Слева 25 минут работал Claude Opus 5 в high effort reasoning. Справа работал GPT 5.6 sol в high effort reasoning и справился за 2.5 часа ...
... И между делом съел порядка 80 гб памяти вовремя работы, был сбой. При этом Opus 5 стартовал в минусе - от предыдущей LLM я не успел на 100% перенести все важные для монтажа файлы на архитектуру Claude Code. Если интересно как он сейчас делает монтаж, хороший пример.
Но для меня это не показатель, хоть я и пробовал 3 раза и в разное время. Пока-что не могу понять, почему хуже и дольше справился GPT, т.к проблем вовремя монтажа не было.
Но хочу отметить, что сейчас система справляется с задачей на отлично. Конечно не моушен монтаж "ВАУ" уровня. Но мне такой и не принципиален.
Помню свои первые постеры от ChatGPT - пиксельная каша мимо задумки. Сейчас постер от ChatGPT Images 2.0 я не отличу от работы иллюстратора за 2-3 тысячи рублей.
И тут хочу поделиться, что если одновременно работать с 2-3 AI задачами одновременно, батарейка усталости быстро стремится к 0. Происходит это из-за постоянного смена контекста:
1. Изучил ответ
2. Обдумал
3. Дал фидбек
И так по кругу. Каждый раз при получении результата от работы AI круг начинается заново. Но эта проблема присуща тем кто работает в 2+ одновременных LLM.
Хочется простого:"Ты же искуственный интеллект, почему я должен решать, отвечать на твои вопросы? Я тебе дал задачу и описал. Сделай как надо"
Решил поэтому скачать Hermes Agent и досконально в нём разобраться. Раньше он жил у меня в Telegram: десктопного приложения тогда не было, только терминал и мессенджеры.
И я несколько раз спрашивал: всё ли мы настроили из базового? Каждый раз слышал "да". И всё равно пропустил главное - долгую память, ту, что живёт между чатами.
Внутри одного длинного диалога это не мешало. Проблемы будут между чатами: помощник будет чаще повторяться, хуже помнить решения и причины прошлых договорённостей.
Держаться тем самым за короткие MEMORY.md с USER.md и переспрашивать.
Отсюда мой персональный помощник просел по качеству: больше повторов, хуже помнит решения, проекты, предпочтения и причины прошлых договорённостей.
В итоге, я нисколько не разочаровался в плохих результата монтажора, напротив, текущий GPT, с его бесплатными, хоть и редкими, сбросами можно интегрировать в другие системы и работать уже иначе.
Даже понимая работу и что где устроено, можно пропустить важный файл и тем самым просесть по качеству и получать результат хуже.
Если тебе сейчас тяжело разобраться, что-то работает не совсем так как ожидал, это нормально. Возможно стоит спросить, вдруг работает не [до конца] правильно?
Отсюда следует:
• Не гнаться за количеством задействованных MCP, Skills, Agent
• Начинать с базовых вещей и двигаться постепенно
Умение разбираться в фундаментальных вещах поможет от облачного и до локального (?), от GPT и до Codex.
А ты сталкивался с проблемой менеджмента 2-3 AI задач одновременно? Как решил? 🤐