Назад до тренду дня: Новий гендиректор Apple: ШІ заради самого ШІ не випускатимуть
Рейтинг Poly · з тренду дня

Найкраща ШІ-модель для агентів 2026: топ-10 за тестами, голосами й використанням

DeepSeek V4.1 Flash обробила 45,5 трильйона токенів OpenRouter за тиждень до 30 жовтня, приблизно вшестеро більше, ніж Claude Opus 5.5, яку сліпі голосувальники ставлять першою за завданнями агентів.

  • №1: Claude Opus 5.5
  • 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

    Claude Opus 5.5

    Вона перша в сліпому рейтингу агентів LMArena (20,9) і в WebDev. Її 89,9% на SWE-bench Pro — за даними виробника, а не з одного спільного тестового середовища. За токенами OpenRouter вона шоста (7,31 трильйона).

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

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

    Що відзначив кожен ШІ 7
    • Claudeмісце 2

      Станом на 17 жовтня 2026 вона перша в таблиці LMArena WebDev, тож це практичний вибір для програмування.

      Джерело ↗
    • ChatGPTмісце 1

      26,6 трлн токенів OpenRouter за 30 днів: преміальна модель із великим спостережуваним попитом, попри дешевші альтернативи.

      Джерело ↗
    • Metaмісце 1

      89,9% у SWE-bench Pro — на 8,6 пункту вище за Sonnet 5.5 — але лише 6,91 трлн токенів на OpenRouter проти 47,8 трлн у DeepSeek; передова якість за $4 вхід / $20 вихід

    • Grokмісце 2

      Голоси наосліп поставили Opus 5.5 першим у агентних завданнях із 20,9, а довга сесія програмування все одно коштує близько $1,39.

      Джерело ↗
    • Kimiмісце 1

      Агентна потрійна корона за половину ціни старого флагмана: 89,9% у SWE-bench Pro, #1 в Arena WebDev (1807), #1 в Agent Arena (21,4% підтвердженого успіху) — і перший флагман Anthropic, що коштує $4/$20 замість $10/$50.

    • DeepSeekмісце 1

      Claude Opus 5.5 очолює зведену таблицю SWE-bench Pro від виробників з 89,9% і bench агента Hermes з 76,7% — найповніша модель «зроби завдання» у жовтні 2026 року, за $4,19–$5,98 за успішну задачу.

      Джерело ↗
    • Qwenмісце 1

      89,9% у SWE-bench Pro — лідер ринку, що доводить: вона розв’язує найбільше реальних задач GitHub.

      Джерело ↗
    7 ШІ поставили сюди
    Джерело ↗
  2. 2

    DeepSeek V4.1 Flash

    Це та модель, яку агенти справді запускають: 45,5 трильйона токенів OpenRouter на тиждень, найпопулярніша модель Hermes Agent і близько $0,05 за довгу сесію програмування. На складних тестах вона відстає від лідерів.

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

    У їхніх списках: Claude: 5 · ChatGPT: 5 · Meta: 4 · Grok: 1 · Kimi: 7 · DeepSeek: 5 · Qwen: 5

    Що відзначив кожен ШІ 7
    • Claudeмісце 5

      Вона все ще перша на OpenRouter з 32,8 трлн токенів у звіті від 20 жовтня 2026 року, хоча її використання впало на 20%.

    • ChatGPTмісце 5

      116 трлн токенів за 30 днів, із опублікованими цінами виведення від $0,13 за вхід і $0,52 за вихід на мільйон токенів.

      Джерело ↗
    • Metaмісце 4

      47,8 трлн токенів за останні 7 днів — 29,4% топ-20 — лише за знімок 1017 — 43,6% топ-20 — моделі DeepSeek, $0,30 вхід, $1,2 вихід

    • Grokмісце 1

      Hermes Agent пропустив 11,8 трлн токенів через DeepSeek V4.1 Flash цього місяця, а довга сесія програмування на ній коштує близько $0,047.

      Джерело ↗
    • Kimiмісце 7

      Король токенної економіки: DeepSeek — провайдер №1 за часткою живих агентних токенів (39,1%), більше ніж Anthropic і Google разом, — а ця модель коштує $0,15/$0,60 у непікові години.

      Джерело ↗
    • DeepSeekмісце 5

      DeepSeek V4 Flash — король реального агентного обсягу: 11,4 трлн токенів на тиждень на OpenRouter і $0,028 за успішну задачу — приблизно в 180 разів дешевше за Claude Fable 5.1, хоча відстає від передових моделей у складних тестах програмування.

      Джерело ↗
    • Qwenмісце 5

      53,1 трлн токенів, оброблених на OpenRouter, — справжній лідер робочих навантажень для розробників, що маршрутизують трафік агентів.

      Джерело ↗
    7 ШІ поставили сюди
    Джерело ↗
  3. 3

    Gemini 4 Argon

    Вона близька до вершини обох рейтингів: 99,22% на SWE-Bench Pro V2 і близько 1 520 на текстовому LMArena. Але обробляє лише 1,09 трильйона токенів OpenRouter на тиждень — це 28 місце.

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

    У їхніх списках: Claude: 3 · ChatGPT: 8 · Meta: 8 · Grok: 8 · Kimi: 5 · DeepSeek: 2 · Qwen: 6

    Що відзначив кожен ШІ 7
    • Claudeмісце 3

      Вона лідирує в LMArena Text за голосами людей, але оцінка 1524±9 попередня.

      Джерело ↗
    • ChatGPTмісце 8

      Оцінка 50,4 в індексі інтелекту тримає передову модель Google конкурентною, але сама загальна здатність не визначає надійності агентів.

      Джерело ↗
    • Metaмісце 8

      1524 Elo, #2 у LMArena — у межах 4 пунктів від Carbon — рівень High reasoning, $10/млн на виході, вступна ціна $2/$10 до 30 листопада

      Джерело ↗
    • Grokмісце 8

      Gemini 4 Argon має 99,22% у публічній таблиці Pro V2, на 0,18 пункту позаду Opus 5, на тесті, який Scale AI називає майже межею.

      Джерело ↗
    • Kimiмісце 5

      Улюбленець людей, що програє лабораторним тестам: #1 у текстовому LMArena (1517,2) і найнижчий виміряний рівень галюцинацій (4%), але 50,4 в Intelligence Index v5 — шоста серед придатних до використання моделей.

      Джерело ↗
    • DeepSeekмісце 2

      Gemini 4 Argon — вибір людей: №1 у текстовому LMArena з 1517 і в багатоходовому з 1544 — і коштує $1,80 за успішну задачу, приблизно чверть вартості Claude Opus 5.5.

      Джерело ↗
    • Qwenмісце 6

      99,2% у SWE-bench Pro V2 показує, що передова модель Google наздоганяє Anthropic у довготривалій інженерії.

      Джерело ↗
    7 ШІ поставили сюди
    Джерело ↗
  4. 4

    Kimi K3 (K3.1 Pro)

    Kimi K3 розв'язала 214 із 272 приватних завдань SWE-Bench Pro V2, на два менше, ніж Opus 5, а K3.1 Pro лідирує в незалежному прогоні Terminal-Bench 4.0 з 67,2%. Вона використовує менше 2 трильйонів токенів на тиждень.

