Ключевые выводы по ценам:

• Король соотношения цены и производительности: Постоянная скидочная цена DeepSeek V4-Pro в $0.435/$0.87 делает его примерно в 12 раз дешевле GPT-5.5 Standard и почти в 30 раз дешевле Claude Opus 4.8 по стоимости вывода. DeepSeek V4-Flash с его $0.14/$0.28 — это совсем другой уровень экономии .
• Держат планку: Компания Anthropic сохранила цену на Claude Opus 4.8 на прежнем уровне $5/$25, как и у предшественника . Новый "Быстрый режим" (Fast Mode) теперь в 3 раза дешевле, чем раньше — $10/$50, что делает высокоскоростные агентные циклы более экономичными .
• Премиум-сегмент: GPT-5.5 остается самой дорогой моделью в стандартном режиме, но его Pro-версия за $30/$180 — это вообще отдельная лига, предназначенная для самых сложных задач на логику .
• Новая "Flash"-премиальность: Gemini 3.5 Flash от Google больше не является бюджетной моделью. Цена в $1.50/$9.00 — это повышение в 3 раза по сравнению с предыдущим поколением Flash, что ставит ее в один ряд со специализированными моделями для рассуждений .

Тесты под микроскопом: Что говорят цифры

Сами по себе цифры бенчмарков бесполезны без контекста. Мы сгруппировали результаты по тому, что они на самом деле измеряют — общий интеллект, способность к кодингу и агентную производительность — вместо того чтобы давать единую, часто вводящую в заблуждение, сводную оценку.

Общий интеллект и логика

Эта категория измеряет чистые знания, математические способности и научное мышление.

Claude Opus 4.8 создал небольшой, но значимый отрыв от GPT-5.5 в общем интеллекте, чему способствовал колоссальный скачок на 27.4 процентных пункта в математике по сравнению с предшественником . Qwen3.7-Max выделяется как лучшая китайская модель, практически догоняя лидеров в научном мышлении уровня магистратуры (GPQA Diamond) .

Программная инженерия и кодинг

Самые полезные тесты для разработчиков.

Результаты по кодингу создают четкое разделение. Claude Opus 4.8 и GPT-5.5 идут ноздря в ноздрю в верхушке по общему исправлению багов (SWE-bench Verified), но Клод уходит в отрыв более чем на 10 пунктов на гораздо более сложном наборе Pro . По чистой эффективности кода на каждый потраченный доллар у DeepSeek V4-Pro нет равных: он предлагает производительность уровня GPT-5.4 со скидкой в 30 раз .

Агентность и работа с инструментами

Способность модели действовать самостоятельно в реальной среде.

GPT-5.5 сохраняет корону как самая сильная модель для открытой агентной работы в терминале, но превосходный рейтинг Claude Opus 4.8 в задачах реального мира (GDPval-AA Elo) говорит о более надежном, готовом к бизнес-применениям партнере . Grok 4.3 предлагает интересный бюджетный вариант для больших объемов задач, связанных с выполнением инструкций .

Прорыв китайских моделей

Впервые китайские разработки конкурируют не только по цене, но и по возможностям. Qwen3.7-Max лидирует среди всех моделей в агентом бенчмарке для кодинга SWE-bench Pro с результатом 60.6% . Kimi K2.6 сравнивается с GPT-5.5 по производительности в том же тесте и опережает все остальные модели в тесте Humanity's Last Exam (HLE) с инструментами, набирая 54.0% . Это бросает вызов американским флагманам в основных задачах на рассуждение, значительно превосходя их по экономической привлекательности.

