Назад до тренду дня: Meta каже, що її дешевий ШІ не гірший за Антропік і коштує втричі дешевше
Рейтинг Poly · з тренду дня

Найкраща модель для ШІ-агентів 2026: офісна робота проти коду

Muse Ember виконує 68,1% цілей офісних процесів проти 35,4% у Claude Haiku 5.5, але виправлення Haiku частіше проходять тести супровідників проєкту: 34,9% проти 27,2%.

  • №1: Meta Muse Ember
  • 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

    Meta Muse Ember

    Віддавайте їй офісні кроки: вона виконує 68,1% цілей процесів проти 35,4% у Haiku. Не довіряйте їй фінальне злиття коду: там вона набирає 27,2%, а Haiku — 34,9%.

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

    У їхніх списках: Claude: 1 · ChatGPT: 1 · Meta: 5 · Grok: 1 · Z.ai: 3 · Kimi: 2 · DeepSeek: 1 · Qwen: 2

    Що відзначив кожен ШІ 8
    • Claudeмісце 1

      Перемагає в офісній роботі з 37,8 % на AutomationBench-AA (Haiku — 13,9 %), але програє в коді: 27,2 % проти 34,9 % на FrontierCode 2.0.

      Джерело ↗
    • ChatGPTмісце 1

      Офісний спеціаліст: 68,1 % завершення цілей процесу, але лише 27,2 % в оцінці коду, орієнтованій на злиття.

      Джерело ↗
    • Metaмісце 5

      Термінал понад усе: 40,9 % Terminal-Bench у таблиці Meta, 27,2 % FrontierCode-AA — офісного результату в знайденому списку AutomationBench AA на 24 моделі немає.

      Джерело ↗
    • Grokмісце 1

      Дайте їй офісні кроки: 68,1 % цілей процесу, а до фінального злиття не допускайте.

      Джерело ↗
    • Z.aiмісце 3

      Розподіл офіс-код в одній моделі: 68,1 % у запуску робочих процесів AA (суворіша таблиця Meta каже 37,8), перемога над Haiku в терміналі 40,9 % проти 32,8 % — і програш Haiku в коді, готовому до злиття: 27,2 % проти 34,9 %.

      Джерело ↗
    • Kimiмісце 2

      Завершує 37,8 % офісних процесів — у 2,7 раза вище за Haiku, але тест злиття з супровідниками перевертає результат: 27,2 % проти 34,9 % у Haiku.

      Джерело ↗
    • DeepSeekмісце 1

      Єдина дешева модель, що одночасно в топі бізнес-процесів (37,8 % суворо) і конкурентна в терміналі (40,9 %), хоча лише 27,2 % її патчів коду були б злиті.

      Джерело ↗
    • Qwenмісце 2

      Створена спеціально для повторюваних API-викликів і маршрутизації, яку агенти виконують щодня.

      Джерело ↗
    8 ШІ поставили сюди
    Джерело ↗
  2. 2

    Claude Haiku 5.5

    Дешева модель, якій можна доручати код: 34,9% у запуску Artificial Analysis на FrontierCode, хоча власна таблиця Коґнішн дає 27,7%. На офісній роботі вона виконує лише 35,4%.

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

    У їхніх списках: Claude: 2 · ChatGPT: 2 · Meta: 4 · Grok: 2 · Z.ai: 5 · Kimi: 1 · DeepSeek: 2 · Qwen: 4

    Що відзначив кожен ШІ 8
    • Claudeмісце 2

      Вибір для коду: найкращий результат FrontierCode 2.0 у малій групі (34,9 %), але завершує лише 13,9 % офісних процесів.

      Джерело ↗
    • ChatGPTмісце 2

      Програє Ember в офісних процесах, але на звітному порівнянні FrontierCode випереджає його на 7,7 пункту.

      Джерело ↗
    • Metaмісце 4

      Найкращий дешевий лідер коду: 27,7 % FrontierCode 2.0 і 36 % у терміналі, але лише 35,4 % в офісних процесах.

      Джерело ↗
    • Grokмісце 2

      Дешева модель, яка має торкатися коду: 34,9 % готового до злиття, 13,9 % суворих в офісному тесті.

      Джерело ↗
    • Z.aiмісце 5

      Та, яку варто підпустити до коду: 34,9 % патчів проходять тести супровідників на FrontierCode 2.0, близько десяти пунктів над кожним дешевим конкурентом, тоді як її офісний результат (35,4 %) тут найслабший.

      Джерело ↗
    • Kimiмісце 1

      Єдина мала модель, що виграє колонку коду — FrontierCode 2.0 з 34,9 % обганяє Muse Ember на 7,7 пункту, — і водночас бере 39,2 % у Terminal-Bench.

      Джерело ↗
    • DeepSeekмісце 2

      Кодер для злиття в дешевому класі: 34,9 % на FrontierCode 2.0, але лише 13,9 % суворо в офісних процесах — полагодить код і проігнорує таблицю.

      Джерело ↗
    • Qwenмісце 4

      Запобіжники безпеки від Антропік не дають їй порушувати правила бізнес-процесів SaaS.

    8 ШІ поставили сюди
    Джерело ↗
  3. 3

    DeepSeek V4.1 Flash

    Сильна на офісній роботі — 66,6%, але лише 19,3% у таблиці коду Коґнішн. Її результат у терміналі падає з заявлених самим виробником 42,3% до 31,82% у запуску Vals.

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

    У їхніх списках: Claude: 4 · ChatGPT: 5 · Meta: 8 · Grok: 5 · Z.ai: 4 · Kimi: 4 · DeepSeek: 3

    Що відзначив кожен ШІ 7
    • Claudeмісце 4

      Найкращий кодер довгих сесій у групі Бито (71,9 %) за $2,17 за запуск на 20 ходів; показника AutomationBench-AA не знайдено.

      Джерело ↗
    • ChatGPTмісце 5

      33 бали інтелекту та відкриті ваги привабливі, але FrontierCode падає до 19,3 % на складнішій роботі, готовій до злиття.

      Джерело ↗
    • Metaмісце 8

      Сильна в терміналі за свою ціну — 31,82 % за $0,54, слабка в коді — 19,3 %: робітник оболонки, а не той, хто зливає.

    • Grokмісце 5

      На таблиці Hermes вона набирає 36,91 за $0,26 за завдання, поруч із 37,00 у Haiku за $0,49.

      Джерело ↗
    • Z.aiмісце 4

      66,6 % в офісних процесах і відкриті ваги MIT для самохостингу, але її термінальна історія змінюється з обв'язкою: 42,3 % самозвіту проти 19,7 % у незалежному запуску Vals AI.

      Джерело ↗
    • Kimiмісце 4

      Найдешевший серйозний варіант для коду: 19,3 % на FrontierCode 2.0 за $0,38 за розгортання, а Terminal-Bench — 42,3 % за самозвітом і 33,8 % незалежно.

      Джерело ↗
    • DeepSeekмісце 3

      Термінальний спеціаліст: 42,3 % на Terminal-Bench 4.0 і 60,5 % на AutomationBench v1.0.6, але лише 28 % на FrontierCode — сильна в запуску команд, слабша в передачі патчів, готових до злиття.

