Нейросеть для рефакторинга кода: 11 моделей проверили на боевом Python, победила Fable-5

Исследование провёл автор курса Data Sanity. Он взял реальный граф состояний на LangGraph (фреймворк для построения ИИ-агентов на Python) и обнаружил в нём так называемую god node, единственный узел «plan», куда было упаковано около 350 строк логики. Такой узел, это антипаттерн: граф перестаёт отражать реальную архитектуру системы, код сложно отлаживать, тестировать и менять. Задача: попросить нейросети предложить, как распутать этот узел, и затем тремя независимыми способами определить, чьё предложение лучше.

Как был устроен эксперимент?

Автор пригласил 11 моделей: GPT-5.4, GPT-5.5, DeepSeek-4-pro, Gemini-3.1-pro, GLM-5.1, Kimi-2.6, MiMo-2.5-pro, Opus-4.7, Qwen-3.6-plus, Qwen-3.7-max и Fable-5.

Эксперимент состоял из трёх этапов:

• Генерация предложений. Каждая модель получала один и тот же промпт (запрос к нейросети) с описанием проблемного узла и предлагала свой вариант разбиения. Модели не видели результатов друг друга.
• Перекрёстная оценка. Каждая модель читала все 11 предложений и ранжировала их. Чужие оценки при этом были скрыты.
• Три метода выбора победителя. Автор сопоставлял результаты тремя способами: по сходимости оценок, по сравнению аналитических тезисов и через вычисление «центра мнений» (медоида, наиболее типичной позиции среди всех оценщиков).

Каждый запуск шёл в новой сессии с максимальным reasoning effort (глубиной рассуждений). Все работы проводились в среде OpenCode с плагином Oh My Openagent. Это важная деталь: условия были одинаковы для всех участников, что редкость для подобных сравнений.

Что предложила лучшая нейросеть для рефакторинга кода?

Среди предложений выделилась работа Fable-5. Модель предложила разложить скрытую логику god node по пяти стадиям:

• tick: начало итерации, счётчик шагов, остановка по условию, первичные вопросы (регион, валюта).
• prepare: подготовительный слой, декомпозиция задачи, сбор «рецептов» для получения данных.
• select: детерминированный (без вызова нейросети) выбор следующего шага.
• decide: если select не нашёл ответа, вызов модели и построение решения.
• guard: проверка и корректировка решения перед маршрутизацией.

Архитектура стала наблюдаемой: по графу видно, где работает жёсткая логика, где подключается нейросеть, а где решение проходит через слой ограничений. Автор особо отметил находку decision_origin: благодаря ей общий guard понимает, какое именно решение корректирует.

Нейросеть для рефакторинга кода: почему это меняет расклад?

До этого эксперимента выбор модели для работы с кодом строился на синтетических бенчмарках (тестах на искусственных задачах). Здесь же код был боевой, с реальной бизнес-логикой, с зависимостями между модулями, с историей наслоений.

Результат показал разрыв между «генератором» и «оценщиком»: модель, которая лучше предлагает архитектуру, не обязательно лучше оценивает чужие предложения. Это практическое знание для любого, кто строит цепочки из нескольких нейросетей: роль «генератора идей» и роль «критика» стоит отдавать разным моделям.

Ещё одна находка: китайские модели (DeepSeek, Qwen, GLM, Kimi, MiMo, Fable) конкурировали с американскими на равных. Для рынка это означает, что выбор нейросети для рефакторинга кода больше не сводится к «берём Claude или GPT».

Можно ли доверить распутывание кода той же модели, которая, дай только волю, с такой радостью его запутывает? : Автор исследования, Data Sanity

Что делать с этим прямо сейчас?

Разработчикам и техническим авторам Дзена. Если пишете про код или сами используете ИИ-агентов, эксперимент даёт готовый шаблон: берите свой запутанный модуль, прогоняйте через несколько моделей в изолированных сессиях, затем просите те же модели оценить результаты друг друга. Три метода оценки из статьи (сходимость, тезисное сравнение, медоид) можно применять и к нетехническим задачам, например к сравнению вариантов текста.

Маркетологам и контент-менеджерам. Принцип «генератор и оценщик должны быть разными моделями» работает и для текстов: одна нейросеть пишет варианты, другая ранжирует. Это дешевле, чем нанимать второго редактора, и надёжнее, чем полагаться на одну модель.

Предпринимателям в РФ и СНГ. Из 11 моделей эксперимента в России доступны DeepSeek, Qwen и GLM (напрямую или через API). Fable-5 пока менее известна, но уже доступна через API. Из российских аналогов для задач с кодом можно пробовать YandexGPT и GigaChat, хотя в этом конкретном сравнении они не участвовали.

Главный вывод для практики: не ищите «лучшую нейросеть для рефакторинга кода» в рейтингах. Возьмите свой самый запутанный модуль, прогоните через три-четыре доступные модели в чистых сессиях, а потом попросите их же оценить результаты друг друга. Двадцать минут работы покажут больше, чем любой бенчмарк.