9 главных LLM 2026 года: какую модель брать под какую задачу

Чтобы не плавать в цифрах ниже — короткая шпаргалка по тестам, которые сейчас реально используются:

Старые MMLU и AIME всё ещё иногда упоминают, но они «насытились»: топ-модели набирают на них почти максимум, и различать лидеров эти тесты больше не помогают.

Идём от лидера вниз.

Релиз: 16 апреля 2026

Текущий лидер по большинству агентских и кодинговых бенчмарков среди публичных моделей.

Возможности:

Бенчмарки: SWE-bench Verified 87,6% (лидер среди публичных), SWE-bench Pro 64,3%, Terminal-Bench 2.0 — 69,4%, GPQA Diamond — 94,2%, OSWorld — 78,0%, MCP-Atlas 77,3% (best-in-class).

Цена: $5 / $25 за 1M токенов. Выше 200K контекста — премиум-тариф.

Кому брать: командам, где основное — рефакторинг, автономные агенты, MCP. Если задача звучит как «дай агенту репозиторий и пусть пофиксит» — Opus 4.7 лучший выбор.

Релиз: 11 декабря 2025

Внутреннее имя «Spud». Натурально омнимодальный — текст, изображения, аудио и видео в одной архитектуре. Лидирует на Artificial Analysis Intelligence Index с результатом 60 (Opus 4.7 и Gemini 3.1 Pro — 57).

Возможности:

Бенчмарки: Terminal-Bench 2.0 82,7% (SOTA, на 13 п.п. выше Opus), SWE-bench Pro 58,6%, OSWorld 78,7%, FrontierMath Tier 4 — 35,4% (вдвое выше Opus), Tau2-Bench Telecom — 98,0% без подгонки промптов, CyberGym — 81,8%.

Цена: $5 / $30 за 1M токенов. Кэш input — $0,50. Pro-версия — $30 / $180 (корпоративный сегмент).

Кому брать: терминал, длинные сессии, computer use, сложная математика. На этих задачах GPT-5.5 объективно сильнее Opus.

Релиз: 7 апреля 2026 — закрытый

Зачем закрытая модель в рейтинге? Чтобы показать, насколько верхняя планка ушла вперёд от публичного.

Самая мощная модель Anthropic, доступная только участникам Project Glasswing — около 40 организаций, включая Microsoft, Google, Apple, Amazon, NVIDIA. В широкий доступ не выйдет: Anthropic счёл её кибербезопасные возможности слишком опасными.

Бенчмарки: SWE-bench Verified 93,9%, SWE-bench Pro 77,8%, Terminal-Bench 2.0 — 82,0%, GPQA Diamond — 94,6%, USAMO 2026 — 97,6%.

Цена: $25 / $125 за 1M токенов (×5 от Opus).

Anthropic обещал привнести возможности уровня Mythos в следующий Opus с дополнительными safeguards. Это ориентир «куда всё движется в ближайшие 6–12 месяцев».

Самые сильные результаты на reasoning-бенчмарках среди публичных моделей. ARC-AGI-2 — 77,1%, рекорд. Контекст 1M в API, 2M на Vertex AI — больше нет ни у кого. Натуральная мультимодальность (текст, изображения, аудио, видео).

Бенчмарки: ARC-AGI-2 77,1%, GPQA Diamond — 94,3%, SWE-bench Verified — 80,6%, LiveCodeBench Pro — 2887 Elo, BrowseComp 85,9% (лидер).

Цена: $2 / $12 за 1M токенов до 200K, $4 / $18 выше. Cached input — $0,20 — заметно дешевле Opus и GPT.

Кому брать: видео/аудио, очень длинный контекст (2M на Vertex), задачи на reasoning.

Mid-tier флагман Anthropic. 95–98% от качества Opus 4.6 при цене в 5 раз ниже.

Бенчмарки: SWE-bench Verified — 79,6%, AIME 2025 — 100% с Python и 87% без инструментов, GPQA Diamond ~85%, OSWorld — 61,4%.

Цена: $3 / $15 за 1M токенов. Контекст 200K (1M в beta).

Кому брать: если нужна одна модель «на всё и не страдать» — это она. Большинство реальных задач не требуют Opus, а Sonnet покрывает их с запасом.

Релиз: 20 апреля 2026

1T параметров MoE (32B активных), нативная мультимодальность, лицензия Modified MIT. Документировано 4000+ tool calls в одной 13-часовой сессии — уровень для серьёзных production-агентов. Контекст 256K, INT4-квантизация из коробки.

Бенчмарки: SWE-bench Verified 80,2%, SWE-bench Pro 58,6%, Terminal-Bench 2.0 — 66,7%, HLE с инструментами — 54,0%, Code Arena Elo — 1529 (6-е место в мире, выше многих закрытых).