      Джерело ↗
    7 ШІ поставили сюди
    Джерело ↗
  4. 4

    GPT-6 Luna

    Середньо на офісній роботі і слабко в терміналі: 53,2% офісних цілей (20,2% за суворим підрахунком), 25,2% на коді і лише 16,4% термінальних завдань розв'язано.

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

    У їхніх списках: Claude: 6 · ChatGPT: 6 · Meta: 6 · Grok: 9 · Z.ai: 8 · Kimi: 7 · DeepSeek: 6

    Що відзначив кожен ШІ 7
    • Claudeмісце 6

      Посередині в офісній роботі (20,2 %) і останній з трьох конкурентів-новинок у коді (25,2 %) та термінальних завданнях (16,4 %).

      Джерело ↗
    • ChatGPTмісце 6

      Недорогий помічник з 31 балом у Coding Agent Index, але лише 16,4 % офіційного виконання термінальних завдань.

      Джерело ↗
    • Metaмісце 6

      Збалансована і дешева: 53,2 % в офісі і 21,9 % у коді — краще в офісі, ніж Haiku, слабше в коді.

      Джерело ↗
    • Grokмісце 9

      Програє в суворому офісному тесті з 20,2 % і в тесті злиття з 25,2 % за цінником, що збігається з Ember.

      Джерело ↗
    • Z.aiмісце 8

      Її офісний результат майже потроюється залежно від того, хто оцінює: 20,2 % у таблиці Meta з однією спробою проти 53,2 % у стандартному запуску AA, а придатність до злиття — 23,8 % у таблиці Коґнішн.

      Джерело ↗
    • Kimiмісце 7

      Розподіл офіс-код в одній моделі: сильна в бізнес-процесах (AutomationBench-AA 53 % в одному запуску AA, 20,2 % у суворішій таблиці Meta), але 16,4 % у Terminal-Bench.

      Джерело ↗
    • DeepSeekмісце 6

      Низький рахунок за завдання ($0,15) приховує слабкі офісні й термінальні результати: 20,2 % суворо в AutomationBench, 16,4 % у Terminal-Bench і 25,2 % на FrontierCode.

      Джерело ↗
    7 ШІ поставили сюди
    Джерело ↗
  5. 5

    MiniMax M3.1 Flash

    Найкращий офісний результат серед дешевих моделей — 72,5%. Її результат у терміналі падає з заявлених 38,1% до 25,25% у запуску Vals: використовуйте її для застосунків, а не для командного рядка.

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

    У їхніх списках: Claude: 5 · Meta: 2 · Grok: 7 · Z.ai: 2 · Kimi: 5 · DeepSeek: 5

    Що відзначив кожен ШІ 6
    • Claudeмісце 5

      Досягає 75,0 % у сесіях Бито на 20 ходів, майже на рівні Haiku 5.5, але потребує 3–5 годин на запуск.

      Джерело ↗
    • Metaмісце 2

      72,5 % завершених офісних цілей — найкращий офісний результат серед дешевих моделей — поруч із 25 % у терміналі.

      Джерело ↗
    • Grokмісце 7

      Запусковий термінальний результат 38,1 % і спільний обв'язковий результат 25,25 % — не один і той самий тест.

      Джерело ↗
    • Z.aiмісце 2

      72,5 % завершених офісних цілей — другий результат після Gemini 4 Carbon серед 249 моделей, а Vals AI оцінила термінальний тест лише в $0,21 — найдешевший рахунок за завершене завдання в класі.

      Джерело ↗
    • Kimiмісце 5

      38,1 % у Terminal-Bench 4.0 — на 22 пункти вище за Luna за той самий вихідний тариф близько $0,60, без опублікованих даних для офісу чи коду злиття.

      Джерело ↗
    • DeepSeekмісце 5

      Офісний чемпіон дешевого набору з 72,5 % на AutomationBench-AA, але лише 21 % на FrontierCode і 26 % у Terminal-Bench — віддавайте їй таблиці, а не запити на злиття.

      Джерело ↗
    6 ШІ поставили сюди
    Джерело ↗
  6. 6

    GLM-5.3-Flash

    Модель з відкритими вагами для офісної черги — 60,4%, а код, готовий до злиття, — лише 14,2% у таблиці Коґнішн і 17,6% у запуску Artificial Analysis.

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

    У їхніх списках: ChatGPT: 4 · Grok: 3 · Kimi: 6 · DeepSeek: 7

    Що відзначив кожен ШІ 4
    • ChatGPTмісце 4

      35,8 % виконання термінальних завдань для Flash-моделі, але лише 14,2 % у тесті якості коду для супровідників.

      Джерело ↗
    • Grokмісце 3

      Відкрита модель для офісної черги — 60,4 %, а код, готовий до злиття, — 17,6 %.

      Джерело ↗
    • Kimiмісце 6

      35,8 % у Terminal-Bench 4.0 за $0,36 за завдання — точка співвідношення ціни і результату, де дешева термінальна робота починає бути надійною.

      Джерело ↗
    • DeepSeekмісце 7

      60 % на AutomationBench робить її правдоподібним кроковим виконавцем в офісі, але 15 % на FrontierCode і 33 % у Terminal-Bench тримають її подалі від роботи з репозиторієм.

      Джерело ↗
    4 ШІ поставили сюди
    Джерело ↗
  7. 7

    Gemini 3.8 Flash

    Виконує 59,9% офісних цілей, але лише близько 19% термінальних завдань, а Vals списав $8,65 за термінальний тест — найвищий рахунок у бюджетній групі.

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

    У їхніх списках: ChatGPT: 7 · Meta: 3 · Z.ai: 7 · DeepSeek: 9

    Що відзначив кожен ШІ 4
    • ChatGPTмісце 7

      Мультимодальний помічник із мільйоном токенів, але лише 19,1 % офіційних термінальних завдань виконано в його оціненій обв'язці.

      Джерело ↗
    • Metaмісце 3

      59,9 % в офісі, 19,7 % у терміналі — той самий розподіл, що в MiniMax, але за значно вищою виміряною вартістю завдання.

      Джерело ↗
    • Z.aiмісце 7

      59,9 % в офісних процесах, а прихильники інтелекту порівнюють її з рівнем Opus — проте та сама модель коштувала Vals AI $8,65 за термінальний тест, найбільший рахунок за завершене завдання в бюджетному класі.

      Джерело ↗
    • DeepSeekмісце 9

      60 % на AutomationBench на високих зусиллях, але лише 19 % на FrontierCode і 20 % у Terminal-Bench — нагадування, що офісна компетентність не переноситься на код, готовий до злиття.

      Джерело ↗
    4 ШІ поставили сюди
    Джерело ↗
  8. 8

    Thinking Machines Inkling 2 Small

    За одним джерелом, на офісній роботі вона зростає до 46%, код — з 22,6% до 25%. Термінальних завдань розв'язує лише 12,63%.

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

    У їхніх списках: Claude: 3 · ChatGPT: 8

    Що відзначив кожен ШІ 2
    • Claudeмісце 3

      За повідомленнями, стрибок з 5 % до 46 % на AutomationBench-AA порівняно з попередником, тоді як Terminal-Bench 4.0 лишається близько 13 %.

