Modal: песочница ИИ-агента больше половины времени использует менее 6% пикового CPU
Кодинг-агент большую часть времени ждёт ответа модели, и процессор в песочнице простаивает. По данным Modal, типичный Sandbox больше половины жизни использует менее 6% своего пикового CPU; всплески бывают при установке зависимостей, тестах и сборке. Платить за резерв под пик — как арендовать грузовик на день ради пары рейсов. Поэтому Modal даёт минимальный запрос и временный «разгон», а вам стоит считать ресурсы по реальному профилю агента.
AI-обработка оригинала Modal Blog; редакция Hamidun News
Если вы запускаете ИИ-агентов в изолированных песочницах, то знаете неприятную арифметику: ресурсы обычно заказывают под худший случай, а большую часть времени они простаивают. Блог Modal разбирает эту проблему цифрами. Компания утверждает, что типичный Sandbox больше половины своей жизни использует менее 6% от собственного пикового CPU. Иными словами, вы платите за мощность, которая нужна считаные секунды. Отсюда идея из заголовка оригинала: «burst, don't reserve», то есть позволяйте песочнице кратко разгоняться, а не резервируйте мощность заранее.
Почему резерв под пик не подходит агентам
Возьмите кодинг-агента. Он работает циклом: модель думает, что делать дальше, затем агент выполняет команду, получает результат и снова ждёт модель. Пока идёт размышление, песочница почти ничего не делает. Нагрузка вспыхивает, когда агент ставит зависимости, запускает тесты или собирает проект.
Та же картина у других частых сценариев: RL-роллаутов (прогонов агента для обучения с подкреплением), оценок моделей (evals) и конструкторов приложений. Везде есть длинные паузы и короткие пики.
Представьте, что вы арендуете грузовик на весь день, потому что дважды нужно перевезти мебель. Фиксированное резервирование CPU под пик устроено так же: вы угадываете максимум, берёте с запасом и держите его всё время, хотя пик короткий.
Что показывает реальная сессия
Modal приводит запись настоящего прогона на задаче из Terminal-Bench 2.1 «найти и исправить уязвимость в репозитории». Агент справился за 2 минуты 46 секунд и сделал 10 обращений к модели. Процессор большую часть времени оставался около нуля, кроме коротких всплесков при запуске pytest. Память держалась около 47 МиБ.
Оба показателя уложились в минимальный запрос песочницы: 0,125 ядра и 128 МиБ. Лимиты в этом примере не задавались вовсе, а запрос был минимальным, и этого хватило.
Структура времени тоже показательна. Около 33 секунд агент ждал ответа модели, а ещё две паузы по 60 секунд он попросил сам. Всё это время песочница простаивала. По ходу дела агент осмотрел репозиторий и историю git, запустил тесты, нашёл упавший тест, прочитал класс HeaderDict в библиотеке bottle и поправил проверки заголовков. В конце все 367 тестов прошли. Сами тесты заняли секунду-две.
Что делать на практике
Главный вывод для тех, кто строит агентные платформы: не закладывайте в смету пиковую мощность на всё время сессии. Сначала замерьте профиль своих агентов:
- сколько времени они ждут модель;
- как часто запускают сборки и тесты;
- насколько высоки пики по CPU и памяти.
Чем больше доля ожидания, тем выше потенциальный выигрыш от схемы «минимальный запрос плюс разгон по необходимости». Если же гарантированные ресурсы критичны, запрос можно поднять, но это уже осознанный выбор, а не значение по умолчанию. Как именно Modal считает деньги за превышение запроса, смотрите в документации и тарифах: подробной формулы в разобранном материале нет.
Ограничения
Это публикация самого провайдера, и пример выбран показательный: короткая задача с длинными паузами. У агентов, которые постоянно компилируют крупные проекты или гоняют тяжёлые тесты, доля простоя будет меньше, а экономия скромнее. Цифра «менее 6% пикового CPU больше половины времени» относится к типичному Sandbox на платформе Modal, то есть к усреднённой картине. Ваша нагрузка может отличаться, а независимых замеров и сравнений с ценами конкурентов в материале нет.
Тем не менее направление понятно. Агентные нагрузки по природе неравномерны: долгие паузы на размышление и короткие всплески работы. Тарифная модель, которая это учитывает, выглядит честнее, чем аренда мощности под пик на всю сессию. Для основателей и продактов это повод пересчитать unit-экономику агентов по средней нагрузке, а для инженеров — отдельный пункт чек-листа при выборе платформы для песочниц.
- 21 нояб. 2026 г.Восемь open-source инструментов для ИИ-агентов: Browser Use лидирует со 121 тысячей звёзд
- 21 нояб. 2026 г.Parallel Search взял 83 балла в рейтинге 26 поисковых API для ИИ-агентов
- 21 нояб. 2026 г.MCP-сервер на 360 строк без SDK: пять решений, после которых агент перестал ломать ссылки
- 21 нояб. 2026 г.Text-to-cad: ИИ-агент рисует детали робота по описанию, проект набрал 26 тысяч звёзд
Вопросы и ответы по материалу
Что известно по теме: почему резерв под пик не подходит агентам?
Возьмите кодинг-агента. Он работает циклом: модель думает, что делать дальше, затем агент выполняет команду, получает результат и снова ждёт модель. Пока идёт размышление, песочница почти ничего не делает. Нагрузка вспыхивает, когда агент ставит зависимости, запускает тесты или собирает проект. Та же картина у других частых сценариев: RL-роллаутов (прогонов агента для обучения с подкреплением), оценок моделей (evals) и конструкторов приложений. Везде есть длинные паузы и короткие пики.
Что известно по теме: что показывает реальная сессия?
Modal приводит запись настоящего прогона на задаче из Terminal-Bench 2.1 «найти и исправить уязвимость в репозитории». Агент справился за 2 минуты 46 секунд и сделал 10 обращений к модели. Процессор большую часть времени оставался около нуля, кроме коротких всплесков при запуске pytest. Память держалась около 47 МиБ. Оба показателя уложились в минимальный запрос песочницы: 0,125 ядра и 128 МиБ. Лимиты в этом примере не задавались вовсе, а запрос был минимальным, и этого хватило.
Что известно по теме: что делать на практике?
Главный вывод для тех, кто строит агентные платформы: не закладывайте в смету пиковую мощность на всё время сессии. Сначала замерьте профиль своих агентов: сколько времени они ждут модель; как часто запускают сборки и тесты; насколько высоки пики по CPU и памяти. Чем больше доля ожидания, тем выше потенциальный выигрыш от схемы «минимальный запрос плюс разгон по необходимости». Если же гарантированные ресурсы критичны, запрос можно поднять, но это уже осознанный выбор, а не значение по умолчанию.
Соберите рабочего ИИ-агента или сервис своими руками без ручного кода
В Академии Жемала Хамидуна (academy.hamidun.com) открыт бесплатный 72-часовой тест-драйв: интерактивные скетч-уроки по Claude Code и Cursor, живой Tech Radar и готовые шаблоны агентов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.