Технічний контекст
Я люблю такі заміри більше, ніж будь-які рекламні бенчмарки. Тут людина просто запустила 13 паралельних сесій Sol Ultra в швидкому режимі й отримала дуже приземлений результат: мінус 30% тижневого ліміту приблизно за півгодини, при тому що 12 сесій встигли завершитися.
Для мене це не новина про «дорогу модель». Це новина про AI-автоматизацію в реальному ресерчі, де токени стають пальним, а погана AI-архітектура миттєво перетворює роботу на вогнище з бюджету.
За доступними даними, у Sol Ultra немає окремої націнки саме за швидкий режим. Основна проблема в іншому: модель любить розпаралелювати завдання через субагентів, і реальне споживання зростає не на відсотки, а в рази. Якщо ваш оркестратор — Sol Ultra, то кожен невдало налаштований форк легко успадковує ту саму дорогу модель.
І ось тут я якраз загальмував. У обговоренні спочатку прозвучало, що параметри для субагентів не регулюються, але далі уточнили: у YAML можна задавати пресети ролей, модель і навіть окремо прописувати дешевший режим для частини гілок. Тобто проблема не лише в лімітах продукту, а в тому, як зібрана сама оркестрація.
Якщо брати грубу оцінку з відкритих ставок, Sol Ultra коштує близько $5 за мільйон вхідних і $30 за мільйон вихідних токенів, а довгий контекст ще дорожчий. При 13 паралельних сесіях з активним розгалуженням рахунок може відлітати в сотні доларів за один захід. Тож емоція «нам потрібно по підписці на кожні 100 хвилин роботи» звучить гіперболічно, але по суті вона влучає в головний нерв: зовнішній дослідник дуже швидко впирається в економіку.
Вплив на бізнес та автоматизацію
Перший висновок у мене простий: не можна будувати серйозний ресерч-стек на одній топовій моделі для всіх кроків. Дорогу reasoning-модель я залишав би тільки на вузьких розвилках, а збір літератури, чорнову класифікацію, вилучення фактів і частину експериментів віддавав би дешевшим агентам.
Другий висновок неприємніший. Виграють команди, у яких уже є майже безлімітний доступ до токенів, даних і внутрішніх пайплайнів перевірки гіпотез. Програють окремі дослідники та маленькі команди, якщо вони йдуть у лоб без нормальної AI-інтеграції та контролю субагентів.
І так, я не куплю тезу, що «вся наука завтра схлопнеться в пару лабораторій». У біомеді, клініці, залізі та всьому, що впирається в реальні експерименти, токени не єдиний ботлнек. Але в областях із величезним простором пошуку концентрація прискориться вже зараз, це видно неозброєним оком.
Ми в Nahornyi AI Lab якраз вирішуємо такі історії для клієнтів: де залишити сильну модель, де здешевити оркестрацію, а де взагалі замінити дорогий прохід на зрозумілу автоматизацію з людиною в контурі. Якщо ваш research workflow вже палить бюджет швидше, ніж дає результат, давайте розберемо архітектуру і зберемо AI solution development під ваше реальне навантаження, а не під красивий демо-сценарій.