      Джерело ↗
    • ChatGPTмісце 8

      Її 22,6 % на FrontierCode пристойні, але завдання індексу за $1,18 і повільне завершення послаблюють економіку агентів.

      Джерело ↗
    2 ШІ поставили сюди
    Джерело ↗
  9. 9

    Qwen3.8 Flash

    Її офісний результат 55,9% на 30 пунктів вищий за термінальний 25,3% на тій самій сторінці Artificial Analysis. Ці цифри подає лише одне джерело.

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

    У їхніх списках: Grok: 4

    Що відзначив кожен ШІ 1
    • Grokмісце 4

      Офісна робота на 55,9 % на 30 пунктів вища за її термінальний результат на тій самій картці.

      Джерело ↗
    1 ШІ поставили сюди
    Джерело ↗
  10. 10

    Qwen3.8-27B

    Фахівець з роботи на екрані комп'ютера, а не з терміналом: 84,3% на OSWorld-Verified, але лише 5,1% на Terminal-Bench 4.0, і 48,2% на офісній роботі. Ці цифри подає лише одне джерело.

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

    У їхніх списках: Z.ai: 9

    Що відзначив кожен ШІ 1
    • Z.aiмісце 9

      Спеціаліст з графічного інтерфейсу малого рівня: 84,3 % на OSWorld-Verified (четверте місце загалом) проти 5,1 % у Terminal-Bench 4.0 — настільні застосунки так, контейнеризовані термінали ні.

      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.

Ці три моделі порівнюють за різними тестами: 68,1% у Ember і 66,6% у DeepSeek взяті з прогонів офісних робочих процесів, а 35,4% у Haiku — з тієї самої офісної перевірки. Оцінки коду й терміналу походять з інших тестів, і деякі з них — самозвітні або від незалеж

1Meta Muse Ember

№ 1 — Meta Muse Ember. У списках 8 з 10 ШІ; медіанне місце там: 1.5. ШІ ставлять його на перше місце, бо він виконує значно більше кроків офісних робочих процесів, ніж Haiku, хоча програє в коді, готовому до злиття.

А ви знали

  • Meta Muse Ember — найменша модель родини Muse від Meta. Її задумано працювати разом із більшим планувальником, Muse Wonder. Слова Meta: «Muse Wonder планує, Muse Ember бере на себе обсяг». Її ваги закриті.

    Джерело ↗ ✓ підтверджено кількома ШІ
Що це
Найменша й найдешевша модель із сімейства Muse від Meta, створена для дрібних повторюваних завдань агента.
Чим сильніший
Виконує 68,1% цілей офісних робочих процесів, значно вище за 35,4% у Haiku.
Кому підходить
Підходить для агентської роботи в офісному стилі; не для коду, готового до злиття.
  • Виконані цілі в офісних робочих процесах68,1% офісних цілей
Чому він тут

  • У довгому тесті Meta на робочі процеси комп'ютера (OSWorld 2.1) Ember отримує 69,5% часткових балів, Claude Haiku 5.5 — 68,9%. Це майже нічия, тож перевага Ember в офісній роботі за цим показником невелика.

    Джерело ↗

  • За повністю завершеними завданнями Ember виконує 33,8%, а Haiku — 27,8%, за даними The New Stack. Його перевага проявляється, коли рахуються лише завдання, доведені до кінця.

    Джерело ↗
А ви знали

  • Ember коштує $0,10 за мільйон вхідних токенів і $0,50 за мільйон вихідних. Вона має контекстне вікно на 1M токенів і приймає зображення на вхід. Це четверта модель Muse після Spark, Glimmer і Wonder.

    Джерело ↗
Що варто врахувати

  • Ember запущено 9 листопада 2026 року як меншу й дешевшу модель, тож поки що покриття спирається на власні бенчмарки Meta. Незалежних відгуків користувачів я ще не знайшов. Ранні цифри варто сприймати як заяви виробника.

    Джерело ↗
Де дізнатися більше

  • Відкрийте блог і спробуйте Muse Ember за кнопкою «Try Muse». Спершу подивіться діаграму «Intelligence vs. Cost Per Task» одразу після вступу. Ці цифри від самої Meta, тож перевірте їх за незалежними тестами.

    Джерело ↗
Порівняти першу трійку ↓

2Claude Haiku 5.5

№ 2 — Claude Haiku 5.5. У списках 8 з 10 ШІ; медіанне місце там: 2. ШІ ставлять його на друге місце як дешеву модель, якій можна довіряти код: більше його виправлень проходять тести супровідників, хоча оцінки в офісних задачах слабші.

Що це
Невелика дешева модель Антропік з родини Claude 5.5.
Чим сильніший
Його виправлення коду частіше проходять тести супровідників: 34,9% проти 27,2% у Ember.
Кому підходить
Підходить для виправлень і патчів коду; не найкращий вибір для офісних робочих процесів.
  • Виконані цілі в офісних робочих процесах35,4% офісних цілей

Wikidata

Чому він тут

  • На сторінці результатів Meta Claude Haiku 5.5 має 68,9% часткових балів у офісних робочих процесах OSWorld 2.1. Ember — 69,5%, тож на завданнях із комп'ютером Haiku залишається поруч.

    Джерело ↗

  • Той самий тест окремо рахує повне виконання. Haiku повністю завершує 27,8% завдань, Ember — 33,8%. Частина його місця — завдяки силі в інших напрямках, наприклад у коді.

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

  • Kimi: Єдина мала модель, що виграє колонку коду — FrontierCode 2.0 з 34,9 % обганяє Muse Ember на 7,7 пункту, — і водночас бере 39,2 % у Terminal-Bench.

Відео: Claude Haiku vs Sonnet vs Opus vs Fable Clearly Explained (& use cases) (англійською) · Eliot Prince

Порівняти першу трійку ↓

3DeepSeek V4.1 Flash

№ 3 — DeepSeek V4.1 Flash. У списках 7 з 10 ШІ; медіанне місце там: 4. ШІ ставлять його на третє місце: оцінка в офісних задачах сильна, але в коді слабка, а результати в терміналі залежать від тесту.

Що це
Дешева модель Flash від DeepSeek з відкритими вагами, яка тепер обслуговує й запити до Pro.
Чим сильніший
Майже як Ember в офісній роботі: 66,6%, і дешевша за Haiku в розрахунку на завдання.
Кому підходить
Підходить для самостійного розгортання та завдань у терміналі; не для коду, готового до злиття.
  • Виконані цілі в офісних робочих процесах66,6% в офісних робочих процесах
Чому він тут

  • В незалежному прогоні Vals Terminal-Bench 4.0 версія DeepSeek V4.1 Flash 1017 набирає 31,82%. GPT-6.1 Sol на тій самій сторінці має 55,05%, тож відрив від лідера великий.

    Джерело ↗
Історія

  • 14 вересня 2026 року DeepSeek почав надсилати всі запити до своєї найпотужнішої моделі V4-Pro на дешевшу V4.1-Flash, передаючи економію клієнтам. Flash було запущено на чотири дні раніше, 10 вересня.

    Джерело ↗ ✓ підтверджено кількома ШІ
Що варто врахувати

  • DeepSeek каже, що всі запити до його Pro-моделі тепер перенаправляються на V4.1 Flash і тарифікуються за ціною Flash. Коментатори на Hacker News вважають тихі заміни моделей тривожними, а один користувач повідомляє, що Flash у інструментах для коду зациклюється й видає некоректні виклики інструментів.

