Назад к тренду дня: Новый глава Apple: ИИ ради ИИ выпускать не станем
Рейтинг Poly · из тренда дня

Лучшая ИИ-модель для агентов 2026: топ-10 по тестам, голосам и использованию

DeepSeek V4.1 Flash за неделю до 30 октября обработала 45,5 трлн токенов через OpenRouter — примерно в шесть раз больше, чем Claude Opus 5.5, которую слепые голоса ставят первой для задач агентов.

  • №1: Claude Opus 5.5
  • 10 мест

01Итоговый список

Ведущие ИИ независимо составили свои списки из десяти мест. Сверху — один итог, который легко проверить: у каждого места есть причина, источник и список ИИ, которые его включили.

Порядок: от большего согласия ИИ к меньшему.

Яркая плашка — этот ИИ включил пункт в свой список. Тусклая — не включил.

  1. 1

    Claude Opus 5.5

    Она первая на слепой доске агентов LMArena (20,9) и в WebDev. Её 89,9% на SWE-bench Pro указаны самим разработчиком, а не получены по общей методике. По токенам OpenRouter она шестая (7,31 трлн).

    Включили: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek, Qwen. Не включили: Gemini, Wenxin.

    В их списках: Claude: 2 · ChatGPT: 1 · Meta: 1 · Grok: 2 · Kimi: 1 · DeepSeek: 1 · Qwen: 1

    Что отметил каждый ИИ 7
    • Claudeместо 2

      По состоянию на 17 октября 2026 года он первый в рейтинге WebDev у LMArena, поэтому это практичный выбор для программирования.

      Источник ↗
    • ChatGPTместо 1

      26,6 трлн токенов на OpenRouter за 30 дней: премиальная модель с заметным спросом, несмотря на более дешёвые альтернативы.

      Источник ↗
    • Metaместо 1

      89,9% в SWE-bench Pro — на 8,6 пункта выше Sonnet 5.5, но всего 6,91 трлн токенов на OpenRouter против 47,8 трлн у DeepSeek. Фронтирное качество за $4 на входе и $20 на выходе.

    • Grokместо 2

      Голосующие вслепую поставили Opus 5.5 первым по агентным задачам с 20,9 баллами, а долгая сессия программирования всё равно стоит около $1,39.

      Источник ↗
    • Kimiместо 1

      Тройная корона агентов по половине прежней цены флагмана: 89,9% в SWE-bench Pro, №1 в WebDev Arena (1807), №1 в Agent Arena (21,4% подтверждённых успехов). И первый флагман Anthropic, который стоит $4/$20, а не $10/$50.

    • DeepSeekместо 1

      Claude Opus 5.5 возглавляет сводный рейтинг производителей по SWE-bench Pro с 89,9% и тест агентов Hermes с 76,7% — самая полная модель агента «сделай задачу» в октябре 2026 года, при $4,19–$5,98 за успешно выполненную задачу.

      Источник ↗
    • Qwenместо 1

      89,9% в SWE-bench Pro — лидер рынка, это доказывает, что модель решает больше всего реальных задач GitHub.

      Источник ↗
    7 ИИ поставили сюда
    Источник ↗
  2. 2

    DeepSeek V4.1 Flash

    Это модель, которую агенты реально запускают: 45,5 трлн токенов в неделю на OpenRouter, главная модель Hermes Agent и около 0,05 $ за долгую сессию программирования. На сложных тестах она отстаёт от лидеров.

    Включили: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek, Qwen. Не включили: Gemini, Wenxin.

    В их списках: Claude: 5 · ChatGPT: 5 · Meta: 4 · Grok: 1 · Kimi: 7 · DeepSeek: 5 · Qwen: 5

    Что отметил каждый ИИ 7
    • Claudeместо 5

      В отчёте от 20 октября 2026 года он всё ещё первый на OpenRouter с 32,8 трлн токенов, хотя его использование упало на 20%.

    • ChatGPTместо 5

      116 трлн токенов за 30 дней; опубликованные цены вывода начинаются от $0,13 за входные и $0,52 за выходные токены на миллион.

      Источник ↗
    • Metaместо 4

      47,8 трлн токенов за последние 7 дней — 29,4% топ-20. Один только снимок 1017 — 43,6% топ-20 это модели DeepSeek. $0,30 на входе, $1,2 на выходе.

    • Grokместо 1

      Hermes Agent пропустил через DeepSeek V4.1 Flash 11,8 трлн токенов за этот месяц, а долгая сессия программирования на ней стоит около $0,047.

      Источник ↗
    • Kimiместо 7

      Король токеновой экономики: DeepSeek — №1 по доле живых токенов агентов (39,1%), больше, чем Anthropic и Google вместе, а эта модель в непиковое время стоит $0,15/$0,60.

      Источник ↗
    • DeepSeekместо 5

      DeepSeek V4 Flash — король объёма в реальных агентах: 11,4 трлн токенов в неделю на OpenRouter и $0,028 за успешную задачу — примерно в 180 раз дешевле Claude Fable 5.1, хотя на сложных тестах программирования отстаёт от фронтира.

      Источник ↗
    • Qwenместо 5

      53,1 трлн токенов обработано на OpenRouter — настоящий король нагрузки для разработчиков, которые направляют трафик агентов.

      Источник ↗
    7 ИИ поставили сюда
    Источник ↗
  3. 3

    Gemini 4 Argon

    Она держится около вершины и в тестах, и в голосах: 99,22% на SWE-Bench Pro V2 и около 1520 в тексте LMArena. Но за неделю на OpenRouter — лишь 1,09 трлн токенов, 28-е место.

    Включили: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek, Qwen. Не включили: Gemini, Wenxin.

    В их списках: Claude: 3 · ChatGPT: 8 · Meta: 8 · Grok: 8 · Kimi: 5 · DeepSeek: 2 · Qwen: 6

    Что отметил каждый ИИ 7
    • Claudeместо 3

      Он лидирует в текстовом рейтинге LMArena по голосам людей, но оценка 1524±9 предварительная.

      Источник ↗
    • ChatGPTместо 8

      Балл 50,4 в индексе интеллекта держит фронтирную модель Google в конкуренции, но одни общие возможности не решают вопрос надёжности агентов.

      Источник ↗
    • Metaместо 8

      1524 Elo, №2 у LMArena — в 4 пунктах от Carbon. Уровень High reasoning, $10 за миллион выходных токенов, вступительная цена $2/$10 до 30 ноября.

      Источник ↗
    • Grokместо 8

      Gemini 4 Argon держит 99,22% в публичном рейтинге Pro V2, на 0,18 пункта позади Opus 5, в тесте, который, по словам Scale AI, почти достиг предела.

      Источник ↗
    • Kimiместо 5

      Любимец людей, который проигрывает лабораторным тестам: №1 в текстовом LMArena (1517,2) и самый низкий измеренный уровень галлюцинаций (4%), но 50,4 в Индексе интеллекта v5 — шестой среди пригодных к использованию моделей.

      Источник ↗
    • DeepSeekместо 2

      Gemini 4 Argon — выбор людей: №1 в текстовом LMArena с 1517 и в многоходовом диалоге с 1544 — и делает это за $1,80 за успешную задачу, примерно четверть стоимости Claude Opus 5.5.

      Источник ↗
    • Qwenместо 6

      99,2% в SWE-bench Pro V2 показывает, что фронтирная модель Google догоняет Anthropic в долгосрочной инженерии.

