Union-alpha проверили на живой задаче вместо бенчмарков
На OpenRouter появилась стелс-модель stealth/union-alpha, и автор статьи сразу прогнал её не на тестах, а на реальной фиче из рабочего проекта. Речь о ветке, которая должна отвечать в Direct тем, кто пишет комментарий под постом.
Что именно проверяли и почему это важно
Автор уже несколько месяцев развивает ИИ-агента для заказчика: он обрабатывает ночные заявки, ведёт диалоги и работает с amoCRM. Следующим шагом была ветка для комментариев: если человек ставит «+» или спрашивает цену под публикацией, система должна отправить ему личное сообщение.
Вместо очередного бенчмарка модель решили посадить на живую задачу. Для этого взяли новый релиз stealth/union-alpha, появившийся 16 сентября на OpenRouter, и дали ей реальный кусок бэклога. По данным из статьи, у модели мультимодальность, tool calling, показатель GPQA Diamond 90.9% и пока что нулевая цена.
Что получилось собрать
Модель вернула не просто ответ, а набор из семи файлов для сборки решения. Среди них были отдельные функции для логики, сборщик проекта, тесты, документация и итоговый JSON с новыми узлами для воркфлоу. При этом исходная схема не была сломана: добавились 15 новых нод, а импорт должен проходить без активации.
Особенно автора зацепило, что модель сама отметила свои слабые места. В одном из разделов она прямо указала, что использовала слишком общий промпт и не сделала отдельный сценарий для комментариев. Для практической работы это полезно: ИИ не только пишет код, но и сам подсказывает, где в решении есть дыры.
Какие выводы можно сделать для бизнеса и работы
Главный смысл эксперимента — не в красивых цифрах, а в том, может ли модель закрыть настоящую задачу в боевом проекте. Такой подход особенно полезен предпринимателям, маркетологам и разработчикам: сразу видно, пригоден ли ИИ для внедрения, а не только для презентаций.
В статье отдельно отмечены три сильных решения: приватный ответ привязывается к комментарию, а не к пользователю; дубли ловятся через атомарный Redis INCR; после ошибки система предпочитает не отправить дважды, чем случайно задвоить ответ. Для команд, которые строят автоматизацию продаж и поддержки, это важный ориентир: надёжность и отсутствие дублей иногда важнее, чем идеальная попытка всё отправить автоматически.