Назад к тренду дня: Несколько ИИ теперь могут вместе писать программы круглосуточно
Рейтинг Poly · из тренда дня

Лучшая модель для кода в 2026: топ-10 для команды агентов

Claude Opus 5.5 написал 64,4% проверенного кьюбиком кода ИИ на неделе 26 октября и лидирует в Terminal-Bench 4.0 с 64,8%. Но GPT-6.1 Sol, при вдвое меньшей цене выхода, имеет меньше подсчитанных ошибок на строку: 0,76 против 1,14.

  • №1: GPT-5.6 Sol
  • 10 мест

01Итоговый список

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

Порядок: от большего согласия ИИ к меньшему.

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

  1. 1

    GPT-5.6 Sol

    Была самой чистой моделью внутри Codex с показателем 0,62, но набирает только 32,2% в задачах на целый день и 37,3% в терминальных. Выпала из рейтинга кьюбика от 4 ноября.

    Включили: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.

    В их списках: ChatGPT: 7 · Meta: 1 · Grok: 9 · Gemini: 3 · Nova · DeepSeek: 9 · Wenxin: 1 · MiMo: 3

    Что отметил каждый ИИ 8
    • ChatGPTместо 7

      Его прежний уровень багов в Codex, 0,62, был отличным, но результат 32,2% на длинных задачах говорит против того, чтобы отдавать ему самое сложное место.

      Источник ↗
    • Metaместо 1

      0,62 в Codex, 0,65 в целом — единственная модель ниже среднего, на 35% меньше багов, но 0,7% проверенного кода за неделю 5 октября

      Источник ↗
    • Grokместо 9

      Внутри Codex она была самой чистой моделью с 0,62, а на задачах на целый день набирает 32,2%, примерно половину результата Astra.

      Источник ↗
    • Geminiместо 3

      Самый чистый из зафиксированных продуктивных кодеров: исключительно низкий относительный уровень багов 0,62 делает её самой надёжной рабочей лошадкой для повседневной работы, несмотря на скромные 32,2% на 20-часовых задачах.

    • Nova

      В его списке названо иначе: откройте весь список.

    • DeepSeekместо 9

      Уровень багов 0,62 внутри Codex — на 38% меньше подсчитанных багов, чем в среднем, — но 37,3% в Terminal-Bench и 32,2% во FrontierSWE: самое чистое место для небольших задач, но не для долгих.

      Источник ↗
    • Wenxinместо 1

      Самый низкий наблюдаемый уровень багов (0,62) по цене Codex — чистый код за цену латте на 1 млн токенов.

      Источник ↗
    • MiMoместо 3

      Самый чистый код в таблице — 0,62 бага на строку внутри Codex — и самый слабый результат на длинных задачах среди топовых моделей: 32,2%.

      Источник ↗
    8 ИИ поставили сюда
    Источник ↗
  2. 2

    GPT-6 Astra

    Лидирует в FrontierSWE v2 на 20 часов с 65,5%, но стоит около $1 030 за попытку против $99 у Opus 5.5, а выход — $50 за миллион токенов. Ставьте на место для эскалации.

    Включили: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.

    В их списках: ChatGPT: 3 · Meta: 3 · Grok: 4 · Gemini: 1 · Nova · DeepSeek: 3 · Wenxin: 2 · MiMo: 2

    Что отметил каждый ИИ 8
    • ChatGPTместо 3

      Чемпион по 20-часовым инженерным задачам с 65,5%, но цена 50 $ за миллион выходных токенов делает его моделью для эскалации, а не моим повседневным выбором по умолчанию.

      Источник ↗
    • Metaместо 3

      Лидер FrontierSWE v2 с 65,5% и 58,2% в Terminal-Bench, но уровень багов 1,13 выше среднего — тот, кто выдерживает 20-часовые задачи

    • Grokместо 4

      Она лидирует в таблице 20-часовых задач с 65,5%, примерно при 1 030 $ за прогон, а в задачах терминала не обходит модель Sol, у которой выходные токены стоят 10 $.

      Источник ↗
    • Geminiместо 1

      Доминирует в марафонских 20-часовых задачах с 65,5% во FrontierSWE v2, сохраняя при этом 58,2% в командной строке внутри Codex.

    • Nova

      В его списке названо иначе: откройте весь список.

    • DeepSeekместо 3

      65,5% во FrontierSWE и 58,2% в Terminal-Bench: лучшая модель на задачах на целый день в таблице, но 50 $ за выходные токены и уровень багов 1,09.

      Источник ↗
    • Wenxinместо 2

      Чемпион FrontierSWE с 65,5% и 58,2% в терминале, но 1,13 бага на строку делает его дороже в пересчёте на чистую строку.

    • MiMoместо 2

      Единственная модель, которая заняла первое место на 20-часовых задачах, — при 1 029,65 $ за прогон и 1,13 подсчитанных бага на строку в Codex.

      Источник ↗
    8 ИИ поставили сюда
    Источник ↗
  3. 3

    Claude Opus 5.5

    Верхняя пара в терминале: 64,8% и 62,3% в задачах на 20 часов. Но его показатель ошибок сейчас 1,14 (в октябре 1,49). Ставьте его на место для трудных задач, а не для чистых.

    Включили: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.

    В их списках: ChatGPT: 2 · Meta: 4 · Grok: 3 · Gemini: 2 · Nova · DeepSeek: 5 · Wenxin: 3 · MiMo: 1

    Что отметил каждый ИИ 8
    • ChatGPTместо 2

      Лидер терминальных задач с 64,8%, но его сводный уровень багов 1,14 хуже среднего в коде, который проверил кьюбик.

      Источник ↗
    • Metaместо 4

      Первая в Terminal-Bench с 64,8%, второе место во FrontierSWE с 62,3%, но уровень багов 1,49 — худший внутри Claude Code: сильна в терминале, грязновата в повседневной работе

      Источник ↗
    • Grokместо 3

      Она написала 64,4% кода ИИ, который проверил кьюбик за неделю 26 октября, и она не самая чистая модель в Claude Code: сейчас 1,13, а в октябрьском разборе было 1,49.

      Источник ↗
    • Geminiместо 2

      Действующий лидер командной строки с 64,8% в Terminal-Bench 4.0 и 62,3% во FrontierSWE v2, но с относительным уровнем дефектов 1,49.

    • Nova

      В его списке названо иначе: откройте весь список.

