O czym jest ten film
- Doba intensywnej pracy z GPT-6 Astra tuż po otwarciu powszechnego dostępu — na tyle intensywnej, że autor przekroczył limity w planie za 200 dolarów miesięcznie.
- Cennik: 10 USD za milion tokenów wejścia, 50 USD za milion wyjścia — tyle samo, co Fable; zdaniem autora abonament za 200 USD to dziś najlepszy stosunek możliwości do ceny.
- Audyt wydajności aplikacji Bezel: ładowanie stron z około 800–900 ms do około 60–75 ms, czyli spadek rzędu 90 procent, potwierdzony testami.
- Audyt bezpieczeństwa: jedna paczka wysokiego ryzyka, dwie średniego oraz konflikt równoległych żądań; zdaniem autora Fable podobnych zadań w ogóle nie przyjmie.
- Konfiguracja analityki PostHog w Vercel — dashboardy, zdarzenia, pull request — zrealizowana jednym promptem.
- Prototyp startupu sprzętowego: głośnik à la HomePod; projekt w Blenderze, schemat, lista części z Amazon.ca w budżecie 500 dolarów, gotowy PR.
- Ocena UI: duży postęp wobec poprzednich modeli OpenAI, ale z charakterystycznym „podpisem” firmy; przy dobrych referencjach wyniki są solidne.
- Eksperyment architektoniczny: porównanie kosztów wywołań bezpośrednich i CodeModu w serwerze MCP, wariant hybrydowy, pełen raport — ale decyzja o migracji odroczona.
- Computer use: granie „River Flows in You” na pianinie online i portret rysowany na żywo w Canvie.
- Porównanie z Fable 5.1 (czystszy kod) oraz refleksja o zamkniętym dostępie do topowych modeli i wsparciu dla modeli lokalnych (Qwen, GLM, własne jednostki DGX).
Redakcyjne tłumaczenie
(Informacja dodatkowa: transkrypt źródłowy był automatyczny i przetłumaczony na arabski, dlatego pojedyncze nazwy własne mogły ulec zniekształceniu — zachowujemy pisownię najbliższą oryginałowi.)
Doba z Astra — zamiast kolejnego efektownego pokazu
Minęła doba, odkąd zwykli użytkownicy — czyli ludzie tacy jak ja i wy — dostali dostęp do GPT-6 Astra. W przeciwieństwie do większości influencerów mnie wpuszczono dopiero wczoraj, ale przez te dwadzieścia cztery godziny katowałem model bez litości: zużyłem go na tyle, że przekroczyłem limity w planie za 200 dolarów miesięcznie. Za to mam dla was konkret.
Pokażę, jak wygląda prawdziwa praca na Astra. Jeśli oglądaliście dema 3D, gry i inne pokazy, które świetnie wyglądają, ale nie dają wam ani mi nic pożytecznego — ten materiał jest dla was. Plan jest następujący: przegląd modelu, aktualizacje wydajności, audyt bezpieczeństwa, stawianie analityki, budowa prototypu sprzętowego (pomysł przyszedł mi do głowy wczoraj i dzięki Astra może naprawdę zobaczyć światło dzienne), ocena interfejsów, eksperymenty z różnymi architekturami, computer use, porównanie z Fable 5.1 i wreszcie temat „stałej drugiej ligi” w dostępie do modeli — bo większość z nas dostała klucze dopiero wczoraj. Usiądźcie wygodnie.
Przegląd modelu i ceny
Model jest po prostu mocny. Wystarczy wpisać w Twitterze „GPT-6 Astra”, żeby natknąć się na dziesiątki zwariowanych pokazów: Blender, CAD, gry sklejane na poczekaniu. Imponuje. Jako model ogólnego przeznaczenia — kapitalny.
A ceny? Weszliśmy w epokę cennika dojrzałego, czyli po prostu drogiego: 10 dolarów za milion tokenów na wejściu i 50 dolarów za milion na wyjściu — dokładnie tyle samo, co u Fable. Powiem jednak tyle: przy subskrypcji za 200 dolarów miesięcznie dostajecie naprawdę sporo. W jednym z ostatnich filmów twierdziłem, że najlepszy stosunek możliwości do ceny ma abonament Codex — po dołączeniu Astry to on zdecydowanie prowadzi.
