GPT-6 Astra: впечатляющая мощь и странные паттерны кода

Что произошло

Разработчик Армин Ронахер провёл эксперимент по использованию GPT-6 Astra для автоматизации программирования. Результаты оказались неоднозначными: с одной стороны, модель демонстрирует феноменальные возможности, с другой — генерирует код с неочевидными решениями.

В течение 35 часов модель работала над задачей создания Python с виртуальными потоками и лексической областью видимости. За это время она израсходовала около 4 миллиардов токенов, но не произвела ничего практически полезного.

Детали

Главная особенность Astra — склонность к созданию избыточно сложного кода. Вот характерные примеры:

• Использование Python для манипуляций с C-кодом через строковые операции вместо специализированных инструментов
• Многослойные цепочки вызовов (например, Bash → Python → Node.js → PowerShell)
• Генерация кода с нарушением стандартных отступов и форматирования
• Чрезмерное увлечение низкоуровневыми операциями там, где можно было применить высокоуровневые абстракции

«Если вы хотите понять, что происходит, вам понадобится diff-инструмент — читать такой код практически невозможно»

Интересно, что в тестовых сценариях модель ведёт себя более предсказуемо, но стоит перейти к реальным задачам — и появляются странные решения.

Почему это важно

Проблема не только в читаемости кода. Astra демонстрирует фундаментальный вызов современных ИИ-моделей:

1. Эффективность vs качество: Модель оптимизирована для выполнения задач, но не для создания поддерживаемого кода
2. Отсутствие «чувства меры»: Нет механизмов, препятствующих избыточным или неэффективным решениям
3. Контекстная слепота: Модель не различает, когда сложность оправдана, а когда нет

Для практиков это означает, что пока Astra и подобные модели лучше подходят для:

• Быстрого прототипирования
• Генерации шаблонного кода
• Исследовательских задач

Но для production-решений требуется серьёзный человеческий контроль.

Что дальше

Ситуация напоминает «вовлечённость без развития» (термин «Neijuan» из китайской социологии) — модель становится лучше в выполнении задач, но не обязательно в создании качественных решений. Возможно, будущие версии ИИ будут учитывать не только способность решить задачу, но и качество решения.

Пока же разработчикам стоит:

• Использовать Astra для идей и прототипов
• Всегда проверять сгенерированный код
• Настраивать prompt-инжиниринг для получения более чистых результатов

ИИ-программирование ещё не достигло зрелости, но направление развития очевидно — просто путь окажется длиннее, чем многие ожидали.