Помните, как я писал, что пятичасового лимита Codex — теперь уже ChatGPT — мне хватает на НАМНОГО больше времени, чем в Claude?

Чёт снова грустное: за парочку очень простых изменений Sol у меня почти весь пятичасовой лимит сожрал.

Месяц назад OpenAI уже временно убирала пятичасовой лимит, пока разбиралась, почему Sol сжирает usage быстрее ожидаемого. Потом отчитались об оптимизациях и вернули лимит.

Чёто, походу, опять сломалось.

Альтман, верни юсадж!

Наконец-то выгодное предложение от т-банка, беру

первый день после отпуска...

верните меня обратно плиз

Ну чё, погнали нах)

Новый год — новые менти.

Твоя заявка на направление Product Management в роли 'mentor' получена

Я теперь тридэ-модельер ёпты xD

Полная стори: https://warstellar.vercel.app/notes/blender-agent-lantern

Увидел. Понравилось. Делюсь)

Ещё мемчик

В ChatGPT теперь можно играть в змейку, пока ждёшь ответа от агента...

Мне было ментально сложно обслуживать кучку MD файлов, которые менеджил агент — в них я задачки рабочие вёл, какие-то свои личные доки хранил типа доков по квартире или заметки по здоровью — поэтому что? Я её упростил

Конечно же я спроектировал систему в 3 раза больше xD

Очень давно хотелось потыкать все эти хайповые Hermes/OpenClaw, но всё не мог к себе никуда примерить — нахрена оно мне. А когда нет задачи, то и смысла тыкать нет.

А тут появился :) Увидимся через месяц

А всё началось с того, что захотелось попробовать альтернативу великодушно оплаченным работодателем ChatGPT/Claude — что-то, что легко можно оплатить рублями и не долбаться с зарубежными картами или сервисами типа plati.ru.

Соответственно, нужна была и модель, и харнесс к ней.

Остановился на одном русском сервисе (пока рекламу делать не буду, вдруг говно), который предоставляет доступ к куче моделей.

Из моделей взял для пробы GLM 5.3 flash и DeepSeek 4.1 Flash для, собственно, чатов и попробовать агентивную работу с кодом и Unreal/Godot.

Из харнессов — Msty Studio и Cherry Studio.

Пока никаких выводов, всё только установил-оплатил-настроил. Продолжаю наблюдение)

А вообще, если что, я уже неделю хочу просто поиграть в Blood of Dawnwalker 😭
Надеюсь, новые таблеточки от доброго доктора помогут научиться расслабляться (да-да, оказывается это тоже симптом и для этого тоже прописывают колёсики).

Просил агента объяснить, кто чё будет делать в этой системе в итоге.

Litestream/backup
Чтобы одна умершая VPS не превратила Personal Ops в Personal Oops.

ОНО НАУЧИЛОСЬ ШУТИТЬ!!! Я неиронично хехнул, отличный pun.

Короче.

На днях учёные выложили "мозг мухи" в открытый доступ. В деталях я слабо понимаю, но это "карта нейронов и связей всей центральной нервной системы самца дрозофилы".

В итоге чо? Правильно. Муху начали подключать куда ни попадя — в дум, майнкрафт и т.д., с визуализацией того, какие рецепторы задействуются и каким мышцам куда уходят сигналы.
Причём не просто "муха внутри майнкрафта" (это тоже), но и "муха играет в майнкрафт", "муха думскролит в инсте" и т.д. :D

Первый самый очевидный — в Msty агентивный режим поддерживается только для существующих код-агентов (Claude CLI, Codex CLI, etc.) и, соответственно, существующие для них аккаунты. Свои собственные модельки нельзя гонять.
Плюс режим этот помечен как Highly experimental.

Учитывая, что мне прям кодить нужно прям с кастомными модельками — он эту битву проиграл.

Ещё дал обеим моделям одну и ту же задачу на одном и том же репо — причём задача была уже заранее достаточно хорошо сформулирована (но не до "сделай а, б и ц") более "взрослой" моделью на основе ревью кода. Если оч вкратце:

GLM сделал нормальный фикс, быстро понял задачу и стоил заметно дешевле. Но он немного «додумал до основной проблемы и остановился»: главную утечку закрыл, тесты написал, всё прошло, но часть требований из задания не довёл до конца. То есть результат хороший, но после ревью выяснилось: пару вещей всё равно пришлось бы допиливать.

DeepSeek сделал более полный вариант. Он тоже не идеален, но лучше прошёлся именно по чеклисту задачи: не только убрал утечки, но и сохранил полезность логов, добавил нужную зависимость, шире покрыл ротацию логов и лучше проверил реальный сценарий ошибки.