A jak model radzi sobie w praktyce? Pokażę kilka pull requestów, które u mnie wylądowały.
Audyt wydajności: z 815 do 60 milisekund
Pracuję nad aplikacją Bezel — pewnie wkrótce zmienię nazwę, bo sporo z was się z niej naśmiewa. Bezel łączy agentów z pamięcią, pocztą, pieniędzmi, komunikatorami, komputerem, piaskownicą testową i różnymi konektorami. Na jedno konto można podpiąć wielu agentów: jeśli w jednym zapiszę kontakty, każdy inny ma do nich dostęp; jeśli jednemu dam kartę płatniczą do Claude Code, nie muszę konfigurować jej od nowa w OpenClaw, Hermesie ani u agenta Eve. Konfiguracja raz — jeden serwer MCP — dostęp dla wszystkich.
(Informacja dodatkowa: MCP, czyli Model Context Protocol, to otwarty standard podłączania agentów AI do zewnętrznych narzędzi i danych.)
Aplikacja działała, ale strony — pamięć, karty, finanse, sejf — ładowały się koszmarnie długo, bo w tle działo się zbyt wiele naraz. To był jeden z pierwszych testów, jakie zadałem Astra: audyt wydajności i przyspieszenie poruszania się po aplikacji. Model wziął się do roboty i siedział nad tym całkiem sporo.
Efekt? Strona główna schodziła z 815 do 60 milisekund, poczta z 817 do 61, strona umiejętności z 893 do 74. Dosłownie dziewięćdziesiąt procent krócej. Mam zrzuty sprzed i po: wcześniej czekacie, dziś — klik, klik, klik i wszystko mam od ręki. Co ważne, Astra nie tylko wykonała polecenie, ale testami udowodniła, że obiecane czasy faktycznie są osiągnięte. Ten sam manewr powtórzyłem w Plutie — znowu wszystko przyśpieszyło. Jeśli macie własne aplikacje webowe, pierwszą rzeczą, jaką zrobiłbym z nowym modelem, jest właśnie taka pętla wydajnościowa.
Firecrawl — sekcja sponsorska
(Informacja dodatkowa: poniższy fragment to płatna promocja — oceny Firecrawl warto traktować jako materiał reklamowy, nie niezależny test.)
Patrzcie na tego człowieka: używa natywnego narzędzia do pobierania stron u swojego agenta — zamiast Firecrawl. W roku 2026 to po prostu wstyd. Każdego agenta, którego stawiam, podpinam pod Firecrawl, a cała konfiguracja trwa kilka sekund: wchodzicie na firecrawl.dev, klikacie przycisk, kopiujecie prompt, wklejacie u swojego agenta, Enter — gotowe. Jest też wtyczka do Codex.
Dlaczego to działa? Przede wszystkim dostajecie wyniki uporządkowane i czyste, łatwe do strawienia przez agenta. Do tego sieć, newsy i wyniki graficzne — wszystko ze wskazaniem źródeł. Istnieje benchmark „omniscience”, który bada, jak wiarygodnie model wydobywa fakty i jak radzi sobie z nieściąganiem ich z powietrza. I wiecie, kto tam wygrywa? Wyszukiwarka Firecrawl. Zobaczcie szybkość: pytam o dzisiejsze newsy dotyczące akcji, którą trzymam w portfelu od dawana — w mgnieniu oka mam wyniki webowe i newsowe, a dane są tak poskładane, że agent nie ma problemu z ich ogarnięciem. A jeśli jesteście inżynierami od agentów: jest jeszcze indeks dla deweloperów — ponad 70 milionów pozycji: odczyty, pull requesty, issues. Podajecie to swojemu agentowi programistycznemu, a on zaczyna po prostu lepiej działać. Jesteśmy w 2026 roku — przestańcie w końcu używać wbudowanego fetcha. Link w opisie filmu. I powiedzcie, że wysyła was Mic.
