The AI / news

Какую модель ИИ выбрать ? Руководство и сравнение LLM

Какую модель ИИ выбрать ? Руководство и сравнение LLM
1 мин чтения

Не существует лучшей модели ИИ в абсолютном смысле: правильный выбор зависит от вашей задачи, бюджета и чувствительности данных. В ноябре 2026 года три крупных разработчика предлагают каждый ступенчатую линейку (флагманскую модель, промежуточную модель, экономичную модель), и разница в цене между этими ступенями часто превышает десятикратный размер. Самый надежный метод — предварительно выбрать две или три модели по объективным критериям, а затем протестировать их на собственных примерах.

Это руководство служит картой предметной области. Оно объясняет, что такое большая языковая модель, какие критерии сравнивать, как читать цены и рейтинги, и когда предпочесть проприетарную, открытую или локально устанавливаемую модель. Оно завершается протоколом тестирования и таблицей принятия решений. Все данные о ценах и линейках проверены на официальных страницах разработчиков в ноябре 2026 года; они быстро меняются, проверяйте их перед любыми серьезными решениями.

Короткий ответ: какие семейства моделей сравнивать в ноябре 2026 года?

Рынок моделей общего назначения структурируется вокруг нескольких семейств. Каждое предлагает несколько уровней мощности, и часто именно уровень, а не бренд, определяет соотношение цены и качества. В таблице ниже приведены линейки, представленные разработчиками, с ценами на API за миллион токенов (tokens) на вход и выход.

Разработчик Флагманская модель Промежуточная модель Экономичная модель Окно контекста
Anthropic Claude Fable 5.2 (8 $ / 40 $); Claude Opus 5.5 (4 $ / 20 $) Claude Sonnet 5.5 (2 $ / 10 $) Claude Haiku 5.5 (от 0,10 $ / 0,50 $) 1 миллион токенов
OpenAI GPT-6 Astra (10 $ / 50 $) GPT-6.1 Sol (2 $ / 10 $); GPT-6.1 Terra (1 $ / 5 $) GPT-6 Luna (0,10 $ / 0,50 $) 1,05 миллиона токенов
Google Gemini 4 Carbon и Gemini 4 Argon (2 $ / 10 $ до 30 ноября 2026, затем 4 $ / 20 $) Gemini 4 Hydrogen (1,50 $ / 7,50 $) Gemini 3.5 Flash-Lite (0,30 $ / 2,50 $) 1 миллион токенов (Gemini 4)
Mistral AI Mistral Large 4 (открытые веса) Mistral Small 4 (Apache 2.0) Ministral 3 (3B, 8B, 14B, Apache 2.0) Не указано на просмотренной странице

Источники: обзор моделей Claude, каталог моделей OpenAI, тарифы API Gemini и каталог Mistral AI, просмотренные 14 ноября 2026. Ступени «флагман», «промежуточная» и «экономичная» — это наша интерпретация заявленного позиционирования, а не классификация разработчиков.

Несколько официальных ориентиров помогают начать. Anthropic рекомендует начинать с Claude Opus 5.5 для большинства применений и оставлять Claude Fable 5.2 для сложных рассуждений и длительных агентских задач. OpenAI представляет GPT-6 Astra как свою ведущую модель для сложных рассуждений и кода, а GPT-6 Luna — для целевых задач с большим объемом. Google описывает Gemini 4 Carbon как свою самую мощную модель, одновременно указывая, что Gemini 4 Argon остается лучше подходящей для большинства работ по разработке и продвинутой офисной деятельности, поскольку Carbon потребляет больше токенов для исследования и проверки. Чтобы сопоставить эти модели рядом, интерактивный компаратор моделей на сайте отображает цены, контекст и возможности от двух до четырех моделей в одной таблице, с данными, обновляемыми ежедневно.

Если ваш вопрос касается только потребительских ассистентов, наше сравнение ChatGPT vs Claude vs Gemini подробно описывает предложения, интеграции и тесты трех приложений. Это руководство охватывает все модели и метод выбора.

Как работают большие языковые модели?

Большая языковая модель (LLM, от large language model) — это нейронная сеть, обученная предсказывать продолжение текста. Текст разбивается на токены, фрагменты слов или символов, и на каждом шаге модель вычисляет наиболее вероятный токен с учетом всего предыдущего. Эта простая механика, примененная к миллиардам параметров и огромным корпусам, порождает способности к написанию, переводу, рассуждению и программированию.

