OpenCode Data: что реальное использование говорит о выборе моделей (Рубрика #AI4SDLC)

После выпуска The Lightcone, о котором я рассказывал утром, я отдельно залип в OpenCode Data. Обычно модели сравнивают по бенчмаркам или впечатлениям в соцсетях, а здесь виден другой слой: что разработчики действительно запускают, сколько токенов тратят, во что обходится сессия и как выбор меняется со временем. Но читать этот дашборд нужно аккуратно. Это не рейтинг лучших моделей, а поведенческий срез конкретного продукта.

Я занимался этим 26 июля 2026 года с фильтрами Go и 2 Months. OpenCode Go - отдельная подписка за $10 в месяц с отобранными открытыми моделями. Компания прямо пишет, что тариф создавался прежде всего для международной аудитории. Поэтому этот срез не представляет всех пользователей OpenCode, весь рынок кодинг-агентов или разработчиков вообще. А дальше поделюсь наблюдениями, что показались мне интересными

1️⃣ Рост использования подписки

1 июня через модели Go прошло около 1,9 триллиона токенов, а 20-21 июля - уже 3,1-3,4 триллиона в день. Число дневных пользователей моделей за тот же период выросло с 91 тысячи до 167-168 тысяч. Данные за 26 июля я не беру для сравнения: дашборд обновился в 08:16 UTC, поэтому день был неполным.

На графике хорошо виден и недельный ритм. Например, 15 июля было 3,2 триллиона токенов и 147 тысяч пользователей моделей, а 18-19 июля показатели опустились до 2,4-2,1 триллиона и 119-117 тысяч.

Похожая картина повторяется и в другие выходные. Это похоже на рабочее, а не только развлекательное использование кодинг-агентов, хотя сам график причины, конечно, не доказывает.

2️⃣ Объем токенов и число пользователей рассказывают разные истории.

DeepSeek V4 Flash лидирует по объему. Но в выпуске Jay V показывает другой срез: около 38 тысяч уникальных пользователей у Flash, 31 тысячи у DeepSeek Pro и почти 30 тысяч у GLM-5.2. Получается, что GLM уже близок к одной из моделей DeepSeek по охвату, но две версии DeepSeek вместе и их более интенсивное использование дают другую картину по токенам.

И здесь нельзя сразу заключить, что Flash просто «лучше». По объяснению Jay, он настолько дешевый, что пользователи переключаются на него, когда подходят к дневному или недельному лимиту. Популярность в токенах оказывается смесью как минимум четырех факторов: способности модели, цены, скорости и стратегии расходования квоты.

3️⃣ Средняя сессия может отличаться по цене почти в 28 раз

На снимке 26 июля сессия DeepSeek V4 Flash в среднем содержит 7,9 миллиона токенов и стоит около $0,085. У GLM-5.2 - 4,6 миллиона токенов и примерно $2,40.

То есть более длинная сессия на дешевой модели обходится намного дешевле более короткой на дорогой. Для платформенной команды это важнее абстрактной цены «за миллион токенов»: бюджет съедает не прайс сам по себе, а реальная форма сессии.

4️⃣ Экономика кодинг-агентов в большой степени зависит от кэша

Дашборд показывает, что у DeepSeek V4 Flash 96% входных токенов обслуживаются из кэша, а у GLM-5.2 - 80%.

В типичной агентной сессии кодовая база, системная инструкция и история разговора могут образовывать длинный общий префикс. Если инфраструктура умеет его переиспользовать, миллионы логических токенов не означают, что их каждый раз приходится вычислять заново. Поэтому сравнивать модели только по цене входа и выхода недостаточно.

5️⃣ География здесь совсем не похожа на привычную картину из Кремниевой долины

На выбранном срезе Китай дает 18% токенов, США - 12%, Бразилия - 5%, Германия, Япония и Индонезия - по 4%.

Это именно доля токенов, а не пользователей или выручки. И выборка смещена самим дизайном Go: дешевый тариф, открытые модели и инфраструктура, рассчитанная на глобальный доступ.

Ремарки относительно этой аналитики

Данные публикует сама OpenCode, независимый аудит или полная методология агрегации на странице не указаны. Токены не равны успешно выполненным задачам, качеству кода или продуктивности команды. Большое число пользователей может означать массовую пробу новой модели, а большой объем токенов - низкую цену, длинные сессии или интенсивную работу небольшой группы. Наконец, дашборд живой, поэтому без даты любой скриншот быстро устаревает.

Выводы

Реальное использование полезнее воспринимать не как соревнование моделей, а как карту компромиссов. Если компания строит внутреннюю платформу для кодинг-агентов, ей нужны похожие разрезы: модель, тип задачи, успешность, число человеческих корректировок, задержка, стоимость сессии, доля кэша и переключения после исчерпания лимита. Тогда выбор модели становится инженерным управлением портфелем, а не спором о единственном победителе.

#AI #AI4SDLC #Agents #Data #Metrics #Engineering #Software