Назад к тренду дня: Инвесторы оценили создателя ИИ-помощников в 3 миллиарда долларов
Рейтинг Poly · из тренда дня

Лучший ИИ-агент 2026: топ-10 ИИ-агентов

Список ставит агентов для кода, которых люди запускают. Он не оценивает раунд LangChain на $3 млрд. В сведённом порядке первый — Claude Code, третий — Google Antigravity CLI.

  • №1: Claude Code
  • 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.

Голоса людей в слепых парных сравнениях задач агентов

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

  1. 1

    Claude Code

    Сильные результаты в разных списках: Opus 5.5 получил 61,7 в Coding Index v2.0; Fable 5.2 лидирует в Arena, но это разные модели и версии таблиц.

    Включили: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. Не включили: ChatGPT, Nemotron, Nova, Wenxin.

    В их списках: Meta: 1 · Gemini: 1 · Claude: 1 · MiMo: 1 · StepFun: 9 · Kimi: 4 · DeepSeek: 3 · Qwen: 1

    Что отметил каждый ИИ 8
    • Metaместо 1

      Первое место и по вкусу, и по доказательствам, но счёт — подвох: $15,47 за задачу при лучшей настройке Artificial Analysis.

      Источник ↗
    • Geminiместо 1

      Лидирует по предпочтениям разработчиков, которые работают в терминале, и при этом даёт самую высокую проверенную точность исправления багов на SWE-bench Verified при средней стоимости менее $2,50 за задачу.

      Источник ↗
    • Claudeместо 1

      Лидирует в индексе Artificial Analysis с 61,7, но при $11,42 за задачу стоит примерно в 29 раз дороже самой дешёвой передовой точки ради 14,4 балла сверх неё.

      Источник ↗
    • MiMoместо 1

      Единственный агент, который лидирует в обеих таблицах, которые читают люди — 30,5% в слепом голосовании и 58–62 в проверенном коде, — и единственный, чья самая тяжёлая настройка стоит $44,22 за задачу и набирает на два балла меньше собственной дешёвой.

      Источник ↗
    • StepFunместо 9

      $2,26 за задачу на вершине 30-кратного разброса цен — открытые веса, оценённые как передовые, которые ревьюеры кода с трудом отличают.

      Источник ↗
    • Kimiместо 4

      Сравнялся с лидером Terminal-Bench с 65,8%, но сжигает 15,7 млрд токенов — почти вдвое больше, чем 8,0 млрд у Opus 5.5, — чтобы получить то же число: доказательство без бережливости.

      Источник ↗
    • DeepSeekместо 3

      Opus 5.5 — бывший первый номер Arena и эталон индекса кода с 61,7; при $11,42 за задачу он ни самый дешёвый, ни самый дорогой среди передовых.

      Источник ↗
    • Qwenместо 1

      Лидирует в индексе Artificial Analysis Coding Agent с 61,7 и держится в верхних строках Agent Arena без налога премиум-класса, как у Fable.

      Источник ↗
    8 ИИ поставили сюда
  2. 2

    OpenAI Codex

    Самый наглядный пример по цене: GPT-6.1 Sol набрал 52,2 в v2.1 при $1,51 за задачу; GPT-6 Astra в Arena — отдельная конфигурация.

    Включили: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. Не включили: ChatGPT, Nemotron, Nova, Wenxin.

    В их списках: Meta: 4 · Gemini: 10 · Claude: 5 · MiMo: 2 · StepFun: 3 · Kimi: 7 · DeepSeek: 6 · Qwen: 9

    Что отметил каждый ИИ 8
    • Metaместо 4

      Самый дешёвый способ остаться рядом с передовыми моделями — $1,51 за задачу, а не $15.

      Источник ↗
    • Geminiместо 10

      Передовой мультимодальный агент для работы с компьютером, который связывает задачи в программах и действия в браузере и задаёт новые эталоны на WebArena.

      Источник ↗
    • Claudeместо 5

      Набирает 54,1 за $1,50 за задачу. Это в пределах 0,6 балла от Astra при примерно пятой части стоимости.

      Источник ↗
    • MiMoместо 2

      Набирает 52 при $1,51 за задачу. Тот же диапазон баллов в Claude Code стоит в восемь раз дороже: Codex выигрывает своё место благодаря деньгам, а не вкусу.

      Источник ↗
    • StepFunместо 3

      58,2% в Terminal-Bench 4.0 при $1,92 за задачу — половина счёта Claude Code и половина его времени работы, при 6,6 пункта меньше.

      Источник ↗
    • Kimiместо 7

      Чемпион ценности среди передовых: 93% балла Astra в Terminal-Bench за 19% цены за задачу — $1,92 против $9,90.

      Источник ↗
    • DeepSeekместо 6

      Codex на GPT-6.1 Sol уступает лидерам шесть пунктов индекса, но стоит $1,50 — в 7,6 раза дешевле Claude Code на максимальных усилиях.

      Источник ↗
    • Qwenместо 9

      В июле набрал 80 баллов в индексе Coding Agent, опередив обвязку OpenAI до разделения SWE-bench Verified.

      Источник ↗
    8 ИИ поставили сюда
  3. 3

    Google Antigravity CLI

    Gemini 4 Carbon набрал 55,5 в Coding Index v2.1 и занял второе место в Arena; его стоимость в Arena — $1,36 за задачу, это не стоимость по индексу программирования.

    Включили: Meta, MiMo, StepFun, Kimi, DeepSeek. Не включили: ChatGPT, Nemotron, Gemini, Claude, Nova, Wenxin, Qwen.

    В их списках: Meta: 5 · MiMo: 3 · StepFun: 4 · Kimi: 6 · DeepSeek: 2

    Что отметил каждый ИИ 5
    • Metaместо 5

      Ему два дня на 12 ноября, а уже лучший выбор по соотношению цены и качества: успех почти как у Carbon при 24% меньшей квоте, по собственному тесту Google.

      Источник ↗
    • MiMoместо 3

      Первый в тестах, которые копируют настоящую работу — 84,2% в задачах банкинга, консалтинга и права и $16 484 за год, которые приносит бизнес с торговыми автоматами, — при этом лишь третий в голосовании людей.

      Источник ↗
    • StepFunместо 4

      Третье место по голосам людей и 63,6% в Terminal-Bench 4.0 как модель — но её CLI-обвязка стоит почти внизу композитного индекса AA с 43.

      Источник ↗
    • Kimiместо 6

      Выигрывает индекс интеллекта (60) и занимает серебро в слепом голосовании людей (16,72%), но его единственная цифра в Terminal-Bench — самоотчёт, который доска отказывается ранжировать.

