Мы обновили наш бенчмарк новыми моделями!

DeepSeek V4 Flash стоит в 130 раз дешевле соседей по рейтингу – и обходит Gemini Pro по баллам. Xiaomi MiMo v2.5 Pro обогнал Claude Opus в планировании за восьмую часть цены. Grok 4.5 бьёт Claude Opus 4.7 и стоит вчетверо дешевле.

В последней волне добавили 14:Claude Sonnet 5, Claude Fable 5, Grok 4.5, Nemotron 3 Ultra, MiniMax M3, DeepSeek V4 Flash (в облаке Yandex), GigaChat 3.5 Ultra и ещё семь.

Зачем мы ведём этот бенчмарк: студенты курса работают с ИИ в уроках и проектах, и им нужны проверенные данные – какая модель подходит под задачу, сколько стоит, доступна ли в России. Проверенные факты вместо маркетинга вендоров.

Когда ИИ переходит из чата в агенты, стоимость за запрос начинает множиться. Один агентский цикл – десятки вызовов. Разница между $0,003 и $0,15 за прогон превращается в разницу между $3 и $150 за сессию. Дешёвые альтернативы уже есть – и некоторые из них бьют флагманы.

Несколько находок из нового батча:

MiniMax M3 – в 33 раза дешевле Claude Fable 5, и обходит его в планировании.

Claude Sonnet 5 слабее своего предшественника Sonnet 4.6 в рейтинге. Не опечатка.

GigaChat 3.5 Ultra от Сбера врёт о правах декретниц в России. Российская модель, российское законодательство.

Qwen 3.6 Flash – тот же результат, что у Gemini 3.5 Flash, но в 36 раз дешевле.

По этому исследованию накопилось много материала для канала – ждите обновлений на этой неделе.