Нейросеть для текста способна обработать документ не за 4,85 цента, а за 0,07 цента — именно так команда сервиса JobPath снизила прогнозный счёт за LLM-обработку вакансий с $2000 до $30 в месяц, сэкономив 98,5%. Каждую ночь система собирает свежие вакансии из открытых источников и Telegram-каналов и превращает сырой текст — то простыню HTML без разметки, то три строчки с эмодзи через слово — в структурированную карточку: резюме, обязанности, требования, навыки, оценка сложности и зарплатная вилка в рублях. Сначала эту обработку текста нейросетью делала Claude Sonnet 4.6, и делала отлично. Но при росте каталога вакансий счёт из строчки в биллинге превратился в статью расходов — и команда занялась экономией на LLM.
Как выбирали дешёвую нейросеть для генерации текста бесплатно
Собрали эвал из 50 реальных вакансий — разных по объёму, тематике и наличию зарплаты — и прогнали через нескольких кандидатов по одной схеме. Оценивал слепой судья (Opus 4.8): смотрел на исходный текст и карточку без указания модели, ставил баллы от 1 до 5 за полноту, точность, качество русского языка и адекватность зарплатной оценки. Результаты:
- Claude Sonnet 4.6 — $0,0485/вакансия, ~$2000/мес, качество 4,48 — эталон, но дорого.
- Qwen3-235B — ~$0,0014/вакансия, ~$59/мес, качество 4,24 — лучший русский среди дешёвых, но в 52% случаев зарплата ушла в null.
- Qwen3.5-flash — $0,0007/вакансия, ~$30/мес, качество 4,06 — выбор команды.
- Qwen3.5-9B — ещё дешевле, но 2,76 — модель выдумывала факты и была отсеяна.
- DeepSeek-V3.1 — по цене сопоставим с flash, но в 95 случаях из 100 вернул списки одной строкой вместо массива.
Минус, который стоит за экономией на нейросети для написания текста
Вот тот самый скрытый минус: снижение стоимости нейросети в 70 раз стоило команде падения качества с 4,48 до 4,06 балла и новых видов поломок. Дешёвые модели присылали пустые ответы при коде 200, путали типы полей, делали опечатки в именах полей из JSON-схемы и меняли местами годовую и месячную зарплату. А один недосмотр в обработке ошибок биллинга сжёг 16 000 вызовов API за одну ночь. Так что структурирование данных нейросетью на бюджетной модели — это не бесплатный обед, а осознанный размен: часть карточек требует ручной проверки логики и мониторинга ошибок.
Что это значит для вашего AI для бизнеса: русские нейросети для текста
Если вы гоняете через LLM большие объёмы однотипного текста — вакансии, отзывы, карточки товаров, — снижение затрат AI на порядок вполне реально: сначала докажите ценность на топовой модели, а когда объём вырастет, переходите на бюджетную с собственным эвалом на реальных данных. Но закладывайте бюджет не только на подписку, а и на защиту от «тихих» ошибок дешёвых моделей — иначе разница в $1970 быстро съедится непредвиденным биллинговым инцидентом.
Комментарии 0