AI Projects

💰 Давайте все же разберемся со стоимостью обучения моделей китайцами, т.к. текущая стоимость обучения Xiaomi в $3,4 миллиона долларов выглядит как «американский позор» на фоне расходов Anthropic и OpenAI на обучение моделей в миллиарды долларов. Причем если походить по китайским ИИ-форумам, то частенько китайские инженеры так и считают с нотками национализма: «Да американцы просто заваливают числом GPU свой недостаток IQ. Что с белых дураков взять? Китайцы и книги придумали на 1000 лет раньше европейцев!» На деле тут все не так просто. Стоимость обучения в $3,4 миллиона долларов у Xiaomi — это стоимость только Reinforcement Learning. Если взять под 20T токенов для pre-training и порядка 7B токенов на RL-обучение, чисто линейно многие американские и даже российские инженеры оценивают обучение base-модели с SFT где-то в $4 миллиарда долларов, что конечно наивная глупость, т.к. не бьется с другими данными от Xiaomi и моделированием расходов вендоров LLM от SemiAnalysis через их модель Tokenomics. Архитектор моделей Xiaomi Ло Фули (ранее один из архитекторов DeepSeek) в своем интервью по факту косвенно кинула валенок в наших экспертов «Православных ИИ», т.к. указала, что их соотношение расходов GPU на исследования, предварительного и последующего обучения составляет примерно 3:5:1, но актуально только для ИИ «для глупых чатов». Для эпохи умных агентов соотношение потребления GPU изменилось до 3:1:1, что означает, что инвестиции в вычислительные мощности для pre-training и Reinforcement Learning теперь примерно равны. По ее мнению, это практика лучших команд разработчиков LLM. Если это толковать прямолинейно, получается, все затраты на обучение моделей Xiaomi где-то в районе $15 миллионов долларов, что выглядит либо, что в Anthropic и OpenAI действительно поголовно работают идиоты на фоне китайских инженеров, или, как следует ожидать, вопрос хитрее. SemiAnalysis собрал много публичных данных от вендоров LLM, построил свою модель Tokenomics, которая в целом имеет поддержку экспертов на рынке по точности. По этой модели доля Pre-Training упала вообще до 7% от расхода GPU вендоров. Расход 90% на base+SFT как у того же GigaChat — показатель отставания на 2 года от фронтирных лабораторий. Но откуда тогда огромные 55% расходов на RL для обучения моделей у OpenAI и Anthropic? На самом деле тут противоречий нет, и как раз понимание тонкости работы вендоров LLM позволяет нам сделать важнейший прогноз, что развитие LLM будет продолжаться просто бешеными темпами, т.е. дешевизна и высокая стоимость RL-обучения тут удивительным образом уживаются вместе. Дело в том, что когда Xiaomi, DeepSeek или OpenAI с Anthropic делают обучение моделей, они не повторяют pre-training постоянно. Они ОДИН раз на целое семейство моделей его делают. Потом большое количество этих моделей становятся непубличными исследовательскими, и на этой же base-модели много-много раз повторяется разное RL-обучение. Потом уже пойманные качественные RL-циклы переносятся в продакшен RL-обучение. Иными словами, $3,4 миллиона долларов — это «стоимость попытки обучения». Однако она довольно дешевая для тех инвестиций и доходов, что имеют вендоры LLM. Это отчасти как раз объясняет тот бешеный темп обновления моделей, что мы увидели. Для его ускорения еще фронтирные лабы разделили pre-training на обучение отдельных моделей-экспертов, из которых дистиллируется целевая, как легко догадаться, это позволяет еще лучше расшаривать инвестиции в base-модели. 📌 Если как основные выводы: • Экономическая схема «много RL на один base» позволяет вендорам LLM продолжать невероятную скорость обновления моделей • Несмотря на все объяснения пока фактом остается то, что эффективность китайской инженерии обучения LLM точно от 10+ раз выше американской по экономике https://mimo.xiaomi.com/rl/#overview https://en.theblockbeats.news/flash/342835 https://semianalysis.com/tokenomics-model/ https://officechai.com/ai/while-share-of-inference-has-held-steady-over-the-last-2-years-pre-training-compute-has-moved-to-post-training-semi-analysis/