    Джерело ↗
Де дізнатися більше

  • Відкрийте картку моделі на Hugging Face. Почніть із розділу «Performance across agent scaffolds», де йдеться про тести термінальних завдань. На сторінці також вказано 552B параметрів, тоді як метадані Hub дають 763B, тож читайте цифри уважно.

    Джерело ↗
Порівняти першу трійку ↓

Трійка поруч

Meta Muse EmberClaude Haiku 5.5DeepSeek V4.1 Flash
У списках ШІ8 / 108 / 107 / 10
Виконані цілі в офісних робочих процесах68,1% офісних цілей35,4% офісних цілей66,6% в офісних робочих процесах
Першим поставилиClaude, ChatGPT, Grok, DeepSeekKimi—

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

Інші рейтинги

03Варто знати

Що помітили ШІ, поки складали список.

Лідер в офісі — не лідер у коді. Ember перемагає Haiku 5.5 за завершеними процесами (68,1% проти 35,4%) і програє за кодом, готовим до прийняття в проєкт (27,2% проти 34,9%). Обидва результати — запуски Artificial Analysis.

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

AutomationBench має два способи підрахунку. 68,1% зараховує завершені цілі, а 37,8% у Meta зараховує процес, лише якщо його повністю виконано з першої спроби. Так само Haiku падає з 35,4% до 13,9%, тож два способи не можна змішувати.

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

Таблиці виробників дають вищі цифри. DeepSeek заявляє 42,3% на Terminal-Bench проти 31,82% у Vals, а MiniMax — 38,1% проти 25,25%.

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

Умови запуску теж входять до результату. Результат Haiku на Terminal-Bench — 39,2% за даними Антропік, 36,36% у Vals і 32,8% в Artificial Analysis на тих самих 66 завданнях.

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

Головний бал FrontierCode 2.0 — це зважена оцінка з блокуючими критеріями, а не лише частка виправлень, що проходять тести. Haiku набирає 34,9% у запуску Artificial Analysis і 27,7% у власній таблиці Коґнішн.

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

04Що питають люди

Яка модель найкраща для ШІ-агента?

Залежить від завдання. Для офісних кроків обирайте Muse Ember (68,1% цілей AutomationBench), а для коду, який мусить пройти тести супровідників проєкту, — Claude Haiku 5.5 (34,9% на FrontierCode 2.0).

Джерело ↗
Моделі ШІ проти ШІ-агентів: у чому різниця?

Модель видає наступний крок; агент додає до неї інструменти і цикл повторів. Тому Terminal-Bench 4.0 оцінює пари «модель + агент» на 66 завданнях, і результат тієї самої моделі змінюється залежно від умов запуску.

Яка найкраща модель ШІ для Hermes Agent?

За знімком Hermes Index Haiku 5.5 набирає 37,00 при близько $0,49 за завдання, а DeepSeek V4.1 Flash — 36,91 при близько $0,26. Ember у списку немає.

Джерело ↗
Чому оцінки офісних процесів так різняться між джерелами?

Artificial Analysis зараховує завершені цілі (Ember — 68,1%), а графік Meta використовує суворий підрахунок однієї спроби (Ember — 37,8%, Luna — 20,2% проти 53,2%).

Джерело ↗

05Як рахували

Простими словами, без формул.

1Питання

Топ-10 малих моделей ШІ для агентів: офісні процеси проти коду, який супровідник прийняв би

2Чому ця тема

Три незалежні видавці вимірюють три різні види роботи агентів, тож читач дізнається, що «перемагає Haiku» залежить від завдання — цього не показує жоден окремий рейтинг.

3Де це застосовно

Глобальні, малі й недорогі моделі, що працюють в агентах

4На що дивилися

  • Частка цілей ділових процесів, виконаних у симульованих офісних застосунках
  • Частка виправлень коду, що проходять тести, які написали справжні супровідники репозиторіїв
  • Частка реальних термінальних завдань, які розв'язує пара «модель + агент»
  • Наскільки змінюється кожен результат між таблицею виробника і незалежним запуском
  • Artificial Analysis AutomationBench-AA — Частка цілей ділових процесів, виконаних у симульованих застосунках (Gmail, Slack, Salesforce та інших). Бал на рівні цілей і строгий бал pass@1 d
  • Коґнішн FrontierCode 2.0 (і власний запуск Artificial Analysis) — чи проходять виправлення, написані за неформальними специфікаціями, тести і критерії супровідників проєкту, на 132 завданнях
  • Інститут Лауд і Гарбор, Terminal-Bench 4.0 — частка 66 завдань у контейнерах у терміналі, які розв'язує пара «модель + агент»
  • Vals AI, Terminal-Bench 4.0 — ті самі 66 завдань, запущені через одну спільну обв'язку з однаковими умовами, як зовнішня перевірка таблиць виробників

5Хто ставив місця

Провідні ШІ: Claude, ChatGPT, Meta, Grok, Gemini, Z.ai, 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: 3

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

  1. 1
    Meta Muse Ember (2026)

    Перемагає в офісній роботі з 37,8 % на AutomationBench-AA (Haiku — 13,9 %), але програє в коді: 27,2 % проти 34,9 % на FrontierCode 2.0.

    Джерело ↗
  2. 2
    Claude Haiku 5.5

    Вибір для коду: найкращий результат FrontierCode 2.0 у малій групі (34,9 %), але завершує лише 13,9 % офісних процесів.

    Джерело ↗
  3. 3
    Inkling 2 Small (Thinking Machines)

    За повідомленнями, стрибок з 5 % до 46 % на AutomationBench-AA порівняно з попередником, тоді як Terminal-Bench 4.0 лишається близько 13 %.

    Джерело ↗
  4. 4
    DeepSeek V4.1 Flash

    Найкращий кодер довгих сесій у групі Бито (71,9 %) за $2,17 за запуск на 20 ходів; показника AutomationBench-AA не знайдено.

    Джерело ↗
  5. 5
    MiniMax M3.1 Flash

    Досягає 75,0 % у сесіях Бито на 20 ходів, майже на рівні Haiku 5.5, але потребує 3–5 годин на запуск.

    Джерело ↗
  6. 6
    GPT-6 Luna

    Посередині в офісній роботі (20,2 %) і останній з трьох конкурентів-новинок у коді (25,2 %) та термінальних завданнях (16,4 %).

    Джерело ↗
  7. 7
    Muse Spark 1.3 (Meta)

    Індекс 37, але рахунок $2,39 за завдання, і розбивки на робочі процеси чи код для неї я не знайшов.

    Джерело ↗
  8. 8
    Kimi K3.1 Pro

    64,9 % у коді за тестами Бито, але за $29,32 за запуск на 20 ходів це не дешевий вибір.

    Джерело ↗
  9. 9
    GLM-5.3 (Чжипу AI)

    60,1 % загалом у кодових сесіях Бито за $20,28 за запуск на 20 ходів; оцінки офісних процесів не знайшов.

    Джерело ↗
  10. 10
    Claude Sonnet 5.5 (еталон середньої ціни)

    Не мала модель, але результат 30 % у Terminal-Bench 4.0 (середні зусилля) показує 13 % для Inkling у контексті.

