Поисковая компания Perplexity, известная своим ответным движком на базе ИИ, применяет модель GPT-6 Astra в нескольких рабочих процессах. Об этом 14 сентября сообщила OpenAI. Речь идёт о написании коммуникаций, изменении реальных рабочих систем и мониторинге продакшен-софта. Джонни Хо, соучредитель и директор по стратегии Perplexity, описывает смену так: «Мы можем поручить модели готовить сообщения, редактировать реальные системы и следить за нашим продакшен-софтом — предыдущие поколения на это не были способны».
Для Perplexity качество кода напрямую связано с качеством поиска. Хо замечает: каждый раз, когда модель лучше пишет программы, улучшается и поисковый движок. Он получает возможность писать более удачные программы, которые ищут информацию в вебе и внутренних источниках и сжато её суммируют. Но настоящая сложность, по его словам, — перенести эти информационные возможности на реальные системы. Именно здесь помогает GPT-6 Astra.
| Задача | Как используется GPT-6 Astra |
|---|---|
| Коммуникации | Модель готовит сообщения |
| Рабочие системы | Модель редактирует реальные системы |
| Продакшен | Модель следит за продакшен-софтом |
| Тестирование | Модель строит тестовую программу и имитирует ответы внешних сервисов |
Один из самых полезных сценариев для Хо — тестирование кода. Когда времени на ручную проверку мало, он просит GPT-6 Astra построить небольшую тестовую программу вокруг приложения. Модель генерирует реалистичные ответы, которые прислал бы другой сервис, например API языковой модели или коннектор. Подменяя эти сервисы, она проверяет, как приложение отвечает, и прогоняет рабочий процесс от начала до конца. «Мы можем доверить ей сквозные системы и проверять её гораздо реже, чем предыдущие поколения моделей», — говорит Хо.
Джонни Хо, соучредитель и директор по стратегии Perplexity, называет тестирование кода одним из самых полезных сценариев.
Контекст для понимания: Perplexity — не лаборатория, а продуктовая компания. Её движок отвечает на запросы, собирая данные из веба и внутренних источников, поэтому ошибка в коде поиска или суммаризации видна пользователю сразу. Автономный мониторинг продакшена и генерация тестовых заглушек снижают нагрузку на инженеров: модель берёт на себя рутинную проверку сценариев, которую иначе пришлось бы делать вручную. Это не отменяет контроля, но меняет его частоту.
Формулировка «проверять реже» — ключевая в кейсе. Она означает, что модель уверенно проходит цепочку шагов, а не отдельную задачу: пишет код, подставляет ответы внешних сервисов, отслеживает поведение системы. Для отрасли это ещё один сигнал, что генеративные модели переходят из роли ассистента в роль исполнителя сквозных процессов. Насколько такой режим масштабируется за пределы одного продукта, покажет практика.
