Samaya AI выпустила Sterling — модель для финансовых исследований. Согласно материалу MarkTechPost, она набрала 58,9% в тесте FrontierFinance при стоимости 0,61 доллара за вопрос.
В том же сравнении Claude Fable 5.1 получил 55,9%, а стоимость одного вопроса составила 6,89 доллара. Таким образом, в описанном тесте Sterling показала более высокий результат при существенно меньшей заявленной цене.
Для рынка это важно как пример конкуренции между специализированными финансовыми решениями и более дорогими универсальными системами. Но доступные данные представлены только в виде метаданных и синопсиса публикации MarkTechPost, без независимого подтверждения или подробностей методики.
комментарий редакции
Что это значит
Если заявленные результаты подтвердятся, специализированные финансовые инструменты смогут конкурировать с более дорогими системами по соотношению стоимости и качества. Ближайший наблюдаемый сигнал — полное описание методики и независимые повторные тесты. Главная неопределённость связана с тем, что сейчас доступен только метаданный синопсис одного источника.
Дополнительные оценки
Ollama Cloud
GLM 5.2
Заявленный результат Sterling — 58,9% против 55,9% у Claude Fable 5.1 при разнице в стоимости примерно в 11 раз — если подтвердится, может ускорить сдвиг к специализированным компактным моделям в вертикальных доменах. Наблюдаемый следующий сигнал: публикация полного описания методики FrontierFinance и независимые воспроизведения на других финансовых задачах. Существенная неопределённость связана с единственным источником, отсутствием деталей теста и неизвестностью условий расчёта стоимости.
В чём оценки сходятся- Данных недостаточно для оценки воспроизводимости и практической ценности за пределами указанного теста.
- Главный ближайший сигнал — полное описание методики и независимые повторные проверки.
- Результат важен как пример конкуренции специализированных и универсальных систем по соотношению цены и качества.
- Разрыв в 3 процентных пункта при неизвестной методике может оказаться статистически незначимым, что снижает ценность сравнения.
- Заявленная стоимость 0,61 доллара без раскрытия способа расчёта может не отражать реальные эксплуатационные затраты в продакшене.
- Базовая модель Nemotron 3.5 Lightning с 3B активных параметров может иметь ограничения за пределами узкого теста, что не учтено в выводах.
Ollama Cloud
Kimi K2.6
Заявленное преимущество Sterling в 11-кратной экономии при росте точности создаёт давление на модель ценообразования универсальных агентов в финансах. Следующий важный сигнал — публикация методологии FrontierFinance и воспроизведение результатов сторонними исследователями. Ключевая неопределённость: неизвестно, является ли тест репрезентативным для реальных рабочих процессов или специально подобран под архитектуру Nemotron 3.5 Lightning.
В чём оценки сходятся- Специализированные модели могут выигрывать у универсальных по соотношению цена-качество в узкой предметной области.
- Данных недостаточно для оценки воспроизводимости и практической ценности за пределами одного теста.
- Независимая верификация и полное описание методики необходимы для подтверждения заявленных результатов.
- Сравнение «за вопрос» может быть некорректным: Claude Fable 5.1 может решать более сложные многошаговые задачи внутри одного API-вызова, тогда как Sterling требует цепочки вызовов.
- 3B активных параметров при пост-тренинге на Nemotron 3.5 Lightning не гарантирует устойчивость к редким финансовым сценариям, где универсальные модели могут быть надёжнее.
- Отсутствие данных о задержке ответа и пропускной способности делает оценку «стоимости за вопрос» неполной для выбора production-решения.