Провайдеры, семейства и размеры моделей

Названия моделей выглядят как хаос: Claude Opus, GPT, Gemini Flash, Llama, Qwen, DeepSeek, плюс номера версий, которые меняются каждые несколько месяцев. На деле за этим стоит простая структура: провайдер → семейство → поколение → размер. Разобравшись в ней один раз, вы сможете читать любой анонс новой модели и быстро понимать, что вам предлагают.

На этой странице мы сознательно не называем номера версий: они устаревают за месяцы. Семейства и логика выбора живут годами. Исключение — страницы конкретных инструментов в разделе «Обзор харнесов»: там актуальные версии названы намеренно и помечены датой, потому что при выборе инструмента «здесь и сейчас» это важно.

Основные провайдеры

Провайдер — компания, которая обучает модель и предоставляет к ней доступ. Крупных игроков с закрытыми (проприетарными) моделями три:

Anthropic — семейство Claude. Сильные позиции в работе с кодом и агентных задачах; вокруг Claude построен харнес Claude Code, о котором есть отдельная страница.
OpenAI — семейство GPT и линейка reasoning-моделей. Самый известный бренд: ChatGPT — продукт поверх этих моделей.
Google — семейство Gemini. Интегрировано в экосистему Google, традиционно выделяется большими контекстными окнами и мультимодальностью.

Отдельная категория — модели с открытыми весами (open weights): файлы модели опубликованы, и запустить её может кто угодно на своём оборудовании. Заметные семейства: Llama (Meta), Qwen (Alibaba), DeepSeek, Mistral. Лучшие открытые модели догоняют проприетарные с отставанием в несколько месяцев. Этот разрыв то сжимается, то растёт, но пока не исчезает.

Семейства, поколения и устаревание

Внутри провайдера модели живут семействами. Семейство — это бренд и общая линия развития (Claude, GPT, Gemini, Llama). Поколение — очередной цикл обучения: новые данные, новая архитектура или её доработка, свежая отсечка знаний. Обозначается номером версии.

Практические следствия:

Новое поколение обычно лучше по всем осям сразу: качество, следование инструкциям, работа с инструментами. Апгрейд на свежее поколение того же семейства — почти всегда бесплатное улучшение.
Старые поколения устаревают и отключаются. Провайдеры объявляют дату прекращения поддержки (deprecation), после которой модель недоступна через API. Если у вас в продукте или скриптах зашит конкретный идентификатор модели, закладывайте, что раз в несколько месяцев его придётся обновлять.
Советы из интернета устаревают вместе с моделями. Статья годичной давности «модель X не справляется с задачей Y» может быть уже неверна для текущего поколения.

Размеры: качество против скорости и цены

Внутри одного поколения провайдеры обычно выпускают несколько моделей разного размера. Удобный пример — тройка у Anthropic:

Opus — самая большая и умная: лучше всего справляется со сложными многошаговыми задачами, но медленнее и дороже всех.
Sonnet — середина: близка к старшей модели по качеству на типовых задачах, заметно быстрее и дешевле. Рабочая лошадка для повседневной разработки.
Haiku — маленькая и быстрая: отвечает почти мгновенно и стоит копейки, но на сложных задачах уступает старшим.

Аналогичные линейки есть у всех: у Google это Pro и Flash, у OpenAI это полноразмерные модели и версии mini/nano, у открытых семейств это варианты на разное число параметров. Логика везде одна: чем больше модель, тем выше качество рассуждений, но ниже скорость и выше цена, причём разница в цене между младшей и старшей моделью может быть в десятки раз.

Важно, что «меньше» не значит «хуже для вашей задачи». Классификация тикетов, извлечение полей из документов, суммаризация, автодополнение — задачи, где маленькая модель даёт практически то же качество за долю цены и в разы быстрее.

Проприетарные модели против открытых весов

Это выбор не столько модели, сколько способа работы.

Проприетарные модели доступны только через API. Вы отправляете запрос на серверы провайдера и платите за токены. Плюсы: доступ к самым сильным моделям, никакой своей инфраструктуры, провайдер сам улучшает и обслуживает модель. Минусы: данные уходят на чужие серверы (что смягчается корпоративными соглашениями; подробнее на странице «Безопасность»), зависимость от провайдера, его тарифов и решений об отключении моделей.

Открытые веса можно запускать у себя. Файлы модели скачиваются и работают на вашем оборудовании: от ноутбука (маленькие модели) до собственного кластера GPU (большие). Плюсы: данные не покидают контур, полный контроль над версией (модель не «отключат»), предсказуемая стоимость при больших объёмах. Минусы: нужны железо и люди для обслуживания, качество топовых открытых моделей отстаёт от лучших проприетарных, вся ответственность за обновления на вас. Промежуточный вариант — открытые модели через API облачных хостеров: без своего железа, но и без привязки к одному провайдеру.

Для большинства команд разумная отправная точка — API проприетарных моделей: минимум усилий, максимум качества. Открытые веса становятся актуальны при жёстких требованиях к данным или очень больших объёмах однотипных запросов.

Как выбирать модель под задачу

Универсального ответа нет, но есть рабочий алгоритм:

Начните с сильной модели среднего размера актуального поколения (класс Sonnet). Она покрывает подавляющее большинство задач разработки и анализа.
Упёрлись в качество? Поднимайтесь. Сложный рефакторинг, архитектурные решения, запутанная отладка — повод взять старшую модель (класс Opus) или включить режим рассуждения (см. «Reasoning-модели и мультимодальность»).
Задача массовая и простая? Спускайтесь. Тысячи однотипных вызовов — повод проверить, не справится ли младшая модель: экономия в десятки раз при том же результате.
Проверяйте на своих задачах, а не по рейтингам. Бенчмарки — фильтр первого уровня, финальный тест — ваш код и ваши документы. Почему это так, рассказано на странице «Бенчмарки».

Что дальше

Reasoning-модели и мультимодальность: ещё одна ось выбора: модели, которые «думают» перед ответом, и работа с изображениями.
Бенчмарки: как измеряют модели: как читать цифры в анонсах и чем они отличаются от ваших задач.

Автор учебника — Шахматов Алексей