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 |
| 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.
- 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.
- Надежность: уровень фактических ошибок, стабильность ответов от попытки к попытке, способность сказать «я не знаю».
- Общая стоимость: цена за токен, но также количество потребленных токенов, включая токены рассуждения, и количество попыток, необходимых для получения пригодного результата.
- Задержка: время до первого слова и общая продолжительность, решающие для службы поддержки или интерактивного интерфейса.
- Контекст и форматы: объем обрабатываемых документов, чтение изображений, PDF, аудио или видео.
- Инструменты и интеграции: вызов функций, структурированные выводы в JSON, коннекторы к вашему ПО.
- Данные и соответствие: использование вашего контента для обучения, срок хранения, место размещения, контракт.
- 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
- Определить задачу в одном предложении и перечислить, что такое хороший ответ (точность, формат, тон, длина).
- Собрать 30–50 реальных примеров, обезличенных при необходимости, включая сложные случаи и случаи, когда правильный ответ — «я не знаю».
- 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.
- Использовать одну и ту же инструкцию для всех моделей, затем адаптированную версию для каждой, если есть время: различия в формулировках могут перевернуть рейтинг.
- Повторить каждую попытку хотя бы два-три раза, чтобы измерить стабильность ответов.
- Оценивать вслепую, не зная, какая модель произвела какой ответ, по заранее установленной сетке.
- 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.
