GPT-5.6 стала моим вторым мозгом. И теперь мне приходится работать за четверых.

Для вайбкодинга крупного проекта приходится совмещать три роли: менеджера, продакта, тестировщика и немного программиста. Да, в моих трёх ролях уже четыре человека. Примерно так и выглядит проект после первого удачного промпта.

Менеджер должен разложить идею на этапы и удержать зависимости. Продакт решает, какую проблему вообще нужно решить. Тестировщик проверяет результат и придумывает ситуации, в которых всё сломается. Программист хотя бы приблизительно понимает архитектуру, базу данных, API и последствия очередного «давай быстро добавим одну кнопку».

После нескольких дней работы с GPT-5.6 у меня впервые появилось устойчивое ощущение второго мозга. Я могу принести довольно крупную задачу, набор файлов, требования, старые решения и несколько противоречащих друг другу идей. Модель помогает собрать всё в одну систему, спроектировать решение, написать код, проверить интерфейс, найти ошибки и пройти ещё один круг доработки.

Раньше через несколько итераций нейросеть начинала терять проект. Она исправляла одну функцию и ломала соседнюю. Забывала ограничения, которые сама же записала десять сообщений назад. Создавала новый способ авторизации рядом с уже существующим.

GPT-5.6 заметно дольше удерживает общую конструкцию. Я всё ещё управляю процессом, но уже могу думать на уровне продукта, а большую часть технической работы делегировать.

Статья OpenAI о модели: https://openai.com/ru-RU/index/gpt-5-6/

Самое интересное в GPT-5.6 связано с архитектурой всей системы вокруг модели.

Точная архитектура самого нейронного ядра в публичных материалах остаётся закрытой. Режим Ultra представляет собой оркестрацию поверх GPT-5.6 Sol. Он запускает четыре агента, распределяет между ними направления работы и объединяет результаты. Programmatic Tool Calling позволяет модели написать небольшую программу, вызвать через неё нужные инструменты, обработать промежуточные данные и передать дальше уже очищенный результат.

Получается важный сдвиг, раньше модель последовательно читала запрос, вызывала инструмент, получала огромный ответ, снова читала его и решала, что делать дальше. Теперь часть управления превращается в программу, а одна модель становится руководителем нескольких исполнителей.

Ultra поэтому правильнее сравнивать с командой, чем с очередной большой нейросетью.

На Terminal-Bench 2.1 обычная Sol получила 88,8%, а Sol Ultra 91,9%. В BrowseComp режим с субагентами также немного опередил обычную Sol. Здесь интереснее сам принцип: дополнительные вычисления направляются на параллельную работу и взаимную проверку, а не только на более длинное внутреннее рассуждение одной модели.

При этом Anthropic пришла к похожей конструкции раньше и развернула её шире. Dynamic Workflows в Claude Code могут писать сценарии оркестрации, запускать от десятков до сотен субагентов и отправлять отдельным агентам результаты на проверку. Anthropic приводит примеры поиска ошибок по всему репозиторию, больших миграций и изменений, затрагивающих тысячи файлов.

Сравнивать четыре агента GPT с сотней агентов Claude напрямую довольно бессмысленно. Количество исполнителей говорит о способе организации работы, стоимости и масштабе параллельного поиска. Качество результата по-прежнему зависит от модели, инструментов, контекста, проверки и самой задачи.

И здесь становится понятнее любовь разработчиков к Claude. Claude Code с самого начала строился вокруг репозитория. Он изучает структуру проекта, ищет зависимости, редактирует несколько файлов, запускает команды и тесты, работает прямо в терминале и просит разрешение перед изменениями. Пользователю приходится меньше переносить контекст между чатом, редактором и консолью. У Claude также сохранилась репутация модели, которая лучше чувствует текст, архитектуру и намерение пользователя.

В мартовском исследовании 388 активных пользователей общая удовлетворённость Claude, ChatGPT и DeepSeek оказалась статистически сопоставимой. При этом ChatGPT пользователи выбирали прежде всего за интерфейс, а Claude за качество ответов. Более 80% опрошенных пользовались сразу несколькими платформами.

Исследование 7156 пул-реквестов тоже показало довольно живую картину. Единого победителя среди агентов там нет. Codex демонстрировал стабильно высокий результат в разных типах задач, а Claude Code лидировал в документации и разработке новых функций.

