Рейтинг Poly · з тренду дня

Найкраща ШІ-модель для агентів (з відкритими вагами, жовтень 2026)

Містраль Large 4 посідає #6 із 75 у тесті юридичного агента Гарві з лише 15,83%, а #32 із 44 — на ширшому Валс Індексі, де DeepSeek V4.1 Flash досягає 61,26% за $0,66 за тест.

  • №1: Містраль Large 4
  • 10 місць

01Підсумковий список

Провідні ШІ незалежно склали свої списки з десяти місць. Нагорі — один підсумок, який легко перевірити: у кожного місця є причина, джерело та список ШІ, які його включили.

Порядок: від більшої згоди ШІ до меншої.

Яскрава плашка — цей ШІ включив пункт у свій список. Тьмяна — не включив.

  1. 1

    Містраль Large 4

    Найменший розрив у кібербезпеці: Містраль заявляє близько 82%, а незалежні тести виміряли 79–81,7%. Валс бачить 26,26% на Terminal-Bench 4.0 і 15,83% у тесті юридичного агента Гарві.

    Увімкнули: Claude, ChatGPT, Meta, Gemini, Wenxin, DeepSeek, Qwen. Не увімкнули: Nova.

    У їхніх списках: Claude: 2 · ChatGPT: 10 · Meta: 5 · Gemini: 5 · Wenxin: 3 · DeepSeek: 3 · Qwen: 3

    Що відзначив кожен ШІ 7
    • Claudeмісце 2

      Її кіберзаява має найменший видимий розрив: Містраль каже ~82% на CyberGym-E2E, а незалежний індекс виміряв 81,7%.

      Джерело ↗
    • ChatGPTмісце 10

      Apache 2.0 дає операційну перевагу, коли бізнесу потрібно розміщувати агентів для клієнтів без винятку Large 4 для Model-as-a-Service.

      Джерело ↗
    • Metaмісце 5

      Вендор: 93% Cybench, 82% виправлення вразливостей, 61,7% DeepSWE v1.1 — незалежно 41% на Terminal-Bench 4.0 і 48% в Coding Agent Index, з на 47% меншою кількістю токенів

      Джерело ↗
    • Geminiмісце 5

      Заявляє приголомшливі 82% на CyberGym-E2E і 61,7% на DeepSWE v1.1, але падає до 15,83% у незалежному Legal Agent Benchmark від Гарві.

      Джерело ↗
    • Wenxinмісце 3

      Бали агента 123B виглядають чудово на папері — незалежні тести показують розрив у 20 пунктів

      Джерело ↗
    • DeepSeekмісце 3

      Заяви Містраль при запуску: 82% CyberGym-E2E, 93% Cybench і 61,7% DeepSWE, але незалежне тестування Cyber Index дає близько 51% — розрив довіри приблизно 31 пункт, і це ключова цифра для покупців агентів безпеки.

      Джерело ↗
    • Qwenмісце 3

      Містраль заявляє 82% на CyberGym і 61,7% на DeepSWE, а незалежні тестувальники виміряли 81,7% і 60% — рідкісний «чесний» розрив довіри.

      Джерело ↗
    7 ШІ поставили сюди
    Джерело ↗
  2. 2

    DeepSeek V4.1 Flash

    Найкраща відкрита модель на Валс Індексі з 61,26% за $0,66 за тест і найкраща опублікована модель на FrontierCode з 28%. Її незалежні результати Terminal-Bench 4.0 не збігаються: 19,7% проти 31,8%.

    Увімкнули: Claude, ChatGPT, Meta, DeepSeek, Qwen. Не увімкнули: Gemini, Nova, Wenxin.

    У їхніх списках: Claude: 3 · ChatGPT: 1 · Meta: 1 · DeepSeek: 1 · Qwen: 2

    Що відзначив кожен ШІ 5
    • Claudeмісце 3

      Графік Містраль її не включив, а таблиця Reflection ставить її вище за Large 4 на DeepSWE (74,2% проти 61,7%).

      Джерело ↗
    • ChatGPTмісце 1

      Її незалежний результат FrontierCode 28% — найвищий серед випущених відкритих ваг, а один виміряний провайдер бере $0,37 за спробу складного тесту інтелекту.

      Джерело ↗
    • Metaмісце 1

      Лідер відкритих моделей у Валс Index: 61,26% при $0,66 за тест, проти Sonnet 5.5 з $18,70, тобто у 28 разів дешевше; Terminal-Bench 2.1: 90,6 за даними виробника, 31,8 за незалежними.

      Джерело ↗
    • DeepSeekмісце 1

      Незалежний індекс Vals 61,26% за $0,66 за тест — але заявлені вендором 74,2 на DeepSWE перетворюються на 19,7% на незалежному Terminal-Bench 4.0 від Валс AI, один із найширших розривів довіри в галузі.

    • Qwenмісце 2

      Робоча конячка з ліцензією MIT завершує складних багатофайлових кодових агентів за частку вартості американських фронтирних моделей.

    5 ШІ поставили сюди
    Джерело ↗
  3. 3

    Xiaomi MiMo-V2.6-Pro

    Набирає 57,81–59,5% на Валс Індексі за $0,13–$0,24 за спробу тесту. Її 89,9 на Terminal-Bench 2.1 і 71,9 на DeepSWE — це власні цифри Xiaomi.

    Увімкнули: Claude, ChatGPT, Meta, DeepSeek, Qwen. Не увімкнули: Gemini, Nova, Wenxin.

    У їхніх списках: Claude: 7 · ChatGPT: 3 · Meta: 2 · DeepSeek: 5 · Qwen: 8

    Що відзначив кожен ШІ 5
    • Claudeмісце 7

      В огляді Валс у заголовку сказано, що це приблизно у 100 разів дешевше за Claude Opus 5.5.

    • ChatGPTмісце 3

      Поєднує 57,81% точності в професійних завданнях за Валс і, за повідомленнями, $0,24 за одну спробу в тесті інтелекту на GMI.

      Джерело ↗
    • Metaмісце 2

      89,9 на Terminal-Bench 2.1, трохи вище за Claude Opus 5 з 89,1, 71,9 на DeepSWE v1.1, 94% на CyberGym, $0,13 за завдання з інтелекту

      Джерело ↗
    • DeepSeekмісце 5

      Незалежна оцінка Валс: 59,5% при повній ліцензії MIT і $0,435/$0,87 за мільйон токенів. Це найкращий варіант за ціною готового завдання серед справді вільних моделей.

