Лучшие LLM в 2026 году: рейтинг нейросетей для работы и разработки

LLM можно использовать тремя способами: диалог (веб-интерфейс), через API, локально (Open Source) для разных задач. Мы разберем эти 9 моделей, предоставим необходимые ссылки, они доступны через диалоги и через API. Есть хорошие модели, которые можно запустить локально, но про такой рейтинг мы расскажем в другой статье.

Модели в рейтинге по уровню:

1. Claude Opus 4.7
2. GPT-5.5
3. Claude Mythos Preview
4. Gemini 3.1 Pro
5. Claude Sonnet 4.6
6. Kimi K2.6
7. GLM-5.1
8. DeepSeek V4 Pro
9. Grok 4.20 / Grok 4.3

Как мы выбирали модели

В предыдущей версии статьи главными бенчмарками были SWE-bench Verified, AIME 2025 и MMLU. К весне 2026 эти бенчмарки начали «насыщаться» — топ-модели набирают на них почти максимум, и они перестают различать лидеров. Поэтому сейчас в индустрии используют более жёсткие тесты:

• SWE-bench Pro — реальные баги из четырёх языков программирования. Существенно сложнее Verified.
• Terminal-Bench 2.0 — работа в терминале: shell-скрипты, DevOps, отладка в живой среде.
• GPQA Diamond — наука уровня PhD, без подсказок.
• ARC-AGI-2 — узнавание новых логических паттернов, специально сделан так, чтобы запоминание не помогало.
• OSWorld-Verified — операции в реальной операционной системе (computer use).
• Humanity's Last Exam (HLE) — экспертные вопросы из десятков дисциплин.
• MCP-Atlas — оркестрация инструментов через Model Context Protocol.

MMLU из таблиц фактически исчез — он давно saturated. AIME 2025 и LiveCodeBench частично сохраняют смысл, но всё чаще их вытесняют FrontierMath и SWE-bench Pro.

Что изменилось в 2026 году:

Если коротко — рынок раздвоился ещё сильнее. С одной стороны, западные флагманы (Opus 4.7, GPT-5.5, Gemini 3.1 Pro) ушли вперёд по качеству, особенно на сложных агентских задачах. С другой стороны, китайские open-weight модели (Kimi K2.6, GLM-5.1, DeepSeek V4 Pro) вплотную приблизились по практическим бенчмаркам при цене в 5–25 раз ниже.

Главные релизы марта–апреля:

• 7 апреля — Anthropic анонсирует Claude Mythos Preview (закрытая модель только для Project Glasswing) и через неделю GLM-5.1 от Z.AI
• 16 апреля — Claude Opus 4.7 (тот самый «упор в кодинг и агенты»)
• 20 апреля — Kimi K2.6 от Moonshot AI
• 23 апреля — GPT-5.5 (внутреннее имя «Spud», первый полностью переобученный base-model OpenAI с GPT-4.5)
• 24 апреля — DeepSeek V4 Pro и V4 Flash

Сейчас на верхушке три «обычно доступных» флагмана — Opus 4.7, GPT-5.5 и Gemini 3.1 Pro — и Claude Mythos Preview как ориентир «куда всё движется». Grok 5, обещанный в Q1 2026, пропустил дедлайн — Polymarket даёт ~33% вероятности релиза до конца июня, поэтому рассматривать его как опцию пока нет смысла.

Теперь давайте опишем всю статистику по моделям, со ссылками и описанием всех параметров. После чего сделаем вывод, что и для чего лучше использовать.

1. Claude Opus 4.7 (Anthropic)

Релиз: 16 апреля 2026

Текущий лидер среди публично доступных моделей по большинству агентских и кодинговых бенчмарков. Это «починка» Opus 4.6 после того, как пользователи начали жаловаться на регрессию в качестве — Anthropic не признал её намеренной, но Opus 4.7 во многом стал ответом.

