Технічний контекст
Я люблю такі польові сигнали більше, ніж будь-які глянцеві бенчмарки. Коли людина пише, що Kimi зручніше ганяти на тестах, Sonnet 4.6 гнучкіший, а на слові «кібербез» частина моделей просто йде в лок, я одразу думаю не про лідерборди, а про реальну AI-інтеграцію в робочий пайплайн.
І ось картина досить приземлена. Kimi дійсно непогано показує себе на структурованих безпекових задачах: CTF, форензика, аналіз артефактів, покроковий розбір. За моїми спостереженнями, він часто намагається бути повнішим, ніж акуратнішим, і для тестового середовища це іноді навіть плюс.
Sonnet 4.6 мені теж зрозумілий. Він не завжди найсміливіший за глибиною, але зазвичай рівніше тримає хід думки і менше розвалюється на довгих ланцюжках. Якщо потрібна не разова магія, а передбачувана поведінка в AI-автоматизації для командних процесів, така стабільність цінніша за одиничний вау-результат.
З Codex історія інша. Він цікавий не тим, що «краще думає про безпеку», а тим, що швидше доводить задачу до робочого коду, інтеграції та корисного результату. Якщо доступ до розширеного підтвердження та плагінів відкритий, він добре лягає в інженерні сценарії, де треба не сперечатися з моделлю, а зібрати інструмент.
А ось блокування у Anthropic та загалом жорсткі safety-локи у frontier-моделей зараз уже частина архітектури, а не випадковість. Тобто обирати модель під кібербез потрібно не тільки за якістю відповідей, а й за тим, чи переживе вона сам факт безпекового контексту без відмови.
Що це змінює для бізнесу та автоматизації
Якщо коротко, виграють ті, хто розділяє ролі моделей. Kimi я б дивився для дослідницьких тестів і лабораторій, Sonnet 4.6 для стабільніших production-процесів, Codex для збирання утиліт, внутрішніх агентів і швидких безпекових інтеграцій.
Програють команди, які намагаються повісити весь контур на одну модель. На практиці ви впретеся або в safety-блоки, або в слабку виконуваність, або в ціну помилки на довгих сценаріях.
Я якраз такі розвилки постійно бачу в проєктах. У Nahornyi AI Lab ми зазвичай не сперечаємося, яка модель «найкраща», а збираємо AI solutions architecture під конкретний ризик, доступи та тип задач, щоб automation with AI не ламалася на першому ж чутливому промпті.
Якщо ваша безпекова команда витрачає години на ручний розбір, triage або внутрішні інструменти, можна спокійно розкласти це на робочі блоки. І вже під них у Nahornyi AI Lab разом із Vadym Nahornyi зібрати AI solution development без гарних казок про універсальну модель, зате з нормальним результатом у проді.