      Джерело ↗
    • Qwenмісце 8

      Спеціалізований агент міркувань, що перевершує універсальні моделі в завданнях з кодом, де багато математики, і не потребує 100 млрд параметрів.

      Джерело ↗
    5 ШІ поставили сюди
    Джерело ↗
  4. 4

    GLM-5.3 (Z.ai)

    Набирає 48–49 на Coding Agent Index від Artificial Analysis і 40% на Terminal-Bench 4.0. Її 84,5% на CyberGym — від Z.ai, яка опублікувала свою методику, але ніхто ще не відтворив результат.

    Увімкнули: Claude, ChatGPT, Meta, DeepSeek. Не увімкнули: Gemini, Nova, Wenxin, Qwen.

    У їхніх списках: Claude: 1 · ChatGPT: 2 · Meta: 3 · DeepSeek: 2

    Що відзначив кожен ШІ 4
    • Claudeмісце 1

      Z.ai опублікувала свою методику тестування (Claude Code 2.1.207, pass@1 за 1 507 завдань CyberGym), тож кожен може оскаржити її 84,5, але незалежних підтверджень ще немає.

    • ChatGPTмісце 2

      Має такий самий індекс інтелекту, як у DeepSeek, — 32, але коштує $2,53 за спробу тесту інтелекту в одного незалежно виміряного провайдера.

      Джерело ↗
    • Metaмісце 3

      84,5% CyberGym white-box — технічно попереду Claude Mythos 5 з 83,8%, DeepSWE 66,9% проти 46,2 раніше, 40% на Terminal-Bench 4.0

      Джерело ↗
    • DeepSeekмісце 2

      У категорії програмування Валс ставить їй 64,3, це найкращий результат серед агентів для коду з відкритими вагами. Її незалежні показники витримують перевірку краще за більшість, але суперечка навколо ліцензії важлива для всіх, хто розміщує агентів для клієнтів.

      Джерело ↗
    4 ШІ поставили сюди
    Джерело ↗
  5. 5

    Kimi K3 (Moonshot AI)

    Близько 57–58% на Валс Індексі. Її 88,3 на Terminal-Bench 2.1 — власна цифра Moonshot, таблиця Meta дає 85,0, а ваги потребують 1,4 TB.

    Увімкнули: Claude, ChatGPT, Meta, DeepSeek. Не увімкнули: Gemini, Nova, Wenxin, Qwen.

    У їхніх списках: Claude: 4 · ChatGPT: 8 · Meta: 6 · DeepSeek: 4

    Що відзначив кожен ШІ 4
    • Claudeмісце 4

      Її 88,3 на Terminal-Bench 2.1 — власна цифра Moonshot, тоді як таблиця Meta дає 85,0, а ваги важать 1,4 TB.

      Джерело ↗
    • ChatGPTмісце 8

      Сильний показник людських вподобань варто перевірити як агента для планування чи рецензування, але це не доказ виконаних робочих процесів з інструментами.

    • Metaмісце 6

      Найкраща відкрита модель в Валс Index з 57%, 1488 Arena; K3.1 Pro набирає 67% у Terminal-Bench 4.0 у v5, це найкращий відкритий результат у терміналі.

      Джерело ↗
    • DeepSeekмісце 4

      Незалежний результат Vals 57,8% і відкритий рейтинг LMArena 1 487 Elo, але тригер за виручкою $20 млн і ліміт 100 млн MAU означають, що агентним платформам треба закладати в бюджет комерційну угоду, а не лише GPU.

      Джерело ↗
    4 ШІ поставили сюди
    Джерело ↗
  6. 6

    Qwen3.8 Max (2,4T-A95B)

    Її власні цифри Terminal-Bench 2.1 суперечать одна одній (86,6 проти 67,4), і незалежної оцінки як агента немає. При 2,4T параметрів вона має поріг $50M для сервісів і компаній-асистентів програмування.

    Увімкнули: Claude, Meta, DeepSeek, Qwen. Не увімкнули: ChatGPT, Gemini, Nova, Wenxin.

    У їхніх списках: Claude: 6 · Meta: 8 · DeepSeek: 6 · Qwen: 5

    Що відзначив кожен ШІ 4
    • Claudeмісце 6

      Заява про 92,6 на GPQA стосується версії Max, а не модельного файлу, який можна завантажити.

    • Metaмісце 8

      2,4T загалом, 95B активних, власний шлюз MaaS за $50 млн, 68,89% на IOI; менший брат на 27B з Apache — чиста ліцензійна альтернатива

      Джерело ↗
    • DeepSeekмісце 6

      Сильні цифри кодового агента (67,4 на Terminal-Bench 2.1 у вендорських тестах), але обмеження $50 млн за виручкою для конкуруючих бізнесів MaaS і асистентів коду — платформа агента, що розміщує її для клієнтів, має планувати комерційну угоду.

      Джерело ↗
    • Qwenмісце 5

      Агентний оркестратор Алібаби домінує в азійських юридичних і фінансових процесах, хоча його ліцензія з обмеженням виручки $50 млн гальмує глобальне впровадження SaaS.

    4 ШІ поставили сюди
    Джерело ↗
  7. 7

    Meta Muse Spark Open

    #1 у тесті юридичного агента Гарві з 25,00% і #3 із 79 у фінансових агентах Валс, але лише 46,61% на Валс Індексі, за $4,08 за тест (за одним джерелом).

    Увімкнули: Claude, Meta, DeepSeek. Не увімкнули: ChatGPT, Gemini, Nova, Wenxin, Qwen.

    У їхніх списках: Claude: 5 · Meta: див. список · DeepSeek: 7

    Що відзначив кожен ШІ 3
    • Claudeмісце 5

      Meta каже, що вона перевершує Kimi K3 у використанні інструментів, але поступається в коді: 76,4 проти 85,0 на Terminal-Bench 2.1.

      Джерело ↗
    • Meta

      У його списку названо інакше: відкрийте весь список.

      див. список
    • DeepSeekмісце 7

      Посідає перше місце в Harvey Legal Agent Benchmark від Валс AI з 25,00%, але її тригер перепродажу MaaS за $20 млн означає, що платформам лег-тек треба окрему угоду, перш ніж розміщувати її для клієнтів.