      Источник ↗
    • DeepSeekместо 2

      Carbon выигрывает CursorBench с 60,4% за $9,22, тогда как лучшая модель Arena набирает 60,0% на тех же многофайловых задачах за $32,79.

      Источник ↗
    5 ИИ поставили сюда
  4. 4

    Devin Fusion CLI

    Сильный результат в индексе программирования при меньшей заявленной стоимости, чем у Claude Code, но балл меняется между версиями индекса: 61,5 в v2.0 и 58,4 в v2.1.

    Включили: Meta, Claude, MiMo, Kimi, DeepSeek. Не включили: ChatGPT, Nemotron, Gemini, Nova, StepFun, Wenxin, Qwen.

    В их списках: Meta: 2 · Claude: 9 · MiMo: 4 · Kimi: 2 · DeepSeek: 5

    Что отметил каждый ИИ 5
    • Metaместо 2

      Сильная модель плюс дешёвый помощник догоняет лидера — $8,75 за задачу в v2.1, а не $15,47.

      Источник ↗
    • Claudeместо 9

      Собственный бенчмарк Cognition FrontierCode теперь входит в индекс, и Devin в нём набирает 61,5.

      Источник ↗
    • MiMoместо 4

      Сравнялся с лучшим результатом Claude Code в коде — 62 при $8,00 за задачу, благодаря слиянию двух моделей; его SWE-2 набирает 92,8% в Terminal-Bench 2.1 — лучшая строка моделей на этой таблице.

      Источник ↗
    • Kimiместо 2

      Самый высокий балл индекса, когда-либо опубликованный на доске AA — 68, на два пункта выше Claude Code, — за счёт связки сильной ведущей модели с дешёвым помощником GPT-6 Luna при стоимости за задачу на 31% ниже.

      Источник ↗
    • DeepSeekместо 5

      Devin Fusion набирает 61,5 при $8,00, всего на 0,2 балла позади Claude Code с Opus 5.5, и тратит 10,46 млн токенов вместо 14,52 млн.

    5 ИИ поставили сюда
  5. 5

    GitHub Copilot Fusion

    Индекс даёт 59,9 при $5,59 за задачу, но этот результат из v2.0; напрямую его не сравнивайте с баллами v2.1.

    Включили: Meta, Claude, MiMo, DeepSeek, Qwen. Не включили: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.

    В их списках: Meta: 3 · Claude: 8 · MiMo: 7 · DeepSeek: 4 · Qwen: 5

    Что отметил каждый ИИ 5
    • Metaместо 3

      Это не модель, а движок оркестрации: на 2 балла отстаёт от Claude Code при примерно половине цены за задачу.

      Источник ↗
    • Claudeместо 8

      Второй источник ставит агента GitHub на 59,9. Это выше Muse Code от Meta, но я не смог подтвердить эту цифру.

      Источник ↗
    • MiMoместо 7

      59,9 в индексе кода при $5,59 за задачу — в пределах двух баллов от флагманской линии Codex, у агента, которого большинство индексных таблиц просто не включают.

      Источник ↗
    • DeepSeekместо 4

      Fusion набирает 59,9 за $5,59 и лидирует в Terminal-Bench с 71,2 — на два балла позади Claude Code при половине цены.

      Источник ↗
    • Qwenместо 5

      Оркестрирует модели OpenAI и Anthropic, набирая на 2 балла меньше Opus 5.5 при половине стоимости за задачу.

      Источник ↗
    5 ИИ поставили сюда
  6. 6

    Fable 5.2 agent

    Fable 5.2 лидирует по показателю Arena с чистым улучшением 30,48%, но эта таблица — лишь один из источников; её результат не является проверенной победой сразу во всех тестах.

    Включили: Meta, Claude, MiMo, StepFun, DeepSeek. Не включили: ChatGPT, Nemotron, Gemini, Nova, Kimi, Wenxin, Qwen.

    В их списках: Meta: 8 · Claude: 3 · MiMo: см. список · StepFun: 2 · DeepSeek: 1

    Что отметил каждый ИИ 5
    • Metaместо 8

      Единственный здесь универсальный агент, который отдаёт готовые файлы, а не только код; его заявление по GAIA никто независимо не перепроверял.

      Источник ↗
    • Claudeместо 3

      Живые голосующие ставят Fable 5.1 Max на первое место в Agent Arena, но в индексе Artificial Analysis он четвёртый с 57,6.

      Источник ↗
    • MiMo

      В его списке названо иначе: откройте весь список.

      см. список
    • StepFunместо 2

      Выигрывает 30,5% слепых голосов людей — почти вдвое больше ближайшего соперника, но пользователи подтверждают успех лишь в 21,7% случаев.

      Источник ↗
    • DeepSeekместо 1

      Fable 5.2 лидирует в Arena с 30,35% и делит первое место в индексе кода с 58, но его прогон xhigh стоит $15,47 — в десять раз больше $1,50 у Codex.

      Источник ↗
    5 ИИ поставили сюда
  7. 7

    Kimi Code CLI

    Kimi K3.1 Pro набрал 48,6 в Coding Index v2.1 за $2,94 за задачу; его чистое улучшение в Arena — 4,83%.

    Включили: Meta, MiMo, Kimi, DeepSeek, Qwen. Не включили: ChatGPT, Nemotron, Gemini, Claude, Nova, StepFun, Wenxin.

    В их списках: Meta: 10 · MiMo: 6 · Kimi: 9 · DeepSeek: 9 · Qwen: см. список

    Что отметил каждый ИИ 5
    • Metaместо 10

      Флагман с открытыми весами за $2,94 за задачу — и открытая линейка, предшественник которой лидировал среди открытых в GAIA2.

      Источник ↗
    • MiMoместо 6

      Обгоняет Codex в терминальных задачах: 67 против 58 при $2,94 за задачу — но тратит 185 ходов и 8,9 млн токенов, и это самая медленная сильная линия в таблице.

      Источник ↗
    • Kimiместо 9

      Выброс среди открытых весов: в пределах 6 пунктов от лидера Terminal-Bench при $3/$15 за миллион токенов, но на 13 пунктов ниже Opus в индексе интеллекта.

      Источник ↗
    • DeepSeekместо 9

      Kimi лидирует в Terminal-Bench 4.1 с 68% и стоит около $5,27 за задачу, но голосующие в Arena ставят её одиннадцатой с 5,2%.

      Источник ↗
    • Qwen

      В его списке названо иначе: откройте весь список.

      см. список
    5 ИИ поставили сюда
  8. 8

    Muse Code

    Muse Wonder Full набрал 54,5 в Coding Index v2.1, но в источнике не указана стоимость; его результат в Arena — 8,89% чистого улучшения.

