🧠 Огляд моделей ChatGPT у 2025
Яку модель обрати саме під твої задачі?
Сьогодні ChatGPT — це не одна модель, а цілий набір спеціалізованих інструментів. Кожна — зі своїм характером, перевагами й оптимізацією.
🔍 Щоб отримати максимум від AI — важливо розуміти, яку модель коли використовувати.
🔷 GPT‑4o (Omni)
Коли потрібна універсальність і швидкість
Тип задач: повсякденне використання: багатоформатні запити, швидка взаємодія, зображення + текст, PDF + аудіо. Ця модель — як швейцарський ніж: універсальна, гнучка, ідеальна для multitool-задач.
🔍 Добре підходить для:
– перегляду й аналізу PDF-документів
– розпізнавання графіків на зображеннях
– генерації ідей або зображень
– голосових команд і діалогів
🧪 Приклад: витягнути суть із презентації, відповісти на аудіозапит, пояснити схему з фото
⚙️ o3 та o3‑mini
Глибока аналітика та багатоступенева логіка
Тип задач: коли важлива не просто відповідь, а хід мислення. Якщо ти працюєш зі складними системами, де потрібно аналізувати умови, зв’язки, обрахунки — ця модель мислить як дослідник.
🔍 Добре підходить для:
– задач із кодом, де важлива логіка, а не шаблон
– математичних доказів
– обґрунтування рішень із кількома змінними
– глибокого аналізу медичних, фінансових чи юридичних даних
🧪 Приклад: пояснення алгоритму, аудит юридичної логіки, рефакторинг функції зі складними залежностями
mini‑версія — чудовий варіант, якщо треба зекономити без втрати глибини
⚡️ o4‑mini
Якщо треба обробити 100 запитів на годину — це твій вибір
Тип задач: коли важливі масштаб, ефективність і продуктивність. Якщо ти працюєш з великими таблицями, звітами, швидко готуєш інсайти з raw‑даних — ця модель дозволяє “пропускати” масиви через фільтр логіки.
🔍 Добре підходить для:
– масової обробки датасетів
– порівняння фінзвітності
– SQL-аналітики, створення запитів
– швидкої генерації висновків по табличним шаблонам
🧪 Приклад: аналіз Excel з 5 вкладками, фільтрація відхилень у графіку продажів, створення запиту до бази по 3 параметрах
🧬 GPT‑4.5 (Research Preview)
Якщо потрібно, щоб AI “відчував” — це вона
Тип задач: коли тобі важливо не тільки передати інформацію, а викликати емоцію, довіру, зацікавлення. Ця модель формулює так, як хороший копірайтер або HR: м’яко, людяно, з інтуїтивною стилістикою.
🔍 Добре підходить для:
– написання есе, мотиваційних листів, HR‑оголошень
– адаптації стилю під бренд або тон комунікації
– генерації креативних ідей для текстів
🧪 Приклад: мотиваційний лист у європейський університет, стаття для блогу, емпатичний email з відмовою
👨💻 GPT‑4.1
Інструмент для великих і складних проєктів
Тип задач: коли працюєш із технічними документами, кодом або довгими інструкціями — і хочеш, щоб AI не втратив жодної деталі. Це “інженер” серед моделей.
🔍 Добре підходить для:
– створення технічної документації
– написання API‑інструкцій
– генерації логіки в складних проєктах
🧪 Приклад: мануал на 60 сторінок, обробка XML, архітектура фронт+бек
🚀 GPT‑4.1 mini
Сила GPT‑4.1, але економніше і швидше
Тип задач: коли потрібен великий контекст і технічна точність без затримок і зайвих витрат.
🔍 Добре підходить для:
– створення резюме, технічних email
– шаблонів, інструкцій, невеликих бекенд‑модулів
🧪 Приклад: REST‑ендпойнт, коротке ТЗ, генерація документації
📦 GPT‑4.1 nano
Максимальна продуктивність на мінімальному бюджеті
Тип задач: автоматизація простої рутини або інтеграція у фонові системи. Nano — твій мовчазний асистент для масових задач.
🔍 Добре підходить для:
– класифікації запитів
– автозаповнення форм
– базових чат-ботів
🧪 Приклад: бот для FAQ, сортування звернень, генерація коротких відповідей
🧩 Висновок:
Обирай модель — як інструмент: іноді потрібен універсальний асистент, а іноді — точний хірург. І це не про моду, а про ефективність.
🔔 ПІДПИСАТИСЯ
Яку модель обрати саме під твої задачі?
Сьогодні ChatGPT — це не одна модель, а цілий набір спеціалізованих інструментів. Кожна — зі своїм характером, перевагами й оптимізацією.
🔍 Щоб отримати максимум від AI — важливо розуміти, яку модель коли використовувати.
🔷 GPT‑4o (Omni)
Коли потрібна універсальність і швидкість
Тип задач: повсякденне використання: багатоформатні запити, швидка взаємодія, зображення + текст, PDF + аудіо. Ця модель — як швейцарський ніж: універсальна, гнучка, ідеальна для multitool-задач.
🔍 Добре підходить для:
– перегляду й аналізу PDF-документів
– розпізнавання графіків на зображеннях
– генерації ідей або зображень
– голосових команд і діалогів
🧪 Приклад: витягнути суть із презентації, відповісти на аудіозапит, пояснити схему з фото
⚙️ o3 та o3‑mini
Глибока аналітика та багатоступенева логіка
Тип задач: коли важлива не просто відповідь, а хід мислення. Якщо ти працюєш зі складними системами, де потрібно аналізувати умови, зв’язки, обрахунки — ця модель мислить як дослідник.
🔍 Добре підходить для:
– задач із кодом, де важлива логіка, а не шаблон
– математичних доказів
– обґрунтування рішень із кількома змінними
– глибокого аналізу медичних, фінансових чи юридичних даних
🧪 Приклад: пояснення алгоритму, аудит юридичної логіки, рефакторинг функції зі складними залежностями
mini‑версія — чудовий варіант, якщо треба зекономити без втрати глибини
⚡️ o4‑mini
Якщо треба обробити 100 запитів на годину — це твій вибір
Тип задач: коли важливі масштаб, ефективність і продуктивність. Якщо ти працюєш з великими таблицями, звітами, швидко готуєш інсайти з raw‑даних — ця модель дозволяє “пропускати” масиви через фільтр логіки.
🔍 Добре підходить для:
– масової обробки датасетів
– порівняння фінзвітності
– SQL-аналітики, створення запитів
– швидкої генерації висновків по табличним шаблонам
🧪 Приклад: аналіз Excel з 5 вкладками, фільтрація відхилень у графіку продажів, створення запиту до бази по 3 параметрах
🧬 GPT‑4.5 (Research Preview)
Якщо потрібно, щоб AI “відчував” — це вона
Тип задач: коли тобі важливо не тільки передати інформацію, а викликати емоцію, довіру, зацікавлення. Ця модель формулює так, як хороший копірайтер або HR: м’яко, людяно, з інтуїтивною стилістикою.
🔍 Добре підходить для:
– написання есе, мотиваційних листів, HR‑оголошень
– адаптації стилю під бренд або тон комунікації
– генерації креативних ідей для текстів
🧪 Приклад: мотиваційний лист у європейський університет, стаття для блогу, емпатичний email з відмовою
👨💻 GPT‑4.1
Інструмент для великих і складних проєктів
Тип задач: коли працюєш із технічними документами, кодом або довгими інструкціями — і хочеш, щоб AI не втратив жодної деталі. Це “інженер” серед моделей.
🔍 Добре підходить для:
– створення технічної документації
– написання API‑інструкцій
– генерації логіки в складних проєктах
🧪 Приклад: мануал на 60 сторінок, обробка XML, архітектура фронт+бек
🚀 GPT‑4.1 mini
Сила GPT‑4.1, але економніше і швидше
Тип задач: коли потрібен великий контекст і технічна точність без затримок і зайвих витрат.
🔍 Добре підходить для:
– створення резюме, технічних email
– шаблонів, інструкцій, невеликих бекенд‑модулів
🧪 Приклад: REST‑ендпойнт, коротке ТЗ, генерація документації
📦 GPT‑4.1 nano
Максимальна продуктивність на мінімальному бюджеті
Тип задач: автоматизація простої рутини або інтеграція у фонові системи. Nano — твій мовчазний асистент для масових задач.
🔍 Добре підходить для:
– класифікації запитів
– автозаповнення форм
– базових чат-ботів
🧪 Приклад: бот для FAQ, сортування звернень, генерація коротких відповідей
🧩 Висновок:
Обирай модель — як інструмент: іноді потрібен універсальний асистент, а іноді — точний хірург. І це не про моду, а про ефективність.
🔔 ПІДПИСАТИСЯ
👍7
📎 А як Study Mode працює під капотом?
У попередньому дописі я писав, що Study Mode — це не нова модель, а зміна системних інструкцій.
Але логічне питання: як саме він тоді працює?
Насправді, усі режими — такі як Web Search, Deep Research чи навіть інструменти на кшталт “Data Analyst” — це просто добре сформульовані промпти, які дають моделі чіткі інструкції щодо стилю відповіді та ролі.
Study Mode не став винятком.
Simon Willison у своєму пості докладно розповів, що саме відбувається в цьому режимі — і я спробую пояснити це просто 👇
🧠 Study Mode — це не нова модель, а режим мислення, заданий через системний промпт
ChatGPT у цьому режимі діє за спеціальним “скриптом”. Ось приклад частини інструкцій:
📌 Що це означає?
Модель залишилась тією ж. Але її “поведінку” спрямували вчительським стилем за допомогою системного промпта.
Немає нових параметрів чи архітектури. Є лише добре сформульована інструкція.
🔁 Висновок:
➡️ Study Mode = результат правильного інструктажу для моделі.
➡️ Це ще раз доводить: prompt інжиніринг — ключ до якісного результату.
➡️ Хто вміє ставити питання — той отримує зовсім інший рівень GPT.
⚡️ Що далі?
У наступному пості я покажу, як формувати ефективні промпти, щоб навіть без Study Mode змусити ChatGPT працювати як персональний ментор, стратег або технічний тренер.
Уміння формулювати запит — і не просто запит, а структуровано й з урахуванням логіки роботи LLM‑моделі — стає ключовим навиком сьогоднi та наступнi роки.
Від того, як саме ви ставите питання, залежить, наскільки ефективно ви використовуватимете ці моделі в роботі, навчанні чи бізнесі.
📌 Постав 👍 , якщо чекаєш наступний пост і хочеш конкретні приклади для себе.
🔔 ПІДПИСАТИСЯ
У попередньому дописі я писав, що Study Mode — це не нова модель, а зміна системних інструкцій.
Але логічне питання: як саме він тоді працює?
Насправді, усі режими — такі як Web Search, Deep Research чи навіть інструменти на кшталт “Data Analyst” — це просто добре сформульовані промпти, які дають моделі чіткі інструкції щодо стилю відповіді та ролі.
Study Mode не став винятком.
Simon Willison у своєму пості докладно розповів, що саме відбувається в цьому режимі — і я спробую пояснити це просто 👇
🧠 Study Mode — це не нова модель, а режим мислення, заданий через системний промпт
ChatGPT у цьому режимі діє за спеціальним “скриптом”. Ось приклад частини інструкцій:
Be an approachable yet dynamic teacher...
Ask about goals and current understanding.
Use questions and hints rather than giving direct answers.
