Командная строка (CLI) всегда была надежным другом разработчика, инструментом, который не требует отрисовки интерфейсов и позволяет выполнять сложные задачи одной командой. В мире, где генеративный искусственный интеллект стремительно меняет ландшафт разработки ПО, Simon Willison, известный своими глубокими аналитическими материалами и инструментами для работы с LLM, выпустил значимое обновление своего проекта — llm 0.37. Это не просто очередной патч безопасности или исправление опечаток. Это релиз, который отражает два месяца интенсивной работы, направленной на то, чтобы сделать взаимодействие с большими языковыми моделями более доступным, дешевым и функциональным.
В этой статье мы подробно разберем, что нового принесло это обновление, почему Simon изменил модель по умолчанию и как он относится к потоку запросов на слияние (PR), сгенерированных самими ИИ. Мы также посмотрим на технические детали поддержки эмбеддингов и рассмотрим, как эти изменения влияют на повседневную работу разработчика, особенно в условиях, когда доступ к передовым моделям становится все более критичным ресурсом.
01Новые модели GPT-6 и гибкость конфигурации
Одним из самых заметных изменений в версии 0.37 является добавление поддержки новых моделей от OpenAI: gpt-6.1-sol и gpt-6.1-terra. Эти модели представляют собой следующее поколение в линейке продуктов компании, предлагая улучшенные способности к рассуждению и более высокую эффективность в сложных задачах. Однако просто «добавить поддержку» — это лишь половина дела. Настоящая ценность заключается в том, как пользователь получает к ним доступ.
Simon добавил новую команду llm openai endpoint add. Эта утилита существенно упрощает процесс настройки дополнительных моделей, которые используют совместимые с OpenAI конечные точки (endpoints). В мире, где множество провайдеров (от локальных развертываний до облачных сервисов) эмулируют API OpenAI, эта функция становится спасением. Она позволяет разработчикам быстро подключать новые модели без необходимости вручную редактировать сложные конфигурационные файлы или писать скрипты-обертки. Это снижает порог входа для использования альтернативных провайдеров, что особенно актуально для тех, кто ищет обходные пути или более дешевые варианты.
llm openai endpoint add для быстрого подключения к локальным серверам, таким как Ollama или LM Studio, которые поддерживают API OpenAI. Это позволяет использовать мощные локальные модели с тем же синтаксисом, что и для облачных сервисов.Важно отметить, что поддержка новых моделей — это не просто галочка в списке совместимости. Это сигнал о том, что экосистема инструментов для работы с LLM быстро адаптируется к изменениям на рынке. Если вы используете llm как основной интерфейс для взаимодействия с ИИ, обновление до версии 0.37 даст вам немедленный доступ к самым свежим возможностям без необходимости изучать новые библиотеки или SDK.
02Стратегическое снижение затрат: смена модели по умолчанию
Вторым ключевым изменением, которое заслуживает отдельного внимания, является смена модели по умолчанию. Если вы не задали собственную модель в настройках, llm теперь будет использовать gpt-6-luna. Это решение имеет под собой четкое экономическое обоснование: новая модель стоит в два раза дешевле своей предшественницы, gpt-5.6-luna.
Почему это важно? Для многих разработчиков, особенно тех, кто работает над личными проектами, прототипированием или просто экспериментирует с новыми идеями, стоимость запросов к LLM может быстро накапливаться. gpt-5.6-luna была отличной моделью, но gpt-6-luna предлагает лучшее соотношение цены и качества. Это не означает, что gpt-5.6-luna устарела или стала хуже, но в контексте «модели по умолчанию» — то есть той, которая используется для быстрых, рутинных задач, генерации комментариев к коду или простых ответов — экономия в два раза является значительным преимуществом.
Этот шаг демонстрирует прагматичный подход Simon Willison к разработке. Он понимает, что удобство использования (convenience) часто побеждает абсолютное качество, когда речь идет о фоновых задачах. gpt-6-luna достаточно умна, чтобы справляться с 80% повседневных задач, и при этом она доступна. Это позволяет разработчикам использовать ИИ чаще, не задумываясь о том, сколько токенов они сожгли. В долгосрочной перспективе это может привести к более интенсивному использованию ИИ в рабочих процессах, что, в свою очередь, ускоряет разработку.
03Мультимодальные эмбеддинги и работа с бинарными данными
Третья важная часть обновления касается поддержки эмбеддингов (векторных представлений данных). Ранее система могла сталкиваться с проблемами, если бинарный контент имел разные типы контента (content-type). В версии 0.37 эта проблема решена. Теперь llm корректно обрабатывает ситуации, когда разные бинарные данные требуют разных заголовков MIME.
Это изменение критически важно для работы с такими моделями, как Gemini Embedding 2. Эта модель способна создавать эмбеддинги не только для текста, но и для аудио, изображений и видео. Раньше, если вы пытались закодировать аудиофайл или изображение, система могла ошибиться из-за несоответствия ожидаемого типа контента. Теперь же архитектура llm стала достаточно гибкой, чтобы передавать правильные метаданные в API провайдера.
