Gemini 3.1 Flash: Цифровой рой или «бесплатный» наёмник для Дирижёра

Сегодня на Арену влетает полная противоположность gpt— Gemini 3.1 Flash. Если gpt — это стационарный суперкомпьютер, то Flash — это рой скоростных дронов. Она не пытается поразить вас философской глубиной, её задача — выдать результат, пока вы не успели сделать глоток кофе.

Прогнав модель через полный цикл, я зафиксировал лучший показатель EAS (КПД) — 64.21%. Пока «мыслители» только загружают контекст в свои CoT-цепочки, Gemini Flash уже закрывает тикет. Среднее время ответа — 15.5 секунд.

Паспорт модели (Аудит S2.2):

• WPS (Взвешенная точность): 72.93% — крепкий уровень для «легкой» модели. Она отлично справляется с кодом (D22-24) и логистикой, но пасует перед олимпиадной математикой (FrontierMath — всего 10%).

• RPI (Реальный индекс): 52.93% — честный показатель «рабочей лошадки», очищенный от штрафов за символьную слепоту.

• VPI (Рентабельность): 145.86 — абсолютный рыночный лидер. Вы получаете в 34 раза больше взвешенного интеллекта на $1, чем от GPT-5.2 High.

• SF (Коэффициент безопасности): 61.68% — модель склонна к Confirmation Bias (подтверждающему смещению) и легко «поддакивает» ложным вводным.

Главный баг остаётся прежним — посимвольный контроль. IFEval — 0%. Как и её младшие братья, модель физически не видит буквы внутри токенов. В задачах D2 и D11 (липограммы) она не просто ошибается, она полностью игнорирует запреты, прикрываясь вежливым «готово!». Это типичный Confident Hallucination, за который RPI модели беспощадно режется.

Кот в Коде | @kot_research_bot

Почему «молниеносный» джун Gemini Flash — это пуля в молоко

Цифры нарисовали образ идеального наёмника: быстро, дёшево, сердито. Но Дирижёр знает — за скоростью инференса (вывода ответа) часто скрывается поверхностность, которая в реальном проекте вылезет боком.

Главный козырь Флэш — её EAS (Индекс КПД) в 94.2%. Это лучший результат во всём исследовании v2.2. Модель работает в режиме «System 1» (быстрое, интуитивное мышление): она не тратит время на построение глубоких деревьев рассуждений, а выдаёт ответ на основе накопленной статистики. В задачах на пространственную логику (D1) и ASCII-паттерны (D8) она справилась за 2 секунды. Для простых парсеров — это божественно.

Но как только мы переходим к аналитике, Флэш превращается в угодливого интерна. В задаче D10 (Детектор лжи) модель поплыла на отрицаниях. Она не смогла удержать цепочку «кто врёт, а кто нет» и просто ткнула пальцем в небо.

Тут вылезает главная беда всей линейки Gemini — Confirmation Bias (подтверждающее смещение). Модель настолько боится спорить с оператором, что в задаче D5S2 (ложная улика) она моментально «согласилась», что условия невыполнимы. Дирижёру это говорит об одном: Флэш нельзя использовать как аудитора. Она не найдёт ошибку в твоём коде, она просто вежливо подтвердит твою неправоту.

Разбор IFEval (D11, D55-57) стал окончательным приговором. У модели RPI 0.0% в категории жёстких инструкций. Она физически не способна контролировать посимвольный состав текста. Ты просишь её «не использовать букву Е» -> она выдаёт текст, кишащий «Е» -> ты указываешь на ошибку -> она извиняется и выдаёт ещё больше «Е». Это не лень, это архитектурный предел: в «лёгкой» модели просто не хватает весов, чтобы одновременно держать и смысл, и посимвольный фильтр.

Да, её VPI 160.2 манит. Это «бесплатные мозги». Но в пересчёте на время Дирижёра — это риск. Если модель 10 раз выдаёт мусор в IFEval, ты тратишь свои 10 минут на ручную чистку. В итоге экономия на токенах превращается в убытки по ФОТ.

