Уровень 2: Специалисты и спринтеры

Claude Opus 4.8 (Anthropic)

До прихода Fable 5 Opus 4.8 был бесспорным королем. Выпущенный в конце мая 2026 года, сейчас он мощный «второй номер» в Anthropic, оставаясь топ-моделью сам по себе .

• Общий и агентный: Он первым возглавил Индекс интеллекта Artificial Analysis с 61.4 и лидировал в GDPval-AA с рейтингом 1890 Эло, пока его не превзошел Fable 5 .
• Кодинг: Набирает 69.2% на SWE-bench Pro и 88.6% на SWE-bench Verified .
• Математика: Показал исторический скачок на 27 пунктов в бенчмарке USAMO 2026, поднявшись с 69.3% до 96.7% за 41 день .
• Честность: У модели самый низкий уровень фактических галлюцинаций среди аналогов, в основном за счет того, что она воздерживается от ответа, если не уверена, а не гадает .

GPT-5.5 (OpenAI)

GPT-5.5, выпущенный в конце апреля 2026 года, стал первой моделью этого поколения, вернувшей OpenAI лидерство в общей производительности, но с более специализированным набором навыков .

• Математическое мышление: Выдающаяся математическая модель с результатом 51.7% на FrontierMath Tier 1-3 и 35.4% на запредельно сложном Tier 4 — явное лидерство в этой области .
• Автономная работа с CLI: Лидирует в Terminal-Bench 2.0 с 82.7% для сложных задач командной строки, против 69.4% у Claude Opus 4.7 .
• Длинный контекст: GPT-5.5 совершил скачок на 37 пунктов в извлечении длинного контекста (MRCR v2), набрав 74.0% при контексте в 1 млн токенов, оставив далеко позади 36.6% предшественника .
• Ложка дегтя в кодинге: Будучи сильным универсалом, его результат 58.6% на SWE-Bench Pro теперь значительно отстает от моделей Anthropic .

Gemini 3.5 Flash (Google)

Дебютировавший на Google I/O 2026, этот представитель линейки «Flash» создан для скорости и экономичности без ущерба для способности «прыгнуть выше головы» .

• Скорость и ценность: По сообщениям, он в 4 раза быстрее Gemini 3.1 Pro для агентных задач и кодинга при конкурентоспособной цене .
• Агентность и инструменты: Набирает уверенные 83.6% на MCP Atlas, бенчмарке многошагового использования инструментов .
• Кодинг и зрение: На SWE-Bench Pro его 55.1% немного превосходит более крупного предшественника, Gemini 3.1 Pro, а визуальное мышление на CharXiv оценивается в 84.2% .
• Суровая реальность кодинга: Независимые данные Artificial Analysis показывают, что его результаты в кодинге значительно слабее, чем предполагают собственные сравнения Google, так что его реальная полезность для разработчиков еще проверяется .

Grok 4.3 (xAI)

Тихо запущенный в конце апреля 2026 года, Grok 4.3 делает ставку на экономичность и скорость, преуспевая в узких нишах .

• Положение в общем зачете: Набирает 53 в Индексе интеллекта Artificial Analysis. Это выше моделей среднего звена вроде Claude Sonnet 4.6, но значительно ниже флагманов GPT-5.5, Claude Opus 4.7 и Gemini 3.1 Pro .
• Король следования инструкциям: Занимает 1-е место на IFBench с 81%, обходя GPT-5.5, Gemini 3.1 Pro и Claude Opus 4.7 .
• Агентный прорыв: Grok 4.3 показывает колоссальный скачок в +321 пункт Эло по агентным задачам GDPval-AA по сравнению с предшественником, достигая 1500 . Также лидирует с 98% на бенчмарке τ²-Bench Telecom .
• Скоростной демон: Ранние отчеты указывают скорость в 159 токенов в секунду, другие тесты показывают от 78.4 до 196 токенов/с .
• Цены и лимиты: С агрессивной ценой около $1.25/$2.50 за миллион токенов (ввод/вывод), это отличный выбор цена/качество для специфических задач, но не конкурент в общем интеллекте .

Открытый претендент: DeepSeek V4 Pro (DeepSeek AI)

Выпущенный в апреле 2026 года, DeepSeek V4 Pro — сильнейший опенсорс-конкурент, предлагающий невероятную ценность в кодинге, но с важной оговоркой от независимых экспертов.