Для задротов интересующихся, вот ещё голые циферки есть:

GLM 5.3 Flash vs DeepSeek 4.1 Flash

Input       2.16M   vs   3.06M
Output      29.4K   vs   32.6K
Reasoning   23.7K   vs   21.8K
Cache       2.02M   vs   2.88M
Uncached    138K    vs   182K

TTFT        2.8s    vs   8.0s
Gen speed   75.4    vs   137 tok/s
E2E speed   47.6    vs   54.8 tok/s
Duration    10:18   vs   9:55
Cost        6.65₽   vs   15.29₽

Как видно, по времени почти ничья. Дипсик всего немного быстрее был, но это несущественно. Но при этом дипсик пожрал намного больше токенов, в итоге выйдя (не только благодаря им, но и своей фактической более дорогой цене) в ~2.3 раза дороже.


P.S. Как "основной агент" я использовал Luna 5.6 (High) из подписки. Ну типа как бейзлайн. И вот тут вскрылось интересное:

Luna — сделала самый навороченный и лучше всего протестированный вариант, но при этом оставила саму старую небезопасную лазейку рабочей ради совместимости. То есть выглядит солидно, тестов много, архитектура аккуратная — а security-fix формально закрыт не до конца.

Короче глаз да глаз за ними, проверять и проверять...

Вощем Msty забавная штука, есть прикольные фичи типа создания кастомных персон-агентов, есть возможность болтать с этими агентами в групповом чате и всякое такое.
Но он выбывает, потому что оно не умеет в agentic coding с кастомной моделькой, а это у меня щас одно из основных требований.

Финал версии 2, классика 8)

Знаете ж вот эту тупую склонность нейронок выдавать бред, но очень убедительно?

Оказывается, для этого (кто бы сомневался) есть название — anchored confabulation (arXiv:2604.25931, апрель 2026).
Условно, какие-то частичные факты делают модель увереннее в своём бреде — несколько настоящих фактов позволяют ей дастраивать додумки и выдавать их за истину.

А самое печальное (и это объясняет, почему меня настолько воротит от Opus 5) — с умностью модели это поведение ухудшается. Т.е. более умная модель убедительнее бредит.

Думаю, конечно, что там куча нюансов, но вот прочитал — делюсь)

Про Jev, ныне хайпующий

Чёт последние несколько дней всё AI-комьюнити говорит про Jev.
Полез смотреть, ожидая очередную "новую модель, которая на 4% лучше GPT в каком-нибудь очередном бенчмарке", а там внезапно вообще другое.

Jev — это System One Model. Я с таким раньше не сталкивался ваще) Что за систем ван? Если очень грубо, System 1 — быстро посмотреть на что-то и почти сразу принять решение, System 2 — сесть и ДУМАТЬ.

Большие LLM типа GPT/Claude как раз заточены под второе. Им даёшь задачу, они рассуждают, генерируют ответ, пользуются тулами, вот это всё. А Jev не умеет генерировать текст вообще :) Т.е. его нельзя воткнуть в OpenCode и пойти с ним обсуждать, почему опять сломалась авторизация.

Он про classify / score / rank. Условно: вот тебе сообщение из чата — это спам или нет? Насколько оно токсичное по шкале от 1 до 5? К какой категории относится тикет? Какой из этих документов больше подходит под запрос?

Внимательный подписчик сразу заметит: погодите, а классификаторы-то существуют примерно сто лет, что тут нового? Чем оно отличается?

Ответ: по сути ничем. В этом и прикол.

Раньше под такие задачи обучали отдельные ML-классификаторы. Потом появились general-purpose LLM и оказалось сильно проще просто отправить текст в GPT с промтом "это positive или negative?" вместо того, чтобы под каждую такую фигню обучать отдельную модель.

Ну и понеслось. Классификация, скоринг, роутинг тикетов, модерация — везде можно просто дёрнуть LLM API. Работает же.

Jev делали, чтобы с такими штуками было работать также удобно, как с LLM — описал критерии человеческим языком и ничего отдельно не обучаешь — но выкинуть всё ненужное для таких задач.

Вот, например, чувак сделал на нём realtime moderation чата:
https://www.reddit.com/r/vibecoding/comments/1wk8jco/using_jev_for_realtime_live_chat_moderation/

Там каждое сообщение на лету гоняется через Jev и получает оценки по нужным критериям. Собственно, как раз под этим постом и спросили "а чем это отличается от sentiment classifier?". Ответ был примерно "it isn't, that's the point" :)

Она ещё и стоит копейки: $0.042 за миллион input-токенов, output бесплатный. Т.е. даже если одна классификация съедает условную тысячу токенов, 10 000 таких запросов обойдутся примерно в 42 цента.

Сами TypeSafe заявляют, что на некоторых таких задачах Jev выходит в сотни раз дешевле обычных LLM. Понятно, что это их собственные сравнения и конкретные цифры сильно зависят от задачи, но порядок цен всё равно довольно смешной.

Хочется взять какую-нибудь реальную задачу и тупо сравнить Jev с обычной дешёвой LLM по качеству / скорости / деньгам.

Проблема стандартная: игрушка есть, а задачи под неё нет 😆 В вейтлист я заранее записался, доступ уже дали, так что осталось дождаться подходящего кейса) Но потыкать хочется)