Let the user discover the answer themselves.
📌 Що це означає?
Модель залишилась тією ж. Але її “поведінку” спрямували вчительським стилем за допомогою системного промпта.
Немає нових параметрів чи архітектури. Є лише добре сформульована інструкція.
🔁 Висновок:
➡️ Study Mode = результат правильного інструктажу для моделі.
➡️ Це ще раз доводить: prompt інжиніринг — ключ до якісного результату.
➡️ Хто вміє ставити питання — той отримує зовсім інший рівень GPT.
⚡️ Що далі?
У наступному пості я покажу, як формувати ефективні промпти, щоб навіть без Study Mode змусити ChatGPT працювати як персональний ментор, стратег або технічний тренер.
Уміння формулювати запит — і не просто запит, а структуровано й з урахуванням логіки роботи LLM‑моделі — стає ключовим навиком сьогоднi та наступнi роки.
Від того, як саме ви ставите питання, залежить, наскільки ефективно ви використовуватимете ці моделі в роботі, навчанні чи бізнесі.
📌 Постав 👍 , якщо чекаєш наступний пост і хочеш конкретні приклади для себе.
🔔 ПІДПИСАТИСЯ
👍9❤2👏1
🧠 Яку модель ChatGPT обрати у 2025?
Розбираємося по-простому: коли краще 4o, коли — mini, а коли — o3 чи GPT‑4.5.
У попередньому пості ми розглянули більшість моделей від OpenAI. Але, погодься, навіть після детального огляду лишається головне питання:
як зрозуміти, яку саме модель обрати під свою задачу?
Ти здивуєшся, але навіть якщо запитати сам ChatGPT, яка модель підходить найкраще — чіткої відповіді не буде. Це як питати в людини: «Хто ти?» або «Навіщо ти тут?» — екзистенційне питання, на яке краще знає відповідь творець, а не творіння.
Щоб зробити усе простіше, розділимо моделі на дві великі групи:
🔹 Mini‑моделі — їхня справжня сила розкривається через API: дешевші, швидші, ідеальні для інтеграцій, автоматизації та технічних рішень.
🔹 Універсальні моделі — це ті, з якими працюють більшість користувачів у веб-інтерфейсі або мобільному застосунку: GPT‑4o, o3, GPT‑4.5.
Далі — саме про те, чим вони відрізняються, у чому їх сила, і як правильно обрати під свої задачі 👇
🖥 Якщо ти користуєшся ChatGPT через сайт або мобільний застосунок
(тобто Web‑інтерфейс, без програмування)
🔹 GPT‑4o — універсальний солдат
▪️ Найкраща для повсякденних задач: зображення, PDF, таблиці, голос
▪️ Миттєва відповідь, багатоформатність
🧪 Приклад: “Проаналізуй PDF”, “Що на цьому графіку?”, “Склади резюме”
🔹 o3 — якщо потрібна глибина й логіка
▪️ Вміє “думати поетапно”, добре справляється з кодом і аналітикою
🧪 Приклад: “Поясни алгоритм”, “Перевір логіку в юридичному документі”
🔹 GPT‑4.5 — для текстів з душею
▪️ Відмінна стилістика, м’яка подача, близька до людської
🧪 Приклад: “Напиши мотиваційний лист”, “Зроби пост для HR-блогу”
⚙️ А якщо ти інженер, розробник або створюєш AI-системи?
(тобто використовуєш API, інтеграції, автоматизацію)
🔸 Тут варто подивитися на mini‑моделі — вони вражають ефективністю:
🔹 GPT‑4o mini — обробка зображень, голосу, таблиць у додатку
🔹 GPT‑4.1 mini — генерація інструкцій, резюме, технічних шаблонів
🔹 GPT‑4.1 nano — найшвидша й найдешевша: ідеальна для автозаповнення, FAQ‑ботів, звернення за 0.3 сек
🔹 o4‑mini — аналітика таблиць, SQL, масових звітів
📊 Працюєш з таблицями, графіками або файлами даних?
Тут головне — не просто “бачити” дані, а розуміти їхню суть і витягувати потрібне.
Ось як обрати модель залежно від типу даних 👇
🔷 Якщо маєш PDF, скріншоти або графіки
🔹 GPT‑4o — розуміє зображення, діаграми, скановані документи
🧪 Приклади запитів:
▫️ “Що показує цей графік?”
▫️ “Який тренд видно на діаграмі?”
🔷 Якщо маєш Excel, Google Sheets або CSV
🔹 GPT‑4o (з Advanced Data Analysis) або o4‑mini — аналізують таблиці, рахують, будують звіти
🧪 Приклади:
▫️ “Порахуй середнє по кожному стовпчику”
▫️ “Знайди аномалії у витратах за тиждень”
▫️ “Побудуй короткий підсумок по таблиці”
🔷 Якщо в тебе складна аналітична задача на текстових даних
🔹 o3 — логічне міркування, багатокрокові запити, пояснення формул
🧪 Приклади:
▫️ “Поясни логіку цієї фінансової формули”
▫️ “Чи узгоджується цей звіт з наведеними цифрами?”
▫️ “Перевір обґрунтованість висновків у документі”
🔷 Якщо обʼєми даних великі (сотні тисяч рядків, інтеграції через API)
🔹 GPT‑4.1 mini або o4‑mini — для швидкої, масштабної аналітики
🧪 Приклади:
▫️ “Оброби 100 тис. рядків CSV і знайди помилки”
▫️ “Класифікуй записи за шаблоном”
▫️ “Порахуйте середнє по кожній групі в базі SQL”
💡 Підсумок:
👉 GPT‑4o — універсальний асистент через Web чи mobile app
👉 o3 — складні логічні задачі
👉 GPT‑4.5 — стиль, тексти, презентації
👉 mini‑моделі — потужність через API: дешево, швидко, масово
👉 nano — ідеальна модель для інтеграцій і ботів
✅ Став 👍 якщо хочеш більше постів.
💬 Хочеш окремий гайд по mini‑моделях або API? Напиши "API!" 👇
🔔 ПІДПИСАТИСЯ
Розбираємося по-простому: коли краще 4o, коли — mini, а коли — o3 чи GPT‑4.5.
У попередньому пості ми розглянули більшість моделей від OpenAI. Але, погодься, навіть після детального огляду лишається головне питання:
як зрозуміти, яку саме модель обрати під свою задачу?
Ти здивуєшся, але навіть якщо запитати сам ChatGPT, яка модель підходить найкраще — чіткої відповіді не буде. Це як питати в людини: «Хто ти?» або «Навіщо ти тут?» — екзистенційне питання, на яке краще знає відповідь творець, а не творіння.
Щоб зробити усе простіше, розділимо моделі на дві великі групи:
🔹 Mini‑моделі — їхня справжня сила розкривається через API: дешевші, швидші, ідеальні для інтеграцій, автоматизації та технічних рішень.
🔹 Універсальні моделі — це ті, з якими працюють більшість користувачів у веб-інтерфейсі або мобільному застосунку: GPT‑4o, o3, GPT‑4.5.
Далі — саме про те, чим вони відрізняються, у чому їх сила, і як правильно обрати під свої задачі 👇
🖥 Якщо ти користуєшся ChatGPT через сайт або мобільний застосунок
(тобто Web‑інтерфейс, без програмування)
🔹 GPT‑4o — універсальний солдат
▪️ Найкраща для повсякденних задач: зображення, PDF, таблиці, голос
▪️ Миттєва відповідь, багатоформатність
🧪 Приклад: “Проаналізуй PDF”, “Що на цьому графіку?”, “Склади резюме”
🔹 o3 — якщо потрібна глибина й логіка
▪️ Вміє “думати поетапно”, добре справляється з кодом і аналітикою
🧪 Приклад: “Поясни алгоритм”, “Перевір логіку в юридичному документі”
🔹 GPT‑4.5 — для текстів з душею
▪️ Відмінна стилістика, м’яка подача, близька до людської
🧪 Приклад: “Напиши мотиваційний лист”, “Зроби пост для HR-блогу”
⚙️ А якщо ти інженер, розробник або створюєш AI-системи?
(тобто використовуєш API, інтеграції, автоматизацію)
🔸 Тут варто подивитися на mini‑моделі — вони вражають ефективністю:
🔹 GPT‑4o mini — обробка зображень, голосу, таблиць у додатку
🔹 GPT‑4.1 mini — генерація інструкцій, резюме, технічних шаблонів
🔹 GPT‑4.1 nano — найшвидша й найдешевша: ідеальна для автозаповнення, FAQ‑ботів, звернення за 0.3 сек
🔹 o4‑mini — аналітика таблиць, SQL, масових звітів
📊 Працюєш з таблицями, графіками або файлами даних?
Тут головне — не просто “бачити” дані, а розуміти їхню суть і витягувати потрібне.
Ось як обрати модель залежно від типу даних 👇
🔷 Якщо маєш PDF, скріншоти або графіки
🔹 GPT‑4o — розуміє зображення, діаграми, скановані документи
🧪 Приклади запитів:
▫️ “Що показує цей графік?”
▫️ “Який тренд видно на діаграмі?”
🔷 Якщо маєш Excel, Google Sheets або CSV
🔹 GPT‑4o (з Advanced Data Analysis) або o4‑mini — аналізують таблиці, рахують, будують звіти
🧪 Приклади:
▫️ “Порахуй середнє по кожному стовпчику”
▫️ “Знайди аномалії у витратах за тиждень”
▫️ “Побудуй короткий підсумок по таблиці”
🔷 Якщо в тебе складна аналітична задача на текстових даних
🔹 o3 — логічне міркування, багатокрокові запити, пояснення формул
🧪 Приклади:
▫️ “Поясни логіку цієї фінансової формули”
▫️ “Чи узгоджується цей звіт з наведеними цифрами?”
▫️ “Перевір обґрунтованість висновків у документі”
🔷 Якщо обʼєми даних великі (сотні тисяч рядків, інтеграції через API)
🔹 GPT‑4.1 mini або o4‑mini — для швидкої, масштабної аналітики
🧪 Приклади:
▫️ “Оброби 100 тис. рядків CSV і знайди помилки”
▫️ “Класифікуй записи за шаблоном”
▫️ “Порахуйте середнє по кожній групі в базі SQL”
💡 Підсумок:
👉 GPT‑4o — універсальний асистент через Web чи mobile app
👉 o3 — складні логічні задачі
👉 GPT‑4.5 — стиль, тексти, презентації
👉 mini‑моделі — потужність через API: дешево, швидко, масово
👉 nano — ідеальна модель для інтеграцій і ботів
✅ Став 👍 якщо хочеш більше постів.
💬 Хочеш окремий гайд по mini‑моделях або API? Напиши "API!" 👇
🔔 ПІДПИСАТИСЯ
👍11👏1
📌 Prompt тижня: Give me the 80/20 of ...
🎯 Хочеш швидко розібратись у складній темі? Спробуй цей prompt в ChatGPT:
👉 Give me the 80/20 of [тема]
Тема може бути будь-яка: штучний інтелект, маркетинг, правопис, створення Telegram‑ботів — що тобі актуально.
Модель видасть тільки найважливіше: 20% того, що дає 80% результату.
📎 Що зробити:
1️⃣ Напиши цей запит у чат
2️⃣ Прочитай відповідь
3️⃣ Запитай: “Поясни пункт 2 детальніше” — і копай глибше
🧪 Приклад:
👨🏫 Завдання:
Використовуй цей prompt щодня протягом тижня — на різні теми.