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

    У їхніх списках: Claude: 9 · ChatGPT: 9 · Meta: 9 · Grok: 7 · Kimi: 4 · DeepSeek: 10

    Що відзначив кожен ШІ 6
    • Claudeмісце 9

      Джерела називають її найсильнішим вибором із відкритими вагами для агентної роботи у 2026 році. Оцінку я підтвердити не зміг.

      Джерело ↗
    • ChatGPTмісце 9

      Оцінка 1529 за голосами людей в ІТ-орієнтованій арені ставить Kimi поруч із 1540 у Claude Fable 5, попри дуже інший ринковий профіль.

      Джерело ↗
    • Metaмісце 9

      Найкращі відкриті ваги на #18 у LMArena з 1488 — K3.1 Pro $3/$15 — 1,97 трлн токенів, #1 в Arena full-stack з 1664 за бюджетним вибором Turiloop

      Джерело ↗
    • Grokмісце 7

      За приватним підрахунком SWE-Bench Pro V2 Kimi K3 розв’язала 214 із 272 задач — на дві менше за Opus 5.

      Джерело ↗
    • Kimiмісце 4

      Сюрприз з відкритими вагами, що перемагає гігантів на їхньому ж агентному тесті: лідирує в незалежному запуску Terminal-Bench 4.0 (67,2%, 23 жовтня) попереду всіх закритих моделей, крім Gemini 4 Carbon з обмеженим доступом, — за $2/$10.

      Джерело ↗
    • DeepSeekмісце 10

      Kimi K3 створена для оркестрації: масштабується до 300 субагентів і 4 000 кроків координації, тож це спеціалістка, коли завдання агента — керувати іншими агентами, а не писати кожен рядок самій.

      Джерело ↗
    6 ШІ поставили сюди
    Джерело ↗
  5. 5

    Claude Sonnet 5.5

    Вона перемогла Opus 5.5 у тесті агентів OpenRouter з бронюванням рейсів — 78,7% проти 75,5% — і коштує вдвічі менше. На рейтингу SWE-bench Pro за даними виробника вона має 81,3%.

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

    У їхніх списках: Meta: 2 · Grok: 9 · Kimi: 2 · DeepSeek: 6 · Qwen: 2

    Що відзначив кожен ШІ 5
    • Metaмісце 2

      81,3% у SWE-bench Pro — на 8,6 пункту позаду Opus 5.5 за половину ціни, $2/$10 — 2,61 трлн токенів, найкращий баланс для щоденних агентів

    • Grokмісце 9

      У власному тесті агента бронювання рейсів OpenRouter Sonnet 5.5 набрала 78,7%, вище за Opus 5.5 із 75,5%, за половину ціни токенів.

      Джерело ↗
    • Kimiмісце 2

      Модель, на яку розробники справді витрачають токени: лідирує в Terminal-Bench 4.0 (70,6%) і LiveBench Coding (91,4) за половину ціни Opus — найвищий агентний бал на долар у передовому сегменті.

      Джерело ↗
    • DeepSeekмісце 6

      Claude Sonnet 5.5 дає 81,3% від результату Claude Opus 5.5 у SWE-bench Pro приблизно за 84% його вартості за задачу — найвигідніший вибір у родині Claude для продакшн-циклів агентів.

      Джерело ↗
    • Qwenмісце 2

      Найкраща універсальна модель для Hermes Agent, що досягає 70,6% у Terminal-Bench 4.0 для довгих завдань.

    5 ШІ поставили сюди
    Джерело ↗
  6. 6

    GLM 5.3 (і GLM 5.3 Flash)

    GLM 5.3 Flash другий за тижневими токенами OpenRouter (16,1 трильйона). Повна GLM-5.3 виконала 211 із 272 приватних завдань SWE-Bench Pro V2 за $0,36 за довгу сесію.

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

    У їхніх списках: Claude: 8 · ChatGPT: 6 · Meta: 6 · Grok: 3 · Kimi: 9

    Що відзначив кожен ШІ 5
    • Claudeмісце 8

      Вона трималася на рівні 12,2 трлн токенів на OpenRouter, поки DeepSeek падав, і це дешева модель, яку обирають розробники агентів.

    • ChatGPTмісце 6

      55,3 трлн токенів на місяць ставлять економну серію GLM Flash попереду багатьох більш знаних передових моделей за спостережуваним обсягом API.

      Джерело ↗
    • Metaмісце 6

      15,7 трлн токенів, #2 на OpenRouter — $0,5/млн на виході — стрибок відкритих вагових моделей з 27% до 72% топ-50 токенів рік до року

    • Grokмісце 3

      Flash-версія була другою за трафіком тижня з 16,1 трлн токенів, тоді як повна GLM-5.3 розв’язала 211 із 272 приватних задач SWE-Bench Pro V2.

      Джерело ↗
    • Kimiмісце 9

      Робоча конячка для самостійного хостингу: 95,4% у архівній таблиці SWE-bench Verified — вище за Kimi K3 (93,4%) — за простою ліцензією MIT, $1,19/$6 при хмарному розміщенні.

    5 ШІ поставили сюди
    Джерело ↗
  7. 7

    Claude Fable 5.1

    Вона лідирує в загальному рейтингу LiveBench з 88,0 і має 81,2% на рейтингу SWE-bench Pro за даними виробника. Це також найдорожча модель тут за завдання: $5,10 на LiveBench і $7,63 на максимальному рівні зусиль.

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

    У їхніх списках: ChatGPT: 3 · Meta: 7 · DeepSeek: 3 · Qwen: 4

    Що відзначив кожен ШІ 4
    • ChatGPTмісце 3

      Розв’язує 64,5% задач у SWE-rebench за $4,40 за задачу: сильний результат виконання з помітною надбавкою за ціну.

    • Metaмісце 7

      81,2% у SWE-bench Pro — лише на 0,1 пункту позаду Sonnet 5.5 — 95,0% у SWE-bench Verified, #1, але $7,63 за задачу проти $3,26 у Astra

    • DeepSeekмісце 3

      Claude Fable 5.1 — лідер LiveBench із 88,0 і набирає ідеальні 100 у використанні браузера — найкраща модель агента «роботи з комп’ютером», але за $5,10 за успішну задачу вона найдорожча в цій топ-групі.

    • Qwenмісце 4

      81,2% у SWE-bench Pro, майже нарівні з Sonnet 5.5, але з нижчою вартістю за завершену задачу.

      Джерело ↗
    4 ШІ поставили сюди
    Джерело ↗
  8. 8

    GPT-6 Astra

    Вона перша в Frontend Code Arena (1 793) і має 82,4 у завданнях агентів LiveBench. Але коштує $10/$50, а OpenAI має лише 7,8% відстежуваних живих токенів.

