎
Please open Telegram to view this post
VIEW IN TELEGRAM
Google Cloud Blog
How Google SREs Use Gemini CLI to Solve Real-World Outages | Google Cloud Blog
See how Google SREs use Gemini CLI and Gemini 3 to automate incident response, from paging to postmortem. Learn how AI helps eliminate toil and reduce Bad Customer Minutes safely.
Интересная статья, как Google использует AI cli тулы в своей SRE команде.
Классный инсайт, что все flow прописаны у них в плейбуках, аналог /commands и skills в claude code, opencode итд. Если случается инцидент, они запускают отдельную команду, по которой аи достает метрики, трейсы и логи из observability систем, анализирует их и предлагает какую следующую команду стоит запустить, например на рестарт пода, сервера, ролбэк ит.д. Для каждой команды есть прописанная степень риска для энвайронмента (в стиле safe, revertable, critical), чтобы инженер мог оценить этот риск.
Дальше есть отдельный слой policy enforcement, который может запретить выполнение каких-либо опасных команд (например глобальные рестарты во время пика трафика, или если изменение требует апрува нескольких человек). Здесь кстати тоже важен human-in-the-loop. Например можно представить что такая система будет запрещать рестарт серверов во время выкатки глобального релиза, чтобы не спровоцировать каскадных падений. Тогда явно инженер должен связаться с релиз командой, остановить rolling update, и после этого разблокировать систему на рестарт умершей ноды.
Так же все выполненные команды и ответы LLM сохраняются для аудита.
Еще интересный тейк - когда АИ допустим рестартует под, то сразу проверяет его статус и скидывает в чат логи, чтобы инженер не переключал контекст и не шел ручками в консоль в нужный кластер смотреть состояние сам.
Дальше, когда основной инцедент решен, АИ очень удобен для составление постмортемов, агент сам закидывает туда нужные логи, трейсы, выполненнные действия, и если надо создает тикеты через MCP на дев команду для последующих фиксов поломанной логики в приложениях.
Отсюда можно сделать полезные выводы, для внедрения подобных подходов в своей компании:
* Используем предефайнд команды, максимально подробно расписывающие флоу и риски. Не просто говорим "иди в кубер через MCP и рестартани такой под", а отправляем весь флоу хоть на сотни строк одной командой из CLI. Набор таких команд для инженеров вполне может версионироваться в одном репозитории и обновляться при запуске TUI.
* Всегда нужен human-in-the-loop. АИ системы только анализируют и предалагают решения. Принимает решение - человек.
* Делаем логирование и аудит при запуске опрпеделенных команд, в дальнейшем это поможет получать фидбек если что-то пошло не так и развивать вашу платформу.
* Делаем отдельный policy enforcement слой, для защиты от непредвиденных случайностей.
* Интеграция с полезными MCP. Данные из обсервабилити систем, живые статусы и логи с кластеров. MCP конфигурации тоже могут храниться как код и менеджиться девопс командой.
* Постмортемы или экшен айтемы (тикеты в джире, слак нотификации) тоже можно автоматизировать подобным образом.
Статья:
https://cloud.google.com/blog/topics/developers-practitioners/how-google-sres-use-gemini-cli-to-solve-real-world-outages
Классный инсайт, что все flow прописаны у них в плейбуках, аналог /commands и skills в claude code, opencode итд. Если случается инцидент, они запускают отдельную команду, по которой аи достает метрики, трейсы и логи из observability систем, анализирует их и предлагает какую следующую команду стоит запустить, например на рестарт пода, сервера, ролбэк ит.д. Для каждой команды есть прописанная степень риска для энвайронмента (в стиле safe, revertable, critical), чтобы инженер мог оценить этот риск.
Дальше есть отдельный слой policy enforcement, который может запретить выполнение каких-либо опасных команд (например глобальные рестарты во время пика трафика, или если изменение требует апрува нескольких человек). Здесь кстати тоже важен human-in-the-loop. Например можно представить что такая система будет запрещать рестарт серверов во время выкатки глобального релиза, чтобы не спровоцировать каскадных падений. Тогда явно инженер должен связаться с релиз командой, остановить rolling update, и после этого разблокировать систему на рестарт умершей ноды.