Ти здивуєшся, скільки всього зможеш зрозуміти значно швидше.
🔔 ПІДПИСАТИСЯ
🎯 Хочеш швидко розібратись у складній темі? Спробуй цей prompt в ChatGPT:
👉 Give me the 80/20 of [тема]
Тема може бути будь-яка: штучний інтелект, маркетинг, правопис, створення Telegram‑ботів — що тобі актуально.
Модель видасть тільки найважливіше: 20% того, що дає 80% результату.
📎 Що зробити:
1️⃣ Напиши цей запит у чат
2️⃣ Прочитай відповідь
3️⃣ Запитай: “Поясни пункт 2 детальніше” — і копай глибше
🧪 Приклад:
Give me the 80/20 of розумінні психології Юнга Give me the 80/20 of вживанні Present Perfect в англійській👨🏫 Завдання:
Використовуй цей prompt щодня протягом тижня — на різні теми.
Ти здивуєшся, скільки всього зможеш зрозуміти значно швидше.
🔔 ПІДПИСАТИСЯ
❤7👍3👏3
🧮 Що таке токени — і чому це важливо?
У попередніх постах ми вже детально розібрали моделі від OpenAI і важливість промптингу — як правильно формулювати запити, щоб отримати найкращий результат у роботі з текстом, таблицями, кодом чи PDF.
Однак для якісного й ефективного використання LLM‑моделей є ще одна критично важлива характеристика, яку обов’язково потрібно враховувати — це обʼєм контексту.
Ти, мабуть, бачив у характеристиках моделей фрази на кшталт “контекст 128 000 токенів” — але що це означає на практиці? Як це впливає на твої запити, файли й результат?
Розбираємося просто 👇
🔹 1 токен ≈ ¾ слова
Тобто:
▫️ “ChatGPT — це цікаво” → ≈ 4 токени
▫️ Один абзац тексту — ≈ 20–40 токенів
▫️ Сторінка A4 — ≈ 500–600 токенів
🔹 GPT‑4o, o3, o4‑mini — до 128 000 токенів
🔹 GPT‑4.1, mini, nano — до 1 000 000 токенів
🧠 Що це означає?
Чим більший контекст — тим більше інформації модель може «тримати в голові» одночасно: цілу книжку, технічний мануал або десятки сторінок з аналітикою.
Коли це корисно?
📄 Ти імпортуєш середній документ (до 100 сторінок, ~50–60 тис. токенів)
📘 Приклад:
У тебе технічна документація чи юридичний документ на 80 сторінок (PDF), і потрібно:
👉 «Поясни, як працює розділ авторизації»
👉 «Знайди конфлікти між розділом 3 і 7»
👉 «Витягни всі умови щодо неустойки й штрафів»
👉 «Які пункти можуть бути суперечливими для другої сторони?»
📌 Вистачає GPT‑4o (до 128k токенів)
🔧 Можна обробити документ прямо в ChatGPT без API
📄 Великий документ або база знань (200–400 сторінок, >150 тис. токенів)
📘 Приклад:
Є методичка, мануал або повна продуктова база на 300+ сторінок.
→ Потрібно витягти всі процеси, повʼязані з техпідтримкою, з усіх розділів.
📌 Тут GPT‑4o не впорається (перевищено 128k)
✅ Використовуй GPT‑4.1 mini або nano через API — вони «бачать» до 1 млн токенів
📊 Велика таблиця (200–500 тис. рядків)
📘 Приклад:
Завантажив лог-файл у CSV з 450 тис. рядків. Хочеш:
👉 «Знайди помилки, які повторювались ночами у вихідні»
👉 «Знайди IP-адреси, що викликали аномальну активність»
📌 GPT‑4o — не вистачить контексту
✅ GPT‑4.1 mini (API) або o4-mini з розбиттям таблиці на блоки
Порада:
▪️ Якщо файл короткий → GPT‑4o
▪️ Якщо файл великий → GPT‑4.1 mini або nano
✍️ Хочеш гайд по токенах у prompt-інженерії чи для API? Напиши “токени!” у коментарях 👇
🔔 ПІДПИСАТИСЯ
У попередніх постах ми вже детально розібрали моделі від OpenAI і важливість промптингу — як правильно формулювати запити, щоб отримати найкращий результат у роботі з текстом, таблицями, кодом чи PDF.
Однак для якісного й ефективного використання LLM‑моделей є ще одна критично важлива характеристика, яку обов’язково потрібно враховувати — це обʼєм контексту.
Ти, мабуть, бачив у характеристиках моделей фрази на кшталт “контекст 128 000 токенів” — але що це означає на практиці? Як це впливає на твої запити, файли й результат?
Розбираємося просто 👇
🔹 1 токен ≈ ¾ слова
Тобто:
▫️ “ChatGPT — це цікаво” → ≈ 4 токени
▫️ Один абзац тексту — ≈ 20–40 токенів
▫️ Сторінка A4 — ≈ 500–600 токенів
🔹 GPT‑4o, o3, o4‑mini — до 128 000 токенів
🔹 GPT‑4.1, mini, nano — до 1 000 000 токенів
🧠 Що це означає?
Чим більший контекст — тим більше інформації модель може «тримати в голові» одночасно: цілу книжку, технічний мануал або десятки сторінок з аналітикою.
Коли це корисно?
📄 Ти імпортуєш середній документ (до 100 сторінок, ~50–60 тис. токенів)
📘 Приклад:
У тебе технічна документація чи юридичний документ на 80 сторінок (PDF), і потрібно:
👉 «Поясни, як працює розділ авторизації»
👉 «Знайди конфлікти між розділом 3 і 7»
👉 «Витягни всі умови щодо неустойки й штрафів»
👉 «Які пункти можуть бути суперечливими для другої сторони?»
📌 Вистачає GPT‑4o (до 128k токенів)
🔧 Можна обробити документ прямо в ChatGPT без API
📄 Великий документ або база знань (200–400 сторінок, >150 тис. токенів)
📘 Приклад:
Є методичка, мануал або повна продуктова база на 300+ сторінок.
→ Потрібно витягти всі процеси, повʼязані з техпідтримкою, з усіх розділів.
📌 Тут GPT‑4o не впорається (перевищено 128k)
✅ Використовуй GPT‑4.1 mini або nano через API — вони «бачать» до 1 млн токенів
📊 Велика таблиця (200–500 тис. рядків)
📘 Приклад:
Завантажив лог-файл у CSV з 450 тис. рядків. Хочеш:
👉 «Знайди помилки, які повторювались ночами у вихідні»
👉 «Знайди IP-адреси, що викликали аномальну активність»
📌 GPT‑4o — не вистачить контексту
✅ GPT‑4.1 mini (API) або o4-mini з розбиттям таблиці на блоки
Порада:
▪️ Якщо файл короткий → GPT‑4o
▪️ Якщо файл великий → GPT‑4.1 mini або nano
✍️ Хочеш гайд по токенах у prompt-інженерії чи для API? Напиши “токени!” у коментарях 👇
🔔 ПІДПИСАТИСЯ
👍10🔥3❤1
👋 Вітаю, друзі!
Щиро дякую за вашу активність у коментарях та реакціях 💬🔥
Багато хто з вас просив гайди:
— як працювати з mini-моделями через API
— як ефективно використовувати токени у prompt-інженерії
🛠 Я обов’язково все підготую — і ви отримаєте покрокові інструкції.
Але оскільки у вас різний рівень підготовки, щоб ми всі були на одній хвилі, я спершу розповім про інші важливі концепції, які допоможуть краще зрозуміти, як працюють сучасні LLM.
💡 Наприклад:
— чим відрізняється “памʼять” моделі від її “мислення”
— як довжина промпта впливає на якість відповіді
— і чому деякі запити працюють краще через 3 кроки, ніж за один
📚 Усе це — фундамент, на якому базується якісний prompt engineering.
Про це й поговоримо у наступних постах 👇
💬 Ще раз дякую за ваші цікаві запитання!
Якщо хочете більше корисного — ставте реакції й пишіть у коментарях, що саме для вас актуально. Це допомагає мені робити канал ціннішим саме для вас ❤️
Щиро дякую за вашу активність у коментарях та реакціях 💬🔥
Багато хто з вас просив гайди:
— як працювати з mini-моделями через API
— як ефективно використовувати токени у prompt-інженерії
🛠 Я обов’язково все підготую — і ви отримаєте покрокові інструкції.
Але оскільки у вас різний рівень підготовки, щоб ми всі були на одній хвилі, я спершу розповім про інші важливі концепції, які допоможуть краще зрозуміти, як працюють сучасні LLM.
💡 Наприклад:
— чим відрізняється “памʼять” моделі від її “мислення”
— як довжина промпта впливає на якість відповіді
— і чому деякі запити працюють краще через 3 кроки, ніж за один
📚 Усе це — фундамент, на якому базується якісний prompt engineering.
Про це й поговоримо у наступних постах 👇
💬 Ще раз дякую за ваші цікаві запитання!
Якщо хочете більше корисного — ставте реакції й пишіть у коментарях, що саме для вас актуально. Це допомагає мені робити канал ціннішим саме для вас ❤️
👍16
🧠 Довжина контексту ≠ Глибина мислення
Багато хто думає:
“У цієї моделі 1 мільйон токенів — отже, вона розумніша”.
❌ Насправді це не так.
Давайте розберемось 👇
🔸 Довжина контексту або context window — це обсяг інформації, яку модель може “тримати в памʼяті” під час роботи з вашим запитом.
▫️ GPT‑4o: до 128 000 токенів
▫️ GPT‑4.1 mini: до 1 000 000 токенів
📌 Якщо ваш prompt або документ перевищує цей ліміт, модель починає “забувати” початок або просто ігнорувати частину даних — і це може критично вплинути на відповідь.
🔸 Глибина мислення — це наскільки добре модель вміє аналізувати, робити логічні висновки, порівнювати та узагальнювати.
🧪 Приклад:
📄 Ви даєте PDF на 30 сторінок — це ≈ 25 000 токенів.
Обидві моделі справляються з обсягом.
🔹 Але GPT‑4o краще побачить звʼязки між розділами, графіками, коментарями.
🔹 А mini — просто «запамʼятає» більше, але не факт, що зробить правильні висновки.
Запамʼятай:
🔸 Контекст — це памʼять
🔸 Мислення — це здатність до міркування
І це не одне й те саме.
✅ Став 👍 якщо було корисно
🔔 ПІДПИСАТИСЯ
Багато хто думає:
“У цієї моделі 1 мільйон токенів — отже, вона розумніша”.
❌ Насправді це не так.
Давайте розберемось 👇
🔸 Довжина контексту або context window — це обсяг інформації, яку модель може “тримати в памʼяті” під час роботи з вашим запитом.
▫️ GPT‑4o: до 128 000 токенів
▫️ GPT‑4.1 mini: до 1 000 000 токенів
📌 Якщо ваш prompt або документ перевищує цей ліміт, модель починає “забувати” початок або просто ігнорувати частину даних — і це може критично вплинути на відповідь.
🔸 Глибина мислення — це наскільки добре модель вміє аналізувати, робити логічні висновки, порівнювати та узагальнювати.
🧪 Приклад:
📄 Ви даєте PDF на 30 сторінок — це ≈ 25 000 токенів.
Обидві моделі справляються з обсягом.
🔹 Але GPT‑4o краще побачить звʼязки між розділами, графіками, коментарями.