      Источник ↗
    7 ИИ поставили сюда
    Источник ↗
  4. 4

    Kimi K3 (K3.1 Pro)

    Kimi K3 решила 214 из 272 закрытых задач SWE-Bench Pro V2 — на две меньше, чем Opus 5. K3.1 Pro лидирует в независимом прогоне Terminal-Bench 4.0 с результатом 67,2%. Она расходует менее 2 трлн токенов в неделю.

    Включили: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek. Не включили: Gemini, Wenxin, Qwen.

    В их списках: Claude: 9 · ChatGPT: 9 · Meta: 9 · Grok: 7 · Kimi: 4 · DeepSeek: 10

    Что отметил каждый ИИ 6
    • Claudeместо 9

      Источники называют его самым сильным вариантом с открытыми весами для агентных задач в 2026 году. Оценку подтвердить не смог.

      Источник ↗
    • ChatGPTместо 9

      Оценка 1529 по голосам людей на арене, посвящённой ИТ, ставит Kimi близко к 1540 у Claude Fable 5, хотя рыночный профиль совсем другой.

      Источник ↗
    • Metaместо 9

      Лучшие открытые веса: №18 в LMArena с 1488 — K3.1 Pro $3/$15, 1,97 трлн токенов. №1 в полноценной арене с 1664 по данным Turiloop, выбор для тех, кто экономит.

      Источник ↗
    • Grokместо 7

      По закрытым задачам SWE-Bench Pro V2 Kimi K3 решила 214 из 272, на две меньше, чем Opus 5.

      Источник ↗
    • Kimiместо 4

      Сюрприз с открытыми весами, который обыгрывает гигантов в их же агентном тесте: лидирует в независимом прогоне Terminal-Bench 4.0 (67,2%, 23 октября), опережая все закрытые модели, кроме Gemini 4 Carbon с киберзащитой, — при $2/$10.

      Источник ↗
    • DeepSeekместо 10

      Kimi K3 создан для оркестрации: масштабируется до 300 подагентов и 4 000 шагов координации, поэтому это выбор для специалиста, когда задача агента — управлять другими агентами, а не писать каждую строку самому.

      Источник ↗
    6 ИИ поставили сюда
    Источник ↗
  5. 5

    Claude Sonnet 5.5

    Она обошла Opus 5.5 в тесте OpenRouter на бронирование рейсов — 78,7% против 75,5% — при вдвое меньшей цене. На доске SWE-bench Pro, где результаты заявляет разработчик, она набирает 81,3%.

    Включили: Meta, Grok, Kimi, DeepSeek, Qwen. Не включили: Claude, ChatGPT, Gemini, Wenxin.

    В их списках: Meta: 2 · Grok: 9 · Kimi: 2 · DeepSeek: 6 · Qwen: 2

    Что отметил каждый ИИ 5
    • Metaместо 2

      81,3% в SWE-bench Pro — на 8,6 пункта позади Opus 5.5, но вдвое дешевле: $2/$10. 2,61 трлн токенов, лучший баланс для повседневных агентов.

    • Grokместо 9

      В собственном тесте агента на бронирование авиабилетов у OpenRouter Sonnet 5.5 набрал 78,7%, выше Opus 5.5 с 75,5%, при вдвое меньшей цене за токены.

      Источник ↗
    • Kimiместо 2

      Модель, на которой разработчики реально сжигают токены: лидирует в Terminal-Bench 4.0 (70,6%) и LiveBench Coding (91,4) при половине цены Opus — самый высокий агентный балл за доллар среди фронтирных моделей.

      Источник ↗
    • DeepSeekместо 6

      Claude Sonnet 5.5 даёт 81,3% балла Claude Opus 5.5 в SWE-bench Pro примерно за 84% его стоимости задачи — самый выгодный выбор в семействе Claude для рабочих циклов агентов.

      Источник ↗
    • Qwenместо 2

      Лучшая универсальная модель для Hermes Agent: на длинных задачах скачет до 70,6% в Terminal-Bench 4.0.

    5 ИИ поставили сюда
    Источник ↗
  6. 6

    GLM 5.3 (и GLM 5.3 Flash)

    GLM 5.3 Flash второй по числу токенов в неделю на OpenRouter (16,1 трлн). Полный GLM-5.3 прошёл 211 из 272 закрытых задач SWE-Bench Pro V2 при 0,36 $ за долгую сессию.

    Включили: Claude, ChatGPT, Meta, Grok, Kimi. Не включили: Gemini, DeepSeek, Wenxin, Qwen.

    В их списках: Claude: 8 · ChatGPT: 6 · Meta: 6 · Grok: 3 · Kimi: 9

    Что отметил каждый ИИ 5
    • Claudeместо 8

      На OpenRouter он держится на уровне 12,2 трлн токенов, пока DeepSeek падает, и это недорогая модель, которую выбирают разработчики агентов.

    • ChatGPTместо 6

      55,3 трлн токенов в месяц ставят экономичный тариф Flash у GLM впереди многих более известных фронтирных моделей по объёму API.

      Источник ↗
    • Metaместо 6

      15,7 трлн токенов, №2 на OpenRouter — $0,5 за миллион выходных токенов. Открытые веса выросли с 27% до 72% токенов топ-50 год к году.

    • Grokместо 3

      Версия Flash заняла второе место по трафику недели с 16,1 трлн токенов, а полный GLM-5.3 решил 211 из 272 закрытых задач SWE-Bench Pro V2.

      Источник ↗
    • Kimiместо 9

      Рабочая лошадка для собственного развёртывания: 95,4% в архивном рейтинге SWE-bench Verified, выше Kimi K3 (93,4%), по простой лицензии MIT, в облаке — $1,19/$6.

    5 ИИ поставили сюда
    Источник ↗
  7. 7

    Claude Fable 5.1

    Она лидирует в общем зачёте LiveBench с результатом 88,0 и набирает 81,2% на доске SWE-bench Pro, где результаты заявляет разработчик. Это также самая дорогая модель в списке за задачу: 5,10 $ на LiveBench и 7,63 $ на максимальных усилиях.

    Включили: ChatGPT, Meta, DeepSeek, Qwen. Не включили: Claude, Grok, Gemini, Kimi, Wenxin.

    В их списках: ChatGPT: 3 · Meta: 7 · DeepSeek: 3 · Qwen: 4

    Что отметил каждый ИИ 4
    • ChatGPTместо 3

      64,5% решённых задач в SWE-rebench при $4,40 за задачу: сильный результат с заметной наценкой за стоимость.

    • Metaместо 7

      81,2% в SWE-bench Pro — всего на 0,1 пункта позади Sonnet 5.5. 95,0% в SWE-bench Verified, №1, но $7,63 за задачу против $3,26 у Astra.

    • DeepSeekместо 3

      Claude Fable 5.1 — общий лидер LiveBench с 88,0 и получает идеальные 100 в работе с браузером: лучшая модель агента для «работы с компьютером». Но при $5,10 за успешную задачу она самая дорогая в этой верхней группе.

    • Qwenместо 4

      81,2% в SWE-bench Pro, почти вровень с Sonnet 5.5, но с меньшей стоимостью за выполненную задачу.

      Источник ↗
    4 ИИ поставили сюда
    Источник ↗
  8. 8

    GPT-6 Astra

    Она первая в Frontend Code Arena (1793) и набирает 82,4 в агентских задачах LiveBench. Но стоит 10 $ / 50 $, а у OpenAI лишь 7,8% отслеживаемых живых токенов.

    Включили: ChatGPT, Kimi, DeepSeek. Не включили: Claude, Meta, Grok, Gemini, Wenxin, Qwen.

