O czym jest ten film
- Nate B. Jones dostał przedpremierowy dostęp do Claude Fable 5.2 i rzucił go na zadanie, nad którym od ponad miesiąca rozbijał się z różnymi modelami: informacyjny wyświetlacz e-ink stojący na biurku.
- Fable przejrzał setki plików z wcześniejszych, nieudanych prób, odczytał intencje autora z jego surowej krytyki, zaproponował projekt — i od razu zbudował działające rozwiązanie.
- Nowe zachowanie modelu: gdy okno kontekstu zaczynało się zapełniać, sam przygotował plik przekazania i poprosił o kontynuowanie budowy w świeżym wątku.
- Anthropic podaje, że Fable 5.2 wykonał 41 procent zleceń z indeksu pracy zdalnej co najmniej na poziomie zawodowca — poprzedni Opus 5.5 osiągał 21 procent.
- Główną barierą pozostaje cena: 8 dolarów za milion tokenów wejściowych i 40 za wyjściowe; użytkownicy opowiadają o rozmowach za 250 dolarów i testach wstrzymanych przez brak środków na koncie.
- Autor wprowadza pojęcie nasycenia na poziomie zadań: jeśli obecny model daje radę, nawet znakomity upgrade niewiele zmieni — i wyróżnia trzy klasy zadań według opłacalności.
- Praktyczna rekomendacja: na co dzień tańszy Opus 5.5, Fable 5.2 punktowo — tam, gdzie wydatek rzędu kilkuset dolarów zwraca wielokrotnie wyższą wartość.
- Firmy stają przed wyborem: nauczyć pracowników wybierać projekty z policzalnym zwrotem albo odciąć dostęp do drogiego modelu — Jones zna przykłady obu podejść.
- Gospodarka AI rozdwaja się w kształcie litery K: laboratoria reinwestują moc modeli w budowanie kolejnych generacji, a zwykłe firmy ledwie znajdują zastosowania warte swojej ceny.
- Twórcy prognozy AI 2027 spodziewają się nadludzkich badaczy AI już w przyszłym roku, a ich własny miernik przyspieszenia wyprzedza scenariusze o jakieś pięć miesięcy.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Historia nieudanych prób to najlepszy materiał wejściowy
Na czym polega: Fable 5.2 dostał do wglądu wcześniejsze wersje projektu i szczere uwagi typu „to nie działa, popraw” — i na tej podstawie wywnioskował, czego autor naprawdę chce, choć ten nie umiał tego opisać.
Jak stosować: Nie zaczynaj od czystej kartki. Zbierz odrzucone wersje, komentarze i feedback, wgraj wszystko do modelu i poproś o odczytanie intencji między wierszami. To, co powtarza się w odrzuceniach, często stanowi definicję oczekiwań.
Na co uważać: Nie zastępuj tym własnego myślenia. Autor spędził nad projektem długie godziny i dzięki temu rozpoznał dobry wynik — bez tego warsztatu łatwo przytaknąć czemuś złemu.
2.W wielu dziedzinach jesteś lepszy jako sędzia niż jako projektant
Na czym polega: Jones nie jest projektantem, ale w roli klienta natychmiast widział, co mu nie pasuje. Model domknął lukę między „wiem, że to złe” a „to właśnie trzeba zbudować”.
Jak stosować: Jeśli nie umiesz opisać rozwiązania, opisuj kryteria odrzucenia i iteruj przez negatywne oceny. Świadomie wchodź w tę rolę, w której masz najwięcej krytycznego warsztatu — produktową, techniczną czy kliencką.
Na co uważać: Samo „nie podoba mi się” to za mało. Zanim zaczniesz oceniać, przemyśl problem na tyle, by twoje „tak” i „nie” miały podstawę.
3.Drogi model celuj tylko w zadania o wielokrotnym zwrocie
Na czym polega: Jedna rozmowa przez API potrafi kosztować 250 dolarów, więc rachunek jest prosty: kilkaset dolarów wydatku musi przynosić wartość rzędu dziesięciu tysięcy.
Jak stosować: Przed sięgnięciem po Fable 5.2 zadaj pytanie: ile jest warte rozwiązanie tego problemu, jeśli wyjdzie dobrze? Jeśli odpowiedź brzmi „kilkadziesiąt dolarów”, to nie jest kandydat.
Na co uważać: Trudność sama w sobie nie uzasadnia wydatku — zadanie może być ciężkie i jednocześnie niskowartościowe.