    Джерело ↗

Що помітив Claude

Ember і Haiku 5.5 міняються місцями залежно від типу завдання: Ember має 37,8 % проти 13,9 % на AutomationBench-AA, а Haiku — 34,9 % проти 27,2 % на FrontierCode 2.0. Обидва — запуски Artificial Analysis.

Джерело ↗

AutomationBench-AA має два прочитання: 37,8 % зараховує процес, лише якщо його повністю завершено з першої спроби, а 68,1 % — завершені цілі.

Джерело ↗

У Coding Agent Index від Artificial Analysis Ember набирає 46, а Haiku — 37, тож програш на FrontierCode не переноситься на кожен кодовий показник.

Джерело ↗
🇺🇸 ChatGPT10 місць · нотаток: 3

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

  1. 1
    Meta Muse Ember (2026)

    Офісний спеціаліст: 68,1 % завершення цілей процесу, але лише 27,2 % в оцінці коду, орієнтованій на злиття.

    Джерело ↗
  2. 2
    Claude Haiku 5.5 (2026)

    Програє Ember в офісних процесах, але на звітному порівнянні FrontierCode випереджає його на 7,7 пункту.

    Джерело ↗
  3. 3
    OpenAI GPT-6.1 Sol (2026)

    Її 39,0 % на FrontierCode і 58,2 % офіційного виконання в терміналі виправдовують передачу складних патчів сильнішій моделі.

    Джерело ↗
  4. 4
    Чжипу AI GLM-5.3-Flash (2026)

    35,8 % виконання термінальних завдань для Flash-моделі, але лише 14,2 % у тесті якості коду для супровідників.

    Джерело ↗
  5. 5
    DeepSeek V4.1 Flash 1017 (2026)

    33 бали інтелекту та відкриті ваги привабливі, але FrontierCode падає до 19,3 % на складнішій роботі, готовій до злиття.

    Джерело ↗
  6. 6
    OpenAI GPT-6 Luna (2026)

    Недорогий помічник з 31 балом у Coding Agent Index, але лише 16,4 % офіційного виконання термінальних завдань.

    Джерело ↗
  7. 7
    Google Gemini 3.8 Flash (2026)

    Мультимодальний помічник із мільйоном токенів, але лише 19,1 % офіційних термінальних завдань виконано в його оціненій обв'язці.

    Джерело ↗
  8. 8
    Thinking Machines Inkling 2 Small (2026)

    Її 22,6 % на FrontierCode пристойні, але завдання індексу за $1,18 і повільне завершення послаблюють економіку агентів.

    Джерело ↗
  9. 9
    Коґнішн SWE-2 Flash (2026)

    Варіант Flash для коду досягає 24,0 % на FrontierCode, але цього самого по собі мало, щоб довести надійність офісного агента.

    Джерело ↗
  10. 10
    Meta Muse Spark Open (2026)

    Відкриті ваги та інтеграція з агентом корисні, але 6,2 % на FrontierCode робить незалежну перевірку патчів обов'язковою.

    Джерело ↗

Що помітив ChatGPT

Ember випереджає Haiku у бізнес-процесах, але Haiku випереджає Ember у придатності до злиття: 68,1 % завершення цілей AutomationBench для Ember контрастує з 34,9 % для Haiku проти 27,2 % для Ember на FrontierCode-AA.

Джерело ↗

Компанія Коґнішн зробила FrontierCode 2.0 значно складнішим: DeepSeek V4.1 Flash впав з 43,9 % у версії 1.1 до 19,3 % у версії 2.0. Це перегляд тесту, а не виміряний спад моделі.

Джерело ↗

Очікування справжнього супровідника суворіші за звичайне проходження тестів: FrontierCode також перевіряє обсяг, дизайн і повноту, і навіть сильні моделі можуть пропустити дрібні вимоги до очищення.

Джерело ↗
🇺🇸 Meta10 місць · нотаток: 4

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

  1. 1
    GPT-6.1 Sol (2026)

    Єдина модель, близька до дешевих, що сильна з обох боків: 64,9 % в офісі, 39,0 % коду, готового до злиття, за $1,03 за розгортання.

    Джерело ↗
  2. 2
    MiniMax M3.1 Flash (2026)

    72,5 % завершених офісних цілей — найкращий офісний результат серед дешевих моделей — поруч із 25 % у терміналі.

    Джерело ↗
  3. 3
    Gemini 3.8 Flash (2026)

    59,9 % в офісі, 19,7 % у терміналі — той самий розподіл, що в MiniMax, але за значно вищою виміряною вартістю завдання.

    Джерело ↗
  4. 4
    Claude Haiku 5.5 (2026)

    Найкращий дешевий лідер коду: 27,7 % FrontierCode 2.0 і 36 % у терміналі, але лише 35,4 % в офісних процесах.

    Джерело ↗
  5. 5
    Muse Ember (2026)

    Термінал понад усе: 40,9 % Terminal-Bench у таблиці Meta, 27,2 % FrontierCode-AA — офісного результату в знайденому списку AutomationBench AA на 24 моделі немає.

    Джерело ↗
  6. 6
    GPT-6 Luna (2026)

    Збалансована і дешева: 53,2 % в офісі і 21,9 % у коді — краще в офісі, ніж Haiku, слабше в коді.

    Джерело ↗
  7. 7
    GLM-5.3 (2026)

    62,2 % в офісі, 17,8 % у коді — найширший розрив «офіс над кодом» серед повнорозмірних записів GLM.

    Джерело ↗
  8. 8
    DeepSeek V4.1 Flash 1017 (2026)

    Сильна в терміналі за свою ціну — 31,82 % за $0,54, слабка в коді — 19,3 %: робітник оболонки, а не той, хто зливає.

  9. 9
    Kimi K3.1 Pro (2026)

    73,3 % в офісі — номінальний лідер офісу, але падіння FrontierCode для лінійки K3 застерігає від сприйняття її як кодера.

    Джерело ↗
  10. 10
    MiMo-V2.6-Flash (2026)

    Найдешевше виміряне завдання тут — $0,13, але в знайдених джерелах немає рядка для AutomationBench-AA, FrontierCode 2.0 чи Terminal-Bench 4.0 — тож обидва завдання не доведені.

    Джерело ↗

Що помітив Meta

Офіс і код розходяться: MiniMax завершує 72,5 % офісних цілей, але лише близько 26 % термінальних завдань, тоді як Haiku завершує 35,4 % в офісі, але 27,7 % у коді.

Джерело ↗

FrontierCode 2.0 знизив усі оцінки: Opus впав з 54,6 % до 45,5 %, Kimi K3 — із 60 % до 17,7 %. Новий тест відокремлює рівні, а не збирає всіх у п'ятдесятих.

Джерело ↗

GPT-6.1 Sol дає 86 % від оцінки Opus на FrontierCode 2.0 (39,0 % проти 45,5 %) за одну дванадцяту вартості запуску ($1,03 проти $12,82).

Джерело ↗

Офісний результат Haiku залежить від того, який AutomationBench мають на увазі: 35,4 % на AutomationBench-AA проти 12,0 % на оригінальному AutomationBench 1.0.6.