Wróćmy do recenzji.
Audyt bezpieczeństwa: dwie znalezionki
Drugie zadanie: audyt bezpieczeństwa. Poprosiłem o przegląd aplikacji i wskazanie wszystkiego, co da się załatać. Astra znalazła dwie rzeczy. Pierwsza: przegląd zależności — jedna paczka wysokiego ryzyka i dwie średniego. Druga: równoległe żądania przypomnień — dwa procesy robocze żądały tej samej roli. W większej skali mogłoby się to skończyć źle, ale jest już naprawione.
Sam audyt zajął modelowi sporo czasu, ale wyniki mnie zaskoczyły, a część znalezisk okazała się prawdziwą deską ratunku. Jeśli więc siadacie do Astry — zróbcie audyt bezpieczeństwa wszystkich swoich aplikacji. Z Fable takich rzeczy raczej nie uświadczycie, bo model blokuje zadanie i odsyła: „nie, użyj Opusa 5” — a Opus 5 jest słaby. Dla Astry to duży plus.
Analityka z jednego promptu
Trzecia sprawa, z wczorajszego wieczoru, zrobiła na mnie największe wrażenie — bo model zrobił dosłownie wszystko od początku do końca. Chciałem pełnej analityki: PostHog, ślady wykonania, dashboardy, wspólny widok na to, jak ludzie używają aplikacji i co się w niej wywala. Hosting mam na Vercelu, a Vercel ma sekcję integracji — jeśli z niego korzystacie, koniecznie tam zajrzyjcie: PostHog, Clerk, Braintrust, Neon i cała masa pozostałych, a płatność zamykacie bez wychodzenia z platformy.
Wystarczyło opowiedzieć o tym agentowi. Skonfigurował PostHoga, utworzył wszystkie dashboardy i zdarzenia, napisał cały kod i otworzył pull request. Ja zrobiłem merge, dostałem link — otwieram i mam analitykę: webową i produktową, wszystko, czego potrzebowałem. Z jednego promptu.
Dla mnie to imponuje bardziej niż gry 3D. Gra jest ładna, ale bezużyteczna — nie potrzebuję strzelanki z perspektywy pierwszej osoby, potrzebuję analityki postawionej porządnie. A jako inżynier, który kiedyś takie rzeczy pisał ręcznie, wiem, jaka to nuda. Astra przeprowadziła całość gładko.
Głośnik jak HomePod, czyli narodziny startupu sprzętowego
Piąty punkt — budowa mojego startupu sprzętowego. Tylko nie oceniajcie: wiem, że co tydzień mam nowy pomysł na firmę, ale po prostu dzielę się z wami moimi marzeniami. Otwieram Codex i piszę: „Chcę zbudować głośnik wyglądający jak HomePod, ale sterowany Plutem. Da się?”. Uwielbiam wygląd HomePoda i ten miękki blask, kiedy odzywa się Siri — chciałem to mieć u siebie. Chciałem się tylko pobawić i zobaczyć, co z tego wyjdzie.
Model wziął Blendera i zrobił projekt głośnika. Potem zapytałem, jak wyglądałoby uruchomienie Pluta na prawdziwym głośniku — dostałem poglądowy schemat architektury i listę części, które można kupić. Poprosiłem o linki na Amazon.ca w budżecie 500 dolarów — dostałem zestaw, który realnie zadziała. Poprosiłem jeszcze, żeby Blenderem pokazał, jak całość się składa — zaprojektował model. Otwieracie dziś Blendera i patrzyczycie na początek mojego startupu sprzętowego.
Dla mnie to nie banał. Dzięki temu mogę wziąć sprzęt na poważnie — części już zamówiłem i czuję, że dociągnę działający prototyp. A stamtąd już niedaleko do biznesu, inwestorów, zbierania pieniędzy. Czegoś takiego nie spodziewałbym się po sobie jako człowieku od samego softu. Dopytałem jeszcze o zmiany w kodzie, których wymaga całość — dostałem przykłady, a w repo czeka gotowy pull request, żeby Pluto działał na głośniku. Subskrybujcie kanał, bo będę to budował na kamerze.