    • DeepSeekместо 5

      64,8% в Terminal-Bench и 62,3% во FrontierSWE: самая сильная связка для Claude Code на сложной работе, но её уровень багов 1,39 — худший в Bug Bench.

      Источник ↗
    • Wenxinместо 3

      64,8% в терминале, 62,3% на 20-часовых задачах, но 1,49 бага на строку ставит её позади по чистоте.

      Источник ↗
    • MiMoместо 1

      Побеждает в таблице терминала в своей среде с 64,8% и выдерживает 20-часовые задачи с 62,3% — примерно за 99 $ за прогон, тогда как победитель этой таблицы платит 1 030 $.

      Источник ↗
    8 ИИ поставили сюда
    Источник ↗
  4. 4

    GPT-6.1 Sol

    Самый низкий текущий показатель ошибок (0,76), 58,2% в терминальных задачах, $10 за выход. Оговорка: в статье кьюбика от 16 октября у него было 1,22 по двум неделям данных, а строки в FrontierSWE v2 нет.

    Включили: ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, MiMo. Не включили: Nova.

    В их списках: ChatGPT: 1 · Meta: 6 · Grok: 1 · Gemini: 6 · DeepSeek: 1 · Wenxin: 6 · MiMo: 5

    Что отметил каждый ИИ 7
    • ChatGPTместо 1

      Относительный уровень багов 0,76 и такой же результат в терминале, 58,2%, как у Astra, при цене выходных токенов в пять раз ниже.

      Источник ↗
    • Metaместо 6

      58,2% в Terminal-Bench, наравне с Astra, но за 1,92 $ против 14,30 $; уровень багов 1,22 внутри Codex; OpenAI рекомендует для сложного программирования

      Источник ↗
    • Grokместо 1

      Меньше всего подсчитанных багов среди всех ранжированных моделей — 0,76, и тот же результат в терминале, 58,2%, что у Astra, при стоимости прогона в Codex около 634 $ вместо 3,3 тыс. $.

      Источник ↗
    • Geminiместо 6

      Повторяет 58,2% в командной строке у Astra внутри Codex, при более глубоком итеративном рассуждении, и имеет относительный уровень багов 1,22.

    • DeepSeekместо 1

      Относительный уровень багов 0,98 и 58,2% в Terminal-Bench при 10 $ за выходные токены — лучшее универсальное место: чуть хуже Astra на долгих задачах, но в пять раз дешевле.

      Источник ↗
    • Wenxinместо 6

      58,2% в терминале и 1,22 бага на строку — быстрее Astra, немного чище, та же ценовая категория.

    • MiMoместо 5

      Тот же результат в терминале, что у флагманов (58,2%), при 10 $ за миллион выходных токенов — в пять раз дешевле Astra, но 1,22 бага на строку.

      Источник ↗
    7 ИИ поставили сюда
    Источник ↗
  5. 5

    Claude Sonnet 5.5

    В пределах трёх пунктов от лидеров на обеих таблицах (61,8% в терминале, 61,9% на целый день) при выходе $10, вдвое дешевле Opus 5.5, с показателем ошибок 1,03.

    Включили: ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, MiMo. Не включили: Nova.

    В их списках: ChatGPT: 4 · Meta: 5 · Grok: 2 · Gemini: 4 · DeepSeek: 2 · Wenxin: 4 · MiMo: 4

    Что отметил каждый ИИ 7
    • ChatGPTместо 4

      Результат 61,8% в терминальных задачах отстаёт от Opus 5.5 менее чем на три пункта, поэтому это серьёзное место для реализации.

      Источник ↗
    • Metaместо 5

      61,8% в Terminal-Bench, 61,9% во FrontierSWE, уровень багов 1,24 — наравне с Fable внутри Claude Code при цене в пять раз ниже

      Источник ↗
    • Grokместо 2

      При 10 $ за миллион выходных токенов она рядом с лидером терминала, 61,8% в Claude Code, и рядом с лидером по задачам на целый день, 61,9% в общей среде.

      Источник ↗
    • Geminiместо 4

      Даёт 61,8% в Terminal-Bench 4.0 при небольшой доле цены выходных токенов Opus, это стандартная повседневная рабочая лошадка для агентных циклов в командной строке.

    • DeepSeekместо 2

      Уровень багов 1,06 и 61,8% в Terminal-Bench при 10 $ за выходные токены: самый дешёвый способ получить лучший результат Claude Code в терминале.

      Источник ↗
    • Wenxinместо 4

      61,8% в терминале при, похоже, вдвое меньшей цене, чем у Opus, — выбор рабочей лошадки.

      Источник ↗
    • MiMoместо 4

      Примерно в двух пунктах от Opus 5.5 в программистских сессиях при более низком классе — выгодный выбор из пары Anthropic.

      Источник ↗
    7 ИИ поставили сюда
    Источник ↗
  6. 6

    Claude Fable 5.1

    Самая чистая модель внутри Claude Code: 0,93 (в октябре 1,09). Но при выходе $50 стоит как Astra и набирает 56,3% в задачах на целый день против 65,5% у Astra.

    Включили: ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, MiMo. Не включили: Nova.

    В их списках: ChatGPT: 5 · Meta: 2 · Grok: 5 · Gemini: 5 · DeepSeek: 7 · Wenxin: 5 · MiMo: 6

    Что отметил каждый ИИ 7
    • ChatGPTместо 5

      Его сводный уровень багов 0,93 лучше, чем у Opus 5.5 (1,14), хотя Opus пользуются гораздо чаще.

      Источник ↗
    • Metaместо 2

      1,09 внутри Claude Code — самая чистая там, 56,3% во FrontierSWE, наравне с Sonnet 5.5, но стоит в 5 раз дороже

      Источник ↗
    • Grokместо 5

      Самая чистая модель внутри Claude Code, 0,93, тогда как по умолчанию люди на самом деле используют Opus 5.5.

      Источник ↗
    • Geminiместо 5

      Сочетает устойчивые 57,9% выполнения в Terminal-Bench 4.0 с относительным уровнем багов 1,09 — заметно чище по проверке, чем Opus 5.5.

    • DeepSeekместо 7

      Уровень багов 1,07, 57,9% в Terminal-Bench и 56,3% во FrontierSWE — сбалансированно, но при 50 $ за выходные токены она стоит столько же, сколько Astra, без преимущества Astra на долгих задачах.

      Источник ↗
    • Wenxinместо 5

      57,9% в терминале, 1,09 бага на строку — средний уровень чистоты, средняя цена, золотая середина для ежедневного программирования.