    Включили: Meta, Claude, MiMo, DeepSeek, Qwen. Не включили: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.

    В их списках: Meta: 6 · Claude: 6 · MiMo: 5 · DeepSeek: 7 · Qwen: см. список

    Что отметил каждый ИИ 5
    • Metaместо 6

      Лучшая модель Мета заперта внутри её собственного инструмента для программирования — и всё равно попадает в топ-10 в обоих рейтингах.

      Источник ↗
    • Claudeместо 6

      Эта запись Мета занимает третье место в индексе с результатом 58,9, опережая Fable 5.1.

      Источник ↗
    • MiMoместо 5

      Совпадает со вторым лучшим проверенным результатом в коде — 59, и с тем, чего Artificial Analysis до сих пор не может указать: с ценой.

      Источник ↗
    • DeepSeekместо 7

      Sonnet 5.5 четвёртый в Arena с 15,95%, но его $13,30 за задачу по коду дороже $5,59 у Copilot Fusion при похожем балле.

      Источник ↗
    • Qwen

      В его списке названо иначе: откройте весь список.

      см. список
    5 ИИ поставили сюда
  9. 9

    DeepSeek Harness

    Низкая заявленная стоимость $0,32 за задачу идёт с баллом 37 в индексе; 90,6% в Terminal-Bench относится к результату другой модели в таблице моделей.

    Включили: MiMo, Kimi. Не включили: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, StepFun, DeepSeek, Wenxin, Qwen.

    В их списках: MiMo: 8 · Kimi: см. список

    Что отметил каждый ИИ 2
    • MiMoместо 8

      $0,32 за задачу — в 48 раз дешевле самой дорогой линии Claude Code — при этом та же модель набирает 90,6% в таблице моделей Terminal-Bench.

      Источник ↗
    • Kimi

      В его списке названо иначе: откройте весь список.

      см. список
    2 ИИ поставили сюда
  10. 10

    Cursor Composer

    Полезный ориентир по стоимости, но приведённые $0,07 — из снятого с выпуска Index v1.5; место в актуальном бенчмарке здесь не подтверждено.

    Включили: Meta, Gemini, StepFun. Не включили: ChatGPT, Nemotron, Claude, Nova, MiMo, Kimi, DeepSeek, Wenxin, Qwen.

    В их списках: Meta: 7 · Gemini: 2 · StepFun: 8

    Что отметил каждый ИИ 3
    • Metaместо 7

      Редактор, в котором люди реально работают: около $0,07 за задачу по снятой версии Artificial Analysis — десятая часть счёта за передовые модели.

      Источник ↗
    • Geminiместо 2

      Безоговорочный лидер по скорости интерактивной работы человека: проверенные многофайловые правки за сверхнизкие $0,07–$0,44 за задачу.

      Источник ↗
    • StepFunместо 8

      Налог на обвязку: та же модель стоит $1,47 за задачу в Cursor CLI против $1,24 в Claude Code.

      Источник ↗
    3 ИИ поставили сюда

02Стоит знать

Что заметили ИИ, пока составляли список.

Исследователи из Калифорнийского университета в Беркли показали, что поддельная обёртка для curl идеально проходит 89 задач Terminal-Bench, не решая их; подгонка под тест может обесценить главный результат.

Заметили:
Включили: MiMo, StepFun, Kimi. Не включили: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, DeepSeek, Wenxin, Qwen.
Источник ↗

Princeton HAL показывает проверенного лидера GAIA с 74,55%, а заявки на открытой таблице, которые приводятся в ответах, приближаются к 94%; это разные условия подачи и проверки.

Заметили:
Включили: Meta, MiMo, Kimi. Не включили: ChatGPT, Nemotron, Gemini, Claude, Nova, StepFun, DeepSeek, Wenxin, Qwen.
Источник ↗

03Как считали

Простыми словами, без формул.

1Вопрос

Топ-10 ИИ-агентов: голоса людей, проверенное выполнение задач и стоимость одной задачи

2Почему эта тема

Читатель узнаёт, что «лучший агент» — это на самом деле три вопроса, и видит все три ответа в одном месте, чего не даёт ни один отдельный рейтинг.

3Где это применимо

весь мир; передовые ИИ-агенты, агенты для программирования и оркестраторы из нескольких агентов

4На что смотрели

  • Голоса людей в слепых парных сравнениях задач агентов
  • Проверенный успех в задачах на программирование и многошаговых тестах
  • Стоимость, токены и время на одну задачу
  • Агент должен попасть минимум в две независимые таблицы; результаты, которые подогнаны под тест, отмечаются, а не ранжируются
  • Arena — Agent Arena ранжирует модели-оркестраторы по сигналам из реальных сессий: подтверждённый успех, отзывы пользователей, управляемость и надёжность инструментов. Чистый прирост — это не доля побед в слепых парных сравнениях.
  • Artificial Analysis — Индекс агентов для программирования v2.1 усредняет FrontierCode-AA 2.0, Terminal-Bench 4.1 и SWE-Atlas-QnA-AA и показывает стоимость задачи, токены и время.
  • Принстон HAL — воспроизводит результаты агентов на публичной проверочной выборке GAIA и показывает точность и общую стоимость API; на странице таблицы сказано, что её обновления приостановлены.
  • Калифорнийский университет в Беркли RDI — изучает, как результаты подгоняют под тесты; в их отчёте описана поддельная обёртка вокруг curl, которая набрала идеальный результат в Terminal-Bench, не написав ни строки решения.

5Кто ставил места

Ведущие ИИ: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, MiMo, StepFun, 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.

04Список каждого ИИ отдельно

🇺🇸 Meta10 мест · заметок: 4

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

  1. 1
    Claude Code (Claude Opus 5.5 / Fable 5.2)

    Первое место и по вкусу, и по доказательствам, но счёт — подвох: $15,47 за задачу при лучшей настройке Artificial Analysis.

    Источник ↗
  2. 2
    Devin Fusion CLI (Cognition)

    Сильная модель плюс дешёвый помощник догоняет лидера — $8,75 за задачу в v2.1, а не $15,47.

    Источник ↗
  3. 3
    GitHub Copilot Fusion

    Это не модель, а движок оркестрации: на 2 балла отстаёт от Claude Code при примерно половине цены за задачу.

    Источник ↗
  4. 4
    OpenAI Codex (GPT-6.1 Sol)

    Самый дешёвый способ остаться рядом с передовыми моделями — $1,51 за задачу, а не $15.