Понятия, которые нужно знать перед сравнением

Четыре понятия встречаются во всех технических спецификациях. Окно контекста — это объем текста, который модель может учесть за раз, включая инструкции, документы и историю; Anthropic указывает, что миллион токенов соответствует примерно 555 000 слов при использовании токенизации, применяемой в их текущих моделях. Максимальный вывод ограничивает длину ответа: 128 000 токенов для перечисленных выше моделей Claude и OpenAI. Рассуждение (или thinking) обозначает токены, которые модель генерирует для размышления перед ответом; большинство современных моделей позволяют регулировать его интенсивность уровнем усилия от «low» до «max». Наконец, вызов инструментов позволяет модели запускать веб-поиск, выполнение кода или функцию вашего приложения. Чтобы углубиться, прочитайте нашу статью «Мультимодальный ИИ: модели, способные понимать текст, изображения, аудио и видео».

Модель проходит две основные фазы. Предварительное обучение учит ее языку и широкой общей эрудиции на основе текстов. Затем дообучение настраивает ее на следование инструкциям, отказ от определенных запросов и пошаговое рассуждение, часто с помощью обучения с подкреплением. Именно эта вторая фаза объясняет, почему две модели сравнимого размера ведут себя совершенно по-разному при одной и той же инструкции.

Также нужно различать модель и продукт. ChatGPT, Claude или приложение Gemini — это интерфейсы, которые добавляют память, веб-поиск, коннекторы и ограничения использования вокруг одной или нескольких моделей. Сравнение «ChatGPT и Claude» — это сравнение продуктов; сравнение «GPT-6.1 Sol и Claude Sonnet 5.5» через API — это сравнение моделей. Когда модель действует самостоятельно на нескольких этапах с инструментами, речь идет об агенте: наше полное руководство по ИИ-агентам объясняет, что это меняет в выборе модели.

Какие критерии сравнивать перед выбором модели?

Полезное сравнение начинается со списка критериев, установленного до просмотра результатов. Иначе в итоге оправдывают уже предпочитаемую модель. Вот рекомендуемая нами сетка, от наиболее значимого до второстепенного для профессионального использования.

  1. Качество на вашей задаче: точность, соблюдение запрошенного формата, релевантность. Это единственный критерий, который действительно важен, и ни один публичный рейтинг не измерит его за вас.
  2. Надежность: уровень фактических ошибок, стабильность ответов от попытки к попытке, способность сказать «я не знаю».
  3. Общая стоимость: цена за токен, но также количество потребленных токенов, включая токены рассуждения, и количество попыток, необходимых для получения пригодного результата.
  4. Задержка: время до первого слова и общая продолжительность, решающие для службы поддержки или интерактивного интерфейса.
  5. Контекст и форматы: объем обрабатываемых документов, чтение изображений, PDF, аудио или видео.
  6. Инструменты и интеграции: вызов функций, структурированные выводы в JSON, коннекторы к вашему ПО.
  7. Данные и соответствие: использование вашего контента для обучения, срок хранения, место размещения, контракт.
  8. Лицензия и зависимость: возможность скачать веса, сменить поставщика, запустить модель у себя.

Пример в цифрах: стоимость одной и той же работы в зависимости от модели

Возьмем типичную рабочую нагрузку: миллион токенов, отправленных модели, и 200 000 сгенерированных токенов, что соответствует, например, нескольким сотням резюме документов. По публичным тарифам на ноябрь 2026 года расчет показывает значительные расхождения.

Модель Вход (1 млн токенов) Выход (200 тыс. токенов) Итого
GPT-6 Astra 10 $ 10 $ 20 $
Claude Fable 5.2 8 $ 8 $ 16 $
Claude Opus 5.5 4 $ 4 $ 8 $
Gemini 4 Argon (тариф с 1 декабря 2026) 4 $ 4 $ 8 $
GPT-6.1 Sol или Claude Sonnet 5.5 2 $ 2 $ 4 $
Gemini 4 Hydrogen 1,50 $ 1,50 $ 3 $
GPT-6 Luna 0,10 $ 0,10 $ 0,20 $

Этот расчет имеет два важных ограничения. Во-первых, каждый разработчик разбивает текст по-своему: один и тот же документ не дает одинакового количества токенов у Anthropic, OpenAI или Google. Во-вторых, токены рассуждения тарифицируются как токены вывода, и модель, настроенная на высокое усилие, может генерировать их гораздо больше, чем видимый ответ. Поэтому цена за токен — лишь отправная точка; только тест на ваших данных дает реальную стоимость за успешно выполненную задачу. Для проекта с агентом калькулятор стоимости ИИ-агента помогает учесть количество шагов и вызовов.

Какие LLM предпочесть для написания, программирования и рассуждений?