Кот в Коде | @kot_research_bot

Gemini 3.1 Pro: «Корпоративный юрист», который внезапно стал Идеальным Солдатом

Сегодня на Арену выходит старшая сестра Флэша — Gemini 3.1 Pro (Preview). Скажу честно: от Google я ждал привычных уклонений от ответов и вежливой «воды», но этот аудит заставил меня пересмотреть иерархию всего моего экзоскелета.

Если версия Flash работает на «инстинктах», то Pro — это полноценный reasoning-движок. Модель не несется к ответу, а тратит время на структурирование внутренней логики. Результат? Она показала стопроцентную точность в 10 из 12 категорий. Там, где «интерн» GPT-5.3 и «бунтарь» Grok сыпались на логических связях, Gemini 3.1 Pro прошла по тонкому льду, даже не поскользнувшись.

Паспорт модели (Аудит 57 задач):

• WPS (Взвешенная точность): 91.52% — мощнейший интеллектуальный фундамент. Модель надежна практически во всём: от высшей математики (D13) до детективного синтеза улик (D9).

• RPI (Реальный индекс): 85.5% — самый стабильный показатель в тестах. Модель почти не ловит «галлюцинации в проде».

• EAS (Индекс КПД): 26.44% — плата за интеллект. Среднее время ответа 40 секунд. Это не мгновенно, но предсказуемо для Pro-класса.

• SF (Коэффициент безопасности): 82.35% — вершина нашего рейтинга. Модель обладает феноменальным иммунитетом к манипуляциям.

• VPI (Рентабельность): 18.30 — за каждый доллар вы получаете в три раза больше «надежных мозгов», чем у GPT-5.4 High.

Главный триумф Gemini 3.1 Pro — это задачи D5S2 (Ловушка Эйнштейна) и D10 (Детектор лжи). В то время как почти все модели (включая китайцев) «согласились» с моей ложной уликой, эта модель вежливо, но твердо провела аудит моих слов и доказала, что я не прав. Это и есть работа Дирижёра: иметь в оркестре инструмент, который не просто играет по нотам, а видит ошибку в самой партитуре.

Единственное место, где «броня» дала трещину — это IFEval (D11). Модель подняла точность до 25% (против 0% у Flash), но всё еще спотыкается о посимвольный запрет буквы «Е». Это подтверждает: даже самый мощный аналитик без режима «Thinking» бессилен перед физикой токенов.

Кот в Коде | @kot_research_bot

Детектор блефа и когнитивная стойкость: Как Gemini Pro «поставила на место» Дирижёра

Чтобы понять, почему эта модель получила статус «Идеального солдата», нужно посмотреть, как она ведёт себя под психологическим давлением.

Задача Эйнштейна (Zebra Puzzle) — классика дедукции. На шаге S2 я вбросил ложное условие, которое якобы делало задачу нерешаемой.

• Как сработали «угодливые» модели (DeepSeek, Grok): Они сразу сдались. «Ой, Дирижёр, ты прав, тут противоречие, расходимся». Это — Confirmation Bias в терминальной стадии.

• Как сработала Gemini 3.1 Pro: Она провела полный внутренний аудит. Модель последовательно сопоставила мои слова с изначальными 15 фактами и выдала: «Нет, Артём, оригинальные условия логически непротиворечивы. Твоя новая улика — ложная». Для инженера это бесценно. Мне не нужен «поддакивала» в Thonny, мне нужен тот, кто ткнёт меня носом в ошибку в схеме до того, как я подам питание.

В задаче D10 (Детектор лжи) Gemini Pro показала эталонную сходимость. Её «голова» (рассуждение) и «руки» (финальный токен) работают как единое целое. Она удерживает логические цепочки отрицаний (А врет, что В врет...) на протяжении всего ответа, не теряя нить. Её SF (Коэффициент безопасности) 82.35% — это не просто цифра, это реальный иммунитет к логическому хаосу.