4.Domyślnie tańszy model, drogi tylko punktowo
Na czym polega: Samo Anthropic radzi zostać przy Opusie 5.5 do większości zadań programistycznych i pracy wiedzowej, a przełączać się na 5.2 dopiero wtedy, gdy zadanie to uzasadnia.
Jak stosować: Wprowadź w zespole jawne zasady przełączania modeli: klasa zadań A — model tani, klasa B — najmocniejszy. Abonament z tygodniowym limitem dodatkowo sprowadza koszt 5.2 niemal do zera w ramach budżetu.
Na co uważać: Bez wyraźnych reguł grożą dwa błędy: rachunki, których nikt nie przewidział, albo całkowita blokada dostępu i utrata przewagi.
5.Dziel pracę na etapy i pilnuj pliku przekazania
Na czym polega: Gdy pamięć robocza rozmowy zaczynała się zapełniać, Fable sam przygotował plik przekazania i zaproponował budowę w nowym wątku — praktyka, którą ludzie musieli dotąd wymuszać sami.
Jak stosować: Projektowanie i budowę prowadź w osobnych wątkach, a między nimi przekaż spójne podsumowanie decyzji i założeń.
Na co uważać: Przy zmianie wątku sprawdź, co realnie trafiło do pliku przekazania — utrata kluczowych ustaleń to najczęstszy powód, dla którego nowa rozmowa zbacza z toru.
6.Klasyfikuj zadania przez pryzmat nasycenia
Na czym polega: Jeśli obecny model załatwia dane zadanie, upgrade da niewiele — to nasycenie na poziomie zadań. Jones dzieli pracę na trzy klasy: nasycenie, zadania trudne ale nieopłacalne oraz trudne i warte zrobienia.
Jak stosować: Zrób audyt swoich zadań i przypisz każde do jednej z trzech klas. Tylko trzecia uzasadnia koszt najmocniejszego modelu.
Na co uważać: Większość rozmówców Jonesa nie widzi u siebie wielu problemów z trzeciej klasy. Jeśli ty też ich nie widzisz — najpierw ich poszukaj, zanim zapłacisz za moc, której nie masz gdzie użyć.
7.Jeśli dajesz zespołowi dostęp do drogiego modelu, daj też reguły gry
Na czym polega: Firmy reagują dwojako: uczą ludzi wybierać projekty z uzasadnionym zwrotem albo po prostu odetną dostęp, bo model jest za drogi. Jones zna przykłady obu podejść.
Jak stosować: Wydaj zespołowi krótką listę kryteriów: przy jakich projektach wolno sięgać po najmocniejsze modele i na co chcesz wydawać tę inteligencję. Reszta pracy wraca na tańszy model.
Na co uważać: Blokada dostępu chroni budżet, ale oddaje przewagę tym, którzy nauczyli się model wykorzystywać.
8.Ćwicz umiejętności wyższego rzędu: wybór problemu i ocena rozwiązań
Na czym polega: Ten sam model w różnych rękach daje różne wyniki. W 2027 roku liczyć się będą: rozpoznawanie wartościowych problemów, ocenianie proponowanych rozwiązań i wyczuwanie, co trzeba zmienić.
Jak stosować: Przed poproszeniem modelu o rozwiązanie zapisz własne kryteria sukcesu; po odpowiedzi porównaj efekt z tymi kryteriami. Taki trening oceny przenosi się na każdą współpracę z AI.
Na co uważać: Generowanie treści tanieje; przewaga przesuwa się w stronę doboru i oceny. Kto tego nie ćwiczy, zostaje w tyle niezależnie od tego, jaki model ma w ręku.
9.Współpracuj z modelem jak z kolegą po fachu, nie jak z asystentem
Na czym polega: Praca z Fable 5.2 wyglądała mniej więcej tak: „nie wiem dokładnie, jak to ma wyglądać; masz tu pliki — wymyśl to”. Model wziział na siebie i projekt, i budowę.
Jak stosować: Dawaj cel, kontekst i materiały zamiast instrukcji krok po kroku; pozwalaj modelowi proponować kształt rozwiązania i przeprowadzać całe etapy od początku do końca.
Na co uważać: Nadal musisz komunikować intencje i trzymać rękę na sterze. Autonomia modelu nie zwalnia z decyzji, co jest dobre, a co nie.
