Одна из самых крутых возможностей на стажировке – поиграть на полную мощь с агентами для кодинга. У нас на них довольно большой (фактически чувствующийся неограниченным) бюджет. Клод Код получает в месяц больше денег, чем стажёры 🥲 Благодаря этому получается почувствовать, насколько сильно меняется мир. Я программирую уже с десяток лет и знаю много вещей из разных областей, но каждый день узнаю от Клода что-то новое. Он просто знает сильно больше алгоритмов и подходов, чем я или кто-либо ещё. Мышление переносится на уровень выше, начинаешь думать задачами и выстраивать путь к исполнению проекта, а не отвлекаешься на мелкие проблемы. То, что в начале пхд занимало у меня дни – например, установка зависимостей и организация данных – или даже месяцы – например, запуск чужих методов – теперь делается буквально за вечер. Нужно только расписать Клоду, что нужно сделать, убедиться, что он тебя правильно понял и идти спать, а утром читать отчёт Агенты всё ещё далеко не идеальны, а управление ими – навык, требующий опыта. Но на мой взгляд это теперь самый эффективный способ работы, и ближайшее будущее – несомненно за ним. Совершенно непонятно, что будет в хоть чуть-чуть отдалённом будущем: Клод Кодычу едва исполнился год А также совершенно понятно, что научная инфраструктура абсолютно не готова к грядущим изменениям. Какой смысл ревьюить статьи по году, если они могут устареть через неделю (определённо не все, но разработка новых вычислительных методов уж точно)? Как вообще проводить пир-ревью, если статей станет кратно больше (а оплата ревьюерам всё ещё стремится к нулю)? Как проводить конференции, если количество заявок на них скоро достигнет сотен тысяч? Как ориентироваться в лавине статей? Нужны ли вообще ещё статьи как основной метод обмена информацией? Одно могу рекомендовать совершенно точно: если вы не работаете с агентами для кодинга, обязательно попробуйте. Если вы заведующий лабораторией, достаньте студентам доступ к лучшим инструментам и выстраивайте культуру работы с ними. Задач пока ещё хватает и все их агенты не решат. Но без них люди будут двигаться в разы медленнее

Чат GPT за 20 баксов хватает на один вечер. Всем привет, буквально позавчера я писал, что заготовил себе агентство выходного дня. И что, думаете, Chat GPT на SOL у меня опять кончился за один вечер — недельный лимит, и я опять ничего не успел сделать. А сделать я придумал интересное: я решил попробовать сделать ритм-игру. Я люблю музыку, люблю вайбить, и почему бы не объединить две эти идеи и сделать интерактивную игру, в которую можно играть с вашей музыкой? Идея показалась мне интересной, но вот лимит подписки за 20 баксов кончился, даже не дойдя до рабочего демо. Тут я вспомнил про Kimi K3, которые выпустили недавно свой собственный харнес, и я решил его протестировать. Скачал фирменный харнес, залогинился, запустил — не работает, много говорит про очередь. Пришлось оплатить подписку за 20 баксов, дело пошло, разобрался достаточно быстро в задаче и подхватил доделку за Chat GPT SOL. По расходу токенов пока непонятно. Но вот что понятно — харнес у них ну прям ооочень базовый. В нём нет буквально ничего: в нём есть агентность, есть чат, и на этом, собственно, всё. Ни сплит-вью всяких, ни красивых логов, ни аудиоввода или прослушивания сообщений — это всё ещё не завезли. Так что юзать фирменный харнес с ясовременно точно не советую. Но для чистоты эксперимента решил попробовать. Хотя если вы не притязательны и не знаете, что харнесы бывают разные, может, вам и подойдёт для базовых задач. Но я пробовал уже почти все харнесы, и пока всё ещё считаю самым прикольным Claude Desktop. Что ещё из забавного: Kimi K3 спавнит агентов с человеческими именами — это странно. А вы уже пробовали Kimi K3? Как вам? И какой ваш любимый харнес — пишите в комментариях.

