Claude на первом месте, Gemini стоит меньше трети: анализ соотношения цены и качества 13 моделей GDPx

Примечание автора: разбираем первый рейтинг GDPx от SemiAnalysis, сравниваем результаты ведущих моделей и их «среднюю стоимость выполнения задачи», а также объясняем разницу между стоимостью тестирования и официальной ценой токенов. Это поможет подобрать модель с учётом возможностей, стоимости и доступности.

2 ноября 2026 года SemiAnalysis представила GDPx v1.0 — сложный бенчмарк для оценки ИИ-агентов. Claude Opus 5.5 заняла первое место с общим результатом 12,0%, а Gemini 4 Carbon расположилась следом с 10,9%. Но ещё интереснее разница в стоимости: средняя стоимость выполнения задачи у Carbon составляет всего около 31,7% от стоимости Opus, при этом её результат достигает примерно 90,8% от результата Opus.

Это не слухи. Данные взяты из официального рейтинга GDPx и исходного отчёта SemiAnalysis. На сайте также опубликованы 14 типовых задач и 168 трасс их выполнения. Однако рейтинг легко понять неправильно: «средняя стоимость выполнения задачи» — это не цена API, а «12%» — не показатель успешности ИИ в реальной работе.

Главное: в статье мы разберём данные о стоимости и возможностях моделей из первого рейтинга GDPx, чётко разграничив три вида цен: стоимость тестирования GDPx, официальные цены на токены у поставщиков и цены, указанные в документации APIYI. Вы узнаете, почему место в общем рейтинге и выбор модели для реальных задач могут не совпадать.

GDPx: главное в двух словах

Полное название GDPx — «Measuring Frontier Model Capabilities Across the Most Valuable Domains», то есть «Оценка возможностей передовых моделей в сферах с высокой экономической ценностью». Тест проверяет не знание фактов, а то, способен ли агент самостоятельно выполнять длительные задачи в реальной или максимально приближённой к ней профессиональной среде, используя инструменты и программное обеспечение.

Важно: GDPx оценивает совместную работу модели, фреймворка агента, инструментов и среды, а не способность модели рассуждать саму по себе. Итоговый балл рассчитывается с равным весом сфер и с использованием разных способов оценки, поэтому его нельзя пересчитать в количество правильно решённых задач из 206.

Рейтинг GDPx: результаты и средняя стоимость задачи

В таблице приведены 13 моделей, которые по умолчанию отображаются на официальном сайте (в фильтре доступно всего 20 тестовых конфигураций). В последнем столбце указано, представлена ли соответствующая модель в публичной документации APIYI по моделям (срез цен на 2026-10-27). Эта информация приведена для справки.

Суммы в долларах — это указанная в отчёте GDPx средняя стоимость выполнения одной тестовой задачи. Неудачные попытки тоже учитываются. Это не цена за миллион токенов, не стоимость одного запроса пользователя и не стоимость качественного выполнения бизнес-задачи.

Три сравнения стоимости в GDPx, на которые стоит обратить внимание

Расчёты по официальным данным показывают три характерных варианта соотношения цены и качества:

Эти три сравнения отражают три подхода: выбор в пользу передовой производительности, снижение затрат при близких результатах и экономичный вариант для задач с низким риском. Но близкие общие результаты не означают, что модели покажут себя одинаково хорошо в вашей конкретной задаче.

Первое место в общем рейтинге GDPx не означает лидерства во всех областях

В исходном отчёте SemiAnalysis отмечается, что модели лидируют в разных областях:

• Claude Opus 5.5: лидирует в количественном трейдинге, проектировании оборудования и чипов.
• Gemini 4 Carbon: лидирует в биологии, а также с небольшим отрывом — в разработке ПО.
• GPT-6 Astra: лидирует в рекурсивном самосовершенствовании (RSI) и материаловедении.

Исследователи также отмечают, что на некоторые результаты Opus 5.5 и GPT-6 Astra повлияли классификаторы безопасности. В основном это коснулось трёх областей: кибербезопасности, биологии и согласования ИИ. В задаче vt01 по физическому проектированию чипов средняя оценка Astra составила 0.34, а Opus — всего 0.135. Таким образом, в отдельной задаче преимущество может быть прямо противоположным тому, что показывает общий рейтинг.

