Нейросеть Anthropic почти догнала старшую модель в коде за половину цены задачи

Главные результаты недели: модель Anthropic почти догнала старшую по качеству кода и обошлась вдвое дешевле на задачу. Компактная модель Meta* стоит десять центов за миллион входных токенов. Лучший ИИ-агент справился с управлением роботами в 34% случаев.

Что измеряли?

Бенчмарк, то есть стандартный экзамен для нейросетей, на этой неделе сдавали в двух форматах. Компании мерили свои новинки на привычных тестах по коду и автоматизации. Исследователи построили новые экзамены, близкие к живой работе специалиста.

Тест MKA (Multimodal Knowledge Agent) от Google DeepMind и Artificial Analysis не задаёт модели простых вопросов. Модель получает пачку файлов: чертежи, схемы, изображения, документы. На выходе от неё ждут готовый отчёт, таблицу или презентацию. По оценке разработчиков, у специалиста такая задача занимает от трёх до восьми часов. Все модели работали в одной среде с одним набором инструментов, поэтому сравнение честное.

Embodied First Exam проверяет, умеют ли ИИ-агенты для программирования управлять роботами. Агент выбирает подход сам: вести робота напрямую, написать для него код или обучить отдельную программу управления. Среди задач есть перемещение предметов, пространственные головоломки, совместная работа нескольких роботов и управление всем телом человекоподобных машин.

Цены в таблице указаны за токены. Токен, это кусочек текста примерно в часть слова, и сервисы считают оплату именно по ним. API означает подключение модели к собственным программам и сервисам, а не общение в чате.

Что обнаружили?

• Модель подешевела, качество почти на уровне старшей. Claude Fable 5.2 в режиме High effort (модель дольше обдумывает ответ) набрала на FrontierCode 2.0 45,3%. Opus 5.5 в режиме Max effort набрала 45,5%. По оценке Anthropic, выполнение задачи обошлось примерно вдвое дешевле.
• Одна модель, два уровня доступа. Fable 5.2 и Mythos 5.2 построены на одной базовой модели, но с разными ограничениями безопасности. Fable открыта обычным пользователям, Mythos получают организации, прошедшие проверку Anthropic.
• Маленькая модель обходит конкурентов в рутине. Muse Ember от Meta* набрала на AutomationBench-AA 37,8%. У Claude Haiku 5.5 там 13,9%, у GPT-6 Luna 20,2%. Ember мультимодальная, то есть понимает не только текст, но и изображения, аудио, видео и PDF. Её контекстное окно (объём, который модель держит в памяти за раз) составляет 1 млн токенов.
• Gemini 4 Hydrogen рассчитана на массовые быстрые операции. Google выпустила её 12 ноября для повседневного программирования и агентных задач. Модель доступна через Gemini API, AI Studio, приложение Gemini, поиск Google и BotHub.
• AlphaGenome 2 находит больше значимых участков ДНК. По данным DeepMind, модель выявляет почти вдвое больше вариантов, влияющих на экспрессию генов (насколько активно работает ген), чем предыдущая версия.
• Агенты проверили защиту мессенджера Signal. Система AlphaProof Code сгенерировала более 6 млн строк доказательств на Lean, языке для строгих математических доказательств. Исследователи вернули в копию кода два старых исправленных бага, и система показала, что такие версии небезопасны.
• Роботы пока даются агентам тяжело. Лучшим из восьми проверенных агентов стал GPT-6 Astra в Codex: 34% успешных решений.
• В MKA модели сильно различаются по эффективности. На одну задачу они тратили в среднем от 30 до 130 ходов.

Что это значит для вас?

Цены за токены падают, а маленькие модели берут на себя рутину. Meta* прямо предлагает связку: большая модель планирует, маленькая выполняет множество мелких операций. Тот же принцип работает и у вас без всякого API.

Автору Дзена. Сложную работу вроде структуры статьи или плана серии отдавайте сильной модели. Однотипные операции, например заголовки, описания и вытаскивание фактов из документа, поручайте быстрой и дешёвой.

Маркетологу. Сравнивайте не цену токена, а цену готового результата. Пример Fable 5.2 и Opus 5.5 показывает: модель с дорогим тарифом может выйти дешевле на задаче, если решает её за меньшее число шагов.

Предпринимателю в РФ и СНГ. Из доступных в России аналогов есть YandexGPT и GigaChat. Если ваша рабочая нейросеть Яндекс, разделение задач между крупной и лёгкой версией модели применимо и там.

*Принадлежит компании Meta, деятельность которой признана экстремистской и запрещена на территории РФ

По данным Anthropic, Google DeepMind, Meta* и Artificial Analysis