Revolut сообщает, что самостоятельное размещение open-weight моделей сократило его затраты на программирование на 90%. Работа опирается на open-weight модели GLM, а не на проприетарный hosted API, что ставит экономику coding-агентов на инфраструктуру, контролируемую оператором. Это раскрытие — конкретная точка данных для команд, взвешивающих, где выполняется inference, а не просто какая модель набирает больше всего баллов в бенчмарке.
Для агентных систем это различие носит архитектурный характер. Coding-агент выполняет множество вызовов на задачу, поэтому цена за token накапливается при повторах, циклах tool call и проходах верификации. Самостоятельное размещение смещает этот профиль в сторону фиксированной мощности и утилизации и делает стоимость неудачного или повторного шага вопросом локального планирования, а не оплачиваемого расхода. Компромисс переходит в операции: планирование пропускной способности, обновления моделей и evaluation-обвязку, которая подтверждает, что самостоятельно размещённый checkpoint по-прежнему соответствует планке задачи.
Раскрытие появилось одновременно с открытым релизом LongCat-2.5 от Meituan, нацеленным на agentic coding. Два сигнала в одном окне указывают в одну сторону: open weights позиционируются именно для coding-агентов, а не как универсальная замена чату. Что остаётся неясным из предоставленного освещения — точный охват цифры в 90%, аппаратная база и то, как качество измерялось относительно прежней конфигурации. Эти детали определяют, переносится ли результат на другие инженерные организации.
Мнение студии: рассматривайте размещение модели как решение по архитектуре затрат и сопровождайте любой переход на самостоятельное размещение evaluation-набором, способным выявить регрессии до того, как они достигнут production-агентов.