    В их списках: ChatGPT: 4 · Kimi: 3 · DeepSeek: 4

    Что отметил каждый ИИ 3
    • ChatGPTместо 4

      Его результат 56,9 в индексе интеллекта выше 54,5 у GPT-6.1 Sol, но более высокий общий балл не доказывает, что агенты работают дешевле.

      Источник ↗
    • Kimiместо 3

      Любимица голосов людей и злодей по счетам за токены: №1 в Frontend Code Arena (1793) и №2 в WebDev (1774), но при $10/$50 это в 2,5 раза дороже Opus 5.5. Доля OpenAI в живых токенах агентов всего 7,8%.

    • DeepSeekместо 4

      GPT-6 Astra — сбалансированный фронтирный агент: 86,1 в общем LiveBench, 82,4 в агентных задачах и $3,81 за успешную задачу. Сильнее Gemini 4 Argon в агентных задачах и дешевле Claude Fable 5.1.

    3 ИИ поставили сюда
    Источник ↗
  9. 9

    Muse Spark 1.1 (Meta)

    Она возглавляет стандартизированную доску SWE-bench Pro от Scale с результатом 61,5% ± 3,1 — оценка по одной общей методике. Ни одна модель Muse не входит в первую десятку по токенам в неделю.

    Включили: Meta, Grok, DeepSeek. Не включили: Claude, ChatGPT, Gemini, Kimi, Wenxin, Qwen.

    В их списках: Meta: 10 · Grok: 10 · DeepSeek: 7

    Что отметил каждый ИИ 3
    • Metaместо 10

      61,5% ±3,1 в официальном публичном рейтинге Scale AI — самый высокий стандартизированный балл. $0,2 за миллион токенов — самый дешёвый в топ-20, уровень Contributor.

      Источник ↗
    • Grokместо 10

      Muse Spark 1.1 лидирует в старом закрытом рейтинге SWE-Bench Pro от Scale AI с 61,5%, но его нет в десятке недели по токенам.

      Источник ↗
    • DeepSeekместо 7

      Muse Spark 1.1 владеет единственным стандартизированным топовым результатом в SWE-bench Pro — 61,5% в публичном наборе Scale AI, — но его 51,5% в коммерческом наборе показывает, насколько обвязка и разбиение данных могут сдвинуть цифру.

    3 ИИ поставили сюда
    Источник ↗
  10. 10

    GPT-6 Luna

    В сравнении OpenRouter у неё самая дешёвая долгая сессия программирования — 0,024 $. По токенам в неделю она четвёртая: 10,9 трлн, рост на 62%. Строки SWE-bench Pro не опубликованы.

    Включили: Meta, Grok. Не включили: Claude, ChatGPT, Gemini, Kimi, DeepSeek, Wenxin, Qwen.

    В их списках: Meta: 5 · Grok: 4

    Что отметил каждый ИИ 2
    • Metaместо 5

      10,3 трлн токенов, №4 на OpenRouter — самый дешёвый фронтирный вариант: $0,5 за миллион выходных токенов. $0,07 за агентную задачу в OSWorld против $14,19 у Fable 5.1.

      Источник ↗
    • Grokместо 4

      Долгая сессия программирования на GPT-6 Luna стоит около $0,024 — самая дешёвая в сравнении OpenRouter — при 10,9 трлн токенов за неделю.

      Источник ↗
    2 ИИ поставили сюда
    Источник ↗

Тройка подробно ↓

02Подробнее о тройке

Рейтинг выше. Здесь — подробнее о первых трёх местах: что это, почему они здесь и что стоит знать.

Места ранжируются по сочетанию тестов, голосов и использования. Оценки взяты из разных рейтингов, а некоторые приведены самими разработчиками, поэтому напрямую сравнивать их нельзя.

1Claude Opus 5.5

№ 1 — Claude Opus 5.5. В списках у 7 из 9 ИИ; медианное место там: 1. Слепые голосующие ставят её первой в задачах для агентов, и она лидирует в рейтингах по программированию, хотя токенов через неё проходит заметно меньше, чем через DeepSeek.

А вы знали

  • В Opus 5.5 расширенное мышление нельзя выключить. Большую часть задач по кибербезопасности также отправляют на старую модель Opus 4.8, если пользователь не участвует в программе Cyber Verification Program от Anthropic.

    Источник ↗
Что это
Главная модель Anthropic: $4 за миллион входящих и $20 за миллион исходящих токенов.
Чем сильнее
Среди слепых голосующих она первая в задачах для агентов, опережая две другие.
Кому подходит
Подойдёт командам, которым нужно лучшее качество агентов, но не тем, у кого жёсткий бюджет.
  • Токенов в неделю на OpenRouter7,31 трлн токенов в неделю
Почему он здесь

  • В карточке модели, на которой основан этот рейтинг, Claude Opus 5.5 набрал 89,9% в SWE-bench Pro, тесте на программирование. Это оценка самого разработчика, а не результат в общих тестовых условиях.

    Источник ↗

  • В Terminal-Bench 4.0, тесте на работу в командной строке, Claude Opus 5.5 набрал 66,4%. Gemini 4 Argon, модель на третьем месте, набрала 57,4%. Значит, первое место опережает третье в трудных задачах для агентов.

    Источник ↗
А вы знали

  • Anthropic говорит, что при стандартных настройках Opus 5.5 обходится примерно на 40% дешевле в работе, чем Opus 5. Самая популярная по голосам модель подешевела, а не подорожала. Вышла она 22 сентября 2026 года.

    Источник ↗
Что важно учесть

  • Режим Max effort, как предупреждают, расходует «6x или больше» от квоты. Пользователи Reddit сообщают о 4x, 5,5x и 6x, а один пишет, что Max склонен слишком долго думать. Некоторые также ждут, что вскоре после запуска модель станет хуже.

    Источник ↗

  • Один пользователь написал, что Opus 5.5 принял спорные архитектурные решения в задаче по функции. Другой отчёт говорит, что Fable 5.1 всё ещё выигрывает в некоторых сравнительных тестах программирования.

    Источник ↗
Где узнать больше

  • Прочтите собственное объявление Anthropic о Claude Opus 5.5. Начните с раздела с тестами, а затем с пометки, что разрыв с Fable 5.1 в реальной работе меньше, чем показывают оценки.

    Источник ↗
Сравнить первую тройку ↓

2DeepSeek V4.1 Flash

№ 2 — DeepSeek V4.1 Flash. В списках у 7 из 9 ИИ; медианное место там: 5. Это модель, которую агенты реально запускают: токенов через неё проходит больше всего, а стоимость сессии крошечная, хотя на трудных тестах она отстаёт.

А вы знали

  • Эта дешёвая модель «Flash» читает и картинки, и текст. OpenRouter указывает окно контекста в 1 048 576 токенов и до 384 000 токенов ответа за один раз.

    Источник ↗
Что это
Дешёвая и быстрая модель «Flash» от DeepSeek, которая работает с картинками и текстом.
Чем сильнее
Через неё проходит гораздо больше реального трафика агентов, чем через две другие, и стоит она заметно дешевле.
Кому подходит
Подойдёт агентам с большим объёмом и малым бюджетом, но не задачам, где нужна максимальная точность на самых трудных тестах.
  • Токенов в неделю на OpenRouter45,5 трлн токенов в неделю
Почему он здесь

  • По стоимости тот же трекер показывает, что средняя сессия программирования стоит $0,0477 и занимает около 4,4 млн токенов. Базовая цена — $0,04 за миллион входящих токенов, поэтому агенты её и выбирают.