    3 ШІ поставили сюди
    Джерело ↗
  8. 8

    GLM-5.3 Flash (Z.ai)

    Бюджетний агент з ліцензією MIT: 47,22% на Валс Індексі за $0,15/$0,50 за мільйон токенів. Її 84,3 на Terminal-Bench 2.1 — це власна цифра виробника.

    Увімкнули: Meta, DeepSeek. Не увімкнули: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.

    У їхніх списках: Meta: 4 · DeepSeek: 9

    Що відзначив кожен ШІ 2
    • Metaмісце 4

      MIT, $0,15/$0,50, 84,3 на Terminal-Bench 2.1 за даними вендора, найнижча ціна запуску відкритого агента на одному хості

      Джерело ↗
    • DeepSeekмісце 9

      Лише 23 на AA v5, але OpenMDW-1.1 відкриває ваги, навчальні дані й рецепти — найпрозоріша модель для довготривалих агентів, за $0,60/$2,60 за мільйон токенів.

    2 ШІ поставили сюди
    Джерело ↗
  9. 9

    Nvidia Nemotron 3.5 Bolt 74B

    Найлегший варіант: 74B із 9B активних, вміщується на GPU з 24 GB у 2-бітному режимі. Її 50,98 на Terminal-Bench 2.1 — власна цифра Nvidia, незалежної оцінки ще немає.

    Увімкнули: Claude, Meta. Не увімкнули: ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    У їхніх списках: Claude: 8 · Meta: 10

    Що відзначив кожен ШІ 2
    • Claudeмісце 8

      Найлегша з групи: 74B із 9B активних, вміщується в 24 GB при 2-бітному стисненні.

    • Metaмісце 10

      Найкраще апаратне розміщення в США: Gemma 1452 Arena на 31B, Nemotron 74B загалом і 9B активних вміщується в GPU на 24 GB, Apache 2.0 + відкрита ліцензія Nvidia

      Джерело ↗
    2 ШІ поставили сюди
    Джерело ↗
  10. 10

    DeepSeek V4 Pro

    76% на CyberGym-E2E без жодної відмови на 840 змагальних завданнях, близько до 79% у Містраль, під ліцензією MIT. Про це повідомляє лише одне джерело.

    Увімкнули: Meta. Не увімкнули: Claude, ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    У їхніх списках: Meta: 7

    Що відзначив кожен ШІ 1
    • Metaмісце 7

      MIT, нуль відмов на 840 ворожих завданнях з безпеки, 76% на CyberGym-E2E проти 79% у Містраль Large 4, вдвічі дешевше за успіх

      Джерело ↗
    1 ШІ поставили сюди
    Джерело ↗

Трійка докладно ↓

02Докладніше про трійку

Рейтинг вище. Тут — докладніше про перші три місця: що це, чому вони тут і що варто знати.

Три моделі не вимірювали однаково: місце Містраль ґрунтується на тому, наскільки її заява про кібербезпеку близька до незалежних тестів, а дві інші оцінювали за оцінками Vals Index і цінами за тест, які різняться залежно від постачальника.

1Містраль Large 4

№ 1 — Містраль Large 4. У списках 7 з 8 ШІ; медіанне місце там: 3. ШІ поставили її на перше місце, бо її заява про кібербезпеку найменше розходиться з тим, що показали незалежні тести, хоча інші її оцінки слабші.

А ви знали

  • Містраль 7B вийшла 27 вересня 2023 року як магніт-посилання BitTorrent, а не звичайна сторінка завантаження. Mixtral 8x7B (грудень 2023) і Mixtral 8x22B (квітень 2024) теж поширювали як торрент-посилання в Твіттері.

    Джерело ↗
Що це
Велика модель Містраль для роботи агентів, з обіцяними відкритими вагами.
Чим сильніший
Її заява про кібербезпеку близько 82% найближча до незалежних результатів.
Кому підходить
Підходить командам, які дбають про безпеку і цінують чесні заяви; не тим, кому потрібні низька ціна або висока швидкість.
  • Оцінка Vals Index#32 із 44 у Vals Index
А ви знали

  • Перший раунд фінансування Містраль у червні 2023 року становив 105 мільйонів євро (117 мільйонів доларів). Financial Times оцінила вартість компанії в 240 мільйонів євро, при цьому компанії тоді було лише близько двох місяців.

    Джерело ↗
Історія

  • 6 жовтня 2026 року Містраль відкрила публічний попередній перегляд Містраль Large 4. Вона повідомила, що ваги для завантаження з'являться до кінця жовтня, після додаткової роботи над безпекою. У статті сказано, що цей етап безпеки ще не завершено.

    Джерело ↗
Що варто врахувати

  • Перш ніж відповісти, вона багато міркує, тож пише дуже багато. В одному тесті вийшло близько 200 млн токенів проти медіани близько 81 млн. Перший токен із довгого запиту з'явився приблизно через 18,7 секунди.

    Джерело ↗

  • Вона набрала 38,4 бала в Artificial Analysis Intelligence Index, поступаючись Kimi K3 і Qwen 3.8 Max. Частка вигаданих відповідей становить 41,9%. Дешевші моделі, як-от DeepSeek V4.1 Flash, показують приблизно такий самий результат за набагато меншу ціну за завдання.

    Джерело ↗
Де дізнатися більше

  • Спершу відкрийте анонс Містраль Large 4 і прочитайте список тестів від виробника, починаючи із заяви про кібербезпеку 82%. На сторінці сказано, що відкриті ваги мали з'явитися до кінця місяця, тож перевірте, чи вони вже вийшли.

    Джерело ↗
Порівняти першу трійку ↓

2DeepSeek V4.1 Flash

№ 2 — DeepSeek V4.1 Flash. У списках 5 з 8 ШІ; медіанне місце там: 1. ШІ поставили її другою за найкращу оцінку Vals Index серед відкритих моделей при низькій ціні за тест, попри нерівні результати в Terminal-Bench.

А ви знали

  • Попри назву «Flash», модель має приблизно 552 млрд параметрів загалом. На кожен токен активні лише близько 8 млрд під час читання запиту і близько 16 млрд під час написання відповіді, тому її дешево запускати.

