Технический контекст
Я зацепился не за официальный релиз, а за живое наблюдение из практики: детальный план собирают на Sol, а реализацию прогоняют через Terra, и субъективно результат держится surprisingly близко к более дорогому режиму. Для AI implementation это очень здравая мысль, потому что не все этапы пайплайна требуют одинаковой глубины мышления.
Я обычно смотрю на такие вещи через архитектуру задач, а не через маркетинговые названия моделей. Если этап требует длинного горизонта, декомпозиции, зависимостей между файлами и внятного плана миграции, я бы тоже тянул туда Sol. Если дальше уже нужен scoped execution, правки по ТЗ, дописывание модулей, тесты, рефактор по списку, Terra начинает выглядеть намного рациональнее.
Цифры тут поддерживают интуицию. По доступным ориентирам Sol заметно сильнее в long-horizon coding и agentic сценариях, а Terra стоит примерно вдвое дешевле по output token и при этом остается очень крепкой рабочей лошадкой. Разрыв по общему intelligence-уровню не выглядит драматическим, зато разрыв по цене уже влияет на реальный недельный лимит и бюджет команды.
Где я бы притормозил: не надо превращать это в слепое правило. Если задача грязная, с неявными зависимостями, нестабильными требованиями и риском сломать половину репозитория, перенос исполнения на Terra может вернуть экономию боком. Но если Sol уже выдал хороший пошаговый план, контракты модулей и критерии приемки, Terra часто отрабатывает surprisingly чисто.
Бизнес и automation impact
Для бизнеса тут вижу три прямых эффекта. Первый: можно строить AI automation пайплайны по глубине этапа, а не по принципу “все на самой умной модели”. Второй: снижается расход лимитов на рутину, значит команда дольше держит темп без постоянного упора в потолок. Третий: проще считать ROI, потому что дорогой reasoning остается только там, где он реально окупается.
Выигрывают команды, у которых уже есть дисциплина: нормальные промпты, acceptance criteria, понятная структура задач. Проиграют те, кто надеется, что более дешевая модель сама додумает архитектуру за них.
Я как раз такие развилки регулярно раскладываю с клиентами в Nahornyi AI Lab: где нужен сильный planning layer, а где достаточно дешевого execution layer без потери результата. Если у вас AI integration уже ест бюджет или лимиты, можно спокойно разобрать ваш процесс и собрать AI solution development под реальные узкие места, а не под красивые демки.