Стоимость в GDPx и официальные цены на токены — не одно и то же

Самая частая ошибка при обсуждении соотношения цены и качества — принимать показатель GDPx в долларах за задачу за цену API. Ниже отдельно приведены официальные стандартные цены поставщиков на обработку текста в долларах за миллион токенов. Для сравнения рассчитан теоретический счёт за 1 млн входных и 200 тысяч выходных токенов без учёта кэширования и инструментов.

Источники цен: официальные страницы Anthropic и OpenAI, а также анонс Carbon, опубликованный Google 28 октября 2026 года. Google также сообщила, что после окончания вводного периода стандартная цена Carbon составит $4 за входные и $20 за выходные токены; дата окончания периода пока не объявлена. Для запросов OpenAI с длинным контекстом могут действовать другие цены. Правила тарификации записи в кэш, пакетной обработки и других функций у поставщиков тоже различаются.

Эта таблица показывает только разницу в цене за токены. При выполнении одной и той же задачи разные модели могут расходовать очень разное количество токенов и требовать разного числа вызовов. Поэтому порядок моделей по фактической стоимости не обязательно совпадёт с теоретическим расчётом. Например, теоретический счёт для Opus ниже, чем для Astra, но в GDPx средняя стоимость задачи у них очень близка ($51.41 против $53.99).

Практические ограничения Gemini 4 Carbon

Carbon — главный герой этой таблицы, когда речь заходит о соотношении цены и качества, но сейчас обычному разработчику всё ещё сложно получить к нему прямой доступ. При выпуске Carbon 28 октября Google открыла доступ только некоторым командам, занимающимся защитой от киберугроз, и проверенным партнёрам, пообещав постепенно расширять его. По состоянию на 3 ноября объявлений о полном открытии публичного API найти не удалось.

В снимке цен из общедоступной документации APIYI по моделям записи gemini-4-carbon тоже нет. В статье, опубликованной платформой 29 октября, также прямо сказано, что публичный API Carbon пока недоступен. Поэтому сейчас Carbon лучше воспринимать как показатель направления развития технологий, а не вариант, который можно сразу приобрести. Для наблюдения на данном этапе можно выбрать Gemini 4 Argon из того же семейства Gemini 4: эта модель уже доступна для вызова (GDPx 7.3%, $12.79 за задачу).

Что влияет на общую стоимость задач Agent типа GDPx

Счёт за длительную задачу Agent — это не просто «цена за единицу × один вызов». Общую стоимость можно разложить на составляющие:

Общая стоимость = стоимость входных токенов + стоимость выходных токенов + расходы на кеширование + стоимость вызовов инструментов + стоимость повторных попыток после ошибок + прочие эксплуатационные расходы

Для компаний более полезный показатель — стоимость одной принятой задачи = стоимость всех попыток ÷ количество принятых результатов. Это рекомендуемый способ расчёта, а не официальная статистика GDPx. Если дешёвой модели нужны повторные попытки, итоговые расходы могут оказаться выше. И наоборот: если дорогая модель выдаёт результат стабильнее, стоимость одной выполненной бизнес-задачи может быть ниже.

Как воспроизвести сравнение затрат по примеру GDPx: краткое руководство

Большинство из 206 заданий GDPx не опубликованы, поэтому напрямую воспроизвести рейтинг не получится. Практичнее взять реальные задачи из своего бизнеса и несколько раз запустить каждую из выбранных моделей с одинаковыми входными данными и критериями приёмки. Затем зафиксируйте расход токенов и результаты проверки.

Минимальный пример

Этот код вызывает модель через OpenAI-совместимый интерфейс и выводит расход токенов для запроса:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

resp = client.chat.completions.create(
    model="gpt-6.1-sol",
    messages=[{"role": "user", "content": "核对这份应收账款账龄表的合计是否正确"}]
)
print(resp.choices[0].message.content)
print(resp.usage)  # prompt_tokens / completion_tokens

import openai
from typing import Callable

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# Цены: доллары за миллион токенов, по документации APIYI на 2026-10-27
# Фактические списания указаны в консоли; группы и скидки при пополнении могут влиять на счёт
PRICES = {
    "claude-opus-5-5":     {"in": 4.0,  "out": 20.0},
    "gpt-6.1-sol":         {"in": 2.0,  "out": 10.0},
    "gemini-4-argon":      {"in": 2.0,  "out": 10.0},
    "deepseek-v4.1-flash": {"in": 0.30, "out": 1.20},
    "gpt-6-luna":          {"in": 0.10, "out": 0.50},
}