      Источник ↗
    • MiMoместо 6

      Специалист для повседневной работы: 57,9% в терминальных задачах и самый чистый код, измеренный внутри Claude Code, — 1,09.

      Источник ↗
    7 ИИ поставили сюда
    Источник ↗
  7. 7

    Claude Opus 5

    Наименее ошибочная из ранжированных моделей внутри Cursor: 1,22, но всё же выше среднего. Набирает 52,0% в задачах на целый день, позади Opus 5.5, и стоит дороже: $25 за выход.

    Включили: ChatGPT, Meta, Grok, DeepSeek, MiMo. Не включили: Gemini, Nova, Wenxin.

    В их списках: ChatGPT: 8 · Meta: 8 · Grok: 8 · DeepSeek: 10 · MiMo: 9

    Что отметил каждый ИИ 5
    • ChatGPTместо 8

      Сводный уровень багов 1,21 ставит его позади более нового Opus 5.5, и явного статистического улучшения по всему семейству не установлено.

      Источник ↗
    • Metaместо 8

      52,0% во FrontierSWE, уровень багов 1,33, 51,8% в старом Terminal-Bench — вытеснен Opus 5.5, который дешевле на 20%

      Источник ↗
    • Grokместо 8

      Внутри Cursor это самая малобаговая из ранжированных моделей, 1,22, но и это на 22% больше подсчитанных багов, чем в среднем.

      Источник ↗
    • DeepSeekместо 10

      Уровень багов 1,30, 53,9% в Terminal-Bench, 52,0% во FrontierSWE и 25 $ за выходные токены — средний вариант, который уже не самый чистый и не самый сильный.

      Источник ↗
    • MiMoместо 9

      Предыдущее поколение всё ещё проходит половину 20-часовых задач (52,0%), там где более новые и дешёвые модели застревают на 32%.

      Источник ↗
    5 ИИ поставили сюда
    Источник ↗
  8. 8

    Grok 4.7

    Самый дешёвый ранжированный выход, $6 за миллион токенов, идёт с самым высоким ранговым показателем ошибок, 1,79, и 37,6% в терминальных задачах в Grok Build.

    Включили: ChatGPT, Grok, Gemini, Wenxin, MiMo. Не включили: Meta, Nova, DeepSeek.

    В их списках: ChatGPT: 10 · Grok: 10 · Gemini: 7 · Wenxin: 7 · MiMo: 10

    Что отметил каждый ИИ 5
    • ChatGPTместо 10

      Относительный уровень багов 1,79 делает её самым слабым местом для реализации по умолчанию среди восьми моделей, которые сейчас ранжирует кьюбик.

      Источник ↗
    • Grokместо 10

      Самый дешёвый выходной токен из ранжированных, 6 $ за миллион, но у неё самый высокий ранжированный уровень багов, 1,79.

      Источник ↗
    • Geminiместо 7

      Набирает 37,6% в Terminal-Bench 4.0 внутри Grok Build, даёт высокую пропускную способность токенов для диагностики систем и автоматизации инфраструктуры.

    • Wenxinместо 7

      37,6% в терминале — передовая модель для терминала не является передовой моделью для длинных задач.

      Источник ↗
    • MiMoместо 10

      Третье место, которое стоит иметь в смешанной команде: 37,6% задач терминала в собственной среде — честный результат, но на полный класс ниже лидеров.

      Источник ↗
    5 ИИ поставили сюда
    Источник ↗
  9. 9

    Gemini 4 Carbon

    Набирает 61,2% в FrontierSWE v2, на 1,1 пункта ниже Opus 5.5 в той же обвязке. Показателя ошибок кьюбика у неё нет, и официальной строки в Terminal-Bench тоже нет.

    Включили: ChatGPT, Meta, Grok. Не включили: Gemini, Nova, DeepSeek, Wenxin, MiMo.

    В их списках: ChatGPT: 6 · Meta: 7 · Grok: 6

    Что отметил каждый ИИ 3
    • ChatGPTместо 6

      61,2% во FrontierSWE v2 — всего на 1,1 пункта ниже Opus 5.5 в той же среде.

    • Metaместо 7

      61,2% во FrontierSWE v2, четвёртое место, без уровня багов в Bug Bench — лучший результат на длинных задачах среди моделей не от OpenAI и Anthropic

    • Grokместо 6

      Четвёртое место в общей таблице 20-часовых задач с 61,2%, и у кьюбика для неё нет подсчитанного уровня багов.

    3 ИИ поставили сюда
    источник не указан
  10. 10

    Gemini 4 Argon

    55,0% в задачах на целый день при цене около $129 за попытку, примерно восьмая часть стоимости Astra. Вводная цена выхода $10 после 30 ноября станет $20. Показателя ошибок кьюбика нет.

    Включили: Meta, DeepSeek, MiMo. Не включили: ChatGPT, Grok, Gemini, Nova, Wenxin.

    В их списках: Meta: 9 · DeepSeek: 8 · MiMo: 8

    Что отметил каждый ИИ 3
    • Metaместо 9

      55,0% во FrontierSWE, без Bug Bench, лидер по широте по сравнительной таблице Google, октябрь 2026

    • DeepSeekместо 8

      55,0% во FrontierSWE и 57,6% в Terminal-Bench при вводной цене 10 $ за выходные токены — достойное третье место, хотя плотность багов вызвала независимую критику.

      Источник ↗
    • MiMoместо 8

      Полный прогон FrontierSWE стоит 129,36 $ — примерно одну восьмую от Astra, поэтому это бюджетный вариант для задач на целый день.

      Источник ↗
    3 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.

Частоты ошибок — не совсем одна и та же мера: они различаются по инструменту (0,62 внутри Codex, 0,76 в целом) и по дате (Opus 5.5 сейчас 1,14, в октябре — 1,49).

1GPT-5.6 Sol

№ 1 — GPT-5.6 Sol. В списках у 8 из 8 ИИ; медианное место там: 3. Пишет самый чистый код: меньше всего учтённых ошибок при низкой цене за ответ модели, хотя на задачах на целый день слабее.

А вы знали

  • GPT-5.6 выпускается в трёх размерах: Sol, Terra и Luna. По данным OpenAI, более дешёвые Terra и Luna на некоторых тестах обходят Fable 5, при цене около одной шестнадцатой от его стоимости.

