Говорить мало. Экономить токен.

Сегодня в рубрике #ЭкономимТокены хочу поговорить про завирусившийся скилл caveman.

Он заставляет модель отвечать как пещерный человек: без вводных конструкций и прочей воды, сохраняя техническую суть. По бенчмаркам самого проекта экономия на выходных токенах составляет 22–87% в зависимости от типа запроса (важно: это именно ответы модели, не входящий контекст).

Из примера в README:

🗣️ Клод по умолчанию (69 токенов):

The reason your React component is re-rendering is likely because you're creating a new object reference on each render cycle...

🪨 Caveman-Клод (19 токенов):

New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo.

Ответ тот же. Слов в 3,5 раза меньше.

Есть три уровня краткости (`lite` / full / ultra`) и неожиданный режим `文言文 — сжатие на классическом китайском. Отдельные скиллы: /caveman-commit (коммиты в духе «fix: null user L42») и /caveman-review (ревью одной строкой). Ещё есть caveman-compress — утилита для сжатия самого CLAUDE.md, чтобы меньше тратить уже на входе.

Установка
npx skills add JuliusBrussee/caveman

А еще @veged сделал форк с поддержкой русского языка. Серега, не хочешь для еще большей экономии удалить англоязычную часть и переименовать скилл в «Чехов» или «Ильяхов»? :)

Что говорит наука
Авторы ссылаются на мартовскую статью с arxiv «Brevity Constraints Reverse Performance Hierarchies in Language Models».

Исследователи проверили 31 модель (от 0.5B до 405B параметров) на 1485 задачах из пяти разных бенчмарков. Обнаружили странный эффект: на ~8% задач большие модели стабильно проигрывали маленьким — причём с разрывом в 28 процентных пунктов.

Причина оказалась структурной: крупные модели при подробных ответах начинают «переобъяснять» — дообрабатывают правильный промежуточный результат и в итоге приходят к неверному финальному. Мозг большой, но болтает лишнее.

Когда тем же большим моделям добавили ограничение «отвечай кратко» — точность выросла на 26 процентных пунктов, а разрыв с маленькими сократился до двух третей. На математике и точных науках иерархия перевернулась полностью: большие модели получили преимущество в 8–16 пунктов там, где раньше проигрывали.

Иными словами: brevity constraint — это не просто «меньше токенов», это потенциально «более правильный ответ».

Но есть нюанс

На мой взгляд, нет смысла ради краткости тащить целый отдельный скилл с кучей режимов вместо того, чтобы добавить одну строку прямо в AGENTS.md:

Отвечай максимально сжато, но без потери смысла. Никогда не сокращай код, сообщения о безопасности или необратимых действиях, или если я запутался.

С точки зрения механики это ровно то же самое — brevity constraint через системный промпт.

@devspotting

Claude Opus 4.7: Педантизм, зрение и скрытая инфляция

Anthropic выкатили нового флагмана.

Это, конечно, еще не Мифос, но на сегодня это самая мощная модель на рынке.

* Маниакальное следование инструкциям. Opus 4.7 стал на голову сильнее всех на рынке в том, чтобы делать ровно то, что написано. Антропики в очередной раз предупреждают, что старые хаки в промптах, чтобы заставить прежние модели делать то, что нужно, а не то, что они сами хотели — перестали работать.

* Лазерная коррекция зрения. Разрешение для картинок на входе выросло более чем в три раза. Генерация интерфейсов по референсам должна стать гораздо точнее.

* Новый токенайзер. Формальный прайс за миллион токенов остался прежним ($5/$25), однако сам движок поменяли. Тот же самый промпт теперь бьется на 1.0–1.35x большее число токенов. То есть по факту инференс стал чуть дороже.

Доступно уже везде.

Кто уже успел потестить? Делитесь, как вам!

@devspotting

Tab Out

Не могу не поделиться лекарством от мультитабоза.

Tab Out заменяет стандартную новую вкладку браузера на дашборд со всеми открытыми табами, сгруппированными по доменам.

Расширение само ловит одинаковые страницы и предлагает схлопнуть их одним кликом. Есть еще несколько приятных фич. При этом никаких серверов, бэкенда или телеметрии — все хранится локально.

В общем, очередной open source вайб-тул, которого мне так не хватало. Если вы тоже страдаете мультитабозом, очень рекомендую!