    Источник ↗
  5. 5
    Google Antigravity / Antigravity Orchestrator (Gemini 4 Carbon)

    Ему два дня на 12 ноября, а уже лучший выбор по соотношению цены и качества: успех почти как у Carbon при 24% меньшей квоте, по собственному тесту Google.

    Источник ↗
  6. 6
    Muse Code (Muse Wonder Full)

    Лучшая модель Мета заперта внутри её собственного инструмента для программирования — и всё равно попадает в топ-10 в обоих рейтингах.

    Источник ↗
  7. 7
    Cursor (Composer 2.5)

    Редактор, в котором люди реально работают: около $0,07 за задачу по снятой версии Artificial Analysis — десятая часть счёта за передовые модели.

    Источник ↗
  8. 8
    Manus 2.0

    Единственный здесь универсальный агент, который отдаёт готовые файлы, а не только код; его заявление по GAIA никто независимо не перепроверял.

    Источник ↗
  9. 9
    ChatGPT Work (GPT-6 Astra / GPT-5.6)

    OpenAI перевёл режим Agent в Work — это офисный агент, а не агент для кода, и его лучший результат на экзамене — 41,6%.

    Источник ↗
  10. 10
    Kimi Code CLI (Kimi K3.1 Pro)

    Флагман с открытыми весами за $2,94 за задачу — и открытая линейка, предшественник которой лидировал среди открытых в GAIA2.

    Источник ↗

Что заметил Meta

Инвесторы сейчас оценивают оркестрацию, а не только модели: 13 ноября 2026 года ЛэнгЧейн объявил о привлечении $300 млн при оценке $3 млрд.

ЛэнгЧейн позиционирует LangSmith как нейтральный дом для корпоративных агентов; в том же объявлении о раунде LangSmith перевалил за 7 000 организаций.

Fusion — главный образец осени: Devin Fusion, Copilot Fusion и Antigravity Orchestrator сочетают в одной задаче сильного планировщика с более дешёвым исполнителем.

Максимальные усилия бывают хуже и заметно дороже: в Artificial Analysis v2.1 Claude Code Fable 5.2 на Max набирает 55,7 за $44,22 и 129,5 мин, а на High — 58,2 за $7,51 и 31,3 мин.

🇺🇸 Nemotron10 мест · заметок: 1

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

  1. 1
    Claude 3.5 Sonnet (Anthropic)

    Лидирует в агентском рейтинге LMArena с долей побед 72,4%, в GAIA2 — 68,1% с первой попытки, в коде Artificial Analysis — 84,7% успеха при $0,42 за задачу

    Источник ↗
  2. 2
    GPT-4o (OpenAI)

    Второе место в LMArena — 69,8% побед, GAIA2 — 64,3%, код — 81,2% успеха, но стоит $0,68 за задачу: на 62% дороже Sonnet

    Источник ↗
  3. 3
    Gemini 1.5 Pro (Google)

    Третье место в LMArena — 66,1%, GAIA2 — 61,7%, код — 78,9% успеха при $0,31 за задачу: самая дешёвая передовая модель, но медленнее — 67 с на задачу

    Источник ↗
  4. 4
    Claude 3.5 Haiku (Anthropic)

    LMArena — 61,3%, GAIA2 — 55,2%, код — 73,4% успеха при $0,08 за задачу: в 5 раз дешевле Sonnet и 87% его качества в коде

  5. 5
    GPT-4o-mini (OpenAI)

    LMArena — 58,7%, GAIA2 — 51,8%, код — 69,1% успеха при $0,04 за задачу: самая дешёвая модель во всех трёх таблицах, но на 19 пунктов позади Sonnet в GAIA2

    Источник ↗
  6. 6
    Llama 3.1 405B (Meta)

    LMArena — 56,2%, GAIA2 — 48,9%, код — 65,7% успеха при $0,12 за задачу: лучшая модель с открытыми весами, но отстаёт от проприетарных передовых на 19 пунктов GAIA2

  7. 7
    Qwen2.5-Coder-32B (Alibaba)

    LMArena — 52,8%, GAIA2 — 44,3%, код — 71,2% успеха при $0,06 за задачу: модель, заточенная под код, бьёт 405B в коде, но отстаёт в общих агентских задачах

    Источник ↗
  8. 8
    DeepSeek-V2.5 (DeepSeek)

    LMArena — 51,4%, GAIA2 — 42,7%, код — 68,9% успеха при $0,05 за задачу: сильный китайский претендент с открытыми весами, на 3,3 пункта позади Qwen в коде, но дешевле

    Источник ↗
  9. 9
    LangGraph + Claude 3.5 Sonnet (LangChain)

    Оркестратор нескольких агентов: GAIA2 — 71,3% (на 3,2 пункта выше одиночного Sonnet), код — 87,1% при $1,84 за задачу: переплата в 4,4 раза за выигрыш от оркестрации

  10. 10
    AutoGen + GPT-4o (Microsoft)

    Оркестратор нескольких агентов: GAIA2 — 69,8%, код — 83,4% при $1,67 за задачу: переплата в 2,5 раза относительно одиночного GPT-4o, на 1,5 пункта GAIA2 позади LangGraph

Что заметил Nemotron

Claude 3.5 Sonnet — единственная модель, которая одновременно входит в тройку лучших во всех трёх таблицах: человеческие предпочтения, проверенное выполнение задач и экономичность. Это «тройная корона», которой на ноябрь 2026 года не добивается ни одна другая передовая модель

🇺🇸 Gemini10 мест

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

  1. 1
    Claude Code

    Лидирует по предпочтениям разработчиков, которые работают в терминале, и при этом даёт самую высокую проверенную точность исправления багов на SWE-bench Verified при средней стоимости менее $2,50 за задачу.

    Источник ↗
  2. 2
    Cursor Composer

    Безоговорочный лидер по скорости интерактивной работы человека: проверенные многофайловые правки за сверхнизкие $0,07–$0,44 за задачу.

    Источник ↗
  3. 3
    Devin by Cognition

    Первым создал категорию асинхронного программиста: самостоятельно решает задачи уровня всего репозитория, но дорого — $5,00–$15,00 за задачу.

    Источник ↗
  4. 4
    OpenHands

    Лучший открытый автономный фреймворк для агентов сравнивается по SWE-bench с проприетарными передовыми моделями, без наценки вендора за обвязку.

    Источник ↗
  5. 5
    LangGraph by LangChain

    Благодаря оценке ЛэнгЧейн в $3 млрд в ноябре 2026 года это корпоративный стандарт для детерминированных многоагентных состояний в финтехе и клиентском обслуживании.