10.Trzymaj się biurowego K — granica możliwości i tak ucieka w laboratoriach
Na czym polega: Publicznie dostępne wyniki to ułamek tego, co dzieje się wewnątrz laboratoriów, gdzie moc modeli celowo reinwestuje się w budowanie kolejnych generacji. W OpenAI czekają niewydane modele, coraz dalsze od codzienności firm.
Jak stosować: Skup się na tym, co realnie daje zwrot w twojej pracy, i nowe modele testuj właśnie tam, na konkretnych problemach.
Na co uważać: Nagłówki o rekurencyjnym samodoskonaleniu łatwo wywołują paraliż. Użyteczna reakcja to konkretny rachunek opłacalności, nie panika.
Redakcyjne tłumaczenie
Pytanie, od którego wszystko zaczyna
Możesz wziąć Fable 5.2 na próbę i uznać, że w twojej pracy niewiele zmienia — albo że poprawa jest za droga na codzienne użycie. Ale co, jeśli ktoś w twoim zespole znajdzie sposób, który odetnie wam mnóstwo roboty? Co, jeśli konkurencja z tą samą liczbą ludzi zacznie dowozić lepszy efekt?
Ja dostałem przedpremierowy dostęp i powiem krótko: to bardzo dobry model. Od ponad miesiąca próbowałem zaprogramować wyświetlacz e-ink (papier elektroniczny). Trzy wcześniejsze podejścia nie dały tego, czego chciałem. Próbowałem w różnych laboratoriach, na różnych modelach i w różnych narzędziach — i nic z tego nie wychodziło. Fable przejrzał setki plików, które zostawiły po sobie te próby, wrócił z projektem, który od razu mi się spodobał, a potem go zbudował. I trafił.
Równolegle właściciele firm, z którymi rozmawiam, patrzą na cennik Fable 5.2 i mówią wprost: to bardzo drogie, jak na zwykłą robotę. Więc gdzie użyć tej mocy? Moim zdaniem właśnie to pytanie tłumaczy, czemu kształtuje się gospodarka AI przypominająca literę K — czyli sytuacja, w której dwie grupy z czasem się rozjeżdżają: jedna szybko pnie się w górę, druga ledwo się zmienia. Laboratoria mogą wykorzystać lepsze AI przy budowie następnej generacji modeli i zdecydowanie są na górnym ramieniu tej litery. W zwykłej firmie trzeba natomiast najpierw znaleźć zadania, dla których poprawa jest warta swojej ceny — a to, jak słyszę od przedsiębiorców, samo w sobie stanowi osobną pracę. Robi to ogromną różnicę, jeśli laboratoria będą przyspieszać coraz mocniej. Ludzie stojący za prognozą AI 2027 uważają, że tak właśnie będzie: nadludzcy badacze AI mają się pojawić już w przyszłym roku, a ich lektura badań pokazuje, że jeden z mierników przyspieszenia wyprzedza własne scenariusze tej ekipy o jakieś pięć miesięcy. Patrzysz na to jak na krzywą wykładniczą i widzisz, że zbliża się szybciej, niż zakładano.
(Informacja dodatkowa: AI 2027 to opublikowana w 2025 roku, szeroko komentowana prognoza rozwoju sztucznej inteligencji, opisująca scenariusze bardzo szybkiego postępu — łącznie z przejęciem przez AI pracy badawczej nad kolejnymi AI.)
Miesiąc zmagań z wyświetlaczem
Jestem wybredny w kwestiach projektu. Zależy mi, co pojawia się najpierw, co zostaje wyróżnione, jak elementy składają się w całość. Tak wygląda tło moich zmagań z e-ink. Próbowałem wielokrotnie, z różnymi modelami, w tym z Fable 5.1, i za każdym razem wychodziło to samo: żadne AI nie potrafiło złożyć na moim biurku informacyjnego wyświetlacza, który by nie był okropny. A tu zadziałało.
Model czyta między wierszami
Wgrałem Fable 5.2 wszystkie wcześniejsze próby. Starałem się opisać poprzeczkę, ale — całkiem szczerze — w większości powtarzałem tylko: to jest do bani, to nie działa, popraw. I przyznałem mu wprost, że część zadania polega na czytaniu między wierszami nieudanych podejść: na przejrzeniu moich uwag z poprzedniej pracy z Claude, w których mnóstwo razy mówiłem „nie”, i na wywnioskowaniu, o co naprawdę wskazywałem, wyliczając wady poprzednich projektów.