По технике «ансамбля LLM + DeepSeek как worker agent» из предыдущего поста я бы отметил моменты, где она может сбоить и нужна прямая генерация кода из фронтира или вмешательство человека. В целом, для бэкенда DeepSeek V4.1 Flash даже для сложной логики обычно не требуется генерация кода фронтиром, если ансамбль фронтиров сделал предложения по архитектуре и задача достаточно формализована. В чистой алгоритмизации DeepSeek классически очень силён, что видно по рейтингу CodeForces, который Дарио для Claude давно не публиковал и обычно эксперты оценивают его около 2500. Для сравнения рейтинг DeepSeek выше 3200 и он входит в Top-20 сильнейших программистов мира в чистой алгоритмизации. Поэтому в чистых алгоритмах DeepSeek помощь даже Fable не нужна, он сильнее растренирован через свой GRPO, а советы по библиотекам и архитектуре может дать Fable через ансамбль. Однако сложно формализовать требования к фронту. Классически это и не сильная сторона DeepSeek была до последнего обновления. Сейчас DeepSeek V4.1 Flash обыгрывает в дуэлях Arena на дизайн GPT-6 Sol (Max) и Qwen3.8-Max. Это говорит о том, что уровень DeepSeek в дизайне UI стал необычно высоким для Flash-моделей. Однако преимущество Claude в дизайне над DeepSeek всё равно остаётся велико. Поэтому тут при высоких требованиях к дизайну целесообразно создать мокированные прототипы в Claude, а потом передать DeepSeek доработать код. Тут правда важно делать инъекции в код семантических разметок, как я в GRACE делаю, чтобы Claude передал в том числе «скрытую семантику» вместе с кодом, т.к. сам код может не передавать всего замысла явно. Есть ещё один кейс, где ансамбль LLM не поможет и даже Fable с Astra проигрывают опытному архитектору — это сами основные архитектурные решения. В предыдущем посте можете заметить, что Qwen 3.8 Max согласовал DeepSeek V4.1 решение перенести «доменную логику» в некий Core. Это решение до этого же одобрил Claude Opus. Однако оно ошибочное: в реале весь ансамбль LLM тут просто начал делать «монолит», что сразу начнёт накапливать технический долг. Причина их выбора в том, что несмотря на широкий тестовый перечень разнородных задач у меня, всем ИИ задачи показались «простыми» и они решили «не добавлять сложностей». Это абсолютно типичное поведение LLM и оно опасное, если вы не делаете превентивных мер. Иными словами, когда вы только начали делать с ИИ новое приложение, сервис или модуль, то даже ансамбль LLM будет тяготеть к ложнооптимальному решению в рамках тех задач, что ИИ видит сейчас, но без учёта роста приложения. Если ничего с этим не делать, через некоторое время получится огромная лапша-код, где человек вообще ничего не понимает, а ИИ понимает с трудом. Требование к ИИ визуализировать архитектуру тут поможет частично. В более-менее сложном приложении вы просто утонете в деталях его схем. Реальное решение — готовность вашего фреймворка агентов всегда сделать РЕФАКТОРИНГ с низкими рисками развала приложения. Вот тут как раз и окупаются сразу мои в чём-то «маниакальные» методы логирования и прошивки требований. Часто я замечаю только после нескольких итераций и проверки дизайна, что ИИ сделал архитектурную ошибку, т.к. код же работает, «тесты зелёные», но технический долг уже начал копиться. Поскольку у меня мощная формализация требований, встроенная в код документация и крупное логирование, то я безжалостно сразу требую от ИИ всё переписать заново. За счёт формальных процедур у меня менее 5% вероятности, что приложение сломается от рефакторинга. Если архитектура уже стабилизирована и ИИ нужно только её наращивать дальше типа добавления плагинов, то можно уже так не проверять и работать через "ансамбль LLM + DeepSeek" как на конвейере. Однако концепция «всё есть плагин» как в DeepSeek Harness — это не маркетинг, а условие выживания в ИИ-разработке, т.к. такая архитектура как раз масштабируется без частого рефакторинга.

