Новые Claude и ChatGPT: только 13 из 30 режимов «усилий» стоят своих денег

Продолжение разбора уровней effort. С прошлой недели вышли Claude Sonnet 5.5 и GPT-6.1 Sol, а в сравнение добавилась бюджетная GPT-6 Luna. Итог: из 30 режимов по соотношению цены и качества выигрывают только 13.

В первой части сравнивались четыре модели на пяти уровнях усилий — от Low до Max. За несколько дней расклад успел поменяться: Anthropic выпустила Sonnet 5.5, OpenAI заменила GPT-6 Sol на GPT-6.1 Sol. Логика разбора прежняя: открытые замеры Artificial Analysis (дальше — AA), индекс v4.3.2, срез на 30 сентября 2026 года.

Если коротко:

Индекс AA — сводный балл по десяти тестам: документы, автоматизация, код, наука и другое. «$/задачу» — расчётная стоимость API на одно задание из этого набора, единая мерка для сравнения моделей между собой.

Самый большой разбег у новичка: Sonnet 5.5 проходит путь от 36 до 56 баллов, то есть +20, и дорожает при этом в 18,5 раза. Opus и Luna прибавляют по 16 баллов, но Luna и на Max остаётся в своей весовой категории — 37 баллов. У GPT-6.1 Sol прирост скромнее, +10, и больше половины его приходится на первый шаг: Low → Medium даёт сразу +6. Fable и Astra, как уже было видно в первой части, быстро выходят на плато: +6 и +7.

GPT-6.1 Sol оказался умнее предшественника на каждом уровне и при этом не дороже:

По данным AA, в Terminal-Bench 4.0 новая версия прибавила 12 процентных пунктов.

В первой части я писал, что дешёвому Sol Max к лицу. Для версии 6.1 это уже не так: шаг XHigh → Max даёт всего +1 балл при росте цены на 85%. Весь смысл модели теперь — в средних режимах.

Самый выгодный шаг во всём сравнении — GPT-6.1 Sol с Low на Medium: +6 баллов за 8 центов, чуть больше цента за балл. Самые дорогие — последние шаги у Claude: у Opus балл на переходе XHigh → Max стоит $1,26, у Sonnet — $1,22, а Fable на этом шаге за лишние $1,65 не прибавляет ни балла. У Luna счёт идёт на доли цента: даже последний шаг обходится примерно в цент за балл.

Режим стоит своих денег, если за ту же цену или дешевле нельзя получить больше баллов — ни у этой модели, ни у других. Чтобы найти такие режимы, отсортируем все 30 от дешёвого к дорогому и оставим только те, что набирают больше баллов, чем любой режим дешевле. Таких 13: все пять режимов Luna, все пять GPT-6.1 Sol и три верхних режима Opus 5.5 — High, XHigh и Max. На графике они образуют верхнюю границу — её называют границей эффективности.

Astra, Fable и Sonnet 5.5 в общем зачёте не попадают на неё ни одним режимом: для каждого их режима найдётся вариант дешевле и не хуже. Например, Astra на XHigh (52 балла за $2,31) проигрывает GPT-6.1 Sol на Max (те же 52 за $0,72), а Sonnet на Max (56 за $7,60) — Opus на XHigh (56 за $3,46).

Если держать прежнюю планку в $2,50 на задачу, лучший балл по-прежнему у Opus High — 54. Но GPT-6.1 Sol на Max отстаёт всего на 2 балла и обходится в 2,5 раза дешевле.

Общий индекс — не вся правда. На Max модели выглядят так:

В рабочих задачах модели фактически на равных, а в терминале Sonnet даже впереди. Отставание в общем индексе набегает на знаниях: в AA-Omniscience у Sonnet 54% верных ответов против 66% у Opus, в Humanity's Last Exam и SciCode — примерно на 6 пунктов ниже. А дороже он из-за объёма «размышлений»: на Max Sonnet тратит около 193 тыс. токенов на задачу, примерно на 60% больше Opus.

Вывод для практики: Sonnet 5.5 стоит проверить на агентных и терминальных задачах, где эрудиция вторична. Но сравнивать его лучше на High и XHigh, а не на Max.

Модель и уровень effort имеет смысл подбирать вместе, под конкретный тип задач, а окончательный выбор подтверждать на собственных данных. Стартовые точки я бы взял такие:

Дальше настройку стоит вести по фактическим метрикам: доле успешно решённых задач, стоимости и времени до результата. При работе по подписке, а не через API, дополнительно учитывайте её лимиты и поведение моделей на длинном контексте.

За неделю планка «разумной цены» сдвинулась вниз: то, что недавно стоило $2–3 за задачу, GPT-6.1 Sol теперь делает меньше чем за доллар. Opus 5.5 остаётся единственным выбором, когда нужен балл выше 52. А новый Sonnet 5.5 показывает, что Max может быть не только бесполезным, но и дорогим: самый большой прирост от effort ещё не означает самую выгодную покупку.

Источники