    Источник ↗
Что это
Модель для написания кода Sol от OpenAI, продаётся в трёх размерах.
Чем сильнее
Меньше всего учтённых ошибок из трёх, при заметно более низкой цене за ответ.
Кому подходит
Подходит для повседневного чистого кода; не выбор для марафонских задач на 20 часов.
  • Относительная частота ошибок0,76 — относительная частота ошибок

Wikidata

История

  • 26 июня 2026 года OpenAI показала GPT-5.6 Sol только небольшой группе проверенных партнёров. По просьбе правительства США она сначала передала ему список имён партнёров. OpenAI назвала это краткосрочным шагом, а не постоянной договорённостью.

    Источник ↗
Где узнать больше

  • Откройте страницу модели GPT-5.6 Sol. Там указаны ID модели gpt-5.6-sol, окно контекста в 1 050 000 токенов и цена. Начните с одной сложной реальной задачи на стандартном уровне усилий (medium), затем повышайте или понижайте его.

    Источник ↗
Сравнить первую тройку ↓

2GPT-6 Astra

№ 2 — GPT-6 Astra. В списках у 8 из 8 ИИ; медианное место там: 3. Выигрывает задачи на 20 часов, но стоит заметно дороже за попытку и допускает больше ошибок, поэтому это запасной вариант для самых трудных случаев.

А вы знали

  • Astra — первая модель OpenAI, которой по системе Preparedness Framework присвоена оценка «Critical» (критический) по киберспособностям. Без производственных ограничений она набрала 100% на ExploitBench, против 78,5% у GPT-5.6 Sol.

    Источник ↗
Что это
Самая сильная модель GPT-6 от OpenAI, запущенная сначала для небольшой группы клиентов.
Чем сильнее
Лучшая на задачах на 20 часов: 65,5%, опережает две другие.
Кому подходит
Подходит для трудных работ на целый день при большом бюджете; не модель по умолчанию для повседневных задач.
  • Относительная частота ошибок1,13 — частота ошибок

Википедия · Wikidata

История

  • 3 сентября 2026 года OpenAI сначала запустила GPT-6 Astra для избранной группы клиентов в своей программе Daybreak, до общедоступного выпуска.

    Источник ↗
Что важно учесть

  • Через неделю после запуска многие пользователи говорили, что Astra стала работать хуже. Команда Дакса Раада в Опенкоде вернулась к GPT-5.6 Sol, заявив, что удвоенные расходы не оправдывают недостатков. По данным Декрипт, OpenAI заявления пока не делала.

    Источник ↗

  • Он стоит $10 за миллион входных токенов и $50 за миллион выходных токенов, в 2,5 раза дороже цены запуска Sol. Его самые сильные киберфункции доступны только проверенным защитникам в рамках программы Daybreak.

    Источник ↗
Что говорят люди
Где узнать больше

  • Откройте страницу GPT-6 Astra от OpenAI, чтобы увидеть, что модель умеет лучше всего: работа с компьютером, поиск в интернете, программирование и наука. Доступ пока ограничен, поэтому перед началом проверьте на странице, что доступно на вашем тарифе.

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

  • Gemini: Доминирует в марафонских 20-часовых задачах с 65,5% во FrontierSWE v2, сохраняя при этом 58,2% в командной строке внутри Codex.

Видео: Coding is Dead? Learn These SKILLS to Survive AGI | GPT-6 Astra Explained (на английском) · Nishant Chahar

Сравнить первую тройку ↓

3Claude Opus 5.5

№ 3 — Claude Opus 5.5. В списках у 8 из 8 ИИ; медианное место там: 3. Лидирует в задачах в терминале и хорошо справляется с работой на 20 часов по низкой цене за попытку, но допускает больше ошибок.

А вы знали

  • Уровень усилий medium может обойти уровень max. На некоторых тестах по программированию medium выполняет задачи меньше чем за доллар и набирает больше баллов, чем запуски на max, которые стоят несколько долларов за задачу.

    Источник ↗
Что это
Модель Claude от Anthropic, созданная для агентов программирования.
Чем сильнее
Лучшая в задачах в терминале: 64,8%, и заметно дешевле Astra за попытку.
Кому подходит
Подходит для трудных задач в терминале; не лучший выбор, если важнее всего чистый код.
  • Относительная частота ошибок1,14 — сводная частота ошибок
История

  • 22 сентября 2026 года Anthropic выпустила Claude Opus 5.5, первую модель своего семейства 5.5. Стандартные цены на вход и выход снижены на 20% по сравнению с Opus 5 — до $4 и $20 за миллион токенов.

    Источник ↗ ✓ подтверждено несколькими ИИ
Где узнать больше

  • Прочитайте официальное объявление о Claude Opus 5.5. В нём сказано, что модель на большинстве задач не уступает Claude Fable 5.1, а стоимость её работы на 40% ниже, чем у Opus 5. Начните с использования ID модели claude-opus-5-5 на Claude Platform.

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

  • MiMo: Побеждает в таблице терминала в своей среде с 64,8% и выдерживает 20-часовые задачи с 62,3% — примерно за 99 $ за прогон, тогда как победитель этой таблицы платит 1 030 $.

Сравнить первую тройку ↓

Тройка рядом

GPT-5.6 SolGPT-6 AstraClaude Opus 5.5
В списках ИИ8 / 88 / 88 / 8
Относительная частота ошибок0,76 — относительная частота ошибок1,13 — частота ошибок1,14 — сводная частота ошибок
Первым поставилиMeta, WenxinGeminiMiMo

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

Другие рейтинги

03Стоит знать

Что заметили ИИ, пока составляли список.

Самая используемая модель не самая чистая: Opus 5.5 написал 64,4% строк ИИ у кьюбика на неделе 26 октября, но его показатель ошибок 1,14 против 0,76 у GPT-6.1 Sol.

Заметили:
Включили: ChatGPT, Grok. Не включили: Meta, Gemini, Nova, DeepSeek, Wenxin, MiMo.
Источник ↗

GPT-6 Astra и GPT-6.1 Sol оба решают 58,2% Terminal-Bench 4.0 в Codex, при цене около $9,90 и $1,92 за задачу соответственно.

Заметили:
Включили: ChatGPT, Meta, Grok. Не включили: Gemini, Nova, DeepSeek, Wenxin, MiMo.
Источник ↗

В FrontierSWE v2 преимущество Astra над Opus 5.5 в 3,2 пункта стоит примерно в десять раз дороже за попытку: $1 029,65 против $98,87.