В чате меня спрашивают, как подготовиться к переходу от Claude или ChatGPT на китайские модели, если из-за усиления режима санкций и введения контроля их соблюдения со стороны SEC после IPO вендоров. На деле я сам использую примерно такой пайплайн, как описано ниже, и рекомендую к нему мигрировать всем, т.к. за счёт использования «ансамблей» тут суммарный IQ моделей будет выше Fable или Astra, но за счёт дешёвого DeepSeek как worker-модели и ещё бесплатного анализа постановки задачи и результата через обычные чаты вообще бесплатно, такой пайплайн крайне экономически выгодный. Он примерно идёт по таким шагам. 1. Сбор контекста DeepSeek V4.1 Flash для фронтиров с запросом на решение задачи. Агент у меня не пытается её решить, а собирает именно исходные данные и склеивает в один файл требования пользователя, выборки из БД, релевантные фрагменты старого кода и, конечно, описание графами предметной области и самого приложения для общего overview задачи для фронтиров. Если уже у меня есть идея реализации или нужно развить текущую идею, то я даю указание агенту это включить в документ. 2. Далее такой файл я обычно бросаю в Grok, Claude и Qwen. Отмечу, что очень тяжёлый фронтир и далеко не дешёвый Qwen 3.8 Max тут доступен вообще бесплатно, а у остальных большие скидки именно на работу в чате. Агенты фронтиров в чате пишут отчёт с анализом постановки задачи и в ответ создают документ с описанием хороших решений и что рекомендуется исправить. Пример такого заключения Qwen 3.8 Max на экране. По этому заключению я внёс дальше исправления в свой фреймворк. 3. Далее отчёты от фронтиров копируются в чат DeepSeek V4.1 Flash с заданием обобщить предложения фронтиров, найти где их консенсус, где расхождения, а также сформулировать мнение самого DeepSeek, где он согласен или нет. Шаг с ансамблем моделей ещё очень важный для защиты от галлюцинаций и предвзятости моделей, чем страдают и фронтиры. Тот же Алекс Карп без ансамбля LLM, как делает в своём Palantir много лет, считает использование агентов грубой ошибкой пайплайна, и я с ним согласен. 4. Далее с DeepSeek мы обсуждаем, что именно берём на реализацию, он составляет подробные планы и далее по моему фреймворку GRACE создаёт себе рой субагентов и улетает в автономную сессию примерно на 1 час в среднем. В этот момент я вам и пишу посты в канале 😎 5. DeepSeek у меня обязательно всё засыпает unit-тестами и делает агентские E2E-тесты. Когда я критикую TDD, это не значит, что я тестами не пользуюсь, я просто не считаю зелёные тесты серьёзным критерием качества. Это необходимо, но недостаточно. Агенты у меня больше смотрят в лог и «доказательства корректности». Когда у них аудит логов/доказательств проходит, они возвращаются из астрала. 6. Я сразу снова прошу сделать большой файл для аудита результата с выборками кода, требований, срезами логов и т.п. Далее снова раскидывается по всем фронтирам с запросом на ревью и делается консолидация DeepSeek уже оценки качества похоже, как с постановкой задачи. Описанный пайплайн на деле делает вас независимым от какого-то фронтира, т.к. всегда они применяются как «ансамбль» и выбывание одного «певца ансамбля» не сильно сказывается на пайплайне. Поэтому что там есть Claude, что нет — уже не так важно, если есть другие фронтиры. Коллективным разумом они его умнее всегда.