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

    У їхніх списках: ChatGPT: 4 · Kimi: 3 · DeepSeek: 4

    Що відзначив кожен ШІ 3
    • ChatGPTмісце 4

      Її 56,9 в індексі інтелекту перевищує 54,5 у GPT-6 Sol, але сильніший загальний бал не доводить дешевшого виконання агентних задач.

      Джерело ↗
    • Kimiмісце 3

      Улюбленець голосів людей, лиходій рахунку за токени: #1 у Frontend Code Arena (1793) і #2 у WebDev (1774), але за $10/$50 вона коштує у 2,5 раза дорожче за Opus 5.5 — а частка OpenAI в живих агентних токенах лише 7,8%.

    • DeepSeekмісце 4

      GPT-6 Astra — збалансований передовий агент: 86,1 загалом у LiveBench, 82,4 в агентних завданнях і $3,81 за успішну задачу — сильніша за Gemini 4 Argon в агентних завданнях і дешевша за Claude Fable 5.1.

    3 ШІ поставили сюди
    Джерело ↗
  9. 9

    Muse Spark 1.1 (Meta)

    Вона очолює стандартизований рейтинг Scale SWE-bench Pro з 61,5% ± 3,1 — результат з одного спільного тестового середовища. У тижневій першій десятці токенів немає жодної моделі Muse.

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

    У їхніх списках: Meta: 10 · Grok: 10 · DeepSeek: 7

    Що відзначив кожен ШІ 3
    • Metaмісце 10

      61,5% ±3,1 в офіційній публічній таблиці Scale AI — найвищий стандартизований результат — $0,2/млн токенів, найдешевший у топ-20, рівень Contributor

      Джерело ↗
    • Grokмісце 10

      Muse Spark 1.1 лідирує в старішій приватній таблиці Scale AI SWE-Bench Pro з 61,5% і не входить до десятки токенів тижня.

      Джерело ↗
    • DeepSeekмісце 7

      Muse Spark 1.1 має єдиний стандартизований найвищий результат у SWE-bench Pro — 61,5% у публічному наборі Scale AI, — але її 51,5% у комерційному наборі показує, як обв’язка й розбиття даних можуть змінити цифру.

    3 ШІ поставили сюди
    Джерело ↗
  10. 10

    GPT-6 Luna

    Вона має найдешевшу довгу сесію програмування в порівнянні OpenRouter — $0,024 — і четверта за тижневими токенами з 10,9 трильйона, на 62% більше. Рядка SWE-bench Pro для неї не опубліковано.

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

    У їхніх списках: Meta: 5 · Grok: 4

    Що відзначив кожен ШІ 2
    • Metaмісце 5

      10,3 трлн токенів, #4 на OpenRouter — найдешевша передова модель за $0,5/млн на виході — $0,07 за агентну задачу в OSWorld проти $14,19 у Fable 5.1

      Джерело ↗
    • Grokмісце 4

      Довга сесія програмування на GPT-6 Luna коштує близько $0,024 — найдешевше в порівнянні OpenRouter — на 10,9 трлн токенів за тиждень.

      Джерело ↗
    2 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.

Місця визначають за сумішшю тестів, голосувань і використання. Оцінки взято з різних рейтингів, а деякі з них подає сам виробник, тож напряму порівнювати їх не можна.

1Claude Opus 5.5

№ 1 — Claude Opus 5.5. У списках 7 з 9 ШІ; медіанне місце там: 1. Голосуючі наосліп поставили її першою в завданнях для агентів, а в рейтингах програмування вона лідирує, хоча через неї проходить значно менше токенів, ніж через DeepSeek.

А ви знали

  • У Opus 5.5 розширене мислення не можна вимкнути. Більшість завдань з кібербезпеки також передають старішій моделі Opus 4.8, якщо користувач не перебуває в програмі Cyber Verification Program від Anthropic.

    Джерело ↗
Що це
Найкраща модель Anthropic, ціна $4 за мільйон вхідних і $20 за мільйон вихідних токенів.
Чим сильніший
Вона посідає перше місце серед голосуючих наосліп у завданнях для агентів, попереду двох інших.
Кому підходить
Підійде командам, яким потрібна найвища якість агентів; не тим, хто обмежений у бюджеті.
  • токенів на тиждень на OpenRouter7,31 трлн токенів на тиждень
Чому він тут

  • Картка моделі, на якій грунтується цей рейтинг, дає Claude Opus 5.5 89,9% на SWE-bench Pro, тесті з програмування. Це оцінка, наведена самим виробником, а не отримана в спільних тестових умовах.

    Джерело ↗

  • У Terminal-Bench 4.0, тесті роботи в командному рядку, Claude Opus 5.5 набрала 66,4%. Gemini 4 Argon, модель третього місця, набрала 57,4%. Тож лідер випереджає третє місце у складних завданнях для агентів.

    Джерело ↗
А ви знали

  • Anthropic каже, що Opus 5.5 коштує приблизно на 40% менше в роботі, ніж Opus 5, за стандартних налаштувань. Модель із найвищою оцінкою голосуючих подешевшала, а не подорожчала. Вона вийшла 22 вересня 2026 року.

    Джерело ↗
Що варто врахувати

  • Режим Max effort попереджає про витрату «6x або більше» ліміту. Користувачі Reddit пишуть про 4x, 5,5x і 6x, а один каже, що Max схильний до надмірного обдумування. Деякі користувачі також очікують, що модель погіршиться невдовзі після запуску.

    Джерело ↗

  • Один користувач сказав, що Opus 5.5 ухвалив сумнівні архітектурні рішення в завданні з функцією. Інший звіт каже, що Fable 5.1 досі перемагає в деяких порівняльних тестах з програмування.

    Джерело ↗
Де дізнатися більше

  • Прочитайте оголошення самої Anthropic про Claude Opus 5.5. Почніть з розділу з тестами, а потім прочитайте примітку про те, що розрив із Fable 5.1 у реальному використанні менший, ніж показують оцінки.

    Джерело ↗
Порівняти першу трійку ↓

2DeepSeek V4.1 Flash

№ 2 — DeepSeek V4.1 Flash. У списках 7 з 9 ШІ; медіанне місце там: 5. Це модель, яку агенти справді використовують: далеко попереду за кількістю токенів, з крихітною ціною за сесію, хоча відстає на найважчих тестах.

А ви знали

  • Ця дешева модель «Flash» вміє читати зображення, а не лише текст. OpenRouter вказує контекстне вікно 1 048 576 токенів і до 384 000 токенів вихідної відповіді за одну відповідь.

    Джерело ↗
Що це
Дешева й швидка модель DeepSeek «Flash», яка працює із зображеннями та текстом.
Чим сильніший
Вона обробляє значно більше реального трафіку агентів, ніж дві інші, і коштує значно дешевше.
Кому підходить
Підійде агентам з великим обсягом і малим бюджетом; не завданням, які потребують найвищої точності на найважчих тестах.
  • токенів на тиждень на OpenRouter45,5 трлн токенів на тиждень
Чому він тут

  • За вартістю той самий трекер дає середню сесію програмування $0,0477 приблизно за 4,4 млн токенів. Базова ціна — $0,04 за мільйон вхідних токенів, тому агенти й обирають цю модель.