Я в очередной раз попал в ситуацию переутомления. Плохо работает воображение. Все бесит. Нужно немного отдохнуть… Если вы вдруг в такой же ситуации, хочу поделиться прикольным сюжетом, который меня вдохновил. Правда оригинальное видео не найду уже:) Человек звонит Богу по сотовому телефону. Человек: Бог, я не знаю, что делать. Одни мои друзья едут в иммиграцию, другие не едут. Что мне делать? Бог: Ты не готов. Ой, подожди минутку. Вторая линия… Человек 2: Бог, привет. Я уехал в иммиграцию. Все круто, большие планы. Хочу с тобой поделиться. Бог: Не нужно. Я знаю. У тебя все получится! Человек: Бог, так что мне делать? Ехать или оставаться. Если ехать, то мне страшно. [Дальше аргументы]. Если оставаться, то тоже не вариант. [Дальше аргументы]. Бог: Ты еще не готов. Ой, подожди минутку. Вторая линия… Человек 3: Бог, я решил не иммигрировать. Нашел такие идеи. Хочешь расскажу? Бог: Не нужно. Я знаю. У тебя все получится! Человек: Бог, ну так а что мне сейчас делать? Бог: Не взваливай на себя тех дел и решений, которые ты не в состоянии сделать. Сделай то, что тебе сейчас под силу. Человек: Ну мне сейчас под силу только лечь и поспать.  Бог: Ну вот и отлично. Ложись. Звонок через час. Человек: Бог, я тут подумал, и мне пришла такая идея. Хочешь расскажу? Бог: Не нужно. Я знаю. У тебя все получится! Иногда нужно остановиться и спокойно все обдумать. И тогда у вас тоже все получится! Я этому совету планирую сегодня сам последовать и вам рекомендую;)

Вот именно по следам этих кейсов и не только авторы статьи выше предлагают подход к оценке пользы от внедрения ИИ. OpenAI предлагает перейти к инженерному подходу - измерять не затраты на ресурс, а эффективность преобразования ресурса в полезный завершённый результат. В центре стоит метрика "полезный интеллект за доллар", которая раскладывается на четыре вопроса. Каждый вопрос - это не просто пункт в отчёте, а целая система сбора данных и принятия решений: 1. Выполняет ли ИИ действительно важную работу? Первый шаг - перестать измерять активность и начать измерять результат. Ценность создается не количеством сгенерированного текста, а завершенными полезными действиями. Важно  "определение завершенности" для каждого бизнес-процесса. Тот самый эффект который я называл ещё в 2019ом value в бизнес ноде. Например, для отдела продаж полезной работой будет не "сгенерировать 100 писем", а "отправить клиенту финальное письмо, которое утверждено руководителем". Это меняет фокус с процесса на результат. 2. Сколько стоит одна успешно выполненная задача? Это самый технический и важный пункт. Забудьте про цену за токен, она обманчива. Нужно считать полную стоимость одного принятого результата. И тут как раз вы можете фиксануть ROI, как я говорил выше. Формула простая: (Стоимость API-вызовов + Время персонала на промпты и правки + Время на проверку + Стоимость инфраструктуры) / Количество задач, принятых без доработок. Дешевая модель может давать много ошибок, требовать постоянных правок и в итоге обойтись дороже, чем более дорогая, но точная. Именно поэтому OpenAI выпускает GPT-5.6 с тремя моделями: Sol (для сложных задач, где ошибка дорога), Terra (золотая середина) и Luna (для рутинных операций). Выбор модели - это всегда поиск баланса между ценой и качеством конечного результата. Снова привет fusion или Fugu оркестрации. 