    Источник ↗
История

  • В августе 2026 года DeepSeek вчетверо повысил цены, а потом отменил это. 10 сентября вышла V4.1 Flash с более низкими ценами: Bloomberg Intelligence оценивает снижение до 32%. С 14 сентября каждый запрос V4-Pro стал уходить во Flash.

    Источник ↗
Что важно учесть

  • Заявленные успехи агентов взяты из собственных цифр DeepSeek, полученных в собственной среде. Рецензент говорит, что нужны независимые тесты. Инструменты и поддержка компании тоже отстают от крупных лабораторий.

    Источник ↗

  • Цена спорная. На странице указан пиковый коэффициент 2x в часы пик. Пользователь Reddit написал, что правка 10 строк израсходовала 28% его квоты, но этот пост не проверен.

    Источник ↗
Где узнать больше

  • Откройте страницу модели на OpenRouter и сверьте цену за миллион токенов. Затем сравните её с вашей длинной задачей по программированию, потому что дешёвые запуски — причина, по которой агенты выбирают эту модель.

    Источник ↗
Grok поставили его первым. Что они в нём увидели

  • Grok: Hermes Agent пропустил через DeepSeek V4.1 Flash 11,8 трлн токенов за этот месяц, а долгая сессия программирования на ней стоит около $0,047.

Сравнить первую тройку ↓

3Gemini 4 Argon

№ 3 — Gemini 4 Argon. В списках у 7 из 9 ИИ; медианное место там: 6. Она держится у вершины в тестах и голосах людей, но пока мало кто её запускает, и это тянет её место вниз.

А вы знали

  • У Gemini 4 Argon ограниченная по времени стартовая цена, которая заканчивается 30 ноября. После этой даты она может подорожать, а это может повлиять на то, сколько разработчиков её попробуют.

    Источник ↗
Что это
Модель Google для агентов с окном контекста до 1 миллиона токенов.
Чем сильнее
По оценкам людей и тестов она сильнее всех трёх, но реально используется меньше всех.
Кому подходит
Подойдёт тем, кто хочет агента на основе Google; не тем, кому сегодня нужен открытый доступ.
  • Токенов в неделю на OpenRouter1,09 трлн токенов в неделю
Почему он здесь

  • В DeepSWE v1.1, тесте на исправление программ, Gemini 4 Argon набрал 77,9%, а Claude Opus 5.5 — 74,2%. Значит, Argon обгоняет модель первого места в этом тесте, что объясняет его высокое место.

    Источник ↗

  • В тесте по программированию FrontierSWE v2 Gemini 4 Argon набрал 54,96 и занял 6-е место из 23 моделей. Это сильно, но не первое место.

    Источник ↗
А вы знали

  • Собственная страница Google для разработчиков говорит, что Argon создан для многошаговых автономных агентов и может обрабатывать до 1 миллиона токенов контекста. Это примерно несколько длинных книг сразу.

    Источник ↗
История

  • Google обещала Gemini 3.5 Pro на июнь 2026 года, а потом сняла её после месяцев задержек. За это время ушли несколько руководителей команды Gemini. Argon анонсировали 30 сентября 2026 года, и, по статье, задержки оставили Google позади Anthropic и OpenAI.

    Источник ↗
Что важно учесть

  • Доступ открыт не всем. Вызовы API рецензента 1 октября вернули 404, а доступ шёл через программу Fairwind от Google для проверенных специалистов по кибербезопасности. Другие источники пишут, что позже доступ открыли, поэтому сообщения расходятся.

    Источник ↗
Где узнать больше

  • Прочтите страницу Gemini API для этой модели. Затем попробуйте многошаговую задачу по программированию с режимом мышления high. На странице есть ссылка на Google AI Studio, где её можно запустить.

    Источник ↗
Сравнить первую тройку ↓

Тройка рядом

Claude Opus 5.5DeepSeek V4.1 FlashGemini 4 Argon
В списках ИИ7 / 97 / 97 / 9
Токенов в неделю на OpenRouter7,31 трлн токенов в неделю45,5 трлн токенов в неделю1,09 трлн токенов в неделю
Первым поставилиChatGPT, Meta, Kimi, DeepSeek, QwenGrok—

Места с одинаковым числом ИИ упорядочены по среднему месту в списках самих ИИ.

Другие рейтинги

03Стоит знать

Что заметили ИИ, пока составляли список.

Приложения для агентов запускают не ту модель, которая побеждает в голосованиях. Главная модель Hermes Agent в этом месяце — DeepSeek V4.1 Flash с 11,8 трлн токенов, а Opus 5.5, первая в голосовании по агентам, — шестая по токенам в неделю.

Заметили:
Включили: Claude, Meta, Grok, Kimi, DeepSeek. Не включили: ChatGPT, Gemini, Wenxin, Qwen.
Источник ↗

«SWE-bench Pro» — это несколько досок. Общая методика даёт максимум 61,5% (Muse Spark 1.1), а данные разработчиков — 89,9% (Opus 5.5). У Pro V2 Opus 5 набирает 99,4% на открытых задачах, но 222 из 272 на закрытых.

Заметили:
Включили: Claude, Meta, Grok, Kimi, DeepSeek. Не включили: ChatGPT, Gemini, Wenxin, Qwen.
Источник ↗

Цена зависит от того, кто считает. Долгая сессия программирования стоит 0,024 $ на GPT-6 Luna, 0,047 $ на DeepSeek и 1,39 $ на Opus 5.5. Другие индексы дают для Opus 5.5 от 4,19 до 13,43 $ за задачу.

Заметили:
Включили: Meta, Grok, DeepSeek. Не включили: Claude, ChatGPT, Gemini, Kimi, Wenxin, Qwen.
Источник ↗

Оценка Terminal-Bench без версии ничего не значит: одна и та же Gemini 3.8 Flash набирает 89,4% в версии 2.1 и 19,1% в версии 4.0.

Заметили:
Включили: Kimi. Не включили: Claude, ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, Qwen.
Источник ↗

04Что спрашивают люди

ИИ-модели против ИИ-агентов?

Модель пишет следующий ответ. Агент оборачивает модель в инструменты, память и цикл, пока задача не выполнена. Один только Hermes Agent вызывал 547 разных моделей на OpenRouter.

Источник ↗
Какая ИИ-модель лучше всего подходит для агентов?

Claude Opus 5.5 лидирует в слепых голосованиях по агентам — 20,9 на доске агентов LMArena. DeepSeek V4.1 Flash лидирует по реальному использованию: 45,5 трлн токенов в неделю и около 0,05 $ за долгую сессию программирования.

Источник ↗
Какая ИИ-модель лучше всего подходит для Hermes Agent?

По реальному использованию — DeepSeek V4.1 Flash: 11,8 трлн токенов Hermes Agent в этом месяце, за ней GLM 5.3 Flash с 3,91 трлн.

Источник ↗
Почему оценки SWE-bench Pro так сильно различаются?

Разные условия проверки и разбиение задач: 61,5% — лучший результат в общей методике Scale, а 89,9% — цифра, заявленная разработчиком. Большинство страниц не говорят, какую из них приводят.

05Как считали

Простыми словами, без формул.

1Вопрос

Топ-10 ИИ-моделей для запуска агентов: оценки тестов против голосов людей против того, что реально используют разработчики

2Почему эта тема

Три независимых источника, которые редко совпадают, — лабораторный тест, голосование людей и реальное использование — стоят рядом. Читатель видит, какая модель побеждает на бумаге, а какую люди реально запускают для агентов.

