От Low до Max: когда «усилия» ИИ-моделей окупаются?

Сравним 20 настроек Claude Opus 5.5, Claude Fable 5.1, GPT-6 Astra и GPT-6 Sol по открытым данным Artificial Analysis. Иногда Max даёт +18 процентных пунктов на сложных задачах, а иногда увеличивает счёт на 28% без всякого прироста качества.

Выбрать модель — полдела: у «думающих» ИИ есть ещё и уровень усилий (effort): Low, Medium, High, XHigh, Max. Рука сама тянется выкрутить его до упора. Иногда это работает. А иногда платишь заметно больше за тот же результат.

Это разбор публичных замеров Artificial Analysis (дальше — AA): срез на 23 сентября 2026 года, индекс v4.3.2.

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. Проще говоря, это единая мерка, чтобы сравнивать модели между собой: реальные расходы в вашем проекте или по подписке будут другими. Настройка у компаний называется по-разному: у Anthropic это effort, у OpenAI — reasoning effort. Но в замерах AA у обеих пять уровней с одинаковыми названиями, от low до max, поэтому их можно сопоставить на одной шкале. Правда, одинаковое название ещё не значит одинаковой глубины: на одном и том же уровне модели «думают» по-разному. Поэтому ниже приведено сравнение и при равном бюджете, и при равном объёме размышлений.

Opus — стайер: прибавляет на каждом шаге, +16 баллов за весь путь. Astra и Fable быстро выходят на плато (+7 и +6), а Fable после XHigh не растёт вовсе. Sol стартует ниже всех, но на финише делает рывок: +4 между XHigh и Max.

Забавно, что на Low Opus — худшая из трёх старших моделей, а на Medium уже обгоняет всех. Спорить, какая модель умнее, не называя режим, — всё равно что выяснять, кто быстрее бегает, не договорившись о дистанции.

Балл мало что говорит, пока не знаешь, сколько за него платишь. Вот цена каждого дополнительного балла при шаге на уровень выше:

Первые шаги почти бесплатны: у Opus с Low на Medium балл обходится примерно в $0,09, у Sol — в два цента. Дальше включается закон убывающей отдачи. У Opus на последнем шаге балл стоит уже $1,26, а Fable за переход на Max берёт лишние $1,65 и не прибавляет ни балла. Единственное исключение — Sol: его шаг XHigh → Max (около $0,13 за балл) дешевле предыдущего ($0,16).

Чтобы сравнить модели при равных деньгах, нужна планка. Я взял $2,50 на задачу: это примерно минимальный бюджет, при котором в сравнении участвуют все четыре модели, — самый дешёвый режим Fable стоит $2,37. Берём у каждой модели самый сильный режим в этих пределах: Opus High — 54 балла за $1,82, Astra XHigh — 52 за $2,31, Sol Max — 48 за $1,06, Fable Low — 47 за $2,37.

Планку можно сдвинуть, но расклад почти не меняется: при $3 у Fable добавится Medium (49 баллов), при $3,50 Opus перейдёт на XHigh (56) — и всё равно останется впереди.

Opus High выигрывает по качеству и ещё оставляет запас. Sol Max отстаёт на 6 баллов, зато за те же деньги его можно прогнать дважды — для задач «сделай пару вариантов и выбери лучший» это весомый аргумент. Fable влезает только на Low, и 47 баллов за $2,37 — дороговато, хотя в вашей задаче у него могут найтись сильные стороны, которых индекс не видит.

Даже если выставить всем High, сильные стороны у моделей разные:

Профессиональные задачи (AA-Briefcase) оцениваются в Elo. Эту систему придумали для рейтинга шахматистов: она показывает, как часто один участник обходит другого при попарном сравнении, поэтому в проценты её не перевести.

Opus с заметным отрывом ведёт в профессиональных задачах и чуть опережает остальных в терминале, но в автоматизации его обходит Astra. На Max у Astra и Fable одинаковые 53 в общем зачёте, но Astra заметно сильнее в автоматизации (68% против 59%) и в GDP.pdf (31% против 26%). Одна строчка рейтинга прячет совсем разные профили.

Если уравнять объём «размышлений» — около 17–21 тыс. reasoning-токенов на задачу, — расклад тот же: Opus High набирает 54 балла, Astra Max — 53, Fable High — 51, Sol Max — 48. Думать столько же ещё не значит думать так же хорошо.

Fable 5.1: XHigh → Max. Общий балл не меняется, но внутри всё шевелится: GDPval-AA растёт с 1721 до 1735 Elo, SciCode — с 61% до 63%, а Terminal-Bench падает с 55% до 52%. От перестановки слагаемых сумма не меняется, но если вам важно одно конкретное слагаемое, вывод может быть другим. Выходят ли эти сдвиги за рамки погрешности, по данным AA не понять.

Sol: High → Max. Стоимость растёт почти втрое, с $0,37 до $1,06, зато Terminal-Bench прыгает с 26% до 44%. Для сложной работы в терминале Max тут явно стоит попробовать, а на потоке коротких запросов лишние 70 центов за прогон быстро набегают в заметную сумму.

Пеликан на велосипеде. Разработчик Саймон Уиллисон, один из создателей Django и автор популярного блога об ИИ, давно проверяет новые модели одним и тем же запросом: «нарисуй SVG пеликана на велосипеде». 22 сентября он прогнал через него все четыре наши модели на разных уровнях effort. Самое интересное — как раз на Max. Opus 5.5 на Max дважды не выдал ничего: модель исчерпала лимит в 128 тыс. токенов ответа, пока ещё «размышляла», и каждая пустая попытка стоила $2,56 и почти 20 минут ожидания. Уиллисон даже предположил, что на таких задачах Max у Opus фактически бесполезен. Fable 5.1 на Max, наоборот, нарисовал, по его словам, лучшего пеликана среди всех моделей Anthropic — любопытно, что в общем индексе AA тот же Max у Fable не добавил ни балла. У GPT лучший результат, по его оценке, выдала Astra на Max.

Здесь многое решает личное восприятие: «лучший пеликан» — оценка на глаз, а модели Claude и GPT сравнивались в двух отдельных сетках. Так что это скорее наглядная иллюстрация, чем замер, и сетки стоит открыть и оценить самому.

Планета на Three.js. Пользователь Reddit дал моделям одно задание без уточнений: сделать мультяшную 3D-планету с горами, городом, машинами, самолётами и облаками, которую можно вращать и приближать. Все планеты собраны на одной странице, их можно покрутить прямо в браузере. Из нашей четвёрки в эксперименте участвовали только Opus 5.5 и Sol (плюс младшая GPT-6 Luna), все на High, в двух раундах. Дороже всех вышел Opus: около 14 минут и $2,54–2,69 по ценам API. Sol справился за 4–7 минут и $0,24–0,70 — в 4–11 раз дешевле. Автору больше всего понравилась планета Opus, но это дело вкуса, так что сцены лучше открыть и сравнить самому.

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.

Вопрос «какая модель лучшая?» слишком общий. Полезнее спросить: какую задачу нужно закрыть, сколько стоит одна попытка и что даёт следующий уровень effort именно на ней.

По текущему срезу Opus High — хорошая отправная точка по соотношению цены и качества, Sol Max стоит проверить на сложных задачах в терминале, а Astra и Fable могут перетасовать расклад на конкретных видах работы. Max — инструмент, а не настройка по умолчанию. Семь раз отмерь — потом выкручивай на максимум.

Источники