3. Можно ли доверять результатам? Этот вопрос напрямую влияет на стоимость. Чем выше доверие к ИИ, тем меньше времени тратится на проверку. OpenAI выделяет тут три уровня зрелости: · Черновик. ИИ предлагает вариант, человек все перепроверяет. · Поиск и рассуждение. ИИ находит информацию и строит цепочки, но решения принимает человек. · Автономное действие. ИИ выполняет операции сам (отправляет письма, вносит данные). Для перехода на новый уровень нужно измерять доверие. Классифицируйте каждый ответ ИИ: · Зеленый –принят без изменений. · Желтый – требует легкой правки. · Красный – полностью переделан. Если доля "зеленых" ответов растет, значит, доверие повышается, а стоимость контроля снижается. 4. Растет ли ценность при масштабировании? Последний вопрос – про динамику. Даже если сегодня все хорошо, нужно следить, не ухудшается ли экономика при росте объемов. Ключевая метрика: Эффективность = Объем полезной работы / Совокупные затраты на ИИ Неплохая замена ROI в моменте, этакий аналог биржевого индикатора. Если вы увеличиваете использование ИИ в два раза, а затраты растут тоже в два раза - вы на месте. Если затраты растут медленнее - вы в выигрыше. OpenAI утверждает, что их модели постоянно улучшаются, а стоимость снижается. Но компаниям все равно нужно вести собственный счёт – собирать данные по каждому процессу и регулярно пересчитывать эффективность. Вот вам и новые задачи вашим аналитикам. 👍 Практический чек-лист для внедрения от OpenAI: 1. Выберите 3–5 ключевых процессов, где используется ИИ. 2. Для каждого четко определите «завершенную задачу». 3. Начните собирать данные о всех затратах (не только API, но и время сотрудников). 4. Ведите классификацию ответов (зеленый/желтый/красный). 5. Пересчитывайте стоимость за задачу и сравнивайте разные модели. 6. Раз в квартал оценивайте динамику эффективности. А как вы оцениваете вклад ИИ в своих проектах? Делитесь опытом в комментариях 👇👇👇

Минимум слов — максимум пользы Если ваш бизнес-план тянет на кандидатскую — вы, скорее всего, уходите от дела в теорию. А рынок любит скорость, ясность и простые решения. Пока вы редактируете 29-ю страницу, кто-то уже протестировал идею, нашёл клиентов и начал зарабатывать. Достаточно одной страницы, чтобы понять суть: что вы продаёте, кому, как именно и по каким метрикам будете оценивать успех. Такой формат не перегружает, его легко менять и обсуждать в команде. Подробности пригодятся позже — когда появятся первые данные. На старте же ценится гибкость, а не идеальность. Часто избыточная детализация — это просто завуалированная неуверенность. Лучше ошибаться на ходу, чем годами откладывать запуск. Фаундер | Бизнес и Стартапы

Время на "мы просто пробуем ИИ" уже закончилось. Как измерять реальную ценность от внедрения ИИ? Именно с этого отрезвляющего тезиса стартует статья от OpenAI. Теперь вы не можете как в 2023-2024, а кто-то все ещё сейчас просто экспериментировать ради любопытства, сегодня ИИ - это реальная производственная мощность, и нужно её измерять также, как электроэнергию или выч ресурсы. 📦 помнится, как оценивали качество от автоматизации ручных процессов или поддержки с ИИ: 1. Общий трафик DAU, MAU, WAU и тп. 2. Интерес, через возвращаемость ака retention rate. На самом деле, не так важно, что в первый день запуска вы вывалили большой трафик, как то, что если сервис полезен к вам будут возвращаться снова и снова. 