• Лидер по ценности кодинга: Набирает впечатляющие 80.6% на SWE-bench Verified и 93.5% на LiveCodeBench, вплотную приближаясь к Claude Opus 4.6 в кодинге за малую долю цены (около $3.48 за 1 млн токенов вывода) .
• Вердикт CAISI: Независимая оценка правительственного агентства США CAISI показала, что возможности DeepSeek V4 отстают от передовых примерно на 8 месяцев. Хотя собственные данные DeepSeek сравнивали его с GPT-5.4, CAISI оценивает его производительность ближе к GPT-5 от августа 2025 года .
• Общий рейтинг: Он отстает от проприетарных гигантов в общих знаниях и сложных рассуждениях, занимая 39-е место из 123 моделей в одном из широких рейтингов .

Безопасность и независимая оценка

Независимое, стандартизированное тестирование безопасности остается редким и часто не публикуется.

• DeepSeek V4 Pro (CAISI/NIST): Оценка правительства США остается самым заметным сигналом в сфере безопасности: сделан вывод, что его возможности примерно на 8 месяцев отстают от передовых .
• GPT-5.5 (UK AI Security Institute): Британский институт безопасности ИИ сообщил, что GPT-5.5 имеет 71.4% успешных прохождений в экспертных киберзадачах, отметив, что он «возможно, самая сильная модель, которую мы тестировали» по этому показателю .

Как относиться к этим результатам

Возникает соблазн короновать одного победителя, но данные рисуют более практичную картину:

• Для чистого кодинга и агентных задач Claude Fable 5 — в своем собственном классе.
• Для сложной математической логики и автономной работы в командной строке GPT-5.5 — лучший инструмент.
• Для сбалансированной, экономичной, быстрой и надежной модели Gemini 3.5 Flash — привлекательный вариант, хотя вам стоит проверить его способности к кодингу для вашего конкретного случая.
• Если вам нужен специалист по юриспруденции, финансам или следованию инструкциям по низкой цене, Grok 4.3 — на удивление мощный выбор.
• Если у вас ограниченный бюджет и нужен кодинг фронтирного уровня с открытой лицензией, DeepSeek V4 Pro не имеет равных по соотношению цена/качество, но его реальная сложность может не дотягивать до лучших.

Всегда помните, что условия бенчмарков различаются (подсказки, использование инструментов, усилия рассуждения) и не являются идеальным предиктором для вашего конкретного приложения.

Уровень 2: Специалисты и спринтеры

Claude Opus 4.8 (Anthropic)

До прихода Fable 5 Opus 4.8 был бесспорным королем. Выпущенный в конце мая 2026 года, сейчас он мощный «второй номер» в Anthropic, оставаясь топ-моделью сам по себе .

• Общий и агентный: Он первым возглавил Индекс интеллекта Artificial Analysis с 61.4 и лидировал в GDPval-AA с рейтингом 1890 Эло, пока его не превзошел Fable 5 .
• Кодинг: Набирает 69.2% на SWE-bench Pro и 88.6% на SWE-bench Verified .
• Математика: Показал исторический скачок на 27 пунктов в бенчмарке USAMO 2026, поднявшись с 69.3% до 96.7% за 41 день .
• Честность: У модели самый низкий уровень фактических галлюцинаций среди аналогов, в основном за счет того, что она воздерживается от ответа, если не уверена, а не гадает .

GPT-5.5 (OpenAI)

GPT-5.5, выпущенный в конце апреля 2026 года, стал первой моделью этого поколения, вернувшей OpenAI лидерство в общей производительности, но с более специализированным набором навыков .

• Математическое мышление: Выдающаяся математическая модель с результатом 51.7% на FrontierMath Tier 1-3 и 35.4% на запредельно сложном Tier 4 — явное лидерство в этой области .
• Автономная работа с CLI: Лидирует в Terminal-Bench 2.0 с 82.7% для сложных задач командной строки, против 69.4% у Claude Opus 4.7 .
• Длинный контекст: GPT-5.5 совершил скачок на 37 пунктов в извлечении длинного контекста (MRCR v2), набрав 74.0% при контексте в 1 млн токенов, оставив далеко позади 36.6% предшественника .
• Ложка дегтя в кодинге: Будучи сильным универсалом, его результат 58.6% на SWE-Bench Pro теперь значительно отстает от моделей Anthropic .

Gemini 3.5 Flash (Google)

Дебютировавший на Google I/O 2026, этот представитель линейки «Flash» создан для скорости и экономичности без ущерба для способности «прыгнуть выше головы» .