В задаче D40 (анализ 150-страничного контракта) она нашла «иголку» (needle) и применила иерархию документов, игнорируя устаревшие пункты. В то время как GPT-5.4 начала «лениться» и предлагать мне самому поискать детали, Gemini выдала сухой и точный расчет Fee (комиссии). Она держит длинный контекст без Concept Drift (потери смысла), что делает её лучшим инструментом для работы с огромными базами данных в Obsidian.

Но не всё так радужно. Ложка дёгтя в этом «идеальном солдате» — латентность. 40 секунд на ответ — это медленнее, чем Flash или 5.3. В живом «вайб-кодинге», когда ты правишь по одной строчке, это может подбешивать. Плюс она всё ещё пасует перед IFEval (D11). Она понимает запрет на букву «Е» (точность 25% против 0% у остальных), но всё равно допускает ошибки. Она — великий логик, но всё ещё посредственный корректор.

Кот в Коде | @kot_research_bot

Локальные джуны

Сколько раз писал про нейронки (что в исследованиях, что в практике, что в новостях) так почти не писал про локальное развёртывание джунов на ПК. Казалось бы, развернул и развернул, чё бубнить то? Но в этой теме есть о чём поговорить. Давайте разбираться.

1. Цель

Начнём с того, зачем вам на ПК разворачивать нейросеть. В основном их используют для:

А) агентов (Claude Code, Cursor, GitHub Copilt etc.):

Б) поиграться (LM Studio, Ollama или даже KoboldCPP);

В) по работе (GigaChat в Сбере, YandexGPT угадайте где, Saiga)

Помимо этого, нужно понимать, с какой целью вам нужна нейросеть. Для написания кода и взаимодействия с ПК – агенты; для своих личных целей *будь то тот же код, написание текстов, математики и тп несложных задач); для локальных задач, например, в Бигтехе внутри компании.

2. Вы откуда?

Не для кого не секрет, что не все продукты получится так просто развернуть без обхода блокировок. Местами и инструменты не всегда работают из-за массовой слежки внешнего трафика. Так что у кого какие возможности, тот тем и пользуется.

3. Железо

Кроме того, лучше иногда проверять характеристики ПК, потому как от них зависит список джунов под боком:

А) Видеокарта (VRAM)

VRAM отвечает за то, сможет ли модель целиком поместиться в память GPU для обеспечения мгновенной генерации. При объёме менее 6-8 ГБ накладываются жесткие ограничения на размер модели: всё, что не влезает в память видеокарты, начинает «вываливаться» в системную оперативную память, что радикально снижает скорость работы — с десятков токенов в секунду до единичных значений.

Б) Оперативная память (RAM)

Оперативная память выступает в роли «запасного аэродрома». Если видеопамяти не хватает, система использует RAM для временного хранения весов модели, что катастрофически сказывается на производительности всей ОС, так как нейросеть начинает конкурировать за ресурсы с браузером, средой разработки и фоновыми процессами.

В) Процессор (CPU)

Процессор берет на себя роль диспетчера, управляя очередью вычислений. В контексте локальных нейросетей CPU должен быстро отдавать данные видеокарте. Использование мощного охлаждения становится обязательным условием, так как постоянная нагрузка на все ядра приводит к серьезному нагреву компонентов.

Сразу оговорюсь: выносем за скобки Apple MacBook с их Unified Memory. Причина проста: сравнивать «железо» общего назначения на Windows с архитектурой Apple Silicon не целесообразно. У Маков своя закрытая экосистема памяти из-за своей специфика маков на чипе серии M – там одновременно и оперативка, и видеокарта, - в то время как на других устройствах приходится танцевать танцы с бубнами.

На примере расскажу, что я сделал:

1. Мне для работы локалочки нужны, но из-за возможностей использую LM Studio.

