Технический контекст
Я люблю такие замеры больше любых рекламных бенчмарков. Тут человек просто запустил 13 параллельных сессий Sol Ultra в fast mode и получил очень приземлённый результат: минус 30% недельного лимита примерно за полчаса, при том что 12 сессий успели завершиться.
Для меня это не новость про «дорогую модель». Это новость про AI automation в реальном ресёрче, где токены становятся топливом, а плохая AI architecture мгновенно превращает работу в костёр из бюджета.
По доступным данным, у Sol Ultra нет отдельной наценки именно за fast mode. Основная проблема в другом: модель любит распараллеливать задачу через субагентов, и реальный расход растёт не на проценты, а в разы. Если оркестратор у вас Sol Ultra, то каждый неудачно настроенный форк легко наследует ту же дорогую модель.
И вот здесь я как раз тормознул. В обсуждении сначала прозвучало, что параметры для субагентов не регулируются, но дальше уточнили: в YAML можно задавать пресеты ролей, модель и даже отдельно прописывать более дешёвый режим для части веток. То есть проблема не только в лимитах продукта, а в том, как собрана сама оркестрация.
Если брать грубую оценку из открытых ставок, Sol Ultra стоит около $5 за миллион входных и $30 за миллион выходных токенов, а длинный контекст ещё дороже. При 13 параллельных сессиях с активным ветвлением счёт может улетать в сотни долларов за один заход. Так что эмоция «нам нужно по подписке на каждые 100 минут работы» звучит гиперболично, но по сути она попадает в главный нерв: внешний исследователь очень быстро упирается в экономику.
Влияние на бизнес и автоматизацию
Первый вывод у меня простой: нельзя строить серьёзный ресёрч-стек на одной топовой модели для всех шагов. Дорогую reasoning-модель я бы оставлял только на узких развилках, а сбор литературы, черновую классификацию, извлечение фактов и часть экспериментов отдавал бы более дешёвым агентам.
Второй вывод неприятнее. Выигрывают команды, у которых уже есть почти безлимитный доступ к токенам, данным и внутренним пайплайнам проверки гипотез. Проигрывают одиночные исследователи и маленькие команды, если они идут в лоб без нормальной AI integration и контроля субагентов.
И да, я не куплю тезис, что «вся наука завтра схлопнется в пару лаб». В биомеде, клинике, железе и всём, что упирается в реальные эксперименты, токены не единственный боттлнек. Но в областях с огромным search space концентрация ускорится уже сейчас, это видно невооружённым глазом.
Мы в Nahornyi AI Lab как раз решаем такие истории для клиентов: где оставить сильную модель, где удешевить оркестрацию, а где вообще заменить дорогой проход на внятную автоматизацию с человеком в контуре. Если у вас research workflow уже жжёт бюджет быстрее, чем даёт результат, давайте разберём архитектуру и соберём AI solution development под вашу реальную нагрузку, а не под красивый демо-сценарий.