    Джерело ↗
Що це
Дешева й швидка модель DeepSeek із величезною пам'яттю для довгих текстів.
Чим сильніший
Вона лідирує серед відкритих моделей у Vals Index і коштує значно менше за тест.
Кому підходить
Підходить програмістам, яким потрібні сильні результати за дешево; не тим, кому потрібні стабільні результати в кожному тесті.
  • Оцінка Vals Index61,26% за 0,66 $ за тест
А ви знали

  • DeepSeek V4.1 Flash може прочитати близько 1 мільйона токенів одразу, це приблизно кілька довгих романів. Вона може написати до 384 тис. токенів в одній відповіді, хоча точні обмеження різняться залежно від постачальника.

    Джерело ↗
Історія

  • DeepSeek V4.1 Flash вийшла 10 вересня 2026 року. У її описі сказано, що вона «замінює» V4 Flash і V4 Pro. Опис не каже, чи старі моделі вже знято з обслуговування.

    Джерело ↗
Що варто врахувати

  • Великі цифри — це оцінки самої DeepSeek, незалежно не перевірені. На Humanity's Last Exam, складному академічному тесті, вона має 36,8 проти 56,3 у Opus 5. Вона також поступається моделям із США в Terminal-Bench 3.0.

    Джерело ↗
Де дізнатися більше

  • Відкрийте сторінку Валс AI і спершу подивіться оцінку Terminal-Bench 4.0. Там показано 19,70% за цим тестом, тож порівняйте її з результатом 2.1 на тій самій сторінці, щоб зрозуміти, чому цифри різняться.

    Джерело ↗
ChatGPT, Meta, DeepSeek поставили його першим. Що вони в ньому побачили

  • ChatGPT: Її незалежний результат FrontierCode 28% — найвищий серед випущених відкритих ваг, а один виміряний провайдер бере $0,37 за спробу складного тесту інтелекту.

  • Meta: Лідер відкритих моделей у Валс Index: 61,26% при $0,66 за тест, проти Sonnet 5.5 з $18,70, тобто у 28 разів дешевше; Terminal-Bench 2.1: 90,6 за даними виробника, 31,8 за незалежними.

  • DeepSeek: Незалежний індекс Vals 61,26% за $0,66 за тест — але заявлені вендором 74,2 на DeepSWE перетворюються на 19,7% на незалежному Terminal-Bench 4.0 від Валс AI, один із найширших розривів довіри в галузі.

Порівняти першу трійку ↓

3Xiaomi MiMo-V2.6-Pro

№ 3 — Xiaomi MiMo-V2.6-Pro. У списках 5 з 8 ШІ; медіанне місце там: 5. ШІ поставили її третьою: непогана оцінка Vals Index за дуже низькою ціною, а найкращі її показники відомі лише від Xiaomi.

А ви знали

  • MiMo-V2.6-Pro має приблизно 1,02 трильйона параметрів, але на кожен токен активні лише 42 мільярди. Її ваги доступні на Hugging Face за ліцензією MIT, яка дозволяє комерційне використання.

    Джерело ↗
Що це
Велика модель Xiaomi з відкритими вагами за ліцензією MIT, створена для роботи агентів.
Чим сильніший
З трьох вона коштує найменше за тест: 0,13–0,24 $.
Кому підходить
Підходить командам, яким потрібна дешева відкрита модель; не тим, хто не має великих серверів з відеокартами.
  • Оцінка Vals Index57,81–59,5% за 0,13–0,24 $
А ви знали

  • За повідомленнями, випуск містить і код навчання, і середовища навчання з підкріпленням, а не лише ваги. Це рідкісніше, ніж звичайне завантаження моделі.

    Джерело ↗
Історія

  • Після виходу MiMo-V2.6 у 2026 році користувачі агентів помітили, що модель інколи знову і знову надсилала той самий виклик інструмента: виглядала зайнятою, але не рухалася далі. Пізніша контрольна точка Xiaomi MOPD вимірюється саме за цією проблемою.

    Джерело ↗
Що варто врахувати

  • Запускати її самостійно важко: «Вам потрібно близько 573 ГБ ваг у пам'яті GPU ще до KV-кешу». У настановах сказано, що на практиці це означає 8 карт H200.

    Джерело ↗

  • Високі показники агентів — це оцінки самої Xiaomi, виміряні у її власних середовищах. У настановах сказано, що внутрішні результати «ніхто поза Xiaomi не може відтворити». Вона також багатослівна: 140 млн вихідних токенів на весь набір тестів.

    Джерело ↗
Де дізнатися більше

  • Спершу прочитайте таблицю тестів у картці моделі, потім рекомендовані налаштування. Цифри там належать самій Xiaomi, тож перевірте їх за незалежними результатами, як-от Валс AI, перш ніж на них покладатися.

    Джерело ↗
Порівняти першу трійку ↓

Трійка поруч

Містраль Large 4DeepSeek V4.1 FlashXiaomi MiMo-V2.6-Pro
У списках ШІ7 / 85 / 85 / 8
Оцінка Vals Index#32 із 44 у Vals Index61,26% за 0,66 $ за тест57,81–59,5% за 0,13–0,24 $
Першим поставили—ChatGPT, Meta, DeepSeek—

Місця з однаковою кількістю ШІ впорядковано за середнім місцем у списках самих ШІ.

Інші рейтинги

03Варто знати

Що помітили ШІ, поки складали список.

Обв'язка змінює оцінки агентів так само, як і модель: одна модель набрала 45,9% на SWE-Bench Pro зі стандартною обв'язкою і 55,4% із власним агентом виробника.

Помітили:
Увімкнули: Claude, DeepSeek. Не увімкнули: ChatGPT, Meta, Gemini, Nova, Wenxin, Qwen.
Джерело ↗

Виробники наводять оцінки Terminal-Bench 2.1 у межах 76–90, тоді як незалежні запуски Terminal-Bench 4.0 дають приблизно 20–41%. Версії різняться, тож розрив — це попередження, а не вимір.

Помітили:
Увімкнули: Claude, Meta, DeepSeek. Не увімкнули: ChatGPT, Gemini, Nova, Wenxin, Qwen.
Джерело ↗

Містраль Large 4 має 81,56% у Vibe Code, але 26,26% на Terminal-Bench 4.0, і 67,68% у Валс Legal Index, але 15,83% як юридичний агент. Знати матеріал — не те саме, що довести завдання до кінця.

Помітили:
Увімкнули: ChatGPT, Gemini. Не увімкнули: Claude, Meta, Nova, Wenxin, DeepSeek, Qwen.
Джерело ↗

Кіберзаява Містраль — рідкісний майже збіг між стартовою цифрою і незалежним тестом (~82% проти 81,7%), але частина її переваги походить від того, що закриті моделі відмовляються від завдань.