Разработчики заявляют о превосходстве на одних и тех же направлениях, что делает их заявления мало различимыми. Полезнее различать три уровня доказательств: что заявляет разработчик, что измеряют независимые оценки и что вы наблюдаете на собственных случаях. Следующая таблица разделяет первые два уровня для основных применений.

Применение Заявленное позиционирование разработчиков Что говорят независимые измерения Точка внимания
Код и агенты разработки Anthropic позиционирует Claude Opus 5.5 на долгосрочный агентский код; OpenAI представляет GPT-6 Astra как свою ведущую модель для кода; Google нацеливает Gemini 4 Carbon на сложный многоэтапный код. Опубликованные разработчиками баллы пересекаются: на некоторых тестах Anthropic опережает OpenAI, на других — наоборот, согласно собственным таблицам Anthropic. Инструмент (IDE, агент командной строки) влияет не меньше модели.
Написание и синтез OpenAI выделяет естественность письма для GPT-6.1 Terra; другие разработчики говорят о работе со знаниями в широком смысле. В рейтинге галлюцинаций Vectara (резюме документов) самые мощные модели не являются самыми точными. Верность исходному тексту проверяется, а не выводится из размера модели.
Рассуждение и анализ Anthropic направляет Claude Fable 5.2 на сложные рассуждения; Google представляет Carbon как подходящий для открытых научных исследований. На Humanity’s Last Exam с инструментами Anthropic публикует 67,7% для Claude Opus 5.5 против 57,2% для GPT-6 Astra: цифра от разработчика, измеренная в его собственных условиях. Высокое усилие рассуждения умножает стоимость и задержку.
Задачи с большим объемом (сортировка, извлечение, маршрутизация) Anthropic предназначила Claude Haiku 5.5 для классификации и извлечения; OpenAI предназначила GPT-6 Luna для целевых задач с большим объемом. Наиболее цитируемые бенчмарки касаются сложных задач и мало говорят об этих применениях. Часто достаточно небольшой, но хорошо настроенной модели; протестируйте ее, прежде чем платить за большую.

Написание и синтез документов

Для написания две характеристики измеряются отдельно: верность источникам и качество стиля. Рейтинг галлюцинаций Vectara, обновленный 22 октября 2026 года, заставляет каждую модель резюмировать более 7700 статей и измеряет долю резюме, содержащих информацию, отсутствующую в исходном тексте. Он показывает 6,5% для GPT-6 Sol, 8,7% для GPT-6 Astra, 9,9% для Claude Opus 5.5 и 12,1% для Gemini 4 Argon, тогда как несколько небольших моделей показывают лучшие результаты. Этот тест касается только коротких резюме, оцененных моделью-судьей, разработанной Vectara; он ничего не говорит о стиле. Наше досье о лучших моделях ИИ для написания и резюмирования документов предлагает полную сетку, а вопрос галлюцинаций LLM освещен в отдельной статье. Для углубления см. «Лучшие модели ИИ для написания и резюмирования документов».

Программирование

Для программирования ключевое различие — между помощью в редакторе (автодополнение, объяснение, мелкие исправления) и агентскими задачами на всем репозитории, где модель читает код, запускает команды и предлагает полное изменение. Флагманские модели имеют значение в основном для второго типа задач. Наша статья о лучшем LLM для программирования описывает воспроизводимый протокол сравнения.

Рассуждение

Модели, называемые рассуждающими, выделяют токены на размышление перед ответом. Они выигрывают в многоэтапных задачах (математика, планирование, юридический или финансовый анализ), но часто не дают преимущества в простой переформулировке или переводе. Принцип работы и ограничения модели рассуждения ИИ подробно описаны в спутнике этого руководства, как и мультимодальные модели ИИ, способные читать изображения, аудио и видео. Для подхода по профессиям см. также наше руководство по лучшей модели ИИ в зависимости от применения и профессии.

Как интерпретировать цены, контекст и бенчмарки?

Три цифры доминируют в технических спецификациях: цена за миллион токенов, размер окна контекста и баллы в бенчмарках. Каждая из них точна, но каждая легко вводит в заблуждение, если рассматривать ее изолированно.

Цена: смотреть дальше базового тарифа

Тарифные сетки содержат механизмы, сильно меняющие счет. У Anthropic запросы, отправленные пакетной обработкой, стоят на 50% дешевле, а пересмотр кэшированного контекста стоит долю обычной цены (как правило, 10% от входной цены, 5% на Claude Opus 5.5 и Claude Sonnet 5.5, 2,5% на Claude Fable 5.2). У Google Gemini 4 Carbon и Gemini 4 Argon имеют стартовый тариф, который удваивается с 1 декабря 2026 года, и документация уточняет, что токены рассуждения тарифицируются. Сравнение цен API LLM, спутник этого руководства, подробно описывает эти расчеты.