I jeszcze jedno: chcę was namówić, żebyście myśleli większymi kategoriami. Jeśli używacie tej klasy inteligencji wyłącznie do klepania bezwartościowych landing page’ów, to jest po prostu smutne. Uczcie się nowych rzeczy, próbujcie nowych rzeczy. Dla ludzi, którzy mają w sobie żyłkę twórczą, to świetny czas, by żyć. Ja będę łączył Astrę z Blenderem często — i to nie po to, żeby zaprojektowała mi pociąg, tylko żeby naprawdę coś budować.
UI: lepiej, ale z wyraźnym piętnem OpenAI
Szósty temat — interfejsy. Tu mam uczucia mieszane, więc po prostu otworzę dwie strony. Przerabiam markę Bezel i chciałem dla niej sympatyczną maskotkę. Przy okazji: jedna z rzeczy, w których Codex z nowym modelem i generowaniem obrazów bryluje, to animacja — poprosiłem Astrę, by ożywiła postacie, które zrobiłem w ChatGPT. Wygląda to czarująco, a to wszystko jest czystym kodem. Na tych postaciach chcę przebudować Bezel.
Poprosiłem o landing page — dostałem. Jak na model OpenAI, całkiem nieźle, ale widać po nim charakterystyczny „podpis” firmy: uwielbia wielkie, drukowane nagłówki na górze strony. Tu, tu i tu — wszędzie to samo. Przyciski i ramki wyszły odrobinę lepiej, a właściwie dużo lepiej. Drugi prompt — „użyj tego fontu, dopilnuj tych rzeczy, dopieszcz ten projekt” — i jest wyraźnie lepiej. A przecież to była generacja za pierwszym razem; całkiem ładnie. Przekonałem się, że gdy dam Astra punkt odniesienia — obrazek, paletę, inspirację — robi naprawdę porządnie. Wersja bez podpowiedzi, wersja z dodatkowymi wytycznymi i wersja finalna — różnica widać gołym okiem.
Astra wyprzedza skokowo Sol i pozostałe modele OpenAI pod względem interfejsów. Nie powiem, że jest najlepsza ani że pobiła Fable. Ale gdybym miał zostać przy jednym modelu do wszystkiego, UI nie jest argumentem, żeby uciekać do Fable, bo Astra wystarcza. Coś tam nadal robi źle i trzeba poprawiać samemu, ale z lekkim prowadzeniem za ręką jest po prostu wystarczająco dobra.
Eksperyment architektoniczny zamiast ślepej migracji
Mam otwarty pull request. Dla niewtajemniczonych przypomnę: Bezel to serwer MCP. Chciałem sprawdzić, co się stanie, gdy dodamy do niego CodeMod, ale nie chciałem wprowadzać zmian na żywo — najpierw testy. Agent odpalił całą baterię: porównał koszt wywołań bezpośrednich z kosztem CodeModu. Okazało się, że w niektórych miejscach CodeMod jest tańszy, w innych znacznie droższy. Poprosiłem o wariant hybrydowy — czasem CodeMod, czasem zwykłe wywołanie — i to wygląda najlepiej.
Cała historia zaczęła się od mojej hipotezy: przyszedłem do agenta Codex, powiedziałem, co myślę, i poprosiłem o eksperymenty. Resztę zrobił sam. Wrócił z pullem i wynikami do przeglądu, a do tego pełnym raportem, z którego czytam, jaki eksperyment przeprowadził i czy zmiana ma sens. Inżyniersko i architektonicznie — jeśli wasza aplikacja słabo się skaluje, koszty rosną albo po prostu chcecie coś zmienić — ten model jest świetnym partnerem do rozmowy. Pomaga, kiedy macie wiedzę dziedzinową; a jeśli ją macie, to według mnie najlepszy model do programowania w duecie. Chcecie przenieść aplikację na inną architekturę? Astra jest do tego stworzona.