To skomplikowana robota. Poprosiłem Fable o odgadnięcie moich intencji: o zrozumienie, czego chcę, wtedy gdy ja sam potrafię to rozpoznać dopiero po zobaczeniu, a wcześniej nie umiem tego ubrać w słowa. W dużej części pracy wiedzowej wygląda to podobnie: redagujesz — i poznajesz, że jest dobrze, kiedy widzisz; widzisz, że jest źle, i marudzisz, aż będzie dobrze. Nic w tym niezwykłego.
Wskazałem więc, co jest nie tak — a dostałem projekt, który przerósł moje oczekiwania. Ma to ogromną wartość, bo przeskoczenie od „wiem, że to złe” do „to właśnie mamy zbudować” to gigantyczna część całej roboty. Model bardzo konkretnie pomógł w tym myśleniu: uporządkował to, co już próbowałem, i dał mi coś, czemu śmiało mogłem powiedzieć „tak” — częściowo dlatego, że trafił, a częściowo dlatego, że sam spędziłem nad tym mnóstwo godzin.
Bo to nie jest moment, w którym kapituluję intelektualnie. Nie mówię: no dobra, czwarta próba, kończymy, niech będzie. Mówię: siedziałem nad tym długie godziny i w końcu jesteśmy u celu. Człowiek zanurzony w kontekście projektu łatwiej też rozpozna chwilę, w której wyszło dobrze — i tego, moim zdaniem, nie wolno nam przeoczyć, gdy AI będzie coraz sprawniejsze.
Plik przekazania, czyli model sam pilnuje kontekstu
Rozmowa zrobiła się z czasem bardzo długa. Fable zauważył, że jego okno kontekstu — czyli pamięć robocza rozmowy — zapełnia się niemal do końca. Wszystko toczyło się w wątku projektowym i wtedy model sam, z własnej inicjatywy, przygotował plik przekazania (handoff), czyli streszczenie ustaleń do przeniesienia w nowe miejsce, i kazał mi otworzyć świeże okno na etap budowania. Bardzo poręczne zachowanie. Krótko mówiąc, wypatrzył naturalną granicę między projektowaniem a budowaniem i powiedział mniej więcej tak: myślę, że powinniśmy mieć osobny wątek, w osobnym wątku popracuję lepiej — masz tu plik przekazania, otwórz go i buduj. Od dawna nawołuję do tego jako do dobrej praktyki. Miło zobaczyć, że AI samo mówi człowiekowi: hej, zrób tak. I po prostu zadziałało. Podniosłem plik, poprosiłem o budowę — i Fable przeszedł do dzieła, po czym wgrał wszystko na wyświetlacz e-ink. Działa bez zarzutu.
Co stoi na moim biurku
To nie jest prosty wyświetlacz. Zmienia się w ciągu dnia zależnie od tego, jaką hierarchię informacji potrzebuję rano, po południu i wieczorem. Pokazuje nadchodzący dzień, pogodę (a to Seattle, więc zachmurzenie i deszcz) oraz cytaty autorów, których często czytam — to dla mnie ważne, bo lubię mieć przed oczami też coś poza pracą. A całość utrzymana jest w estetyce, od której nie zbiera mi się na wymioty, bo nie wygląda na graficzny szum wypluty maszynowo przez AI. Naprawdę dobrze to wszystko poskładane. I najpiękniejsze jest to, że Fable złożył całość nie tylko jako projekt na papierze, lecz jako działającą rzecz — w spójnym, uporządkowanym przebiegu: jeden wątek na projekt, bezszwowe przekazanie, drugi wątek na budowę.
Dlaczego nie tracę waszego czasu na wyświetlacz
Możesz pomyśleć: Nate, ale co mi pan opowiada o wyświetlaczach. Nie zgodzę się. Musimy więcej myśleć o tym, jakie zadania zlecamy tym modelom — takie, o których wiemy, że dobrze zrobione poprawią dzień, odciążą tydzień, zdejmą z nas trochę ciężaru. Ale żeby tam dotrzeć, trzeba model popchnąć na sam kraniec jego możliwości. Trzeba powiedzieć: nie wiem do końca, jak to ma wyglądać — ty się tym zajmij, masz tu pliki. Tak właśnie zaczyna wyglądać praca nad czymś, nad czym dużo myśleliśmy, ale do domknięcia potrzebowaliśmy partnera intelektualnego.