Джерело ↗
🇺🇸 Grok10 місць · нотаток: 4

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

  1. 1
    Muse Ember (2026)

    Дайте їй офісні кроки: 68,1 % цілей процесу, а до фінального злиття не допускайте.

    Джерело ↗
  2. 2
    Claude Haiku 5.5

    Дешева модель, яка має торкатися коду: 34,9 % готового до злиття, 13,9 % суворих в офісному тесті.

    Джерело ↗
  3. 3
    GLM-5.3-Flash

    Відкрита модель для офісної черги — 60,4 %, а код, готовий до злиття, — 17,6 %.

    Джерело ↗
  4. 4
    Qwen3.8 Flash

    Офісна робота на 55,9 % на 30 пунктів вища за її термінальний результат на тій самій картці.

    Джерело ↗
  5. 5
    DeepSeek V4.1 Flash 1017

    На таблиці Hermes вона набирає 36,91 за $0,26 за завдання, поруч із 37,00 у Haiku за $0,49.

    Джерело ↗
  6. 6
    Hy4 (Tencent)

    Термінальна нічия з Ember, 39,4 %, але куплена приблизно за шість разів вищою вартістю тесту, ніж у Ember.

  7. 7
    MiniMax-M3.1-Flash

    Запусковий термінальний результат 38,1 % і спільний обв'язковий результат 25,25 % — не один і той самий тест.

    Джерело ↗
  8. 8
    MiMo-V2.6-Flash

    Індекс 27 за $0,13 за завдання, із 64 хвилинами на годиннику і запусковим термінальним результатом, який згодом виявився нижчим.

    Джерело ↗
  9. 9
    GPT-6 Luna

    Програє в суворому офісному тесті з 20,2 % і в тесті злиття з 25,2 % за цінником, що збігається з Ember.

    Джерело ↗
  10. 10
    Gemini 3.8 Flash

    Знає більше, ніж автоматизує: 50,5 % точності всезнання за ціни входу $0,75.

    Джерело ↗

Що помітив Grok

Корисний поділ всередині одного цінового діапазону. Muse Ember лідирує в показнику офісних процесів, який Artificial Analysis виносить у заголовок, — 68,1 %, а Claude Haiku 5.5 лідирує в коді, готовому до злиття: 34,9 % проти 27,2 % у Ember. Одна модель має виконувати офісні кроки. Інша — торкатися патча.

Джерело ↗

GLM-5.3-Flash показує той самий поділ без другого вендора: 60,4 % на AutomationBench-AA і 17,6 % на FrontierCode 2.0. Лідерство у завершених процесах може поєднуватися з програшем у коді, який супровідник справді злив би.

Джерело ↗

Термінальний результат Haiku — не одне число. Це 39,2 % на запусковій картці, 32,8 % у запуску Artificial Analysis, 36,36 % у Vals AI і 13,6 % у знімку Hermes Index. Обв'язка — частина результату.

Джерело ↗

У знімку Hermes Index DeepSeek V4.1 Flash набирає 36,91 за $0,26 за завдання, а Haiku 5.5 — 37,00 за $0,49. Claude Opus 5.5 лідирує з 63,31, за вартість, яку дзеркало позначає близько $4,99. Щоденні показники агентів близькі. Рахунок — ні.

Джерело ↗
🇺🇸 Gemini10 місць · нотаток: 1

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

  1. 1
    Антропік Claude 3.5 Haiku

    Відстає в навігації по SaaS-застосунках (13,9 %), але домінує в якості коду малих моделей з часткою злиття супровідниками 41,2 % на FrontierCode — на рівні флагманів.

  2. 2
    Meta Muse Ember (2026)

    Громить офісні процеси з 37,8 % — майже втричі вище за Haiku, але супровідники відхиляють 72 % її патчів коду через недбале оброблення граничних випадків.

    Джерело ↗
  3. 3
    Qwen 2.5 Coder 32B-Instruct

    Спеціаліст з коду з відкритими вагами набирає 36,6 % на запитах на злиття від супровідників, випереджаючи всі пропрієтарні моделі свого цінового класу, крім Haiku.

    Джерело ↗
  4. 4
    Google Gemini 2.0 Flash

    Найкращий збалансований універсал: 26,5 % в офісних застосунках і 30,2 % у термінальній інженерії без переваги жодного напряму.

  5. 5
    OpenAI GPT-4o mini

    Надійно виконує звичайні офісні таблиці та CRM (20,2 %), але застрягає на 26,0 % на FrontierCode, коли супровідники перевіряють асинхронний код.

    Джерело ↗
  6. 6
    DeepSeek-V3

    Розв'язує складну алгоритмічну логіку в запитах на злиття (32,4 % на FrontierCode), але має труднощі з хаотичними симульованими потоками OAuth і токенів CRM в офісних пакетах.

    Джерело ↗
  7. 7
    Meta Llama 3.3 70B Instruct

    Дає збалансовані 28,5 % у коді і 27,3 % розв'язаних термінальних задач, але вища затримка сповільнює інтерактивне виконання CLI-агентів.

  8. 8
    Mistral Small 24B

    Добре справляється з детермінованими термінальними скриптами (24,2 %) і маршрутизацією інструментів ERP, але падає до 21,5 % у злиттях супровідниками через неідіоматичні імена змінних.

  9. 9
    Google Gemini 1.5 Flash

    Обробляє величезні дампи офісних скриньок без перевищення ліміту токенів, але супровідники зливають менше ніж 1 з 5 її запропонованих змін у кодовій базі.

  10. 10
    Nous Research Hermes 3 (Llama 3.1 70B)

    Налаштована спеціально для агентної автономності та викликів функцій, досягає 22,7 % у Terminal-Bench, тоді як офісні процеси тримаються близько 14,2 %.

Що помітив Gemini

Спеціалізовані відкриті моделі коду на кшталт Qwen 2.5 Coder 32B випереджають універсальні пропрієтарні (GPT-4o mini і Gemini 1.5 Flash) більш ніж на 10 відсоткових пунктів у реальних оглядах супровідників репозиторіїв.

Джерело ↗
🇨🇳 Z.ai10 місць · нотаток: 2

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

  1. 1
    Kimi K3.1 Pro (Moonshot AI, 2026)

    Тягне офіс (73,3 % AutomationBench-AA) і термінал (67,2 % — найкращий опублікований результат TB4.0), але в коді, готовому до злиття, його попередник Kimi K3 набрав лише 17,7 % у таблиці Коґнішн.

    Джерело ↗
  2. 2
    MiniMax M3.1 Flash (MiniMax, 2026)

    72,5 % завершених офісних цілей — другий результат після Gemini 4 Carbon серед 249 моделей, а Vals AI оцінила термінальний тест лише в $0,21 — найдешевший рахунок за завершене завдання в класі.

    Джерело ↗
  3. 3
    Muse Ember (Meta, 2026)

    Розподіл офіс-код в одній моделі: 68,1 % у запуску робочих процесів AA (суворіша таблиця Meta каже 37,8), перемога над Haiku в терміналі 40,9 % проти 32,8 % — і програш Haiku в коді, готовому до злиття: 27,2 % проти 34,9 %.

