Сравнение нейросетей по цене и качеству: исследование 299 моделей на русском

Над таблицей тарифов мысль приходит привычная: дороже значит лучше. Для телефона это обычно правда, для отеля — иногда. А вот для языковых моделей такой сверки по-русски мне не встречалось: обзоры смотрят либо на оценки, либо на тарифы. Я свёл их вместе на почти трёх сотнях моделей. Ответ получился неудобным для тех, кто платит за верхнюю строку.

Становится ли ответ лучше, когда растёт цена

Связь есть, но слабее, чем подсказывает интуиция. На диаграмме каждая точка — модель: вправо дороже, вверх лучше оценки.

Рис. 1. Цена объясняет качество лишь отчасти. Цена объясняет качество лишь отчасти: дорогие модели встречаются и внизу, а дешёвые поднимаются почти к самому верху. Источник: Acta по данным Arena, категория Russian, октябрь 2026.

Ранговая корреляция Спирмена получилась 0,52, это умеренная связь. По группам видно то же самое: медиана растёт, только неровно.

Рис. 2. Дорогие модели в среднем сильнее, но не всегда. От дешёвых к дорогим медиана растёт, но группа от 3 до 8 долларов проседает из-за старых поколений. Источник: Acta по данным Arena, категория Russian, октябрь 2026.

Эта просадка показывает главную причину разброса: возраст. Цены старых поколений застыли там, где их когда-то поставили, а качество давно обогнали. GPT-4.5 Preview, например, стоит почти $94 за миллион токенов и в рейтинге на русском уступает модели за восемь центов. Как если бы прошлогодний флагман продавался дороже нового, потому что на коробке так написано.

Неприятный вывод для покупателя такой: высокая цена в таблице вообще ничего не гарантирует, пока вы не посмотрели дату выхода.

Четыре ступени: за что идёт каждая доплата

Если отбросить модели слабее 1400 баллов и с малым числом голосов, а из остальных оставить те, которых никто не обгоняет дешевле себя, получается короткая лестница.

Рис. 3. Четыре ступени: за что идёт каждая доплата. На лестнице из четырёх моделей самая выгодная доплата — шаг к третьей ступени. Источник: Acta по данным Arena, категория Russian, октябрь 2026.

Первая ступень — GLM-5.3-Flash за восемь центов. Вторая, DeepSeek V4.1 Flash, стоит в шесть раз дороже и почти ничего не прибавляет. Третья, Gemini 3.8 Flash, дороже ещё втрое, зато прибавка сразу заметная. Четвёртая, Gemini 4 Argon, снова дороже в два с половиной раза, а баллов добавляет мало.

Я перевёл это в шансы, потому что баллы сами по себе мало о чём говорят. Ответ Argon в паре с GLM-5.3-Flash выберут примерно в 58 случаях из 100, притом что цена отличается в 48 раз. Для обычных задач я бы либо оставался на первой ступени, либо прыгал сразу на третью: промежуточный шаг на текстах мало что меняет.

В чате математика другая, чем в API: GLM-5.3-Flash доступен в Z.ai бесплатно и без аккаунта, а Gemini 3.8 Flash требует VPN и зарубежного аккаунта. Так что на практике разрыв в усилиях ещё больше, чем разрыв в цене.

Где переплата заметнее всего

Самый яркий случай — Claude Fable 5. У неё и у Gemini 3.8 Flash одинаковые баллы, а цена отличается в тринадцать раз. Fable продают ради долгих агентных задач, и в обычном чате этого не видно. Но писать ею письма — это как нанимать архитектора, чтобы повесить полку.

Внутри одного разработчика шаг вниз часто экономит в разы.

Рис. 4. Сколько экономит шаг вниз у одного разработчика. Шаг на ступень ниже у того же разработчика экономит в разы при потере не больше тридцати баллов. Источник: Acta по данным Arena, категория Russian, октябрь 2026.

У Z.ai разрыв просто огромный: GLM-5.3-Flash в двадцать шесть раз дешевле старшей GLM-5.3 и лишь чуть ниже по оценкам. У Alibaba младшая модель экономит в пять раз. У Anthropic экономнее всего выбрать Opus 5.5: разница с Fable укладывается в погрешность, а счёт меньше в два с половиной раза. Подробнее об этой линейке — в разборе Claude Opus 5.5.

Сначала стоит посмотреть, кто в вашей линейке на ступень ниже: чаще всего там та же работа за долю цены.

Сколько это в деньгах

Цены за миллион токенов трудно почувствовать, поэтому я посчитал обычную задачу: десять тысяч писем или карточек товара в месяц, в каждой запрос на 2 000 токенов и ответ на 500.

Для маленькой компании разница между двумя и девяноста долларами в месяц может показаться мелочью, особенно рядом с зарплатой того, кто писал бы это руками. Тут я бы не спешил экономить на качестве там, где текст видит клиент. А вот сотни долларов за то, что в слепом сравнении не отличается от модели в тринадцать раз дешевле, уже трудно объяснить кому угодно, включая бухгалтера.

