Каталог AI моделей и нейросетей: сравнение и цены

GPT-5.2 Pro — это самая продвинутая модель OpenAI, предлагающая значительные улучшения в агентном кодировании и производительности на длинных контекстах по сравнению с GPT-5 Pro. Она оптимизирована для сложных задач, требующих пошагового рассуждения, следования инструкциям и точности в критически важных случаях использования. Модель поддерживает функции маршрутизации во время тестирования и продвинутое понимание запросов, включая намерения пользователя, такие как “подумай об этом как следует”. Улучшения включают сокращение галлюцинаций, лести и повышение производительности в кодировании, письме и задачах, связанных со здоровьем.

GPT-5.2 — это новейшая модель уровня frontier в серии GPT-5, предлагающая более сильные агентные и долгосрочные контекстные характеристики по сравнению с GPT-5.1. Она использует адаптивное рассуждение для динамического распределения вычислительных ресурсов, быстро отвечая на простые запросы и уделяя больше внимания сложным задачам.

Созданная для широкого охвата задач, GPT-5.2 обеспечивает стабильные улучшения в областях математики, программирования, науки и использования инструментов, предоставляя более связные развернутые ответы и улучшенную надежность использования инструментов.

Devstral 2 — это современная модель с открытым исходным кодом от Mistral AI, специализирующаяся на агентном кодировании. Это плотная трансформерная модель с 123 миллиардами параметров, поддерживающая контекстное окно размером 256 тысяч.

Devstral 2 поддерживает исследование кодовых баз и организацию изменений в нескольких файлах, сохраняя при этом контекст на уровне архитектуры. Она отслеживает зависимости фреймворков, обнаруживает сбои и повторяет попытки с исправлениями, решая такие задачи, как исправление ошибок и модернизация устаревших систем. Модель может быть настроена для приоритизации определенных языков или оптимизации для крупных корпоративных кодовых баз. Она доступна по модифицированной лицензии MIT.

Модель relace-search использует 4-12 инструментов view_file и grep параллельно для изучения кодовой базы и предоставления пользователю релевантных файлов по запросу.

В отличие от RAG, relace-search выполняет агентное многошаговое рассуждение, чтобы выдавать высокоточные результаты в 4 раза быстрее, чем любая передовая модель. Она разработана для работы в качестве субагента, который передает свои находки “оракулу” — агенту программирования, который организует/выполняет остальную часть задачи программирования.

Чтобы использовать relace-search, необходимо создать подходящую оболочку агента и проанализировать ответ для передачи релевантной информации оракулу. Подробнее об этом читайте в документации Relace.

GLM-4.6V — это крупная мультимодальная модель, разработанная для высокоточного визуального понимания и долгосрочного контекстного рассуждения по изображениям, документам и смешанным медиа. Она поддерживает до 128 тысяч токенов, обрабатывает сложные макеты страниц и диаграммы непосредственно в качестве визуальных входных данных, а также интегрирует нативные мультимодальные вызовы функций для соединения восприятия с выполнением инструментов. Модель также позволяет выполнять чередующуюся генерацию изображений и текста, а также рабочие процессы реконструкции пользовательского интерфейса, включая синтез из скриншота в HTML и итеративное визуальное редактирование.

GPT-5.1-Codex-Max — это последняя агентная модель кодирования от OpenAI, разработанная для длительных задач разработки программного обеспечения с высоким контекстом. Она основана на обновленной версии стека рассуждений 5.1 и обучена на агентных рабочих процессах, охватывающих программную инженерию, математику и исследования. GPT-5.1-Codex-Max обеспечивает более быструю производительность, улучшенные рассуждения и более высокую эффективность использования токенов на протяжении всего жизненного цикла разработки.

Nova 2 Lite — это быстрый и экономичный модель рассуждений для повседневных задач, способная обрабатывать текст, изображения и видео для генерации текста.