Помітили:
Увімкнули: Claude, Meta, Qwen. Не увімкнули: ChatGPT, Gemini, Nova, Wenxin, DeepSeek.
Джерело ↗

DeepSeek V4.1 Flash коштує $0,66 за тест Валс проти $18,70 для Claude Sonnet 5.5, тобто приблизно у 28 разів дешевше, при точності нижчій приблизно на 9 пунктів.

Помітили:
Увімкнули: Meta, DeepSeek. Не увімкнули: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.
Джерело ↗

04Що питають люди

Моделі ШІ і ШІ-агенти: у чому різниця?

Модель — це навчена мережа; агент — це ця модель плюс обв'язка, інструменти і пам'ять, що працюють у циклі. Одна лише обв'язка може змінити оцінку з 45,9% до 55,4%.

Джерело ↗
Яка найкраща ШІ-модель для агентів?

Серед відкритих ваг DeepSeek V4.1 Flash лідирує на Валс Індексі з 61,26% за $0,66 за тест. Для юридичних агентів Muse Spark Open очолює тест Гарві з 25,00%.

Джерело ↗
Яка найкраща ШІ-модель для Hermes Agent?

Нус Рісерч не називає офіційної моделі за замовчуванням, і посібники різняться (Kimi K3, GLM-5.2, MiniMax M3, невеликий Qwen для локального запуску). Перевірте у власній обв'язці Hermes.

Джерело ↗
Чому оцінки агентів від виробників і незалежні оцінки різняться?

Виробники показують найкращі для себе умови тесту та налаштування, а часто й старішу версію тесту. Показник DeepSeek у Terminal-Bench 4.0 — 42,3%, а Валс виміряв 31,8%.

Джерело ↗

05Як рахували

Простими словами, без формул.

1Питання

Топ-10 відкритих моделей для ШІ-агентів: хто доводить справу до кінця, а не хто лише виграє в прес-релізі

2Чому ця тема

Людина, що створює агентів, бачить, які відкриті моделі тримаються поза власною лабораторією виробника, і де заголовок про запуск розходиться з незалежним тестом.

3Де це застосовно

Глобальні моделі з відкритими вагами, що використовуються як агенти для програмування, кібербезпеки та юридичної роботи

4На що дивилися

  • Успішність агентів у незалежних тестах
  • Розрив між оцінкою агента від виробника і найближчою незалежною оцінкою
  • Вартість одного завершеного завдання
  • Розмір моделі і обладнання, потрібне для її запуску
  • Валс AI (Валс Індекс, тест юридичного агента Гарві, Terminal-Bench 4.0, фінансовий агент) — незалежна точність агентів у професійних завданнях, з ціною за тест
  • Artificial Analysis (FrontierCode 2.0, Coding Agent Index, Cyber Index) — незалежне виконання завдань агентів з програмування і кібербезпеки, з ціною за спробу тесту
  • Оцінки агентів від виробників — самозвітні результати в день запуску (CyberGym, Cybench, DeepSWE, Terminal-Bench 2.1), виміряні з власною обв'язкою кожного виробника
  • Розмір моделі і обладнання — загальна і активна кількість параметрів та GPU (графічних процесорів), потрібних для запуску моделі

5Хто ставив місця

Провідні ШІ: Claude, ChatGPT, Meta, Gemini, Nova, Wenxin, DeepSeek, Qwen. Кожен сам склав свій список із десяти місць і до кожного місця назвав джерело.

6Як зведено місця

Те саме, назване різними ШІ по-різному, рахували як одне. Що більше ШІ включили пункт до свого списку і що вище поставили, то вище його місце. «Згода ШІ» показує, у скількох ШІ цей пункт був у власному списку. Джерела — лише ті, що знайшли самі ШІ, нічого не додано вручну.

06Список кожного ШІ окремо

🇺🇸 Claude10 місць · нотаток: 3

Те саме питання, відповідь одного ШІ — Claude. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    GLM-5.3 (Z.ai, 2026)

    Z.ai опублікувала свою методику тестування (Claude Code 2.1.207, pass@1 за 1 507 завдань CyberGym), тож кожен може оскаржити її 84,5, але незалежних підтверджень ще немає.

  2. 2
    Містраль Large 4 (2026)

    Її кіберзаява має найменший видимий розрив: Містраль каже ~82% на CyberGym-E2E, а незалежний індекс виміряв 81,7%.

    Джерело ↗
  3. 3
    DeepSeek V4.1 Flash (2026)

    Графік Містраль її не включив, а таблиця Reflection ставить її вище за Large 4 на DeepSWE (74,2% проти 61,7%).

    Джерело ↗
  4. 4
    Kimi K3 (Moonshot AI, 2026)

    Її 88,3 на Terminal-Bench 2.1 — власна цифра Moonshot, тоді як таблиця Meta дає 85,0, а ваги важать 1,4 TB.

    Джерело ↗
  5. 5
    Muse Spark Open (Meta, 2026)

    Meta каже, що вона перевершує Kimi K3 у використанні інструментів, але поступається в коді: 76,4 проти 85,0 на Terminal-Bench 2.1.

    Джерело ↗
  6. 6
    Qwen3.8-2.4T-A95B (Алібаба, 2026)

    Заява про 92,6 на GPQA стосується версії Max, а не модельного файлу, який можна завантажити.

  7. 7
    MiMo-V2.6-Pro (Xiaomi, 2026)

    В огляді Валс у заголовку сказано, що це приблизно у 100 разів дешевше за Claude Opus 5.5.

  8. 8
    Nemotron 3.5 Bolt 74B-A9B (Nvidia, 2026)

    Найлегша з групи: 74B із 9B активних, вміщується в 24 GB при 2-бітному стисненні.

  9. 9
    Qwen3.8 27B (Алібаба, 2026)

    Лаптопний мозок агента з 34 на старому індексі, але лише 20 на v5.

    Джерело ↗
  10. 10
    Kolibri-1 (Алеф Альфа, 2026)

    Працює на двох A100 по 80 GB, але набирає лише 27,7 на Terminal-Bench 2.1 за власними даними.