To jest ten przeskok, który chcę pokazać: przechodzimy od asystenta do partnera intelektualnego. Wymaga to nieco innego myślenia o własnej pracy — nadal intensywnie myślimy, skupiamy się, podejmujemy dobre decyzje, komunikujemy intencje i trzymamy rękę na sterze, ale współdziałamy z modelem niemal jak z kolegą po fachu.
Twarde dane i twarda cena
I nie jest to popisywanie się w stylu „mam fajny gadżet, więc model jest mocny”. Samo Anthropic podaje, że Fable 5.2 wykonał 41 procent zleceń freelancerskich z indeksu pracy zdalnej co najmniej tak dobrze jak zawodowiec — poprzedni Opus 5.5 osiągał 21 procent. A to zlecenia, za które ktoś normalnie bierze pieniądze i wykonuje je zdalnie, bez żadnej rozmowy telefonicznej.
(Informacja dodatkowa: indeks pracy zdalnej, remote labor index, to benchmark oparty na realnych, płatnych zleceniach wykonywanych w całości zdalnie; wynik pokazuje odsetek zadań domkniętych przez model na poziomie profesjonalisty.)
I tu ważne zastrzeżenie: nie chodzi mi o samą liczbę z benchmarku, tylko o to, że taki skok o coś świadczy — w zdolności Fable do wykonywania pracy dzieje się coś wyjątkowego. Będziemy więc musieli wpisać 5.2 w nasze procesy tak, żeby miało to sens ekonomiczny, bo model nie jest tani.
Żeby zobrazować koszty: rozmawiałem z kimś, kto wydał 250 dolarów na jedną rozmowę przez API o dokumentach strategicznych. Zareagował ciężkim przełknięciem. Ja podobnie. Ktoś inny opowiadał, że jego test Fable 5.2 utknął, bo OpenRouter czekał, aż na koncie nazbierają się kolejne środki. Ludzie używają Fable 5.2, ale szczerze rachują się z kosztem tej pracy.
(Informacja dodatkowa: OpenRouter to pośrednik dający dostęp do modeli wielu dostawców przez jedno API i jeden rachunek.)
Nasycenie zadań i trzy klasy problemów
Jeśli twoim zdaniem nie warto kierować tej mocy na konkretny problem biznesowy — nie rób tego. Warto natomiast poważnie przemyśleć przepaść, jaką trzeba przeskoczyć, wybierając zadanie warte takich pieniędzy: coś naprawdę trudnego. Wielu ludzi, z którymi rozmawiam, nie widzi w swoich firmach wielu problemów aż tak trudnych. Nazywam to nasyceniem na poziomie zadań: jeśli model, którego używasz dziś, daje sobie radę, kolejny upgrade da ci bardzo mało — nawet jeśli sam w sobie jest znakomitej jakości.
Są też zadania trudniejsze, gdzie poprawa jest realna, ale koszt nadal trudno obronić — i to zupełnie inny powód, dla którego ktoś może obejrzeć lepszy model i mimo wszystko postanowić używać go rzadko. Wreszcie trzecia klasa, o której już wspomniałem: zadanie na tyle trudne, że warto — i podejmujesz je świadomie. U mnie część motywacji była taka, że muszę kończyć to, co zaczynam; to moja mała pasja. A wyświetlacz zmieścił się w moim tygodniowym budżecie na Fable, więc po prostu go dokończyłem.
Kiedy rachunek się spina
Ceny: standardowa stawka Fable w API to 8 dolarów za milion tokenów wejściowych i 40 dolarów za wyjściowe. Mniej niż za Fable 5.1, ale ludzie — z życiowymi przykładami — wciąż martwią się wydatkami. Samo Anthropic radzi: do większości zadań programistycznych i wiedzowych zostań przy Opusie 5.5. Zgadzam się w pełni — model zmieniaj wtedy, gdy trafi się zadanie trudne na tyle, by to uzasadnić.
Masz abonament z tygodniowym limitem? W jego ramach użycie 5.2 to w praktyce zero dodatkowych dolarów. Płacisz w API? Pomyśl, gdzie masz problem warty rozwiązania za kilkaset dolarów. Kiedy taki rachunek łatwo obronić? Wtedy, gdy kilkaset włożonych dolarów oznacza dziesięć tysięcy wartości. Tam, gdzie dobrze zrobiona robota jest naprawdę dużo warta, odkładasz 300, 400, 500 dolarów bez mrugnięcia okiem.