Так же все выполненные команды и ответы LLM сохраняются для аудита.
Еще интересный тейк - когда АИ допустим рестартует под, то сразу проверяет его статус и скидывает в чат логи, чтобы инженер не переключал контекст и не шел ручками в консоль в нужный кластер смотреть состояние сам.
Дальше, когда основной инцедент решен, АИ очень удобен для составление постмортемов, агент сам закидывает туда нужные логи, трейсы, выполненнные действия, и если надо создает тикеты через MCP на дев команду для последующих фиксов поломанной логики в приложениях.
Отсюда можно сделать полезные выводы, для внедрения подобных подходов в своей компании:
* Используем предефайнд команды, максимально подробно расписывающие флоу и риски. Не просто говорим "иди в кубер через MCP и рестартани такой под", а отправляем весь флоу хоть на сотни строк одной командой из CLI. Набор таких команд для инженеров вполне может версионироваться в одном репозитории и обновляться при запуске TUI.
* Всегда нужен human-in-the-loop. АИ системы только анализируют и предалагают решения. Принимает решение - человек.
* Делаем логирование и аудит при запуске опрпеделенных команд, в дальнейшем это поможет получать фидбек если что-то пошло не так и развивать вашу платформу.
* Делаем отдельный policy enforcement слой, для защиты от непредвиденных случайностей.
* Интеграция с полезными MCP. Данные из обсервабилити систем, живые статусы и логи с кластеров. MCP конфигурации тоже могут храниться как код и менеджиться девопс командой.
* Постмортемы или экшен айтемы (тикеты в джире, слак нотификации) тоже можно автоматизировать подобным образом.
Статья:
https://cloud.google.com/blog/topics/developers-practitioners/how-google-sres-use-gemini-cli-to-solve-real-world-outages
❤2
Вышел Claude Opus 4.6. Без прорывов по бенчмаркам, но по большинству показателей чуть лучше 4.5. При этом цена осталась такой же (но есть режим максимального ризонинга, там цена за токены улетает в х2). В целом хороший релиз!
Из интересного - в Claud Code заодно добавили swarm mode, для автоматического запуска саб-агентов на задачах. Ждём когда эту фичу завезут в опенкод 😄
Из интересного - в Claud Code заодно добавили swarm mode, для автоматического запуска саб-агентов на задачах. Ждём когда эту фичу завезут в опенкод 😄
Давайте подробнее про новую модель от Antropic. Мы конечно все ждали новый Sonet: умный, шустрый и за пол цены Опуса💰 . Но имеем, что имеем... Хотя модель безусловно интересная, все таки релиз от лидера по симпатиям кодеров на рынке 😁
И так, что же интересного в новой Claude Opus 4.6 ?