Що помітив Claude

Кіберзаява Містраль — єдине місце, де цифра на день запуску майже збігається з незалежною (~82% заявлено, 81,7% виміряно). Але аргумент частково спирається на те, що закриті моделі відмовляються від завдань, і цей розрив може зменшитися, коли ваги стануть публічними.

Джерело ↗

Вибір обв'язки (harness) змінює результати агентів так само, як вибір моделі. Одна модель набрала 45,9% на SWE-Bench Pro зі стандартним каркасом і 55,4% з агентом свого вендора, а Scale AI побачила розкид 5,2 пункта між трьома агентами.

Джерело ↗

Вендорські бали Terminal-Bench 2.1 для відкритих моделей — від 76 до 88, а найкращий відкритий результат на Terminal-Bench 2 — 51,9%. Обидва використовують різні версії й обв'язки, тож розрив — це попередження, а не вимірювання.

Джерело ↗
🇺🇸 ChatGPT10 місць · нотаток: 2

Те саме питання, відповідь одного ШІ — ChatGPT. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026)

    Її незалежний результат FrontierCode 28% — найвищий серед випущених відкритих ваг, а один виміряний провайдер бере $0,37 за спробу складного тесту інтелекту.

    Джерело ↗
  2. 2
    GLM-5.3 (2026, Z.ai)

    Має такий самий індекс інтелекту, як у DeepSeek, — 32, але коштує $2,53 за спробу тесту інтелекту в одного незалежно виміряного провайдера.

    Джерело ↗
  3. 3
    MiMo-V2.6-Pro (2026, Xiaomi)

    Поєднує 57,81% точності в професійних завданнях за Валс і, за повідомленнями, $0,24 за одну спробу в тесті інтелекту на GMI.

    Джерело ↗
  4. 4
    Містраль Large 4 OSS (2026, Франція)

    Її незалежний результат Vibe Code 81,56% контрастує з 26,26% на Terminal-Bench 4.0: вибір завдань сильно змінює картину.

  5. 5
    MiMo-V2.6-Flash (2026, Xiaomi)

    За $0,11 за спробу тесту інтелекту в GMI це недорогий кандидат для повторних спроб агента.

    Джерело ↗
  6. 6
    Ling 3.1 Flash 1019 (2026)

    Її 29 пунктів інтелекту і 25 млрд активних параметрів ставлять її серед сильніших ефективних кандидатів для агентів.

    Джерело ↗
  7. 7
    Step 5 Preview (2026, StepFun)

    Її 29 пунктів збігаються з Ling, але приблизно $0,50 за змішаний токен підриває економіку повторних спроб.

    Джерело ↗
  8. 8
    Kimi K3 (2026, Moonshot AI)

    Сильний показник людських вподобань варто перевірити як агента для планування чи рецензування, але це не доказ виконаних робочих процесів з інструментами.

  9. 9
    MiniMax-M3.1-Flash (2026)

    29 пунктів інтелекту і виміряна вартість спроби тесту $0,42 роблять її цікавою, хоча права на розгортання лишаються неясними.

    Джерело ↗
  10. 10
    Містраль Large 3 (2025–2026)

    Apache 2.0 дає операційну перевагу, коли бізнесу потрібно розміщувати агентів для клієнтів без винятку Large 4 для Model-as-a-Service.

    Джерело ↗

Що помітив ChatGPT

На FrontierCode 2.0 найкраща випущена відкрита вага досягає 28%, тоді як у Claude Opus 5.5 — 46%. Розрив у 18 пунктів — пряме попередження проти того, щоб прирівнювати загальний інтелект до надійності автономного кодування.

Джерело ↗

Спроба тесту за $0,11 не обов'язково дешевша за спробу за $0,37, якщо дешевша модель помиляється значно частіше. Економіку виконаних завдань треба вимірювати з урахуванням повторів і людського виправлення.

Джерело ↗
🇺🇸 Meta10 місць · нотаток: 4

Те саме питання, відповідь одного ШІ — Meta. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026, Китай)

    Лідер відкритих моделей у Валс Index: 61,26% при $0,66 за тест, проти Sonnet 5.5 з $18,70, тобто у 28 разів дешевше; Terminal-Bench 2.1: 90,6 за даними виробника, 31,8 за незалежними.

    Джерело ↗
  2. 2
    Xiaomi MiMo-V2.6-Pro (2026, Китай)

    89,9 на Terminal-Bench 2.1, трохи вище за Claude Opus 5 з 89,1, 71,9 на DeepSWE v1.1, 94% на CyberGym, $0,13 за завдання з інтелекту

    Джерело ↗
  3. 3
    Z.ai GLM-5.3 (2026, Китай)

    84,5% CyberGym white-box — технічно попереду Claude Mythos 5 з 83,8%, DeepSWE 66,9% проти 46,2 раніше, 40% на Terminal-Bench 4.0

    Джерело ↗
  4. 4
    Z.ai GLM-5.3 Flash (2026, Китай)

    MIT, $0,15/$0,50, 84,3 на Terminal-Bench 2.1 за даними вендора, найнижча ціна запуску відкритого агента на одному хості

    Джерело ↗
  5. 5
    Містраль Large 4 Le Chonk (2026, Франція)

    Вендор: 93% Cybench, 82% виправлення вразливостей, 61,7% DeepSWE v1.1 — незалежно 41% на Terminal-Bench 4.0 і 48% в Coding Agent Index, з на 47% меншою кількістю токенів

    Джерело ↗
  6. 6
    Moonshot Kimi K3 (2026, Китай)

    Найкраща відкрита модель в Валс Index з 57%, 1488 Arena; K3.1 Pro набирає 67% у Terminal-Bench 4.0 у v5, це найкращий відкритий результат у терміналі.