Tych ocen będzie się od nas coraz częściej wymagać. Kiedyś takie pytania zadawał sobie wyłącznie właściciel firmy. Dziś firmy będą oczekiwać, że pracownicy sami je przeliczą — albo odetną im dostęp do 5.2 jako za drogiego. Znam firmy na obu pozycjach. Jeśli chcesz powierzyć zespołowi dostęp do 5.2, daj ludziom bardzo jasne wytyczne: przy jakich projektach, uzasadnionych zwrotem, wolno sięgać po modele z samej czołówki możliwości i na co chcesz tę inteligencję wydawać. A potem jasne zasady przełączania z powrotem na tańszy model dla całej reszty pracy.
I właśnie tu, w pracy biurowej, rysuje się kolejne K. Jedni znajdują miejsca, w których dodatkowa moc robi ogromną różnicę; inni rozbijają się o koszty albo nie potrafią wyciągnąć użytecznego efektu — bywa, że w tym samym biurze. Rośnie znaczenie różnic w umiejętnościach, które w 2027 roku będą naprawdę istotne: jak rozpoznawać wartościowe problemy, jak oceniać proponowane rozwiązania, jak ustalać, co wymaga zmiany. To umiejętności wyższego rzędu i trzeba w nich szybko nabierać sprawności. Dostęp do tego samego modelu nie oznacza bowiem, że wszyscy dojdziemy do tego samego wyniku.
Sędzia zamiast projektanta
U mnie tak właśnie było: znacznie łatwiej rozpoznawałem projekt, którego chciałem, niż umiałem wytłumaczyć modelowi, jak go zrobić — bo, mówiąc szczerze, nie jestem projektantem. Coś mógłbym zaproponować, owszem, ale w roli sędziego byłem po prostu lepszy, bo w tej sytuacji występowałem jako klient. Stąd ważny wniosek: wiedz, gdzie leżą twoje dodatkowe umiejętności krytyczne — w czym jesteś naprawdę dobry — i na tym oprzyj sposób pracy z modelami. Otwarcie przyznaję: sporo lat spędziłem przy produkcie, sporo po stronie technicznej, w tych dwóch miejscach czuję się pewnie. Ale z tym modelem współpracowałem od strony projektu jako klient, bo tak pewniej podnoszę jakość w dziedzinie, w której nie odrobiłem projektanckich godzin. To świadomy wybór.
Rekurencja w laboratoriach: małe K i duże K
Na moment zmieńmy płaszczyznę. Weź pytanie o to, gdzie kierować moc, i przenieś je do środka laboratorium budującego model. Laboratoria mają wyjątkowo wartościowe miejsce na taką inwestycję: pracę nad tym, by następny model był lepszy. I dlatego mówiłem o przyspieszaniu czołówki — to, co widzimy publicznie, to ułamek mocy dostępnej wewnątrz laboratoriów, a ta moc celowo idzie w robienie AI lepszym. To skupienie rekurencyjne. Kiedy więc słyszysz nagłówki o rekurencyjnym samodoskonaleniu — wspominałem wcześniej w tym nagraniu o doniesieniach, że granica możliwości przesuwa się w stronę autonomicznych badań nad AI — musimy sobie to naprawdę poukładać w głowach: z perspektywy ekonomicznej laboratoria cenią używanie AI do przyspieszania AI wyżej niż cokolwiek innego, traktują to jako ważniejsze i właśnie temu poświęcają więcej uwagi pod kątem bezpieczeństwa niż temu, co pokazują światu.
W tym sensie nasze zadanie polega na tym, by trafić na górne ramię biurowego K — tego małego K, w którym staramy się coraz sprawniej wykorzystywać modele, do których mamy dostęp. Duże K to natomiast rozjazd między modelami z granicy możliwości a resztą naszej codzienności. Nasycenie zadań jest realne. W OpenAI siedzą niewydane modele — coraz dalej na froncie i coraz dalej od tego, co robimy dzień w dzień. Trzymaj więc uwagę na K, które masz na wyciągnięcie ręki, w biurze — i zobacz, jak używać tych modeli tak, by naprawdę przynosiły zwrot.
To jest mój wniosek z Fable 5.2. Napiszcie w komentarzach, do czego waszym zdaniem warto go używać. Pełną wersję tej analizy znajdziecie na moim Substacku.