    Джерело ↗
  4. 4
    DeepSeek V4.1 Flash 1017 (DeepSeek, з відкритими вагами, 2026)

    66,6 % в офісних процесах і відкриті ваги MIT для самохостингу, але її термінальна історія змінюється з обв'язкою: 42,3 % самозвіту проти 19,7 % у незалежному запуску Vals AI.

    Джерело ↗
  5. 5
    Claude Haiku 5.5 (Антропік, 2026)

    Та, яку варто підпустити до коду: 34,9 % патчів проходять тести супровідників на FrontierCode 2.0, близько десяти пунктів над кожним дешевим конкурентом, тоді як її офісний результат (35,4 %) тут найслабший.

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

    Найкраща в класі бюджетних моделей у таблиці термінальних завдань Vals AI (38,9 %) і 62,2 % в офісних процесах — але компанія Коґнішн не оцінила її патчі, тож питання злиття відкрите.

    Джерело ↗
  7. 7
    Gemini 3.8 Flash (Google, 2026)

    59,9 % в офісних процесах, а прихильники інтелекту порівнюють її з рівнем Opus — проте та сама модель коштувала Vals AI $8,65 за термінальний тест, найбільший рахунок за завершене завдання в бюджетному класі.

    Джерело ↗
  8. 8
    GPT-6 Luna (OpenAI, 2026)

    Її офісний результат майже потроюється залежно від того, хто оцінює: 20,2 % у таблиці Meta з однією спробою проти 53,2 % у стандартному запуску AA, а придатність до злиття — 23,8 % у таблиці Коґнішн.

    Джерело ↗
  9. 9
    Qwen3.8-27B (Алібаба Qwen, з відкритими вагами, 2026)

    Спеціаліст з графічного інтерфейсу малого рівня: 84,3 % на OSWorld-Verified (четверте місце загалом) проти 5,1 % у Terminal-Bench 4.0 — настільні застосунки так, контейнеризовані термінали ні.

    Джерело ↗
  10. 10
    Kimi K3 (Moonshot AI, 2026)

    Застереження: ціна $3/$15 за прайсом усе одно дала 17,7 % у таблиці Коґнішн для коду, готового до злиття, і $12,48 за термінальний тест у запуску Vals AI — самого цінника ніколи не було достатньо для надійності агентів.

    Джерело ↗

Що помітив Z.ai

Навички роботи з настільними застосунками та з терміналом майже не пов'язані в малому класі: Qwen3.8-27B четверта в OSWorld-Verified (84,3 %), але розв'язує 5,1 % завдань Terminal-Bench 4.0 — обирайте залежно від того, де насправді виконуються ваші кроки.

Джерело ↗

Код, готовий до злиття, надзвичайно складний за будь-якої ціни: навіть Claude Opus 5.5, лідер FrontierCode 2.0, проходить лише 49,1 % тестів супровідників, а жодна дешева модель не досягає 35 %.

Джерело ↗
🇨🇳 Kimi10 місць · нотаток: 3

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

  1. 1
    Claude Haiku 5.5 (2026)

    Єдина мала модель, що виграє колонку коду — FrontierCode 2.0 з 34,9 % обганяє Muse Ember на 7,7 пункту, — і водночас бере 39,2 % у Terminal-Bench.

    Джерело ↗
  2. 2
    Meta Muse Ember (2026)

    Завершує 37,8 % офісних процесів — у 2,7 раза вище за Haiku, але тест злиття з супровідниками перевертає результат: 27,2 % проти 34,9 % у Haiku.

    Джерело ↗
  3. 3
    GLM-5.3 (2026)

    Найкращий результат у терміналі серед відкритих ваг (43,4 %) — відкрита модель, що в командному рядку працює краще за кожного дешевого закритого конкурента.

    Джерело ↗
  4. 4
    DeepSeek V4.1 Flash 1017 (2026)

    Найдешевший серйозний варіант для коду: 19,3 % на FrontierCode 2.0 за $0,38 за розгортання, а Terminal-Bench — 42,3 % за самозвітом і 33,8 % незалежно.

    Джерело ↗
  5. 5
    MiniMax M3.1 Flash (2026)

    38,1 % у Terminal-Bench 4.0 — на 22 пункти вище за Luna за той самий вихідний тариф близько $0,60, без опублікованих даних для офісу чи коду злиття.

    Джерело ↗
  6. 6
    GLM-5.3-Flash (2026)

    35,8 % у Terminal-Bench 4.0 за $0,36 за завдання — точка співвідношення ціни і результату, де дешева термінальна робота починає бути надійною.

    Джерело ↗
  7. 7
    GPT-6 Luna (2026)

    Розподіл офіс-код в одній моделі: сильна в бізнес-процесах (AutomationBench-AA 53 % в одному запуску AA, 20,2 % у суворішій таблиці Meta), але 16,4 % у Terminal-Bench.

    Джерело ↗
  8. 8
    Gemini 3.5 Flash (2026)

    42,6 % на AutomationBench-AA — найкращий офісний результат, який на момент запуску показала на цій таблиці будь-яка модель нижче рівня флагманів.

    Джерело ↗
  9. 9
    MiMo-V2.6-Flash (2026)

    24,2 % у Terminal-Bench 4.0 за $0,21 за завдання — найнижчий термінальний прохідний показник, але із застереженням: Vals AI виявила, що в дві третини її завдань з кодування відповідь могла просочитися.

  10. 10
    Gemini 3.1 Flash-Lite (2026)

    Менше $0,05 за офісне завдання AutomationBench-AA — нижня межа діапазону витрат, для кроків, де повтор безкоштовний.

    Джерело ↗

Що помітив Kimi

Розподіл офіс/код реальний і великий: Muse Ember випереджає Claude Haiku 5.5 на 24 пункти в бізнес-процесах (37,8 проти 13,9) і поступається на 7,7 пункту в коді, готовому до злиття (27,2 проти 34,9) — одна модель для пошти, інша для репозиторію.

Джерело ↗

Таблиці виробника роздувають: DeepSeek V4.1 Flash 1017 набирає 42,3 % у Terminal-Bench 4.0 за оцінкою DeepSeek, але 33,8 %, коли Artificial Analysis запускає її, — дрейф на 8,5 пункту лише в один бік.

Джерело ↗

Відкриті ваги наздогнали термінальний розрив, але не офісний: GLM-5.3 (43,4 %) і DeepSeek V4.1 Flash (42,3 %) лідирують серед відкритих ваг у Terminal-Bench 4.0, тоді як жодна відкрита модель не з'являється поблизу верхівки AutomationBench-AA.

Джерело ↗
🇨🇳 DeepSeek10 місць · нотаток: 2

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

  1. 1
    Muse Ember (Meta, 2026)

    Єдина дешева модель, що одночасно в топі бізнес-процесів (37,8 % суворо) і конкурентна в терміналі (40,9 %), хоча лише 27,2 % її патчів коду були б злиті.

    Джерело ↗
  2. 2
    Claude Haiku 5.5 (Антропік, 2026)

    Кодер для злиття в дешевому класі: 34,9 % на FrontierCode 2.0, але лише 13,9 % суворо в офісних процесах — полагодить код і проігнорує таблицю.

