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 номера версий вынесены в датированный обзор харнесов. Здесь разобраны устойчивые критерии: возможности, скорость, стоимость, способ подключения и проверка на ваших задачах. Название линейки не заменяет измерения.
Основные провайдеры
Заголовок раздела «Основные провайдеры»Провайдер 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.
Отдельную категорию образуют модели с открытыми весами (open weights): файлы параметров опубликованы для запуска на своём оборудовании с учётом лицензии. Примеры семейств: Llama, Qwen, DeepSeek, Mistral. Качество зависит от задачи, версии и условий запуска; универсального отставания «на несколько месяцев» нет. Открытые веса также не означают автоматически открытые обучающие данные или отсутствие ограничений на использование.
Семейства, поколения и устаревание
Заголовок раздела «Семейства, поколения и устаревание»Внутри провайдера модели живут семействами. Семейство задаёт бренд и общую линию развития (Claude, GPT, Gemini, Llama). Поколение означает очередной цикл обучения: новые данные, новая архитектура или её доработка, свежая отсечка знаний. Обозначается номером версии.
Практические следствия:
- Новое поколение требует повторной проверки. Оно может лучше решать сложные задачи и одновременно менять стиль, расход, задержку или поведение инструментов. Перед командным переходом прогоните набор эвалов и сохраните возможность вернуться к прежней конфигурации, пока она доступна.
- Старые поколения устаревают и отключаются. Провайдеры объявляют прекращение поддержки (deprecation). Проверяйте сроки отдельно для приложения, API и способа входа: доступность может различаться. При переходе обновите идентификаторы в скриптах, сохранённых ролях и фоновых заданиях, затем повторите проверки инструментов и качества. Возможность отката сохраняется только пока прежняя конфигурация доступна.
- 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
Заголовок раздела «Размеры: качество против скорости и цены»Внутри одного поколения провайдеры обычно выпускают несколько моделей разного размера. Удобный пример даёт тройка у Anthropic:
- Opus. Линейка для сложных задач и рассуждений; её место относительно других моделей зависит от текущего поколения.
- Sonnet. Середина: близка к старшей модели по качеству на типовых задачах, заметно быстрее и дешевле. Рабочая лошадка для повседневной разработки.
- Haiku. Линейка с приоритетом скорости и стоимости; пригодность для сложных задач проверяют отдельно.
У Google есть линейки Pro и Flash, у OpenAI свои именованные ступени, у открытых семейств варианты с разным числом параметров. Название показывает позиционирование, но не раскрывает архитектуру закрытой модели. Более дорогая модель не обязана быть медленнее на каждой задаче; сравнивайте качество, время до принятого результата и полный расход.
Важно, что «меньше» не значит «хуже для вашей задачи». Классификация тикетов, извлечение полей из документов, суммаризация, автодополнение относятся к задачам, где маленькая модель даёт практически то же качество за долю цены и в разы быстрее.
Для классификации есть и модели с отдельным интерфейсом решений. Например, Jev от TypeSafe AI получает данные и вопросы с заданными вариантами ответа, возвращает категории и вероятности. Его можно рассматривать как отдельный компонент обработки тикетов или маршрутизации запросов; для генерации текста и кода нужна языковая модель.
Проприетарные модели против открытых весов
Заголовок раздела «Проприетарные модели против открытых весов»Это выбор не столько модели, сколько способа работы.
Проприетарные модели обычно доступны как сервис через API или приложения. 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 можно удержать в своём контуре при локальной обработке и ограничении внешних инструментов, полный контроль над версией (модель не «отключат»), предсказуемая стоимость при больших объёмах. Минусы: нужны железо и люди для обслуживания, качество и совместимость инструментов нужно проверять на своём сценарии, вся ответственность за обновления на вас. Промежуточный вариант выглядит так: открытые модели через API облачных хостеров, без своего железа, но и без привязки к одному провайдеру.
Большинству команд разумно начинать с 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
Заголовок раздела «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 дают повод взять старшую модель (класс Opus) или включить режим рассуждения (см. «Reasoning-модели и мультимодальность»).
- Задача массовая и простая? Спускайтесь. При тысячах однотипных вызовов проверьте, не справится ли младшая модель: экономия в десятки раз при том же результате.
- Проверяйте на своих задачах, а не по рейтингам. Бенчмарки работают фильтром первого уровня, а финальным тестом остаются ваш код и ваши документы. Почему это так, рассказано на странице «Бенчмарки».
Резервную модель или провайдера проверяйте по тем же требованиям к качеству, доступам и обработке данных. Правила переключения и полный расход обеих попыток разобраны в главе «Стоимость и задержки».
Что дальше
Заголовок раздела «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.