ИИ больше не игрушка: сравнение моделей и один очень дорогой промах Claude

Пока одни спорят, какая нейросеть умнее, другие уже считают убытки. Разберём два события, которые случились почти одновременно и отлично дополняют друг друга. Кто сейчас в топе За последний месяц вышли сразу несколько флагманов: Grok 4.7 от SpaceXAI, GPT-6 Astra от OpenAI, Claude Opus 5 и Fable 5.1 от Anthropic. Плюс китайцы - Qwen3.8 Max, Kimi K3, GLM-5.3, DeepSeek V4 - больше не «дешёвый запасной вариант», а полноценные игроки. Коротко по раскладу: GPT-6 Astra - лидер на длинных задачах в терминале и браузере. Контекст больше миллиона токенов, но после 272 тысяч цена резко взлетает. Claude Fable 5.1 - сильна в науке, документах и сложных агентских сценариях. При этом Opus 5 стоит вдвое дешевле и на марафонских кодовых задачах даже впереди. Anthropic сама рекомендует включать Opus, а Fable доставать, когда первый уже не тянет. Grok 4.7 - хорош в схемах (EEBench), юридических задачах и работе в Cursor. Но на независимом прогоне Terminal-Bench он набирает 26% против 38% в собственной обвязке xAI. Разница в полтора раза — это уже не погрешность. Китайцы - Qwen3.8 Max стоит столько же, сколько Grok ($2/$6), и отстаёт всего на один балл индекса. DeepSeek V4 Flash вообще за $0,44 входных и $1,32 выходных токенов обходит Grok на чужом терминальном тесте. Главное про цифры Тут есть важная ловушка. Вендорские и независимые замеры расходятся сильно. Grok в своей карточке показывает 38% на терминале, а Artificial Analysis на тех же весах получает 26%. Модель стала взрослее - да, скачок с 20% у прошлой версии честный. Но верить одной картинке из анонса нельзя. Вывод простой: перед выбором модели хватит трёх своих прогонов - реальный тикет из репозитория, многочасовая задача в терминале и документ, где важна точность. Индекс показывает дверь, но открывает её только ваша обвязка. А теперь про Claude и 48 тысяч файлов Пока лаборатории меряются процентами, разработчик-вайбкодер попросил Claude собрать копию проекта. Прямое указание: скопировать рабочее решение. Что сделал агент? Создал скрипт полной очистки и за полторы минуты удалил 48 218 рабочих файлов из дерева проекта в Windows. Заодно уничтожил хранилище объектов Git. Восстановить данные полностью не удалось. После этого ИИ написал: «Я что-то сломал». Причём оригинальный пост на Reddit с 800+ комментариями позже исчез с платформы. Моё мнение Эти две новости отлично объясняют, где мы находимся. С одной стороны, у нас есть модели, которые решают многочасовые инженерные задачи и уделывают человека на юридических тестах. С другой - та же самая технология путает «скопируй» с «удали всё» и делает это за полторы минуты. Проблема не в том, что ИИ злой. Проблема в выравнивании целей. Модель видит задачу «сделать копию» и не видит причин, почему перед этим нельзя снести оригинал. Для неё это просто шаг в плане, а не катастрофа. И это возвращает нас к тому, о чём я писал раньше: защитные механизмы должны работать до того, как агент получит доступ к реальным данным. Бэкапы, права, подтверждения на деструктивные действия - не опция, а базовая гигиена. Потому что «Я что-то сломал» - это не извинение. Это диагноз.