Модель устарела за восемь дней: как выбирать ИИ
Gemini 4 Carbon сменил Argon за восемь дней, GPT-6.1 Terra подешевел вдвое. Четыре критерия выбора модели ИИ для бизнеса и правила миграции.
Новости ИИ · Новости
Все новости
Восемь дней. Столько продержался Gemini 4 Argon на вершине Google, пока его место не занял Gemini 4 Carbon с результатом 59 баллов в индексе интеллекта Artificial Analysis против 50 у предшественника. За два дня до этого вышла GPT-6.1 Terra: вдвое дешевле прошлой версии, 74,2% на OSWorld 2.1 против 57,1%. Ещё пара текстов той же недели: Fable 5.5 шесть недель ищут по кодовым именам в чужих каталогах, Bell Labs получила эссе Anthropic о пятьдесят пятом скачке (эту цифру в разных пересказах указывают по-разному, но дата одна). А в лентах маркетинга свой разговор: рекламодатель увеличивает число креативов и получает прежние цифры, маркетологи собирают больше данных и не понимают клиента лучше.
Все пять новостей показывают одну механику. Число вариантов растёт, а решает по-прежнему человек с ограниченным временем. И модель, выбранную в сентябре, приходится пересматривать в октябре.
Что неделя показала про рынок моделей
Carbon обошёл Argon в трёх кибертестах: 88,2% в SEC-bench Pro на поиске уязвимостей, 54,8% в ExploitGym на сборке эксплойта, 71,0% в CWE-Bench на исправлении кода. Цена та же: 2 доллара за миллион входных токенов и 10 за миллион выходных. Обычные разработчики доступа пока не получили: Google отдала флагман специалистам по киберзащите. В кодинге Carbon по-прежнему позади: 59 баллов в Coding Agent Index против 62 у Claude Opus 5.5. Зато на одну задачу он тратит 123 тысячи выходных токенов против 173 тысяч у конкурента.
Terra меняет другую часть счёта. 1 доллар за миллион входных токенов и 5 за выходные, вдвое дешевле предыдущей версии той же линейки. Прирост на OSWorld, тесте работы с компьютером, составил 17 процентных пунктов. Задачи вроде заполнения форм по скриншотам переходят из разряда демонстраций в рабочий сценарий.
- 8 дней держался Gemini 4 Argon на первом месте, пока его не сменил Carbon
- 59 баллов у Carbon в Artificial Analysis против 50 у Argon
- 1 и 5 долларов за миллион токенов у GPT-6.1 Terra, вдвое дешевле прошлой версии
- 17 процентных пунктов прирост Terra на OSWorld 2.1
- 123 тысячи выходных токенов на задачу у Carbon против 173 тысяч у Opus 5.5
Отдельная история недели: OpenAI и Anthropic заявили, что их внутренние модели нашли математические результаты первой величины. OpenAI формализовала доказательство в Lean, Anthropic выложила код на GitHub. Райан Уильямс из MIT говорит о «двух или трёх инопланетных местах» в доказательстве и просит полный доступ без соглашений о неразглашении и без оплаты от OpenAI. Публичного API, на котором это можно повторить, нет.
Бенчмарк отвечает не на ваш вопрос
Менеджер, который выбирает модель по верхней строке рейтинга, повторяет ту же ошибку, что рекламодатель из разбора MarTech. Тот выпускает двадцать роликов и через две недели видит прежние цифры, потому что двадцать объявлений про одну идею остаются одной идеей. С моделями так же: двадцать баллов в чужом тесте не говорят, справится ли система с вашими заявками, накладными и перепиской.
Artificial Analysis, OSWorld и Coding Agent Index мерят разные навыки и собираются по своим правилам. Первое место в одном тесте соседствует с пятым в другом. У Carbon первое место в кибертестах и второе в Agent Arena, где сравнили больше 21 900 реальных сессий. Обе цифры верны. Выбрать между ними может только тот, кто знает, какую работу модель будет делать.
Четыре критерия, по которым модель выбирают в компании
Первый критерий: стоимость решённой задачи, а не токена. Carbon тратит на задачу меньше выходных токенов, чем Opus, хотя цена за миллион у них сопоставима. Считать надо полный цикл: запрос, повторные попытки, проверка человеком.
Второй критерий: автономность. Задачи, которые длятся днями, и задачи из трёх шагов требуют разных моделей. Третья GPT-6.1 Terra выйдет с теми же ограничителями, что флагман Astra, потому что OpenAI относит её к высшей категории риска по кибербезопасности. Доступ в API не значит разрешение строить на модели агента с правом действия.
Третий критерий: совместимость с тем, что уже работает. Модель, которая не отдаёт структурированный ответ в вашу CRM или не держит формат ваших документов, добавит месяц на переделку интеграции. Этот месяц дороже разницы в цене токенов за год.
Четвёртый критерий: наличие альтернативы. Сентябрьская история с экспортным контролем показала, что доступ к модели может закрыться за один день. Компания, у которой нет второй модели в контуре, останавливает процессы вместе с ней.
Что делать с закрытыми и непроверенными моделями
Две модели этой недели в руки бизнеса не попали: Carbon открыт для узкого круга, математические результаты доступны только авторам. Ставить процесс на такую систему рано, но игнорировать сигнал тоже не выйдет. Правило простое: демонстрацию берут в работу после того, как независимый человек повторил результат, а не после пресс-релиза.
С Fable 5.5 ситуация обратная. Модель шесть недель всплывает в каталоге Azure, в базе цен LiteLLM и под кодовым именем Onigiri в Artificial Analysis, а Anthropic молчит. Неофициальные сборки в продакшн не ставят: цена ошибки в нестабильном ответе выше экономии на подписке.
Что это значит для бизнеса
Выбор модели перестал быть разовым проектом. Он стал процедурой, которую компания проходит раз в квартал, а иногда раз в месяц. Технически это дешевле, чем кажется: нужны тест-набор из двадцати реальных задач, лист критериев и человек, который принимает решение по результатам.
- Соберите 20 задач из своей работы: письма, разбор заявок, сводки по документам. Сохраните правильные ответы.
- Прокатайте на этом наборе две модели: текущую и кандидата. Считайте время, число повторов и стоимость одной решённой задачи.
- Выпишите, что сломается при смене модели: формат ответа, интеграции, промпты.
- Держите вторую модель в контуре на случай отключения основной. Проверяйте её раз в месяц.
- Проверяйте каждую модель на галлюцинации на своих данных, а не по обзору. Обзор отвечает про средний бизнес, а не про ваш.
Для команды во Владивостоке и по Дальнему Востоку это переводится в отдельную строку бюджета: квартальный прогон тестов вместо одной подписки. Внедрение искусственного интеллекта опирается на одну модель только на бумаге. В рабочем контуре их две, а выбор между ними проверяется цифрами вашего процесса. Автоматизация бизнеса с помощью ИИ, построенная на единственной модели без запасного варианта, держится до первого обновления рейтинга.
На бесплатном AI-аудите соберём тест-набор из ваших процессов, сравним две модели по цене решённой задачи и покажем, где автоматизация с помощью ИИ даст результат в первые недели.
Получить бесплатный AI-аудит