Новий лідер. Claude Fable 5 встановлює рекорди в кодингу, але GPT-5.5 та Grok 4.3 теж мають козирі

Tier 2: Спеціалісти та спринтери

Claude Opus 4.8 (Anthropic)

До появи Fable 5 саме Opus 4.8 був беззаперечним королем. Випущена наприкінці травня 2026 року, тепер вона є потужним «другим номером» в арсеналі Anthropic і залишається топ-моделлю сама по собі .

• Загальні та агентні здібності: Це була перша модель, яка очолила Індекс Інтелекту від Artificial Analysis з результатом 61.4, та лідер GDPval-AA з 1890 балами Elo, перш ніж її перевершила Fable 5 .
• Кодинг: Набирає 69.2% на SWE-bench Pro та 88.6% на SWE-bench Verified .
• Математика: Продемонструвала історичний стрибок на 27 пунктів у математичному бенчмарку USAMO 2026, піднявшись із 69.3% до 96.7% за 41 день .
• Чесність: Модель має найнижчий рівень фактичних галюцинацій серед аналогів, переважно утримуючись від відповіді, коли не впевнена, замість того, щоб вгадувати .

GPT-5.5 (OpenAI)

Випущена наприкінці квітня 2026 року, GPT-5.5 стала першою моделлю цього покоління, яка повернула OpenAI лідерство в загальній продуктивності, але з більш спеціалізованим набором навичок .

• Математичні міркування: Це видатна математична модель, яка набирає 51.7% на FrontierMath Tier 1-3 та 35.4% на надзвичайно складному Tier 4 — беззаперечне лідерство .
• Автономний термінал: Також лідирує на Terminal-Bench 2.0, набираючи 82.7% за виконання складних команд у командному рядку .
• Довгий контекст: GPT-5.5 зробила стрибок на 37 пунктів у вилученні інформації з довгого контексту (MRCR v2), досягнувши 74.0% при контексті в 1 млн токенів .
• Застереження щодо кодингу: Хоча це сильний універсал, її результат 58.6% на SWE-Bench Pro тепер значно поступається моделям Anthropic .

Gemini 3.5 Flash (Google)

Дебютувавши на Google I/O 2026, ця модель належить до рівня "Flash", тобто створена для швидкості та економічності, не жертвуючи при цьому здатністю «бити вище своєї вагової категорії» .

• Швидкість і цінність: За повідомленнями, вона в 4 рази швидша за Gemini 3.1 Pro для агентних завдань і кодингу, з конкурентоспроможною ціною .
• Агентність та інструменти: Набирає вражаючі 83.6% на MCP Atlas, бенчмарку для багатокрокового використання інструментів .
• Кодинг і візуалізація: На SWE-Bench Pro її результат 55.1% трохи перевершує її ж більшого попередника Gemini 3.1 Pro, а в бенчмарку візуальних міркувань CharXiv вона набирає 84.2% .
• Реальність кодингу: Незалежні дані Artificial Analysis свідчать, що її показники в кодингу значно слабші, ніж показують власні порівняння Google, тому її практична цінність для розробників все ще потребує перевірки .

Grok 4.3 (xAI)

Тихо запущена наприкінці квітня 2026 року, Grok 4.3 робить ставку на економічність та швидкість, досягаючи успіху в нішевих сферах .

• Загальний рейтинг: Набирає 53 бали в Індексі Інтелекту від Artificial Analysis. Це ставить її вище за моделі середнього рівня, такі як Claude Sonnet 4.6, але значно нижче за топ-моделі GPT-5.5, Claude Opus 4.7 та Gemini 3.1 Pro .
• Король слідування інструкціям: Посідає 1-ше місце на IFBench з результатом 81%, випереджаючи GPT-5.5, Gemini 3.1 Pro та Claude Opus 4.7 .
• Агентний бум: Grok 4.3 демонструє величезний стрибок на +321 бал Elo в агентних завданнях GDPval-AA порівняно з попередницею, досягаючи 1500 балів . Також набирає лідируючі 98% на бенчмарку τ²-Bench Telecom .
• Демон швидкості: Ранні звіти вказують на швидкість 159 токенів за секунду, інші бенчмарки показують швидкість від 78.4 до 196 токенів/с .
• Ціна та ліміти: Агресивна ціна близько $1.25/$2.50 за мільйон токенів (вхід/вихід) робить її надзвичайно вигідною для певних задач, але вона не є серйозним конкурентом у загальному інтелекті .

Претендент з відкритим кодом: DeepSeek V4 Pro (DeepSeek AI)

Випущена у квітні 2026 року, DeepSeek V4 Pro є найсильнішим open-source претендентом, що пропонує неймовірну цінність у кодингу, але з одним критичним застереженням.

• Лідер за співвідношенням ціна/якість у кодингу: Набирає вражаючі 80.6% на SWE-bench Verified та 93.5% на LiveCodeBench, що ставить її майже на один рівень із Claude Opus 4.6 за частку його ціни (приблизно $3.48 за млн вихідних токенів) .
• Вердикт CAISI: Незалежна оцінка, проведена урядовою структурою США (CAISI), показала, що можливості DeepSeek V4 відстають від лідерів ринку приблизно на 8 місяців. У той час як власні дані DeepSeek порівнювали її з GPT-5.4, CAISI оцінює її продуктивність ближче до рівня GPT-5 із серпня 2025 року .
• Загальний рейтинг: Вона відстає від пропрієтарних гігантів у завданнях на загальні знання та складні міркування, посідаючи 39-те місце серед 123 моделей в одному з ширших рейтингів .

Безпека та незалежні оцінки

Незалежне стандартизоване тестування безпеки залишається рідкісним і часто не публікується.

• DeepSeek V4 Pro (CAISI/NIST): Оцінка уряду США залишається найпомітнішим сигналом про рівень безпеки, оскільки було зроблено висновок, що її можливості приблизно на 8 місяців відстають від лідерів галузі .
• GPT-5.5 (AI Security Institute): Британський Інститут безпеки ШІ повідомив, що GPT-5.5 мала 71.4% успішних проходжень експертних кібер-завдань, зазначивши, що це «можливо, найсильніша модель, яку ми тестували» за цим показником .

Як інтерпретувати ці результати

Виникає спокуса коронувати єдиного переможця, але дані малюють більш практичну картину:

• Для чистого кодингу та агентних завдань Claude Fable 5 — поза конкуренцією.
• Для важких математичних міркувань та автономної роботи в командному рядку GPT-5.5 — найкращий інструмент.
• Для збалансованої, економічно вигідної, швидкої та надійної моделі Gemini 3.5 Flash є переконливим вибором, хоча варто перевірити її здібності до кодингу для вашого конкретного випадку.
• Якщо вам потрібен спеціаліст для юридичних міркувань, фінансів або слідування інструкціям за низькою ціною, Grok 4.3 — напрочуд потужний вибір.
• Якщо ви працюєте з обмеженим бюджетом і вам потрібен кодинг майже топ-рівня з відкритою ліцензією, DeepSeek V4 Pro не має собі рівних за співвідношенням ціни та якості, але її реальна витонченість може не відповідати найкращим зразкам.

Завжди пам'ятайте, що умови бенчмарків різняться (підказки, використання інструментів, зусилля на міркування) і не є ідеальним провісником продуктивності у вашому конкретному застосунку.