Используйте несколько моделей
@ai_longreadsОптимальная стратегия для получения максимума от ИИ в 2026 году — это использование разных моделей для разных задач.
Это AI-перевод статьи, сделанный каналом Про AI: Лучшие Статьи и Исследования.
Используйте несколько моделей
Use multiple models Автор: Nathan Lambert Оригинальный текст:
Начну с описания моего текущего AI-стека и того, как он изменился за последние месяцы. Для чата я использую комбинацию:
GPT 5.2 Thinking / Pro: Чаще всего я использую ИИ для получения информации. Обычно это какая-то деталь из статьи, которую я помню, метод, который я проверяю для своей RLHF Book, или другой нишевый факт. Я знаю, что GPT 5.2 найдёт нужное, если оно существует, и использую Thinking для более простых запросов, а Pro — когда хочу убедиться в правильности ответа. GPT Pro уже довольно долго остаётся бесспорным королём для исследований — определение Саймона Уиллисона как «research goblin» (исследовательский гоблин) по-прежнему кажется точным.
Я никогда не использую GPT 5 без thinking (режима рассуждений) или другие чат-модели OpenAI. Возможно, мне стоит больше вложиться в пользовательские инструкции, но модели без thinking всегда кажутся немного небрежными по сравнению с конкурентами, и я быстро переключаюсь. Я слышал слухи, что модели Thinking и не-Thinking GPT разрабатываются даже разными командами, так что логично, что они могут существенно различаться.
Я также редко использую Deep Research от любого провайдера, предпочитая GPT 5.2 Pro с более конкретными инструкциями. В первой половине 2025 года я почти исключительно использовал thinking-модели ChatGPT — Anthropic и Google проделали хорошую работу, чтобы вернуть часть моего внимания.
Claude 4.5 Opus: К Claude я обращаюсь для базовых вопросов по коду, визуализации простых данных и получения более развёрнутой обратной связи по моей работе или решениям. Тон Opus особенно освежает, когда пытаешься немного подтолкнуть модели (так, как раньше это делал для меня GPT 4.5 — я был активным пользователем этой модели в первой половине 2025). Claude Opus 4.5 не особенно быстр по сравнению со многими моделями, но когда ты привык использовать thinking-модели GPT, как я, он кажется намного быстрее (даже с постоянно включённым extended thinking (расширенным режимом рассуждений), как у меня) и достаточным для такого типа работы.
Gemini 3 Pro: Gemini — для всего остального: объяснения концепций, которые, я знаю, хорошо покрыты в обучающих данных (и небольшие галлюцинации допустимы, например, мои бывшие rabbit holes по Google), мультимодальность и иногда очень длинный контекст (хотя GPT 5.2 Thinking сделал большой шаг вперёд здесь, так что разрыв сократился). Я всё ещё регулярно открываю и использую приложение Gemini, но привязанность к нему немного меньше, чем к двум другим.
По сравнению с ChatGPT иногда кажется, что режим поиска Gemini работает не совсем так. Возможно, это продуктовое решение о том, как информация представляется пользователю, но тщательный, повторяющийся поиск GPT по нескольким источникам внушает уверенность, которую я не получаю от Gemini для свежей или исследовательской информации.
Grok 4: Я использую Grok примерно раз в месяц, чтобы найти какую-то новость об ИИ или альфу, которую помню из просмотра X. Grok, вероятно, недооценён с точки зрения интеллекта (особенно Grok 4 был впечатляющим техническим релизом), но у него не было прилипчивого продукта или отличительных функций для меня.
Для изображений я использую в основном Nano Banana Pro и иногда GPT Image 1.5, когда Gemini не справляется.
Для кодирования я в основном использую Claude Opus 4.5 в Claude Code, но иногда всё ещё нуждаюсь в OpenAI Codex или даже мульти-LLM сетапах вроде Amp. За праздничные каникулы Claude Opus помог мне обновить все графики для The ATOM Project, что включало существенную обработку наших сырых данных из скрейпинга HuggingFace, выполнить значительные правки для RLHF Book (где он оказался довольно хорошим редактором при предоставлении детальных инструкций о том, что нужно делать) и другие побочные проекты и задачи по организации жизни. Недавно я опубликовал статью, объясняющую мою текущую одержимость Claude Opus 4.5, рекомендую её прочитать, если ещё не успели:
Почему стоит использовать несколько моделей
Подводя итог: я плачу за лучшие модели и очень ценю маргинальный прирост интеллекта по сравнению со скоростью — особенно потому, что для многих задач, которые я выполняю, модели только начинают справляться с ними хорошо. По мере того как эти возможности распространятся в 2026 году, скорость станет более определяющим фактором при выборе модели.