Заметили:
Включили: Grok, Nova, DeepSeek, MiMo. Не включили: ChatGPT, Meta, Gemini, Wenxin.
Источник ↗

Показатели ошибок кьюбика менялись между публикациями (Opus 5.5 с 1,49 до 1,14, GPT-6.1 Sol с 1,22 до 0,76). Окна измерения поменялись, и это не доказательство, что модели улучшились. Третье значение (GPT-6 Luna 0,47) есть только в одном ответе и не подтверждено.

Заметили:
Включили: ChatGPT, Grok, DeepSeek. Не включили: Meta, Gemini, Nova, Wenxin, MiMo.
Источник ↗

04Что спрашивают люди

какая лучшая модель для кода в 2026 году

Всё зависит от места в команде. У GPT-6.1 Sol самый низкий подсчитанный показатель ошибок, 0,76. Claude Opus 5.5 лидирует в Terminal-Bench 4.0 с 64,8%, а GPT-6 Astra лидирует в FrontierSWE v2 с 65,5%.

Источник ↗
gpt против claude для кода

GPT-6 Astra обгоняет Opus 5.5 в задачах на 20 часов: 65,5% против 62,3%. Opus 5.5 обгоняет Astra в терминальных задачах в их собственных обвязках: 64,8% против 58,2%.

Источник ↗
gpt 5 против claude для кода

GPT-5.6 Sol имел показатель ошибок 0,62 внутри Codex в октябре, но набирает 32,2% в FrontierSWE v2 против 62,3% у Opus 5.5 в той же обвязке.

Источник ↗
почему показатели ошибок моделей для кода различаются у разных источников

Статья кьюбика от 16 октября измеряла короткие окна внутри каждого агента, а его таблица от 4 ноября объединяет периоды с 13 июля по 1 ноября. Поэтому у Opus 5.5 в одном случае 1,49, в другом 1,14.

Источник ↗

05Как считали

Простыми словами, без формул.

1Вопрос

Топ-10 моделей, которые стоит поставить в одну команду агентов для кода

2Почему эта тема

Читатель получает выбор модели под каждое место, которого не даёт ни одна таблица, и получает ответ на вопрос, который люди ищут весь год.

3Где это применимо

глобально: люди, которые выбирают модель внутри Claude Code, Codex, Cursor или похожего агента

4На что смотрели

  • Подсчитанные ошибки на строку в коде, который реальные команды выпустили через этого агента
  • Доля решённых терминальных задач в собственной обвязке вендора
  • Балл в задачах на целый день, когда обвязка одна и та же для всех моделей
  • Цена выхода по прайсу, сопоставленная с показателем ошибок
  • cubic Bug Bench — Подсчитанные ошибки на строку ИИ относительно среднего (1,00; меньше — чище). Рейтинг от 4 ноября охватывает период с 13 июля по 1 ноября. В статье от 16 октября использовались более короткие окна для каждого агента. О
  • Terminal-Bench 4.0 (tbench.ai) — Доля решённых из 66 терминальных задач с указанием собственной обвязки вендора.
  • Proximal FrontierSWE v2 — Средний балл@5 по 34 задачам длиной до 20 часов, со всеми моделями в одной общей обвязке Proximal.
  • Цена кьюбика против показателя ошибок — Цена выхода провайдера за миллион токенов, рядом с относительным показателем ошибок.

5Кто ставил места

Ведущие ИИ: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo. 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

🇺🇸 ChatGPT10 мест · заметок: 3

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

  1. 1
    GPT-6.1 Sol (2026)

    Относительный уровень багов 0,76 и такой же результат в терминале, 58,2%, как у Astra, при цене выходных токенов в пять раз ниже.

    Источник ↗
  2. 2
    Claude Opus 5.5 (2026)

    Лидер терминальных задач с 64,8%, но его сводный уровень багов 1,14 хуже среднего в коде, который проверил кьюбик.

    Источник ↗
  3. 3
    GPT-6 Astra (2026)

    Чемпион по 20-часовым инженерным задачам с 65,5%, но цена 50 $ за миллион выходных токенов делает его моделью для эскалации, а не моим повседневным выбором по умолчанию.

    Источник ↗
  4. 4
    Claude Sonnet 5.5 (2026)

    Результат 61,8% в терминальных задачах отстаёт от Opus 5.5 менее чем на три пункта, поэтому это серьёзное место для реализации.

    Источник ↗
  5. 5
    Claude Fable 5.1 (2026)

    Его сводный уровень багов 0,93 лучше, чем у Opus 5.5 (1,14), хотя Opus пользуются гораздо чаще.

    Источник ↗
  6. 6
    Gemini 4 Carbon (2026)

    61,2% во FrontierSWE v2 — всего на 1,1 пункта ниже Opus 5.5 в той же среде.

  7. 7
    GPT-5.6 Sol (2026)

    Его прежний уровень багов в Codex, 0,62, был отличным, но результат 32,2% на длинных задачах говорит против того, чтобы отдавать ему самое сложное место.

    Источник ↗
  8. 8
    Claude Opus 5 (2026)

    Сводный уровень багов 1,21 ставит его позади более нового Opus 5.5, и явного статистического улучшения по всему семейству не установлено.

    Источник ↗
  9. 9
    Claude Opus 4.8 (2026)

    Его доля упала с 29,4% в июле до 0,5% в конце октября, что хорошо показывает, как быстро меняется выбор моделей для программирования.

    Источник ↗
  10. 10
    Grok 4.7 (2026)

    Относительный уровень багов 1,79 делает её самым слабым местом для реализации по умолчанию среди восьми моделей, которые сейчас ранжирует кьюбик.

    Источник ↗

Что заметил ChatGPT

Самая используемая модель не самая чистая в проверенном коде: Opus 5.5 написал 64,4% строк, помеченных кьюбиком как написанные ИИ, за последнюю полную неделю, но у GPT-6.1 Sol самый низкий относительный уровень багов: 0,76 против 1,14.

Источник ↗

Astra и Sol оба набрали 58,2% в Terminal-Bench 4.0 с Codex, но их расчётная стоимость задач через API — 9,90 $ и 1,92 $ соответственно. Одинаковые округлённые показатели решения задач не означают одинаковой работы на каждой задаче.

Источник ↗

Цена выходных токенов — это не стоимость задачи. Модель, которая тратит меньше токенов или быстрее заканчивает работу, может стоить меньше за решённую задачу, даже если её цена за миллион выходных токенов выше.