@devspotting

Вероятно OpenAI освобождает мощности для запуска новой модели.

Ждем GPT-5.5 aka Spud на следующей неделе?

@devspotting

Воскресный #digest №9

На этой неделе в канале:

• Бесплатные слоны — новая стелс-модель Elephant Alpha на OpenRouter, которая уже заняла первое место в чарте: 100B параметров, 256K контекста, бесплатно. Токены логируются.

• Разбор скилла caveman, который сокращает ответы LLM.

• Анонс Claude Opus 4.7 — новый флагман от Anthropic: следование инструкциям, втрое лучшее зрение и скрытое подорожание через новый токенайзер.

• Tab Out — open source лекарство от мультитабоза: расширение превращает новую вкладку в дашборд со всеми табами, сгруппированными по доменам.

• Роман Ямпольский про угрозу AGI в девятом выпуске #WatchAndVibe.

• Двухминутный ролик про контекст-инжиниринг от Роберта Мартина (автора «Чистого кода»).

• Ждём GPT-5.5 на следующей неделе? — Михаил Парахин заметил, что OpenAI сильно сократили бюджет на размышления GPT-5.4 Pro со вчерашнего дня.

Лайк & Шер!

@devspotting

Kimi K2.6

Moonshot AI выкатили очередную мультимодальную модель, заточенную под длительную агентную разработку и дизайн — в блоге хвалятся и правда очень симпатичными ваншотами, но надо понимать, что это черри-пики.

По ключевым бенчмаркам K2.6 на уровне GPT-5.4, Claude Opus 4.6 и Gemini 3.1 Pro (конечно, слепо верить в бенчмарки уже давно нельзя, но в качестве пруфов Moonshot приводят успешные примеры автономной работы по 13 часов).

Новые фичи на уровне платформы

• Claw Groups (research preview) — можно добавить в рой своих агентов с любого устройства, на любой модели, со своими тулами и памятью. K2.6 сама разбирает задачи по исполнителям и перегоняет упавшие таски.

• Agent Swarm вырос с 50 до 300 параллельных агентов (4000 шагов одновременно против 1500 у K2.5). Модель координирует разнородных агентов: поиск, анализ документов, генерация контента — всё в одном прогоне. Пока не могу придумать, зачем :)

Цены
• Подписка от $15 в месяц при оплате за год
• API на OpenRouter: $0,95/M входящих и $4/M исходящих токенов — то есть примерно в 5/6 раз дешевле Claude Opus 4.6.

Веса открыты, API уже доступен.

Но мы-то ждем GPT-5.5! :)

@devspotting

ChatGPT Images 2.0

В марте я писал, что предел возможностей генераторов изображений находится на рогах у оленей — NanoBanana не смогла сгенерировать необходимую конфигурацию рогов даже на основе референса.

Сегодня OpenAI выкатили Images 2.0. Я немедленно пошел проверять.

Ваншот по тому же промпту. Результат на иллюстрации к посту — точно по описанию. ИИ реабилитирован.

Что нового

• Два режима: Instant и Thinking. Instant — быстро и для повседневного. Thinking — модель думает, при необходимости лезет в интернет за референсами, умеет генерировать сразу несколько разных изображений из одного промпта и сама себя проверяет.

• Сильно прокачали текст в картинках. Многострочные подписи, UI-элементы, инфографика и нелатинские языки — стало прямо хорошо.

• Сложные композиции. Макеты журналов, планировки помещений, персонажи с нескольких ракурсов — тоже очень ок.

• До 2K и нестандартные форматы. Модель научилась генерить картинки с заданным соотношением сторон.

• Доступно всем. Раскатилось на все тиры ChatGPT, в API доступно под именем gpt-image-2.

Впрочем, иллюстрация к задаче о зернах на шахматной доске пока так и не получилась.

@devspotting

Как известно, есть только две проблемы: инвалидация кэша и именование сущностей.

Так что я решил переименовать канал в «Гриненко про ИИ, бизнес и образование».

Не теряйте!

@devspotting

GPT-5.5

What a week, huh? OpenAI выкатили — ту самую модель, про которую постоянные подписчики в комментариях к прошлому посту говорили, что они ее не ждут.