Контекст: возможность, а не гарантия

Окно в миллион токенов позволяет отправить полный годовой отчет или репозиторий кода среднего размера. Оно не гарантирует, что модель уделит одинаковое внимание каждому фрагменту, ни что отправка будет экономичной: каждый запрос тарифицирует весь переданный контекст. Для регулярных запросов к документальной базе архитектура поиска по документам (RAG), отправляющая только релевантные фрагменты, часто остается более надежной и дешевой; выбор разбиения документов объяснен в нашей статье о стратегии чанкинга.

Бенчмарки: условия редко одинаковы

Балл бенчмарка имеет смысл только с условиями измерения. В анонсе Claude Opus 5.5 Anthropic уточняет в примечании, что его результаты получены при максимальном усилии, за исключением случаев, и что на Terminal-Bench 4.0 его модель измеряется при усилии «xhigh», когда GPT-6 Astra измеряется при усилии «high», цифра взята у OpenAI; заявленная стандартная ошибка достигает ±2,6 пункта. Независимые индексы гармонизируют больше: Artificial Analysis агрегирует девять оценок в четыре категории с равным весом (работа со знаниями, код, наука, общие знания), с одинаковыми инструкциями для всех моделей. Рейтинги по голосам публики имеют свои собственные смещения: исследование, опубликованное в 2025 году, The Leaderboard Illusion, показало, что некоторые разработчики тестировали в частном порядке множество вариантов на Chatbot Arena перед публикацией лучшего.

Самые частые ошибки интерпретации

  • Сравнивать два балла, полученных с разными уровнями усилия, инструментами или тестовыми обвязками.
  • Принимать разницу в один-два пункта за реальное отличие, тогда как она остается в пределах погрешности.
  • Судить о стоимости по цене за токен, не считая токены рассуждения и неудачные попытки.
  • Предполагать, что флагманская модель лучше во всем: по точности резюме это не так согласно Vectara.
  • Забывать дату: рейтинг старше трех месяцев часто описывает уже изменившийся рынок.

Наша статья о бенчмарках LLM подробно описывает загрязнение тестовых наборов, вариативность баллов и чувствительность к промпту. Для создания собственных оценок руководство по оценке языковой модели объясняет, как оценивать ответы, калибровать модель-судью и отслеживать регрессии.

Нужна ли проприетарная, открытая или локальная модель?

Сосуществуют три режима доступа. Проприетарная модель (Claude, GPT-6, Gemini 4) используется только через API или приложение ее разработчика, или через партнерские облака. Модель с открытыми весами (open weights) может быть скачана и запущена на ваших собственных серверах в соответствии с условиями ее лицензии. Локальная модель — это модель с открытыми весами, работающая на вашем компьютере или инфраструктуре, без выхода данных наружу.

«Открытая» охватывает очень разные лицензии. Каталог Mistral AI публикует Mistral Small 4 и линейку Ministral 3 под очень разрешительной лицензией Apache 2.0, но Mistral Large 4 — под собственной лицензией, Mistral Ecosystem Open Weight License, которая регулирует распространение и коммерческое использование. Тот же каталог ссылается на сторонние модели под лицензией MIT, такие как GLM 5.3 от Z.ai и DeepSeek V4.1 Flash. По данным Mistral, Large 4 имеет 1 000 миллиардов параметров, из которых 52 миллиарда активны на каждый токен: такая модель развертывается на серверах с несколькими GPU, а не на ноутбуке. Сравнение между LLM с открытым исходным кодом, открытыми весами и проприетарными, спутник этого руководства, уточняет эти юридические различия.

Аргументы каждого варианта

Вариант Сильные стороны Ограничения Типичные случаи
Проприетарный API Лучшие пиковые характеристики, никакого оборудования для управления, непрерывные обновления Зависимость от поставщика, данные передаются третьей стороне, переменные цены Прототипирование, сложные задачи, малые объемы
Открытые веса, размещенные (облако или сторонний поставщик) Выбор хостинга, возможность сменить провайдера, часто более низкие затраты Возможный разрыв в производительности с лидерами, необходимость проверки лицензии Большие объемы, требования суверенитета
Локальный (на площадке) Данные изолированы, низкие предельные затраты после приобретения оборудования, работа офлайн Инвестиции в оборудование, обслуживание, меньшие модели на рабочей станции Чувствительные данные, строгие регуляторные требования

Конфиденциальность также зависит от контракта, а не только от режима доступа. У Google на странице тарифов API Gemini указано, что контент, отправленный в бесплатном предложении, используется для улучшения продуктов, в отличие от платного предложения. И наоборот, открытые веса не гарантируют европейское размещение: все зависит от того, где вы их запускаете. Чтобы оценить, какую модель может выполнить ваше оборудование, калькулятор локальной модели ИИ исходит из объема оперативной памяти и видеокарты; наше руководство по локальному ИИ и RAG затем описывает, как подключить эту модель к вашим собственным документам.