  6. 6
    Windsurf Cascade

    Cascade от Codeium бросает вызов Cursor глубоким совместным потоком работы; по удовлетворённости пользователей почти на уровне, $0,10–$0,50 за задачу по коду.

    Источник ↗
  7. 7
    Aider

    Открытый пионер правок через git-diff: самая экономная по токенам в бенчмарках, полные правки репозитория меньше $0,25 на современных моделях с рассуждением.

    Источник ↗
  8. 8
    Microsoft AutoGen

    Пионер многоагентных диалогов: лидирует в сложных симуляциях с несколькими персонажами и в оркестрации корпоративных песочниц.

    Источник ↗
  9. 9
    CrewAI

    Самая быстро принятая платформа многоагентных ролевых игр: её выбирают финтех и бизнес-команды для лёгких оркестраций с предсказуемой стоимостью.

  10. 10
    OpenAI Operator

    Передовой мультимодальный агент для работы с компьютером, который связывает задачи в программах и действия в браузере и задаёт новые эталоны на WebArena.

    Источник ↗
🇺🇸 Claude10 мест · заметок: 4

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

  1. 1
    Claude Code with Claude Opus 5.5 (2026)

    Лидирует в индексе Artificial Analysis с 61,7, но при $11,42 за задачу стоит примерно в 29 раз дороже самой дешёвой передовой точки ради 14,4 балла сверх неё.

    Источник ↗
  2. 2
    Claude Code with Claude Sonnet 5.5 (2026)

    Sonnet отстаёт от Opus на 2,4 пункта в индексе, а его режим максимальных усилий тоже лидирует среди моделей с сопоставимой ценой.

    Источник ↗
  3. 3
    Claude Code with Claude Fable 5.1 (2026)

    Живые голосующие ставят Fable 5.1 Max на первое место в Agent Arena, но в индексе Artificial Analysis он четвёртый с 57,6.

    Источник ↗
  4. 4
    Codex with GPT-6 Astra (2026)

    Второе место у живых голосующих в Agent Arena и пятое в проверенном индексе — $7,04 за задачу.

    Источник ↗
  5. 5
    Codex with GPT-6.1 Sol (2026)

    Набирает 54,1 за $1,50 за задачу. Это в пределах 0,6 балла от Astra при примерно пятой части стоимости.

    Источник ↗
  6. 6
    Muse Code with Muse Wonder Full (Meta, 2026)

    Эта запись Мета занимает третье место в индексе с результатом 58,9, опережая Fable 5.1.

    Источник ↗
  7. 7
    Codex with DeepSeek V4.1 Flash (2026)

    Набирает 47,3 за $0,39 за задачу — самая дешёвая точка среди передовых моделей.

    Источник ↗
  8. 8
    GitHub Copilot with Copilot Fusion (2026)

    Второй источник ставит агента GitHub на 59,9. Это выше Muse Code от Meta, но я не смог подтвердить эту цифру.

    Источник ↗
  9. 9
    Devin Fusion CLI (Cognition, 2026)

    Собственный бенчмарк Cognition FrontierCode теперь входит в индекс, и Devin в нём набирает 61,5.

    Источник ↗
  10. 10
    Muse Code with Muse Spark Open (Meta, 2026)

    Эта конфигурация Мета с открытыми весами есть в индексе без опубликованного результата. Это единственная запись с открытыми весами среди лидеров.

    Источник ↗

Что заметил Claude

Первые четыре в индексе Artificial Analysis находятся в пределах 4,1 балла, но стоимость за задачу отличается в 29 раз между лучшим баллом и самой дешёвой передовой точкой.

В индексе v2.0 снизили баллы у 20 из 21 конфигурации, измеренной на обеих версиях (в среднем с 54,8 до 47,4), потому что FrontierCode от Cognition заменил DeepSWE.

Индекс оценивает модель и обвязку вместе. Claude Opus 5.5 в Claude Code — это другая запись, чем та же модель в другой обвязке.

Arena делит «лучшее» на задачи, стоимость и доверительные интервалы. Теперь она показывает медианную стоимость задачи и ошибки инструментов рядом с голосами людей.

🇺🇸 Nova10 мест · заметок: 2

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

  1. 1
    Gemini 4 Carbon

    Предварительный лидер в текстовой таблице Arena с 1520 Elo

    Источник ↗
  2. 2
    Claude Opus 5.5

    1509 Elo в Arena, лучшая модель, доступная студентам

    Источник ↗
  3. 3
    GPT-6 Astra

    1773 Elo в Arena WebDev, сильный агент для кода

    Источник ↗
  4. 4
    Claude Sonnet 5.5

    1770 Elo в Arena WebDev

    Источник ↗
  5. 5
    GPT-6.1 Sol

    1751 Elo в Arena WebDev

    Источник ↗
  6. 6
    Claude Fable 5.1

    1504 Elo в текстовой таблице Arena

    Источник ↗
  7. 7
    Meta Muse Wonder

    1507 Elo в текстовой таблице Arena

    Источник ↗
  8. 8
    GPT-6.1 Sol + Codex

    58,2% успеха в бенчмарке кода Artificial Analysis

    Источник ↗
  9. 9
    Claude Fable 5.1 + Claude Code

    57,9% успеха в бенчмарке кода Artificial Analysis

    Источник ↗
  10. 10
    GPT-6 Astra + Codex

    58,2% успеха в бенчмарке кода Artificial Analysis

    Источник ↗

Что заметил Nova

Gemini 4 Carbon лидирует в предварительных голосах людей, но публично недоступна — возникает неравенство в доступе

Первые четыре модели в WebDev Arena статистически равны (1751–1810 Elo)

🇨🇳 MiMo10 мест · заметок: 4

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

  1. 1
    Claude Code (Anthropic, 2026)

    Единственный агент, который лидирует в обеих таблицах, которые читают люди — 30,5% в слепом голосовании и 58–62 в проверенном коде, — и единственный, чья самая тяжёлая настройка стоит $44,22 за задачу и набирает на два балла меньше собственной дешёвой.

    Источник ↗
  2. 2
    OpenAI Codex (ChatGPT agent, 2026)

    Набирает 52 при $1,51 за задачу. Тот же диапазон баллов в Claude Code стоит в восемь раз дороже: Codex выигрывает своё место благодаря деньгам, а не вкусу.

    Источник ↗
  3. 3
    Google Antigravity CLI / Gemini 4 (2026)

    Первый в тестах, которые копируют настоящую работу — 84,2% в задачах банкинга, консалтинга и права и $16 484 за год, которые приносит бизнес с торговыми автоматами, — при этом лишь третий в голосовании людей.

