Insights

🛠️ ღია კოდის ინსტრუმენტი pxpipe ტექსტს PNG-ში მალავს და ტოკენის ხარჯს 70%-მდე ამცირებს

ღია კოდის ინსტრუმენტმა pxpipe-მა Claude Code-ისთვის განკუთვნილი გრძელი ტექსტური მოთხოვნები კომპაქტურ PNG სურათებად აქცია და ტოკენების ხარჯი 70%-მდე შეამცირა. ხრიკი მუშაობს იმის გამო, თუ როგორ აფასებს Anthropic სურათებს თავის სატარიფო მოდელში, ვინაიდან სურათი ტექსტზე იაფად ჯდება. გამოცემა the-decoder-ის ინფორმაციით, ეს პროექტი დეველოპერმა სტივენ ჩონგმა შექმნა. მისივე ცნობით, ჯამური დანაზოგი საშუალოდ 59-დან 70 პროცენტამდე მერყეობს, დამოკიდებულებით იმაზე, თუ რამდენად მოცულობითია სტატიკური კონტექსტი. ინსტრუმენტი უკვე საჯაროდ ხელმისაწვდომია და დეველოპერების ინტერესს იწვევს. ტექსტი დაახლოებით 1 ტოკენს ჯდება თითო სიმბოლოზე, სურათი კი ფიქსირებულ ტოკენებს ითხოვს პიქსელების ზომის მიხედვით, მიუხედავად იმისა, რამდენ ტექსტს შეიცავს. თუ მკვრივ შიგთავსს, მაგალითად კოდს ან JSON-ს, სურათად დაარენდერებ, ერთ ტოკენში დაახლოებით 3.1 სიმბოლო თავსდება. pxpipe ამ იდეას ლოკალური პროქსის სახით ახორციელებს. ის ჩაჭრის Claude Code-ისკენ მიმავალ მოთხოვნებს და მოცულობით, სტატიკურ ნაწილს სურათებად რენდერავს. ამ ნაწილში შედის სისტემური მოთხოვნები, ინსტრუმენტების დოკუმენტაცია და ჩატის ძველი ისტორია. სურათი, რომელსაც მოდელი რეალურად ხედავს, მკვრივად ჩალაგებულ ტექსტს შეიცავს. უახლესი შეტყობინებები და მოდელის პასუხები ჩვეულებრივ ტექსტად გადის. ასეთი გაყოფა საშუალებას აძლევს სისტემას, დინამიკური ნაწილი წაკითხვადი დატოვოს, ხოლო უცვლელი, გამეორებადი ბლოკები კი შეკუმშოს. სწორედ ეს განმეორებადი ბლოკები, სისტემური მოთხოვნა და ინსტრუმენტების აღწერა, ყოველი მოთხოვნისას თავიდან იგზავნება და ხარჯის დიდ ნაწილს ქმნის. ჩონგის განმარტებით, დაახლოებით 48 000 სიმბოლოს მოცულობის სისტემური მოთხოვნა და დოკუმენტაცია ერთ მკვრივ PNG გვერდზე თავსდება. ტექსტად ეს დაახლოებით 25 000 ტოკენი ღირდა, სურათად კი მხოლოდ 2 700 ტოკენი, რაც თითქმის ცხრაჯერ ნაკლებია. დანაზოგის ლოგიკა მარტივია. რაც უფრო დიდი და უცვლელია კონტექსტი, მით მეტია სარგებელი, ვინაიდან სურათის ტოკენების რაოდენობა ფიქსირებული რჩება, ტექსტისა კი სიმბოლოების პროპორციულად იზრდება. ამიტომ ხრიკი განსაკუთრებით ეფექტიანია გრძელი აგენტური სესიების დროს. ერთ-ერთ Fable 5-ის დემონსტრაციაზე სესიის ღირებულება 42.21 დოლარიდან 6.06 დოლარამდე დაეცა. სწორედ ეს კონტრასტი აჩვენებს, თუ რატომ იზიდავს მიდგომა დეველოპერების ყურადღებას, რომლებიც დიდ კოდურ ბაზებთან მუშაობენ. ჩონგის თქმით, „ჯამური დანაზოგი საშუალოდ 59-დან 70 პროცენტამდეა". მისივე შეფასებით, თუ ეს ხრიკი ფართოდ გავრცელდა, AI კომპანიები საპასუხოდ სურათების დამუშავების ფასს აწევენ და უპირატესობა შესაძლოა ნაწილობრივ გაქრეს. მიდგომას ნაკლიც აქვს. ის დანაკარგებით მუშაობს და ზუსტი სტრიქონები, მაგალითად ჰეშები, სურათიდან წაკითხვისას შესაძლოა დამახინჯებული დაბრუნდეს. დამუშავებაც უფრო ნელია, რადგან მოდელი დარენდერებულ სურათებს ვიზუალურ კოდერში ატარებს, ტექსტის პირდაპირ კითხვის ნაცვლად. ამიტომ ინსტრუმენტი ვარგისია მაშინ, როცა კონტექსტი დიდია, სიზუსტის მოთხოვნა კი ზომიერი. ნაგულისხმევად pxpipe Claude Fable 5-ს და GPT 5.6-ს უჭერს მხარს. ბენჩმარკები და შეფასებები რეპოზიტორიაშია აღწერილი. Fable 5 100 პროცენტიან სიზუსტეს აღწევს მათემატიკურ ამოცანებში ახალი შემთხვევითი რიცხვებით, რომლებსაც მოდელი ვერ დაიმახსოვრებდა, რაც აჩვენებს, რომ სურათებში ჩალაგებულ ინფორმაციას ის სწორად კითხულობს. ჩონგის მონაცემებით, Opus 4.7 და 4.8 დარენდერებული სურათების დაახლოებით 7 პროცენტს არასწორად კითხულობს, ხოლო GPT 5.5-იც უარესად მუშაობს სურათული კონტექსტისას. სწორედ ამიტომ ორივე მოდელი ნაგულისხმევად გამორთულია და მხოლოდ ხელით ჩაირთვება, რაც დანაკარგის რისკს ამცირებს. ტექსტის შეკუმშულ სურათებად მიწოდება ახალი იდეა არ არის. DeepSeek-მა ააგო OCR სისტემა, რომელიც ტექსტურ დოკუმენტებს სურათებად ამუშავებს და, ტექნიკური ნაშრომის თანახმად, მათ ათჯერ შეკუმშავს, ინფორმაციის 97 პროცენტის შენარჩუნებით. pxpipe სწორედ ამ ხაზს აგრძელებს, ოღონდ პრაქტიკულ, დღიურ სამუშაო პროცესს უსადაგებს. პროექტის ავტორი აფრთხილებს, რომ ეს ბალანსია სიზუსტესა და ხარჯს შორის. ზუსტი მონაცემებისთვის ტექსტური რეჟიმი რჩება უსაფრთხო არჩევანად, დიდი, სტატიკური კონტექსტისთვის კი სურათული შეკუმშვა ხარჯს მკვეთრად ამცირებს და მუშაობის ეკონომიკას ცვლის. თუ სატარიფო მოდელი ამ ხრიკს გაითვალისწინებს, კომპანიები სავარაუდოდ სურათების ფასს დააკორექტირებენ, რაც ინსტრუმენტის მომავალს განსაზღვრავს.