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)

Видите эту мразь на скрине?

Вот она убивала мне перформанс в 3д-сценах в вебе. А я всё понять не мог, чё всё так тормозит... Сегодня решил разобраться.
(у меня Edge)

— hardware acceleration включён
— WebGL/WebGPU аппаратные
— Edge реально использует мою 5070
— GPU при этом загружен процентов на 5
— а какие-нибудь Three.js-сцены идут в условные 20–30 FPS

Performance в DevTools показал, что main thread почти постоянно в 100%, почти всё время уходит в scripting, а GPU в это время отдыхает.

Для проверки открыл тот же самый 3D сайт в хроме. Плавно. В эдже — слайдшоу.

Короч оказалось, что виновата настройка со скрина. Edge в этом режиме для сайтов, которые считает "незнакомыми", включает чёто там дополнительное, из-за чего сильно режется перформанс у JS (как я понял).

пока неудачники, я увольняюсь

Кто так метрики повышает — тот тридварас злостный 🤬

ну чё, пацаны и пацанессы, вышел Opus 5.5

Читаю сейчас пресс-релиз: https://www.anthropic.com/claude-opus-5-5

Понятно, что там блабла, сильнее, блабла, самое лучшее, блабла, но вот интересно — пишут, что они озаботиллись как раз тем, что бесило многих — то, как Opus 5 говорит и изъясняется. Читатель вспомнит, что я на него постоянно бугуртил)

Доступ уже есть, ща посмотрим, чё там... Стало ли лучше, полюблю ли я снова Claude или нет)

Дал одну и ту же задачку на "оцени ТЗ, скажи норм или лучше иначе" в одном и том же репо.

Opus 5:

Позиционирование. anchor из тика симуляции, above/below, cardShift, клампы к краям, карточка едет за нодой, max-h-[50dvh] со скроллом. Это действительно паразитная сложность, и её надо убрать.

Opus 5.5:

2. Связывание через холст. Сейчас «Связать» включает режим, и следующий клик по узлу создаёт связь. Модалка перекрывает граф, и кликать некуда. Модалку придётся закрывать на время связывания и потом открывать заново. «Без новой логики» так не получится: появится новый переход состояний, причём в главном цикле jot → name → link.

Понятно, что они выдали разный аутпут, который 1-к-1 не сравнишь вот так (но я и не пытался), но сам факт того, что в первом случае я нихера не понимаю (разве что только с поллитрой чтением кода), а во втором — достаточно понятное объяснение.

Короче, пока кажется, что прям сильно лучше. Будем посмотреть дальше...

Когда исправляешь код за более тупыми джунами нейронками:

1,5 часа работы с Opus 5.5 (Medium), и пока вот так.

Почти уверен, что это на время запуска. Потом обрежут как обычно, и будет улетать за пять минут :)

3 часа. Т.е. пятичасового лимита хватает... на пять часов работы, вот это эмейзинг :D инновейшен!

А если серьёзно, очень круто. Хочется канеш верить, что так оно и останется.


А по самой модели — мне пока нравится. В целом, все запросы ваншотит, без рассусоливаний и переделываний по сто раз. А ещё защищает свои и в целом архитектурные решения — предостерегает от преждевременной оптимизации, добавления лишних полей в базу заранее и т.д., т.е. пока прям не заметил режима "ааа чел какая ахеренная идея, конечно, и вот тебе 500 причин почему она такая гениальная". Наоборот. Это прям... Хорошо.

Интересненькое наблюдение...

Агенты не могут прочитать вики по играм, потому что те отдают 402 Payment Required.

Это чё, wikia/fandom монетизируют AI доступ?

Таки да.

Cloudflare AI Crawl Control позволяет сайтам отдельно решать, что делать с AI-краулерами: пустить, заблокировать или брать деньги за запрос.
То есть человеку Fandom открывает вики как обычно, а агенту может сказать: плати или доступа не будет.
Иронично, что сами тексты Fandom-вики часто под CC BY-SA. Переиспользовать контент можно, а автоматически забирать его с серверов Fandom — получается, нельзя.

Бро, одна задача (и ещё даже не закончена) на Astra Medium (которая щас даже на High слабее Opus 5.5 Medium) 😭😭😭

OpenAI чёт прям уверенно просирает эту гонку.