Самая дешёвая модель обходится почти бесплатно, только на вычитку всё равно уходят часы человека, и они стоят дороже любого токена. Если более сильная модель сокращает правки хотя бы на несколько минут на текст, переплата окупается сразу. Поэтому считать стоит итог: токены плюс время на проверку.

Что с открытыми моделями

Открытые модели в среднем слабее закрытых (медиана 1351 балл против 1430) и примерно в четыре с половиной раза дешевле. Интереснее другое: лучшие из них уже стоят в верхней части таблицы. DeepSeek V4.1 Flash, старшая GLM-5.3, MiMo-V2.6-Pro и GLM-5.3-Flash почти не отличаются друг от друга и совсем недалеко отстоят от бывших флагманов.

Получается, платить за закрытость на обычных задачах стало трудно обосновать, хотя ещё год назад это было понятно само собой. Как быстро всё меняется, видно и по Kimi K3, который я разбирал отдельно: модель с открытыми весами встала вровень с лучшей у OpenAI. Правда, цена у неё уже совсем не копеечная, и дома её не запустишь.

Что из этого следует для выбора

Для рабочих текстов на русском я бы начинал снизу: бесплатный чат с GLM-5.3-Flash или Qwen. Нет явной причины платить — значит, платить незачем. Причина должна быть конкретной: длинные документы, агент на несколько часов, регулярная работа через API в больших объёмах.

Для работы через API стоит смотреть на всю линейку разработчика, не только на флагмана. Когда счёт идёт на десятки тысяч запросов, разница становится статьёй бюджета, и как её считать, я показал в разборе ИИ-агентов. А то, что популярно, и то, что выгодно, — разные списки, и рейтинг нейросетей по спросу это хорошо показывает: люди ищут совсем не тех, кто выигрывает в этой таблице.

Разные задачи стоят на разных ступенях. Сортировка заявок и разметка отзывов спокойно живут внизу: ошибку там легко поймать, а объём большой. Письма клиентам и посты, где важен тон, я бы отдавал средней ступени или бесплатной модели со своими образцами. Верхняя нужна там, где модель работает долго и одна, а цена её промаха высока: анализ большого массива документов или длинная агентная задача с кодом.

Заодно это снимает извечный спор о том, какая нейросеть лучшая. Лучшей на все случаи в этой таблице нет, и я бы не верил тому, кто её назовёт. Есть подходящая для конкретной работы, причём подходит она часто намного дешевле, чем обещает реклама.

Ещё одна привычка из этого исследования полезна сама по себе. Прежде чем обновлять модель или тариф, я бы смотрел две цифры рядом, балл и счёт. Новинка в таблице часто выглядит как очевидный апгрейд, пока не посчитаешь, сколько она добавляет на вашей задаче.

Где ломается

Arena измеряет обычные ответы в чате. Сложный код, долгие агентные цепочки и работа с большими файлами туда почти не попадают. За них как раз и берут деньги дорогие модели, поэтому мой вывод относится к текстам и обычным вопросам.

Цена взята из таблицы Arena и относится к API. Подписки считаются иначе, скидки и пиковые часы (как у DeepSeek) я не учитывал. У Qwen3.7-Plus в таблице цена с временной скидкой 20%. Смешанная цена «три к одному» тоже допущение: если ответы у вас длиннее запросов, картина сдвинется в сторону моделей с дешёвым выходом.

У каждого балла есть погрешность, местами немалая, поэтому соседние модели часто неразличимы. Модели с настройками усилия считаются отдельно, а в вашем чате настройка может быть другой. Часть моделей без цены или с малым числом голосов выпала из анализа: Kimi K3 в таблице без цены, а Gemini 4 Carbon при той же цене, что у Argon, и 1552 баллах не дотянула до порога лестницы, собрав 647 голосов.

Наконец, это снимок на конец октября, а цены меняются. Gemini 4 Argon, например, подорожает вдвое уже 1 декабря, Gemini 3.8 Flash — 1 января, и лестница сдвинется.

Методология

Источник — полная таблица Arena, категория Russian, версия от 27 октября 2026 года: 383 модели. В анализ вошли те, у которых указана цена входа и выхода и есть не меньше 300 голосов, всего 299. Смешанная цена считается как (3 × вход + выход) / 4 за миллион токенов.

Для лестницы — от 1000 голосов и от 1400 баллов: ниже GLM-5.3-Flash по цене остаются только Gemma 2 9B и Llama 4 Scout со слабыми 1272 и 1308 баллами. Gemini 3.7 Flash с теми же ценой и баллами, что у 3.8 Flash, я не считал отдельной ступенью: Google её уже закрыла. Открытыми считаются все модели с лицензией, отличной от Proprietary.

Шансы — по формуле Эло: 1 / (1 + 10^(−разница / 400)).

Таблица для перепроверки: models-priced.csv, скрипт и сырые данные сохранены.

Что сделать завтра

Посмотрите, на какой модели у вас работает самая частая задача, и найдите её в таблице. Ту же задачу стоит прогнать на модели ступенью ниже и сравнить десять ответов вслепую, лучше с коллегой. Если разницу видно не всегда, вы только что нашли экономию.