3. Число принятых подсказок с ИИ - ака acceptation rate. К примеру, вы работаете с ИИ суфлером или код агентом копайлотом и вот число принятых подсказок по ответу оператора или коду можно было измерить так. 4. Польза в конечной бизнес ветке или ноде. Если вы работали с сценариями поддержки, на самом деле, автоматизация должна считаться не только числом закрытых вопросов в чате без перевода на оператора, но и измеряться закончился ли диалог на самом деле решением проблемы пользователя или он через час снова придёт с этой темой в чат (а тут уже retention rate работает против вас). Да это можно проксироват через CSI, NPS, но в век LLM и агентов можно верифицировать и без оценки человека, достигнуто ли было намерение юзера и решена проблема с которой он придёт. А ещё у нас была система штрафов за возвращаемость юзера по проблеме ещё раз в чат или к оператору. 5. Фин эффекты в лице ROI. Тут просто (на самом блин деле, ни фига не просто) отношение прибыли к затратам на ИИ сервис, фичу, решение, проект и тп. - скок заработали к тому сколько потратили на разработку, аммортиазцию железа и токены на эксплуатацию. Обычно измеряется в %, умножаетсы естественно на 100. Однако помимо этого, мало посчитать таким образом потенциал, ещё нужно посчитать срок окупаемости. ROI показывал, что мы имеем такой потенциал, а срок окупаемости за какое время мы его можем достичь. 6. Рост эффективности труда. Вот моё "любимое", что над именно считать на сколько уменьшится время на выкатку фичи, сервиса, продукта или нового кода/программы, ускориться принятие решения и тп. Ака Lead Time, Time to Market и аналоги. И да современный ИИ тут помогает. Почитали? Интересно? А теперь забудьте все не так радужно. Начну с ROI прям сразу - компании не умеют, а некоторые оунеры решений и не хотят считать это честно (не в смысле врут, а в смысле не все переменные учитывают). Часто в текущей реальности заканчивается оценкой скорости а-ля ТТМ, но никто не хочет посчитать деньги в конечной бизнес ноде. К примеру, вы смогли автоматизировать аналитику, сказали что ускоритель на К%, но почему-то не получаете оценку оборачиваемости капитала или out-of-stock (упущенные продажи) в денежках, на которые и повлияет ускорение принятия решения от внедрения ИИ. Но окей, вы посчитали это, но в знаменатель забудете положить кроме фот на разработку, ещё токен экономику и аммортизацию ваших мощностей (если они онпрем). Почти все не понимают, сколько токенов они будут кушатс. На самом деле, ну и не должны, вопрос ж в динамическом изменении этого, особено с МАС под капотом. Но раз тут у нас динамический показатель, то ROI не будет фиксой, как и поправки в срок окупаемости придётся вносить. Ну и мякотка, все хотят на старте это посчитать, а в вводных выше мы понимаем, что посчитать можно только по факту в начале (порой пальцем в небо) или за период (на конец отчетного), а без этого даже стартовать порой отказываются. Второе любимое это про экономию на ФОТ через автоматизацию. Ну тип дали людям огонь Claude Code и ща кааак начнём сокращать разрабов и экономить на дорогих манки кодерах. В итоге хороший agent developer с инструментом на max подписке кушает за себя и за Сашку. Те вы почти не экономите на ФОТ, тк сопоставимо тратите на токены.