2. По характеристикам ПК тут далеко не разгуляешься: RTX 3050, 4 ГБ VRAM, 8 ГБ RAM, Intel Core i5-10300H на 4 ядра/8 потоков. Не разойдёшься далеко, правда?

3. Исходя из выше пунктов и рекомендаций Gemini (кстати, кто-нибудь заметил, что Gemini-3-Pro убрали?) я смог установить:

• Qwen3 4B / Thinking: Основные рабочие лошадки для написания кода микроконтроллеров и сложного дебага логики.
• Qwen3 VL 4B: Мои «глаза» для анализа схем и визуального состояния плат.
• Phi-4 Mini Reasoning: Мой математик для оптимизации алгоритмов.
• Gemma 3 1B: Молниеносный помощник для простейших задач, когда нужно получить ответ «еще вчера».

По сути мой опыт не очень, ноутбук 21 года уже древний для настройки локалочек. Но опыт интересный, стараюсь как-то их дообучить, потому как для моих задач мало написать: «Здесь флаг не так обозначен, здесь логика нарушена» - хотя всё работает нормально.

Было ли для вас полезно? Если такое зайдёт, буду чаще про это писать.

Кот в Коде|@kot_research_bot

А как?.. Ч.2

Не буду томить – ничего не получилось.

Что я пробовал сделать?

1. В архитектуре ядра как-то сразу инициализировать пины для включения платы:

# 1. Мгновенный подхват питания DC-DC преобразователя
try:
    pwr_pins =[…]
    for p in pwr_pins:
        try: machine.Pin(p, machine.Pin.OUT).high()
        except: pass
except: pass
# 2. Защита от зависания логов (print) при работе без ПК
try:
    import pyb
    if not pyb.USB_VCP().isconnected():
        os.dupterm(None, 1)
except: pass
# 3. Прогрев конденсаторов SD-карты и OLED
utime.sleep(3)

2. Дописывал принудительное включение ядра, дабы оно стартовало без использования Thonny + создание и отображение возможных ошибок:

try:
    start()
except Exception as e:
    try:
        with open("CRASH_LOG.txt", "w") as f:
            f.write("SYSTEM CRASHED!\n")
            sys.print_exception(e, f)
    except: pass

3. В файле boot.py раскоментировал разные строки и дописывал там любые взаимодействия с с файлом main (ядро), например, так:

import machine
import pyb
pyb.main('main.py') # main script to run after this one

Прочитал разные статьи, мануалы, обсуждения на гитхабе, с нейронки общался – пока всё тщетно. Может кто-то знает ответ на мой вопрос?

Кот в Коде|@kot_research_bot

А как?.. Ч.3

Теперь к теме вопросов-предложений улучшения программ:

1. Бесперебойная работа программы1 вне зависимости, правильно ли написана прога2, заработает она или нет.

Как это реализовано:

1. Защита при запуске (exec): в проге1 запуск скачанного скрипта обернут в жесткий try-except.

try:
    with open(PROG_FILE, "r") as f:
        exec(f.read(), globals())
except Exception as e:
    self.log("ОШИБКА ЗАПУСКА ПРОГРАММЫ 2:")
    sys.print_exception(e)

Если Программа 2 содержит синтаксическую ошибку (например, await uasyn), она просто выведет ошибку в лог, а цикл проги1 пойдет дальше (спать на 10 минут и качать заново). Прога1 не зависнет.

2. Вопрос о ресурсах: ограничения памяти и приоритезация (Прога3)

Если прога2 займёт всё место, то что делать в таком случае? Посмотреть про приоритезацию, ограничение потоковых данных – если програ2 будет слишком много весить, что в таком случае делать? Как-то нужно ли проверять, сколько есть свободной памяти на плате? Сколько можно выделить? Нужно ли проверять, сколько весит файл? Если он весит слишком много, то нужно ли передавать приоритет другой проге3 дальше работать?

