Почти ежемесячно появляются новые модели искусственного интеллекта, которые заявляют о себе как о самых совершенных. Для пользователей, стремящихся просто следить за развитием технологий или нуждающихся в инструменте для составления писем, исправления кода или генерации изображений по текстовому запросу, информационный шум становится чрезмерным.
Это первый выпуск AI Barometer от TechCentral — регулярный отчет, основанный на фактических данных, который показывает, какие модели и платформы лидируют в задачах, которые пользователи применяют на практике. Отчет не опирается на маркетинговые заявления вендоров, а основывается исключительно на публичных, независимо проведенных бенчмарках и таблицах лидеров, выбранных специально для тестирования соответствующих сценариев использования.
Оценки были проверены в первую неделю июля 2026 года, и учитывая темпы выпуска новых продуктов, некоторые результаты могут измениться к моменту чтения. Именно поэтому существует этот барометр.
В отчет поступают два типа доказательств. Первый — тестирование в формате арены: платформы вроде Arena (ранее известная как LMArena, подразделение исследований Калифорнийского университета в Беркли) и Artificial Analysis показывают пользователям два анонимизированных результата для одного и того же запроса и просят выбрать лучший. Миллионы анонимных голосов преобразуются в рейтинги по системе Эло, подобной шахматной.
Второй метод — это бенчмаркинг по задачам, при котором модели оцениваются по отношению к фиксированным наборам сложных, реалистичных проблем, таких как устранение реальных программных ошибок, ответы на научные вопросы экспертного уровня или создание документов и электронных таблиц, за которые профессионалы получают оплату. Оба подхода имеют свои недостатки: голоса в Арене вознаграждают то, что людям нравится, а не обязательно то, что является корректным. Бенчмарки по задачам могут быть скомпрометированы, если тестовые вопросы попадают в обучающие данные модели, поэтому барометр отдает предпочтение тестам, устойчивым к загрязнению. Когда ведущие модели находятся в пределах нескольких очков друг от друга, честное заключение — это статистическая ничья, и в таких случаях это указывается.
Наиболее широкий показатель представлен в текстовом рейтинге Arena, который в первой неделе июля собрал 7,15 миллиона анонимных голосов среди 369 моделей. Новейшая модель Claude Fable 5 от Anthropic возглавляет рейтинг с показателем Эло 1 509, причем поразительно, что все пять первых мест заняты моделями Anthropic.
Лучшей из остальных является Gemini 3.1 Pro Preview от Google с показателем 1 486, а OpenAI GPT-5.5 следует очень близко с 1 481. Однако стоит отметить, что топ-10 находится в пределах примерно 30 очков Эло, поэтому для повседневного использования любой из них подойдет. Цена здесь важнее качества: согласно тарифам API, опубликованным Arena, Gemini 3.1 Pro обходится в 2 доллара США за миллион входных/выходных токенов (примерно 33/195 рупий), тогда как Claude Fable 5 стоит 10/50 долларов (примерно 163/814 рупий), что делает Gemini очевидным выбором по соотношению цена/качество. Этот сравнение применимо к бизнесам, использующим API моделей; для конечных потребителей флагманские подписки от OpenAI, Google и Anthropic стоят в пределах нескольких долларов друг от друга, независимо от стоимости базовых токенов.
Для ИИ, выполняющего реальную работу — создание документов, презентаций, таблиц и аналитических отчетов в офисной жизни — наиболее релевантным публичным тестом является GDPval. Это набор из 220 задач, созданный OpenAI совместно с отраслевыми специалистами из 44 профессий. Artificial Analysis запускает модели через него в режиме агента, предоставляя им доступ к вебу и командной строке, и ранжирует результаты путем анонимного парного сравнения. Claude Opus 4.8 от Anthropic уверенно лидирует с показателем Эло 1 890, опережая GPT-5.5 на 121 очко с показателем 1 769 — это примечательный результат, учитывая, что бенчмарк был создан OpenAI.
