Модели ИИ, цены их поставщиков и рейтинги по независимым замерам. Под каждой таблицей написано, откуда взято число, кто его измерил, когда и насколько ему можно верить.
Последний пересчёт: 7 августа 2026
Сводный балл
Общий зачёт: пять способностей сведены в один балл, чтобы модели можно было сравнить целиком, а не по одной задаче. Считается по слепым сравнениям живых людей, то есть отвечает на вопрос, чей ответ чаще предпочитают, а не сколько задач решено. Если нужен один конкретный навык, точнее смотреть отдельную подборку.
Балл по задачам
Сколько задач по программированию модель действительно решила на фиксированных наборах — проверяемый результат, а не мнение. У подборки есть второй взгляд, по слепым оценкам людей: порядок там другой, и расхождение между двумя списками само по себе говорит больше, чем каждый из них по отдельности.
Балл по задачам
Задачи на рассуждение, где ответ либо верный, либо нет: считается доля решённых, а не понравившихся. Рядом есть второй взгляд — по слепым оценкам людей. Логика как раз тот случай, где предпочтение и решённая задача расходятся сильнее всего: складно изложенное рассуждение нравится людям и при неверном ответе.
Балл по задачам
Проверка фактических знаний вопросами, у которых есть однозначный правильный ответ. От соседних подборок отличается тем, что здесь модель не рассуждает и не пишет код, а вспоминает. Второй взгляд на ту же тему — по слепым оценкам людей.
Балл по задачам
Доля решённых математических задач, от олимпиадных до исследовательских. Проценты здесь ниже, чем в других разделах, и это свойство задач, а не моделей: сравнивать их с процентами из подборки по знаниям бессмысленно. Второй взгляд — по слепым оценкам людей.
Балл по задачам
Здесь модель не отвечает на вопрос, а выполняет работу: правит файлы в операционной системе, ведёт поиск, проходит задачи из рабочей среды. Поэтому проценты низкие даже у сильных моделей, и сопоставлять их с баллами из подборки по знаниям нельзя — это разная работа, а не разная сила.
Arena Score, русский язык
Как модели отвечают именно по-русски: оценка собрана из слепых сравнений, где люди выбирали лучший ответ на русском языке. Это подборка про язык, а не про способности — сильная в общем зачёте модель может уступить здесь той, что лучше держит русскую формулировку.
Arena Score, английский язык
То же слепое сравнение ответов, но на английском языке. Полезнее всего рядом с русским срезом: разрыв между двумя местами одной модели показывает, сколько она теряет за пределами языка, на котором её учили больше всего.
Arena Score, французский язык
Слепое сравнение ответов на французском языке. Отдельная подборка нужна потому, что порядок моделей заметно меняется от языка к языку: модель, обученная преимущественно на английском, на французском отвечает ровнее, чем на русском, и общий зачёт этой разницы не показывает.
Arena Score, испанский язык
Слепое сравнение ответов на испанском языке. Как и у остальных языковых срезов, интереснее не сам балл, а место модели относительно её же позиции в других языках: устойчивость от языка к языку говорит о модели больше, чем одна высокая строчка.
Цена, $ за 1M токенов
Цена доступа по API за миллион токенов, в долларах, по самому дешёвому предложению среди поставщиков. Вход и выход сведены в одно число: выход обычно дороже в несколько раз, и сравнивать модели по одной входной цене — значит ставить наверх не самую дешёвую.
Контекст, токенов
Сколько текста модель принимает за один запрос. Число заявлено разработчиком и проверке у нас пока не поддаётся: на длинном окне качество обычно падает задолго до предела. Поэтому подборка отвечает на вопрос «влезет ли», а не «поймёт ли».
Arena Score, изображения
Насколько модель понимает изображение вместе с текстом: слепое сравнение ответов на запросы, где к вопросу приложена картинка. Не путать с генерацией изображений — там модель рисует, здесь смотрит.
Arena Score, генерация
Слепое сравнение готовых изображений: люди выбирают лучшую картинку, не зная, какая модель её нарисовала. Это оценка результата на глаз, а не проверка по заданию, поэтому у соседних мест разница чаще всего статистически незначима.
Arena Score, видео
То же слепое сравнение, что и у картинок, но для видео. Моделей здесь на порядок меньше, чем в текстовых подборках, и первые места отделены от остальных заметнее — просто потому, что участников мало.
Arena Score, веб
Запросы про вёрстку и веб-приложения, оценённые людьми вслепую. От подборки по программированию отличается мерой: там считаются решённые задачи, здесь — чей результат предпочли. Для веба это ближе к делу, потому что оценивают в том числе то, как получилось на вид.
Arena Score, текст
Художественные и свободные тексты, оценённые людьми вслепую: у такой работы нет правильного ответа, поэтому предпочтение здесь — самая честная из доступных мер. Есть и второй взгляд, по прогону заданий с проверкой; он меряет другое и даёт другой порядок.
Сводный балл
Тот же сводный балл, что и в общем зачёте, но только среди моделей с открытыми весами — тех, что можно скачать и запустить на своём железе. Подборка показывает, насколько открытые модели отстают от закрытых и в каких задачах не отстают вовсе.
Каталог, цены и оценки собираются из открытых источников; право на перепечатку проверяется по лицензии до того, как число попадёт на сайт. Под каждой таблицей указано, кто измерил показанное в ней и когда. Числа, которые публиковать нельзя, мы используем только для сверки и на сайте не показываем.