Проверить, что выбор обоснован

Прежде чем принять решение, задайте три конкретных вопроса. Какие именно данные вы будете отправлять модели, и разрешает ли ваш контракт их использование для обучения? Какой месячный объем вы планируете, и с какого порога выделенное размещение становится рентабельным? Что произойдет, если выбранная модель будет снята или изменит цену? Anthropic публикует, например, для каждой модели минимальную дату снятия с поддержки (не ранее сентября 2027 для Claude Opus 5.5): такие обязательства стоит проверять у каждого поставщика.

Метод тестирования и таблица принятия решений

Хорошо построенный собственный тест лучше любого рейтинга, потому что он измеряет вашу задачу с вашими инструкциями и критериями качества. Он не требует ни исследовательской команды, ни большого бюджета: несколько десятков примеров достаточно, чтобы выбрать между двумя или тремя моделями.

Протокол из семи шагов

  1. Определить задачу в одном предложении и перечислить, что такое хороший ответ (точность, формат, тон, длина).
  2. Собрать 30–50 реальных примеров, обезличенных при необходимости, включая сложные случаи и случаи, когда правильный ответ — «я не знаю».
  3. Предварительно выбрать две или три модели с помощью сетки критериев и инструмента вроде нашего опросника для выбора модели ИИ по вашей задаче, который предлагает три рекомендации на основе вашего применения, бюджета и требований к конфиденциальности.
  4. Использовать одну и ту же инструкцию для всех моделей, затем адаптированную версию для каждой, если есть время: различия в формулировках могут перевернуть рейтинг.
  5. Повторить каждую попытку хотя бы два-три раза, чтобы измерить стабильность ответов.
  6. Оценивать вслепую, не зная, какая модель произвела какой ответ, по заранее установленной сетке.
  7. Зафиксировать реальные стоимость и время каждой попытки, затем рассчитать стоимость за приемлемый ответ.

У этого протокола есть ограничения: маленькая выборка не выявляет редкие ошибки, и модель может ухудшиться или улучшиться после обновления. Сохраните свой набор примеров и запускайте его при каждой смене версии. Для проектов, где модель действует с инструментами, наша статья об оценке ИИ-агентов в бизнесе дополняет метод показателями траектории и успешности задач.

Таблица принятия решений

Ваша ситуация Предлагаемая отправная точка Что проверить в первую очередь
Личное использование или маленькая команда, без интеграций Потребительский ассистент (ChatGPT, Claude или Gemini) в своей начальной платной версии Ограничения использования, настройка обучения на ваших данных
Сложные и немногочисленные задачи (анализ, код на репозитории, рассуждение) Флагманская модель: Claude Opus 5.5, GPT-6 Astra, Gemini 4 Argon или Carbon Стоимость задачи при высоком усилии, задержка
Производство со средним объемом (написание, поддержка, синтез) Промежуточная модель: Claude Sonnet 5.5, GPT-6.1 Sol или Terra, Gemini 4 Hydrogen Верность ответов, структурированные выводы
Большой объем простых задач (сортировка, извлечение, маршрутизация) Экономичная модель: Claude Haiku 5.5, GPT-6 Luna, Gemini 3.5 Flash-Lite Уровень ошибок на ваших пограничных случаях
Чувствительные данные или требование суверенитета Модель с открытыми весами, размещенная у вас или у доверенного провайдера Лицензия, оборудование, обслуживание
Агент, выполняющий последовательность действий Флагманская или промежуточная модель с надежным вызовом инструментов Накопленная стоимость этапов, предохранительные меры

Эта таблица дает отправную точку, а не вывод: ваш тест решит. Две практики затем улучшают результаты независимо от выбранной модели, и каждая освещена в спутнике этого руководства: методы промпт-инжиниринга, которые действительно улучшают ответы, и техники снижения галлюцинаций. Наконец, если вы все еще сомневаетесь в оплате подписки, наше сравнение бесплатного и платного ИИ подробно описывает, что реально меняет каждый уровень предложения.

S’abonner
Notification pour
guest

0 Commentaires
Le plus ancien
Le plus récent Le plus populaire
0
Nous aimerions avoir votre avis, veuillez laisser un commentaire.x