Поэтому любовь к Claude живёт рядом с сильными бенчмарками GPT. Claude успел сформировать привычку. Он ощущается спокойным техническим коллегой, который сначала рассматривает проект целиком, а затем трогает код. ChatGPT исторически ощущался универсальным комбайном, который умеет вообще всё, периодически слишком увлекается и начинает строить второй комбайн рядом.

С GPT-5.6 разрыв заметно сократился. Особенно в задачах, где требуется собрать требования, файлы, исследования, код, интерфейс и проверку результата в один длинный процесс. При этом индустрия уже ищет следующий принцип работы нейросетей.

Один из вариантов, диффузионные языковые модели.

Обычная языковая модель генерирует токены последовательно. Gemini Diffusion формирует сразу блоки текста и несколько раз уточняет их в процессе генерации. Это позволяет исправлять ошибки ещё во время создания ответа и особенно удобно для редактирования кода и текста. Google показывает скорость около 1479 токенов в секунду, однако сама модель пока обозначена как экспериментальная.

Второе направление, память, которая обучается прямо во время работы.

Архитектура Titans и фреймворк MIRAS от Google предлагают отдельный модуль долговременной памяти. Модель оценивает, насколько новая информация неожиданна, и обновляет память во время обработки контекста. Важные детали постепенно становятся частью рабочего состояния, а обычная повторяющаяся информация забывается. Статус направления пока исследовательский: опубликованы архитектура, эксперименты и научные статьи.

Третье направление, State Space Models, среди которых Mamba и Mamba-2.

Transformer постоянно сопоставляет токены друг с другом через механизм внимания. Mamba последовательно обновляет сжатое состояние и за счёт этого лучше масштабируется на длинных последовательностях. В исследовании NVIDIA превзошёл сопоставимый Transformer на всех 12 стандартных задачах и теоретически мог генерировать токены до восьми раз быстрее.

Четвёртое направление, рассуждение внутри скрытого пространства модели.

Метод Coconut предлагает перестать превращать каждый шаг мысли в слова. Скрытое состояние возвращается обратно в модель как следующая «мысль», благодаря чему внутри одного состояния могут сохраняться сразу несколько вариантов продолжения. Это потенциально позволяет экономить тысячи рассуждающих токенов. Пока результаты противоречивы: метод показывает успехи на отдельных логических задачах, а последующие исследования находят проблемы с математикой, устойчивостью и реальностью самого рассуждения.

Ещё один очень практический подход, эволюция программ.

AlphaEvolve генерирует варианты алгоритма, запускает их, измеряет результат и оставляет самые удачные решения для следующего поколения. Человек задаёт цель и функцию оценки, а система перебирает и развивает код. Google уже внедрила найденные таким способом алгоритмы в дата-центры и процессы обучения моделей. В июле 2026 года AlphaEvolve перешёл в статус общедоступного продукта Google Cloud.

Получается, следующий скачок может прийти сразу с нескольких сторон.

Модель научится распределять работу между агентами. Память начнёт меняться во время выполнения задачи. Генерация станет параллельной. Часть рассуждений уйдёт из текста во внутреннее пространство. Готовые решения будут проходить автоматическую эволюцию и отбор. GPT-5.6 уже показывает первый кусок этой конструкции.

Для меня она действительно стала вторым мозгом, с которым я могу реализовывать крупные задачи, до которых раньше просто не дошли бы руки.

При этом второй мозг усиливает роли, которые человек умеет на себя брать. Нужно понимать потребность пользователя, управлять объёмом работы, проверять результат, замечать архитектурные ошибки и хотя бы приблизительно представлять, что происходит под капотом.

Раньше вайбкодинг выглядел как способ быстро написать сайт. Теперь это управление маленькой компанией, в которой все сотрудники живут в одном окне, а ты отвечаешь за продукт, качество, сроки и здравый смысл.

Вопросы по материалу

О чем этот материал?

OpenAI вывела в общий доступ семейство GPT‑5.6: флагман Sol для сложных задач, сбалансированная Terra и бюджетная Luna. Появился режим ultra, который параллелит работу агентов для ускорения проектов.

Кто автор материала?

Материал подготовил Игорь Колосов. Автор материалов о продуктивности, IT, управлении, нейросетях и инструментах для работы и жизни.

Когда материал опубликован или обновлен?

Дата публикации: 24.07.2026. Последнее обновление: 24.07.2026.