Нейросеть для кода: какую модель подключить и сколько стоит задача

В августе мы советовали здесь Claude Sonnet 5 как модель для кода по умолчанию. На независимом прогоне Terminal-Bench 4.0 от 27.10.2026 он решает 10,61% задач, а Sonnet 5.5, вышедший 28 сентября по той же цене за токен, — 64,14%. Сейчас по умолчанию берите Claude Sonnet 5.5 или GPT-6.1 Sol, длинную самостоятельную работу в репозитории отдавайте Claude Opus 5.5, а модели сравнивайте по цене решённой задачи, а не токена.

Почему SWE-bench Verified больше не помогает выбрать

SWE-bench Verified — 500 задач из настоящих Python-репозиториев: модель получает описание бага и пишет патч, который должен пройти тесты. На официальной доске последняя запись в этом рейтинге датирована 26.02.2026, верхний результат 79,2% у агентов на Claude Opus 4.5. Моделей, вышедших позже, там нет.

23.02.2026 OpenAI объявила, что перестаёт публиковать этот бенчмарк: задачи и их решения попали в обучающие данные, а часть тестов составлена с ошибками. Компания предложила перейти на SWE-bench Pro.

Каждый вендор теперь выбирает свои тесты. В анонсах Opus 5.5 (22.09) и Sonnet 5.5 (28.09) Anthropic приводит Terminal-Bench 4.0, FrontierCode и CursorBench, а SWE-bench не упоминает. Google в анонсе Gemini 4 Argon (30.09) показывает 77,9% на DeepSWE. Таблицы разных вендоров между собой почти не сравнить: у прогонов разная обвязка, разный уровень рассуждений и разные соперники.

Остаются независимые прогоны с одной обвязкой для всех. Мы берём Terminal-Bench 4.0 от Vals.ai: все модели работают через один минимальный агент, mini-swe-agent, у которого есть только bash. Каждую задачу модель проходит трижды, в зачёт идёт среднее.

Уровень рассуждений для каждой модели Vals не указывает. С цифрами вендоров результаты расходятся на 1–2 пункта: у Opus 5.5 — 65,15% против 66,4% в анонсе Anthropic, у GPT-6 Astra — 59,60% против 57,9% в той же таблице Anthropic со ссылкой на OpenAI.

Одна оговорка до таблицы. Terminal-Bench проверяет не только код: из 66 задач к разработке относятся 18, остальные — наука, машинное обучение, администрирование, железо, безопасность и медиа. По оценке Vals, у эксперта задача занимает в медиане около четырёх часов. Это экзамен для агента на долгой самостоятельной работе в терминале, а не просьба написать функцию.

Одинаковый прогон: сколько задач решено и во что обошлась каждая

В таблице модели из нашего каталога с результатами Vals на 27.10.2026. Последний столбец — наш расчёт: средние расходы на задачу, делённые на долю решённых. В него входят и деньги, потраченные на провалы.

Источник: Vals.ai, обновление 27.10.2026. Расходы на задачу взяты у Vals, это не наши цены. Пример расчёта для Opus 5.5: $13,20 / 0,6515 = $20,26.

Opus 5.5 и Sonnet 5.5 разделяет один пункт. Третье и четвёртое места у Vals заняли Kimi K3.1 Pro (63,64%) и Gemini 4 Carbon (63,13%). Их в нашем каталоге нет, как и Gemini 4 Argon (57,58%). Kimi K3, которая у нас есть, решает 17,17% задач при $12,48 за задачу.

Самые дорогие модели в коде не самые сильные. Fable 5.1 и GPT-6 Astra стоят у вендоров $10 за миллион токенов входа и $50 за миллион выхода, в 2,5 раза дороже Opus 5.5, а задач решают меньше. В собственной таблице Anthropic картина та же: на Terminal-Bench 4.0 у Fable 5.1 55,8%, у Opus 5.5 — 66,4%. В обзоре моделей Anthropic советует начинать с Opus 5.5, а Fable 5.1 предлагает для тяжёлых рассуждений, долгой агентной работы и случаев, когда Opus 5.5 не справился даже на высоком уровне рассуждений.

GPT-6.1 Sol отстаёт от лидера на 10 пунктов, зато решённая задача стоит у него $3,12, в 6,5 раза дешевле, чем у Opus 5.5. OpenAI на странице модели так его и описывает: качество, близкое к Astra, за меньшие деньги.