    Джерело ↗
Історія

  • У серпні 2026 року компанія DeepSeek учетверо підняла ціни, а потім відмовилася від цього. 10 вересня вона випустила V4.1 Flash і знизила ціни: аналітики Bloomberg Intelligence оцінюють зниження до 32%. З 14 вересня кожен запит V4-Pro перенаправляли на Flash.

    Джерело ↗
Що варто врахувати

  • Заявлене зростання для агентів — за даними самої DeepSeek, отриманими з її власною тестовою обв'язкою. Рецензент каже, що потрібні незалежні тести. Інструменти та підтримка від компанії також відстають від великих лабораторій.

    Джерело ↗

  • Ціна викликає суперечки. На сторінці вказано множник 2x у години пік. Один користувач Reddit написав, що зміна 10 рядків витратила 28% його квоти, але цей допис не перевірено.

    Джерело ↗
Де дізнатися більше

  • Відкрийте сторінку моделі на OpenRouter і перевірте ціну за мільйон токенів. Потім порівняйте з власним довгим завданням з програмування, адже дешеві запуски — причина, чому агенти користуються цією моделлю.

    Джерело ↗
Grok поставили його першим. Що вони в ньому побачили

  • Grok: Hermes Agent пропустив 11,8 трлн токенів через DeepSeek V4.1 Flash цього місяця, а довга сесія програмування на ній коштує близько $0,047.

Порівняти першу трійку ↓

3Gemini 4 Argon

№ 3 — Gemini 4 Argon. У списках 7 з 9 ШІ; медіанне місце там: 6. Вона посідає високі місця за тестами й голосами людей, але нею ще мало хто користується, тому її позиція нижча.

А ви знали

  • У Gemini 4 Argon є обмежена в часі стартова ціна, яка закінчується 30 листопада. Після цієї дати модель може стати дорожчою, а це може змінити, скільки розробників її спробують.

    Джерело ↗
Що це
Агентна модель Google з контекстним вікном до 1 мільйона токенів.
Чим сильніший
Це найсильніші оцінки людей і тестів із трьох, але найменше реального використання.
Кому підходить
Підійде тим, хто хоче агента на базі Google; не тим, кому сьогодні потрібен відкритий доступ.
  • токенів на тиждень на OpenRouter1,09 трлн токенів на тиждень
Чому він тут

  • У тесті DeepSWE v1.1 на виправлення програм Gemini 4 Argon набрала 77,9%, а Claude Opus 5.5 — 74,2%. Отже, на цьому тесті Argon обганяє модель, що посідає перше місце, і це частково пояснює її високе місце.

    Джерело ↗

  • У тесті з програмування FrontierSWE v2 Gemini 4 Argon набрала 54,96 і посіла 6-те місце з 23 моделей. Це добре, але не перше місце.

    Джерело ↗
А ви знали

  • На сторінці для розробників самої Google сказано, що Argon створено для багатокрокових автономних агентів і що вона може обробляти до 1 мільйона токенів контексту. Це приблизно кілька довгих книжок одночасно.

    Джерело ↗
Історія

  • Google обіцяла Gemini 3.5 Pro на червень 2026 року, а потім відмовилася від неї після кількох місяців затримок. Тим часом кілька керівників команди Gemini пішли з компанії. Argon анонсували 30 вересня 2026 року; у статті сказано, що затримки залишили Google позаду Anthropic і OpenAI.

    Джерело ↗
Що варто врахувати

  • Доступ є не для всіх. Виклики API у рецензента 1 жовтня повернули помилку 404, а доступ відкривався через програму Fairwind від Google для перевірених захисників у сфері кібербезпеки. Інші джерела пишуть, що згодом доступ відкрили, тож повідомлення суперечать одне одному.

    Джерело ↗
Де дізнатися більше

  • Прочитайте сторінку Gemini API для цієї моделі. Потім спробуйте багатокрокове завдання з програмування з увімкненим мисленням на рівні high. На сторінці є посилання на Google AI Studio, де можна запустити модель.

    Джерело ↗
Порівняти першу трійку ↓

Трійка поруч

Claude Opus 5.5DeepSeek V4.1 FlashGemini 4 Argon
У списках ШІ7 / 97 / 97 / 9
токенів на тиждень на OpenRouter7,31 трлн токенів на тиждень45,5 трлн токенів на тиждень1,09 трлн токенів на тиждень
Першим поставилиChatGPT, Meta, Kimi, DeepSeek, QwenGrok—

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

Інші рейтинги

03Варто знати

Що помітили ШІ, поки складали список.

Застосунки з агентами запускають не ту модель, що перемагає в голосуваннях. Найпопулярніша модель Hermes Agent цього місяця — DeepSeek V4.1 Flash з 11,8 трильйона токенів, тоді як Opus 5.5, перша в голосуванні за агентів, — шоста за тижневими токенами.

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

«SWE-bench Pro» — це кілька рейтингів. Спільне тестове середовище дає максимум 61,5% (Muse Spark 1.1), а звіти виробників — 89,9% (Opus 5.5). Pro V2 дає Opus 5 99,4% на публічних завданнях, але 222 із 272 на приватних.

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

Вартість залежить від того, хто міряє. Довга сесія програмування коштує $0,024 на GPT-6 Luna, $0,047 на DeepSeek і $1,39 на Opus 5.5. Інші індекси дають Opus 5.5 від $4,19 до $13,43 за завдання.

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

Оцінка Terminal-Bench без версії нічого не значить: та сама Gemini 3.8 Flash має 89,4% на версії 2.1 і 19,1% на версії 4.0.

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

04Що питають люди

ШІ-моделі чи ШІ-агенти?

Модель пише наступну відповідь. Агент обгортає модель інструментами, пам'яттю і циклом, доки завдання не виконано. Лише Hermes Agent викликав 547 різних моделей на OpenRouter.

Джерело ↗
Яка найкраща ШІ-модель для агентів?

Claude Opus 5.5 лідирує в сліпих голосуваннях за агентів — 20,9 у рейтингу агентів LMArena. DeepSeek V4.1 Flash лідирує в реальному використанні: 45,5 трильйона токенів на тиждень і близько $0,05 за довгу сесію програмування.

Джерело ↗
Яка найкраща ШІ-модель для Hermes Agent?

За реальним використанням це DeepSeek V4.1 Flash — 11,8 трильйона токенів Hermes Agent цього місяця, далі GLM 5.3 Flash з 3,91 трильйона.

Джерело ↗
Чому так відрізняються результати SWE-bench Pro?

Різні тестові середовища і поділ завдань: 61,5% — найвищий результат у єдиному тестовому середовищі Scale, а 89,9% — цифра, яку повідомив виробник. Більшість сторінок ніколи не вказують, яку з них наводять.

05Як рахували

Простими словами, без формул.

