Revolut przenosi około 2000 inżynierów na lokalne modele GLM do programowania
Revolut przeniosło około 2000 inżynierów na lokalnie wdrożone modele GLM do programowania, a Claude Code i Codex są teraz używane tylko w wyjątkowych przypadkach.
Według Davida Abitbola, szefa operacji AI w firmie, do wdrożenia wykorzystano 56 akceleratorów Nvidia B200. Średni koszt wyniósł zaledwie 30 centów za milion tokenów, czyli około dziesięć razy mniej niż Revolut płaciło Anthropic i OpenAI.
Jednocześnie czas realizacji zadań inżynierskich skrócił się o 70%.
Najciekawsze jest jednak to, że poprawy stały się widoczne, gdy inżynierowie przestali oszczędzać tokeny. Przestali korzystać z AI tylko w przypadku trudnych zadań i zaczęli używać go praktycznie wszędzie.
Zaawansowane modele proprietarne stają się wyjątkiem, a modele o otwartych wagach stają się głównym narzędziem. Dla każdej firmy AI przygotowującej się do wejścia na giełdę to poważny problem z wyceną.
Dlaczego to ważne
AnalizaTen przypadek pokazuje, że lokalne modele o otwartych wagach mogą stać się standardem pracy dla zespołów inżynierskich, a nie tylko tańszą alternatywą. To wywiera presję na modelach cenowych dostawców AI i ich narracjach IPO.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
Modele Frontier
Najsilniejsza klasa sztucznej inteligencji na czele światowych badań (Claude 3.7 Sonnet, OpenAI o3/GPT-4.5, Gemini 2.0 Pro), wyznaczająca granice współczesnych możliwości w zakresie rozumowania, autonomii i programowania.
Mistral AI (Europejskie modele otwarte i efektywne)
Seria wysokowydajnych modeli open-source oraz komercyjnych francuskiego startupu Mistral AI (Mistral 7B, Mixtral 8x7B, Mistral Large). Znane z kompaktowości, szybkości działania oraz poszanowania prywatności danych.
Badacze z MIT pokazali, że GPT-6 Astra może ulepszać inne modele AI przez bezpośrednią zmianę wag
W eksperymencie Astra zwiększyła dokładność Qwen3.5-0.8B w benchmarku MATH-500 z 7,9% do 48,1%, zmieniając zaledwie 0,016% wag modelu.
Część I. Architektura agentów AI: fundamentalne elementy
Dziesięć fundamentalnych elementów współczesnego agenta: taksonomia modeli, pętla runtime, techniki promptowania, destylacja, umiejętności (skills), pamięć, wywoływanie funkcji oraz ekonomia jednostkowa.