🔹 А mini — просто «запамʼятає» більше, але не факт, що зробить правильні висновки.
Запамʼятай:
🔸 Контекст — це памʼять
🔸 Мислення — це здатність до міркування
І це не одне й те саме.
✅ Став 👍 якщо було корисно
🔔 ПІДПИСАТИСЯ
1👍14❤2🔥2
🚀 OpenAI виклала у відкритий доступ свої перші великі моделі!
Так, це не жарт — gpt-oss-120b і gpt-oss-20b уже доступні з відкритими вагами 💥
🔹 120B — надпотужна, вже доступна через OpenRouter
🔹 20B — можна запускати локально, навіть на MacBook Pro чи RTX 3090ti
🧪 Я вже скачав і провів кілька експериментів із gpt-oss-120b — результати вражають, хоча повну картину покажуть незалежні бенчмарки.
📦 Завантажити моделі:
🔗 gpt-oss-20b (HuggingFace) — для локального запуску (через Ollama / LM Studio / llama.cpp)
🔗 gpt-oss-120b (HuggingFace) — для досліджень і API через OpenRouter
🧠 Важливий контекст:
Це не GPT-5 і не «нова ера інтелекту». Це швидше, доступніше і контрольоване.
LLM-потенціал вже наближається до межі — просто тепер він у твоїх руках.
🔥 Чому це стратегічно важливо?
✅ Зміцнення open-source-екосистеми
✅ Атака на BigTech-монополії
✅ Перехід OpenAI у консалтингову AI-гру: модель — безкоштовно, інтеграція — за гроші
🔎 Хто вже тестував 20B? Чи хоче? Якi враження?
🔔 ПІДПИСАТИСЯ
Так, це не жарт — gpt-oss-120b і gpt-oss-20b уже доступні з відкритими вагами 💥
🔹 120B — надпотужна, вже доступна через OpenRouter
🔹 20B — можна запускати локально, навіть на MacBook Pro чи RTX 3090ti
🧪 Я вже скачав і провів кілька експериментів із gpt-oss-120b — результати вражають, хоча повну картину покажуть незалежні бенчмарки.
📦 Завантажити моделі:
🔗 gpt-oss-20b (HuggingFace) — для локального запуску (через Ollama / LM Studio / llama.cpp)
🔗 gpt-oss-120b (HuggingFace) — для досліджень і API через OpenRouter
🧠 Важливий контекст:
Це не GPT-5 і не «нова ера інтелекту». Це швидше, доступніше і контрольоване.
LLM-потенціал вже наближається до межі — просто тепер він у твоїх руках.
🔥 Чому це стратегічно важливо?
✅ Зміцнення open-source-екосистеми
✅ Атака на BigTech-монополії
✅ Перехід OpenAI у консалтингову AI-гру: модель — безкоштовно, інтеграція — за гроші
🔎 Хто вже тестував 20B? Чи хоче? Якi враження?
🔔 ПІДПИСАТИСЯ
👍11❤2👏1
🔓🔑 Кому реально корисні open-weight моделі типу gpt-oss-20b/120b?
Пiсля того як OpenAI відкрила ваги своїх потужних моделей — тепер кожен може запускати їх локально. Але хто реально з цього виграє?
🔸 Дослідники
Можна безкоштовно експериментувати з LLM без API-лімітів.
✅ Запускаєш на власному GPU або в хмарі
✅ Жодних ліцензій чи NDA
✅ Повна свобода модифікацій
➡️ Підходить для університетів, AI-лабораторій, ентузіастів
🔸 Малий бізнес
Тепер AI доступний навіть кав’ярням, спортзалам і школам ☕️💪
✅ Можна розгорнути на комп’ютері з RTX 3090/4090 або орендувати хмару
✅ Жодних щомісячних оплат OpenAI
✅ Дані залишаються у вас
➡️ Приклади: власний бот у Telegram, голосовий помічник, чат із клієнтами
🔸 Розробники в країнах з обмеженим доступом
У деяких регіонах ChatGPT/API офіційно заблоковані.
✅ Моделі працюють офлайн
✅ Без VPN, без обмежень, без реєстрацій
➡️ Це відкриває можливості для локального ринку та освіти
🔹 Висока якість — як у o4-mini
🔹 Локальний запуск — навіть без хмари
🔹 Безкоштовні ваги — без API та ліцензійних зборів
➡️ На форумах вже пишуть:
«Тепер я можу впровадити розумні, безпечні й доступні рішення у свій продукт і допомогти підприємцям економити кошти та ухвалювати кращі рішення»
Це не просто модель — це новий рівень доступності штучного інтелекту.
🔔 ПІДПИСАТИСЯ
Пiсля того як OpenAI відкрила ваги своїх потужних моделей — тепер кожен може запускати їх локально. Але хто реально з цього виграє?
🔸 Дослідники
Можна безкоштовно експериментувати з LLM без API-лімітів.
✅ Запускаєш на власному GPU або в хмарі
✅ Жодних ліцензій чи NDA
✅ Повна свобода модифікацій
➡️ Підходить для університетів, AI-лабораторій, ентузіастів
🔸 Малий бізнес
Тепер AI доступний навіть кав’ярням, спортзалам і школам ☕️💪
✅ Можна розгорнути на комп’ютері з RTX 3090/4090 або орендувати хмару
✅ Жодних щомісячних оплат OpenAI
✅ Дані залишаються у вас
➡️ Приклади: власний бот у Telegram, голосовий помічник, чат із клієнтами
🔸 Розробники в країнах з обмеженим доступом
У деяких регіонах ChatGPT/API офіційно заблоковані.
✅ Моделі працюють офлайн
✅ Без VPN, без обмежень, без реєстрацій
➡️ Це відкриває можливості для локального ринку та освіти
🔹 Висока якість — як у o4-mini
🔹 Локальний запуск — навіть без хмари
🔹 Безкоштовні ваги — без API та ліцензійних зборів
➡️ На форумах вже пишуть:
«Тепер я можу впровадити розумні, безпечні й доступні рішення у свій продукт і допомогти підприємцям економити кошти та ухвалювати кращі рішення»
Це не просто модель — це новий рівень доступності штучного інтелекту.
🔔 ПІДПИСАТИСЯ
👍16
🧠 Що таке “інтелект” LLM моделі?
У попередньому пості я використав фразу:
«Мислення — це здатність до міркування».
І, можливо, у тебе виникло цілком логічне запитання:
👉 Якщо памʼять моделі можна виміряти в токенах — то як вимірюється інтелект?
🔸 Памʼять — це кількість токенів, які модель може “тримати в голові” (сontext window) в одному запиті.
🔸 Мислення — це здатність моделі логічно міркувати, будувати ланцюжки, узагальнювати та робити висновки.
🔬 У світі AI це називають reasoning — і перевіряють цю здатнисть через спеціальні тести: 👇
▫️ GSM8K — шкільна математика (6–8 клас)
▫️ Big-Bench — логічні задачі з підказками
▫️ HumanEval — написання коду
▫️ MMLU — тести з 57 дисциплін (аналог IQ для LLM)
📊 Інтелект у цифрах:
Чим вищий відсоток — тим глибше мислення, кращий логічний ланцюжок і точніші відповіді.
💡 Цікаво, що GPT‑4o формально лідирує у тестах типу MMLU та GSM8K,
але…
🤔 На практиці:
Багато користувачів помічають:
👉 o3
▫️ краще міркує поетапно
▫️ рідше “фантазує”
▫️ не спрощує складну логіку
▫️ частіше дає чітке пояснення крок за кроком
Це як з людьми: один студент може добре скласти тест, а інший — справді глибоко розуміє суть.
✅ Став 👍 якщо було корисно
🔔 ПІДПИСАТИСЯ
У попередньому пості я використав фразу:
«Мислення — це здатність до міркування».
І, можливо, у тебе виникло цілком логічне запитання:
👉 Якщо памʼять моделі можна виміряти в токенах — то як вимірюється інтелект?
🔸 Памʼять — це кількість токенів, які модель може “тримати в голові” (сontext window) в одному запиті.
🔸 Мислення — це здатність моделі логічно міркувати, будувати ланцюжки, узагальнювати та робити висновки.
🔬 У світі AI це називають reasoning — і перевіряють цю здатнисть через спеціальні тести: 👇
▫️ GSM8K — шкільна математика (6–8 клас)
▫️ Big-Bench — логічні задачі з підказками
▫️ HumanEval — написання коду
▫️ MMLU — тести з 57 дисциплін (аналог IQ для LLM)
📊 Інтелект у цифрах:
GPT‑3.5 — MMLU: ~70% | GSM8K: ~57%
GPT‑4o — MMLU: ~88% | GSM8K: ~93%
GPT‑4.1 mini — MMLU: ~76% | GSM8K: ~68%
GPT‑o3 — MMLU: ~86% | GSM8K: ~89%
Чим вищий відсоток — тим глибше мислення, кращий логічний ланцюжок і точніші відповіді.
💡 Цікаво, що GPT‑4o формально лідирує у тестах типу MMLU та GSM8K,
але…
🤔 На практиці:
Багато користувачів помічають:
👉 o3
▫️ краще міркує поетапно
▫️ рідше “фантазує”
▫️ не спрощує складну логіку
▫️ частіше дає чітке пояснення крок за кроком
Це як з людьми: один студент може добре скласти тест, а інший — справді глибоко розуміє суть.
✅ Став 👍 якщо було корисно
🔔 ПІДПИСАТИСЯ
1👍24
🚀 GPT-5: свіжий реліз і головне, що потрібно знати
Вчора OpenAI офіційно представила GPT-5. Це справжній прорив, і тепер саме ця модель стала дефолтною у ChatGPT.
Хто дивився презентацію онлайн? 💬
Усі канали вже наввипередки розповідають, яка вона розумна, швидка і геніальна. Я не буду повторювати те, що ви й так прочитаєте в новинах. Натомість дам коротку вичавку з офіційної документації, яку, впевнений, більшість навіть не відкриє.
Джерело: офіційний гайд OpenAI
📌 Два режими роботи
🔹 GPT-5 Chat — швидкий режим для повсякденних завдань.
🔹 GPT-5 Thinking — «довге мислення» для складних запитів (код, наука, аналіз даних). Для тих, хто звик працювати з o3 — відчуття буде знайоме 😉.
📌 Ліміти за тарифами
Free
▪️ 10 повідомлень / 5 годин у Chat
▪️ 1 Thinking-повідомлення на день
▪️ Після ліміту — перехід на mini-модель
Plus
▪️ 80 повідомлень / 3 години у Chat
▪️ 200 Thinking-повідомлень на тиждень при ручному виборі — тепер доведеться осмислено формулювати запити, а не питати все підряд 😏
▪️ Автоперемикання у Thinking не витрачає тижневу квоту
Team
▪️ Ліміти як у Plus для Thinking
▪️ Автоперемикання не витрачає квоту
Pro
▪️ GPT-5 Thinking Pro — ще глибше й повільніше мислення
▪️ Немає тижневого ліміту (але діють антиаб’юз-обмеження)
📌 Важливий момент
Усі моделі, які ми нещодавно розбирали у постах — GPT-4o, GPT-4.1, GPT-4.5, o3 та інші — більше недоступні. Їх прибрали, і тепер GPT-5 став стандартом 🥴.
Це ще раз показує, наскільки швидко розвивається AI-сфера і як швидко застаріває інформація.
