Hacker News Digest

GPT‑6.1 Sol — это обновлённая версия модели GPT‑6 Sol, которая почти достигает уровня интеллекта GPT‑6 Astra в задачах агентного кодирования, использования компьютера и профессиональной работы, но стоит в пять раз дешевле. Стоимость кэшированного ввода составляет всего $0,10 за миллион токенов — на 95% ниже стандартной цены ввода и на 50% ниже, чем у GPT‑6 Sol, что делает модель особенно выгодной для разработчиков, создающих агенты с повторным использованием контекста.

В тесте DeepSWE v1.1, оценивающем сложные инженерные задачи в реальных кодовых базах, GPT‑6.1 Sol показывает результаты, сравнимые с GPT‑6 Astra. Модель также демонстрирует значительные улучшения над GPT‑6 Sol в написании и отладке кода, анализе документов и выполнении многошаговых бизнес-процессов. При этом она сохраняет высокий уровень фактической точности и эффективности, предлагая оптимальный баланс между возможностями и стоимостью для повседневной профессиональной работы в масштабе.

Тред подтверждает экономию GPT‐6.1 Sol, но поднимает вопросы о её реальном качестве, регрессии по сравнению с Sol 6 и Astra, а также о последствиях ускоренного графика выпусков (почти еженедельно). Кешированный ввод стоит $0.10 за миллион токенов — на 95 % дешевле стандартных цен и на 50 % дешевле, чем у GPT‐6 Sol. Пользователи отмечают, что цена становится главным конкурентным полем, но практические сравнения с Opus 5.5 и Luna показывают, что дешёвая модель не всегда заменит более мощные варианты. Многие считают, что частые релизы приводят к нестабильности и регрессии качества, как с Sol 6. Спор: некоторые утверждают, что 6.1 Sol почти дублирует Astra по качеству; другие отмечают падения в кодинге и агентных задачах по сравнению с Sol 5.6. Сравнения с Opus 5.5 показывают, что Opus часто превосходит 6.1 Sol в кодинге, хотя 6.1 Sol дешевле и иногда сопоставим с Astra. Пользователи считают, что текущие бенчмарки мало отражают реальную продуктивность; важнее практические тесты и отзывы. Есть предположение, что 6.1 Sol — дистиллированная версия Astra или переименованный Terra‐6, что объясняет схожесть результатов. Токен‐цена становится главным полем битвы между провайдерами; некоторые видят в этом драйвер IPO Anthropic. Некоторые считают, что падение цен сигнализирует о превращении ИИ‐моделей в товар без реального «рова». Совет: для компаний с высоким потреблением рекомендуется резервировать 3‐5 % лимита под дешёвый Luna, чтобы избежать перебоев при достижении лимитов Sol/Astra. Совет: в крупных предприятиях планы $200‐$500 в месяц могут быть оправданы при интенсивном использовании в Jira, Slack и больших кодовых базах. Ультра‐быстрый режим Astra (300 токенов/сек) считается значительным техническим достижением, хотя пока не интегрирован в 6.1 Sol. Спор: отсутствие прямых сравнений с Opus 5.5 в анонсе заставляет некоторых сомневаться в конкурентоспособности 6.1 Sol. Некоторые считают, что анонсы моделей стали более инкрементальными, а не революционными, снижая их «восторг». Опыт пользователей показывает, что более дешёвая модель Sol 6.1 может быть достаточной для большинства задач, если не требуется высочайшая точность. Некоторые замечают, что быстрый рост стоимости планов (Pro 500) и снижение лимитов у Pro 200 могут оттолкнуть часть пользователей.

Mimo-v2.6-pro и mimo-v2.6-flash — это два параллельных RL-обучения модели от Xiaomi, запущенные 15 сентября 2026 года. На момент обновления pro-версия находится на шаге 13 (из 16), flash — на шаге 15. Оба обучения используют динамический сэмплинг (dynsam) с размером батча 1,568 × 16 последовательностей. Про-версия уже потребила $861,441 и 2.49B токенов на текущем шаге, flash — $382,043 и 2.69B токенов. Общая стоимость проекта превысила $1.24 млн, а суммарное количество обработанных токенов достигло 35.2B для flash и 27.6B для pro.

По метрике DeepSWE v1.1 mini-swe-agent (avg@3) pro-версия опережает flash: 63.72 против 60.77. Динамика показателей улучшается: dynsam/avg@n вырос с шага 1 на +0.059 у pro и +0.083 у flash. Однако наблюдаются компромиссы: у pro снижается grad_norm и растёт entropy_loss, у flash — наоборот, растёт pg_loss и падает entropy_loss. Средняя длина контекста у pro составляет 99.6k токенов (+6.5k от шага 1), у flash — 107k (−4.7k). Время на шаг у pro увеличилось (+5м), у flash уменьшилось (−10м), что отражает разные нагрузки на trainer_ops и outer_gen. Недавние перезапуски были связаны с инфраструктурными ошибками в датасетах и проблемами VRAM на узлах. Офлайн-оценка результатов продолжается.

