4 ноября 2026 г. в 10:30 AI Revolut GLM AI Agents Разработка ПО Источник

Revolut заявила о снижении расходов на ИИ-кодинг на 90%

Коротко

Revolut называет самостоятельно развёрнутые GLM основным инструментом для задач по написанию кода.
Компания оценивает стоимость инференса примерно в 0,30 доллара за миллион токенов и заявляет о расходах примерно в десять раз ниже прежних.
56 NVIDIA B200 обслуживают около 2 000 инженеров; коммерческие модели остались для отдельных задач.
Внутренние метрики не доказывают, что весь эффект дала только смена модели, но показывают ценность дешёвого доступа к ИИ в рабочих процессах.

Revolut перевела основной поток задач по написанию кода на самостоятельно развёрнутые GLM и заявила о снижении расходов на инференс примерно на 90%. Об этом на конференции AI Engineer рассказал руководитель инфраструктуры Дэвид Абитбол. Claude, Codex и Gemini остались для исключений.

Дешёвые токены меняют не только написание кода

В выборке примерно из 2 000 инженеров Revolut измеряла время написания кода и lead time — путь от взятой в работу функции до готовности к развёртыванию. После перехода на GLM 5.1 внутренний график показал улучшение показателей на 60% и 70% соответственно.

Метрика не отделяет влияние модели от других изменений, поэтому весь эффект нельзя приписывать GLM. Но Абитбол связывает прирост с тем, что инженеры перестали беречь лимит токенов только для сложного кода: ИИ чаще отдают отладку, Jira, Confluence и документацию.

По его словам, прежде отдельные инженеры расходовали от 1 000 до 10 000 долларов в месяц при неочевидной отдаче. Самостоятельное обслуживание GLM 5.1 обходилось Revolut примерно в 0,30 доллара за миллион входных и выходных токенов — около десятой части прежнего счёта за Anthropic и OpenAI. Это не универсальная цена self-hosting, а экономика нагрузки Revolut.

56 B200 — и настройка важнее новой закупки

Сейчас GLM 5.3 для примерно 2 000 инженеров обслуживают 56 NVIDIA B200. Цель — первый токен менее чем за три секунды и около 200 токенов в секунду.

В опубликованном разборе выступления Revolut также приводит результат настройки на тех же 56 ускорителях: на 76% больше запросов в секунду и снижение времени до первого токена на 88% — с 14,26 до 1,68 секунды. Речь идёт о квантовании, настройке длины контекста и разделении обработки входного текста и генерации ответа, а не просто о покупке дополнительных GPU.

Урок для компаний: дешёвый локальный контур расширяет ИИ за пределы автодополнения кода, но требует своей инфраструктуры, маршрутизации, изоляции действий агентов и наблюдаемости. Текстовые GLM Revolut не берут задачи с изображениями: их направляют в другие модели.

Фрагмент выступления с показателями настройки инфраструктуры:

https://www.youtube.com/watch?v=akEqiXFo3GM&t=20619s

Подробнее о контексте и методике компания рассказала в материале AI Engineer.

Ещё новости

4 ноября 2026 г.

Anthropic показала способ проверить, какая ИИ-модель ответила на запрос

Anthropic представила FlashProve — исследовательскую систему криптографической проверки вывода языковых моделей. Она позволяет подтвердить, что ответ действительно сгенерирован зафиксированными весами, не раскрывая сами веса.

4 ноября 2026 г.

Shield AI собрала первый полноразмерный X-BAT — автономный VTOL-истребитель

Shield AI сообщила о завершении сборки первого полноразмерного прототипа X-BAT. Следующий важный рубеж — лётные испытания аппарата, который должен взлетать вертикально и действовать без пилота на борту.

4 ноября 2026 г.

Kimi открыла веса K3.1 Pro: 2,8 трлн параметров и контекст в миллион токенов

Moonshot AI выложила в открытый доступ веса Kimi K3.1 Pro — мультимодальной агентной модели с контекстом до миллиона токенов. Модель можно изучать и разворачивать вне закрытого API, но её размер и лицензия ограничивают круг тех, кто сможет сделать это на практике.

3 ноября 2026 г.

Google вынес Guided Learning в Classroom: что показали тесты

Google начинает глобально разворачивать Guided Learning в Classroom. В контролируемом исследовании с более чем 300 студентами доступ к инструменту совпал с более высоким приростом результатов, но это ещё не доказательство для всех школьных сценариев.

3 ноября 2026 г.

GitHub Copilot Fusion сам выбирает модели для задачи

GitHub вывел Copilot Fusion в общую доступность: режим сам подбирает и комбинирует модели для задачи. Для разработчика это уменьшает ручной выбор модели, но не отменяет контроль расходов и корпоративных политик.

3 ноября 2026 г.

Пенсильвания ввела правила для обманной AI-рекламы

Новый закон Пенсильвании требует заметно раскрывать использование синтетического контента, когда он создаёт ложное впечатление о товаре или услуге.

2 ноября 2026 г.

Кибератака на Selver: в холодильной системе выставили +50 °C

В одном из эстонских магазинов Selver атаковали систему охлаждения: по сообщению Postimees, в ней попытались установить температуру +50 °C. Selver заявляет, что партнёр быстро обнаружил инцидент, магазин не понёс ущерба, а товары и покупатели не пострадали.

2 ноября 2026 г.

Gemini Notebook открыл сотни бесплатных учебников

Google добавила в Gemini Notebook каталог из сотен учебников от OpenStax, Open Textbook Library и S Chand Publishing. По каждому подключённому учебнику сервис обещает ответы с привязкой к тексту и ссылками на исходные фрагменты. Это делает ИИ удобнее для подготовки, но не отменяет проверку его выводов.

2 ноября 2026 г.

GPT-6 Astra изменила 0,016% весов Qwen и подняла MATH-500 с 7,9% до 48,1%

Исследователи, связанные с MIT CSAIL, выложили открытые логи эксперимента, в котором GPT-6 Astra напрямую изменила небольшую часть весов Qwen3.5-0.8B. После одной из правок авторы зафиксировали рост на математических тестах и IFEval, но это ранняя работа с оценкой в собственной экспериментальной среде.

2 ноября 2026 г.

Новый тест агентов: лучший ИИ решил лишь 12% рабочих задач

SemiAnalysis запустила GDPx — бенчмарк агентных моделей на задачах из 11 дорогих для бизнеса областей. По данным авторов, лучший результат пока составляет лишь 12%: эффектные демо ещё не равны надёжной автономной работе.

1 ноября 2026 г.

Google получила первый ответ ИИ с орбитального TPU

Google получила первый ответ от модели Gemma 4, запущенной на TPU на спутнике Project Suncatcher. Это подтверждает работу вычислительной нагрузки на орбите, но не доказывает жизнеспособность космического дата-центра.

1 ноября 2026 г.

DeepSeek показал прототип «суперагента» для GitHub

DeepSeek опубликовала исследовательский прототип dsh-superagent: он следит за событиями в одном репозитории GitHub, запускает отдельные агентные сессии и возвращает результат в исходный диалог.