Nova 2 Lite демонстрирует выдающиеся возможности в обработке документов, извлечении информации из видео, генерации кода, предоставлении точных обоснованных ответов и автоматизации многошаговых агентных рабочих процессов.

Самая крупная модель в семействе Ministral 3, Ministral 3 14B, предлагает передовые возможности и производительность, сопоставимую с ее более крупным аналогом Mistral Small 3.2 24B. Это мощная и эффективная языковая модель с возможностями обработки визуальной информации.

Сбалансированная модель в семействе Ministral 3, Ministral 3 8B — это мощная, эффективная небольшая языковая модель с возможностями обработки изображений.

Самая маленькая модель в семействе Ministral 3, Ministral 3 3B, представляет собой мощную, эффективную небольшую языковую модель с возможностями обработки изображений.

Mistral Large 3 2512 — это самая мощная модель Mistral на сегодняшний день, оснащенная архитектурой с разреженной смесью экспертов с 41 миллиардами активных параметров (всего 675 миллиардов) и выпущенная под лицензией Apache 2.0.

DeepSeek-V3.2 — это крупная языковая модель, разработанная для гармонизации высокой вычислительной эффективности с мощными возможностями в области рассуждений и использования инструментов. Она вводит DeepSeek Sparse Attention (DSA), тонко настроенный механизм разреженного внимания, который снижает затраты на обучение и вывод, сохраняя качество в сценариях с длинным контекстом. Масштабируемая структура пост-тренировочного обучения с подкреплением дополнительно улучшает рассуждения, с заявленной производительностью на уровне GPT-5, и модель продемонстрировала результаты золотого уровня на Международной математической олимпиаде (IMO) и Международной олимпиаде по информатике (IOI) 2025 года. Версия 3.2 также использует крупномасштабный конвейер синтеза агентских задач для лучшей интеграции рассуждений в условиях использования инструментов, повышая соответствие и обобщение в интерактивных средах.

Высокопроизводительная модель генерации и редактирования изображений, ориентированная на высочайшее качество и надежность. Она обеспечивает высокую точность выполнения заданий, стабильное освещение, четкие текстуры и согласованное воспроизведение символов/стиля на нескольких входных изображениях. Разработанная для производственных задач, она обеспечивает баланс между скоростью и качеством, поддерживая преобразование текста в изображение и редактирование изображений с разрешением до 4 Мп

Оплата за каждый мегапиксель на входе и выходе, подробнее

Модель высокого класса для генерации и редактирования изображений, ориентированная на передовое качество визуализации и надежность. Она обеспечивает точное следование подсказкам, стабильное освещение, четкие текстуры и последовательное воспроизведение персонажей/стилей при использовании нескольких эталонных изображений. Разработанная для рабочих нагрузок в производстве, она балансирует между скоростью и качеством, поддерживая преобразование текста в изображение и редактирование изображений с разрешением до 4 МП.

Оплата за каждый мегапиксель на входе и выходе, подробнее

Claude Opus 4.5 — это передовая модель рассуждений от Anthropic, оптимизированная для сложной разработки программного обеспечения, агентных рабочих процессов и длительного использования компьютера. Она предлагает мощные мультимодальные возможности, конкурентоспособную производительность по реальным стандартам кодирования и рассуждений, а также улучшенную устойчивость к внедрению подсказок. Модель разработана для эффективной работы при различных уровнях усилий, позволяя разработчикам балансировать между скоростью, глубиной и использованием токенов в зависимости от требований задачи.

Opus 4.5 поддерживает продвинутое использование инструментов, расширенное управление контекстом и координированные настройки с несколькими агентами, что делает её хорошо подходящей для автономных исследований, отладки, многошагового планирования и манипуляции с электронными таблицами/браузерами. Она обеспечивает значительные улучшения в структурированном рассуждении, надежности выполнения и согласованности по сравнению с предыдущими поколениями Opus, при этом снижая нагрузку на токены и улучшая производительность на длительных задачах.