Что это значит на практике? Вы можете использовать llm для создания векторной базы данных, которая включает в себя не только текстовые документы, но и медиафайлы. Например, вы можете создать систему поиска по видеоархиву, где каждый кадр или звуковой фрагмент преобразуется в вектор. Или вы можете построить поиск по изображениям, находя визуальные сходства. Поддержка мультимодальности делает llm более универсальным инструментом для работы с данными любого типа, что открывает новые возможности для разработчиков, работающих с мультимедийными приложениями.
llm делает это автоматически, но если вы используете кастомные обертки, проверьте заголовки запросов.04Феномен ИИ-помощников в Open Source
Одним из самых интересных аспектов этого релиза является не техническая деталь, а социальный феномен, который описывает Simon. Он отмечает, что многие разработчики open-source проектов жалуются на «потоп» запросов на слияние (PR), созданных с помощью ИИ. Эти PR часто содержат некачественный код, ошибки или просто не решают реальных проблем, засоряя трекеры задач.
Однако Simon делится своим опытом: проект llm, который он ведет, подвержен этому влиянию в наибольшей степени, но он не видит в этом проблемы. Наоборот, он находит это полезным. Причина кроется в том, как он обрабатывает эти запросы. Он использует мощные модели, такие как Opus 5.5 или GPT-6 Astra, для триажа (сортировки и оценки) этих PR. ИИ помогает ему быстро отфильтровать шум и выделить наиболее полезные исправления.
Simon рассматривает ИИ-генерированные PR не как спам, а как «баг-репорты с приложенными примерами». Иногда он принимает их напрямую, иногда использует их как основу для собственной реализации исправления. Этот подход демонстрирует зрелость в управлении open-source проектами в эпоху ИИ. Вместо того чтобы бороться с волной ИИ-активности, он интегрирует ее в свой рабочий процесс, используя ИИ для фильтрации ИИ.
В этом релизе участвовали 12 авторов, почти все из которых использовали ИИ-ассистентов. Бремя проверки этих изменений оказалось значительно меньшим, чем ожидалось. Это важный урок для всех, кто поддерживает open-source проекты: проблема не в самом использовании ИИ, а в отсутствии инструментов для его эффективной интеграции. Если у вас есть доступ к мощным моделям для код-ревью, поток ИИ-вкладов может стать источником идей, а не головной боли.
05Благодарность сообществу
Simon не забыл упомянуть имена тех, кто внес вклад в этот релиз. В список благодарностей вошли: 0d00ciallo0721, ac1982, Allen Flux, Bian Yuhan, Bishop Kammeraad, Chen Yufeiyang, Christopher Krah, Ethan Stoner, Jiachen Xie, Olamide Faniyan, Sharat Chandra Sai Boddu, nosmile99. Эти разработчики помогли с тестированием, исправлением ошибок или просто потратили токены на улучшение проекта. Их вклад, даже если он был частично или полностью сгенерирован ИИ, был ценен для сообщества.
Это подчеркивает еще один важный момент: в эпоху ИИ границы между «человеческим» и «машинным» вкладом размываются. Важно не то, кто написал код, а то, какое решение он предлагает и как оно интегрируется в проект. Признание вклада таких авторов помогает создать более инклюзивную среду, где использование ИИ не стигматизируется, а рассматривается как инструмент продуктивности.
06Что это значит на практике
Давайте подытожим, как эти изменения влияют на повседневную работу разработчика, особенно в контексте российского рынка и доступа к международным сервисам.
1. Экономия бюджета. Если вы используете llm для автоматизации рутинных задач, переход на gpt-6-luna по умолчанию позволит вам сократить расходы на API-запросы вдвое. Это особенно актуально для тех, кто работает с большими объемами данных или проводит длительные сессии генерации кода. В условиях, когда стоимость доступа к ИИ-сервисам может быть высокой, такая оптимизация становится критически важной.
2. Гибкость провайдеров. Команда llm openai endpoint add позволяет вам легко переключаться между различными провайдерами. Если вы находитесь в России, где доступ к некоторым облачным сервисам может быть ограничен или дорог, вы можете использовать локальные развертывания (например, через Ollama) или альтернативные облачные провайдеры, которые поддерживают API OpenAI. Это дает вам свободу выбора и снижает зависимость от одного поставщика.
3. Мультимодальные возможности. Если вы работаете с медиафайлами, новая поддержка эмбеддингов для аудио, изображений и видео открывает новые горизонты. Вы можете создавать умные поисковые системы, системы рекомендаций или инструменты для анализа контента, которые понимают не только текст, но и визуальные и звуковые паттерны. Это делает llm более мощным инструментом для разработчиков, работающих с современными веб-приложениями.
4. Интеграция ИИ в рабочий процесс. Опыт Simon Willison показывает, что ИИ-генерированные PR могут быть полезны, если у вас есть инструменты для их фильтрации. Если вы ведете свой open-source проект, рассмотрите возможность использования ИИ для предварительной оценки входящих изменений. Это может сэкономить вам часы времени на код-ревью.
В заключение, обновление llm 0.37 — это не просто технический апдейт. Это отражение того, как меняется индустрия разработки ПО. ИИ становится неотъемлемой частью рабочего процесса, и инструменты, такие как llm, адаптируются к этому, становясь более гибкими, дешевыми и мощными. Для разработчиков, которые хотят оставаться на передовой технологий, обновление до этой версии является обязательным шагом.
Мы рекомендуем всем, кто использует llm для работы с LLM, обновиться до версии 0.37. Попробуйте новые модели, настройте свои конечные точки и оцените, как мультимодальные эмбеддинги могут улучшить ваши проекты. И не бойтесь использовать ИИ для помощи в управлении вашими проектами — как показывает Simon, это может быть гораздо эффективнее, чем кажется на первый взгляд.
Следите за обновлениями Simon Willison и другими новостями из мира искусственного интеллекта на нашем портале. Мы продолжаем следить за развитием технологий, чтобы вы могли принимать обоснованные решения в своей работе.
Источник: Simon Willison ↗