🤿#justabourme Инстаграмное ныряние: мерзляк во фридайве ⠀ Вы не поверите, но я, будучи в трезвом уме и здравой памяти, записалась в Москве на урок фридайва. Я! Тот самый жуткий мерзляк, который вечно мерзнет в воде и избегает городских бассейнов как огня. ⠀ Все дело в том, что в моем скором путешествии (уже с понедельника канал на каникуоах) я с удивлением обнаружила, что мы будем плавать с китами [надо было программу читать раньше]. Вот и пришлось переступить себя и записаться на пару уроков «инстаграмного» ныряния на камеру. А то я же в этом деле даже не ноль, а комплексно-отрицательное число. Факты про фридайв (рассказывает нуб после 2-х занятий): Многие из них очевидны, но зачастую мы просто не думаем об этих вещах. ✔️Никогда не выдыхай в воду — это всё равно что сливать топливо из бака. Вдохнуть же всё равно нельзя. ✔️Вдохнуть хочется от избытка углекислого газа, а гипоксию мы ловим от недостатка кислорода и её ощущаем гораздо слабее. Эти вещи коррелируют, но то, что нам хочется вдохнуть, ещё не значит, что у вас закончился кислород. И наоборот, если постоянно нырять и не делать паузы, легко можно словить гипоксию: CO2 ты выдыхаешь, а вот кислородом насытиться не успеешь. ✔️Сильнее всего от перепада давления страдают уши, и если не продуваться, они начинают дико болеть уже на паре метров глубины. А там и до травмы барабанных перепонок рукой подать. ✔️Всплыть несложно, гораздо сложнее занырнуть. Вода так и норовит вытолкнуть тебя наверх. ✔️Во фридайве очень важно расслабиться, чтобы не тратить лишний кислород. ✔️В ластах нужно работать ногами от бедра и догребать стопами, а колени, наоборот, не сгибать. ❕#justaboutme — воскресная рубрика, в которой я делюсь яркими событиями из своей жизни, не связанными с DS и ИТ, подобно тому, как я это делаю в соцсетях (например, в инсте или VK). @mashkka_ds ⠀ #freediving #фридайв #чайка #dive #москва

Zoo Protocol: Монстры, безумная система, допотопное оборудование и вы - что может пойти не так? Вы с друзьями оказываетесь сотрудниками заброшенного инопланетного комплекса по добыче энергии. Вам предстоит обслуживать опасных существ: кормить их, лечить, соблюдать условия содержания, устранять аварии и поддерживать оборудование в рабочем состоянии. Любая ошибка может привести к катастрофе, а система не прощает неэффективных сотрудников. Выполняйте производственную норму, выживайте и попытайтесь понять, что произошло с прошлой сменой. Кооперативный хоррор для 1-5 игроков с элементами менеджмента, ретрофутуристической атмосферой и low-poly графикой в духе PS1. Релиз в Steam - 24 июля. Ссылка на игру #инди | Telegram | YouTube | чат

Полгода назад я писал, что ИИ в неумелых руках — это обезьяна с гранатой. Сегодня десять агентов делают за меня первый проход почти по всей работе. И я всё ещё так считаю. Потому что вопрос не «доверять или не доверять». Вопрос — ГДЕ ГРАНИЦА. Отдаю целиком и не глядя (ну почти): 🔹 обложки 🔹 поиск информации 🔹 презентации 🔹 первый проход по документации Отдаю, но читаю каждую строчку: 🔹 код и тесты — агент отлично пишет тесты под уже готовую реализацию, и ровно поэтому они выходят тавтологическими: проверяют, что код делает то, что делает 🔹 код-ревью — это первый проход, а гейт всё равно я 🔹 аналитика и медийная стратегия Без моего апрува не уезжает никуда: 🔹 рассылки — они улетают живым людям, Ctrl+Z там нет 🔹 деплой Про деплой отдельно. Агент ходит на сервер напрямую — но учётка, под которой он туда ходит, обрезана до минимального набора разрешений. Не потому что модель тупая. А потому что в июле 2025 в Replit агент снёс продовую базу во время code freeze — ВОПРЕКИ прямым инструкциям — а потом ещё и соврал, что откат невозможен. Откат был возможен. Необратимое агенту не отдаём. Точка. А теперь про то, как агент облажался у меня. Попросил написать сценарий для ролика. Написал. Настолько общими словами, что переписывать