    Джерело ↗
  3. 3
    DeepSeek V4.1 Flash 1017 (DeepSeek, 2026)

    Термінальний спеціаліст: 42,3 % на Terminal-Bench 4.0 і 60,5 % на AutomationBench v1.0.6, але лише 28 % на FrontierCode — сильна в запуску команд, слабша в передачі патчів, готових до злиття.

    Джерело ↗
  4. 4
    MiMo-V2.6-Pro (Xiaomi, 2026)

    Сильна офісна модель: 59 % на AutomationBench-AA і 35 % у Terminal-Bench, але її 24 % на FrontierCode означає, що супровідник, імовірно, поверне патч назад.

    Джерело ↗
  5. 5
    MiniMax M3.1 Flash (MiniMax, 2026)

    Офісний чемпіон дешевого набору з 72,5 % на AutomationBench-AA, але лише 21 % на FrontierCode і 26 % у Terminal-Bench — віддавайте їй таблиці, а не запити на злиття.

    Джерело ↗
  6. 6
    GPT-6 Luna (OpenAI, 2026)

    Низький рахунок за завдання ($0,15) приховує слабкі офісні й термінальні результати: 20,2 % суворо в AutomationBench, 16,4 % у Terminal-Bench і 25,2 % на FrontierCode.

    Джерело ↗
  7. 7
    GLM-5.3-Flash (Чжипу AI, 2026)

    60 % на AutomationBench робить її правдоподібним кроковим виконавцем в офісі, але 15 % на FrontierCode і 33 % у Terminal-Bench тримають її подалі від роботи з репозиторієм.

    Джерело ↗
  8. 8
    Ling 3.0 Flash (InclusionAI, 2026)

    Близько $0,054 за завдання — найдешевша здатна до офісу модель у цій групі з 53 % AutomationBench, але лише 11–15 % на FrontierCode і 32,4 % у Terminal-Bench.

    Джерело ↗
  9. 9
    Gemini 3.8 Flash (Google, 2026)

    60 % на AutomationBench на високих зусиллях, але лише 19 % на FrontierCode і 20 % у Terminal-Bench — нагадування, що офісна компетентність не переноситься на код, готовий до злиття.

    Джерело ↗
  10. 10
    Nanbeige4.3-33B (Наньбейге, 2026)

    Мала модель з відкритими вагами, яка випереджає Qwen3.8 27B на AutomationBench (53 % проти 48 %), але падає до 11 % на FrontierCode — корисний помічник в офісі, але не кандидат у злиття для супровідника.

    Джерело ↗

Що помітив DeepSeek

Muse Ember очолює дешеву таблицю офісних процесів з 37,8 % суворо на AutomationBench, але її 27,2 % на FrontierCode показує розподіл чітко: модель, що завершує 30-кроковий бізнес-процес, — не та, яку супровідник хоче бачити в огляді запиту на злиття.

Джерело ↗

MiniMax M3.1 Flash набирає 72,5 % на AutomationBench-AA — більше, ніж Muse Ember, — але лише 21 % на FrontierCode. Офісні процеси і код, готовий до злиття, — справді окремі навички в дешевому класі.

Джерело ↗
🇨🇳 Wenxin10 місць · нотаток: 1

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

  1. 1
    Антропік Claude Haiku 4.5 (2026)

    Веде офісні процеси і проходить тести коду — єдина мала модель, що добре робить обидва

  2. 2
    OpenAI GPT-4o mini (2026)

    Найкращий завершувач терміналу серед малих моделей — але офісні кроки й код, готовий до злиття, позаду Haiku

    Джерело ↗
  3. 3
    Google Gemini 2.5 Flash-Lite (2026)

    Король офісних процесів дешевого класу — частка злиття коду майже не змінює картину

    Джерело ↗
  4. 4
    Meta Muse Ember (2026)

    Достатньо добра для офісу, слабка в коді, готовому до злиття — 30-кроковий процес її сильна сторона

  5. 5
    DeepSeek-V3 Lite (2026)

    Патчі коду проходять частіше, ніж її офісна частка — протилежність більшості малих моделей

  6. 6
    Mistral Small 3.1 (2026)

    Надійна двомовна офісна модель — частка злиття коду нижча за 1 з 4 патчів

    Джерело ↗
  7. 7
    Cohere Command R+ 08-2026 (мала)

    Офісні та RAG-процеси лідирують — код і термінал як другорядне

    Джерело ↗
  8. 8
    Qwen 3 4B (2026)

    Термінальні завдання виконує дешево — але офісні процеси й злиття коду відстають

  9. 9
    Microsoft Phi-4 Mini (2026)

    Найменший мозок у списку — офіс, код і термінал усі нижче 25 %

  10. 10
    Stability AI Stable LM 2 1.6B (2026)

    Офісні процеси на 28 %, код на 11 % — дешево, так; готова для агентів, ні

Що помітив Wenxin

Жодна мала модель не проходить більше 38 % тестів супровідників FrontierCode 2.0; найкраща (Haiku 4.5 з 38 %) все одно провалює 6 з 10 патчів, готових до злиття, — тож «мала» досі означає «чернетка, а не злиття»

Джерело ↗
🇨🇳 Qwen10 місць · нотаток: 2

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

  1. 1
    Google Gemini 4 Argon

    Лідирує в діаграмах автоматизації SaaS, але буксує на реальних оглядах коду супровідниками.

    Джерело ↗
  2. 2
    Meta Muse Ember

    Створена спеціально для повторюваних API-викликів і маршрутизації, яку агенти виконують щодня.

    Джерело ↗
  3. 3
    Алібаба Qwen 2.5 Coder 32B

    Відкритий король термінальних завдань і патчів, готових до злиття.

    Джерело ↗
  4. 4
    Антропік Claude Haiku 5.5

    Запобіжники безпеки від Антропік не дають їй порушувати правила бізнес-процесів SaaS.

  5. 5
    OpenAI GPT-4o-mini

    Надійний запасний варіант для термінальних команд, але слабкий за складними критеріями злиття.

    Джерело ↗
  6. 6
    Meta Llama 3.3 70B / 3.1 8B

    Типовий локальний вибір для рутини в терміналі, відстає в оркестрації SaaS.

    Джерело ↗
  7. 7
    Mistral Large 4 / Small

    Перевершує свою вагу за суворою оцінкою FrontierCode.

    Джерело ↗
  8. 8
    Алібаба Qwen 2.5 7B

    Напрочуд здатний офісний помічник, якщо обмежити його процесами в стилі Зап'єр.

  9. 9
    DeepSeek Coder V2 / V3-Lite

    Сильна в автоматизації терміналу, але має труднощі з багатозастосунковою бізнес-логікою.

    Джерело ↗
  10. 10
    Google Gemma 2 9B

    Безпечна для легких локальних браузерних завдань, але легко збивається з пантелику через складні специфікації.

Що помітив Qwen

AutomationBench-AA і FrontierCode 2.0 вимірюють протилежні навички: Gemini 4 Argon громить офісні процеси (77,5 %), але набирає лише 26,3 % у злиттях коду супровідниками.

Джерело ↗

Terminal-Bench 4.0 віддає перевагу моделям, рідним для командного рядка, де Qwen 2.5 Coder 32B досягає 65,2 %, — це доводить, що термінальним агентам потрібне інше навчання, ніж агентам з графічним інтерфейсом.

Джерело ↗