    Джерело ↗
  7. 7
    DeepSeek V4 Pro 0813 (2026, Китай)

    MIT, нуль відмов на 840 ворожих завданнях з безпеки, 76% на CyberGym-E2E проти 79% у Містраль Large 4, вдвічі дешевше за успіх

    Джерело ↗
  8. 8
    Алібаба Qwen3.8-2.4T-A95B Max (2026, Китай)

    2,4T загалом, 95B активних, власний шлюз MaaS за $50 млн, 68,89% на IOI; менший брат на 27B з Apache — чиста ліцензійна альтернатива

    Джерело ↗
  9. 9
    MiniMax M3.1 Flash (2026, Китай)

    MoE на 428B загалом, 23B активних, $0,075/$0,30 — найдешевший фронтирний агент, 43 в Intelligence Index, ваги на Hugging Face 23 жовтня

    Джерело ↗
  10. 10
    Google Gemma 4 31B / Nvidia Nemotron 3.5 Bolt 74B (2026, США)

    Найкраще апаратне розміщення в США: Gemma 1452 Arena на 31B, Nemotron 74B загалом і 9B активних вміщується в GPU на 24 GB, Apache 2.0 + відкрита ліцензія Nvidia

    Джерело ↗

Що помітив Meta

Розрив довіри понад 10 пунктів: вендорські 42,3% на Terminal-Bench 4.0 у DeepSeek V4.1 Flash проти незалежних 31,8% у Vals, а вендорські 82% виправлення вразливостей у Містраль Large 4 проти 41% на Terminal-Bench 4.0 незалежно — заяви на запуск на 20 пунктів вищі за незалежні перевірки

Джерело ↗

Вартість на завершене завдання: DeepSeek V4.1 Flash 1017 за $0,66 за тест Vals проти Claude Sonnet 5.5 за $18,70 і Opus 5.5 за $28,12 — у 28 і 42 рази дешевше при на 9 пунктів нижчій точності

Джерело ↗

CyberGym насичений: GLM-5.3 з 84,5% проти Claude Mythos 5 з 83,8% і GPT-5.6 Sol з 83,6% — у межах 7,3 пункта; різниця можливостей не видна у відсотку на заголовку

Джерело ↗

Terminal-Bench відокремлює сильних: найкраща відкрита Kimi K3.1 Pro — 67%, найкраща випущена DeepSeek V4.1 Flash — 28% на FrontierCode і 13% на Terminal-Bench-Science, більшість відкритих моделей — менше 10%

Джерело ↗
🇺🇸 Gemini10 місць

Те саме питання, відповідь одного ШІ — Gemini. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Qwen 2.5 Coder 32B Instruct (Алібаба, Китай)

    Має найменший розрив довіри в галузі (менше 4 відсоткових пунктів), виконує складні прогони кодових агентів за копійки на споживчому обладнанні.

    Джерело ↗
  2. 2
    DeepSeek-V3 (Китай, 2024–2026)

    Поєднує великі можливості виклику інструментів MoE на 671B з агресивним розривом довіри менше 5% і майже непомітною ціною викликів API.

    Джерело ↗
  3. 3
    Llama 3.3 70B Instruct (Meta, США)

    Виконує 92% послідовностей викликів функцій без деградації синтаксису, з тісним відхиленням 5,1% від заяв технічного звіту Meta.

  4. 4
    Nous Hermes 3 - 70B (Нус Рісерч, США)

    Створена суто для керування автономними агентами та виконання функцій у JSON, зберігає майже нульовий дрейф промпту на прогонах з 50 кроків.

    Джерело ↗
  5. 5
    Містраль Large 4 (Містраль AI, Франція, 2026)

    Заявляє приголомшливі 82% на CyberGym-E2E і 61,7% на DeepSWE v1.1, але падає до 15,83% у незалежному Legal Agent Benchmark від Гарві.

    Джерело ↗
  6. 6
    Llama 3.1 405B Instruct (Meta, США)

    Найбільший запас сирих міркувань серед відкритих ваг, але для одного потоку агента потрібен вузол дата-центру з 8 GPU.

  7. 7
    DeepSeek-Coder-V2.5 (Китай)

    Надійний автоматичний мисливець за багами, чия архітектура MoE з 16B активних зменшує вартість завершених виправлень коду до $0,05.

    Джерело ↗
  8. 8
    Qwen 2.5 72B Instruct (Алібаба, Китай)

    Надійний загальний агент, що живить оркестратори кількох агентів стабільністю контексту 128k і майже без збоїв розбору.

    Джерело ↗
  9. 9
    Devstral 24B / Містраль NeMo (Містраль AI, Франція)

    Легкий локальний агент від Містраль, що надійно виконує термінальні команди IDE без витрат хмарних кредитів підприємства.

    Джерело ↗
  10. 10
    GLM-4 9B Chat (Чжипу AI, Китай)

    Квиток на вхід для мобільних і периферійних агентних систем, здатний розбирати дії веб-перегляду в межах 16 GB RAM.

    Джерело ↗
🇨🇳 Wenxin10 місць · нотаток: 1

Те саме питання, відповідь одного ШІ — Wenxin. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Meta Llama 4 Maverick 405B (2026)

    Агент на 405B — але щоб він завершив завдання, потрібні 8×H100 і апаратне забезпечення на 12 тис.

  2. 2
    DeepSeek-V3.2 671B (2025/2026)

    Трюк MoE зменшує активні параметри приблизно до 37B — агент, що мислить великими категоріями, але витрачає мало

  3. 3
    Містраль Large 4 123B (Містраль AI, Франція, 2026)

    Бали агента 123B виглядають чудово на папері — незалежні тести показують розрив у 20 пунктів

    Джерело ↗
  4. 4
    Qwen3 235B-A22B MoE (Алібаба, 2026)

    22B активних під час виводу — агент, якого ви справді можете собі дозволити тримати 24/7

    Джерело ↗
  5. 5
    Falcon 3 180B (TII, Об'єднані Арабські Емірати, 2026)

    Універсал на 180B — непоганий агент, але не спеціаліст, якого потрібно для коду чи права

  6. 6
    Nvidia Nemotron 4 340B (2025/2026)

    Власна агентна модель Nvidia — створена, щоб показати їхні чипи, а не ваш бюджет

  7. 7
    Microsoft Phi-4 14B (2025/2026)

    14B на ноутбуці — агент, що працює, поки заварюється кава

  8. 8
    Cohere Command R+ 104B (2025/2026)

    Створена для корпоративних RAG-агентів — але «відкрита» лише якщо ви не хочете її продавати

    Джерело ↗
  9. 9
    Stability AI Stable Code 3 15B (2026)

    Агент коду на 15B — чудово з тікетами GitHub, але не зробить ваші податки

  10. 10
    Google Gemma 3 27B (2026)

    Універсальний агент 27B — достатньо добрий для 80% завдань за 1/10 вартості

    Джерело ↗

Що помітив Wenxin

DeepSeek-V3.2 коштує менше 1 за мільйон токенів при власному хостингу, тож це найдешевша агентна модель топ-5 — і це MoE, тому на кожен токен активно лише близько 37B параметрів

Джерело ↗
🇨🇳 DeepSeek10 місць · нотаток: 1

Те саме питання, відповідь одного ШІ — DeepSeek. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026)

    Незалежний індекс Vals 61,26% за $0,66 за тест — але заявлені вендором 74,2 на DeepSWE перетворюються на 19,7% на незалежному Terminal-Bench 4.0 від Валс AI, один із найширших розривів довіри в галузі.