Индикатор кодирования барометра — это SWE-bench Pro, который функционирует как независимый публичный рейтинг от Scale AI. Он требует от моделей решения реальных проблем из активно поддерживаемых репозиториев программного обеспечения и был разработан специально для противодействия загрязнению обучающими данными, что является известной проблемой старого теста SWE-bench Verified. В независимом рейтинге GPT-5.4 от OpenAI лидирует с показателем 59,1%, находясь в статистической ничьей с недавно добавленной Muse Spark от Meta на уровне 55%, а Claude Opus 4.6 от Anthropic занимает третье место с 51,9%. Важно отметить заявление Anthropic о том, что их новая модель Claude Fable 5 показала 80,3% на том же наборе задач, однако эта цифра была получена с использованием собственного инструментария компании и еще не появилась в независимом рейтинге. До тех пор, пока это не произойдет, подтвержденный лидер принадлежит OpenAI.
Оценка качества письма традиционно сложна, и самым серьезным публичным подходом является независимый бенчмарк EQ-Bench Creative Writing (версия 3). Он сочетает оценку по рубрикам с парным судейством в стиле Эло по 32 различным запросам. Claude Fable 5 лидирует с показателем Эло 2 192, незначительно опережая Claude Opus 4.7 с 2 179, а GPT-5.5 занимает третье место с 2 019. Здесь есть важное замечание: судьей выступает сама модель ИИ, поэтому результаты являются направленными, а не окончательными, хотя бенчмарк также публикует исходные результаты, позволяя скептически настроенным читателям самостоятельно оценить прозу.
Исследования делятся на две компетенции. Для глубокого рассуждения эталонным тестом является Humanity’s Last Exam, состоящий из 2 500 вопросов, собранных экспертами в предметной области именно потому, что передовые модели не могли на них ответить. В официальном рейтинге, управляемом Scale AI, Gemini 3.1 Pro Preview от Google лидирует с показателем 46,4%, находясь в статистической ничьей с GPT-5.4 Pro от OpenAI на уровне 44,3% — это означает, что даже лучшие модели не справляются более чем с половиной экзамена. (Anthropic сообщает о более высоком показателе в 53,3% для Claude Fable 5, но эта оценка предоставлена вендором и еще не включена в официальный рейтинг).
Для исследований в реальном времени по вебу ориентиром является BrowseComp — тест OpenAI, состоящий из 1 266 вопросов, проверяющий способность агента находить труднодоступную информацию в сети. Примечание об объективности: в отличие от всех других тестов в этом отчете, BrowseComp не имеет независимо проведенного публичного рейтинга — лаборатории сообщают собственные оценки. Согласно этим самоотчетным данным, GPT-5.5 Pro от OpenAI лидирует с 90,1%. Таким образом, для глубины — Google, а для поиска информации в интернете — ChatGPT, по его собственным данным.
Модели для генерации изображений ранжируются почти полностью на основе предпочтений людей, и самый активный публичный рейтинг — это Image Arena от Artificial Analysis. GPT Image 2 (high) от OpenAI лидирует с показателем Эло 1 339 по результатам более чем 13 000 сравнений, опережая второе место Reve 2.0 (1 281) на 58 очков, а MAI-Image-2.5 от Microsoft занимает третье место с 1 271.
Видео — это категория, где общепринятые представления устарели быстрее всего. В текстово-видео Арене Artificial Analysis (с аудио) лидирует Dreamina Seedance 2.0 от ByteDance с показателем 1 224, за ним следуют Wan 2.7 от Alibaba (1 160) и HappyHorse 1.1 (1 154). Самый сильный западный участник, Veo 3.1 от Google, находится лишь на десятом месте с 1 095. На тихом (без звука) рейтинге лидирует HappyHorse 1.0 от Alibaba с показателем 1 290. Четыре места в топе занимают разработчики из Китая, а стоимость остается высокой: производство минуты футажа в разрешении 1080p обходится примерно от 9 до 24 долларов (около 145 до 390 рупий) на собственных API создателей моделей.
Бенчмаркинг музыки является самой молодой и наименее обширной категорией, поэтому эти результаты следует рассматривать как ориентировочные. В Музыкальной Арене Artificial Analysis, использующей тот же метод анонимного голосования, что и ее графическая и видео-арены, Suno v5.5 возглавляет оба рейтинга — инструментальный (Эло 1 194) и вокальный (1 168) — опережая Mureka V8 в обоих случаях, при этом более ранняя версия Suno V5 занимает третье место в каждой таблице.