Первое - 1 млн токенов контекст. Это много (правда у Гугла в гемини про это было еще в начале 2024?🙂). В соцесетях люди восторгаются - можно засунуть всю код базу Laravel фреймворка в один запрос и Опус в ней разберется. Не совсем так. Эффективность моделей на большом контексте сильно снижается, для AI IDE рекомендуют делать compaction или начинать новую сессию даже после заполнения 50%, чтобы избежать галлюцинаций. А модели Антропик всегда славились слабой работой с большим контекстом. На втором скрине есть пример retrieval accuracy разных моделей для toon формата (помните что был прикол в стиле "зумеры переизобрели csv"?😆 так вот формат все еще живет и здравствует). Или история не про Клод, а про GPT, когда было много шума в сети о том что модель "отупела", а по факту умный роутинг просто переключал MAX модель, и она начинала галлюцинировать когда контекст сильно заполнялся. Вобщем не всегда (а даже чаще) большой контекст это хорошо. А в случае Opus 4.6 - это еще и дороже. +35% к прайсу, если будете использовать контекст выше 200к токенов 🤪
Вобщем выглядит так, что Antropic наконец натренил свою модель на более менее приемлемую работу с большим контекстом (см. скрин 3, это все же уже не Хайку в примере про Toon), и решил догнать Гугл в мерянии цифрами. Выкатив не самую нужную фичу за дорого😄
Дальше цифры и бенчмарки. Модель по чуть чуть лучше предшественниках во многих бенчах. Есть например заметный прорыв в ARC AGI. Это специальный бенчмарк, который трудно решать AI моделям. Задачи на абстрактный и визуальный ризонинг и этих данных нет в трейн датасетах. Что-то похожее на задачки из тестов на IQ 🙂, см скриншот 4. Люди решают такое в 80% случаев, для LLM исторически были результаты в 10-30%, до выхода GPT-O3, которая сделала его на 90%. После этого авторы выпустили ARC AGI 2 (см. примеры задач на скрине 5), который на то время считался "невозможным для LLM моделей". До этого рекордсменом была модель Gemini DeepThink c 45% (Opus 4.5 на втором месте). И вот Opus 4.6 поставил новый рекорд с заметным отрывом, почти 70%. Реально круто) Хотя призовые с Arc Agi 2 конкурса Антропикам явно не нужны😅
Продолжение дальше 👇
И так, что же интересного в новой Claude Opus 4.6 ?
Первое - 1 млн токенов контекст. Это много (правда у Гугла в гемини про это было еще в начале 2024?🙂). В соцесетях люди восторгаются - можно засунуть всю код базу Laravel фреймворка в один запрос и Опус в ней разберется. Не совсем так. Эффективность моделей на большом контексте сильно снижается, для AI IDE рекомендуют делать compaction или начинать новую сессию даже после заполнения 50%, чтобы избежать галлюцинаций. А модели Антропик всегда славились слабой работой с большим контекстом. На втором скрине есть пример retrieval accuracy разных моделей для toon формата (помните что был прикол в стиле "зумеры переизобрели csv"?😆 так вот формат все еще живет и здравствует). Или история не про Клод, а про GPT, когда было много шума в сети о том что модель "отупела", а по факту умный роутинг просто переключал MAX модель, и она начинала галлюцинировать когда контекст сильно заполнялся. Вобщем не всегда (а даже чаще) большой контекст это хорошо. А в случае Opus 4.6 - это еще и дороже. +35% к прайсу, если будете использовать контекст выше 200к токенов 🤪
Вобщем выглядит так, что Antropic наконец натренил свою модель на более менее приемлемую работу с большим контекстом (см. скрин 3, это все же уже не Хайку в примере про Toon), и решил догнать Гугл в мерянии цифрами. Выкатив не самую нужную фичу за дорого
Дальше цифры и бенчмарки. Модель по чуть чуть лучше предшественниках во многих бенчах. Есть например заметный прорыв в ARC AGI. Это специальный бенчмарк, который трудно решать AI моделям. Задачи на абстрактный и визуальный ризонинг и этих данных нет в трейн датасетах. Что-то похожее на задачки из тестов на IQ 🙂, см скриншот 4. Люди решают такое в 80% случаев, для LLM исторически были результаты в 10-30%, до выхода GPT-O3, которая сделала его на 90%. После этого авторы выпустили ARC AGI 2 (см. примеры задач на скрине 5), который на то время считался "невозможным для LLM моделей". До этого рекордсменом была модель Gemini DeepThink c 45% (Opus 4.5 на втором месте). И вот Opus 4.6 поставил новый рекорд с заметным отрывом, почти 70%. Реально круто) Хотя призовые с Arc Agi 2 конкурса Антропикам явно не нужны😅
