Устойчивое заблуждение
Есть такое устойчивое интеллектуальное заблуждение: если модель больше — значит, она лучше. Больше параметров, больше обучающих данных, больше денег в предобучении — и вот вам SOTA. Гонка за размером казалась единственной игрой в городе, а крупнейшие лаборатории — OpenAI, Google, Anthropic — подкармливали эту логику каждым новым анонсом.
Но в 2025–2026 годах что-то сломалось в этой логике. И сломалось публично — не в виде умозрительных рассуждений, а с цифрами, бенчмарками и работающими продуктами в руках.
Три истории
Я хочу рассказать три истории, которые произошли практически одновременно и складываются в одну картину.
Первая — про то, как Microsoft заткнула за пояс «самую опасную» языковую модель Anthropic с помощью ста специализированных агентов. Не одной монолитной моделью против другой, а ансамблем узкоспециализированных систем: каждый агент решает конкретную задачу лучше, чем единый гигант.
Вторая — про MIT-трюк, позволяющий маленькой GPT-5-mini обогнать полноразмерный GPT-5 вдвое на сложных задачах. Именно вдвое по отдельным бенчмаркам — и это измеримый, воспроизводимый результат, а не маркетинговое заявление.
Третья — про китайскую модель Qwen, которую создала небольшая команда с ограниченными ресурсами, и которая сейчас работает в 200 000 продуктах по всему миру. Компактная модель с высокой практической применимостью против дорогих frontier-систем с многомиллиардными бюджетами на предобучение.
Один паттерн
В каждой из этих историй маленький — или менее очевидный — игрок побеждает «большого». И каждый раз причина примерно одна и та же.
Именно эту причину я разбираю дальше — вместе с тем, что это конкретно означает для вашего стека: какие архитектурные решения стоит пересмотреть и где ставка на размер перестаёт быть оправданной.
