Битва титанов: кто лидирует на передовой ИИ в мае 2026 года?

* Показатели SWE-Bench Pro для Gemini 3.5 Flash, Grok 4.3 и DeepSeek V4 Pro взяты из одного независимого теста и могут отличаться от официальных данных компаний.

Цены и производительность

Кто в чем лидирует?

• Claude Opus 4.8 — лучший выбор для сложной многозадачной работы: агентное кодирование (SWE-Bench Pro), интеллектуальные задачи (GDPval-AA) с рейтингом 1890, управление компьютером (OSWorld) с 83,4%, междисциплинарное мышление (Humanity's Last Exam) и финансовый анализ . Он занимает почетное второе место в предварительном глобальном рейтинге с суммарным баллом 93/100 .

• GPT-5.5 доминирует там, где нужна логика и визуальная смекалка: работа в терминале (Terminal-Bench) с 78,2–82,7%, абстрактное визуальное мышление (ARC-AGI-2) с 85%, сложнейшая математика (FrontierMath, AIME 2025) и общий Индекс интеллекта AA (60 баллов) . На задачах с длинным контекстом он также совершил огромный скачок вперед.

• Gemini 3.5 Flash — король эффективности: лучшая в мире работа с инструментами и API (MCP Atlas) — 83,6%, и при этом он в 4 раза быстрее выдает токены (~289 ток/с), чем любой из конкурентов, стоя при этом копейки . Это идеальный «рабочий» движок для агентов и конвейеров.

• DeepSeek V4 Pro — ваш выбор для олимпиад по программированию: максимальный рейтинг Codeforces ELO 3206 и лидер LiveCodeBench с 93,5%, при этом почти не уступая флагманам на стандартном SWE-bench Verified (80,6%) — и всё это по гораздо более низкой цене .

• Grok 4.3 — крепкий середняк: сбалансированные показатели (AA Index 53, GPQA 90,1%), высокая скорость (159–207 ток/с) и очень доступная цена. Проигрывает лидерам в сложных агентных и кодинговых задачах, но является отличным вариантом для широкого круга задач .

• Claude Opus 4.7 — достойный предшественник, на момент выхода удерживающий лидерство в SWE-bench Verified (87,6%), но его преемник превзошел его по всем ключевым показателям .

Важные оговорки 🇷🇺

• Источники бенчмарков разнятся. Данные собраны из отчетов разных компаний и независимых тестировщиков, где могли использоваться разные сценарии тестирования. Поэтому результаты одного и того же теста могут иногда отличаться на 3-5%.
• SWE-Bench Pro и Verified — это разные тесты. Pro сложнее (многофайловые архитектурные изменения) — здесь лидирует Claude. Verified проще (исправление одиночных багов) — здесь результаты в лидирующей группе очень плотные.
• DeepSeek, Grok и Gemini 3.5 Flash значительно дешевле в пересчете на токен, чем Claude Opus и GPT-5.5, что делает их гораздо более выгодным решением для высоконагруженных систем и задач, где критична скорость ответа.
• Gemini 3.5 Flash — это модель «облегченного» (Flash) семейства, а не прямой аналог «топовых» моделей конкурентов. Несмотря на это, он на равных соревнуется с ними во многих агентных тестах, работая при этом быстрее и дешевле.

Что пока остается неясным

• Не существует единого кросс-вендорного тестового набора, который проверил бы все шесть моделей в абсолютно идентичных условиях. Общая картина собрана из пересекающихся, но не идентичных наборов данных, как пазл.
• У Grok 4.3 и DeepSeek V4 Pro меньше публичных и независимых данных по тестам на длинном контексте и сложном агентном поведении по сравнению с большой тройкой.
• Claude Opus 4.8 вышел только 28 мая 2026 года. Большинство приведенных цифр — это заявления самой компании-разработчика, независимых подтверждений пока очень мало.

Самые надежные источники

1. Официальные страницы продуктов: Anthropic (claude/opus), OpenAI (introducing-gpt-5-5), Google DeepMind (gemini-3-5-flash model card) — это первичные данные.
2. Оценка NIST CAISI для DeepSeek V4 Pro — независимый государственный аудит .
3. Анализ Университета Дьюка для Gemini 3.5 Flash — освещение академическим учреждением .
4. Независимые агрегаторы: dev.to (прямое сравнение) , BenchLM.ai , Artificial Analysis — отлично подходят для сравнения, но вторичны по отношению к официальным данным.