⚠️ ВАЖЛИВО: ліміти на Thinking враховуються тільки якщо ви вручну обираєте цю модель. Якщо GPT-5 сам вирішить, що йому треба «подумати довше» — це не йде у ліміт.
💡 Лайфхак: якщо перед запитом писати щось на кшталт «Подумай дуже добре й видай правильну відповідь» або навіть англійське «Think harder» — моделька майже завжди перемикається у Thinking автоматично, і це не витрачає тижневу квоту 😉.
А ви вже встигли протестувати GPT-5? Які враження?
Я вважаю, що лише за цей лайфхак цей пост заслуговує на 👍 .
Пишіть у коментарях 👇, поділимося досвідом.
🔔 ПІДПИСАТИСЯ
#ChatGPT #GPT5
Вчора OpenAI офіційно представила GPT-5. Це справжній прорив, і тепер саме ця модель стала дефолтною у ChatGPT.
Хто дивився презентацію онлайн? 💬
Усі канали вже наввипередки розповідають, яка вона розумна, швидка і геніальна. Я не буду повторювати те, що ви й так прочитаєте в новинах. Натомість дам коротку вичавку з офіційної документації, яку, впевнений, більшість навіть не відкриє.
Джерело: офіційний гайд OpenAI
📌 Два режими роботи
🔹 GPT-5 Chat — швидкий режим для повсякденних завдань.
🔹 GPT-5 Thinking — «довге мислення» для складних запитів (код, наука, аналіз даних). Для тих, хто звик працювати з o3 — відчуття буде знайоме 😉.
📌 Ліміти за тарифами
Free
▪️ 10 повідомлень / 5 годин у Chat
▪️ 1 Thinking-повідомлення на день
▪️ Після ліміту — перехід на mini-модель
Plus
▪️ 80 повідомлень / 3 години у Chat
▪️ 200 Thinking-повідомлень на тиждень при ручному виборі — тепер доведеться осмислено формулювати запити, а не питати все підряд 😏
▪️ Автоперемикання у Thinking не витрачає тижневу квоту
Team
▪️ Ліміти як у Plus для Thinking
▪️ Автоперемикання не витрачає квоту
Pro
▪️ GPT-5 Thinking Pro — ще глибше й повільніше мислення
▪️ Немає тижневого ліміту (але діють антиаб’юз-обмеження)
📌 Важливий момент
Усі моделі, які ми нещодавно розбирали у постах — GPT-4o, GPT-4.1, GPT-4.5, o3 та інші — більше недоступні. Їх прибрали, і тепер GPT-5 став стандартом 🥴.
Це ще раз показує, наскільки швидко розвивається AI-сфера і як швидко застаріває інформація.
⚠️ ВАЖЛИВО: ліміти на Thinking враховуються тільки якщо ви вручну обираєте цю модель. Якщо GPT-5 сам вирішить, що йому треба «подумати довше» — це не йде у ліміт.
💡 Лайфхак: якщо перед запитом писати щось на кшталт «Подумай дуже добре й видай правильну відповідь» або навіть англійське «Think harder» — моделька майже завжди перемикається у Thinking автоматично, і це не витрачає тижневу квоту 😉.
А ви вже встигли протестувати GPT-5? Які враження?
Я вважаю, що лише за цей лайфхак цей пост заслуговує на 👍 .
Пишіть у коментарях 👇, поділимося досвідом.
🔔 ПІДПИСАТИСЯ
#ChatGPT #GPT5
👍22
💥 Учора весь інтернет гудів про вихід GPT-5.
Зізнаюсь — я теж чекав на вау. Але після дня тестів у різних конфігураціях враження змішані: пише не так яскраво, як GPT-4.5, і працює не завжди краще за о3. Схоже, спроба зібрати в одну модель усі завдання, які раніше тягнули окремі моделі, вийшла… так собі.
Не дивно, що на Reddit хвиля критики. Сам Альтман визнав, що очікували «помірний негатив», але не настільки, і пообіцяв швидкі покращення. Хто зна, можливо, навіть повернуть GPT-4о, бо запити від користувачів сипляться.
І тут варто згадати не лише бізнес, а й кращі практики управління проєктами: не можна відмовлятися від того, що працює, на користь неперевіреного. Якби вони залишили старі моделі й додали нову — користувачі поступово перейшли б на «п’ятірку», а OpenAI мала б час її підтягнути. Але вибрали хайп, і в результаті багато хто вже думає відписатися від платної підписки.
🔔 ПІДПИСАТИСЯ
Зізнаюсь — я теж чекав на вау. Але після дня тестів у різних конфігураціях враження змішані: пише не так яскраво, як GPT-4.5, і працює не завжди краще за о3. Схоже, спроба зібрати в одну модель усі завдання, які раніше тягнули окремі моделі, вийшла… так собі.
Не дивно, що на Reddit хвиля критики. Сам Альтман визнав, що очікували «помірний негатив», але не настільки, і пообіцяв швидкі покращення. Хто зна, можливо, навіть повернуть GPT-4о, бо запити від користувачів сипляться.
І тут варто згадати не лише бізнес, а й кращі практики управління проєктами: не можна відмовлятися від того, що працює, на користь неперевіреного. Якби вони залишили старі моделі й додали нову — користувачі поступово перейшли б на «п’ятірку», а OpenAI мала б час її підтягнути. Але вибрали хайп, і в результаті багато хто вже думає відписатися від платної підписки.
🔔 ПІДПИСАТИСЯ
👍12👌1
🇺🇸 vs 🇨🇳 Чому OpenAI відкрила свої моделі? І чи варто це вважати сигналом змін у геополітичному ландшафті?
Ситуація з нещодавнім відкриттям моделей gpt-oss-20b та gpt-oss-120b від OpenAI змусила мене замислитися не лише як інженера, а і як громадянина цифрової епохи — я вже писав про це тут.
Вирішив трохи розбавити освітній контент аналітикою — спробуємо поглянути на ситуацію ширше 👇
Це виглядає як красива історія: підтримка спільноти, відкритості, свободи знань. Але я не міг не спитати себе: чи справді великі гравці сьогодні думають про людей?
Хочеться вірити, що так. Але якщо чесно — глибокі альтруїстичні мотиви рідко рухають компаніями такого масштабу.
Читаючи аналітику, лідерборди моделей і спостерігаючи за тенденціями останніх місяців, ловлю себе на думці: Китай вже не просто наздоганяє — він реально поруч.
Причому не за рахунок кількох проривів, а завдяки цілісному підходу: відкритим моделям, масштабному виробництву чипів, агресивній конкуренції.
📊 На LLM-лідербордах видно:
▪️ У сегменті пропрієтарних моделей досі домінують США — GPT‑4o, Claude 4 Opus, Gemini 2.5 Pro.
▪️ Але у відкритому сегменті вже лідирує Китай: DeepSeek, Qwen3, Kimi, GLM 4.5 — і багато з них обганяють навіть Llama 4 та Gemma 2.
Чому так?
У США досі домінує підхід «секретність = перевага». Компанії скуповують таланти, захищають свої моделі як комерційну таємницю, вкладаються у власні “секретні інгредієнти”. Обмін знаннями — повільний, контрольований, дорогий.
У Китаї — протилежна стратегія: публікація коду, змагання на відкритих платформах, постійна боротьба за клієнтів, таланти й увагу. Це не просто хаос — це механізм жорсткого добору, де виживає не найбільший, а найспритніший і найадаптивніший.
🔎 У цьому контексті дуже показовим є AI Action Plan, нещодавно опублікований Білим домом.
— AI Action Plan, 2025
Інакше кажучи: відкритість — це вже не лише технологічне благо, а питання стратегії національного масштабу.
📌 Висновок:
Відкриття моделей OpenAI — це не просто жест. Це відповідь на прорив Китаю і реакція на новий курс США щодо open-source.
OpenAI зробила хід на випередження, щоб перехопити ініціативу в боротьбі за відкритий сегмент.
Якщо Google, Meta, Anthropic теж відкриють свої моделі — це стане підтвердженням: AI-стратегії більше не формуються лише в офісах компаній — тепер на них впливає і геополітика, і державна політика.
🔽 Якщо цей аналітичний формат вам сподобався — дайте знати пальцем вгору 👍. Можливо, варто час від часу робити не лише освітні, а й геополітичні дописи.
🔔 ПІДПИСАТИСЯ
#AIГеополітика #AIАналітика
Ситуація з нещодавнім відкриттям моделей gpt-oss-20b та gpt-oss-120b від OpenAI змусила мене замислитися не лише як інженера, а і як громадянина цифрової епохи — я вже писав про це тут.
Вирішив трохи розбавити освітній контент аналітикою — спробуємо поглянути на ситуацію ширше 👇
Це виглядає як красива історія: підтримка спільноти, відкритості, свободи знань. Але я не міг не спитати себе: чи справді великі гравці сьогодні думають про людей?
Хочеться вірити, що так. Але якщо чесно — глибокі альтруїстичні мотиви рідко рухають компаніями такого масштабу.
Читаючи аналітику, лідерборди моделей і спостерігаючи за тенденціями останніх місяців, ловлю себе на думці: Китай вже не просто наздоганяє — він реально поруч.
Причому не за рахунок кількох проривів, а завдяки цілісному підходу: відкритим моделям, масштабному виробництву чипів, агресивній конкуренції.
📊 На LLM-лідербордах видно:
▪️ У сегменті пропрієтарних моделей досі домінують США — GPT‑4o, Claude 4 Opus, Gemini 2.5 Pro.
▪️ Але у відкритому сегменті вже лідирує Китай: DeepSeek, Qwen3, Kimi, GLM 4.5 — і багато з них обганяють навіть Llama 4 та Gemma 2.
Чому так?
У США досі домінує підхід «секретність = перевага». Компанії скуповують таланти, захищають свої моделі як комерційну таємницю, вкладаються у власні “секретні інгредієнти”. Обмін знаннями — повільний, контрольований, дорогий.
У Китаї — протилежна стратегія: публікація коду, змагання на відкритих платформах, постійна боротьба за клієнтів, таланти й увагу. Це не просто хаос — це механізм жорсткого добору, де виживає не найбільший, а найспритніший і найадаптивніший.
🔎 У цьому контексті дуже показовим є AI Action Plan, нещодавно опублікований Білим домом.
“Open-source and open-weight models could become global standards in some areas of business and in academic research worldwide. For that reason, they also have geostrategic value.”
— AI Action Plan, 2025
Інакше кажучи: відкритість — це вже не лише технологічне благо, а питання стратегії національного масштабу.
📌 Висновок:
Відкриття моделей OpenAI — це не просто жест. Це відповідь на прорив Китаю і реакція на новий курс США щодо open-source.
OpenAI зробила хід на випередження, щоб перехопити ініціативу в боротьбі за відкритий сегмент.
Якщо Google, Meta, Anthropic теж відкриють свої моделі — це стане підтвердженням: AI-стратегії більше не формуються лише в офісах компаній — тепер на них впливає і геополітика, і державна політика.
🔽 Якщо цей аналітичний формат вам сподобався — дайте знати пальцем вгору 👍. Можливо, варто час від часу робити не лише освітні, а й геополітичні дописи.
🔔 ПІДПИСАТИСЯ
#AIГеополітика #AIАналітика
1👍26👎1🔥1
📌 Prompt тижня: Step-by-step
🎯Хочеш, щоб ChatGPT перетворював складні теми на простий план дій?