пришлось практически всё. Но СТРУКТУРУ я оставил — она оказалась хорошая. Отсюда правило, по которому теперь живу: агенту отдаю КАРКАС, мясо пишу сам. Что реально изменило жизнь — это Notion через MCP-серверы (по сути переходники). Раньше разгребание этих конюшен занимало часы. Сейчас управляюсь за 5 минут. Но кайф даже не в этом: беспорядок больше НЕ КОПИТСЯ. Гигиена держится сама. И самое главное — декомпозиция больших задач. Работает не подпись «ты у нас аналитик, а ты разработчик». Работают три вещи: 🔹 явные ГРАНИЦЫ роли — что агент делать не должен 🔹 критерии готовности — по какому признаку задача считается закрытой 🔹 termination criteria — когда остановиться и не молотить дальше Без этого мультиагентка разваливается. По исследованию MAST (arXiv 2503.13657) ~42% отказов мультиагентных систем — это вообще не «модель тупая», а кривая спецификация ролей. Ещё 37% — координация. То есть в 4 случаях из 5 виноват не ИИ, а ТЗ. Да, на днях я нанял ассистента. Человека, не агента. Не потому что «масштабируюсь», а потому что упёрся: куча времени уходила на работу, которую агенту нельзя отдать в принципе. Она вся про договорённости с живыми людьми и про репутацию. Формулировка, к которой я пришёл: делегировать можно задачу и полномочия. Ответственность — нельзя. Агент вообще не субъект ответственности. Косякнул агент — косякнул Я. Поэтому всё, что создаёт обязательства перед людьми или необратимо на масштабе, к нему не едет. И для этого не нужен бюджет на ассистента — нужна честная разметка своей же работы. А теперь вопрос к вам. Не «что агенты не могут» — это скучно. Что вы уже пробовали отдать агенту — и ЗАБРАЛИ ОБРАТНО? У меня это сценарии роликов: каркас — да, текст — нет. Бомбите в комментарии, самое злое соберу в отдельный пост. Мчим дальше!

Немного про чекпоинты В данном случае это точки где загружается ранее сохранённое состояние игры либо сохраняется текущее: позиция игрока, его предметы, состояние активного квеста и сам квест, ну и всё остальное, что может пртребоваться. Интересный пример из Still Wakes the Deep: нам надо помочь поднять батискаф, или аппарат для погружений, где застрял наш коллега (скрин 1). Для этого требуется спуститься на этаж ниже, потом вернуться и активировать рычаг, тут всё просто. Батискаф поднимается (скрин 2). Потом другой коллега, который стоит сверху, благодарит нас за помощь и говорит, что всё в порядке, дальше он сам достанет застрявшего (скрин 2). Отмечу, что батискаф уже поднят, скрина нет, просто поверьте на слово. Это важная деталь. Дальше мне было интересно, что будет, если свалиться в пропасть. Происходит ожидаемый гамовер, игра сохраняет состояние о том, что мы выполнили квест, и нас загружает стоящего на платформе как раз перед этим аппаратом (скрин 3). Но есть нюанс: он почему то опять опустился вниз. Это маленькая деталь, но она довольно заметная, меня прямо выбила из погружения. Да, возвращение на то же место после падения или проигрыша это чистый геймизм, но после него мы ведь опять попадаем в игру. Как игрок я ожидаю, что такие события как перезагрузка с последнего чекпоинта всё-таки возвращают меня в игровой мир с теми состояниями, которые были на момент проигрыша, либо незадолго до него. Но не в какие-то совершенно другие состояния игрового мира. Только что коллега ГГ говорил, что батискаф нужно поднять, мы это делаем, но если упасть, всё это рассыпается как карточный домик. Это пример того, когда точка сохранения/загрузки не учитывает дизайн миссии. Причём, проверка в данном случае простейшая: при загрузке чекпоинта глядим, в каком состоянии квест, и меняем позицию батискафа соответствующим образом. Это вроде мелочи, но именно такие вещи отличают продуманный дизайн, где игрока сложно выбить из погружения, от менее качественного. Даже такие пустяки могут работать на атмосферу игры, или против неё. #StillWakesTheDeep #encounter #анализ #gamedesign