Ja na razie się nie decyduję: oszczędności w kosztach i czasie odpowiedzi nie są na tyle duże, żeby przebudowywać architekturę i czekać, aż wypluje z siebie nową kategorię błędów. Ale mam to z tyłu głowy i być może kiedyś wprowadzę zmianę.
Computer use: pianino i Canva na żywo
(Informacja dodatkowa: „computer use” to tryb, w którym model sam steruje interfejsem komputera lub przeglądarki — klika, pisze, rysuje.)
Teraz computer use. Widziałem tweet, który mnie rozłożył — po prostu puścę wam wideo. Polecenie brzmiało: „Znajdź w internecie pianino i zagraj na moim komputerze «River Flows in You» Yirumy”. …Przepraszam. Brzmiało to beznadziejnie, prawda? Ale patrzcie na ekran — to właśnie jest computer use. Astra gra w innej lidze niż cała reszta.
Jedną rzecz chciałem sprawdzić na żywo, bo ktoś robił to na Twitterze. Wchodzimy w Canvę. Dałem modelowi swoje zdjęcie i powiedziałem: „Narysuj mnie w Canvie — mam ją otwartą w przeglądarce Helium”. Na początku było lekkie zamieszanie: wygenerował mi portret jako obrazek, więc poprawiłem się — „nie, chcę, żebyś rysował w samej Canvie” (pewnie wystarczyłoby po prostu „narysuj w Canvie”). Tak czy owak, zrozumiał: zmienił tło i właśnie zaczyna rysować. Rysuje… rysuje… Zobaczymy, co z tego wyjdzie. A póki on tu kreśli, my przechodzimy dalej.
A co z Fable 5.1?
To pytanie, które i tak zadajecie w komentarzach. Szczerze: nie ma osobnego filmu, więc powiem tutaj. Miejsce dla Fable 5.1 wciąż jest. Moim zdaniem nadal pisze czystszy kod — jeśli rozumiecie, o co mi chodzi. Nadal bardzo zdolny. Ale w kluczach ogólnych Astra gra w innej lidze: OpenAI zrobiła ogromny skok i, niestety dla fanów tamtej stajni, Anthropic nie prowadzi już w modelach do kodowania. Mógłbym oprzeć się na samej Astra, ale Fable 5.1 zostawiłbym w zanadrzu właśnie do kodu: lepiej napisany, czystszy, łatwiejszy do scalania. Najbardziej kompletnym i najlepszym modelem jest jednak Astra. I nie usłyszycie od niej: „wykryłem zagrożenie bezpieczeństwa, użyj zamiast tego Opusa 5”. Nic z tych rzeczy.
Stała druga liga: kto naprawdę dostaje inteligencję
Na koniec sprawa, o której zrobiło się sporo memów: „permanentna niższa półka”. Gdy model ruszał, dostęp miała tylko garstka ludzi; większość z nas dostała go wczoraj. To skłania do pytania, czy żyjemy w świecie, w którym inteligencja należy tylko do wybranej kasty. I dostęp, który mamy dzisiaj, niekoniecznie przetrwa.
Właśnie dlatego jestem zagorzałym zwolennikiem otwartego oprogramowania, otwartych wag i modeli na tyle małych, żeby uruchomić je na własnym sprzęcie. Dlatego buduję domowe laboratorium i zacząłem dokupywać jednostki DGX. Inteligencja modeli jest zbyt ważna, żeby została w rękach kilku firm i garstki ludzi. Możecie powiedzieć, że czkam, bo nie dostałem wcześniejszego dostępu — może i tak. Ale przede wszystkim wierzę w inteligencję, którą kontroluję sam i która działa na moich maszynach. Drogo to kosztuje, jednak dojdziemy do momentu, w którym modele na naszym sprzęcie ogarną przynajmniej pracę kognitywną. Z modelami do programowania jest inaczej — te powinny być wielkie i mocne, trenowane na określony sposób. Ale do codziennych zadań umysłowych modele lokalne mogą błyszczeć: Qwen, GLM, zwłaszcza te mniejsze. Jestem pod tym względem wielkim optymistą — spodziewajcie się filmów na ten temat.