Источник ↗
🇺🇸 Meta10 мест · заметок: 4

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

  1. 1
    GPT-5.6 Sol 2026

    0,62 в Codex, 0,65 в целом — единственная модель ниже среднего, на 35% меньше багов, но 0,7% проверенного кода за неделю 5 октября

    Источник ↗
  2. 2
    Claude Fable 5.1 2026

    1,09 внутри Claude Code — самая чистая там, 56,3% во FrontierSWE, наравне с Sonnet 5.5, но стоит в 5 раз дороже

    Источник ↗
  3. 3
    GPT-6 Astra 2026

    Лидер FrontierSWE v2 с 65,5% и 58,2% в Terminal-Bench, но уровень багов 1,13 выше среднего — тот, кто выдерживает 20-часовые задачи

  4. 4
    Claude Opus 5.5 2026

    Первая в Terminal-Bench с 64,8%, второе место во FrontierSWE с 62,3%, но уровень багов 1,49 — худший внутри Claude Code: сильна в терминале, грязновата в повседневной работе

    Источник ↗
  5. 5
    Claude Sonnet 5.5 2026

    61,8% в Terminal-Bench, 61,9% во FrontierSWE, уровень багов 1,24 — наравне с Fable внутри Claude Code при цене в пять раз ниже

    Источник ↗
  6. 6
    GPT-6.1 Sol 2026

    58,2% в Terminal-Bench, наравне с Astra, но за 1,92 $ против 14,30 $; уровень багов 1,22 внутри Codex; OpenAI рекомендует для сложного программирования

    Источник ↗
  7. 7
    Gemini 4 Carbon 2026

    61,2% во FrontierSWE v2, четвёртое место, без уровня багов в Bug Bench — лучший результат на длинных задачах среди моделей не от OpenAI и Anthropic

  8. 8
    Claude Opus 5 2026

    52,0% во FrontierSWE, уровень багов 1,33, 51,8% в старом Terminal-Bench — вытеснен Opus 5.5, который дешевле на 20%

    Источник ↗
  9. 9
    Gemini 4 Argon 2026

    55,0% во FrontierSWE, без Bug Bench, лидер по широте по сравнительной таблице Google, октябрь 2026

  10. 10
    Claude Haiku 5.5 2026

    43,8% во FrontierSWE, не ранжирована в Bug Bench за окно 5 октября, 0,50 $ за выходные токены — самый дешёвый Claude для обычной работы

    Источник ↗

Что заметил Meta

Выбор производителя по умолчанию не самый чистый: Claude Code по умолчанию использует Opus 5.5 с уровнем багов 1,49, худшим среди агентов, тогда как Fable 5.1 с 1,09 — самая чистая внутри Claude Code; Codex рекомендует 6.1 Sol с 1,22, а самая чистая — 5.6 Sol с 0,62

Источник ↗

Чистый повседневный код, терминал и 20-часовые задачи — это три разных места: GPT-5.6 Sol выигрывает по багам (0,62), Opus 5.5 — по терминалу (64,8%), Astra — по 20-часовым задачам (65,5%). Ни одна модель не выигрывает во всех трёх

Источник ↗

Цена за чистую строку меняет порядок: Sol со стоимостью выходных токенов 10 $ и уровнем 0,65 против Astra с 50 $ и 1,13. Astra стоит в 5 раз дороже, но даёт на 13% больше багов, чем в среднем

Источник ↗

GPT-5.6 Sol написал 35% кода ИИ за неделю 17 августа, но 0,7% за неделю 5 октября. Самая чистая модель теперь самая редкая в проверенных данных

Источник ↗
🇺🇸 Grok10 мест · заметок: 4

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

  1. 1
    GPT-6.1 Sol

    Меньше всего подсчитанных багов среди всех ранжированных моделей — 0,76, и тот же результат в терминале, 58,2%, что у Astra, при стоимости прогона в Codex около 634 $ вместо 3,3 тыс. $.

    Источник ↗
  2. 2
    Claude Sonnet 5.5

    При 10 $ за миллион выходных токенов она рядом с лидером терминала, 61,8% в Claude Code, и рядом с лидером по задачам на целый день, 61,9% в общей среде.

    Источник ↗
  3. 3
    Claude Opus 5.5

    Она написала 64,4% кода ИИ, который проверил кьюбик за неделю 26 октября, и она не самая чистая модель в Claude Code: сейчас 1,13, а в октябрьском разборе было 1,49.

    Источник ↗
  4. 4
    GPT-6 Astra

    Она лидирует в таблице 20-часовых задач с 65,5%, примерно при 1 030 $ за прогон, а в задачах терминала не обходит модель Sol, у которой выходные токены стоят 10 $.

    Источник ↗
  5. 5
    Claude Fable 5.1

    Самая чистая модель внутри Claude Code, 0,93, тогда как по умолчанию люди на самом деле используют Opus 5.5.

    Источник ↗
  6. 6
    Gemini 4 Carbon

    Четвёртое место в общей таблице 20-часовых задач с 61,2%, и у кьюбика для неё нет подсчитанного уровня багов.

  7. 7
    GLM-5.3

    Место для открытых весов: 41,8% задач терминала внутри Claude Code и 30,2% в таблице 20-часовых задач.

    Источник ↗
  8. 8
    Claude Opus 5

    Внутри Cursor это самая малобаговая из ранжированных моделей, 1,22, но и это на 22% больше подсчитанных багов, чем в среднем.

    Источник ↗
  9. 9
    GPT-5.6 Sol

    Внутри Codex она была самой чистой моделью с 0,62, а на задачах на целый день набирает 32,2%, примерно половину результата Astra.

    Источник ↗
  10. 10
    Grok 4.7

    Самый дешёвый выходной токен из ранжированных, 6 $ за миллион, но у неё самый высокий ранжированный уровень багов, 1,79.

    Источник ↗

Что заметил Grok

По умолчанию в Claude Code на платных тарифах стоит Opus 5.5. Внутри этого агента самый низкий уровень багов за окно 4 ноября у Fable 5.1 — 0,93, наравне с Sonnet 5.5 (1,00), тогда как у Opus 5.5 — 1,13.

Источник ↗

GPT-6 Astra и GPT-6.1 Sol решают одинаковые 58,2% задач Terminal-Bench 4.0 внутри Codex. Прогон Astra стоит около 3,3 тыс. $, а прогон Sol — около 634 $.

