Самую мощную нейросеть не обязательно использовать для каждой задачи. Вайбхав Шривастав, который руководит работой с сообществом разработчиков OpenAI в регионе EMEA, рассказал The New Stack, что не пользуется GPT-6 Astra каждый день. Для повседневной работы он чаще выбирает GPT-6.1 Sol, а к Astra обращается, когда нужен более внимательный взгляд на сложную или незнакомую задачу.
Его подход интересен тем, что выбор модели не заканчивается вопросом «какая умнее?». Важно ещё понять, какой результат нужен, сколько времени и денег стоит потратить и как потом проверить работу.
Почему он не выбирает Astra каждый день
По словам Шривастава, Sol достаточно для большей части задач, с которыми он сталкивается в работе. Он объясняет выбор сочетанием возможностей и стоимости: OpenAI стремилась сделать модель, близкую к Astra по результатам, но более доступную.
В интервью сотрудник ссылается на тесты моделей и на то, как ими пользуются внутри компании. При этом его оценка «около 95%» - не гарантия, что Sol выполнит любую конкретную задачу почти так же хорошо, как Astra. Результат зависит от самой задачи и от того, что считать успехом.
Для читателя вывод здесь простой: прежде чем выбирать самую мощную модель, стоит попробовать ту, возможностей которой может хватить. Например, для подготовки черновика письма или краткого пересказа документа дополнительная сложность рассуждений не всегда нужна. А вот если ответ упускает важные условия или требует слишком много исправлений, имеет смысл попробовать другую модель.
Когда Шривастав подключает Astra
По словам сотрудника OpenAI, к Astra он обращается, когда начинает новый проект или сталкивается с незнакомой проблемой. Он просит модель поискать слабые места и то, что мог не заметить сам.
Ещё один его приём - разделить выполнение и проверку. Если работу над функцией он поручил Sol, для критического просмотра результата может привлечь Astra. Он даёт второй модели свежий контекст и просит разобраться, где решение может подвести.
Шривастав сравнивает проверку результата той же моделью с проверкой собственной работы: по его мнению, так проще пропустить ошибки. Другая модель может предложить иной взгляд, но не становится от этого независимым экспертом в полном смысле слова. Она тоже способна ошибаться, пропускать проблемы или уверенно указывать на несуществующие недостатки.
Что говорит другой сотрудник OpenAI о выборе модели
На этот же вопрос можно посмотреть и через линейку моделей. В нашем обзоре GPT-6.1 Terra мы приводили комментарий сотрудника OpenAI Теда Сандерса на Hacker News. Он предложил ориентироваться на порядок Luna → Terra → Sol → Astra: если важнее всего качество, выбирать Astra; при умеренных ограничениях бюджета - Sol; при более строгих - Terra или Luna.
При этом Сандерс уточняет, что это общий ориентир, а не рейтинг для каждой задачи. По его оценке, Terra может быть особенно полезна для технических текстов, понимания изображений и работы с интерфейсами, а в большинстве остальных задач немного уступает старшим моделям. Это мнение сотрудника разработчика, а не гарантия результата или независимое сравнение.
Получается, советы двух сотрудников дополняют друг друга: Шривастав объясняет, как сам переключается между Sol и Astra, а Сандерс предлагает учитывать и другие модели линейки - в зависимости от задачи и бюджета.
Как понять, стоит ли переключаться
Шривастав советует оценивать модели на отдельных реальных задачах: сравнивать, получается ли тот же результат дешевле или удаётся получить лучший результат за приемлемую стоимость. В интервью он говорит и о скорости: более быстрый режим может пригодиться там, где ответ нужен в реальном времени, но не каждая задача требует такой доплаты.
Здесь полезно учитывать не только цену одного запроса. Если дешёвая модель справилась после нескольких попыток, а более дорогая дала пригодный результат сразу, сравнивать нужно весь процесс: запросы, время на исправления и качество итоговой работы. И наоборот: для понятной задачи дорогая модель может не дать заметной пользы.
Где пригодится проверка второй моделью
Подход Шривастава можно попробовать не только в разработке. Например, одна модель может подготовить план проекта, а другая - проверить, не забыты ли зависимости между этапами и возможные задержки. Для отчёта вторая модель может поискать противоречия и утверждения, которым не хватает источников.
В работе с кодом первая модель может написать функцию, а вторая - обратить внимание на граничные случаи и возможные ошибки. При подготовке бюджета одна модель может собрать расчёт, а другая - проверить формулы, допущения и пропущенные расходы.
Чтобы проверка имела смысл, второй модели нужны и исходная задача, и результат первой: иначе она не узнает, какие условия требовалось выполнить. А её замечания остаётся проверить человеку. Для важных документов, финансовых решений или вопросов безопасности такой просмотр помогает найти поводы для дополнительной проверки, но не заменяет специалиста.
Источники
- The New Stack, 27 октября 2026 - интервью Вайбхава Шривастава о выборе моделей и работе с агентами OpenAI.
- Тед Сандерс на Hacker News - комментарий о выборе моделей и месте GPT-6.1 Terra в линейке OpenAI.