Na koniec
To tyle w mojej recenzji GPT-6 Astra. Żadnych dem 3D, żadnych gier. Zerknijmy jeszcze na naszą tablicę w Canvie… hm, wiecie co? Widzę tę wizję wyraźnie. Byliście wspaniali. Mam na imię Ross — dziękuję, że oglądaliście. Zostawcie łapkę, komentarz, subskrypcję i dzwoneczek. Do zobaczenia w następnym odcinku. Cześć.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Pierwszym zadaniem dla nowego modelu niech będzie audyt wydajności
Na czym polega: Astra w jednym przejściu znalazła wąskie gardła w ładowaniu stron i skróciła czasy z około 800–900 ms do około 60–75 ms, a testami udowodniła obiecane wartości — wszystko z jednego promptu.
Jak stosować: Po uzyskaniu dostępu do nowego modelu wskażcie konkretne, wolne moduły swojej aplikacji i zlećcie audyt z wymogiem pomiarów „przed/po”, zrzutów ekranu i testów weryfikujących.
Na co uważać: Żądajcie dowodów, bo łatwo o pozorne optymalizacje; po scaleniu pull requesta sprawdźcie ręcznie, czy nic się nie zepsuło — szybciej nie znaczy poprawnie.
2.Audyt bezpieczeństwa i zależności to dobra rutyna przy każdym dużym modelu
Na czym polega: Astra podczas przeglądu znalazła jedną paczkę wysokiego ryzyka, dwie średniego oraz błąd polegający na tym, że dwa procesy żądały tej samej roli — problem, który w dużej skali mógł się źle skończyć.
Jak stosować: Zlecajcie modelowi przegląd zależności (oznaczone poziomem ryzyka) i logiki współbieżności, najlepiej cyklicznie, a poprawki scalcie przez pull request.
Na co uważać: Trafienia audytu to hipotezy — każdą lukę zweryfikujcie przed wdrożeniem. Zwróćcie też uwagę, że nie każdy model podejmie takie zadanie: Fable według autora blokuje je i odsyła do słabszego Opusa 5.
3.Cała analityka da się postawić jednym promptem
Na czym polega: Konfiguracja PostHoga (zdarzenia, dashboardy, analityka webowa i produktowa)连同 kod, pull request i link do gotowego podglądu powstały z pojedynczego polecenia.
Jak stosować: Jeśli hostujecie na Vercelu, zacznijcie od integracji (PostHog, Clerk, Braintrust, Neon i inne) — agent dokończy resztę: utworzy zdarzenia, napisze kod i otworzy PR.
Na co uważać: Jeden prompt nie zwalnia z przeglądu — sprawdźcie, czy zdarzenia faktycznie się logują i czy nie wysyłają danych wrażliwych.
4.Przy UI kluczowe są referencje, nie opis słowny
Na czym polega: Generacje „z niczego” nosiły charakterystyczny podpis OpenAI (wszechobecne wielkie nagłówki); gdy autor podał font, paletę i inspiracje, wyniki były solidne, a druga iteracja wyraźnie lepsza.
Jak stosować: Zamiast opisywać wygląd, podajcie modelowi konkretne wzorce: zrzuty, kolory, typografię — i iterujcie drugim promptem z precyzyjnymi poprawkami.
Na co uważać: Wybierając model „do wszystkiego”, nie kierujcie się samym UI — Astra jest wystarczająco dobra, ale detale i tak będziecie poprawiać samodzielnie.
5.Model jako partner do eksperymentów architektonicznych, nie do ślepych migracji
Na czym polega: Autor miał hipotezę (oszczędności z CodeModu w serwerze MCP), a agent sam przeprowadził testy porównawcze, zaproponował wariant hybrydowy i zwrócił pełen raport z pull requestem — mimo to decyzja o zmianie została odroczona.
Jak stosować: Formułujcie hipotezę, żądajcie danych (koszty, czasy odpowiedzi, raport z metodologią) i decyzję podejmujcie na ich podstawie, nie na podstawie entuzjazmu modelu.