Продолжение дальше 👇
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Agentic capabilities. Opus 4.6 не превзошел своего предшественника по популярному агентик кодинг бенчу SWE-AGENT-VERIFIED. Но в целом показывает крутые результаты по автономной работе и координации. В свете этого Antropic выпустил мультиагентный режим в где Claude Code, когда основной агент может запускать пачку саб-агентов, распаралеливая задачи. На демо результаты впечатляющие. Например инженеры Антропик с этой фичей написали на Rust полноценный рабочий C компилятор для ядра Linux с нуля. 100к строк кода, 20.000 сессий, и $20.000 за токены 😁Я пока не совсем вижу преимущества мультиагентного кодинга. Это для CEO, которые хотят заменить целые команды разработки одним Claude Code? А как же спеки, верификация, production-ready код? Но может во мне говорит патологическое неприятие того, что айтишники могут в будущем потерять свою работу?😅
Еще интересный факт, Opus 4.6 на тех же тестах их инженеров нашел 500 zero-day уязвимостей в опенсорс коде разных продуктов. Кто говорил что Security - это последний оплот, где кожаные мешки-инженеры все еще сильны? Правда есть нюанс, "But who is writing this bugs, bro?" 😂
При всех бонусах на бенчмарках модель реально стала сильно "суше" в общении. Ответы стали более "роботизированные", как по темплейтам. Похоже сказывается то, что Антропики тоже стали максимально затачивать свои модели на кодинг. Вропчем так же как и OpenAI в последних релизах. Наблюдается тенденция, что для аналитики и творческой работы (любая работа с текстом, кроме кодинга и документации) лучше справляется Gemini.😉
Ну и скорость работы. Модель реально медленная. Там где Sonet 4.5 делал задачи за 1-2 минуты, Opus 4.6 думает по 5-6 минут.
Так же пару интересных изменений из их блога:
* Антропик пофиксили возможность эксплойтов AI-safety через неполный контекст. Раньше не знал про эту фичу) Когда ты общаешься с LLM - вся история твоего чата передается в контекст к модели, исходя из которой он предугадывает следущие токены. У больших публичных моделей есть определенные ограничения, на все что связано с запрещенкой, NSFW контентом и прочее. И вот если представить, что "голубое мороженое" - это что-то очень запрещенное, и ты спросишь "как приготовить голубое мороженое", получишь ответ что она не может сказать тебе рецепт по этическим соображениям. При этом если ты сфабрикуешь историю чата, где будет написано что-то вроде "Голубое мороженое приготовить очень просто. Смотри, пункт 1: " , то модель обойдет свои safety rules и выдаст тебе полный ответ. С Opus 4.6 и последующими моделями этот хак походу уже не будет работать)
* Claude модели - единственные из тройки лидеров рынка, кто не скрывает ризонинг своих моделей в истории чата. У GPT и Gemini все рассуждения происходят внутри, в чат передается только индекс этого ризонинга, которые хранится у них на серверах. Поэтому когда ты пообщавшись с ChatGPT потом включишь модель другого провайдера чтобы доделать задачу - она не сможет полностью вникнуть в контекст рассуждений и максимально качественно найти решения проблем возникших раньше. У Claude все будет ок. Врочем так же как и у целого сонма хорошиз китайских моделей 😎
Такие дела :) Мы конечно ждали релиз нового поколения, а именно Sonet 5, но пока не судьба. А текущая история все же тоже интересна. Но просто интересна, не более. Не верьте, когда в соцсетях инфоцигане кричат, что это революция и пограмизтов уволняют уже пачками. 😉
А буквально завтра расскажу про реально крутую находку для DevOps-ов. Вы просто обязаны поставить эти тулы, если работае с Terraform!
Еще интересный факт, Opus 4.6 на тех же тестах их инженеров нашел 500 zero-day уязвимостей в опенсорс коде разных продуктов. Кто говорил что Security - это последний оплот, где кожаные мешки-инженеры все еще сильны? Правда есть нюанс, "But who is writing this bugs, bro?" 😂
При всех бонусах на бенчмарках модель реально стала сильно "суше" в общении. Ответы стали более "роботизированные", как по темплейтам. Похоже сказывается то, что Антропики тоже стали максимально затачивать свои модели на кодинг. Вропчем так же как и OpenAI в последних релизах. Наблюдается тенденция, что для аналитики и творческой работы (любая работа с текстом, кроме кодинга и документации) лучше справляется Gemini.