Використовуй цей prompt:
👉 Explain this step-by-step so a beginner can follow it: [тема]
Тема може бути українською чи іншою: бізнес-процеси, уроки, технічні навички.
💡 Що робить цей prompt: Модель розбиває складну задачу на зрозумілі кроки з поясненнями та прикладами, щоб ти міг діяти без плутанини.
🗣 Чому краще писати англійською?
• ChatGPT “тренувався” переважно на англомовних даних
• Відповіді часто виходять чіткіші та структурованіші
• Потім можна попросити: Translate to Ukrainian — і отримати якісний переклад
📎 Що зробити:
1️⃣ Напиши цей запит у чат
2️⃣ Дочекайся списку кроків
3️⃣ Запитай: “Додай чеклист і типові помилки” — щоб уникнути підводних каменів
🧪 Приклади:
👨🏫 Завдання:
Використовуй цей prompt щодня протягом тижня — на теми, які тебе цікавлять.
Результат: більше структурованих дій, менше хаосу.
💬 Напиши в коментарях, яку тему ти спробуєш цього тижня.
Став 👍 Якщо пост був корисним — щоб я бачив, що треба робити більше таких!
🔔 ПІДПИСАТИСЯ
🎯Хочеш, щоб ChatGPT перетворював складні теми на простий план дій?
Використовуй цей prompt:
👉 Explain this step-by-step so a beginner can follow it: [тема]
Тема може бути українською чи іншою: бізнес-процеси, уроки, технічні навички.
💡 Що робить цей prompt: Модель розбиває складну задачу на зрозумілі кроки з поясненнями та прикладами, щоб ти міг діяти без плутанини.
🗣 Чому краще писати англійською?
• ChatGPT “тренувався” переважно на англомовних даних
• Відповіді часто виходять чіткіші та структурованіші
• Потім можна попросити: Translate to Ukrainian — і отримати якісний переклад
📎 Що зробити:
1️⃣ Напиши цей запит у чат
2️⃣ Дочекайся списку кроків
3️⃣ Запитай: “Додай чеклист і типові помилки” — щоб уникнути підводних каменів
🧪 Приклади:
Explain this step-by-step so a beginner can follow it: Як інтегрувати штучний інтелект у навчальний процес Explain this step-by-step so a beginner can follow it: підготовка бізнес-плану для інвестора Explain this step-by-step so a beginner can follow it: налаштування системи контролю версій для інженерного проекту 👨🏫 Завдання:
Використовуй цей prompt щодня протягом тижня — на теми, які тебе цікавлять.
Результат: більше структурованих дій, менше хаосу.
💬 Напиши в коментарях, яку тему ти спробуєш цього тижня.
Став 👍 Якщо пост був корисним — щоб я бачив, що треба робити більше таких!
🔔 ПІДПИСАТИСЯ
5👍19👏1
📘 Prompt Programming: як студенти вчаться програмувати через діалог із AI
Збираючи для вас корисну інформацію про промптінг і роботу з AI, я натрапив на цікаве нове дослідження, опубліковане на ITiCSE 2025. У статті описано дослiдження через платформу Prompt Programming, яка вчить студентів не просто писати код — а співпрацювати з генеративними AI-моделями через діалог.
🧠 Проблема: як навчати програмуванню в епоху AI?
Сьогодні студенти все частіше звертаються до ChatGPT, Copilot та інших LLM-асистентів, щоби швидше писати код. Але:
🔹 Вони не мають формального навчання, як правильно з ними працювати
🔹 Не вміють формулювати ефективні запити (промпти), щоби отримати потрібне рішення
🔹 Часто довіряють результатам “як є”, не перевіряючи, чи справді код коректний
🔹 Не розвивають важливі навички: читання, перевірки, адаптації та редагування коду
👨🏫 Раніше завдання курсу з програмування — навчити писати код з нуля.
Тепер — навчити співпрацювати з AI: ставити правильні запитання, перевіряти результати, мислити критично.
🔍 Що зробили дослідники?
▪️ Створили платформу Prompt Programming, яка вчить студентів взаємодіяти з LLM
▪️ Додали підтримку мультикрокових діалогів, де студент поступово уточнює запит
▪️ Реалізували задачі з кількома пов’язаними функціями — як у реальному коді
▪️ Дозволили вибірково запускати код, щоби перевірити його коректність
🧪 У дослідженні взяли участь 900+ студентів, які проходили курс C-програмування. Автори аналізували:
— як студенти формулюють запити
— як будують рішення через кілька кроків
— коли і чому вирішують запустити код
— як змінюється стратегія залежно від складності задачі
📈 Що виявили:
▪️ Студенти активно використовували діалог, а не одноразові запити
▪️ У складніших задачах довші діалоги та більше уточнень
▪️ Запускали код вибірково — частіше тоді, коли вважали його правильним
▪️ Більшість дійшла висновку, що комбінація промптів і ручного коду — найкраща тактика
🌍 Навіщо це все?
Це не просто тренажер. Це — навчальне середовище, яке формує сучасні навички:
мислити через AI, перевіряти, уточнювати, співпрацювати.
📎 Платформа Prompt Programming доступна публічно разом з навчальними задачами.
🔗 Назва статті:
Prompt Programming: A Platform for Dialogue-based Computational Problem Solving with Generative AI Models
ITiCSE 2025
Читати повний текст (PDF)
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
Збираючи для вас корисну інформацію про промптінг і роботу з AI, я натрапив на цікаве нове дослідження, опубліковане на ITiCSE 2025. У статті описано дослiдження через платформу Prompt Programming, яка вчить студентів не просто писати код — а співпрацювати з генеративними AI-моделями через діалог.
🧠 Проблема: як навчати програмуванню в епоху AI?
Сьогодні студенти все частіше звертаються до ChatGPT, Copilot та інших LLM-асистентів, щоби швидше писати код. Але:
🔹 Вони не мають формального навчання, як правильно з ними працювати
🔹 Не вміють формулювати ефективні запити (промпти), щоби отримати потрібне рішення
🔹 Часто довіряють результатам “як є”, не перевіряючи, чи справді код коректний
🔹 Не розвивають важливі навички: читання, перевірки, адаптації та редагування коду
👨🏫 Раніше завдання курсу з програмування — навчити писати код з нуля.
Тепер — навчити співпрацювати з AI: ставити правильні запитання, перевіряти результати, мислити критично.
🔍 Що зробили дослідники?
▪️ Створили платформу Prompt Programming, яка вчить студентів взаємодіяти з LLM
▪️ Додали підтримку мультикрокових діалогів, де студент поступово уточнює запит
▪️ Реалізували задачі з кількома пов’язаними функціями — як у реальному коді
▪️ Дозволили вибірково запускати код, щоби перевірити його коректність
🧪 У дослідженні взяли участь 900+ студентів, які проходили курс C-програмування. Автори аналізували:
— як студенти формулюють запити
— як будують рішення через кілька кроків
— коли і чому вирішують запустити код
— як змінюється стратегія залежно від складності задачі
📈 Що виявили:
▪️ Студенти активно використовували діалог, а не одноразові запити
▪️ У складніших задачах довші діалоги та більше уточнень
▪️ Запускали код вибірково — частіше тоді, коли вважали його правильним
▪️ Більшість дійшла висновку, що комбінація промптів і ручного коду — найкраща тактика
🌍 Навіщо це все?
Це не просто тренажер. Це — навчальне середовище, яке формує сучасні навички:
мислити через AI, перевіряти, уточнювати, співпрацювати.
📎 Платформа Prompt Programming доступна публічно разом з навчальними задачами.
🔗 Назва статті:
Prompt Programming: A Platform for Dialogue-based Computational Problem Solving with Generative AI Models
ITiCSE 2025
Читати повний текст (PDF)
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
1👍15👏1
📚 Як ефективно писати промпти для AI
У минулому пості я зробив огляд цікавої наукової статті з конференції ITiCSE 2025, де дослідники представили платформу Prompt Programming — середовище, що вчить студентів взаємодіяти з AI у вигляді діалогу.
А ось ще кілька корисних прийомів із цього дослідження, які легко застосувати у щоденній роботі з LLM (не тільки в програмуванні) 👇
🔁 Ітеративне уточнення промптів
Замість одного великого запиту — кілька уточнюючих. Це дозволяє покращити якість результату й краще зрозуміти логіку моделі.
🧩 Модульне мислення
Розбивай задачу на частини. Запитуй спочатку структуру, потім окремі елементи — це спрощує перевірку й адаптацію.
🧠 Уважна перевірка перед запуском
Не довіряй відповіді “наосліп”. Студенти запускали лише той код, який виглядав правильним — і це гарна стратегія для будь-яких AI-відповідей.
⚖️ Поєднання промптінгу з ручною роботою
Найкраще працює гібрид: частину — формулюєш словами, частину — допрацьовуєш сам. Це дає контроль і точність.
💬 Кілька повідомлень — краще, ніж одне
Дослідження показало: багатокрокові діалоги з AI дають кращі результати, ніж один «всеохопний» запит.
🔗 Стаття повністю (PDF):
Prompt Programming на arXiv
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
У минулому пості я зробив огляд цікавої наукової статті з конференції ITiCSE 2025, де дослідники представили платформу Prompt Programming — середовище, що вчить студентів взаємодіяти з AI у вигляді діалогу.
А ось ще кілька корисних прийомів із цього дослідження, які легко застосувати у щоденній роботі з LLM (не тільки в програмуванні) 👇
🔁 Ітеративне уточнення промптів
Замість одного великого запиту — кілька уточнюючих. Це дозволяє покращити якість результату й краще зрозуміти логіку моделі.
🧩 Модульне мислення
Розбивай задачу на частини. Запитуй спочатку структуру, потім окремі елементи — це спрощує перевірку й адаптацію.
🧠 Уважна перевірка перед запуском
Не довіряй відповіді “наосліп”. Студенти запускали лише той код, який виглядав правильним — і це гарна стратегія для будь-яких AI-відповідей.
⚖️ Поєднання промптінгу з ручною роботою
Найкраще працює гібрид: частину — формулюєш словами, частину — допрацьовуєш сам. Це дає контроль і точність.
💬 Кілька повідомлень — краще, ніж одне
Дослідження показало: багатокрокові діалоги з AI дають кращі результати, ніж один «всеохопний» запит.
🔗 Стаття повністю (PDF):
Prompt Programming на arXiv
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
👍16
📊 Як побудова промпту впливає на якість коду?
Копаючи тему промптинга глибше, натрапив ще на дуже цікаве дослідження, яким хочу поділитися з вами.
Якщо є час і бажання — ознайомтесь з оригіналом.
А якщо ні — тримайте коротку й корисну вичимку 👇
🧪 Що досліджували?
▪️ Як саме структура запиту до LLM (GPT-4o, LLaMA 3, Mistral) впливає на:
— ✔️ правильність коду
— 🤖 схожість із людським рішенням
— 🧼 стиль і якість (code smells, складність)
▪️ Протестували 7 000+ промптів із 5 техніками:
Few-shot — приклади у запиті
Chain-of-Thought — “думай уголос”
Function Signature — тчітко вказати типи параметрів
Persona — надати LLM роль (наприклад: "ти досвідчений розробник")
Packages — явно вказати, які імпортувати
📈 Що виявили?
✅ Найефективніша техніка — function signature. Вона різко покращує правильність.
➕ Few-shot також корисна, особливо у парі зі структурою.