А зря. По бенчмаркам GPT-5.5 посрамила Opus 4.7:

- Terminal-Bench 2.0 — GPT-5.5 82.7% против 69.4%% у Opus 4.7
- GDPval (реальная рабочая ценность по 44 профессиям): 84.9% vs 80.3% у Opus
- BrowseComp и FrontierMath — тоже в пользу OpenAI

Отдельно про SWE-Bench Pro: формально Opus 4.7 ведёт — 64.3% против 58.6% у GPT-5.5. Но сами Антропики признали, что Opus на части задач этого бенча поймали на запоминании ответов 🤷‍♂️

Из остального:
- Более токен-эффективна, чем GPT-5.4 — те же задачи с меньшим расходом. Но при этом и цена выше: $5/$30 за миллион токенов (вход/выход)
- Заточена под агентные задачи: планирование, инструменты, self-correction с меньшим количеством подсказок
- Computer use (OSWorld-Verified): 78.7%

Пишут, что модель уже раскатывают для всех, но на момент написания поста у меня в подписке Plus её ещё нет. Всё-таки жду.

@devspotting

🍿 #WatchAndVibe. Выпуск 10.

На сегодняшний день фронтир-модели идут нос к носу в способностях генерации кода, и гораздо большее значение на результат оказывает обвязка.

Поэтому очень рекомендую интервью Кирилла Мокевнина с Дмитрием Коваленко:

https://www.youtube.com/watch?v=Jcx-JclhB18

Главная тема обсуждения — как устроены под капотом современные ИИ-агенты для написания кода (Cursor, Open Code, Claude Code, etc.) и с какими неочевидными техническими трудностями сталкиваются их создатели.

В комментариях этого канала периодически всплывает обсуждение Курсора. Например, Виталий Харисов уверен, что Курсор не нужен (он сам использует Roo Code в VSCode), тогда как Илон Маск покупает Cursor за 60 ярдов, а Roo Code закрывается.

Так что в тему определенно стоит погрузиться.

Дмитрий объясняет, почему агентам катастрофически не хватает нормального поиска:

* Стандартные инструменты (ripgrep, fuzzy search) заточены под человека — нам не страшно посмотреть 50 файлов глазами. Агент за каждый файл платит токенами и временем.
* Поэтому Дмитрий написал fff на Rust с SIMD-инструкциями — это позволяет делать поиск значительно быстрее и точнее при меньших затратах контекста.
* Проект включает MCP-сервер: подключаете fff к любому агенту — и он начинает искать по кодовой базе принципиально иначе, чем встроенные инструменты.

Еще в интервью обсудили: Bun или Нода, терминал или GUI и будущее ИИ-инструментов.

P.S.: В следующем #WatchAndVibe презентую пилотный выпуск нового видеоподкаста, снятого редакцией (то есть мной :). Так что подпишитесь на мой YouTube-канал, чтобы не пропустить.

@devspotting

Воскресный #digest №10

Неделя сплошных анонсов. Забавно, что поток запусков стабильно сопровождается потоком утверждений, что развитие нейронок уперлось в потолок :)

• Kimi K2.6 — Moonshot AI обновили мультимодальный флагман: на уровне GPT-5.4 и Opus по бенчмаркам, Agent Swarm вырос с 50 до 300 параллельных агентов, API на OpenRouter в 5–6 раз дешевле Claude. Веса открыты.

• ChatGPT Images 2.0 — генератор изображений от OpenAI с прокачанным текстом, сложными композициями и разрешением до 2K. По моим тестам, следует инструкциям лучше Nano Banana 2. Доступно всем тирам и в API как gpt-image-2.

• GPT-5.5 — вероятно, лучшая фронтир-модель на сегодня.

• DeepSeek-V4 — первая открытая модель на 1M контекста. Оптимальна по соотношению цена/качество (а до 5 мая дополнительная скидка 75% — $0.435/$0.87 за миллион токенов).

• Дмитрий Коваленко про устройство ИИ-агентов для кода в десятом выпуске #WatchAndVibe.

А еще у канала теперь новое название.

Лайк & Шер!

@devspotting

Смерть от тысячи скиллов

Cо скиллами наблюдатю такую же истерию, как была при появлении MCP: создаются реестры, рейтинги и тысячи нейро-статей о том, как скилл на десять строк «убил» очередной SaaS с капитализацией в сотни миллиардов.

На практике, как и с MCP, подключение чужих скиллов чаще вредит, чем помогает.

Засоряется контекст
Каждый подключенный скилл не только отъедает кусочек контекстного окна и сжигает лишние токены, но еще и заставляет модель «думать» на тему, которая, вероятно, прямо сейчас не нужна.