Mimo-v2.5 демонстрирует высокую ценность для инженеров при низкой стоимости, обеспечивая отличный ROI, сравнимый с Anthropic, особенно для кодирования и выполнения инструкций. Однако возникают сомнения в реальности данных дашборда и качестве по сравнению с другими моделями: некоторые пользователи отмечают, что Mimo-v2.5 уступает Qwen 3.8-flash-next и GLM 5.3, допуская базовые ошибки, в то время как другие считают его надежным для повседневных задач. Есть несоответствие между утверждением о перезапуске flash-обучения и отсутствием изменений в графиках дашборда. Mimo-v2.5 активно используется как рабочая лошадка для агентов-кодеров и тестировщиков в средах, где важны скорость и низкая стоимость, а не абсолютная точность. Он показывает сильные результаты в tool calling и следовании инструкциям, подходит для автоматизированных рабочих процессов, несмотря на occasional hallucinations. Модель лучше всего работает на простых задачах (например, написание скриптов на Python), но теряет надежность на сложных, многокомпонентных проектах. Открытость Xiaomi в публикации данных обучения воспринимается как прорыв на фоне закрытости OpenAI и Anthropic, вызывая интерес к подобным практикам. Пользователи рекомендуют пробовать Mimo-v2.5 через OpenRouter, где он доступен бесплатно, чтобы оценить эффективность без финансовых рисков. Сравнение с DeepSWE v1.1 (19% для Mimo-v2.5-Pro) указывает, что модель находится вне фронт-зоны (лидеры — 70%+), но может быть конкурентоспособной в специфических сценариях. Гипотеза о использовании Claude в качестве основы для Mimo не подтверждена и считается спекуляцией. Высокая скорость обучения и прозрачность дашборда вызывают восхищение, но поднимают вопросы о возможной контаминации данных при бенчмаркинге во время обучения. Расходы на обучение Mimo-v2.6 (около $1.2M) и скорость $5/секунду вызывают вопросы о масштабе ресурсов, но детали инфраструктуры и MFU остаются неизвестными.

SWE-2 — это новая модель для программирования, которая достигает 50.0% на FrontierCode 1.1 Main, почти сравниваясь с Fable 5.1 (50.9%), но при этом в 64% дешевле. Она построена на базе Kimi K3 (2.8T параметров) и использует улучшенное обучение с подкреплением, где все уровни усилий обучаются за один запуск, что сдвигает всю границу стоимость–производительность вперёд. По сравнению с предшественником SWE-1.7, SWE-2 набирает больше баллов на всех ключевых тестах: на DeepSWE 1.1 — 73.0% против 37.7%, на Terminal-Bench 2.1 — 92.8% против 81.5%, а на FrontierCode 1.1 — 50.0% против 42.0%. При этом среднее число шагов решения задачи снизилось на 58%, а стоимость — на 81% в режиме «medium».

Ключевые инновации включают линейные штрафы за стоимость в процессе обучения, выровненные по локальному наклону границы Парето, что позволяет сохранять её форму, улучшая эффективность. Также использованы взвешенные по длине базовые награды для стабильности обучения, улучшенный сервис rollout с NVFP4/FP8 ядрами и квантованием, что снижает расход памяти несмотря на почти утроенное число параметров по сравнению с SWE-1.7. Данные для обучения увеличены втрое, добавлены overlays для следования инструкциям, и построен самовоспроизводящийся цикл, где предыдущие чекпоинты SWE-2 укрепляют верификаторы. Модель уже доступна в Devin Desktop, CLI, Web и Fusion.

Сомнения в ценности SWE‐2: бенчмарки (особенно Terminal Bench 2.1) считаются устаревшими и «забенчмаренными», а резкий спад с 92.8% до 27.3% между TB2.1 и TB4 вызывает вопросы об обобщаемости модели. Улучшения SWE‐2, по мнению многих, связаны не с качеством кода, а с сокращением токенов — при этом стоимость задачи выше, чем у альтернатив, из-за большего объёма генерируемых токенов. Модель требует проприетарной платформы Devin, что создаёт барьер для внедрения. Конкурирующие открытые модели, например DeepSeek 4.1 Flash, требуют 160–250 ГБ ОЗУ и непрактичны для большинства. SWE‐1.5/1.6 показывали умеренную полезность для мелких задач, SWE‐1.7 — нет; есть надежда на SWE‐2, но ранние продукты Cognition получали негативные отзывы, хотя некоторые отмечают улучшения в Devin. Споры о новизне: пост-тренировка Kimi K3 с RL не делает её принципиально новой моделью, но другие видят в этом доказательство достижения уровня Fable 5.1. Скептики считают, что RL не может компенсировать разницу в параметрах (2.8T против 10T). Заявленная конкуренция с GPT-Astra оспаривается — SWE‐2 не умеет работать с CAD и другими задачами компьютерного взаимодействия. Пользователи требуют открытые веса, не желая зависеть от закрытых провайдеров. Все согласны: когда бенчмарк становится целью оптимизации, он теряет ценность — ожидается появление TB5.