  2. 2
    GLM-5.3 (2026)

    У категорії програмування Валс ставить їй 64,3, це найкращий результат серед агентів для коду з відкритими вагами. Її незалежні показники витримують перевірку краще за більшість, але суперечка навколо ліцензії важлива для всіх, хто розміщує агентів для клієнтів.

    Джерело ↗
  3. 3
    Містраль Large 4 (Le Chonk, 2026)

    Заяви Містраль при запуску: 82% CyberGym-E2E, 93% Cybench і 61,7% DeepSWE, але незалежне тестування Cyber Index дає близько 51% — розрив довіри приблизно 31 пункт, і це ключова цифра для покупців агентів безпеки.

    Джерело ↗
  4. 4
    Kimi K3 (Moonshot AI, 2026)

    Незалежний результат Vals 57,8% і відкритий рейтинг LMArena 1 487 Elo, але тригер за виручкою $20 млн і ліміт 100 млн MAU означають, що агентним платформам треба закладати в бюджет комерційну угоду, а не лише GPU.

    Джерело ↗
  5. 5
    MiMo-V2.6-Pro (Xiaomi, 2026)

    Незалежна оцінка Валс: 59,5% при повній ліцензії MIT і $0,435/$0,87 за мільйон токенів. Це найкращий варіант за ціною готового завдання серед справді вільних моделей.

    Джерело ↗
  6. 6
    Qwen 3.8 Max (Алібаба, 2026)

    Сильні цифри кодового агента (67,4 на Terminal-Bench 2.1 у вендорських тестах), але обмеження $50 млн за виручкою для конкуруючих бізнесів MaaS і асистентів коду — платформа агента, що розміщує її для клієнтів, має планувати комерційну угоду.

    Джерело ↗
  7. 7
    Muse Spark Open (Meta, 2026)

    Посідає перше місце в Harvey Legal Agent Benchmark від Валс AI з 25,00%, але її тригер перепродажу MaaS за $20 млн означає, що платформам лег-тек треба окрему угоду, перш ніж розміщувати її для клієнтів.

  8. 8
    Step 5 Preview (StepFun, 2026)

    29 на AA v5 і контекст 1M токенів з дизайном MoE на 600B, але StepFun Model License 1.0 має умови OEM і MaaS, які можуть блокувати розгортання агентів, навіть коли ваги завантажуються.

  9. 9
    Nemotron 3 Ultra (Nvidia, 2026)

    Лише 23 на AA v5, але OpenMDW-1.1 відкриває ваги, навчальні дані й рецепти — найпрозоріша модель для довготривалих агентів, за $0,60/$2,60 за мільйон токенів.

  10. 10
    Beam 1.0 (Reflection, 2026)

    30 на AA v5 і 48,5% на AutomationBench-AA — сильно для агентних робочих процесів, але лише 3,0% на Terminal-Bench 4.0, тож вона завершує агентів для знаннєвої роботи, а не термінальних агентів.

Що помітив DeepSeek

Відкриті агенти можуть зрівнятися із закритими моделями за менш ніж десяту частину вартості, якщо їм дати достатньо кроків, — висновок, що змінює математику «купити чи побудувати» для команд агентів безпеки та права.

Джерело ↗
🇨🇳 Qwen10 місць · нотаток: 2

Те саме питання, відповідь одного ШІ — Qwen. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Kimi K3.1 Pro

    Агент Moonshot завершує 94,7% реальних завдань з хакерства, і розрив між його незалежним результатом і прес-релізами всіх інших величезний.

    Джерело ↗
  2. 2
    DeepSeek V4.1

    Робоча конячка з ліцензією MIT завершує складних багатофайлових кодових агентів за частку вартості американських фронтирних моделей.

  3. 3
    Містраль Large 4

    Містраль заявляє 82% на CyberGym і 61,7% на DeepSWE, а незалежні тестувальники виміряли 81,7% і 60% — рідкісний «чесний» розрив довіри.

    Джерело ↗
  4. 4
    GLM-5.1

    Донавчена спеціально для тесту Legal Agent Benchmark від Гарві, складає і перевіряє договори швидше за будь-яку універсальну модель.

  5. 5
    Qwen 3.8 Max

    Агентний оркестратор Алібаби домінує в азійських юридичних і фінансових процесах, хоча його ліцензія з обмеженням виручки $50 млн гальмує глобальне впровадження SaaS.

  6. 6
    Llama 3.3 405B

    Величезне вікно контексту Meta дозволяє тримати цілі кодові бази в пам'яті для довготривалих агентів рефакторингу.

  7. 7
    Yi-Lightning

    Легкий агент 01.AI працює на дешевих хмарних GPU, тож це типовий вибір для стартапів, що будують автоматизовані цикли підтримки клієнтів.

    Джерело ↗
  8. 8
    MiMo

    Спеціалізований агент міркувань, що перевершує універсальні моделі в завданнях з кодом, де багато математики, і не потребує 100 млрд параметрів.

    Джерело ↗
  9. 9
    Phi-4

    Малий агент Microsoft чудово виконує локальні перевірки безпеки на пристрої, де надсилання коду в хмару є порушенням правил.

    Джерело ↗
  10. 10
    InternLM 3

    Агентна система Шанхайської лабораторії штучного інтелекту має вбудоване відстеження використання інструментів, тож це улюблений вибір для фінансової оркестрації з аудитом.

    Джерело ↗

Що помітив Qwen

«Розрив довіри» в агентах ШІ звужується: вендорські заяви Містраль Large 4 (82% на CyberGym) майже збіглися з незалежними тестами (81,7%) — рідкісний момент прозорості в галузі, де панують вибіркові бенчмарки.

Джерело ↗

Ефективність заліза стає новим ровом для агентів: Phi-4 і Yi-Lightning дозволяють стартапам запускати цілодобові автономні перевірки безпеки на одній RTX 4090, повністю обминаючи ліміти запитів хмарних API.

Джерело ↗