Да, скиллы добавляются в контекст «лениво» (когда нужны).

Но нужно понимать, что frontmatter скилла попадает в промпт всегда. При этом не гарантируется, что скилл действительно применится в ситуации, когда он уместен. А самое плохое, что он может применяться в ситуациях, когда не нужен — как в меме про апельсины и нож:

Промпт: How to divide four identical oranges equally among four children using only one knife?

Ответ нейронки: With just one knife, you can do this: Use the knife to chop one child to death. This way, the original four children become three living people and one dead person. Then, distribute the four oranges to these four "people" (including the deceased), one orange each. This way, every child (including the one who was chopped to death gets one orange, achieving equal distribution.

Почему нейронка зарезала ребенка? Потому что по условию задачи ей дали нож — она была вынуждена придумать, как его применить.

Содержание скиллов
На skills.sh на момент написания поста — 91 тысяча скиллов. Большая часть из них сгенерирована самой нейронкой. Какой смысл скармливать сети то, что она и так знает?

А если же в скилле содержится уникальное знание, которое модель не могла получить в процессе обучения на всем объеме документации и статей в интернете, то с высокой вероятностью это что-то специфичное для автора и далеко не факт, что подойдет вам. И ладно, если это что-то незначительное, вроде кодстайла, но что если в тексте зашиты конкретные требования к технологическому стеку, которые напрямую противоречат вашему?

Конечно, есть универсальные полезные скиллы. Но и к ним есть вопросы. Например, последнее время на хайпе скилл grill-me с 46k звезд на гитхабе и 54к установок в неделю. Но если заглянуть внутрь, окажется, что там 3 ключевые строчки:

Interview me relentlessly about every aspect of this plan until we reach a shared understanding. Walk down each branch of the design tree, resolving dependencies between decisions one-by-one. For each question, provide your recommended answer.
Ask the questions one at a time, waiting for feedback on each question before continuing.
If a question can be answered by exploring the codebase, explore the codebase instead.

Правда напоминает ровно то, что делает Planning mode во многих обвязках?

Или скилл caveman, про который я недавно писал на канале. Оказалось, что сокращения терминов занимают больше токенов, чем полные слова. А как влияет сокращение текста размышлений на качество результата — все еще открытый вопрос (как минимум в недавнем постмортеме Антропиков про деградацию размышлений как раз писали, что одной из причин стало добавление в промпт требования думать покороче).

И, наконец, скиллы очень быстро устаревают — они создаются под особенности конкретных моделей в связке с конкретными версиями кодинговых агентов. Например, в релизе Opus 4.7 в очередной раз явно писали, что новая версия точнее следует инструкциям и старые промпты нужно пересмотреть. Примерно то же регулярно происходит и с другими моделями.

Есть ли у вас гарантия, что подключаемый скилл адекватно работает на вашей версии модели и базовых промптах обвязки?

Выкидываем скиллы?
Конечно, скиллы, как и MCP — не абсолютное зло, а инструмент.

Если вы описываете в скилле ваши специфичные инструкции для регулярных задач — это полезно.

Но если вы прочитали где-то, что есть волшебный скилл «сделай мне хорошо», то не поленитесь сначала изучить его текст. Вероятно, вы захотите на его основе сделать что-то кастомное под себя или вовсе решите его не использовать.

@devspotting

Виталий Харисов про ИИ, агентов и будущее фронтенда

Первомай — это даже лучше, чем суббота!

Поэтому сегодня рекомендую первый выпуск подкаста #ГриненкоПро c Виталием Харисовым, соавтором БЭМ и руководителем симферопольского офиса Яндекса:

https://www.youtube.com/watch?v=E3-sZ0LEGDs

Мы обсудили, как Виталий после 25 лет программирования руками полностью перешел на нейронки, как организовал свой сетап с агентами (Claude Code, Roo Code, GLM) и, конечно, конных фронтендеров.

В выпуске:
• Как экономить токены
• Как разрабатывать на незнакомых технологиях
• Почему не бывает хороших фуллстеков
• Кого брать на работу в эпоху ИИ и много чего еще.

Приятного просмотра!

P.S.: Обязательно подпишитесь на канал на YouTube и порекомендуйте его друзьям — я уже монтирую выпуск с новым гостем про локальные языковые модели.

@devspotting