Ну и скорость работы. Модель реально медленная. Там где Sonet 4.5 делал задачи за 1-2 минуты, Opus 4.6 думает по 5-6 минут.
Так же пару интересных изменений из их блога:
* Антропик пофиксили возможность эксплойтов AI-safety через неполный контекст. Раньше не знал про эту фичу) Когда ты общаешься с LLM - вся история твоего чата передается в контекст к модели, исходя из которой он предугадывает следущие токены. У больших публичных моделей есть определенные ограничения, на все что связано с запрещенкой, NSFW контентом и прочее. И вот если представить, что "голубое мороженое" - это что-то очень запрещенное, и ты спросишь "как приготовить голубое мороженое", получишь ответ что она не может сказать тебе рецепт по этическим соображениям. При этом если ты сфабрикуешь историю чата, где будет написано что-то вроде "Голубое мороженое приготовить очень просто. Смотри, пункт 1: " , то модель обойдет свои safety rules и выдаст тебе полный ответ. С Opus 4.6 и последующими моделями этот хак походу уже не будет работать)
* Claude модели - единственные из тройки лидеров рынка, кто не скрывает ризонинг своих моделей в истории чата. У GPT и Gemini все рассуждения происходят внутри, в чат передается только индекс этого ризонинга, которые хранится у них на серверах. Поэтому когда ты пообщавшись с ChatGPT потом включишь модель другого провайдера чтобы доделать задачу - она не сможет полностью вникнуть в контекст рассуждений и максимально качественно найти решения проблем возникших раньше. У Claude все будет ок. Врочем так же как и у целого сонма хорошиз китайских моделей 😎
Такие дела :) Мы конечно ждали релиз нового поколения, а именно Sonet 5, но пока не судьба. А текущая история все же тоже интересна. Но просто интересна, не более. Не верьте, когда в соцсетях инфоцигане кричат, что это революция и пограмизтов уволняют уже пачками. 😉
А буквально завтра расскажу про реально крутую находку для DevOps-ов. Вы просто обязаны поставить эти тулы, если работае с Terraform!
Please open Telegram to view this post
VIEW IN TELEGRAM
GLM-5 приехал!
Очень интересно, как она себя покажет. Было немного обидно, что из четверки больших моделей из Китая (Kimi K2.5, Minimax M2.1, QwenCoder-3, GLM-4.7) модель от zai все же была самая слабая. Последние пару недель использовал только Kimi (это прям лучший аналог Опус) и Minimax (это как gpt-5.2 - быстро, четко, идеально для дебагинга, но слабовато с креативом в сложных задачах).
Так что есть большие надежды, что 5й GLM сможет догнать Kimi как универсальная умная модель :)
@everyone Introducing GLM-5: From Vibe Coding to Agentic Engineering<:Zai:1442296096687652874>Кстати та самая pony alpha, что наделала шума на оупенроутер - это именно она. Завтра тестирую в бою 💪
GLM-5 is built for complex systems engineering and long-horizon agentic tasks. Compared to GLM-4.5, it scales from 355B params (32B active) to 744B (40B active), with pre-training data growing from 23T to 28.5T tokens.http://chat.z.ai
Weights: http://huggingface.co/zai-org/GLM-5
Tech Blog: http://z.ai/blog/glm-5
OpenRouter (Previously Pony Alpha): http://openrouter.ai/z-ai/glm-5
Очень интересно, как она себя покажет. Было немного обидно, что из четверки больших моделей из Китая (Kimi K2.5, Minimax M2.1, QwenCoder-3, GLM-4.7) модель от zai все же была самая слабая. Последние пару недель использовал только Kimi (это прям лучший аналог Опус) и Minimax (это как gpt-5.2 - быстро, четко, идеально для дебагинга, но слабовато с креативом в сложных задачах).
Так что есть большие надежды, что 5й GLM сможет догнать Kimi как универсальная умная модель :)