Anthropic стал требовать предъявлять паспорта для доступа к Claude. Российские паспорта блокируют даже для тех, кто не проживает в России. В X пишут, что многие просто генерируют с ИИ изображение иностранных паспортов, но довольно очевидно, что Дарио легко это прикроет, т.к. распознать, что изображение генеративное, специальной нейросетью довольно просто даже без «водяных знаков». Скорее более серьезный вопрос — что будет с санкционным режимом у Anthropic против России после IPO, а ситуация изменится как в части контроля регуляторов, так и давления инвесторов. Сейчас Дарио держит убыточные абонентки, и это только его дело, но после IPO он обязан отчитываться перед инвесторами и обосновывать им, почему он ведет убыточный бизнес. Конечно, инвесторы будут настаивать на закрытии абоненток вообще, но особенно сильным будет аргумент, что пользователи из России или КНДР не являются даже серьезной клиентской базой, т.к. не могут перерасти в крупных клиентов Anthropic в принципе из-за санкционного режима и вместо этого и далее намерены заводить кучу убыточных Max-подписок для вендора. Поэтому инвесторы безусловно будут требовать более жесткого соблюдения режима санкций не политически, а просто меркантильно из своей личной прибыли. Однако изменится и контроль соблюдения санкционного режима против России после IPO. Пока у Дарио частная компания, он может закрывать глаза на многие VPN, делая вид «добросовестного участника рынка, которого ввели в заблуждение пользователи». Однако после IPO всё меняется: Anthropic попадает сразу под жесткий надзор регуляторов как SEC. Любые нарушения санкционного законодательства США (например, OFAC) могут привести к крупным штрафам и репутационным потерям, что напрямую ударит по стоимости акций. Поэтому SEC выполняет довольно жесткий надзор над публичными компаниями для защиты инвесторов от приключений, т.к. теперь это не риски одного Дарио, но инвесторов, которых он подписывает на свои риски. Скорее всего, Anthropic после IPO в несколько итераций своих систем валидации выйдет почти на полный бан Claude для России, КНДР и других санкционных стран. Напомню, что хранение сессий за 1 месяц в Anthropic делает практически бесперспективными все средства обхода блокировок, если Дарио перейдет не выборочно, а тотально на сравнение контекста забаненных и новых аккаунтов. Это уже надо учитывать. С моей точки зрения Anthropic для России крайне ненадежный поставщик уже из-за волн банов, а в 2027 году будет представлять уже серьезный риск парализации бизнесов. Более мягкие баны у OpenAI, но это опять же только до IPO и пока не включится зоркое око SEC. Долгосрочно довольно очевидно, что Россия уходит к Китаю как его ИИ-сателлит. Это уже и юридически закреплено через WAICO (World Artificial Intelligence Cooperation Organization) под эгидой КНР, куда Россия вступила официально. Поэтому всем кто сидит на Claude и ChatGPT стоит уже прорабатывать миграции на китайские LLM. Это все равно неизбежно произойдет в ближайшие несколько лет. Однако такой переход не является "просто сменой поставщика инференса". Китайские модели намного более требовательные к дисциплине управления ими, Ad-hoc промтинг и кашу скиллов с GitHub они обычно не переваривают, как может переварить этот бардак Claude.

🧠 Думаю, многие читали, как блогеры разносят новость, что GPT-6 Astra прямо отредактировала веса Qwen3.5-0.8B. Хотя найти и поправить веса — достижение, но явно Альтман как раз вбросил хайп на вентилятор, больше рассчитывая, что блогеры не разберутся, что достижение значительно ниже, чем кажется, и главное почти не имеет практической ценности. Хотя даже инженерам часто кажется, что веса GPT статичные, но математически ИИ вполне доступен эквивалент правки своих весов. Юрген Шмидхубер иногда преувеличивает значение своих старых работ, но не в этом случае, когда он с недоумением стал комментировать хайп OpenAI, т.к. Fast Weight Programmers с прямой правкой весов он действительно применял и успешно в 1990-х, но что самое главное — этот концепт побудил его создать Delta State, который применяется почти во всех State-гибридах сейчас от Qwen до Kimi K3 и даже GigaChat с YandexGPT. Фактически State можно рассматривать как «динамические веса модели». Причём это не академическая работа как у OpenAI, а рабочая архитектура фронтирных моделей. В случае обычного GPT на деле Attention также может выполнять роль математического эквивалента правки весов — это доказал Google в своих работах, что я публиковал в канале. Поэтому когда вы делаете ICL-обучение в контексте, это ближе к нативному обучению модели, чем вы могли раньше подумать. Также Paweł Huryn делает верное замечание, что Альтман не доказал, что его правка дала эффект как решение задачи. До правки Qwen3.5-0.8B исчерпывала токены в 93% математических ответов. Модель зацикливалась иногда в CoT. После правки этот дефект упал до 33%. Однако Альтман написал маркетинговые материалы так, что блогеры подумали, будто изменилось само решение задач от этого. В ответах, которые Qwen уже завершила, точность не изменилась. 📌 Если как мораль: всегда будьте осторожны с «сенсациями» в ИИ, т.к. вендоры LLM прекрасно понимают, что блогеры в ИИ — дилетанты, которые не поймут тонкостей вопроса, и их публикации с яркими заголовками массивно будут репостить, что даёт вендорам совершенно халявную рекламу. Вопрос — насколько честную. https://x.com/PawelHuryn/status/2117639929463197885

В новом Linux 7.4 примерно половина из 20.000 комитов будет от ИИ. Линус Торвальдс из былого скептика стал главным ИИ фанатом проекта и считает, что "все идёт по плану". Так или иначе, но если новый Linux не развалится и будет даже лучше, то все скептики, что ИИ не может писать код будут окончательно посрамлены. Все же ядро Linux намного сложнее того, чем занимается 90% разработчиков.