Ключевые возможности:

• Контекст: 1M токенов на входе, до 128K на выходе
• Новый уровень reasoning effort xhigh между high и max
• Разрешение зрения выросло до 2576px (3,75 МП — в 3,3 раза больше предыдущего)
• Task budgets (бета) — лимиты на токены для агентских сессий
• Multi-agent coordination — параллельные подагенты
• Обновлённый токенизатор (на 1.0–1.35x больше токенов на тот же текст)

Бенчмарки:

• SWE-bench Verified: 87,6% (лидер среди GA-моделей)
• SWE-bench Pro: 64,3% (+10,9 п.п. к Opus 4.6)
• Terminal-Bench 2.0: 69,4%
• GPQA Diamond: 94,2%
• OSWorld-Verified: 78,0%
• MCP-Atlas: 77,3% (best-in-class)
• Finance Agent: 64,4% (SOTA)
• CursorBench: 70%

Цена: $5/$25 за 1M входных/выходных токенов. Для контекста выше 200K — премиальный тариф.

Ссылки

  API: console.anthropic.com

  Чат: claude.ai

2. GPT-5.5 (OpenAI)

Релиз: 11 декабря 2025

«Spud» — первый полностью переобученный с нуля base-model OpenAI с GPT-4.5. Натурально омнимодальный (текст, изображения, аудио, видео в одной архитектуре), со-разработан с NVIDIA GB200/GB300. Лидирует на Artificial Analysis Intelligence Index с результатом 60 (Opus 4.7 и Gemini 3.1 Pro делили 57 до этого).

Ключевые возможности:

• Контекст: 1M токенов в API, 400K в Codex
• Уровни reasoning: non-reasoning, low, medium, high, xhigh
• Три варианта: GPT-5.5, GPT-5.5 Thinking, GPT-5.5 Pro
• Использует ~40% меньше выходных токенов на типичные задачи Codex

Бенчмарки:

• Terminal-Bench 2.0: 82,7% (SOTA, +13 п.п. над Opus 4.7)
• SWE-bench Pro: 58,6%
• OSWorld-Verified: 78,7%
• GDPval: 84,9%
• FrontierMath Tier 1–3: 51,7%, Tier 4: 35,4%
• Tau2-Bench Telecom: 98,0% (без подгонки промптов)
• CyberGym: 81,8%
• Expert-SWE (внутренний бенч с медианой решения 20 часов): 73,1%

Цена: $5/$30 за 1M входных/выходных токенов (вдвое дороже GPT-5.4). Кэш input — $0,50. GPT-5.5 Pro — $30/$180.

Ссылки:

• API: platform.openai.com
• Чат: chat.openai.com

3. Claude Mythos Preview (Anthropic)

Релиз: 7 апреля 2026 — закрытый

Самая мощная модель Anthropic, доступная только участникам Project Glasswing (~40 организаций, включая Microsoft, Google, Apple, Amazon, NVIDIA). Не выйдет в широкий доступ — Anthropic сочёл её кибербезопасные возможности слишком опасными.

Бенчмарки:

• SWE-bench Verified: 93,9%
• SWE-bench Pro: 77,8%
• Terminal-Bench 2.0: 82,0%
• GPQA Diamond: 94,6%
• USAMO 2026: 97,6%
• CyberGym: 83,1%

Цена: $25/$125 за 1M токенов (5x от Opus). Anthropic выделил $100M кредитов участникам.

Зачем включать в обзор закрытую модель? Чтобы показать, насколько верхняя планка ушла вперёд от того, что доступно публично. Anthropic анонсировал, что возможности уровня Mythos придут в будущий релиз Opus с дополнительными safeguards.

Ссылки

  API: console.anthropic.com

  Чат: claude.ai

4. Gemini 3.1 Pro (Google)

Релиз: 19 февраля 2026 (preview — но в марте уже стал стандартом в Gemini App и Vertex AI)

Гigantский прорыв в reasoning над Gemini 3 Pro (ARC-AGI-2 вырос с 31,1% до 77,1% — больше чем в 2 раза). Сильнее всего на мультимодальных задачах и научных вопросах. С 1 апреля 2026 убран из бесплатного тира — теперь только paid.

Ключевые возможности:

• Контекст: 1M токенов (на API), 2M на Vertex AI
• Натуральная мультимодальность: текст, изображения, аудио, видео
• Уровни thinking: Low, Medium, High
• Скорость: 123 токена/сек

Бенчмарки:

• ARC-AGI-2: 77,1% (рекорд среди публичных моделей)
• GPQA Diamond: 94,3%
• SWE-bench Verified: 80,6%
• SWE-bench Pro: 54,2%
• Terminal-Bench 2.0: 68,5%
• LiveCodeBench Pro: 2887 Elo
• MCP-Atlas: 69,2%
• BrowseComp: 85,9% (лидер)

Цена: $2/$12 за 1M токенов до 200K контекста, $4/$18 выше. Cached input — $0,20.

