В утечке на GitHub модель описали как «скачок в рассуждениях»: она лучше работает как агент с кодом и требует меньше инструкций.

Даже если GPT-5 окажется «всего лишь» на 20-30% лучше GPT-4, эти 20-30% именно там, где раньше вы могли упираться в потолок: длинные цепочки рассуждений, тонкий контекст и сложный код.

Поэтому сегодняшний стрим — отличная возможность первыми увидеть, как будет выглядеть следующая планка для инженерных инструментов и AI-продуктов. Возможно, у вас появятся идеи о том, как это применить, уже сегодня :)

Я написал около 60 промптов, из которых получилось порядка 40 решенных задач. Я разбивал большие задачи на подзадачи, поэтому «40 решенных задач» — это примерно 3–4 полноценных фичи.

Если смотреть с поправкой на дробление и качество промптов, то статистика примерно такая: 1,2 промпта → 1 задача. И это безумная конверсия!

Я очень редко редактировал код от medium/high reasoning. Почти всегда либо подходило сразу, либо максимум была пара правок.

А вот от low reasoning... Ну, скажем так: код либо выкидывался, либо переписывался с нуля. Полностью. Без сожалений.

За всё время тестирования ушло $5.32:
~65% промптов — medium reasoning;
~20% — low;
~15% — high.

Самый дешёвый ран — $0.04, самый дорогой — $1.89. Один из сюрпризов: high reasoning может оказаться дешевле, если решает с первого раза. Это связано с тем, что вне зависимости от уровня reasoning модель тратит одинаковое количество токенов, меняется только то, насколько «глубоко» она мыслит.

High reasoning реально долго думает. Как будто пишет диссертацию, чтобы просто перекрасить кнопку из голубой лагуны в красную охру. Но почти каждый раз — ваншот. Идеальный! Это даже немного страшно…

Medium reasoning — оптимум. High — для задач, где важна точность, пусть и с задержкой. Low — не хочется притрагиваться вообще. Он игнорирует команды, которые ты ему даешь, правила .cursor/rules. Он живёт своей жизнью и может устроить токеновый ад вплоть до того, что может уйти в бесконечный цикл, в котором будет безуспешно пытаться исправить одни и те же места в коде. Трижды ловил его на этом.

Я учусь на коде, который пишет GPT‑5. Это и восхищает, и немного пугает. Если раньше я правил сгенерированное, то теперь спрашиваю: «А как это работает?»

Возможно, я не лучший разработчик на свете, но когда машина пишет код лучше тебя… Становится грустновато 😅

В целом могу сказать, что с начала использования GPT‑5 у меня сместился фокус: я быстрее и эффективнее, когда пишу промпты и ревьюю код, а не когда сам всё пишу руками. Вчера я ещё думал: «вот здесь я лучше сам закодю», а сегодня думаю: «пусть GPT‑5 напишет, а я проверю».

Вот схема, как использовать GPT-5 с Cursor эффективно:

1. Разбивайте большие задачи на подзадачи.
2. Прогоняйте получившиеся задачи в агенте и попутно заводите себе правила в .cursor/rules, если агент пишет что-то не так, как вы хотели бы.
3. По итогу части выполненной работы просите CodeRabbit отревьюить ваш код (он может как писать комментарии, так и исправлять их с помощью ИИ).

GPT‑5 — это не шаг вперёд. Это перелом. Это не «как Claude‑4, только чуть лучше». Это уже полноценный state-of-the-art. Очень интересно, что будет дальше!