Источник ↗

Во FrontierSWE v2 Astra с 65,5% стоит примерно в 10 раз дороже за прогон, чем Opus 5.5 с 62,3%: около 1 029,65 $ против 98,87 $.

Источник ↗

GPT-5.6 Sol лидировал в Codex по подсчитанным багам с результатом 0,62 в октябрьской статье кьюбика, а затем упал ниже 0,5% строк, помеченных как написанные ИИ, и выпал из рейтинга на 4 ноября. Её результат на задачах на целый день — 32,2%.

Источник ↗
🇺🇸 Gemini10 мест

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

  1. 1
    GPT-6 Astra

    Доминирует в марафонских 20-часовых задачах с 65,5% во FrontierSWE v2, сохраняя при этом 58,2% в командной строке внутри Codex.

  2. 2
    Claude Opus 5.5

    Действующий лидер командной строки с 64,8% в Terminal-Bench 4.0 и 62,3% во FrontierSWE v2, но с относительным уровнем дефектов 1,49.

  3. 3
    GPT-5.6 Sol

    Самый чистый из зафиксированных продуктивных кодеров: исключительно низкий относительный уровень багов 0,62 делает её самой надёжной рабочей лошадкой для повседневной работы, несмотря на скромные 32,2% на 20-часовых задачах.

  4. 4
    Claude Sonnet 5.5

    Даёт 61,8% в Terminal-Bench 4.0 при небольшой доле цены выходных токенов Opus, это стандартная повседневная рабочая лошадка для агентных циклов в командной строке.

  5. 5
    Claude Fable 5.1

    Сочетает устойчивые 57,9% выполнения в Terminal-Bench 4.0 с относительным уровнем багов 1,09 — заметно чище по проверке, чем Opus 5.5.

  6. 6
    GPT-6.1 Sol

    Повторяет 58,2% в командной строке у Astra внутри Codex, при более глубоком итеративном рассуждении, и имеет относительный уровень багов 1,22.

  7. 7
    Grok 4.7

    Набирает 37,6% в Terminal-Bench 4.0 внутри Grok Build, даёт высокую пропускную способность токенов для диагностики систем и автоматизации инфраструктуры.

  8. 8
    Gemini 2.5 Pro

    Использует нативное контекстное окно на 2 миллиона токенов, чтобы загрузить целые многорепозиторные кодовые базы в один запрос для сложных миграций с перекрёстными зависимостями.

    Источник ↗
  9. 9
    DeepSeek V3.5 Coder

    Самая дешёвая модель с открытыми весами, которая заметно ниже коммерческих цен за токены для частой генерации юнит-тестов и автоматической проверки пул-реквестов в больших объёмах.

  10. 10
    Qwen 2.5 Coder 32B

    Лучшая модель для самостоятельного развёртывания в корпоративных кодовых базах на собственной инфраструктуре, где отсутствие утечек данных в облако и соответствие требованиям закрытого контура обязательны.

    Источник ↗
🇨🇳 DeepSeek10 мест · заметок: 3

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

  1. 1
    GPT-6.1 Sol

    Относительный уровень багов 0,98 и 58,2% в Terminal-Bench при 10 $ за выходные токены — лучшее универсальное место: чуть хуже Astra на долгих задачах, но в пять раз дешевле.

    Источник ↗
  2. 2
    Claude Sonnet 5.5

    Уровень багов 1,06 и 61,8% в Terminal-Bench при 10 $ за выходные токены: самый дешёвый способ получить лучший результат Claude Code в терминале.

    Источник ↗
  3. 3
    GPT-6 Astra

    65,5% во FrontierSWE и 58,2% в Terminal-Bench: лучшая модель на задачах на целый день в таблице, но 50 $ за выходные токены и уровень багов 1,09.

    Источник ↗
  4. 4
    GPT-6 Luna

    Уровень багов 0,47 — на 53% меньше подсчитанных багов, чем в среднем — за 0,50 $ за выходные токены, но в Terminal-Bench всего 16,4%, поэтому это чистое повседневное место, а не тот, кто закрывает сложные задачи.

    Источник ↗
  5. 5
    Claude Opus 5.5

    64,8% в Terminal-Bench и 62,3% во FrontierSWE: самая сильная связка для Claude Code на сложной работе, но её уровень багов 1,39 — худший в Bug Bench.

    Источник ↗
  6. 6
    Kimi K3.1 Pro

    67,2% в Terminal-Bench (Artificial Analysis) при 10 $ за выходные токены: чистый чемпион терминала, но 25,9% во FrontierSWE и отсутствие места в Bug Bench делают её узкой специализацией.

  7. 7
    Claude Fable 5.1

    Уровень багов 1,07, 57,9% в Terminal-Bench и 56,3% во FrontierSWE — сбалансированно, но при 50 $ за выходные токены она стоит столько же, сколько Astra, без преимущества Astra на долгих задачах.

    Источник ↗
  8. 8
    Gemini 4 Argon

    55,0% во FrontierSWE и 57,6% в Terminal-Bench при вводной цене 10 $ за выходные токены — достойное третье место, хотя плотность багов вызвала независимую критику.

    Источник ↗
  9. 9
    GPT-5.6 Sol

    Уровень багов 0,62 внутри Codex — на 38% меньше подсчитанных багов, чем в среднем, — но 37,3% в Terminal-Bench и 32,2% во FrontierSWE: самое чистое место для небольших задач, но не для долгих.

    Источник ↗
  10. 10
    Claude Opus 5

    Уровень багов 1,30, 53,9% в Terminal-Bench, 52,0% во FrontierSWE и 25 $ за выходные токены — средний вариант, который уже не самый чистый и не самый сильный.

    Источник ↗

Что заметил DeepSeek

Самая дешёвая модель побеждает в Bug Bench: GPT-6 Luna при 0,50 $ за выходные токены имеет самый низкий относительный уровень багов (0,47) — на 53% ниже среднего, тогда как Fable 5.1 за 50 $ и Astra — 1,07 и 1,09.

Источник ↗

Opus 5.5 — самое противоречивое место: лучший результат Claude Code в Terminal-Bench (64,8%) и второе место во FrontierSWE (62,3%), но худший уровень багов в Bug Bench (1,39).

Источник ↗

Цена за прогон меняет список FrontierSWE: GPT-6 Astra лидирует с 65,5%, но стоит 1 029,65 $ за прогон; Opus 5.5 стоит 98,87 $, то есть на 90% дешевле, при отставании на 3,2 пункта.