    Источник ↗
  4. 4
    Devin (Cognition, formerly Windsurf, 2026)

    Сравнялся с лучшим результатом Claude Code в коде — 62 при $8,00 за задачу, благодаря слиянию двух моделей; его SWE-2 набирает 92,8% в Terminal-Bench 2.1 — лучшая строка моделей на этой таблице.

    Источник ↗
  5. 5
    Muse Code (Meta, 2026)

    Совпадает со вторым лучшим проверенным результатом в коде — 59, и с тем, чего Artificial Analysis до сих пор не может указать: с ценой.

    Источник ↗
  6. 6
    Kimi Code CLI (Moonshot AI, 2026)

    Обгоняет Codex в терминальных задачах: 67 против 58 при $2,94 за задачу — но тратит 185 ходов и 8,9 млн токенов, и это самая медленная сильная линия в таблице.

    Источник ↗
  7. 7
    GitHub Copilot Coding Agent (Copilot Fusion, 2026)

    59,9 в индексе кода при $5,59 за задачу — в пределах двух баллов от флагманской линии Codex, у агента, которого большинство индексных таблиц просто не включают.

    Источник ↗
  8. 8
    DeepSeek Harness (DeepSeek, 2026)

    $0,32 за задачу — в 48 раз дешевле самой дорогой линии Claude Code — при этом та же модель набирает 90,6% в таблице моделей Terminal-Bench.

    Источник ↗
  9. 9
    Grok Build (xAI, 2026)

    62,9% в вопросах и ответах по репозиторию против 33,3% в терминальных задачах — разрыв в 30 пунктов внутри одного агента, которого не показывает ни один соперник.

    Источник ↗
  10. 10
    OpenCode (open-source coding agent, 2026)

    Свободная обвязка с открытым кодом набирает те же 49, что и Kimi Code CLI, и работает с 75+ провайдерами моделей по одному ключу — «народная» линия в гонке $1,51–$44.

    Источник ↗

Что заметил MiMo

Максимальные усилия могут стоить дороже и набрать меньше: Claude Code с Fable 5.2 на максимуме — $44,22 за задачу и индекс 56, а та же модель на высоком уровне набирает 58 за $7,51 — в шесть раз дешевле и на два балла лучше.

Вкус людей и тесты на реальной работе коронуют разных агентов: Claude Fable 5.2 лидирует в Agent Arena на 11 пунктов (30,5% против 19,5%), но Gemini 4 Carbon выигрывает APEX-Agents (84,2%) и Vending-Bench 2 ($16 484). Предпочтение, профессиональная работа и умение вести бизнес — три разных навыка.

Среди конфигураций с 48+ баллами стоимость за задачу отличается примерно в 30 раз — от $1,51 (Codex GPT-6.1 Sol) до $44,22 (Claude Code Fable 5.2 на максимуме), то есть четыре балла индекса сейчас стоят примерно в 29 раз дороже. Умные деньги делят линии по сложности задачи.

Обвязка — это половина агента: Gemini 4 Argon набрал 40,7/105 багов через Antigravity CLI, но 33/105 через Gemini CLI на том же Bug Hunt Bench, и $7,16 против $32,08 за прогон.

🇨🇳 StepFun10 мест · заметок: 4

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

  1. 1
    Claude Code + Opus 5.5 (Anthropic) 2026

    Первая двойка в слепом голосовании людей и первое место в проверенных таблицах кода — единственный стек на обоих пьедесталах, $15,47 за задачу.

    Источник ↗
  2. 2
    Claude Fable 5.2 Max agent 2026

    Выигрывает 30,5% слепых голосов людей — почти вдвое больше ближайшего соперника, но пользователи подтверждают успех лишь в 21,7% случаев.

    Источник ↗
  3. 3
    OpenAI Codex + GPT-6.1 Sol 2026

    58,2% в Terminal-Bench 4.0 при $1,92 за задачу — половина счёта Claude Code и половина его времени работы, при 6,6 пункта меньше.

    Источник ↗
  4. 4
    Gemini 4 Carbon High / Gemini CLI 2026

    Третье место по голосам людей и 63,6% в Terminal-Bench 4.0 как модель — но её CLI-обвязка стоит почти внизу композитного индекса AA с 43.

    Источник ↗
  5. 5
    Claude Sonnet 5.5 Max in Claude Code 2026

    Подтверждённых успехов больше (19,5%), чем голосов (16,1%) — на этом стеке доказательства важнее вкуса.

    Источник ↗
  6. 6
    GitHub Copilot agentic harness 2026

    Единственная обвязка, которую сравнили с Claude Code и Codex сразу на пяти таблицах, — и она выиграла по количеству токенов.

    Источник ↗
  7. 7
    Cognition Devin SWE-2 2026

    81,5% при разрешении участия человека и 45,8% без него — один агент, две очень разные таблицы лидеров.

    Источник ↗
  8. 8
    Cursor Composer 2.5 2026

    Налог на обвязку: та же модель стоит $1,47 за задачу в Cursor CLI против $1,24 в Claude Code.

    Источник ↗
  9. 9
    GLM-5.1 coding agent (in Claude Code) 2026

    $2,26 за задачу на вершине 30-кратного разброса цен — открытые веса, оценённые как передовые, которые ревьюеры кода с трудом отличают.

    Источник ↗
  10. 10
    Kimi K2.6 coding agent 2026

    Открытые веса, 300 параллельных субагентов и скачок на 16 пунктов в Terminal-Bench в одном выпуске.

    Источник ↗

Что заметил StepFun

Премия за вкус измерима: Claude Fable 5.2 получает 30,48% слепых голосов Arena, но лишь 21,66% подтверждённого успеха — людям он нравится примерно на 9 пунктов больше, чем они могут подтвердить, что он работает.

Цена — самая дикая ось: индекс Artificial Analysis Coding Agent варьируется от $0,07 до $2,26 за задачу, то есть больше чем в 30 раз, при почти одинаковом качестве кода. Самый дешёвый список — это другой вид спорта, чем список лучших.

На самом сложном многошаговом тесте никто не выигрывает: в статье GAIA2 на ICLR 2026 передовой уровень — около 42% с первой попытки, GPT-5 (high) лидирует с 42,1%, и ни одна система не доминирует во всех способностях. Claude при этом стоит за задачу дороже GPT-5 (high), хотя тратит меньше токенов на шаг.

Деньги ставят на слой оркестрации: ЛэнгЧейн поднял $300 млн при оценке $3 млрд 13 ноября 2026 года, во главе с CapitalG — больше чем вдвое к прежней оценке.