⚠️ Техніки на кшталт persona і CoT самі по собі не гарантують якість — іноді навіть погіршують точність.
🧠 Chain-of-Thought і persona зменшують code smells, але не обов’язково дають правильну відповідь.
📉 Few-shot може зменшити схожість із людським кодом — хоча іноді й покращує результат.
📌 Що це означає для нас?
На основі цього дослідження ми можемо суттєво покращити свої запити до AI, якщо:
🔹 Чітко описуємо, що саме хочемо (структура, формат, очікуваний результат)
🔹 Додаємо приклади або вводимо модель у контекст
🔹 Вказуємо обмеження — що можна, а що не потрібно
🔹 А вже потім — додаємо стиль, роль ("ти експерт", "пиши як маркетолог", тощо)
📎 Оригінал дослідження (PDF):
arXiv: The Impact of Prompt Programming on Function-Level Code Generation
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
Копаючи тему промптинга глибше, натрапив ще на дуже цікаве дослідження, яким хочу поділитися з вами.
Якщо є час і бажання — ознайомтесь з оригіналом.
А якщо ні — тримайте коротку й корисну вичимку 👇
🧪 Що досліджували?
▪️ Як саме структура запиту до LLM (GPT-4o, LLaMA 3, Mistral) впливає на:
— ✔️ правильність коду
— 🤖 схожість із людським рішенням
— 🧼 стиль і якість (code smells, складність)
▪️ Протестували 7 000+ промптів із 5 техніками:
Few-shot — приклади у запиті
Chain-of-Thought — “думай уголос”
Function Signature — тчітко вказати типи параметрів
Persona — надати LLM роль (наприклад: "ти досвідчений розробник")
Packages — явно вказати, які імпортувати
📈 Що виявили?
✅ Найефективніша техніка — function signature. Вона різко покращує правильність.
➕ Few-shot також корисна, особливо у парі зі структурою.
⚠️ Техніки на кшталт persona і CoT самі по собі не гарантують якість — іноді навіть погіршують точність.
🧠 Chain-of-Thought і persona зменшують code smells, але не обов’язково дають правильну відповідь.
📉 Few-shot може зменшити схожість із людським кодом — хоча іноді й покращує результат.
📌 Що це означає для нас?
На основі цього дослідження ми можемо суттєво покращити свої запити до AI, якщо:
🔹 Чітко описуємо, що саме хочемо (структура, формат, очікуваний результат)
🔹 Додаємо приклади або вводимо модель у контекст
🔹 Вказуємо обмеження — що можна, а що не потрібно
🔹 А вже потім — додаємо стиль, роль ("ти експерт", "пиши як маркетолог", тощо)
📎 Оригінал дослідження (PDF):
arXiv: The Impact of Prompt Programming on Function-Level Code Generation
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
👍8🔥5
🧠 GPT-5 уже тут. Але старт — неідеальний
Минулого тижня вийшов довгоочікуваний GPT‑5, про який я вже писав у попередньому пості. Але реліз виявився не таким тріумфальним, як очікувалось: спільнота вибухнула обуренням, дехто навіть захотів скасувати підписку.
Сем Альтман та команда OpenAI протягом тижня екстрено виправляли помилки, і були змушені повернути GPT‑4o, o3 та інші моделі назад у ChatGPT. Щоправда, o3 тепер доступна тільки за Pro-підпискою за $200/міс.
🎯 Тож давай підсумуємо — що нового та які реальні результати ми вже маємо.
💡 Що нового в GPT‑5:
• Це не просто модель, а сімейство систем: GPT‑5, GPT‑5 Mini, Nano та Pro
• Кожна з них має різну продуктивність, швидкість та глибину “мислення”
• Додано роутер, який автоматично визначає, яку модель використати — на основі складності запиту, наявності інструментів і навіть фраз типу “think step-by-step”
• Усі моделі в інтерфейсі ChatGPT були замінені на GPT‑5 без попередження
⚠️ Але роутер зламався прямо “на старті”, і через це:
• Користувачі бачили повільні або поверхневі відповіді
• Були випадки автоматичного перемикання на Mini/Nano без пояснення
• Це змусило OpenAI екстрено повернути доступ до старих моделей
📊 Продуктивність на бенчмарках:
• SWE-Bench (software engineering tasks): GPT‑5 — 74.9% vs Claude Opus — 74.5%
• AIME 2025 (математичні задачі): GPT‑5 (high reasoning) — 94.6% vs o3 — 88.9%
• EQ-Bench Creative Writing: GPT‑5 — 90.3 vs o3 — 87.6 vs Gemini‑2.5‑Pro — 86.0
• Індекс Intelligence від Artificial Analysis: GPT‑5 (medium/high reasoning) — №1 серед усіх моделей
❗️ Але на деяких тестах GPT‑5 виступила гірше:
• ARC-AGI‑1/2 (абстрактне мислення, візуальні задачі): GPT‑5 — 65.7% / 9.9%
Grok 4 Thinking — 66.7% / 16.0%
🔗 GPT‑5 перевершує попередні моделі на більшості тестів
🧰 Можливості для розробників:
• 4 рівні міркування (від “без міркувань” до “глибоке міркування”)
• 3 рівні багатослівності (output length)
• Інструменти можна викликати через JSON або natural language
• Можна явно вказати, чи використовувати reasoning / non-reasoning модель
• Підсумок reasoning‑токенів після відповіді
🔗 Докладно про нові параметри та функції GPT‑5
🎯 Висновок:
GPT‑5 — це вже не просто “модель”, а ціла адаптивна система з можливістю змінювати глибину мислення, розмір відповіді та логіку обробки запиту. Для новачків це виглядає зручно. Але питання до досвідчених користувачів:
чи готові ви віддати контроль "роутеру" — і не знати, яка саме модель відповідає?
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
Минулого тижня вийшов довгоочікуваний GPT‑5, про який я вже писав у попередньому пості. Але реліз виявився не таким тріумфальним, як очікувалось: спільнота вибухнула обуренням, дехто навіть захотів скасувати підписку.
Сем Альтман та команда OpenAI протягом тижня екстрено виправляли помилки, і були змушені повернути GPT‑4o, o3 та інші моделі назад у ChatGPT. Щоправда, o3 тепер доступна тільки за Pro-підпискою за $200/міс.
🎯 Тож давай підсумуємо — що нового та які реальні результати ми вже маємо.
💡 Що нового в GPT‑5:
• Це не просто модель, а сімейство систем: GPT‑5, GPT‑5 Mini, Nano та Pro
• Кожна з них має різну продуктивність, швидкість та глибину “мислення”
• Додано роутер, який автоматично визначає, яку модель використати — на основі складності запиту, наявності інструментів і навіть фраз типу “think step-by-step”
• Усі моделі в інтерфейсі ChatGPT були замінені на GPT‑5 без попередження
⚠️ Але роутер зламався прямо “на старті”, і через це:
• Користувачі бачили повільні або поверхневі відповіді
• Були випадки автоматичного перемикання на Mini/Nano без пояснення
• Це змусило OpenAI екстрено повернути доступ до старих моделей
📊 Продуктивність на бенчмарках:
• SWE-Bench (software engineering tasks): GPT‑5 — 74.9% vs Claude Opus — 74.5%
• AIME 2025 (математичні задачі): GPT‑5 (high reasoning) — 94.6% vs o3 — 88.9%
• EQ-Bench Creative Writing: GPT‑5 — 90.3 vs o3 — 87.6 vs Gemini‑2.5‑Pro — 86.0
• Індекс Intelligence від Artificial Analysis: GPT‑5 (medium/high reasoning) — №1 серед усіх моделей
❗️ Але на деяких тестах GPT‑5 виступила гірше:
• ARC-AGI‑1/2 (абстрактне мислення, візуальні задачі): GPT‑5 — 65.7% / 9.9%
Grok 4 Thinking — 66.7% / 16.0%
🔗 GPT‑5 перевершує попередні моделі на більшості тестів
🧰 Можливості для розробників:
• 4 рівні міркування (від “без міркувань” до “глибоке міркування”)
• 3 рівні багатослівності (output length)
• Інструменти можна викликати через JSON або natural language
• Можна явно вказати, чи використовувати reasoning / non-reasoning модель
• Підсумок reasoning‑токенів після відповіді
🔗 Докладно про нові параметри та функції GPT‑5
🎯 Висновок:
GPT‑5 — це вже не просто “модель”, а ціла адаптивна система з можливістю змінювати глибину мислення, розмір відповіді та логіку обробки запиту. Для новачків це виглядає зручно. Але питання до досвідчених користувачів:
чи готові ви віддати контроль "роутеру" — і не знати, яка саме модель відповідає?
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
👍7🔥3👻1
🇮🇳 Індія створює власні LLM — із тисячами топових відеокарт NVIDIA
Для того щоб трохи розбавити потужні теоретичні пости, від яких ви могли вже втомитись — розбавлю трошки цікавими новинами 👇
У 2024 році американські AI-стартапи залучили $97B, європейські — $51B. А індійські — лише $780M.
Попри обмежені ресурси, Індія запускає масштабну програму розвитку власних AI-моделей.
🔸 У січні уряд Індії оголосив збір пропозицій на розробку національних LLM — буквально через 10 днів після релізу китайського DeepSeek‑R1.
До речі, і ми не відстаємо: в Україні Київстар, Мінцифра та WINWIN AI Centre of Excellence вже працюють над власною національною LLM, а її запуск планується до грудня 2025 року. [читати детальніше]
🔸 Для цього Індія зарезервувала 19 000 вiдеокарт (GPU), з них 13 000 — NVIDIA H100 — одні з найпотужніших відеокарт у світі, які використовують для навчання великих моделей.
🔸 У квітні уряд Індії обрав шість команд для створення національних мовних моделей. Серед них:
SSarvam AI працює над потужною моделлю на 70 мільярдів параметрів, яка розуміє кілька мов і вміє працювати з голосом — що особливо важливо для людей, які не читають чи не пишуть.
Soket AI Labs створює ще більшу — на 120 мільярдів параметрів.
CoRover вже представив першу версію — BharatGPT (3.2B), яка підтримує голосовий інтерфейс 12 мовами. Також вийшла компактна версія — BharatGPT Mini (534M), яка працює навіть на слабких пристроях.
📏 Для порівняння:
GPT‑3 від OpenAI — 175B параметрів
GPT‑4 (за чутками) — понад 1 трильйон параметрів (точна кількість не розкривається)
Grok (від X / Elon Musk) — ~314B у версії Grok-1.5
Claude 3 Opus (Anthropic) — приблизно 200B
LLaMA 2 (Meta) — випускалась у варіантах 7B, 13B, 70B
🔍 Тобто індійські моделі вже входять у той самий "ваговий клас", що й продукти глобальних AI-гігантів.
⚙️ Виклики:
Понад 120 мов і 19 500 діалектів
У багатьох мов немає чіткого поділу між словами — важко токенізувати
Нестача якісних текстових корпусів
Суттєво менше фінансування, ніж у США чи Китаї
💡 Але тут важлива не лише технологія. А те, що країна створює свої власні голоси, культурні коди й світогляд в архітектурі моделей.
📌 Джерело: MIT Technology Review
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
Для того щоб трохи розбавити потужні теоретичні пости, від яких ви могли вже втомитись — розбавлю трошки цікавими новинами 👇
У 2024 році американські AI-стартапи залучили $97B, європейські — $51B. А індійські — лише $780M.