Цена: $0,74 / $3,49 за 1M токенов. Открытые веса на HuggingFace.

Кому брать: массовые операции, размещение в собственной инфраструктуре, цена в 5+ раз ниже флагманов. Возможно, самая интересная модель на рынке по соотношению качество/цена.

Релиз: 7 апреля 2026

754B параметров MoE, обученные на 100 000 чипов Huawei Ascend 910B без NVIDIA. Политически и инженерно значимый результат: Китай показал, что может тренировать топ-модели вне американского железа. Лицензия MIT.

Особенно силён в front-end и UI-генерации: на Arena.ai по agentic web dev — третье место в мире.

Бенчмарки: SWE-bench Pro — 58,4% (вровень с Kimi K2.6), Code Arena Elo — 1530.

Цена: ~$0,60 / $2,20 за 1M токенов. Открытые веса.

Кому брать: фронтенд, генерация UI, прототипирование интерфейсов.

Релиз: 24 апреля 2026

1.6T параметров total, 49B активных. Гибридная thinking/non-thinking архитектура. По Artificial Analysis — №2 open-weight после Kimi K2.6. Параллельно идёт V4 Flash (284B/13B) — ультрабюджетный вариант.

Особенности: контекст 1M токенов. Hallucination rate 94% — модель почти всегда отвечает, даже когда не знает. Для критичных решений нужен валидационный слой.

Цена: $0,43 / $0,87 за 1M токенов. Открытые веса (MIT). Возможно, самое привлекательное соотношение цена/возможности на рынке.

Кому брать: массовые операции с длинным контекстом — классификация, экстракция, простая генерация. Для критичных решений — осторожно из-за галлюцинаций.

Multi-agent режим Heavy с 16 параллельными агентами, интеграция с реальными данными X в режиме реального времени. На «обычных» задачах уступает другим флагманам, но в своей нише вне конкуренции.

Бенчмарки (Heavy): AIME 2025 — 95–100%, GPQA ~89%, HLE — 45%, ARC-AGI-2 — 16% (заметно ниже лидеров).

Цена: $2 / $15 за 1M токенов. SuperGrok Heavy — $300/мес.

Кому брать: маркетинг, медиамониторинг, аналитика трендов в соцсетях.

Больше про LLM и AI — в нашем Telegram-канале (@devgeek_sh). Разбираем новые модели, делимся опытом и полезными находками.

Кодинг: лучший результат — Opus 4.7, терминал/агенты — GPT-5.5, цена/качество — Sonnet 4.6, open-source — Kimi K2.6 или GLM-5.1, минимум бюджета — DeepSeek V4 Flash.

Reasoning и наука: новые задачи (ARC-AGI-2) — Gemini 3.1 Pro, сложная математика — GPT-5.5, PhD-вопросы — GPT-5.5 Pro или Gemini 3.1 Pro.

Агентские задачи: MCP-оркестрация — Opus 4.7, computer use — GPT-5.5 или Opus 4.7, длинные автономные сессии — Opus 4.7 или Kimi K2.6.

Мультимодальность: универсал — Gemini 3.1 Pro, высокое разрешение изображений — Opus 4.7, омнимодальность — GPT-5.5.

Длинный контекст: 1M+ — Opus 4.7, GPT-5.5, Gemini 3.1 Pro, DeepSeek V4 Pro. 2M — Gemini 3.1 Pro в Vertex AI.

Минимальный бюджет: через API — DeepSeek V4 Pro/Flash или Gemini 3.1 Flash-Lite. Локально — GLM-5.1 (MIT) или Kimi K2.6.

Первый. «Лучшая модель» зависит от задачи сильнее, чем когда-либо. Универсальное «поставлю Claude/GPT и не страдать» больше не работает. Оптимальная стратегия — мульти-модельная: Opus 4.7 на refactor и MCP, GPT-5.5 на терминал, Gemini 3.1 Pro на мультимодальность, DeepSeek или Kimi на массовые операции.

Второй. Open-source реально дотягивает до флагманов. Kimi K2.6 проигрывает Opus 4.7 буквально 10 пунктов в реальных кодинговых задачах при цене в 5 раз ниже. GLM-5.1 на 754B параметрах был обучен полностью без NVIDIA — на Huawei Ascend.

Третий. Mythos Preview показал, что верхняя граница ушла на 6–13 п.п. вперёд от Opus 4.7. Anthropic обещал привнести её способности в следующий Opus с дополнительными safeguards.

Подписывайтесь на наш Telegram-канал @devgeek_sh — там разбираем новые модели сразу после релиза, тестируем их на реальных задачах и делимся практическими находками. Чтобы не ждать следующей статьи раз в квартал.