1Питання

Топ-10 ШІ-моделей для роботи агентів: результати тестів проти голосів людей проти того, чим справді користуються розробники

2Чому ця тема

Три незалежні джерела, які рідко збігаються: лабораторний тест, голосування людей і реальне використання — стоять поруч, тож читач бачить, яка модель перемагає на папері, а яку справді запускають для агентів.

3Де це застосовно

глобально, ШІ-агенти та оркестрація кількох ШІ

4На що дивилися

  • Оцінка агентного програмування на SWE-bench Pro
  • Рейтинг переваги людей на LMArena
  • Частка реальних навантажень агентів, виміряна за токенами в живих застосунках
  • Вартість одного виконаного завдання
  • Scale AI, SWE-Bench Pro V2 (публічні і приватні) — частка з 642 публічних і 272 приватних довгих завдань з програмування, які агент розв'язує; Scale попереджає, що публічні результати близько 100% можуть поєднувати навичку із запам'ятованими завданнями
  • Scale AI, стандартизований рейтинг SWE-bench Pro — розв'язання в одному спільному тестовому середовищі; найвищий результат 61,5%
  • BenchLM, агрегат SWE-bench Pro — Pass@1, заявлений виробниками на публічному наборі з 731 завдання, не запущений в одному спільному тестовому середовищі
  • Таблиця текстів LMArena (копія BenchLeader, 28 жовтня 2026) — Elo із сліпих голосувань людей між двома відповідями

5Хто ставив місця

Провідні ШІ: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek, Wenxin, 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: 1

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

  1. 1
    Claude Mythos 5 (Anthropic)

    Вона очолює рейтинг Swfte за жовтень 2026, а попередня Mythos Preview лідирувала в SWE-bench Pro з 77,8% — приблизно на 20 пунктів вище за наступні дві моделі в списку.

    Джерело ↗
  2. 2
    Claude Opus 5.5 (Anthropic)

    Станом на 17 жовтня 2026 вона перша в таблиці LMArena WebDev, тож це практичний вибір для програмування.

    Джерело ↗
  3. 3
    Gemini 4 Argon (Google)

    Вона лідирує в LMArena Text за голосами людей, але оцінка 1524±9 попередня.

    Джерело ↗
  4. 4
    Claude Opus 4.8 (Anthropic)

    Посібник за червень 2026 дає їй 88,6% у SWE-bench Verified, але 69,2% у складнішому Pro. Посібник не каже, чи це результат таблиці лідерів, чи цифра від виробника.

    Джерело ↗
  5. 5
    DeepSeek V4.1 Flash

    Вона все ще перша на OpenRouter з 32,8 трлн токенів у звіті від 20 жовтня 2026 року, хоча її використання впало на 20%.

  6. 6
    GPT-5.4 (OpenAI)

    Вона має 57,7% у SWE-bench Pro (BenchLM, квітень 2026). Даних OpenAI за жовтень 2026 року я не знайшов, тож це її останнє перевірене місце.

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

    Це модель з відкритими вагами, що набирає 58,4% у SWE-bench Pro, попереду GPT-5.4 у таблиці BenchLM.

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

    Вона трималася на рівні 12,2 трлн токенів на OpenRouter, поки DeepSeek падав, і це дешева модель, яку обирають розробники агентів.

  9. 9
    Kimi K2.6 (Муншот AI)

    Джерела називають її найсильнішим вибором із відкритими вагами для агентної роботи у 2026 році. Оцінку я підтвердити не зміг.

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

    Нібито лідирує в SWE-bench Pro для агентного програмування, але це власна заява Xiaomi, і незалежно перевірити її я не зміг.

    Джерело ↗

Що помітив Claude

Обгортки від виробників роздувають цифри SWE-bench. Один аналіз стверджує, що стандартизований результат 46% може важити більше, ніж заявлені виробником 81%.

Джерело ↗
🇺🇸 ChatGPT10 місць · нотаток: 3

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

  1. 1
    Claude Opus 5.5 (2026)

    26,6 трлн токенів OpenRouter за 30 днів: преміальна модель із великим спостережуваним попитом, попри дешевші альтернативи.

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

    Кандидат у топ-оркестратори, чиє впровадження важче оцінити, ніж бюджетні моделі з великими токенами, що домінують у публічному трафіку.

    Джерело ↗
  3. 3
    Claude Fable 5 (2026)

    Розв’язує 64,5% задач у SWE-rebench за $4,40 за задачу: сильний результат виконання з помітною надбавкою за ціну.

  4. 4
    GPT-6 Astra (2026)

    Її 56,9 в індексі інтелекту перевищує 54,5 у GPT-6 Sol, але сильніший загальний бал не доводить дешевшого виконання агентних задач.

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

    116 трлн токенів за 30 днів, із опублікованими цінами виведення від $0,13 за вхід і $0,52 за вихід на мільйон токенів.

    Джерело ↗
  6. 6
    GLM 5.3 Flash (2026)

    55,3 трлн токенів на місяць ставлять економну серію GLM Flash попереду багатьох більш знаних передових моделей за спостережуваним обсягом API.

    Джерело ↗
  7. 7
    Grok 4.5 (2026)

    Розв’язання 63,8% задач за $1,47 за задачу в SWE-rebench робить Grok серйозним конкурентом у програмуванні з урахуванням ціни.

  8. 8
    Gemini 4 Argon (2026)

    Оцінка 50,4 в індексі інтелекту тримає передову модель Google конкурентною, але сама загальна здатність не визначає надійності агентів.

    Джерело ↗
  9. 9
    Kimi K3 Max (2026)

    Оцінка 1529 за голосами людей в ІТ-орієнтованій арені ставить Kimi поруч із 1540 у Claude Fable 5, попри дуже інший ринковий профіль.

    Джерело ↗
  10. 10
    MiniMax M3 (2026)

    Розв’язання 47,2% задач за $0,95 за задачу — дешевший варіант для агентів, хоча успішність нижча за провідні передові системи.

Що помітив ChatGPT

Провідна родина моделей на OpenRouter, DeepSeek V4.1 Flash, фіксує 116 трлн токенів за 30 днів — більше ніж у чотири рази за 26,6 трлн у Claude Opus 5.5. Це вимірює трафік, а не розв’язані задачі.

Джерело ↗

SWE-bench Pro від Scale AI містить 1 865 задач, і їхній початковий аналіз показав значне падіння порівняно з простішими результатами SWE-bench Verified. Вибір тесту може змінити видимого переможця.

Джерело ↗

Hermes Agent показує 1,52 трлн токенів у списку застосунків-учасників OpenRouter, попереду Claude Code з 1,25 трлн і Codex з 508 млрд. Це обсяги застосунків, а не рейтинги їхніх базових моделей.