Источник ↗
🇨🇳 Wenxin10 мест · заметок: 2

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

  1. 1
    GPT-5.6 Sol (OpenAI, внутри Codex) 2026

    Самый низкий наблюдаемый уровень багов (0,62) по цене Codex — чистый код за цену латте на 1 млн токенов.

    Источник ↗
  2. 2
    GPT-6 Astra (OpenAI, внутри Codex) 2026

    Чемпион FrontierSWE с 65,5% и 58,2% в терминале, но 1,13 бага на строку делает его дороже в пересчёте на чистую строку.

  3. 3
    Claude Opus 5.5 (Anthropic, внутри Claude Code) 2026

    64,8% в терминале, 62,3% на 20-часовых задачах, но 1,49 бага на строку ставит её позади по чистоте.

    Источник ↗
  4. 4
    Claude Sonnet 5.5 (Anthropic, внутри Claude Code) 2026

    61,8% в терминале при, похоже, вдвое меньшей цене, чем у Opus, — выбор рабочей лошадки.

    Источник ↗
  5. 5
    Claude Fable 5.1 (Anthropic, внутри Claude Code) 2026

    57,9% в терминале, 1,09 бага на строку — средний уровень чистоты, средняя цена, золотая середина для ежедневного программирования.

    Источник ↗
  6. 6
    GPT-6.1 Sol (OpenAI, внутри Codex) 2026

    58,2% в терминале и 1,22 бага на строку — быстрее Astra, немного чище, та же ценовая категория.

  7. 7
    Grok 4.7 (xAI, внутри Grok Build) 2026

    37,6% в терминале — передовая модель для терминала не является передовой моделью для длинных задач.

    Источник ↗
  8. 8
    DeepSeek-V3 (DeepSeek, через API) 2026

    Открытые веса, дешевле 2 за 1 млн токенов; уровня багов нет в главной таблице кьюбика, но по данным сообщества ~1,3.

  9. 9
    Qwen 3 (Алибаба, через API) 2026

    Открытые веса, сильна в терминальных тестах на китайском языке; данных кьюбика по английскому мало.

  10. 10
    Gemini 2.5 Pro (Google, через Vertex/AI Studio) 2026

    Флагман Google 2026 года; данных кьюбика и терминальных тестов пока нет в главных таблицах, но сильна на длинном контексте.

    Источник ↗

Что заметил Wenxin

Claude Fable 5.1 стоит примерно одну пятнадцатую Claude Opus 5.5 за токен, но даёт 57,9% в терминале и всего 1,09 бага на строку — чемпион по соотношению цены и результата для ежедневного программирования с агентами.

Источник ↗

GPT-6 Astra лидирует во FrontierSWE (65,5%), но её уровень багов 1,13 означает, что команда, выпускающая 100 тыс. строк в месяц, платит ~1,4 млн в токенах за тот же чистый результат, который Fable даёт за ~0,07 млн.

Источник ↗
🇨🇳 MiMo10 мест · заметок: 4

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

  1. 1
    Claude Opus 5.5 (Anthropic, 2026)

    Побеждает в таблице терминала в своей среде с 64,8% и выдерживает 20-часовые задачи с 62,3% — примерно за 99 $ за прогон, тогда как победитель этой таблицы платит 1 030 $.

    Источник ↗
  2. 2
    GPT-6 Astra (OpenAI, 2026)

    Единственная модель, которая заняла первое место на 20-часовых задачах, — при 1 029,65 $ за прогон и 1,13 подсчитанных бага на строку в Codex.

    Источник ↗
  3. 3
    GPT-5.6 Sol (OpenAI, 2026)

    Самый чистый код в таблице — 0,62 бага на строку внутри Codex — и самый слабый результат на длинных задачах среди топовых моделей: 32,2%.

    Источник ↗
  4. 4
    Claude Sonnet 5.5 (Anthropic, 2026)

    Примерно в двух пунктах от Opus 5.5 в программистских сессиях при более низком классе — выгодный выбор из пары Anthropic.

    Источник ↗
  5. 5
    GPT-6.1 Sol (OpenAI, 2026)

    Тот же результат в терминале, что у флагманов (58,2%), при 10 $ за миллион выходных токенов — в пять раз дешевле Astra, но 1,22 бага на строку.

    Источник ↗
  6. 6
    Claude Fable 5.1 (Anthropic, 2026)

    Специалист для повседневной работы: 57,9% в терминальных задачах и самый чистый код, измеренный внутри Claude Code, — 1,09.

    Источник ↗
  7. 7
    GPT-6.1 Terra (OpenAI, 2026)

    OpenAI говорит, что она не уступает Astra и стоит в десять раз дешевле по цене токенов, а расходует токены в три раза эффективнее, чем Opus 5.5.

    Источник ↗
  8. 8
    Gemini 4 Argon (Google, 2026)

    Полный прогон FrontierSWE стоит 129,36 $ — примерно одну восьмую от Astra, поэтому это бюджетный вариант для задач на целый день.

    Источник ↗
  9. 9
    Claude Opus 5 (Anthropic, 2025)

    Предыдущее поколение всё ещё проходит половину 20-часовых задач (52,0%), там где более новые и дешёвые модели застревают на 32%.

    Источник ↗
  10. 10
    Grok 4.7 (xAI, 2026)

    Третье место, которое стоит иметь в смешанной команде: 37,6% задач терминала в собственной среде — честный результат, но на полный класс ниже лидеров.

    Источник ↗

Что заметил MiMo

Самая чистая модель и самая сильная модель — не одно и то же: внутри Codex GPT-5.6 Sol даёт 0,62 бага на строку, против 1,13 у GPT-6 Astra, но только Astra выигрывает на 20-часовых задачах.

Источник ↗

Победа во FrontierSWE v2 стоит GPT-6 Astra 1 029,65 $ за прогон; Claude Opus 5.5 достигает 62,3% за 98,87 $ — разрыв в 3,2 пункта при разнице в деньгах в десять раз.

Источник ↗

Внутри Claude Code собственный флагман производителя пишет грязнее: Opus 5.5 — 1,49 бага на строку, против 1,09 у Fable 5.1.

Источник ↗

Самый большой скачок в рейтинге за год связан с поколением, а не с производителем: Opus 4.8 решал 23,6% задач в терминале, Opus 5.5 решает 64,8%.

Источник ↗