Если вы думаете, что у нас в чате слишком горячие дискуссии насчёт ИИ, то вы не читали научное оппонирование Илона Маска одному PhD насчёт его ЦОД для ИИ в космосе. https://x.com/broudsov/status/2117232243907125289?a=ouZS_wpXr-dgkIheViY&s=19

🏗 Если вы решили пользователям сделать «своего агента», заканчивайте эту ерунду и дайте им просто работать в DeepSeek Harness. На примере своих решений для строителей я хорошо вижу разницу между моей отдельной обвязкой «строительного агента» и просто запуском агента в DSH со «Строительным MCP». Поясню задачу на экране и почему там нужны ИИ-агенты. Это классическая ETL-задача перегруппировки одной информации в другую классификацию. Строителям это нужно, чтобы перегруппировать сметы в график производства работ, т.к. в детализации смет стройкой управлять нереально. Агенты у меня создают WBS для проекта в MS Project, потом делают перегруппировку сметных позиций и ресурсов на него. Это не такая простая задача, т.к. «много-ко-многим» с перебросками через весовые коэффициенты. Нужно разбираться в строительной технологии, что перебрасывать из сметы и на какую задачу проекта, нужно и сам проект производства работ придумать. Ранее это делал "отдел девочек", теперь их ИИ всех уволил и делает рой агентов. Сначала я применял свою обвязку с одним субагентом для перегруппировки. Вроде бы по смыслу то же самое, что DSH. По смыслу может быть, но не по результату. В этой задаче DeepSeek в DSH её стал решать уже через 4 субагента с workflow. Совершенно несопоставимое качество результата. Фактически перегруппировки идут в one shot с более серьёзным уровнем контроля. Чтобы DeepSeek на ходу мог править и код MCP, и React-формы, я сделал там горячие перезагрузки плагинов внутри своего приложения, поэтому фактически получилось самомодифицирующаяся обвязка DeepSeek с самомодифицирующимся моим приложением. 💡 Однако основной инсайт, который я хочу донести, в том, что если ваш пользователь Power User, то перестаньте выдавать ему свои агентские обвязки, вы не сделаете даже близко аналог DeepSeek Harness сами. Не глупее вас офисный работник, у него тоже высшее образование и приличный инженерный опыт часто, поэтому ему нужны также профессиональные системы управления агентами. Даже если нужно как-то поменять кардинально внешний вид DSH под задачу, то можно его плагинами превратить во что угодно. DeepSeek Harness — это не агентская среда разработчиков, это универсальная агентская среда для всех.

Хотите сделать свою обвязку агента ИИ за 5 минут? Creator Mode в DeepSeek Harness к вашим услугам. Вы можете быстро дополнить агентскую систему плагинами постоянной работы как вам нужно. Это как раз сила архитектуры DSH — «всё есть плагин». Если почитать руководителя разработки DeepSeek Harness Цуй Тяньи в китайских сетях, то он постоянно доносит идею, что Claude Code или Codex по факту оторванные системы от самой разработки LLM в «дополнительный сервис». В случае DSH — это часть единого решения DeepSeek, которое изначально разработано в концепции Agent = DeepSeek + DSH, сама LLM на него обучена нативно. DeepSeek также ожидает, что многие кейсы применения их модели будут покрыты за счёт работы модели в DSH, а не просто абстрактной силой модели.