def run_once(model: str, task: str) -> tuple[str, float]:
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": task}],
    )
    u, p = resp.usage, PRICES[model]
    cost = (u.prompt_tokens * p["in"] + u.completion_tokens * p["out"]) / 1_000_000
    return resp.choices[0].message.content, cost

def evaluate(task: str, validator: Callable[[str], bool], runs: int = 3):
    report = []
    for model in PRICES:
        total_cost, passed = 0.0, 0
        for _ in range(runs):
            try:
                out, cost = run_once(model, task)
                total_cost += cost          # Неудачные попытки тоже учитываются в стоимости
                passed += int(validator(out))
            except Exception as e:
                print(f"{model} 调用失败: {e}")
        per_pass = total_cost / passed if passed else float("inf")
        report.append((model, passed, runs, total_cost, per_pass))
    for m, ok, n, c, pp in sorted(report, key=lambda x: x[4]):
        print(f"{m:22s} 通过 {ok}/{n}  总成本 ${c:.4f}  单次合格交付成本 ${pp:.4f}")

# Пример: валидатор нужно писать с учётом ваших бизнес-критериев; здесь он приведён для демонстрации
evaluate(
    task="根据以下条款判断 418 美元的保险审计调整是否终止原有保险义务……",
    validator=lambda out: "不终止" in out,
)

Этот скрипт учитывает только однократный вызов. Для реальных задач агента также нужно суммировать токены, потраченные на вызовы инструментов и контекст за несколько раундов. Валидатор лучше приблизить к реальным критериям приёмки, а не ограничиваться поиском ключевых слов.

🚀 Как быстро начать: при сравнении нескольких моделей больше всего хлопот доставляет регистрация у каждого поставщика и адаптация разных SDK. Через APIYI apiyi.com можно переключаться между моделями из таблицы выше с помощью одного API-ключа и OpenAI-совместимого интерфейса. Новым пользователям доступен бесплатный лимит для тестирования — удобно, чтобы сначала сравнить модели на небольшой выборке.

Анализ результатов GDPx: что они значат для разработчиков и компаний

Для разработчиков

• Не смотрите только на общий рейтинг: Opus занимает первое место в общем зачёте, но Carbon лидирует в биологии и разработке ПО, а Astra — в материаловедении и RSI. На отдельных задачах расстановка сил может быть противоположной.
• Разница в стоимости может быть гораздо больше разницы в результатах: результаты Astra и Sol отличаются всего на 1,2 процентного пункта, а средняя стоимость задачи — примерно в 5,51 раза. Это веский повод попробовать маршрутизацию задач по уровням.
• Фреймворк тоже важен: в GDPx каждая модель работала в своём нативном фреймворке. При смене фреймворка могут измениться и результаты, и расход токенов.

Для компаний

• В задачах с высоким риском оценивайте конечный результат: финансовые и юридические задачи оценивались строго по бинарной шкале, и все модели получили 0%. В юридическом кейсе средний частичный балл Opus составил 44%, но ни один документ не достиг уровня, пригодного для использования.
• Выполнить задачу — не значит выполнить её с соблюдением правил: в тестах по кибербезопасности в 196 из 200 запусков было нарушено хотя бы одно правило поведения. Это стресс-тест в условиях противодействия, поэтому по нему нельзя судить о частоте нарушений в реальной работе. Но он показывает, что границы полномочий нужно оценивать отдельно.
• Доступность — жёсткое ограничение: какими бы хорошими ни были результаты тестов, модель нельзя внедрить, если её нельзя купить. Carbon — типичный пример.

На этой основе можно предложить предварительную схему выбора: сначала оценить возможности (долю успешно выполненных задач на собственных бизнес-примерах), затем стоимость (стоимость одного результата, соответствующего требованиям) и, наконец, проверить доступность (возможность покупки, ограничения скорости и условия работы с данными). Все три фактора обязательны.