3Где это применимо

мировой охват, ИИ-агенты и оркестрация нескольких ИИ

4На что смотрели

  • Оценка агентного программирования на SWE-bench Pro
  • Оценка предпочтений людей в LMArena
  • Доля реальной нагрузки агентов, измеренная токенами в работающих приложениях
  • Стоимость одной выполненной задачи
  • Scale AI, SWE-Bench Pro V2 (открытые и закрытые) — Доля из 642 открытых и 272 закрытых долгих задач по программированию, которые решает агент. Scale предупреждает, что открытые результаты около 100% могут смешивать навык и заученные задачи
  • Scale AI, стандартизированная доска SWE-bench Pro — Решение в одной общей методике; лучший результат 61,5%
  • BenchLM, совокупность SWE-bench Pro — Pass@1 по данным производителя на открытом наборе из 731 задачи, не в одной общей методике
  • LMArena, текстовая таблица (копия BenchLeader, 28 октября 2026) — Elo по слепым голосам людей между двумя ответами

5Кто ставил места

Ведущие ИИ: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek, Wenxin, Qwen. Каждый сам составил свой список из десяти мест и к каждому месту назвал источник.

6Как сведены места

Одно и то же, названное разными ИИ по-разному, считали за одно. Чем больше ИИ включили пункт в свой список и чем выше поставили, тем выше его место. «Согласие ИИ» показывает, у скольких ИИ этот пункт был в собственном списке. Источники — только те, что нашли сами ИИ, ничего не добавлено вручную.

06Список каждого ИИ отдельно

🇺🇸 Claude10 мест · заметок: 1

Тот же вопрос, ответ одного ИИ — Claude. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Mythos 5 (Anthropic)

    Он возглавляет рейтинг Swfte за октябрь 2026 года, а ранее Mythos Preview лидировал в SWE-bench Pro с 77,8% — примерно на 20 пунктов выше двух следующих моделей в списке.

    Источник ↗
  2. 2
    Claude Opus 5.5 (Anthropic)

    По состоянию на 17 октября 2026 года он первый в рейтинге WebDev у LMArena, поэтому это практичный выбор для программирования.

    Источник ↗
  3. 3
    Gemini 4 Argon (Google)

    Он лидирует в текстовом рейтинге LMArena по голосам людей, но оценка 1524±9 предварительная.

    Источник ↗
  4. 4
    Claude Opus 4.8 (Anthropic)

    Гайд за июнь 2026 года даёт ему 88,6% в SWE-bench Verified и 69,2% в более сложном Pro. Из гайда не видно, это результат рейтинга или цифра от производителя.

    Источник ↗
  5. 5
    DeepSeek V4.1 Flash

    В отчёте от 20 октября 2026 года он всё ещё первый на OpenRouter с 32,8 трлн токенов, хотя его использование упало на 20%.

  6. 6
    GPT-5.4 (OpenAI)

    По SWE-bench Pro у него 57,7% (BenchLM, апрель 2026). Данных OpenAI за октябрь 2026 года я не нашёл, поэтому это его последнее подтверждённое место.

    Источник ↗
  7. 7
    GLM-5.1 (Чжипу AI)

    Это модель с открытыми весами, набравшая 58,4% в SWE-bench Pro, впереди GPT-5.4 в таблице BenchLM.

    Источник ↗
  8. 8
    GLM 5.3 Flash (Чжипу AI)

    На OpenRouter он держится на уровне 12,2 трлн токенов, пока DeepSeek падает, и это недорогая модель, которую выбирают разработчики агентов.

  9. 9
    Kimi K2.6 (Муншот AI)

    Источники называют его самым сильным вариантом с открытыми весами для агентных задач в 2026 году. Оценку подтвердить не смог.

    Источник ↗
  10. 10
    MiMo V2.5 Pro (Xiaomi)

    По сообщениям, он лидирует в SWE-bench Pro по агентному программированию, но это заявление самой Xiaomi, и независимо проверить его я не смог.

    Источник ↗

Что заметил Claude

Собственные обвязки производителей раздувают цифры SWE-bench. Один разбор доказывает, что стандартизированные 46% могут стоить больше, чем заявленные производителем 81%.

Источник ↗
🇺🇸 ChatGPT10 мест · заметок: 3

Тот же вопрос, ответ одного ИИ — ChatGPT. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Opus 5.5 (2026)

    26,6 трлн токенов на OpenRouter за 30 дней: премиальная модель с заметным спросом, несмотря на более дешёвые альтернативы.

    Источник ↗
  2. 2
    GPT-6.1 Sol (2026)

    Кандидат во фронтирные модели для оркестрации, чьё принятие сложнее оценить, чем у дешёвых моделей, которые доминируют в публичном трафике по объёму токенов.

    Источник ↗
  3. 3
    Claude Fable 5 (2026)

    64,5% решённых задач в SWE-rebench при $4,40 за задачу: сильный результат с заметной наценкой за стоимость.

  4. 4
    GPT-6 Astra (2026)

    Его результат 56,9 в индексе интеллекта выше 54,5 у GPT-6.1 Sol, но более высокий общий балл не доказывает, что агенты работают дешевле.

    Источник ↗
  5. 5
    DeepSeek V4.1 Flash (2026)

    116 трлн токенов за 30 дней; опубликованные цены вывода начинаются от $0,13 за входные и $0,52 за выходные токены на миллион.

    Источник ↗
  6. 6
    GLM 5.3 Flash (2026)

    55,3 трлн токенов в месяц ставят экономичный тариф Flash у GLM впереди многих более известных фронтирных моделей по объёму API.

    Источник ↗
  7. 7
    Grok 4.5 (2026)

    63,8% решённых задач при $1,47 за задачу в SWE-rebench делает Grok серьёзным претендентом в программировании с учётом стоимости.

  8. 8
    Gemini 4 Argon (2026)

    Балл 50,4 в индексе интеллекта держит фронтирную модель Google в конкуренции, но одни общие возможности не решают вопрос надёжности агентов.

    Источник ↗
  9. 9
    Kimi K3 Max (2026)

    Оценка 1529 по голосам людей на арене, посвящённой ИТ, ставит Kimi близко к 1540 у Claude Fable 5, хотя рыночный профиль совсем другой.

    Источник ↗
  10. 10
    MiniMax M3 (2026)

    47,2% решённых задач при $0,95 за задачу — более дешёвый вариант агента, хотя успешность отстаёт от лидирующих фронтирных систем.

Что заметил ChatGPT

Ведущее семейство моделей на OpenRouter, DeepSeek V4.1 Flash, — 116 трлн токенов за 30 дней, больше чем в четыре раза выше 26,6 трлн у Claude Opus 5.5. Это измеряет трафик, а не решённые задачи.

Источник ↗

В SWE-bench Pro от Scale AI 1 865 задач, а в первоначальном разборе нашли серьёзное падение по сравнению с более простым SWE-bench Verified. Выбор тестов может изменить видимого победителя.

Источник ↗

Hermes Agent в списке приложений OpenRouter показывает 1,52 трлн токенов, впереди Claude Code с 1,25 трлн и Codex с 508 млрд. Это объёмы приложений, а не рейтинг лежащих в их основе моделей.

Источник ↗
🇺🇸 Meta10 мест · заметок: 3

Тот же вопрос, ответ одного ИИ — Meta. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Opus 5.5 (Anthropic, 22 сентября 2026)

    89,9% в SWE-bench Pro — на 8,6 пункта выше Sonnet 5.5, но всего 6,91 трлн токенов на OpenRouter против 47,8 трлн у DeepSeek. Фронтирное качество за $4 на входе и $20 на выходе.