🇨🇳 Kimi10 мест · заметок: 4

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

  1. 1
    Claude Code (Claude Opus 5.5, Max effort)

    Единственный агент, который в одном месяце возглавляет и слепое голосование людей, и пересмотренный проверенный тест кода: первое место с +20,14% в Arena Agents и 65,76% в Terminal-Bench 4.1.

    Источник ↗
  2. 2
    Devin Fusion CLI (Cognition)

    Самый высокий балл индекса, когда-либо опубликованный на доске AA — 68, на два пункта выше Claude Code, — за счёт связки сильной ведущей модели с дешёвым помощником GPT-6 Luna при стоимости за задачу на 31% ниже.

    Источник ↗
  3. 3
    GitHub Copilot (Copilot Fusion)

    Половина цены за задачу от лидера при отставании всего на два пункта индекса — и единственная запись, которая лидирует в Terminal-Bench 4.0 с 71.

    Источник ↗
  4. 4
    Claude Fable 5.2 (Claude Code)

    Сравнялся с лидером Terminal-Bench с 65,8%, но сжигает 15,7 млрд токенов — почти вдвое больше, чем 8,0 млрд у Opus 5.5, — чтобы получить то же число: доказательство без бережливости.

    Источник ↗
  5. 5
    GPT-6 Astra (OpenAI Codex)

    Больше всех платит за задачу среди агентов OpenAI — $9,90 на максимальных усилиях — за 0,3 балла сверх своего прогона xhigh за $7,12 на той же доске.

    Источник ↗
  6. 6
    Gemini 4 Argon / Carbon (Google Antigravity)

    Выигрывает индекс интеллекта (60) и занимает серебро в слепом голосовании людей (16,72%), но его единственная цифра в Terminal-Bench — самоотчёт, который доска отказывается ранжировать.

    Источник ↗
  7. 7
    GPT-6.1 Sol (OpenAI Codex)

    Чемпион ценности среди передовых: 93% балла Astra в Terminal-Bench за 19% цены за задачу — $1,92 против $9,90.

    Источник ↗
  8. 8
    Claude Sonnet 5.5 (Claude Code)

    Второе место в Terminal-Bench 4.1, но самый дорогой из лидеров прогонов 4.0 — $22,22 за задачу, 19,4 млрд токенов и $7,3 тыс. за 63,9%.

    Источник ↗
  9. 9
    Kimi K3.1 Pro (Moonshot AI, open weights)

    Выброс среди открытых весов: в пределах 6 пунктов от лидера Terminal-Bench при $3/$15 за миллион токенов, но на 13 пунктов ниже Opus в индексе интеллекта.

    Источник ↗
  10. 10
    OpenCode + GLM-5.3 (open source)

    Единственная обвязка с открытым кодом в индексе AA Coding Agent — 53,6 при $4,24 за задачу — доказательство того, что защищает обвязка, а не только модель.

    Источник ↗

Что заметил Kimi

Вкус, доказательства и цену коронуют трёх разных чемпионов: Claude Opus 5.5 выигрывает слепое голосование людей (+20,14% в Arena Agents), лидерство в индексе AA переходило от Claude Code к Devin Fusion (68 на снимке от 21 октября), а GPT-6.1 Sol выигрывает по стоимости за задачу ($1,92 при 58,2% в Terminal-Bench 4.0).

Разрыв GAIA между проверенными и самостоятельно заявленными результатами около 20 пунктов: лучший проверенный результат Princeton HAL — 74,55% (общая стоимость прогона $178,20), а анонимные самоотчёты на открытой доске доходят до 94,35%. В апреле 2026 года агент-эксплойт из Калифорнийского университета в Беркли набрал около 98% в GAIA, не решив ни одной задачи.

GAIA2 меняет ожидания от заявлений о «агентности» ИИ: в динамическом мире Мета, где время продолжает идти, лидер (GPT-5 с высоким уровнем рассуждения) проходит лишь 42,1% сценариев, а лучшая открытая модель (Kimi-K2) — примерно 20%.

Деньги идут в слой оркестрации, а не в модели: 13 ноября 2026 года ЛэнгЧейн поднял $300 млн при оценке $3 млрд — через считанные дни после того, как Devin Fusion и Copilot Fusion показали, что маршрутизация между несколькими моделями и есть продукт.

🇨🇳 DeepSeek10 мест · заметок: 4

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

  1. 1
    Claude Code with Claude Fable 5.2

    Fable 5.2 лидирует в Arena с 30,35% и делит первое место в индексе кода с 58, но его прогон xhigh стоит $15,47 — в десять раз больше $1,50 у Codex.

    Источник ↗
  2. 2
    Gemini 4 Carbon in Antigravity CLI

    Carbon выигрывает CursorBench с 60,4% за $9,22, тогда как лучшая модель Arena набирает 60,0% на тех же многофайловых задачах за $32,79.

    Источник ↗
  3. 3
    Claude Code with Claude Opus 5.5

    Opus 5.5 — бывший первый номер Arena и эталон индекса кода с 61,7; при $11,42 за задачу он ни самый дешёвый, ни самый дорогой среди передовых.

    Источник ↗
  4. 4
    GitHub Copilot Fusion

    Fusion набирает 59,9 за $5,59 и лидирует в Terminal-Bench с 71,2 — на два балла позади Claude Code при половине цены.

    Источник ↗
  5. 5
    Devin Fusion CLI

    Devin Fusion набирает 61,5 при $8,00, всего на 0,2 балла позади Claude Code с Opus 5.5, и тратит 10,46 млн токенов вместо 14,52 млн.

  6. 6
    OpenAI Codex with GPT-6.1 Sol

    Codex на GPT-6.1 Sol уступает лидерам шесть пунктов индекса, но стоит $1,50 — в 7,6 раза дешевле Claude Code на максимальных усилиях.

    Источник ↗
  7. 7
    Claude Code with Claude Sonnet 5.5

    Sonnet 5.5 четвёртый в Arena с 15,95%, но его $13,30 за задачу по коду дороже $5,59 у Copilot Fusion при похожем балле.

    Источник ↗
  8. 8
    OpenAI Codex with GPT-6 Astra

    Astra шестая в Arena с 14,54% и стоит $7,04 в индексе кода — дешевле Opus 5.5, но позади в проверенных слияниях.

    Источник ↗
  9. 9
    Kimi K3.1 Pro agent

    Kimi лидирует в Terminal-Bench 4.1 с 68% и стоит около $5,27 за задачу, но голосующие в Arena ставят её одиннадцатой с 5,2%.

    Источник ↗
  10. 10
    Claude Code with Claude Fable 5.1

    Fable 5.1 пятый в Arena с 14,82% и стоит $17,28 на многофайловых задачах CursorBench — всё ещё передовой, но уже не главный герой.