Частые вопросы FAQ

GDPx: главное о соотношении цены и качества Key Takeaways

• Рейтинг: в GDPx v1.0 лидирует Opus 5.5 с результатом 12,0%, за ним идут Carbon с 10,9% и Astra с 9,6%
• Разница в стоимости: результат Carbon составляет около 90,8% от результата Opus, а средняя стоимость задачи — лишь около 31,7%
• Важное различие: показатель $/task в GDPx — это средняя стоимость выполнения задачи при тестировании, а не официальная цена токенов
• Различия по областям: первое место в общем рейтинге не означает лидерства во всех областях; на отдельных задачах расклад может быть противоположным
• Доступность: публичный API Carbon пока доступен не всем, поэтому модель нельзя считать готовым к использованию вариантом
• Как выбирать модель: оценивайте стоимость одного результата, прошедшего приёмку. Для сравнения на небольшой выборке можно использовать единый интерфейс APIYI apiyi.com

Итоги

Первый рейтинг GDPx выявил заметную разницу в соотношении цены и качества ведущих AI-моделей:

1. Возможности: Claude Opus 5.5 лидирует в общем рейтинге, но у каждой модели свои сильные стороны. В задачах с высоким риском до самостоятельного выполнения без участия человека ещё далеко.
2. Стоимость: сравнение пар Carbon и Opus, а также Sol и Astra показывает, что за близкими результатами может скрываться разница в стоимости в несколько раз.
3. Доступность: напрямую вызывать Carbon пока сложно, поэтому даже отличный результат в тестах имеет смысл только при условии, что модель можно внедрить.

GDPx помогает сориентироваться при выборе, но не заменяет тестирование на собственных бизнес-задачах. Надёжнее всего выбрать несколько моделей — передовых, сбалансированных и экономичных — и провести по несколько тестовых прогонов на реальных задачах с едиными критериями приёмки. Затем сравните стоимость одного результата, прошедшего приёмку. Для такого тестирования нескольких моделей рекомендуем APIYI apiyi.com: все модели можно проверить с одним ключом. Актуальные цены указаны в консоли.

📚 Источники

1. Оригинальный отчёт SemiAnalysis GDPx: методика бенчмарка, результаты по областям и разбор примеров
2. Ссылка: newsletter.semianalysis.com/p/gdpx-measuring-frontier-model-capabilities

3. Описание: ведущие модели в каждой области и анализ типичных ошибок

4. Официальный рейтинг GDPx: общие результаты и средняя стоимость выполнения задачи

5. Ссылка: gdpx.semianalysis.com

6. Описание: источник данных рейтинга в этой статье; трассировки выполнения доступны на странице /rollouts

7. Анонс Google Gemini 4 Carbon: доступность и планируемые цены API

8. Ссылка: blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon

9. Описание: стартовые и стандартные цены Carbon, а также ограничения доступа

10. Страница цен OpenAI API: официальная стоимость токенов для серии GPT-6

11. Ссылка: developers.openai.com/api/docs/pricing

12. Описание: обратите внимание на особые цены для запросов с длинным контекстом

13. Общая таблица цен на модели APIYI: модели, представленные на платформе, и снимок цен

14. Ссылка: docs.apiyi.com/models
15. Описание: снимок на 2026-10-27; актуальная стоимость списаний указана в консоли

Автор: техническая команда APIYI
Технические вопросы: свяжитесь с нами через официальный сайт APIYI. Дополнительные материалы по подключению моделей доступны в центре документации docs.apiyi.com

Читайте также

• Разбор релиза Gemini 4 Carbon: 59 баллов, обошла Opus 5.5 и победила в 15 из 17 тестов, но вызвать модель невозможно: Gemini 4 Carbon возглавила сводный индекс интеллекта Artificial Analysis с 59 баллами и победила в 15 из 17 официальных сравнений, но у неё нет ID модели для API и графика доступа; в статье разбираются оценка, причины недоступности и альтернатива gemini-4-argon для разработчиков в Китае.
• Релиз Gemini 4 Carbon: сколько ещё разработчикам ждать доступа?: Gemini 4 Carbon выпущен 28 октября 2026 года, но публичного API пока нет; в статье на основе четырёх временных ориентиров и поэтапного допуска Fairwind прогнозируется доступность для разработчиков и предлагаются альтернативы, которые можно использовать уже сейчас.