Ссылки:

• API: ai.google.dev
• Чат: gemini.google.com

5. Claude Sonnet 4.6 (Anthropic)

Релиз: 17 февраля 2026

Mid-tier флагман Anthropic. Показывает 95–98% от качества Opus 4.6 при цене в 5 раз ниже. На момент написания (май 2026) — всё ещё не обновлён до 4.7, но остаётся одним из лучших вариантов по соотношению цена/качество. По слухам, утёкшим из исходников Claude Code, следующая версия будет Sonnet 4.8.

Бенчмарки:

• SWE-bench Verified: 79,6%
• AIME 2025: 100% с Python, 87% без инструментов
• GPQA Diamond: ~85%
• OSWorld: 61,4%

Цена: $3/$15 за 1M токенов. Контекст 200K (1M в beta).

Ссылки

  API: console.anthropic.com

  Чат: claude.ai

6. Kimi K2.6 (Moonshot AI)

Релиз: 20 апреля 2026

Лучшая open-weight модель по нескольким измерениям. 1T параметров MoE (32B активных), 384 эксперта, нативная мультимодальность. Лицензия — Modified MIT. По отзывам практиков — единственная китайская open-weight модель, дотягивающая до Tier A в реальных задачах.

Ключевые возможности:

• Контекст: 256K
• 4000+ tool calls в одной 13-часовой сессии (документировано)
• 300 параллельных подагентов
• INT4-квантизация из коробки

Бенчмарки:

• SWE-bench Verified: 80,2%
• SWE-bench Pro: 58,6%
• Terminal-Bench 2.0: 66,7%
• HLE с инструментами: 54,0%
• BrowseComp: 83,2%
• Code Arena Elo: 1529 (6-е место, выше многих закрытых)

Цена: $0,74/$3,49 за 1M токенов. Открытые веса на HuggingFace.

Ссылки:

• API: platform.moonshot.ai
• Открытые веса: HuggingFace

7. GLM-5.1 (Z.AI / Zhipu AI)

Релиз: 7 апреля 2026

754B параметров MoE, обученные на 100 000 чипов Huawei Ascend 910B без NVIDIA — это политически и инженерно значимый результат. Лицензия — MIT. Особенно силён в front-end и UI-генерации.

Бенчмарки:

• SWE-bench Pro: 58,4% (статистически вровень с Kimi K2.6)
• Code Arena Elo: 1530 (#3 в мире на agentic web dev по Arena.ai)
• Сильные результаты на NL2Repo, full-stack scaffolding

Цена: ~$0,60/$2,20 за 1M токенов. Открытые веса.

Ссылки:

API/Chat: Z.ai Открытые веса: HuggingFace 

8. DeepSeek V4 Pro (DeepSeek)

Релиз: 24 апреля 2026

Первая новая архитектура DeepSeek с V3. 1.6T параметров total, 49B активных. Гибридная thinking/non-thinking. По Artificial Analysis — #2 open-weight модель после Kimi K2.6 на Intelligence Index. Также вышел V4 Flash (284B/13B) — ультрабюджетный вариант.

Особенности:

• Контекст: 1M токенов (8x от V3.2)
• Лидер среди open-weight на GDPval-AA (1554)
• Высокий расход выходных токенов (190M на полный прогон Intelligence Index)
• Hallucination rate 94% — модель почти всегда отвечает, даже когда не знает

Бенчмарки:

• Artificial Analysis Intelligence Index: 52
• AA-Omniscience: -10 (улучшение на 11 пунктов над V3.2)

Цена: $0,43/$0,87 за 1M токенов. Открытые веса (MIT).

Ссылки:

• API/Chat: platform.deepseek.com, chat.deepseek.com
• Открытые веса: HuggingFace

9. Grok 4.20 / Grok 4.3 (xAI)

  Релиз: 4.20 — 17 февраля 2026, 4.3 — конец апреля/начало мая 2026

Поскольку Grok 5 пропустил Q1-дедлайн и Polymarket даёт всего ~33% вероятности релиза до конца июня, актуальный флагман xAI — Grok 4.20 Beta 2 (с улучшениями в Grok 4.3). Главная фишка — multi-agent режим Heavy с 16 параллельными агентами и интеграция с реальными данными X в режиме реального времени.