Низ таблицы объясняет, почему статья переписана. Sonnet 5 мы советовали по умолчанию, Opus 4.8 — для сложных задач, если не справится Opus 4.5. На этом прогоне они решают 11% и 23% задач, а решённая задача у Sonnet 5 стоит $245,52. Haiku 5.5 и GPT-6 Luna вендоры сами позиционируют для массовых задач. Длинный агентный цикл они, как и Gemini 3.8 Flash, не тянут.

Почему дешёвая за токен модель тратит на задачу больше

Sonnet 5.5 вдвое дешевле Opus 5.5 за токен, а задача у Vals обходится ему дороже: $16,51 против $13,20. Причина в объёме. По данным Vals, на одну задачу Opus 5.5 расходует 28,27 млн токенов, Sonnet 5.5 — 58,53 млн и работает на 18 минут дольше.

Из тех же цифр видна роль кэша. Кэш — сохранённое начало запроса: если следующий запрос начинается с того же текста, вендор берёт за этот кусок малую долю цены. Агент на каждом шаге заново отправляет всю историю, поэтому большая часть его входа — перечитанный контекст.

Если бы 28,27 млн токенов Opus 5.5 шли по полной цене входа, $4 за миллион, задача стоила бы $113,08. Vals показывает $13,20, в 8,6 раза меньше. Как Vals считает стоимость, на странице не написано, но объяснить такую разницу может только кэш: за пакетную обработку Anthropic даёт скидку 50%, а чтение кэша у Opus 5.5 стоит $0,20 вместо $4 (прайс Anthropic).

У Opus 5.5 и Sonnet 5.5 чтение кэша стоит 5% цены входа. GPT-6.1 Sol берёт за кэш $0,10 вместо $2 (прайс OpenAI), Gemini 4 Argon даёт на кэшированный вход скидку 95% (анонс Google).

🔴 Это касается любого посредника, и нас тоже. Скидка к базовой цене входа ничего не говорит о стоимости агентной сессии, где большая часть входа — перечитанный контекст: итог решает то, как посредник считает кэш.

Прежде чем переводить агента, прогоните одну реальную сессию. В каждом нашем ответе есть поле usage.cost со списанием за запрос (документация): сложите его и сравните с расчётом по прайсу вендора. Почему агент дорожает с каждым шагом, мы разбирали в статье про растущую историю переписки.

Цена токена у вендора, у нас и где она меняется посреди запроса

Цены за миллион токенов. Вендоры — прайсы Anthropic, OpenAI и Google на 29.10.2026, наши — каталог на 27.10.2026.

Миллион токенов контекста теперь есть у Claude 5.5, у GPT-6.1 Sol (1,05 млн) и у Gemini. Размер окна перестал отличать модели друг от друга. Отличает их цена длинного запроса.

Прайс из таблицы действует не всегда. У GPT-6.1 Sol запрос длиннее 272 тыс. токенов входа стоит вдвое дороже на входе и в полтора раза на выходе, причём целиком (OpenAI). У Haiku 5.5 порог ниже: после 100 тыс. токенов промпта цена растёт в пять раз, до $0,50 / $2,50 (Anthropic). Gemini 3.8 Flash с 01.01.2027 подорожает вдвое, до $1,50 / $7,50 (Google). У Opus 5.5 и Sonnet 5.5 весь миллион контекста идёт по обычной цене.

Как у нас списан конкретный длинный запрос, покажет usage.cost в ответе.

Какую модель на какую работу

• Длинная самостоятельная работа агента в репозитории: рефакторинг, который задевает много файлов, миграция, поиск бага по логам. Берите claude-opus-5.5: у него лучший результат на прогоне Vals, а Anthropic в анонсе Sonnet 5.5 пишет, что на сложной открытой работе Opus 5.5 «явно сильнее».
• Повседневная работа: функция с тестами, разбор чужого модуля, ревью дифа. Подходят claude-sonnet-5.5 и gpt-6.1-sol. Sonnet 5.5 почти догоняет Opus по доле решённых задач. GPT-6.1 Sol решает меньше, но решённая задача у него в 6,5 раза дешевле. Глубину рассуждения у GPT-6.1 Sol задаёт параметр reasoning_effort, от low до xhigh: на рутине держите его низким.
• Массовая механика: докстринги, однотипные тесты, разметка ошибок по категориям, сообщения коммитов. Хватит claude-haiku-5.5 или gpt-6-luna. Длинный агентный цикл им не отдавайте: на Terminal-Bench 4.0 они решают 36% и 14% задач.

