Осень 2026 года выдалась самой плотной за всю историю этой гонки. 1 сентября Anthropic выпустила Claude Fable 5.1, третьего OpenAI показала GPT-6 Astra. Десятого сентября без всякой презентации появилась DeepSeek V4.1 Flash, двадцать первого вышла Grok 4.7 от xAI, а двадцать второго за один день сразу три модели: Claude Opus 5.5, GPT-6 Sol и GPT-6 Luna. Двадцать восьмого добавился Claude Sonnet 5.5, двадцать девятого — GPT-6.1 Sol. Анонсированный GPT-6.1 Astra так и не вышел.
Дальше разбираем, что реально поменялось за последнюю неделю, каким цифрам стоит верить и как выбрать модель под свою задачу.
Что изменилось за последнюю неделю
Claude Sonnet 5.5 стоит как GPT-6 Sol, но обходит Opus 5.5 на Terminal-Bench 4.0 и занимает второе место в независимом индексе Artificial Analysis. Задача на нём при этом выходит дороже, чем у Opus: сказывается многословие модели.
GPT-6.1 Sol сохранил прежнюю цену, зато кэш стал вдвое дешевле. Результат почти как у Astra, плюс 4 балла к GPT-6 Sol в индексе. Цена одной задачи упала с $1,06 до 72 центов.
Отдельная новость — отказ OpenAI от релиза GPT-6.1 Astra. Причина: проблемы на внутренних испытаниях безопасности. Флагманом OpenAI остаётся версия 6.0.
Появился тариф Ultrafast: вшестеро дороже обычного, до 300 токенов в секунду, пока только для Astra.
Grok 4.7 ускорилась с 40 до 79 токенов/сек, цена задачи не изменилась. xAI добавила ступени подписки от $10 до $300 в месяц, но новой модели в приложении нет.
DeepSeek V4.1 Flash обошла V4 Pro в независимом индексе. V4 Pro продолжает работать по прежним ценам.
Ещё неделю назад выгоднейшей средней моделью был GPT-6 Sol, а Sonnet 5.5 просто не существовала.
Чему верить в цифрах
Производители публикуют таблицы с выгодными для себя тестами: выбирают тесты, уровень рассуждения, свою обвязку. Один и тот же тест в разных обвязках даёт разные числа. Terminal-Bench 4.0 для Grok 4.7 показывает 37,6 % у xAI и 33 % у Artificial Analysis. Сравнивать по таблицам разных компаний можно только грубо.
Независимые замеры Artificial Analysis ставят всех в одинаковые условия. Индекс Artificial Analysis сворачивает десять тестов в одно число. Там же измеряют скорость вывода, время до первого токена, число выходных токенов и цену одной задачи.
Слабость индекса в том, что это средняя по больнице. Модель в узкой нише может проигрывать в индексе, оставаясь лучшей именно на вашей задаче.
Прямые сравнения надёжнее: одно задание, засечка времени, подсчёт долларов, оценка результата. Правда, выборка крошечная. Три задания или один «Тетрис» — это иллюстрация, а не статистика.
Пересказам верить не стоит. Агрегаторы за сутки выдают десятки статей, расхождения значений индекса доходят до 15 баллов, а цена GPT-6.1 Sol «десять центов» встречается только в пересказах и отсутствует в прейскуранте. Сверяйтесь с первоисточниками: анонсами, прейскурантами, страницами Artificial Analysis.
Ещё один нюанс: уровень рассуждения задаётся ступенями low–max. У Opus 5.5 разница между low и max — 16 баллов в индексе и 11 раз по цене задачи. Сравнивать модели честно можно только на самом высоком измеренном уровне.
Claude Opus 5.5: дешевле прошлого флагмана
Opus 5.5 вышел 22 сентября и стал флагманом семейства Claude 5.5. Позиция Anthropic: уровень Fable 5.1 на большинстве задач.
Модель дешевле прошлого Opus 5 на 40 %: вход $4, выход $20, чтение из кэша $0,20. У Opus 5 было $5 и $25.
Быстрый режим стоит $8 и $40, то есть двойную цену, и ускоряет работу до 2,5 раза. Доступен только в API Anthropic и Claude Code, у облачных партнёров его нет.
Окно контекста — миллион токенов, ответ — до 128 тысяч токенов. Глубина рассуждения — пять ступеней, по умолчанию medium, на ступень ниже Opus 5. Отключить рассуждение нельзя, минимум low. На максимальном уровне индекс Artificial Analysis показывает 58 баллов: первое место из 224 измеренных моделей.
Условия данных
Все цифры на 3 октября 2026. Цены указаны в долларах за миллион токенов. Миллион токенов примерно равен 700 тысячам английских слов. Русского текста в этом объёме меньше: кириллица режется мельче.
Что делать с этим списком
Если вы выбираете модель под свою задачу, начните с прямого теста на своих примерах. Индекс и таблицы производителей дают только ориентир, а ступень рассуждения и обвязка меняют картину сильнее, чем смена версии. Для длинных сессий считайте цену задачи, а не цену токена: разница в многословии перекрывает любую экономию на входе.
Хотите разобраться, как сравнивать модели конкретно из России, как проверить их на своих задачах и сколько стоит месяц работы агента на API против подписки? Это уже в полной версии.
Вот это уже похоже на практичный опыт. Сохранил себе, вернусь позже перечитать.
Интересный кейс, особенно понравилось, что объяснили без лишней воды.
Главная мысль попала точно. Такие материалы хочется обсуждать, а не просто пролистывать.