Бенчмарки (4.20 Heavy):

• AIME 2025: 95–100%
• GPQA: ~89%
• HLE: 45% (Heavy)
• ARC-AGI-2: 16% (заметно ниже лидеров)

Цена: $2/$15 за 1M токенов. SuperGrok Heavy — $300/мес.

Ссылки:

• API/Chat: console.x.ai

Сравнение стоимости API (май 2026)

Сравнение бенчмарков (май 2026)

Рекомендации по выбору

Для разработчиков (кодинг)

• Лучший результат: Claude Opus 4.7 (87,6% SWE-bench Verified, 64,3% Pro)
• Лучший терминальный/агентский кодинг: GPT-5.5 (Terminal-Bench 82,7%)
• Цена/качество: Claude Sonnet 4.6
• Open-source: Kimi K2.6 (для длинных автономных сессий) или GLM-5.1 (для фронтенда)
• Минимальный бюджет: DeepSeek V4 Flash или V3.2

Для reasoning и науки

• ARC-AGI-2 / новые задачи: Gemini 3.1 Pro (77,1%)
• Сложная математика: GPT-5.5 (FrontierMath Tier 4: 35,4%, вдвое больше Opus)
• PhD-уровня вопросы: GPT-5.5 Pro (93,2% GPQA) или Gemini 3.1 Pro (94,3%)

Для агентских задач

• Multi-tool orchestration (MCP): Claude Opus 4.7 (77,3%)
• Computer use: GPT-5.5 (OSWorld 78,7%) или Opus 4.7 (78,0%)
• Длинные автономные сессии (часы): Opus 4.7 или Kimi K2.6

Для мультимодальных задач

• Универсал: Gemini 3.1 Pro (нативно текст/картинки/аудио/видео, 1–2M контекст)
• Высокое разрешение изображений: Claude Opus 4.7 (3,75 МП, +3,3x)
• Натуральная омнимодальность: GPT-5.5

Для длинного контекста

• 1M+: Opus 4.7, GPT-5.5, Gemini 3.1 Pro, DeepSeek V4 Pro

• 2M: Gemini 3.1 Pro в Vertex AI

Для минимального бюджета

• Через API: DeepSeek V4 Pro/Flash или Gemini 3.1 Flash-Lite ($0,25/$1,50)
• Локально: GLM-5.1 (MIT) или Kimi K2.6 (Modified MIT)

Заключение

Главный сдвиг с февраля — рынок вошёл в режим, где «лучшая модель» зависит от задачи сильнее, чем когда-либо. Раньше Opus или GPT можно было выбрать как универсальное решение. Сейчас оптимальная стратегия для любой команды, серьёзно работающей с LLM, — мульти-модельная: Opus 4.7 на refactor-задачи и MCP, GPT-5.5 на терминал и длинный контекст, Gemini 3.1 Pro на мультимодальность, DeepSeek V4 или Kimi K2.6 на массовые операции.

Второй сдвиг — open-source реально догнал. Год назад тезис «китайские открытые модели почти как западные» был натяжкой. Сейчас Kimi K2.6 лидирует по Code Arena среди open-source и проигрывает Opus 4.7 буквально 10 пунктов в реальных кодинговых задачах при цене в 5 раз ниже. GLM-5.1 на 754B параметрах был обучен полностью без NVIDIA — на Huawei Ascend.

Третий сдвиг — Claude Mythos Preview показал, что реально верхняя граница ушла на ~6–13 п.п. вперёд от Opus 4.7. Anthropic не выпустил эту модель в продакшен публично из-за кибербезопасных соображений, но обещал привнести её способности в следующий Opus с дополнительными safeguards. Это ориентир «куда всё движется в ближайшие 6–12 месяцев».

Если выбирать одну модель на сейчас и не страдать — Claude Sonnet 4.6 для большинства задач или Claude Opus 4.7, если бюджет позволяет. Если строите production-стек — закладывайте маршрутизацию между минимум двумя провайдерами.