Агенты
Как устроены агенты разработки и где они применимы.
Кейс: кодинг-агент на 16 ГБ VRAM — 125 ток/с на MoE 35B с MTP и лёгким харнессом
Разработчик описал на Хабре конфигурацию кодинг-агента на RTX 4070 Ti SUPER (16 ГБ): MoE-модель 35B с 3B активных параметров и MTP даёт, по его замерам, 125 ток/с против 10–20 у плотной Qwen3.8-27B. Вторая половина истории — обвязка: харнесс Pi с промптом 1,5 тыс. токенов, план в plan.md между сбросами контекста и разбиение на подзадачи отдельными экземплярами.
Пять копий Qwen3.8-27B догнали Claude Fable 5 на LiveCodeBench Hard
В открытом репозитории GVS5H опубликован метод zero-shot самооркестрации: пять свежих копий одной модели сами делят задачу и координируются через общие файлы с планом и заметками. Локальная Qwen3.8-27B выросла с 66,8% до 92,4% pass@1 на сложных задачах LiveCodeBench — уровень Claude Fable 5 (90,4%). Прирост дала организация работы, а не модель; не всем моделям метод помогает.
JetBrains открыл Thinkrail — агентную IDE вокруг coding-агента pi
JetBrains опубликовал под Apache-2.0 Thinkrail — лёгкую IDE для агентной разработки: сеанс агента идёт в отдельном git-worktree со своей веткой, знания проекта живут в «живых» спецификациях и навыках, интерфейс не собирает промпты за спиной. Внутри — открытый coding-агент pi. Показателен метод самого JetBrains: репозиторий разрабатывается спека-первым, SPEC.md лежит рядом с каждым модулем.
Разбор: OpenAI и Anthropic срезали цены на модели до 80% за несколько месяцев
Макс Вулф свёл хронологию цен за лето: GPT-6.1 Sol в сумме на 75% дешевле GPT-5.6, Luna в июле подешевела на 80%, Opus 5.5 на 40–60% дешевле предшественника. Для агентной разработки главное: 96–99% расходов агента — чтения кэша, их цена и задаёт бюджет. Причины — давление open-weight моделей (DeepSeek V4.1 Flash хостят 29 провайдеров на OpenRouter) и дешевеющий инференс; совокупные траты растут.