Na co uważać: Oszczędności muszą przekraczać koszt przebudowy i ryzyko „nowej kategorii błędów”; bez własnej wiedzy dziedzinowej łatwo dać się przekonać do zmiany, która się nie opłaca.
6.Computer use robi wrażenie, ale wymaga precyzyjnych poleceń
Na czym polega: Model sam znalazł pianino w sieci i zagrał utwór, a w Canvie — po jednej korekcie — zaczął rysować portret na podstawie zdjęcia.
Jak stosować: Testujcie polecenia w formie „znajdź X w internecie i zrób Y w otwartym narzędziu”, najlepiej na przeglądarce i koncie bez wrażliwych danych.
Na co uważać: Pierwsza interpretacja bywa błędna (wygenerowany portret zamiast rysowania w Canvie) — formułujcie polecenia jednoznacznie i liczcie na iterację. Jakość wyniku bywa rozbieżna z efektownością pokazu: gra na pianinie brzmiała opłakanie.
7.Podział ról: Astra jako model główny, Fable do czystego kodu
Na czym polega: Astra jest zdaniem autorem modelem najzdolniejszym i najlepiej sprawdzającym się jako jedyny model w pracy, ale Fable 5.1 nadal pisze czystszy, łatwiejszy do scalania kod.
Jak stosować: Jeśli chcecie minimalizować liczbę narzędzi — zostańcie przy Astra; jeśli zależy wam na diffach łatwych do mergowania w trudnych fragmentach — zostawcie Fable jako uzupełnienie.
Na co uważać: To ocena po dobie pracy na własnych projektach — przetestujcie oba modele na własnym kodzie i workloadach zanim podejmiecie decyzję.
8.Nowy cennik trzeba policzyć na własnym mikście tokenów
Na czym polega: 10 USD za milion tokenów wejścia i 50 USD za milion wyjścia — identycznie jak u Fable; przy ciężkiej pracy abonament za 200 USD się broni, ale autor przekroczył jego limity w dobę.
Jak stosować: Przeliczcie koszt na swój typowy stosunek tokenów wejścia do wyjścia; przy intensywnych agentach rozważcie plan subskrypcyjny zamiast płacenia za użycie.
Na co uważać: Wyjście jest pięciokrotnie droższe od wejścia — generowanie dużych plików i raportów potrafi zdominować rachunek. Miejcie plan awaryjny na moment wyczerpania limitów.
9.AI realnie obniża próg wejścia do hardware’u
Na czym polega: Pomysł na głośnik à la HomePod przeszedł w jeden wieczór od projektu w Blenderze, przez schemat i listę części z Amazon.ca (budżet 500 dolarów), aż po przykładowy kod i gotowy pull request.
Jak stosować: Rozbijcie projekt sprzętowy na etapy i zlecajcie je po kolei: wizualizacja, schemat, lista komponentów z linkami i budżetem, zmiany w kodzie — a potem po prostu kupcie części i budujcie prototyp.
Na co uważać: Ładny render to nie działający produkt — sprawdźcie kompatybilność komponentów, zasilanie i chłodzenie. Budżet 500 dolarów łatwo przekroczyć, a pierwowzór (HomePod) wymaga dopracowania detali.
10.Nie uzależniajcie pracy od jednego dostawcy
Na czym polega: Nierówny dostęp do topowego modelu („stała druga liga”) skłonił autora do inwestycji w modele open-weight (Qwen, GLM) i własny sprzęt (jednostki DGX) — z przekonaniem, że do pracy kognitywnej wystarczą lokalne modele, podczas gdy modele do programowania powinny zostać duże i chmurowe.
Jak stosować: Podzielcie swoje zadania na klasy: codzienną pracę umysłową spróbujcie przenieść na modele lokalne, a najtrudniejsze zadania programistyczne zostawcie modelom frontierowym.
Na co uważać: Własny sprzęt to poważny wydatek, a małe modele w kodowaniu nie dorównują topowym — nie przenoście wszystkiego pochopnie, tylko testujcie stopniowo.