• Скорость и ценность: По сообщениям, он в 4 раза быстрее Gemini 3.1 Pro для агентных задач и кодинга при конкурентоспособной цене .
• Агентность и инструменты: Набирает уверенные 83.6% на MCP Atlas, бенчмарке многошагового использования инструментов .
• Кодинг и зрение: На SWE-Bench Pro его 55.1% немного превосходит более крупного предшественника, Gemini 3.1 Pro, а визуальное мышление на CharXiv оценивается в 84.2% .
• Суровая реальность кодинга: Независимые данные Artificial Analysis показывают, что его результаты в кодинге значительно слабее, чем предполагают собственные сравнения Google, так что его реальная полезность для разработчиков еще проверяется .

Grok 4.3 (xAI)

Тихо запущенный в конце апреля 2026 года, Grok 4.3 делает ставку на экономичность и скорость, преуспевая в узких нишах .

• Положение в общем зачете: Набирает 53 в Индексе интеллекта Artificial Analysis. Это выше моделей среднего звена вроде Claude Sonnet 4.6, но значительно ниже флагманов GPT-5.5, Claude Opus 4.7 и Gemini 3.1 Pro .
• Король следования инструкциям: Занимает 1-е место на IFBench с 81%, обходя GPT-5.5, Gemini 3.1 Pro и Claude Opus 4.7 .
• Агентный прорыв: Grok 4.3 показывает колоссальный скачок в +321 пункт Эло по агентным задачам GDPval-AA по сравнению с предшественником, достигая 1500 . Также лидирует с 98% на бенчмарке τ²-Bench Telecom .
• Скоростной демон: Ранние отчеты указывают скорость в 159 токенов в секунду, другие тесты показывают от 78.4 до 196 токенов/с .
• Цены и лимиты: С агрессивной ценой около $1.25/$2.50 за миллион токенов (ввод/вывод), это отличный выбор цена/качество для специфических задач, но не конкурент в общем интеллекте .

Открытый претендент: DeepSeek V4 Pro (DeepSeek AI)

Выпущенный в апреле 2026 года, DeepSeek V4 Pro — сильнейший опенсорс-конкурент, предлагающий невероятную ценность в кодинге, но с важной оговоркой от независимых экспертов.

• Лидер по ценности кодинга: Набирает впечатляющие 80.6% на SWE-bench Verified и 93.5% на LiveCodeBench, вплотную приближаясь к Claude Opus 4.6 в кодинге за малую долю цены (около $3.48 за 1 млн токенов вывода) .
• Вердикт CAISI: Независимая оценка правительственного агентства США CAISI показала, что возможности DeepSeek V4 отстают от передовых примерно на 8 месяцев. Хотя собственные данные DeepSeek сравнивали его с GPT-5.4, CAISI оценивает его производительность ближе к GPT-5 от августа 2025 года .
• Общий рейтинг: Он отстает от проприетарных гигантов в общих знаниях и сложных рассуждениях, занимая 39-е место из 123 моделей в одном из широких рейтингов .

Безопасность и независимая оценка

Независимое, стандартизированное тестирование безопасности остается редким и часто не публикуется.

• DeepSeek V4 Pro (CAISI/NIST): Оценка правительства США остается самым заметным сигналом в сфере безопасности: сделан вывод, что его возможности примерно на 8 месяцев отстают от передовых .
• GPT-5.5 (UK AI Security Institute): Британский институт безопасности ИИ сообщил, что GPT-5.5 имеет 71.4% успешных прохождений в экспертных киберзадачах, отметив, что он «возможно, самая сильная модель, которую мы тестировали» по этому показателю .

Как относиться к этим результатам

Возникает соблазн короновать одного победителя, но данные рисуют более практичную картину:

• Для чистого кодинга и агентных задач Claude Fable 5 — в своем собственном классе.
• Для сложной математической логики и автономной работы в командной строке GPT-5.5 — лучший инструмент.
• Для сбалансированной, экономичной, быстрой и надежной модели Gemini 3.5 Flash — привлекательный вариант, хотя вам стоит проверить его способности к кодингу для вашего конкретного случая.
• Если вам нужен специалист по юриспруденции, финансам или следованию инструкциям по низкой цене, Grok 4.3 — на удивление мощный выбор.
• Если у вас ограниченный бюджет и нужен кодинг фронтирного уровня с открытой лицензией, DeepSeek V4 Pro не имеет равных по соотношению цена/качество, но его реальная сложность может не дотягивать до лучших.

Всегда помните, что условия бенчмарков различаются (подсказки, использование инструментов, усилия рассуждения) и не являются идеальным предиктором для вашего конкретного приложения.