Критические оговорки, которые нужно знать до выбора

Прямое и полное сравнение всех семи моделей в настоящее время невозможно, так как производители публикуют результаты тестов выборочно . Несколько ключевых факторов не позволяют полагаться только на цифры:

• Многословие добавляет скрытые расходы: Цена токена — это не итоговая стоимость. Qwen3.7-Max отличается исключительной "разговорчивостью", генерируя 97 миллионов токенов на одну оценку при медиане в 24 миллиона, что напрямую раздувает ваш счет .
• Инфляция результатов тестов: Производители выбирают выгодные для себя условия тестирования. Например, указанный результат GPT-5.5 на SWE-bench Verified может колебаться в зависимости от применяемой настройки "усилий на размышление" .
• Реальная стоимость интеллекта: Artificial Analysis предлагает полезный показатель "стоимость прогона индекса". Запуск их полного набора тестов для Gemini 3.5 Flash стоит $1551.60, что делает его дороже, чем более мощный Gemini 3.1 Pro Preview ($892.28), несмотря на более низкую цену за токен .

Вердикт: Какая модель подходит именно вам?

Ваши приоритеты должны определять ваш выбор:

• Абсолютно лучшее качество (код и математика): Claude Opus 4.8 — новый король бенчмарков и самый безопасный выбор для работы, где ошибка стоит дорого .
• Лучшее соотношение цены и производительности: DeepSeek V4-Pro предлагает непревзойденную ценность в кодинге, а Kimi K2.6 дает лучшие чистые рассуждения за каждый доллар .
• Быстрые и надежные агентные задачи: Gemini 3.5 Flash — теперь самая сильная модель кодинга от Google, работающая в 4 раза быстрее типичных флагманских моделей, что идеально для циклов реального времени .
• Бюджетный флагманский интеллект: Grok 4.3 за $1.25/$2.50 — лучшая цена на полнофункциональную флагманскую модель разработки США от крупного провайдера .
• Агентный кодинг с огромным контекстом: Qwen3.7-Max — лучший выбор для разработчиков, кому нужно окно контекста в 1 миллион токенов и первоклассная производительность в агентном кодинге по умеренной цене .

Главный совет: для любого ответственного внедрения проведите испытания на своей рабочей нагрузке. Бенчмарки от производителей дают хорошую отправную точку, но не являются истиной в последней инстанции.

Ключевые выводы по ценам:

• Король соотношения цены и производительности: Постоянная скидочная цена DeepSeek V4-Pro в $0.435/$0.87 делает его примерно в 12 раз дешевле GPT-5.5 Standard и почти в 30 раз дешевле Claude Opus 4.8 по стоимости вывода. DeepSeek V4-Flash с его $0.14/$0.28 — это совсем другой уровень экономии .
• Держат планку: Компания Anthropic сохранила цену на Claude Opus 4.8 на прежнем уровне $5/$25, как и у предшественника . Новый "Быстрый режим" (Fast Mode) теперь в 3 раза дешевле, чем раньше — $10/$50, что делает высокоскоростные агентные циклы более экономичными .
• Премиум-сегмент: GPT-5.5 остается самой дорогой моделью в стандартном режиме, но его Pro-версия за $30/$180 — это вообще отдельная лига, предназначенная для самых сложных задач на логику .
• Новая "Flash"-премиальность: Gemini 3.5 Flash от Google больше не является бюджетной моделью. Цена в $1.50/$9.00 — это повышение в 3 раза по сравнению с предыдущим поколением Flash, что ставит ее в один ряд со специализированными моделями для рассуждений .

Тесты под микроскопом: Что говорят цифры

Сами по себе цифры бенчмарков бесполезны без контекста. Мы сгруппировали результаты по тому, что они на самом деле измеряют — общий интеллект, способность к кодингу и агентную производительность — вместо того чтобы давать единую, часто вводящую в заблуждение, сводную оценку.

Общий интеллект и логика

Эта категория измеряет чистые знания, математические способности и научное мышление.

Claude Opus 4.8 создал небольшой, но значимый отрыв от GPT-5.5 в общем интеллекте, чему способствовал колоссальный скачок на 27.4 процентных пункта в математике по сравнению с предшественником . Qwen3.7-Max выделяется как лучшая китайская модель, практически догоняя лидеров в научном мышлении уровня магистратуры (GPQA Diamond) .