🚩 Bindu Reddy, ранее менеджер Google и Amazon, ставит на то, что DeepSeek захватит «двухзначную цифру» доли рынка в США, а многие неоклауды для ИИ обанкротятся. Иными словами, известный эксперт в ИИ считает, что коррекция на рынке капитализации продолжится, убыточные Anthropic и OpenAI без денег инвесторов начнут терять позиции в пользу прибыльного DeepSeek. Она также предсказывает поглощение крупных американских вендоров LLM, плюс усиление безработицы программистов. Тут стоит сделать анализ. Хотя в относительных цифрах китайский фондовый рынок просел сильнее, в абсолютных значениях инвесторы потеряли на ИИ-компаниях в США несопоставимо больше денег. Китайский Hang Seng Tech за октябрь 2025 — март 2026 потерял $600 миллиардов, а NASDAQ — более $1,20 трлн за один день после квартальных отчётов США, общая коррекция в США превысила уже $2 трлн. Правда, как процент от NASDAQ это даже не 10%. Давайте оценим, насколько Bindu Reddy права в своих прогнозах, если инвесторы прекратят заливать деньги в ИИ. По данным The Information и по экспериментальной проверке команды vLLM действительно DeepSeek V4.1 Flash зарабатывает 70% маржи, причём где-то в 3 раза больше прибыли с GPU, чем у крупных моделей вроде Kimi K3. Меньший размер модели и способность помещаться почти целиком в GPU важнее продажной цены токенов для экономики — просто на порядки. В целом инференс у Anthropic за счёт его космических цен тоже прибыльный — около 60%, но речь о выручке от цены по токенам. С учётом скидок OpenAI и Google, если их модели примерно такого же размера, скорее у них даже инференс убыточный. Однако серьёзная проблема крупных моделей вроде Fable или Opus в том, что их обучение стоит невероятно дорого: Anthropic в убытке на $9 миллиардов именно из-за того, что прибыль с инференса не покрывает расходы на обучение. Если брать DeepSeek или Xiaomi, то за счёт компактности модели сама аренда GPU для изменения весов модели стоит «копейки» в понятиях ИИ-рынка — несколько миллионов долларов. Мы знаем это точно, т.к. Xiaomi даже показывал дашборд, как учит модель в прямом эфире, включая стоимости. Поскольку в Xiaomi работает часть бывших экспертов DeepSeek, то скорее всего расходы сопоставимы для моделей примерно одного размера и при явном использовании схожих подходов местами. Важный ещё момент: китайские вендоры LLM имеют «подушку безопасности» в виде участия государственных фондов КНР, поэтому даже если у китайских вендоров LLM возникнут проблемы, им будет оказана господдержка от таких структур: • Правительство КНР участвует в DeepSeek через Национальный фонд индустрии искусственного интеллекта • Kimi поддержан Пекинским фондом AI • StepFun поддержан Шанхайским фондом AI Нет государственной поддержки у «зайцев» из GLM, но Kimi и StepFun имеют поддержку на уровне провинций КНР. Правда, «провинция» КНР по масштабу экономики больше, чем типичная страна ЕС. В случае DeepSeek он поддерживается прямо Си как «суверенный ИИ». Поэтому надёжность DeepSeek, который и прибыльный, и сидит ещё на господдержке, огромная. Важно, что дешёвое обучение и инференс делают DeepSeek малозависимым от внешних инвесторов для продолжения business as usual даже при обвале фондовых рынков. В случае Anthropic ему нужно будет выплатить по take-or-pay около $400 миллиардов долларов поставщикам ЦОД, т.к. его модели крупные. Примерно такая же ситуация у OpenAI. Приход от продаж токенов точно недостаточный, и если начнётся кризис, то Bindu Reddy недалека от реальности. Anthropic вряд ли обанкротится, но Дарио при отсутствии притока инвестиций сразу отменит все абонентские подписки. Это сплошные его убытки. Вероятно, цену в токенах ему нужно будет ещё поднять, но «в ноль» он тогда выйдет. Правда, сокращение инвестиций в обучение крупных моделей приведёт к тому, что китайцы сильно станут наступать на пятки. Ситуация у OpenAI и Oracle, который ему ЦОДы строит, на деле тяжёлая в этом кейсе. Поэтому капитализация Oracle и валится так сильно. Скорее всего OpenAI и даже Oracle могут быть поглощены Google или Microsoft. Однако поглощение не решает проблему баланса экономики моделей американских LLM, т.к. их крупные фронтиры просто убыточные. Поэтому скорее всего и Anthropic, и OpenAI попробуют создать свои «флешки», а Fable или Astra станут доступны только мальчикам, которые ездят на Ferrari. 🔹 Если подвести итог, в этом блуде убыточных крупных LLM-моделей действительно может победителем выйти DeepSeek, т.к. экономика у него самая оптимальная и он ещё имеет денежную подушку безопасности от Си Цзиньпина. https://x.com/bindureddy/status/2116435399715455346