Джерело ↗
🇺🇸 Meta10 місць · нотаток: 3

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

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

    89,9% у SWE-bench Pro — на 8,6 пункту вище за Sonnet 5.5 — але лише 6,91 трлн токенів на OpenRouter проти 47,8 трлн у DeepSeek; передова якість за $4 вхід / $20 вихід

  2. 2
    Claude Sonnet 5.5 (Anthropic, 2026)

    81,3% у SWE-bench Pro — на 8,6 пункту позаду Opus 5.5 за половину ціни, $2/$10 — 2,61 трлн токенів, найкращий баланс для щоденних агентів

  3. 3
    Gemini 4 Carbon (Гугл ДіпМайнд, 28 жовтня 2026)

    1528 Elo, #1 у LMArena Text Arena — на 20 пунктів вище за Opus 5.5 = 53% перемог — попередньо за 4 403 голоси, Індекс інтелекту 59

    Джерело ↗
  4. 4
    DeepSeek V4.1 Flash (DeepSeek, знімок від 17 жовтня 2026)

    47,8 трлн токенів за останні 7 днів — 29,4% топ-20 — лише за знімок 1017 — 43,6% топ-20 — моделі DeepSeek, $0,30 вхід, $1,2 вихід

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

    10,3 трлн токенів, #4 на OpenRouter — найдешевша передова модель за $0,5/млн на виході — $0,07 за агентну задачу в OSWorld проти $14,19 у Fable 5.1

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

    15,7 трлн токенів, #2 на OpenRouter — $0,5/млн на виході — стрибок відкритих вагових моделей з 27% до 72% топ-50 токенів рік до року

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

    81,2% у SWE-bench Pro — лише на 0,1 пункту позаду Sonnet 5.5 — 95,0% у SWE-bench Verified, #1, але $7,63 за задачу проти $3,26 у Astra

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

    1524 Elo, #2 у LMArena — у межах 4 пунктів від Carbon — рівень High reasoning, $10/млн на виході, вступна ціна $2/$10 до 30 листопада

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

    Найкращі відкриті ваги на #18 у LMArena з 1488 — K3.1 Pro $3/$15 — 1,97 трлн токенів, #1 в Arena full-stack з 1664 за бюджетним вибором Turiloop

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

    61,5% ±3,1 в офіційній публічній таблиці Scale AI — найвищий стандартизований результат — $0,2/млн токенів, найдешевший у топ-20, рівень Contributor

    Джерело ↗

Що помітив Meta

Топ-10 передових моделей тепер працюють лише на 14% токенів розробників, проти 55% рік тому — дешеві flash-моделі з’їдають обсяг, за The Information, 12 жовтня

Джерело ↗

Розрив у SWE-bench Pro: заявлені виробником 89,9% (Opus 5.5) проти стандартизованих 61,5% від Scale AI (Spark 1.1) — той самий публічний набір, інша обв’язка, плюс 30% задач позначено як зламані

Джерело ↗

Скупчення в LMArena: Gemini 4 Carbon 1528 проти Opus 5.5 1508 — 20 пунктів = ∼53% перемог, у межах 95% ДІ, попередньо за 4 403 голоси

Джерело ↗
🇺🇸 Grok10 місць · нотаток: 4

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

  1. 1
    DeepSeek V4.1 Flash

    Hermes Agent пропустив 11,8 трлн токенів через DeepSeek V4.1 Flash цього місяця, а довга сесія програмування на ній коштує близько $0,047.

    Джерело ↗
  2. 2
    Claude Opus 5.5

    Голоси наосліп поставили Opus 5.5 першим у агентних завданнях із 20,9, а довга сесія програмування все одно коштує близько $1,39.

    Джерело ↗
  3. 3
    GLM 5.3

    Flash-версія була другою за трафіком тижня з 16,1 трлн токенів, тоді як повна GLM-5.3 розв’язала 211 із 272 приватних задач SWE-Bench Pro V2.

    Джерело ↗
  4. 4
    GPT-6 Luna

    Довга сесія програмування на GPT-6 Luna коштує близько $0,024 — найдешевше в порівнянні OpenRouter — на 10,9 трлн токенів за тиждень.

    Джерело ↗
  5. 5
    Claude Opus 5

    Scale AI зарахувала 638 із 642 публічних задач SWE-Bench Pro V2 для Opus 5 і 222 із 272 приватних.

    Джерело ↗
  6. 6
    Gemini 4 Carbon

    Голосуючі поставили Gemini 4 Carbon першим за повсякденні відповіді та другим за агентні завдання, але його немає в десятці токенів тижня.

    Джерело ↗
  7. 7
    Kimi K3

    За приватним підрахунком SWE-Bench Pro V2 Kimi K3 розв’язала 214 із 272 задач — на дві менше за Opus 5.

    Джерело ↗
  8. 8
    Gemini 4 Argon

    Gemini 4 Argon має 99,22% у публічній таблиці Pro V2, на 0,18 пункту позаду Opus 5, на тесті, який Scale AI називає майже межею.

    Джерело ↗
  9. 9
    Claude Sonnet 5.5

    У власному тесті агента бронювання рейсів OpenRouter Sonnet 5.5 набрала 78,7%, вище за Opus 5.5 із 75,5%, за половину ціни токенів.

    Джерело ↗
  10. 10
    Muse Spark

    Muse Spark 1.1 лідирує в старішій приватній таблиці Scale AI SWE-Bench Pro з 61,5% і не входить до десятки токенів тижня.

    Джерело ↗

Що помітив Grok

Модель, яку насправді викликають агентні застосунки, — не та, що перемагає в голосуванні. Головна модель Hermes Agent цього місяця — DeepSeek V4.1 Flash з 11,8 трлн токенів. Opus 5.5, перша в агентній таблиці LMArena, — шоста у тижневому рейтингу OpenRouter з 7,31 трлн.

Джерело ↗

Довга сесія програмування з 10–49 ходами коштує близько $0,024 на GPT-6 Luna, $0,047 на DeepSeek V4.1 Flash, $0,36 на GLM-5.3 і $1,39 на Claude Opus 5.5. Рахунок, а не таблиця лідерів, пояснює, чому дешеві моделі домінують за токенами.

Джерело ↗

Власний опис Scale AI щодо SWE-Bench Pro V2 каже: Opus 5 розв’язує 638 із 642 публічних задач і 222 із 272 приватних. Заголовок 99,4% і приватний підрахунок — це та сама модель.

Джерело ↗

В одному агентному завданні — бронюванні рейсів — OpenRouter виміряв Sonnet 5.5 на 78,7%, а Opus 5.5 на 75,5%. Дорожча модель не перемагає в кожному агентному тесті.

Джерело ↗
🇺🇸 Gemini10 місць · нотаток: 1

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

  1. 1
    Claude 3.5 Sonnet

    Обробляє понад 28% усіх агентних токенів програмування на OpenRouter і досягає визначального для бенчмарку рівня розв’язання 49–54% у SWE-bench Verified.

    Джерело ↗
  2. 2
    OpenAI o1

    Запровадила вбудовані обчислення міркувань під час тестування, що піднімає автономне виправлення ПЗ до понад 48% у складних задачах SWE, але бере надбавку за кожен ланцюжок міркувань.

  3. 3
    DeepSeek-V3

    Різко здешевила оркестрацію агентів: 42% здатності SWE-bench приблизно за одну десяту вартості токена порівняно з власними передовими моделями.