Программная инженерия и кодинг

Самые полезные тесты для разработчиков.

Результаты по кодингу создают четкое разделение. Claude Opus 4.8 и GPT-5.5 идут ноздря в ноздрю в верхушке по общему исправлению багов (SWE-bench Verified), но Клод уходит в отрыв более чем на 10 пунктов на гораздо более сложном наборе Pro . По чистой эффективности кода на каждый потраченный доллар у DeepSeek V4-Pro нет равных: он предлагает производительность уровня GPT-5.4 со скидкой в 30 раз .

Агентность и работа с инструментами

Способность модели действовать самостоятельно в реальной среде.

GPT-5.5 сохраняет корону как самая сильная модель для открытой агентной работы в терминале, но превосходный рейтинг Claude Opus 4.8 в задачах реального мира (GDPval-AA Elo) говорит о более надежном, готовом к бизнес-применениям партнере . Grok 4.3 предлагает интересный бюджетный вариант для больших объемов задач, связанных с выполнением инструкций .

Прорыв китайских моделей

Впервые китайские разработки конкурируют не только по цене, но и по возможностям. Qwen3.7-Max лидирует среди всех моделей в агентом бенчмарке для кодинга SWE-bench Pro с результатом 60.6% . Kimi K2.6 сравнивается с GPT-5.5 по производительности в том же тесте и опережает все остальные модели в тесте Humanity's Last Exam (HLE) с инструментами, набирая 54.0% . Это бросает вызов американским флагманам в основных задачах на рассуждение, значительно превосходя их по экономической привлекательности.

Критические оговорки, которые нужно знать до выбора

Прямое и полное сравнение всех семи моделей в настоящее время невозможно, так как производители публикуют результаты тестов выборочно . Несколько ключевых факторов не позволяют полагаться только на цифры:

• Многословие добавляет скрытые расходы: Цена токена — это не итоговая стоимость. Qwen3.7-Max отличается исключительной "разговорчивостью", генерируя 97 миллионов токенов на одну оценку при медиане в 24 миллиона, что напрямую раздувает ваш счет .
• Инфляция результатов тестов: Производители выбирают выгодные для себя условия тестирования. Например, указанный результат GPT-5.5 на SWE-bench Verified может колебаться в зависимости от применяемой настройки "усилий на размышление" .
• Реальная стоимость интеллекта: Artificial Analysis предлагает полезный показатель "стоимость прогона индекса". Запуск их полного набора тестов для Gemini 3.5 Flash стоит $1551.60, что делает его дороже, чем более мощный Gemini 3.1 Pro Preview ($892.28), несмотря на более низкую цену за токен .

Вердикт: Какая модель подходит именно вам?

Ваши приоритеты должны определять ваш выбор:

• Абсолютно лучшее качество (код и математика): Claude Opus 4.8 — новый король бенчмарков и самый безопасный выбор для работы, где ошибка стоит дорого .
• Лучшее соотношение цены и производительности: DeepSeek V4-Pro предлагает непревзойденную ценность в кодинге, а Kimi K2.6 дает лучшие чистые рассуждения за каждый доллар .
• Быстрые и надежные агентные задачи: Gemini 3.5 Flash — теперь самая сильная модель кодинга от Google, работающая в 4 раза быстрее типичных флагманских моделей, что идеально для циклов реального времени .
• Бюджетный флагманский интеллект: Grok 4.3 за $1.25/$2.50 — лучшая цена на полнофункциональную флагманскую модель разработки США от крупного провайдера .
• Агентный кодинг с огромным контекстом: Qwen3.7-Max — лучший выбор для разработчиков, кому нужно окно контекста в 1 миллион токенов и первоклассная производительность в агентном кодинге по умеренной цене .

Главный совет: для любого ответственного внедрения проведите испытания на своей рабочей нагрузке. Бенчмарки от производителей дают хорошую отправную точку, но не являются истиной в последней инстанции.