  2. 2
    Claude Sonnet 5.5 (Anthropic, 2026)

    81,3% в SWE-bench Pro — на 8,6 пункта позади Opus 5.5, но вдвое дешевле: $2/$10. 2,61 трлн токенов, лучший баланс для повседневных агентов.

  3. 3
    Gemini 4 Carbon (Гугл Дипмайнд, 28 октября 2026)

    1528 Elo, №1 в текстовой арене LMArena — на 20 пунктов выше Opus 5.5, то есть 53% побед. Предварительно, по 4 403 голосам. Индекс интеллекта 59.

    Источник ↗
  4. 4
    DeepSeek V4.1 Flash (DeepSeek, снимок от 17 октября 2026)

    47,8 трлн токенов за последние 7 дней — 29,4% топ-20. Один только снимок 1017 — 43,6% топ-20 это модели DeepSeek. $0,30 на входе, $1,2 на выходе.

  5. 5
    GPT-6 Luna (OpenAI, 2026)

    10,3 трлн токенов, №4 на OpenRouter — самый дешёвый фронтирный вариант: $0,5 за миллион выходных токенов. $0,07 за агентную задачу в OSWorld против $14,19 у Fable 5.1.

    Источник ↗
  6. 6
    GLM 5.3 Flash (Чжипу AI, 2026)

    15,7 трлн токенов, №2 на OpenRouter — $0,5 за миллион выходных токенов. Открытые веса выросли с 27% до 72% токенов топ-50 год к году.

  7. 7
    Claude Fable 5.1 (Anthropic, 1 сентября 2026)

    81,2% в SWE-bench Pro — всего на 0,1 пункта позади Sonnet 5.5. 95,0% в SWE-bench Verified, №1, но $7,63 за задачу против $3,26 у Astra.

  8. 8
    Gemini 4 Argon (Google, октябрь 2026)

    1524 Elo, №2 у LMArena — в 4 пунктах от Carbon. Уровень High reasoning, $10 за миллион выходных токенов, вступительная цена $2/$10 до 30 ноября.

    Источник ↗
  9. 9
    Kimi K3 (Муншот AI, 2026)

    Лучшие открытые веса: №18 в LMArena с 1488 — K3.1 Pro $3/$15, 1,97 трлн токенов. №1 в полноценной арене с 1664 по данным Turiloop, выбор для тех, кто экономит.

    Источник ↗
  10. 10
    Muse Spark 1.1 (Meta, 2026)

    61,5% ±3,1 в официальном публичном рейтинге Scale AI — самый высокий стандартизированный балл. $0,2 за миллион токенов — самый дешёвый в топ-20, уровень Contributor.

    Источник ↗

Что заметил Meta

Топ-10 фронтирных моделей теперь обрабатывают лишь 14% токенов разработчиков, против 55% годом раньше. Дешёвые flash-модели забирают объём, по данным The Information от 12 октября.

Источник ↗

Разрыв в SWE-bench Pro: 89,9% по данным производителя (Opus 5.5) против стандартизированных 61,5% у Scale (Spark 1.1). Один и тот же публичный набор, разные обвязки, плюс 30% задач помечены как сломанные.

Источник ↗

Скученность в LMArena: Gemini 4 Carbon 1528 против Opus 5.5 1508. 20 пунктов ≈ 53% побед, в пределах 95% доверительного интервала, предварительно по 4 403 голосам.

Источник ↗
🇺🇸 Grok10 мест · заметок: 4

Тот же вопрос, ответ одного ИИ — Grok. Итоговый список выше объединяет все ИИ.

  1. 1
    DeepSeek V4.1 Flash

    Hermes Agent пропустил через DeepSeek V4.1 Flash 11,8 трлн токенов за этот месяц, а долгая сессия программирования на ней стоит около $0,047.

    Источник ↗
  2. 2
    Claude Opus 5.5

    Голосующие вслепую поставили Opus 5.5 первым по агентным задачам с 20,9 баллами, а долгая сессия программирования всё равно стоит около $1,39.

    Источник ↗
  3. 3
    GLM 5.3

    Версия Flash заняла второе место по трафику недели с 16,1 трлн токенов, а полный GLM-5.3 решил 211 из 272 закрытых задач SWE-Bench Pro V2.

    Источник ↗
  4. 4
    GPT-6 Luna

    Долгая сессия программирования на GPT-6 Luna стоит около $0,024 — самая дешёвая в сравнении OpenRouter — при 10,9 трлн токенов за неделю.

    Источник ↗
  5. 5
    Claude Opus 5

    Scale AI насчитывает для Opus 5 638 из 642 публичных задач SWE-Bench Pro V2 и 222 из 272 закрытых.

    Источник ↗
  6. 6
    Gemini 4 Carbon

    Голосующие поставили Gemini 4 Carbon первым по повседневным ответам и вторым по агентным задачам, но его нет в десятке недели по токенам.

    Источник ↗
  7. 7
    Kimi K3

    По закрытым задачам SWE-Bench Pro V2 Kimi K3 решила 214 из 272, на две меньше, чем Opus 5.

    Источник ↗
  8. 8
    Gemini 4 Argon

    Gemini 4 Argon держит 99,22% в публичном рейтинге Pro V2, на 0,18 пункта позади Opus 5, в тесте, который, по словам Scale AI, почти достиг предела.

    Источник ↗
  9. 9
    Claude Sonnet 5.5

    В собственном тесте агента на бронирование авиабилетов у OpenRouter Sonnet 5.5 набрал 78,7%, выше Opus 5.5 с 75,5%, при вдвое меньшей цене за токены.

    Источник ↗
  10. 10
    Muse Spark

    Muse Spark 1.1 лидирует в старом закрытом рейтинге SWE-Bench Pro от Scale AI с 61,5%, но его нет в десятке недели по токенам.

    Источник ↗

Что заметил Grok

Модель, которую на деле вызывают агентные приложения, — не та, что побеждает в голосовании. Главная модель Hermes Agent в этом месяце — DeepSeek V4.1 Flash с 11,8 трлн токенов. Opus 5.5, первый в агентном рейтинге LMArena, — шестой в недельном рейтинге OpenRouter с 7,31 трлн.

Источник ↗

Сессия программирования из 10–49 шагов стоит около $0,024 на GPT-6 Luna, $0,047 на DeepSeek V4.1 Flash, $0,36 на GLM-5.3 и $1,39 на Claude Opus 5.5. Счёт, а не рейтинг, объясняет, почему дешёвые модели доминируют по токенам.

Источник ↗

Собственный разбор Scale AI по SWE-Bench Pro V2 говорит, что Opus 5 решает 638 из 642 публичных задач и 222 из 272 закрытых. Заголовок 99,4% и подсчёт закрытых задач относятся к одной и той же модели.

Источник ↗

В одной агентной задаче — бронировании авиабилетов — OpenRouter измерил Sonnet 5.5 на уровне 78,7%, а Opus 5.5 — 75,5%. Более дорогая модель не выигрывает каждый тест агентов.

Источник ↗
🇺🇸 Gemini10 мест · заметок: 1

Тот же вопрос, ответ одного ИИ — Gemini. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude 3.5 Sonnet

    Обрабатывает более 28% всех токенов агентного программирования на OpenRouter и показывает решаемость 49–54% в SWE-bench Verified, задающую планку для тестов.

    Источник ↗
  2. 2
    OpenAI o1

    Ввёл встроенные вычисления рассуждений на этапе теста: автономный ремонт ПО в сложных задачах SWE поднимается выше 48%, но за каждую цепочку рассуждений берётся надбавка.