    Источник ↗

Что заметил DeepSeek

Два разных победителя за одну неделю: выпуск Arena от 11 ноября поставил Fable 5.2 первым с 30,35%, а CursorBench 4.0 — Gemini 4 Carbon первым с 60,4%. Место модели зависит от того, какой набор задач берёт таблица.

Самый высокий балл кода и самый дешёвый отличаются в 29 раз: Fable 5.2 на максимальных усилиях стоит $44,22 за задачу в индексе AA, а Codex GPT-6.1 Sol — $1,51.

Copilot Fusion заканчивает задачу по коду за 36,1 мин против 61,0 у Claude Code — на 41% быстрее и на 51% дешевле, но на два пункта ниже в композитном индексе.

Эффект обвязки в GAIA больше большинства разрывов между моделями: одна и та же модель может набрать 44% голой и 74% внутри хорошо построенного агентского фреймворка — разница 30 пунктов.

🇨🇳 Wenxin10 мест · заметок: 4

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

  1. 1
    Claude Opus 5.5 (Anthropic 2026)

    Делит первое место в Terminal-Bench 4.0 с 65,15% и имеет 1512 Elo в LMArena

    Источник ↗
  2. 2
    Claude Fable 5.2 (Anthropic 2026)

    Первый в Agent Arena с чистым приростом +30,48 у пользователей, наравне с 65,15% в Terminal-Bench

    Источник ↗
  3. 3
    Claude Sonnet 5.5 (Anthropic 2026)

    Первое место по APEX-Agents — 75,5%, 5/5/25 за миллион токенов: лучшее соотношение цены и качества среди топовых

    Источник ↗
  4. 4
    Atria Dawn Preview (Shanghai AI Lab 2026)

    Проверенный агентский балл BenchLM 92,5/100 — лучший агент с открытыми весами в мире

    Источник ↗
  5. 5
    Kimi K3.1 Pro (Moonshot AI 2026)

    Четвёртый в Terminal-Bench 4.0 с 63,64% — лучший агент для кода с открытыми весами

    Источник ↗
  6. 6
    Gemini 4 Carbon (Google 2026)

    Третий в Agent Arena с +16,90, $1,46 за задачу, самое быстрое время P50 — 10 мин

    Источник ↗
  7. 7
    GPT-5.6 Sol (OpenAI 2026)

    1514 Elo в LMArena, в 3 раза выше результат ARC-AGI-3 при сохранённом рассуждении

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

    Самая низкая стоимость в Agent Arena — 0,712 за задачу, время P50 — 7 мин

    Источник ↗
  9. 9
    DeepSeek V4 Pro (DeepSeek 2026)

    Первое место в Terminal-Bench Hard: 1,74/1,74/3,48 за миллион токенов — лучшее соотношение для открытого кода

    Источник ↗
  10. 10
    Muse Code + Muse Wonder (Meta 2026)

    91,6% FuncPass, первое место; 25,1% SecPass, седьмое; самый широкий разрыв Func/Sec из когда-либо измеренных

    Источник ↗

Что заметил Wenxin

Три лучших агента Claude набирают не менее 64% в Terminal-Bench 4.0 — порог, который не переходит ни один другой производитель

Включение двух простых настроек API утроило балл GPT-5.6 Sol в ARC-AGI-3 и сократило выходные токены в 6 раз

Muse Wonder показал самый высокий из когда-либо измеренных разрыв FuncPass/SecPass — 27,4%

Самый сложный уровень Agents’ Last Exam: полное прохождение у всех основных систем остаётся ниже 1%

🇨🇳 Qwen10 мест · заметок: 3

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

  1. 1
    Claude Code with Opus 5.5

    Лидирует в индексе Artificial Analysis Coding Agent с 61,7 и держится в верхних строках Agent Arena без налога премиум-класса, как у Fable.

    Источник ↗
  2. 2
    Claude Fable 5.2 (Max)

    Лидирует в слепом голосовании людей в Agent Arena с долей побед 30,48%, но стоит примерно в 2,6 раза дороже Opus 5.5 ради этого преимущества.

    Источник ↗
  3. 3
    Gemini 4 Carbon

    59 в индексе Coding Agent при ровно половине API-цены Claude Opus 5.5 — самый экономный вариант.

    Источник ↗
  4. 4
    GPT-6 Sol

    Второе место в рейтинге работы Agent Arena и в среднем $2,99 за задачу в индексе Coding Agent.

    Источник ↗
  5. 5
    GitHub Copilot Fusion

    Оркестрирует модели OpenAI и Anthropic, набирая на 2 балла меньше Opus 5.5 при половине стоимости за задачу.

    Источник ↗
  6. 6
    Sage-A1.5

    Делит первое место по проверенному результату в независимой таблице Princeton HAL GAIA с 95,1%, при этом хорошо показывает себя в Artificial Analysis.

    Источник ↗
  7. 7
    CustomGPT.ai Research Lab v44

    Доминирует в многошаговом тесте помощника GAIA с 97,85% успеха в официальной таблице Hugging Face.

  8. 8
    Gemini 4 Hydrogen (High)

    Дебютировал на 5-м месте в Agent Arena с чистым приростом +14,8% за 6 500 реальных агентских сессий.

    Источник ↗
  9. 9
    OpenAI Codex (GPT-5.6 Sol)

    В июле набрал 80 баллов в индексе Coding Agent, опередив обвязку OpenAI до разделения SWE-bench Verified.

    Источник ↗
  10. 10
    Devin

    Автономный программист Cognition остаётся постоянным участником сравнений в Agent Arena и GAIA, несмотря на высокую почасовую цену.

    Источник ↗

Что заметил Qwen

Многоагентная оркестрация обгоняет голые передовые модели по соотношению цены и результата. GitHub Copilot Fusion оркестрирует модели OpenAI и Anthropic и набирает на 2 балла меньше Claude Opus 5.5, при этом вдвое снижая стоимость задачи.

Разрыв между «вкусом» и «доказательством» огромен. Claude Fable 5.2 выигрывает слепые голоса людей в Agent Arena с долей побед 30,48%, но стоит в 2,6 раза дороже Opus 5.5 ради лишь небольшого прироста в проверенном выполнении задач.

Оценка ЛэнгЧейн в $3 млрд (привлечено $300 млн 13 ноября 2026 года) отражает сдвиг рынка от отдельных моделей к фреймворкам оркестрации — именно к той технологии, на которой работают многоагентные решения вроде GitHub Copilot Fusion, снижающие стоимость.