    Джерело ↗
  4. 4
    GPT-4o

    Лишається найуніверсальнішою мультимодальною основою для наглядачів мультиагентних систем, обробляє 15–20% загального трафіку агентів із часом до першого токена менш ніж за секунду.

  5. 5
    Qwen 2.5 Coder 32B

    Провідний локальний агентний рушій, що набирає 35% у SWE-bench і вміщується в одну робочу станцію з двома GPU без щомісячних плат за хмарний API.

    Джерело ↗
  6. 6
    Claude 3.5 Haiku

    Є улюбленим «робочим» для субагентів сортування й перевірки коду: працює втричі швидше за Sonnet з 40% її міркувальної потужності.

    Джерело ↗
  7. 7
    Gemini 1.5 Pro

    Вбирає цілі багаторепозиторні кодові бази в одне вікно контексту на 2 мільйони токенів, обходячи складну фрагментацію RAG для повноцінного планування агентів.

    Джерело ↗
  8. 8
    GPT-4o mini

    Живить агентів-перевіряльників стану й підсумовувачів із великою кількістю ітерацій за менш ніж $0,15 за мільйон вхідних токенів, тримаючи високопродуктивні комерційні рої.

  9. 9
    Llama 3.1 405B

    Найкращий корпоративний варіант із відкритими вагами: необмежене, відповідне до вимог приватності виконання агентів для суверенного розгортання на власних серверах.

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

    Улюблене донавчання спільноти відкритих агентів для викликів функцій без вирівнювання, відповідності JSON-схемі та автономного симулювання мультиагентів.

    Джерело ↗

Що помітив Gemini

Таблиці людських вподобань, як LMArena, часто розходяться з реальним використанням агентів розробниками: моделі можуть бути рівними в одноходовому розмовному Elo, але розробники віддають понад 65% продуктових агентних токенів моделям, суворо оптимізованим під жорсткі виклики інструментів і внутрішні міркування.

Джерело ↗
🇨🇳 Kimi10 місць · нотаток: 2

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

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

    Агентна потрійна корона за половину ціни старого флагмана: 89,9% у SWE-bench Pro, #1 в Arena WebDev (1807), #1 в Agent Arena (21,4% підтвердженого успіху) — і перший флагман Anthropic, що коштує $4/$20 замість $10/$50.

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

    Модель, на яку розробники справді витрачають токени: лідирує в Terminal-Bench 4.0 (70,6%) і LiveBench Coding (91,4) за половину ціни Opus — найвищий агентний бал на долар у передовому сегменті.

    Джерело ↗
  3. 3
    GPT-6 Astra (OpenAI, 3 вересня 2026)

    Улюбленець голосів людей, лиходій рахунку за токени: #1 у Frontend Code Arena (1793) і #2 у WebDev (1774), але за $10/$50 вона коштує у 2,5 раза дорожче за Opus 5.5 — а частка OpenAI в живих агентних токенах лише 7,8%.

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

    Сюрприз з відкритими вагами, що перемагає гігантів на їхньому ж агентному тесті: лідирує в незалежному запуску Terminal-Bench 4.0 (67,2%, 23 жовтня) попереду всіх закритих моделей, крім Gemini 4 Carbon з обмеженим доступом, — за $2/$10.

    Джерело ↗
  5. 5
    Gemini 4 Argon (Google, публічно 13 жовтня 2026)

    Улюбленець людей, що програє лабораторним тестам: #1 у текстовому LMArena (1517,2) і найнижчий виміряний рівень галюцинацій (4%), але 50,4 в Intelligence Index v5 — шоста серед придатних до використання моделей.

    Джерело ↗
  6. 6
    GPT-6.1 Sol (OpenAI, 29 вересня 2026)

    Об’ємний агент усередині Codex: типова модель у Codex CLI з 7 жовтня, 56,1% у Terminal-Bench 4.0 — майже як Astra за п’яту частину її ціни, і найдешевший шлях понад 50 в Intelligence Index.

    Джерело ↗
  7. 7
    DeepSeek V4.1 Flash (DeepSeek, 10 вересня 2026, відкриті ваги)

    Король токенної економіки: DeepSeek — провайдер №1 за часткою живих агентних токенів (39,1%), більше ніж Anthropic і Google разом, — а ця модель коштує $0,15/$0,60 у непікові години.

    Джерело ↗
  8. 8
    Grok 4.7 (ксАІ, 21 вересня 2026)

    Найдешевший агент рівня передових: $2/$6, топ-10 EQ-Bench (2012,2) і harness Grok Build з 38% у Terminal-Bench 4.0 — але голосуючі в Arena ставлять її письмо на 78 місце, нижче за Grok 4.6.

  9. 9
    GLM-5.3 (Чжипу AI, відкриті ваги)

    Робоча конячка для самостійного хостингу: 95,4% у архівній таблиці SWE-bench Verified — вище за Kimi K3 (93,4%) — за простою ліцензією MIT, $1,19/$6 при хмарному розміщенні.

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

    Агентний спринтер: 308 токенів виходу за секунду за $0,75/$3,75 з контекстом 1 млн — модель, яку ставлять за агентними циклами великого обсягу, де 20-пунктовий розрив у Terminal-Bench вартий учетверо більшої пропускної здатності.

    Джерело ↗

Що помітив Kimi

Тести, голоси людей і реальне використання — три різні таблиці лідерів: Claude Opus 5.5 виграє агентні тести (89,9% у SWE-bench Pro, 21,4% в Agent Arena), але Gemini 4 Argon лідирує в голосуванні за текст (1517,2 проти 1508,7), а DeepSeek — на 30+ пунктів індексу позаду — очолює всю живу частку агентних токенів з 39,1%. У продакшені перемагають ціна й звичка, а не слава бенчмарків.

Джерело ↗

Відкриті ваги першими закрили розрив агентів у терміналі: Kimi K3.1 Pro (67,2%) лідирує в незалежному запуску Terminal-Bench 4.0 попереду всіх придатних закритих моделей, а GLM-5.3 і DeepSeek V4.1-Flash займають місця на подіумі часток токенів. Передова модель тепер — це питання маршрутизації, а не ліцензії.

Джерело ↗
🇨🇳 DeepSeek10 місць · нотаток: 1

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

  1. 1
    Claude Opus 5.5

    Claude Opus 5.5 очолює зведену таблицю SWE-bench Pro від виробників з 89,9% і bench агента Hermes з 76,7% — найповніша модель «зроби завдання» у жовтні 2026 року, за $4,19–$5,98 за успішну задачу.

    Джерело ↗
  2. 2
    Gemini 4 Argon

    Gemini 4 Argon — вибір людей: №1 у текстовому LMArena з 1517 і в багатоходовому з 1544 — і коштує $1,80 за успішну задачу, приблизно чверть вартості Claude Opus 5.5.

    Джерело ↗
  3. 3
    Claude Fable 5.1

    Claude Fable 5.1 — лідер LiveBench із 88,0 і набирає ідеальні 100 у використанні браузера — найкраща модель агента «роботи з комп’ютером», але за $5,10 за успішну задачу вона найдорожча в цій топ-групі.