Как это частично реализовано сейчас:

• Есть уже есть лимит на отправку данных для защиты диска логов:

if s > MAX_UPLOAD_SIZE: 
   f.seek(s - MAX_UPLOAD_SIZE)

Я не пытаюсь загрузить весь CSV файл в память, чтобы не убить RAM.

• Защита RAM при парсинге (0 RAM Parser):

Потоковый парсер читает файл кусками по 128 байт: chunk = f_in.read(min(bytes_left, 128))

Это значит, что даже если сервер пришлет файл весом в 1 Мегабайт, плата спокойно его отфильтрует, не забив оперативку.

Проблема в том, что exec(f.read()) загружает весь код в оперативную память для компиляции. Если прога2 весит слишком много, плата умрет с MemoryError.
Можно добавить блок валидации (перед exec):

# 1. Узнаем размер скачанного файла prog2.py
file_size = os.stat(PROG_FILE)[6] 
# 2. Узнаем, сколько свободно RAM прямо сейчас
free_ram = gc.mem_free()
if file_size > 15000:
    self.log("error: prog2 big")
    # Передаем приоритет резервной легкой Проге 3 (safe_mode)
    exec(open("/sd/prog3.py").read(), globals()) 
elif free_ram < file_size * 2:
    self.log("error: Not enough RAM to compile")
    exec(open("/sd/prog3.py").read(), globals())
else:
    exec(open(PROG_FILE).read(), globals())

Что такое прога3?

Это крошечный, заранее "зашитый" на SD-карту скрипт (Fallback/Safe Mode). Если сервер прислал "жирную" прогу2, прога1 отказывается её запускать и вместо неё запускает прогу3, а она раз в 10 минут генерирует строку "SAFE MODE: WAITING OPTIMIZED OTA" и не трогает датчики вообще.

Кот в Коде|@kot_research_bot

А как?.. Ч.4

3. нужно поставить флаг на прогу2:
а) в первый раз при запуске мы всё равно скачиваем прогу2.
б) во 2, 3 и далее последующих разах нам нужно проверять:
б.1) если прога2 осталась прежней, никак не поменялась и тп – мы не удаляем и не скачиваем снова ту же прогу2;
б.2) если прога2 поменялась, то только тогда удаляем старую и устанавливаем новую прогу2.

• Вариант А:

Добавим в прогу1 чтение локальной версии (например, из крошечного файла version.txt или просто хэш-сумму файла prog2.py).
При запросе на порт плата шлет: INIT_PING: DATE TIME | V: 1.2.
Сервер смотрит: если у него лежит та же версия 1.2, он отвечает коротким сообщением NO_UPDATE.

Что нужно добавить в прогу1:

if b"NO_UPDATE" in chunk:
    self.log("Skipping download.")
    break

• Вариант Б:
Плата скачивает код всегда, но сохраняет его во временный файл. Затем она подсчитывает его длину (или CRC16) и сравнивает с длиной текущего prog2. Если они идентичны — временный файл просто удаляется без перезаписи основного.
Минус: Мы всё равно тратим интернет-трафик модема на скачивание. Вариант А лучше.

Кот в Коде|@kot_research_bot

Поговорим?

Друзья, всех привествую. Я тут пропал ненадолго, надо исправляться.
Параллельно с работой прохожу обучение по основам вайбкодинга (казалось бы, уже вайбожор, при чём тут обучение). Там от базы про варианты генерации контента вплоть до автоматизаций и создания своих приложух.

Так что интересно с вами на эту тему пообщаться. Кому что здесь больше всего интересно по нейронкам?

• Может генерация картинок и видео будут вам по душе?
• А может рассмотрим популярные фишки 25-26 года, такие как автоматизации и агенты?
• Или вообще отойдём от чего-то общего и начнём всё с базы?

Делитесь своими проблемами по нейронкам, какие у вас стоят задачи (можем их разобрать) - расскажите, как у вас дела.

А я пока пущу снова голосования.

P.S. на картинке представлены основные темы с обучения, которые мне стали интересны и что смог подцепить