  3. 3
    DeepSeek-V3

    Резко удешевил оркестрацию агентов: 42% возможностей SWE-bench примерно за десятую часть цены за токен у закрытых фронтирных моделей.

    Источник ↗
  4. 4
    GPT-4o

    Остаётся самой универсальной мультимодальной основой для супервизоров из нескольких агентов: обрабатывает 15–20% общего трафика агентов с ответом меньше чем за секунду.

  5. 5
    Qwen 2.5 Coder 32B

    Лучший локальный движок для агентов: 35% в SWE-bench, помещается на одной рабочей станции с двумя GPU без регулярной платы за облачный API.

    Источник ↗
  6. 6
    Claude 3.5 Haiku

    Любимая рабочая пчёлка для сортировки подагентов и циклов проверки кода: работает в 3 раза быстрее Sonnet, с 40% его силы в рассуждениях.

    Источник ↗
  7. 7
    Gemini 1.5 Pro

    Проглатывает целые кодовые базы из нескольких репозиториев в одном окне контекста на 2 млн токенов, обходясь без сложной нарезки данных на фрагменты (RAG) для полного планирования агентов.

    Источник ↗
  8. 8
    GPT-4o mini

    Работает в проверщиках состояния и сумматорах агентов с большим числом итераций по цене меньше $0,15 за миллион входных токенов и держит на себе крупные коммерческие рои агентов.

  9. 9
    Llama 3.1 405B

    Чемпион корпоративных открытых весов: работа агентов без учёта объёма и с соблюдением приватности для суверенного локального развёртывания.

  10. 10
    Nous Hermes 3 (Llama-3.1-8B/70B)

    Любимый дообученный вариант сообщества открытых агентов: вызов функций без выравнивания, соответствие схемам JSON и автономное моделирование из нескольких агентов.

    Источник ↗

Что заметил Gemini

Рейтинги по голосам людей, как LMArena, часто расходятся с реальным использованием агентов разработчиками: модели могут быть ровны по Elo в одиночных диалогах, а разработчики отдают более 65% боевых токенов агентов моделям, жёстко оптимизированным под вызовы инструментов и черновые рассуждения.

Источник ↗
🇨🇳 Kimi10 мест · заметок: 2

Тот же вопрос, ответ одного ИИ — Kimi. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Opus 5.5 (Anthropic, 22 сентября 2026)

    Тройная корона агентов по половине прежней цены флагмана: 89,9% в SWE-bench Pro, №1 в WebDev Arena (1807), №1 в Agent Arena (21,4% подтверждённых успехов). И первый флагман Anthropic, который стоит $4/$20, а не $10/$50.

  2. 2
    Claude Sonnet 5.5 (Anthropic, 28 сентября 2026)

    Модель, на которой разработчики реально сжигают токены: лидирует в Terminal-Bench 4.0 (70,6%) и LiveBench Coding (91,4) при половине цены Opus — самый высокий агентный балл за доллар среди фронтирных моделей.

    Источник ↗
  3. 3
    GPT-6 Astra (OpenAI, 3 сентября 2026)

    Любимица голосов людей и злодей по счетам за токены: №1 в Frontend Code Arena (1793) и №2 в WebDev (1774), но при $10/$50 это в 2,5 раза дороже Opus 5.5. Доля OpenAI в живых токенах агентов всего 7,8%.

  4. 4
    Kimi K3.1 Pro (Муншот AI, октябрь 2026)

    Сюрприз с открытыми весами, который обыгрывает гигантов в их же агентном тесте: лидирует в независимом прогоне Terminal-Bench 4.0 (67,2%, 23 октября), опережая все закрытые модели, кроме Gemini 4 Carbon с киберзащитой, — при $2/$10.

    Источник ↗
  5. 5
    Gemini 4 Argon (Google, публичный запуск 13 октября 2026)

    Любимец людей, который проигрывает лабораторным тестам: №1 в текстовом LMArena (1517,2) и самый низкий измеренный уровень галлюцинаций (4%), но 50,4 в Индексе интеллекта v5 — шестой среди пригодных к использованию моделей.

    Источник ↗
  6. 6
    GPT-6.1 Sol (OpenAI, 29 сентября 2026)

    Агент большого объёма внутри Codex: по умолчанию в Codex CLI с 7 октября; 56,1% в Terminal-Bench 4.0, почти как у Astra, но за пятую часть её цены, и самый дешёвый путь выше 50 в Индексе интеллекта.

    Источник ↗
  7. 7
    DeepSeek V4.1 Flash (DeepSeek, 10 сентября 2026, открытые веса)

    Король токеновой экономики: DeepSeek — №1 по доле живых токенов агентов (39,1%), больше, чем Anthropic и Google вместе, а эта модель в непиковое время стоит $0,15/$0,60.

    Источник ↗
  8. 8
    Grok 4.7 (ИксАИ, 21 сентября 2026)

    Самый дешёвый агент во фронтирном духе: $2/$6, в топ-10 EQ-Bench (2012,2) и обвязка Grok Build с 38% в Terminal-Bench 4.0. Но голосующие в Arena ставят его письмо на 78-е место, ниже Grok 4.6.

  9. 9
    GLM-5.3 (Чжипу AI, открытые веса)

    Рабочая лошадка для собственного развёртывания: 95,4% в архивном рейтинге SWE-bench Verified, выше Kimi K3 (93,4%), по простой лицензии MIT, в облаке — $1,19/$6.

  10. 10
    Gemini 3.8 Flash (Google, 2 сентября 2026)

    Агентный спринтер: 308 выходных токенов в секунду при $0,75/$3,75 и контексте 1 млн — модель для циклов агентов с большим потоком, где 20-пунктовый разрыв в Terminal-Bench окупается 4-кратной скоростью.

    Источник ↗

Что заметил Kimi

Тесты, голоса людей и реальное использование — три разных рейтинга: Claude Opus 5.5 выигрывает агентные тесты (89,9% в SWE-bench Pro, 21,4% в Agent Arena), но Gemini 4 Argon лидирует в текстовом голосовании людей (1517,2 против 1508,7), а DeepSeek — на 30+ пунктов индекса позади — лидирует по доле живых токенов агентов: 39,1%. В продакшене цена и привычка побеждают славу в тестах.

Источник ↗

Открытые веса первыми закрыли разрыв с агентами в терминале: Kimi K3.1 Pro (67,2%) лидирует в независимом прогоне Terminal-Bench 4.0, опережая все пригодные закрытые модели, а GLM-5.3 и DeepSeek V4.1-Flash стоят на пьедестале по доле токенов. Фронтир теперь — вопрос маршрутизации, а не лицензии.

Источник ↗
🇨🇳 DeepSeek10 мест · заметок: 1

Тот же вопрос, ответ одного ИИ — DeepSeek. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Opus 5.5

    Claude Opus 5.5 возглавляет сводный рейтинг производителей по SWE-bench Pro с 89,9% и тест агентов Hermes с 76,7% — самая полная модель агента «сделай задачу» в октябре 2026 года, при $4,19–$5,98 за успешно выполненную задачу.

    Источник ↗
  2. 2
    Gemini 4 Argon

    Gemini 4 Argon — выбор людей: №1 в текстовом LMArena с 1517 и в многоходовом диалоге с 1544 — и делает это за $1,80 за успешную задачу, примерно четверть стоимости Claude Opus 5.5.

    Источник ↗
  3. 3
    Claude Fable 5.1

    Claude Fable 5.1 — общий лидер LiveBench с 88,0 и получает идеальные 100 в работе с браузером: лучшая модель агента для «работы с компьютером». Но при $5,10 за успешную задачу она самая дорогая в этой верхней группе.