Peter Wildeford опубликовал пост в X с отличной графикой, отражающей очень похожий паттерн использования.
По всем этим категориям не похоже, что я мог бы обойтись только одной из этих моделей без существенной потери возможностей. Это очень сильное подтверждение идеи о том, что ИИ является jagged (неравномерным) — то есть с очень сильными возможностями, распределёнными неравномерно — хотя это также несколько необычный способ использования продукта. Каждая модель неравномерна по-своему. В 2023, 2024 и ранние дни современного ИИ часто казалось, что всегда есть одна побеждающая модель, и следить за этим было проще. Сегодня требуется много работы и настройки, чтобы убедиться, что вы не упускаете возможности.
Переключение между моделями как рабочий паттерн
Рабочий паттерн, который больше всего укрепляет эту эру использования нескольких моделей — это то, как часто моя проблема с ИИ-моделью решается передачей того же запроса равноценной модели. Модели застревают, некоторые не могут найти баги, некоторые агенты для кодирования застревают на каком-то странном, субоптимальном подходе и так далее. В этих случаях довольно часто получается запустить другую модель или агента и разблокировать проект.
Если бы такой мульти-модельный подход или переключение агентов происходило изредка, это было бы ожидаемо, но поскольку это происходит регулярно, это означает, что модели на самом деле все довольно близки к тому, чтобы решать задачи, которые я им подбрасываю — они просто не совсем там. Интуиция здесь такова: если мы рассматриваем каждую задачу как имеющую вероятность успеха, и эта вероятность была бы низкой для каждой модели, переключение почти всегда терпело бы неудачу. Для того чтобы переключение регулярно решало задачу, каждая модель должна иметь достаточно высокую вероятность успеха.
На данный момент кажется, что задачи на границе возможностей ИИ всегда будут поддерживать эту мету переключения моделей, но это движущийся набор возможностей. То, на чём мне нужно переключаться сейчас, скоро будет решаться всеми моделями следующего поколения.
Я очень доволен ценностью, которую получаю от своих сотен долларов подписок на ИИ, и вам, вероятно, стоит рассмотреть то же самое, если вы работаете в области, похожей на мою.
Открытые модели и будущее
На противоположной стороне от frontier-моделей (передовых моделей), стремящихся сделать текущие cutting-edge (передовые) задачи на 100% надёжными, находятся открытые модели, стремящиеся подорвать цену frontier-моделей. Планы для кодирования на открытых моделях обычно стоят в 10 раз (или больше) дешевле планов frontier-лабораторий. Это скучный тезис, но в ближайшие несколько лет я ожидаю, что этот разрыв в основном останется стабильным, где многие люди получают безумную ценность от передового края моделей. Потребуется больше времени для того, чтобы подрыв открытыми моделями ударил по frontier-лабораториям, хотя с базовых принципов это выглядит как шаткая позиция для них с точки зрения затрат на R&D и развёртывание. Открытые модели даже близко не подошли к Claude 4.5 Opus или GPT 5.2 Thinking в моём использовании.
Другой фактор в том, что 2025 год дал нам всем Deep Research агентов, код/CLI агентов, поиск (и Pro) с использованием инструментов моделями, и почти наверняка появятся новые форм-факторы, которые мы будем использовать почти каждый день, выпущенные в 2026. Исторически закрытые лаборатории были лучше в выпуске новых продуктов в мир, но с лучшими открытыми моделями это должно быть более распределённым, поскольку хорошие продуктовые возможности очень диффузны по всей технологической экосистеме. Чтобы извлечь из этого выгоду, вам нужно инвестировать время (и деньги) в испытание всех передовых ИИ-инструментов, которые вы можете достать. Не будьте лояльны одному провайдеру.
Подпишитесь на канал и каждый день читайте лучшие материалы про AI переведенные на русский!
Нашли интересную статью для перевода? Пришлите нашему боту: @ailongreadsbot