Какая нейросеть самая умная в октябре 2026. Я открыла шесть независимых рейтингов, и у каждого свой победитель

6 октября я свела в одну таблицу Artificial Analysis, Arena, Epoch AI, ARC Prize, METR и SWE-bench. Единого лидера нет. Зато видно, почему вопрос «какая модель лучше» почти всегда задан неправильно и что спрашивать вместо него, если вы выбираете ИИ для команды.

Мне задают вопрос примерно раз в неделю, кто лучше. Раньше я отвечала по ощущениям. В этот раз решила проверить по цифрам и не брать ничего из пересказов.

Пересказы, кстати, первыми и отвалились. Агрегаторы вроде benchlm и swfte показывали три разных расклада, а один уверенно называл лидером модель, которая вышла больше полугода назад. Поэтому дальше только первоисточники: сами рейтинги, их таблицы, даты обновления и погрешности.

Если нужен один универсальный кандидат, по совокупности лучше всех выглядит Claude Opus 5.5. Он первый в индексе Artificial Analysis (58 баллов), первый в сводном индексе Epoch (ECI 167) и первый в WebDev Arena (1815 ± 16).

Но стоит открыть конкретные тесты, и картина рассыпается.

GPT-6 Astra от OpenAI сильнее в сложной математике и абстрактных головоломках. Gemini 4 Argon от Google на первом месте у людей в слепом голосовании. А среди агентов, которые сами берут инструменты и доводят задачу до конца, лидирует Claude Fable 5.1.

Это важнее самих мест. Рейтинги отвечают на разные вопросы, и путать их всё равно что сравнивать бегуна и пловца по одному секундомеру.

Artificial Analysis гоняет модели по своему набору задач и выдаёт сводный балл. Плюс считает цену и скорость. Лидер Opus 5.5 в максимальном режиме: 58 баллов, $5,98 за задачу, 97 токенов в секунду. Дальше Sonnet 5.5 (56), GPT-6 Astra и Gemini 4 Argon (по 53). Даты обновления таблицы на сайте нет, так что я могу только сказать, что считала её 6 октября.

Epoch ECI склеивает 39 бенчмарков в один индекс. Opus 5.5 — 167, GPT-6 Astra и GPT-6.1 Sol — по 166, Sonnet 5.5 и Fable 5.1 — по 165. Разница в один балл ничего не значит, у каждого значения интервал в несколько пунктов.

Arena — это люди, которые не знают, какая модель им отвечает, и выбирают лучший ответ. 8,6 миллиона голосов. В текстовой арене первый Gemini 4 Argon с 1525 ± 9. Но у него пока 4 932 голоса против десятков тысяч у старых моделей, и сама Arena помечает результат как предварительный.

Arena Agent проверяет, как модель работает агентом: сама пользуется инструментами и доводит задачу. Fable 5.1 — 14,31%, Opus 5.5 — 13,82%, Sonnet 5.5 — 12,52%, GPT-6 Astra — 12,27%. Погрешность у всех около двух процентных пунктов, поэтому честно здесь можно сказать только одно: явного победителя нет.

ARC-AGI даёт задачи, которых модель точно не видела, и проверяет, сможет ли она найти правило. На ARC-AGI-2 лучший GPT-6 Astra с 95%, Opus 5.5 — 93,3%. Люди решают 100%.

FrontierMath от Epoch — математика, над которой профессиональные математики сидят часами. GPT-6 Astra и GPT-6.1 Sol делят первое место с 93,7%, Opus 5.5 — 91,2%.

Самая показательная история в этом отчёте — GPT-6 Astra.

На FrontierMath она первая, на сложных вопросах уровня аспирантуры GPQA набирает 96%, на ARC-AGI-3 даёт лучший результат среди всех. А в текстовой Arena, где люди просто выбирают понравившийся ответ, она на 29-м месте.

Модель, которая решает олимпиадную математику, людям в обычном разговоре нравится меньше, чем десятки других.

Для тех, кто внедряет ИИ в компании, это знакомая ситуация. Вы выбрали самую сильную модель по бенчмаркам, а сотрудники говорят, что она «какая-то не та». Бенчмарк и пользовательское ощущение — две разные метрики, и оптимизировать нужно ту, которая важна для вашей задачи.

Это место меня удивило сильнее всего.

ARC-AGI-3 проверяет, может ли агент освоиться в совершенно новой интерактивной среде: исследовать её, понять цель, научиться по ходу. GPT-6 Astra в максимальном режиме и стандартной обвязке, одинаковой для всех моделей, набирает 62,7%. Та же Astra в том же режиме, но с фирменной обвязкой от OpenAI, которая сохраняет ход рассуждений между шагами и управляет контекстом, набирает 98,6%. В режиме High с этой обвязкой — вообще 99,9%.

Модель та же. Разница в 36 процентных пунктов — это то, как её подключили.

ARC Prize специально разводит эти режимы по разным колонкам. Первый говорит, насколько хороша модель. Второй — насколько хороша система «модель плюс инфраструктура провайдера».

Мне кажется, это главный вывод всего отчёта для тех, кто управляет ИИ-проектами. Качество итоговой системы зависит не только от того, какую модель вы выбрали, но и от того, что вы вокруг неё построили. Промпты, память, инструменты, контекст. Иногда это весит больше, чем переход на модель следующего поколения.

Самая сильная модель редко оказывается разумным выбором для продакшена.

В Arena Agent Opus 5.5 в режиме High отстаёт от лидера Fable 5.1 на полпроцента, в пределах погрешности. При этом задача у Opus стоит $1,57, а у Fable $5,38. Разница в 3,4 раза за результат, который статистически не отличается.

У OpenAI похожая история с GPT-6.1 Sol. В Artificial Analysis он набирает 52 балла за $0,72 за задачу. Astra даёт 53 за $3,26, Opus 5.5 — 58 за $5,98. Шесть баллов разницы с лидером и в восемь раз дешевле.

Если у вас тысячи запросов в день, вопрос «какая модель лучшая» быстро превращается в вопрос «какая модель достаточно хорошая и сколько мы на ней сэкономим».

За последний месяц вышли Claude Opus 5.5 и GPT-6 Sol (22 сентября), Claude Sonnet 5.5 (28 сентября), GPT-6.1 Sol (29 сентября). Часть рейтингов за этим не успевает.

METR, который измеряет, задачи какой длины агент выполняет сам, последний раз обновлял основную таблицу 8 мая. Свежих моделей там нет. Для GPT-5.6 Sol METR позже дал оценку 11,3 часа, но с интервалом от 5 до 40 часов и с прямой оговоркой, что измерению нельзя доверять.

Официальный SWE-bench с одинаковой средой для всех моделей застрял в феврале: лидер там Claude 4.5 Opus с 76,8%. Ни Opus 5.5, ни GPT-6 в сопоставимой таблице нет.

Так что если кто-то в октябре ссылается на SWE-bench как на доказательство, что модель X лучше всех в коде, стоит посмотреть на дату.

Встречный вопрос: для чего.

И что бы вы ни выбрали, обвязка вокруг модели может дать больше, чем смена модели. Это я теперь видела в цифрах, а не только на своих проектах.

Через месяц расклад, скорее всего, поменяется. Ещё 3 сентября Epoch писал, что рекорд ECI поставила GPT-6 Astra, а к 6 октября первым стал Opus 5.5. Я планирую пересобирать эту таблицу раз в месяц и сравнивать.

А вы как выбираете модель для работы: по рейтингам, по совету коллег или просто пользуетесь той, к которой привыкли?

Источники (все данные считаны 6 октября 2026 года):