На вашем репозитории порядок может поменяться. Дешёвая проверка — 20–30 уже решённых задач из вашего трекера с понятным критерием «готово», прогнанные через две-три модели с одинаковым промптом. Как потом раздавать задачи по моделям в коде, мы разбирали в статье про маршрутизацию.

Ревью дифа в CI: сколько стоит один запрос

Модель можно встроить в разработку и без агента, например через ревью изменений в пайплайне. Скрипт берёт диф ветки, отправляет его модели и печатает замечания вместе со списанием:

import os
import subprocess

from openai import OpenAI

client = OpenAI(
    base_url="https://api.altrouter.ai/v1",
    api_key=os.environ["ALTROUTER_API_KEY"],
)

diff = subprocess.run(
    ["git", "diff", "origin/main...HEAD"],
    capture_output=True, text=True, check=True,
).stdout

r = client.chat.completions.create(
    model="claude-sonnet-5.5",
    messages=[
        {"role": "system", "content": "Ты ревьюер. Ищи ошибки в логике и безопасности, стиль не трогай. Формат: файл, строка, проблема."},
        {"role": "user", "content": diff},
    ],
    max_tokens=1500,
)

print(r.choices[0].message.content)
usage = r.usage.model_dump()
print(usage["prompt_tokens"], usage["completion_tokens"], usage.get("cost"))

max_tokens — потолок длины ответа, который ставите вы. Чтобы сменить модель, достаточно поменять строку model=.

Посчитаем диф на 3000 токенов и ответ на 800 по нашим ценам. Формула: (вход × цена входа + выход × цена выхода) / 1 000 000.

Диаграмма ниже — три строки этой таблицы: Sonnet 5.5, Sonnet 4.6 и Opus 4.8.

Расчёт — нижняя граница. Модели с рассуждениями пишут черновик, которого нет в ответе, а платите вы за него по цене выхода. Сколько токенов выхода оплачено на самом деле, видно в usage.completion_tokens.

В деньгах разброс небольшой: от $0,30 до $15,75 в месяц на 500 ревью. Важнее другое: самая дорогая строка, Opus 4.8, на прогоне Vals решает 23% задач против 65% у Opus 5.5, который на четверть дешевле.

Агент в терминале и плагин в редакторе

Claude Code — агент Anthropic для терминала: читает файлы, правит код, запускает команды. OpenAI-совместимый API он не понимает, ему нужен формат Anthropic. С 27.10.2026 Claude Code подключается к нам через Anthropic-совместимый /v1/messages:

export ANTHROPIC_BASE_URL=https://api.altrouter.ai
export ANTHROPIC_AUTH_TOKEN=ar-...
export ANTHROPIC_MODEL=claude-opus-5.5
claude

Что при этом работает, а что нет, мы собрали в статье Claude Code в России.

Расширения редакторов и агенты, где можно задать свой адрес API и ключ, подключаются к OpenAI-совместимому адресу https://api.altrouter.ai/v1. Как за минуту проверить конкретный инструмент, описано в разборе своего ключа в редакторе. Cursor через нас мы не проверяли. Своего плагина с автодополнением по Tab у нас нет: мы даём API, а не редактор.

Если нужно именно автодополнение в IDE без зарубежных сервисов, есть российские ассистенты. SourceCraft Code Assistant от Яндекса работает в VS Code, VSCodium и JetBrains: автодополнение, чат и агентный режим, расход учитывается в нейрокредитах. GigaCode от Сбера живёт на платформе GitVerse и работает в PyCharm, VS Code и Jupyter. В таблице Vals их моделей нет, так что сравнить их с Claude и GPT на одном прогоне не получится.

Напрямую Anthropic, OpenAI и Google Россию не обслуживают: на 29.10.2026 её нет в списках поддерживаемых стран у Anthropic, OpenAI и Gemini API. Баланс у нас пополняется картой РФ, СБП или криптой.

FAQ