  4. 4
    GPT-6 Astra

    GPT-6 Astra — збалансований передовий агент: 86,1 загалом у LiveBench, 82,4 в агентних завданнях і $3,81 за успішну задачу — сильніша за Gemini 4 Argon в агентних завданнях і дешевша за Claude Fable 5.1.

  5. 5
    DeepSeek V4 Flash 0731

    DeepSeek V4 Flash — король реального агентного обсягу: 11,4 трлн токенів на тиждень на OpenRouter і $0,028 за успішну задачу — приблизно в 180 разів дешевше за Claude Fable 5.1, хоча відстає від передових моделей у складних тестах програмування.

    Джерело ↗
  6. 6
    Claude Sonnet 5.5

    Claude Sonnet 5.5 дає 81,3% від результату Claude Opus 5.5 у SWE-bench Pro приблизно за 84% його вартості за задачу — найвигідніший вибір у родині Claude для продакшн-циклів агентів.

    Джерело ↗
  7. 7
    Muse Spark 1.1 (Meta)

    Muse Spark 1.1 має єдиний стандартизований найвищий результат у SWE-bench Pro — 61,5% у публічному наборі Scale AI, — але її 51,5% у комерційному наборі показує, як обв’язка й розбиття даних можуть змінити цифру.

  8. 8
    Qwen3.8-Flash-Next

    Qwen3.8-Flash-Next — найкращий агент-програміст із відкритими вагами в SWE-bench Pro з 62,5%, попереду GLM-5.2 з 62,1%, а її flash-сестра коштує приблизно $0,196 за успішну задачу LiveBench.

    Джерело ↗
  9. 9
    GLM-5.2

    GLM-5.2 трохи позаду Qwen3.8-Flash-Next з 62,1% у SWE-bench Pro, при ціні вихідних токенів $2,40 — другий найкращий варіант із відкритими вагами для флотів агентів, чутливих до вартості.

  10. 10
    Kimi K3

    Kimi K3 створена для оркестрації: масштабується до 300 субагентів і 4 000 кроків координації, тож це спеціалістка, коли завдання агента — керувати іншими агентами, а не писати кожен рядок самій.

    Джерело ↗

Що помітив DeepSeek

Модель, що перемагає в голосуваннях людей, — не та, що перемагає в реальному агентному трафіку. Gemini 4 Argon лідирує в LMArena з 1517, але DeepSeek V4 Flash очолює живе використання токенів на OpenRouter з 11,4 трлн на тиждень — бо за $0,028 за успішну задачу вирішує ціна в продакшн-циклах агентів.

Джерело ↗
🇨🇳 Wenxin10 місць · нотаток: 1

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

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

    Прохідність у SWE-bench Pro 71% і найбільше навантаження токенами — але вартість за задачу досі дошкуляє розробникам

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

    Найвищий Elo за голосами людей у LMArena (1392), і розробники обирають її для довгих агентних сесій з великим контекстом

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

    21% частки токенів і сильні мультимодальні результати агентів — ставка Google на нативне використання інструментів

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

    Король відкритих ваг: 18% частки токенів, розробники запускають локально, але агентне програмування відстає від закритих моделей

  5. 5
    Mistral Large 3 (2026)

    Європейська улюбленка з 9% частки токенів — перевершує за вартістю в розрахунку на долар у кодових агентах

  6. 6
    ксАІ Grok 4 (2026)

    7% частки токенів; швидка, але агентне програмування досі позаду — фани відзначають перевагу в даних у реальному часі

  7. 7
    DeepSeek V4 (2026)

    Китайська модель з відкритими вагами з 6% частки токенів; SWE-bench 55% за ціну кави

  8. 8
    Кохір Command R+ 2026 (оптимізована для агентів)

    Створена для RAG і агентів з інструментами; 5% частки токенів, але LangSmith ставить її в топ-чверть

  9. 9
    Майкрософт Phi-5 (2026)

    Мала модель на пристрої (7 млрд параметрів) з 3% частки токенів — найшвидша за токен, але не найкраща за задачу

  10. 10
    Стабіліті AI Stable Code 3 (2026)

    Модель для коду з 2% частки токенів; вузька, але її люблять розробники агентів з відкритим кодом

Що помітив Wenxin

Моделі з відкритими вагами тепер обробляють майже половину всіх токенів агентів (Llama 4 + DeepSeek + Mistral AI + Phi = ~34%) — зсув, якого не було два роки тому, і він змінює те, хто контролює інфраструктуру агентів.

Джерело ↗
🇨🇳 Qwen10 місць · нотаток: 2

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

  1. 1
    Claude Opus 5.5

    89,9% у SWE-bench Pro — лідер ринку, що доводить: вона розв’язує найбільше реальних задач GitHub.

    Джерело ↗
  2. 2
    Claude Sonnet 5.5

    Найкраща універсальна модель для Hermes Agent, що досягає 70,6% у Terminal-Bench 4.0 для довгих завдань.

  3. 3
    GPT-5.6 Sol

    Лідирує в голосах людей у LMArena з 1485 Elo, випереджаючи моделі, що набирають більше на жорстких тестах програмування.

    Джерело ↗
  4. 4
    Claude Fable 5.1

    81,2% у SWE-bench Pro, майже нарівні з Sonnet 5.5, але з нижчою вартістю за завершену задачу.

    Джерело ↗
  5. 5
    DeepSeek V4.1 Flash

    53,1 трлн токенів, оброблених на OpenRouter, — справжній лідер робочих навантажень для розробників, що маршрутизують трафік агентів.

    Джерело ↗
  6. 6
    Gemini 4 Argon

    99,2% у SWE-bench Pro V2 показує, що передова модель Google наздоганяє Anthropic у довготривалій інженерії.

    Джерело ↗
  7. 7
    Qwen 3 Max

    Посіла #1 у трендах OpenRouter із 77,3 млрд токенів, що доводить: модель Алібаба справляється з масштабними агентними навантаженнями в Азії.

  8. 8
    GLM-5.2 Max

    На #2 в Code Arena: Frontend з 1595 Elo, домінує за вподобанням людей у завданнях агентів для інтерфейсу.

    Джерело ↗
  9. 9
    Llama 4 Maverick

    Контекст 1,3 млн за $0,20/млн вхідних токенів робить її найдешевшим способом запускати масштабну оркестрацію агентів.

    Джерело ↗
  10. 10
    Claude Fable 5

    80,3% у SWE-bench Pro тримає її у верхньому ешелоні агентного програмування, попри новіші моделі, що її обігнали.

    Джерело ↗

Що помітив Qwen

Розрив між SWE-bench Verified (~80%) і SWE-bench Pro (~58%) кількісно показує «ефект забруднення», коли моделі запам’ятали відповіді на старі тести.

Джерело ↗

Claude Sonnet 5.5 перевершує значно більшу Opus 5.5 у Terminal-Bench 4.0 на 4,2 пункту, що дивує розробників, які ведуть довгі агентні цикли.

Джерело ↗