Дёшево как DeepSeek, умно как Sonnet? Проверяю Step 3.5 Flash на боте для своего канала

$0.10 за миллион input-токенов и $0.30 за output — самая агрессивная цена на рынке среди моделей с поддержкой tool use. Взял реальную задачу: Telegram-бот на C# под Ubuntu, который пинает меня когда меняется счётчик подписчиков канала. Подключил через Cline. Делюсь логом, кодом и фейлами.

Зачем вообще это всё

У меня свой канал в Telegram. Хочу видеть, когда приходят и уходят подписчики — не чтобы тревожиться, а чтобы понимать, какие посты дают приток, а какие — отток. Telegram такой статистики ботом не отдаёт, а лезть в TGStat ради цифры раз в день мне лень.

Задача звучит так: бот раз в N минут опрашивает счётчик подписчиков, и если он изменился — присылает мне в личку сообщение 📊 Подписчики: 1247 (+3). Всё. На C#, потому что я на нём пишу, и на Ubuntu, потому что у меня там сервер.

Писать самому — час работы. Но мне было интересно другое: справится ли с этим самая дешёвая нейросеть на рынке под управлением агента, который сам пишет код и запускает команды. Если справится — это меняет экономику любого pet-проекта.

Почему Step 3.5 Flash

Если коротко — это китайская модель от StepFun, выпущенная в начале 2026 года. Под капотом MoE-архитектура: всего 196B параметров, но активны на каждый токен только 11B. Из-за этого она работает быстро и стоит копейки, но по бенчмаркам тащит на уровне моделей предыдущего поколения от больших игроков. На SWE-bench Verified — 74.4%, на LiveCodeBench — 86.4%, контекст 256К токенов.

Модель Input ($/1M) Output ($/1M)

Step 3.5 Flash $0.10 $0.30

DeepSeek V4 Flash ~$0.14~$0.28

Claude Sonnet 4.6 $3.00 $15.00

GPT-5 mini~$0.25~$1.00

То есть Step 3.5 Flash примерно в 30–60 раз дешевле Sonnet по эффективной цене. Если она при этом пишет приемлемый код — это меняет всё для любителей вроде меня, которые гоняют ИИ-ассистента в личных проектах за свой счёт.

Перед тем как запустить Cline, я:

Промпт писал заранее, с чёткими критериями готовности и явным списком «чего не делать». Я знаю, как ведут себя слабые модели на C# без ограничений — оверинжинирят на ровном месте. Поэтому в промпт пошло: «не делай EF Core, не делай Docker, не пиши тесты, не тащи Serilog/AutoMapper/MediatR, плоская структура файлов».

Сессия. Что было хорошо

Модель сразу выдала разумный план в Plan Mode: создать Worker Service, поставить пакеты, описать конфиг, разнести логику по сервисам, добавить README. План был внятный и без воды — никаких «давайте обсудим архитектуру». Запросила переключение в Act Mode и пошла писать.

Скорость работы — приятная. Step 3.5 Flash выдаёт 100–250 токенов в секунду, и в Cline это ощущается как «модель не тупит». Файлы создавались бодро.

Через минут пять dotnet build прошёл без warning'ов. Бот собрался, конфиг читается, валидация на placeholder в токене работает. По формальным критериям готовности задача выполнена.

А теперь интересное. Я полез смотреть код руками — и нашёл три проблемы, которые модель не заметила, хотя они влияют на работу бота.

В промпте: плоская структура, никаких лишних слоёв. Модель всё равно развела папку с интерфейсами и реализациями — в проекте, где никаких моков не предвидится. На C# модели среднего уровня тащат корпоративный код по умолчанию: видят язык — лезет энтерпрайз. Чтобы получить лаконично, надо буквально показать целевую структуру файлов.

Модель «оптимизировала» создание таблицы: если файл базы существует — пропустить. Логика ошибочная, файл может быть пустым (прерванный запуск, бэкап). На свежей машине работает, в проде упадёт при первом сохранении. Классическая ошибка ускорения: вместо безвредного запроса — хрупкая проверка.

Указал в промпте библиотеку Telegram.Bot. Cline её поставил — а в коде написал всё с нуля через голый HttpClient. «Расщеплённость внимания»: в плане библиотека была, в реализации модель про неё забыла. Работает, но теряется обработка ретраев и лимитов, которую за тебя сделали мейнтейнеры.

На выходе — рабочий Telegram-бот на C# (.NET 8): консольный сервис, который раз в N минут дёргает счётчик подписчиков канала, сравнивает с предыдущим значением в SQLite и шлёт мне в личку сообщение 📊 Подписчики: 1247 (+3) при изменении. Конфиг в appsettings.json — токен, ID канала, ID владельца, интервал.

Структура — пять файлов: воркер с таймером, сервис работы с БД, сервис работы с Telegram, точка входа и README. Собирается без warning'ов, после правок устойчив к сетевым ошибкам — не падает, ждёт и пробует снова.

Код работает. Три бага, которые я разобрал выше, поправил руками за пять минут — это быстрее, чем писать всё с нуля. Дальше — деплой на Ubuntu через systemd, об этом в следующей статье.

Полная сессия — создание проекта с нуля, README, потом несколько раундов правок (добавить устойчивость к падениям, обсудить деплой). По дашборду StepFun смешная сумма:

Для сравнения, та же сессия на Claude Sonnet 4.6 при тех же объёмах стоила бы в 30–50 раз больше — примерно $5–20.

Кому подойдёт Step 3.5 Flash в Cline:

Кому не стоит:

Главное наблюдение для меня: дешёвая модель пишет код, который выглядит правильно, но содержит мелкие подковыристые баги. Тот же баг с if (fi.Exists) return; я бы пропустил, если бы не полез в код руками. С Claude Sonnet такие штуки тоже бывают, но реже. То есть экономия в 30 раз есть, но она частично оплачивается твоим временем на ревью. Для pet-проекта это норм, для прода — вопрос.

Больше про LLM и AI — в нашем Telegram-канале (@devgeek_sh). Разбираем новые модели, делимся опытом и полезными находками.