Попри обмежені ресурси, Індія запускає масштабну програму розвитку власних AI-моделей.
🔸 У січні уряд Індії оголосив збір пропозицій на розробку національних LLM — буквально через 10 днів після релізу китайського DeepSeek‑R1.
До речі, і ми не відстаємо: в Україні Київстар, Мінцифра та WINWIN AI Centre of Excellence вже працюють над власною національною LLM, а її запуск планується до грудня 2025 року. [читати детальніше]
🔸 Для цього Індія зарезервувала 19 000 вiдеокарт (GPU), з них 13 000 — NVIDIA H100 — одні з найпотужніших відеокарт у світі, які використовують для навчання великих моделей.
🔸 У квітні уряд Індії обрав шість команд для створення національних мовних моделей. Серед них:
SSarvam AI працює над потужною моделлю на 70 мільярдів параметрів, яка розуміє кілька мов і вміє працювати з голосом — що особливо важливо для людей, які не читають чи не пишуть.
Soket AI Labs створює ще більшу — на 120 мільярдів параметрів.
CoRover вже представив першу версію — BharatGPT (3.2B), яка підтримує голосовий інтерфейс 12 мовами. Також вийшла компактна версія — BharatGPT Mini (534M), яка працює навіть на слабких пристроях.
📏 Для порівняння:
GPT‑3 від OpenAI — 175B параметрів
GPT‑4 (за чутками) — понад 1 трильйон параметрів (точна кількість не розкривається)
Grok (від X / Elon Musk) — ~314B у версії Grok-1.5
Claude 3 Opus (Anthropic) — приблизно 200B
LLaMA 2 (Meta) — випускалась у варіантах 7B, 13B, 70B
🔍 Тобто індійські моделі вже входять у той самий "ваговий клас", що й продукти глобальних AI-гігантів.
⚙️ Виклики:
Понад 120 мов і 19 500 діалектів
У багатьох мов немає чіткого поділу між словами — важко токенізувати
Нестача якісних текстових корпусів
Суттєво менше фінансування, ніж у США чи Китаї
💡 Але тут важлива не лише технологія. А те, що країна створює свої власні голоси, культурні коди й світогляд в архітектурі моделей.
📌 Джерело: MIT Technology Review
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
👍12
🌍 Чому країни масово створюють свої AI-моделі?
(Як продовження попереднього поста 👉 про Індію)
У минулому дописі я писав, як Індія запускає власну велику мовну модель (LLM) — і чому це важливо для неї.
Але це — не одиничний кейс.
Сьогодні ми бачимо глобальний тренд: уряди по всьому світу інвестують у розробку власних AI-моделей.
Від ОАЕ до Франції, від Японії до України — країни створюють моделі, які відображають їхню мову, культуру й інтереси.
🔍 Постає логічне питання: навіщо це все?
Чому не користуватися просто GPT, Claude або Grok, як ми користуємось, скажімо, браузером Chrome чи пошуком Google?
Давайте розберемося 👇
🇨🇺 1. Культурна точність
Глобальні моделі навчені переважно на англомовних даних. Вони "думають" у межах західного контексту.
Поняття, гумор, соціальні ролі, навіть уявлення про добро і зло — усе це передається через фільтр іншої культури.
LLM легко відповідають на питання про Супермена чи Starbucks — але можуть не знати, що таке “Козацька Рада” або “вереснева хмаринка”.
📌 Проблеми з культурною неупередженістю:
Згідно з дослідженням CultureLLM, моделі LLM демонструють упередженість щодо культур із малою цифровою присутністю.
Під час навчання переважають англомовні дані, тому культури з “low-resource” мовами часто ігноруються або спрощуються.
🛡 2. Цифровий суверенітет
AI — це не просто технологія. Це майбутній мозок у системах оборони, освіти, медицини, фінансів.
“AI will become the central nervous system of digital government and economic systems.”
— Stanford HAI, 2024 AI Index
Якщо в тебе немає своєї моделі — у тебе немає контролю над тим, як і що вона “думає”.
Залежність від чужого AI = залежність від чужих цінностей, пріоритетів і обмежень.
📌 І це не лише слова. Цифровий суверенітет вже став офіційною стратегією багатьох держав:
▪️ Франція — “Souveraineté numérique”
▪️ Німеччина — GAIA-X
▪️ ОАЕ — Falcon AI під державним контролем
▪️ Китай — локальні моделі (Qwen, Yi) з відкритими вагами, але обов’язковим ліцензуванням
🟡 А що Україна?
У березні 2025 Київстар, Мінцифра та WINWIN AI Centre of Excellence підписали меморандум про розробку першої в Україні національної LLM.
[читати офіційний реліз]
🗣 3. Збереження мов і діалектів
Багато мов просто не представлені у світових моделях. Це означає — їх не “чують”, вони не мають впливу.
Національні LLM — це шанс дати цифрове життя рідній мові й уникнути зникнення.
В Індії понад 19 000 діалектів. В Україні — купа говорів і регіональних форм.
Без своїх моделей — вони зникнуть із цифрового простору.
📜 4. Право на власну етику й закон
Американські моделі відповідають американським законам. Китайські — китайським.
Тільки власна модель може працювати за твоїми правилами — у межах твоєї Конституції, твоєї системи освіти, твоєї моралі.
🤝 Висновок:
Власна LLM — це не розкіш і не забаганка. Це — цифрова незалежність.
Бо якщо твоєї моделі немає — твоєї культури немає в AI.
І тоді хтось інший напише твою історію замість тебе.
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
(Як продовження попереднього поста 👉 про Індію)
У минулому дописі я писав, як Індія запускає власну велику мовну модель (LLM) — і чому це важливо для неї.
Але це — не одиничний кейс.
Сьогодні ми бачимо глобальний тренд: уряди по всьому світу інвестують у розробку власних AI-моделей.
Від ОАЕ до Франції, від Японії до України — країни створюють моделі, які відображають їхню мову, культуру й інтереси.
🔍 Постає логічне питання: навіщо це все?
Чому не користуватися просто GPT, Claude або Grok, як ми користуємось, скажімо, браузером Chrome чи пошуком Google?
Давайте розберемося 👇
🇨🇺 1. Культурна точність
Глобальні моделі навчені переважно на англомовних даних. Вони "думають" у межах західного контексту.
Поняття, гумор, соціальні ролі, навіть уявлення про добро і зло — усе це передається через фільтр іншої культури.
LLM легко відповідають на питання про Супермена чи Starbucks — але можуть не знати, що таке “Козацька Рада” або “вереснева хмаринка”.
📌 Проблеми з культурною неупередженістю:
Згідно з дослідженням CultureLLM, моделі LLM демонструють упередженість щодо культур із малою цифровою присутністю.
Під час навчання переважають англомовні дані, тому культури з “low-resource” мовами часто ігноруються або спрощуються.
🛡 2. Цифровий суверенітет
AI — це не просто технологія. Це майбутній мозок у системах оборони, освіти, медицини, фінансів.
“AI will become the central nervous system of digital government and economic systems.”
— Stanford HAI, 2024 AI Index
Якщо в тебе немає своєї моделі — у тебе немає контролю над тим, як і що вона “думає”.
Залежність від чужого AI = залежність від чужих цінностей, пріоритетів і обмежень.
📌 І це не лише слова. Цифровий суверенітет вже став офіційною стратегією багатьох держав:
▪️ Франція — “Souveraineté numérique”
▪️ Німеччина — GAIA-X
▪️ ОАЕ — Falcon AI під державним контролем
▪️ Китай — локальні моделі (Qwen, Yi) з відкритими вагами, але обов’язковим ліцензуванням
🟡 А що Україна?
У березні 2025 Київстар, Мінцифра та WINWIN AI Centre of Excellence підписали меморандум про розробку першої в Україні національної LLM.
[читати офіційний реліз]
🗣 3. Збереження мов і діалектів
Багато мов просто не представлені у світових моделях. Це означає — їх не “чують”, вони не мають впливу.
Національні LLM — це шанс дати цифрове життя рідній мові й уникнути зникнення.
В Індії понад 19 000 діалектів. В Україні — купа говорів і регіональних форм.
Без своїх моделей — вони зникнуть із цифрового простору.
📜 4. Право на власну етику й закон
Американські моделі відповідають американським законам. Китайські — китайським.
Тільки власна модель може працювати за твоїми правилами — у межах твоєї Конституції, твоєї системи освіти, твоєї моралі.
🤝 Висновок:
Власна LLM — це не розкіш і не забаганка. Це — цифрова незалежність.
Бо якщо твоєї моделі немає — твоєї культури немає в AI.
І тоді хтось інший напише твою історію замість тебе.
Став 👍 якщо було корисно.
🔔 ПІДПИСАТИСЯ
👍19⚡3❤1🔥1
📌 Prompt тижня: I’m probably wrong, but … What do you think?
🎯 Хочеш, щоб ChatGPT не просто відповідав, а перевіряв твої ідеї на міцність?
Спробуй цей prompt:
👉 I’m probably wrong, but [твердження] — what do you think?
Тема може бути будь-яка: бізнес, освіта, технології, соціальні питання.
💡 Що робить цей prompt:
Модель починає мислити критично, знаходить слабкі місця та дає аргументи з різних боків — і «за», і «проти».
Це допомагає уникнути упереджень і прокачати власне мислення.
📎 Що зробити:
1️⃣ Сформулюй своє припущення у форматі “I’m probably wrong, but…”
2️⃣ Дочекайся відповіді з аргументами
3️⃣ Запитай: “Play devil’s advocate against your answer” — щоб отримати ще глибший аналіз
🧪 Приклади:
👨🏫 Завдання:
Спробуй цей prompt мінімум 3 рази цього тижня на різні теми.
Результат: більш критичне мислення і свіжі ідеї, які ти б сам не побачив.
💬 Напиши в коментарях, яке припущення ти перевіриш першим.
Став 👍 якщо пост був корисним — щоб я бачив, що треба робити більше таких!
🔔 ПІДПИСАТИСЯ
🎯 Хочеш, щоб ChatGPT не просто відповідав, а перевіряв твої ідеї на міцність?
Спробуй цей prompt:
👉 I’m probably wrong, but [твердження] — what do you think?
Тема може бути будь-яка: бізнес, освіта, технології, соціальні питання.
💡 Що робить цей prompt:
Модель починає мислити критично, знаходить слабкі місця та дає аргументи з різних боків — і «за», і «проти».
Це допомагає уникнути упереджень і прокачати власне мислення.
📎 Що зробити:
1️⃣ Сформулюй своє припущення у форматі “I’m probably wrong, but…”
2️⃣ Дочекайся відповіді з аргументами
3️⃣ Запитай: “Play devil’s advocate against your answer” — щоб отримати ще глибший аналіз
🧪 Приклади:
I’m probably wrong, but дистанційна робота продуктивніша за офісну — what do you think? I’m probably wrong, but регулювання ШІ зупинить інновації — what do you think? I’m probably wrong, but YouTube програє TikTok у довгостроковій перспективі — what do you think? 👨🏫 Завдання:
Спробуй цей prompt мінімум 3 рази цього тижня на різні теми.
Результат: більш критичне мислення і свіжі ідеї, які ти б сам не побачив.
💬 Напиши в коментарях, яке припущення ти перевіриш першим.
Став 👍 якщо пост був корисним — щоб я бачив, що треба робити більше таких!
🔔 ПІДПИСАТИСЯ
5👍18🔥4