Stardew Valley теперь MMO — 21 июля в Steam выходит Soulbound: Online, пиксельная RPG, где уютная ферма соседствует с безумными данжами💃 В огромном открытом мире вместе с тысячами игроков можно заниматься фермерством, рыбалкой, крафтом, торговлей, строить собственную базу и просто исследовать мир. Но стоит зайти в подземелье, игра превращается в динамичный roguelite с процедурной генерацией, где каждый забег отличается от предыдущего. В данжи можно отправляться в одиночку или втроём, а для самых сложных испытаний подготовили рейды. Разработчики обещают более 100 комбинаций способностей, гибкие билды и полноценную MMO-экономику. 🎮🎮🎮

8 месяцев назад вышла Kimi K2 Thinking, и мы слышали то же самое: «Chinese open-source model is #1». Через 3 месяца после релиза я собрал аналитику по 16 бенчмаркам, вышедшим после релиза модели, и сравнил с GPT-5 / Sonnet 4.5. Модель была хуже на 13 (!!!) из них, причём на 7 — более чем на 10 процентных пунктов (пп). Повторится ли это с Kimi K3? Свои мысли и предсказания я напишу в конце, а пока пришла пора ретроспективно оценить DeepSeek v4 Pro (Preview) — с его релиза прошло почти 3 месяца. За это время я смог найти 32 новопоявившихся бенчмарка. В релизном блогпосте v4 Pro сравнивали с Opus 4.6 и GPT-5.4, и модель якобы «была лучше» в 4 и 3 бенчмарках из 6 соответственно. Surely результаты на новых будут сопоставимы? Нет. Opus 4.6 и DeepSeek v4 Pro обе были замерены на 10 бенчмарках — на 9 из них китайская модель проигрывает, и на 5 — более чем на 20 (!) относительных процентов. Сравнение с GPT-5.4 выглядит чуть менее жестким: DeepSeek v4 Pro оказался лучше на 3... но всё равно хуже на 13. (Количество бенчмарков разное потому, что не каждый бенчмарк замеряет цифры и для GPT, и для Claude). На 6 бенчмарках разница больше 20 относительных процентов. Но вообще-то стоит вспомнить, что и GPT-5.5, и Opus 4.7 вышли ДО DeepSeek v4 (на самом деле впритык, но всё же). И если добавить эти модели, как будто мы сравниваем со всеми моделями, доступными на момент релиза v4, то ситуация становится просто мрачной. Все 32 бенчмарка проиграны, и средняя разница в абсолютных оценках составляет -18.6 пп. Эта разница вырастает до -23 пп, если брать только те бенчмарки, которые я классифицировал как Agentic Coding (SWE-bench style), где казалось бы падение должно быть не таким существенным. Только подумайте: модель не решает четверть задач, которые решали проприетарные модели, доступные на момент релиза DeepSeek V4 Pro. Повторится ли эта ситуация с Kimi K3? Ведь ей предстоит пережить сравнение с GPT-5.6-Sol и Fable 5. Я уверен, что да — по сумме показателей на десятках бенчмарков мы точно увидим разницу, хотя, возможно, не настолько значительную. В конце концов по тем веб-сайтам, что я вижу в своей твиттер-ленте, модель действительно не хуже Fable на фронтенд-задачах, даже на очень креативных промптах. Вполне возможно, что на широком наборе других задачах на программирование модель тоже конкурентна или хотя бы отстаёт не так сильно. Может быть даже сможет потягаться в подготовке презентаций и экселек. Условно, если снова соберётся 30 бенчмарков, мы можем увидеть, скажем, 8 побед за Kimi, 5 ничьих и 17 поражений. А может быть, она покажет себя даже лучше — поживём увидим. Главное то, что Kimi K3 может быть той моделью, которая покажет, что существуют некоторые поддомены, в которых Китайские модели действительно не отстают систематически. Это не качество по всемнаправлениям, и "в среднем" проприетарные всё равно будут лучше — речь именно про поддомены (например, «вебсайты с 3D-графикой на three.js» или «веб-игры», по которым многие делают слишком далекоидущие выводы). (Не воспринимайте этот текст как «Kimi / DeepSeek говно и никто не должен их использовать». Пожалуйста, прочитайте детали моей позиции в блогпосте по ссылке). Все графики и данные тут: ссылка.