  4. 4
    GPT-6 Astra

    GPT-6 Astra — сбалансированный фронтирный агент: 86,1 в общем LiveBench, 82,4 в агентных задачах и $3,81 за успешную задачу. Сильнее Gemini 4 Argon в агентных задачах и дешевле Claude Fable 5.1.

  5. 5
    DeepSeek V4 Flash 0731

    DeepSeek V4 Flash — король объёма в реальных агентах: 11,4 трлн токенов в неделю на OpenRouter и $0,028 за успешную задачу — примерно в 180 раз дешевле Claude Fable 5.1, хотя на сложных тестах программирования отстаёт от фронтира.

    Источник ↗
  6. 6
    Claude Sonnet 5.5

    Claude Sonnet 5.5 даёт 81,3% балла Claude Opus 5.5 в SWE-bench Pro примерно за 84% его стоимости задачи — самый выгодный выбор в семействе Claude для рабочих циклов агентов.

    Источник ↗
  7. 7
    Muse Spark 1.1 (Meta)

    Muse Spark 1.1 владеет единственным стандартизированным топовым результатом в SWE-bench Pro — 61,5% в публичном наборе Scale AI, — но его 51,5% в коммерческом наборе показывает, насколько обвязка и разбиение данных могут сдвинуть цифру.

  8. 8
    Qwen3.8-Flash-Next

    Qwen3.8-Flash-Next — лучший кодер-агент с открытыми весами в SWE-bench Pro: 62,5%, впереди GLM-5.2 с 62,1%. Его младший брат Flash обходится примерно в $0,196 за успешную задачу LiveBench.

    Источник ↗
  9. 9
    GLM-5.2

    GLM-5.2 идёт сразу за Qwen3.8-Flash-Next с 62,1% в SWE-bench Pro, цена выходных токенов $2,40 — второй по выгоде вариант с открытыми весами для парков агентов, где важна стоимость.

  10. 10
    Kimi K3

    Kimi K3 создан для оркестрации: масштабируется до 300 подагентов и 4 000 шагов координации, поэтому это выбор для специалиста, когда задача агента — управлять другими агентами, а не писать каждую строку самому.

    Источник ↗

Что заметил DeepSeek

Модель, которая побеждает в голосах людей, — не та, что побеждает в реальном агентном трафике. Gemini 4 Argon лидирует в LMArena с 1517, но DeepSeek V4 Flash ведёт по живому использованию токенов на OpenRouter: 11,4 трлн токенов в неделю. Причина в том, что при $0,028 за успешную задачу стоимость решает всё в рабочих циклах агентов.

Источник ↗
🇨🇳 Wenxin10 мест · заметок: 1

Тот же вопрос, ответ одного ИИ — Wenxin. Итоговый список выше объединяет все ИИ.

  1. 1
    OpenAI GPT-5 / o3 (2026)

    SWE-bench Pro: 71% пройдено и самая большая нагрузка на токены, но стоимость задачи всё ещё бьёт по разработчикам

    Источник ↗
  2. 2
    Anthropic Claude 4 Opus (2026)

    Самый высокий Elo по голосам людей в LMArena (1392): разработчики берут его для долгих прогонов агентов с большим контекстом

    Источник ↗
  3. 3
    Google Gemini 2.5 Pro (2026)

    Доля токенов 21% и сильные мультимодальные результаты агентов — ставка Google на нативное использование инструментов

    Источник ↗
  4. 4
    Meta Llama 4 405B (2026)

    Король открытых весов: 18% токенов, разработчики запускают его у себя — но программирование агентами отстаёт от закрытых моделей

  5. 5
    Mistral Large 3 (2026)

    Европейский любимец с 9% токенов — за доллар тянет на агентах для кода сильнее, чем весит

  6. 6
    ИксАИ Grok 4 (2026)

    Доля токенов 7%; быстрая, но агентное программирование всё ещё отстаёт — фанаты ценят доступ к данным в реальном времени

  7. 7
    DeepSeek V4 (2026)

    Китайская открытая модель с 6% токенов; SWE-bench 55% за цену чашки кофе

  8. 8
    Кохир Command R+ 2026 (оптимизирована для агентов)

    Создан для агентов с RAG и инструментами; доля токенов 5%, но в LangSmith попадает в верхний квартиль

  9. 9
    Майкрософт Phi-5 (2026)

    Маленькая модель для устройства (7 млрд параметров), доля токенов 3% — быстрее всех по токенам, но не лучшая по задачам

  10. 10
    Стабилити AI Stable Code 3 (2026)

    Модель только для кода, доля токенов 2%; ниша, но её любят создатели агентов с открытым кодом

Что заметил Wenxin

Модели с открытыми весами теперь обрабатывают почти половину всех токенов агентов (Llama 4 + DeepSeek + Mistral AI + Phi = ~34%). Такого сдвига не было два года назад, и он меняет то, кто контролирует инфраструктуру агентов.

Источник ↗
🇨🇳 Qwen10 мест · заметок: 2

Тот же вопрос, ответ одного ИИ — Qwen. Итоговый список выше объединяет все ИИ.

  1. 1
    Claude Opus 5.5

    89,9% в SWE-bench Pro — лидер рынка, это доказывает, что модель решает больше всего реальных задач GitHub.

    Источник ↗
  2. 2
    Claude Sonnet 5.5

    Лучшая универсальная модель для Hermes Agent: на длинных задачах скачет до 70,6% в Terminal-Bench 4.0.

  3. 3
    GPT-5.6 Sol

    Лидирует по голосам людей в LMArena с 1485 Elo, обгоняя модели, которые набирают больше в жёстких тестах программирования.

    Источник ↗
  4. 4
    Claude Fable 5.1

    81,2% в SWE-bench Pro, почти вровень с Sonnet 5.5, но с меньшей стоимостью за выполненную задачу.

    Источник ↗
  5. 5
    DeepSeek V4.1 Flash

    53,1 трлн токенов обработано на OpenRouter — настоящий король нагрузки для разработчиков, которые направляют трафик агентов.

    Источник ↗
  6. 6
    Gemini 4 Argon

    99,2% в SWE-bench Pro V2 показывает, что фронтирная модель Google догоняет Anthropic в долгосрочной инженерии.

    Источник ↗
  7. 7
    Qwen 3 Max

    Стала №1 в трендах OpenRouter с 77,3 млрд токенов, что доказывает: модель Алибаба справляется с огромной нагрузкой агентов в Азии.

  8. 8
    GLM-5.2 Max

    №2 в Code Arena: Frontend с 1595 Elo, доминирует по голосам людей в задачах агентов для интерфейсов.

    Источник ↗
  9. 9
    Llama 4 Maverick

    Окно контекста 1,3 млн при $0,20 за миллион входных токенов делает её самым дешёвым способом запускать масштабную оркестрацию агентов.

    Источник ↗
  10. 10
    Claude Fable 5

    80,3% в SWE-bench Pro держит её в верхнем ряду агентного программирования, хотя новые модели её обогнали.

    Источник ↗

Что заметил Qwen

Разрыв между SWE-bench Verified (~80%) и SWE-bench Pro (~58%) измеряет «эффект загрязнения»: модели запомнили ответы на старые тесты.

Источник ↗

Claude Sonnet 5.5 обгоняет намного более крупную Opus 5.5 в Terminal-Bench 4.0 на 4,2 пункта, что удивляет разработчиков, которые гоняют длинные агентные циклы.

Источник ↗