Лучшая нейросеть для программирования: как выбрать под задачу
Рейтинги «лучших нейросетей для кода» стареют быстрее, чем их дочитывают. Победитель почти всегда определяется вашей задачей: правка одной функции, рефакторинг через пять модулей и разметка тысячи коммитов требуют разных моделей. Поэтому ниже не рейтинг, а способ выбора, перечень кандидатов из каталога Relay и методика проверки на собственном репозитории.
Коротко
Универсального победителя нет. Решают задача, цена ошибки и размер контекста.
Сравнивайте стоимость решённой задачи, а не цену за миллион токенов: повторные попытки меняют арифметику.
Возьмите две-три модели из таблицы и прогоните их на 10-20 задачах из истории своего проекта.
Все текстовые модели каталога доступны по протоколам OpenAI и Anthropic, поэтому смена модели сводится к смене одной строки.
От чего зависит выбор
Три переменные важнее названия. Первая: что стоит ошибка. Неверный комментарий к коммиту исправит любой, а неверная миграция базы съест вечер. Вторая: сколько проекта должна удержать модель. Три файла помещаются везде, а репозиторий целиком требует большого окна. Третья: как модель обращается с инструментами. Агент спотыкается там, где она путает формат вызова или правит файл, не прочитав его.
Эти три вопроса и разводят кандидатов по ролям.
Кандидаты из каталога по ролям
| Роль | С чего начать замер | Что проверить в первую очередь |
|---|---|---|
| Мелкие правки и массовая разметка | deepseek-v4.1-flash, gpt-6-luna, claude-haiku-5.5 | стабильность формата ответа на сотнях одинаковых запросов |
| Ежедневные фичи и багфиксы | gpt-6-sol, claude-sonnet-5-5 | сколько правок руками остаётся после ответа |
| Те же задачи, когда важна скорость в редакторе | gemini-3.8-flash | задержка до первого токена и качество на вашем стеке |
| Рефакторинг по модулям, долгие сессии агента | gpt-6.1-sol, claude-opus-5-5 | не теряет ли модель договорённости ближе к концу сессии |
| Самое трудное после неудачных попыток | gpt-6-astra, claude-fable-5-1 | оправдывает ли результат рост расхода |
| Недорогой агент | minimax-m3, glm-5.3, qwen3.8-max, kimi-k3.1-pro, deepseek-v4-pro | как модель вызывает инструменты: этого мы у них не сверяли |
По одной карточке на каждую из трёх ролей: рабочая модель, тяжёлая модель и дешёвая массовая.
Распределение ролей опирается на то, как вендоры описывали свои модели на 29 октября 2026 года, это их позиционирование, а не наш замер. Anthropic рекомендует Sonnet 5.5 как баланс скорости и качества, а Opus 5.5 советует брать для затяжных агентных сессий. К Fable 5.1 она предлагает переходить, если на высоком уровне усилия Opus всё равно проваливает ваши проверки. OpenAI подаёт GPT-6.1 Sol как почти ровню Astra с более скромным расходом, а Luna как вариант для массовых узких операций. Google проектировала Gemini 3.8 Flash для долгой инженерной работы. Сверьте эти формулировки на сайтах вендоров.
В каталоге есть также gemini-4-argon и gpt-6.1-terra. В таблице их нет, потому что вендорские описания мы для них не сравнивали.
Что видно в каталоге без замеров
Размеры окон и ответа берутся из карточек, и разница бывает существенной. У большинства текстовых моделей контекст 1 000 000 токенов. Короче окно у моделей grok-4.7, grok-4.6 и grok-4.5 (256 000), у kimi-k2.7-code (262 144) и у claude-haiku-4.5 (200 000). Предел ответа тоже расходится: у claude-opus-5-5 128 000 токенов, у claude-sonnet-5-5 32 000. Если агент должен выдать файл целиком, эта графа важнее громкого имени. Поддержка инструментов и потокового ответа отмечена у всех текстовых моделей каталога.
Одна модель или связка
Не обязательно решать всё одной моделью. Частая схема такая: сильная модель строит план и разбирает трудные места, лёгкая выполняет мелкие шаги. Агентные клиенты нередко сами вызывают вспомогательную модель для коротких служебных задач, и Relay в журнале записывает фактическую модель каждого запроса. Поэтому после первого вечера загляните в журнал: он покажет, какая модель на самом деле сделала работу и сколько токенов ушло.
Замер на своём репозитории за вечер
Публичные лидерборды отстают от выхода моделей, а задачи в них чужие. Соберите свой набор.
Достаньте из истории проекта 10-20 закрытых багов и небольших фич. Для каждой нужен тест, который до правки падал, а после проходит.
Отправьте каждой модели каждую задачу одним и тем же текстом. Лучше дважды, потому что ответы недетерминированы.
Фиксируйте три вещи: решена ли задача, сколько токенов ушло на вход и на выход, сколько строк вы поправили сами.
Стоимость решённой задачи равна расходу на все попытки, делённому на число решённых.
Скрипт сохраняет ответ и расход каждой попытки. Тесты вы запускаете своим раннером, сам скрипт их не трогает.
import json
import os
import time
from pathlib import Path
from openai import OpenAI
client = OpenAI(base_url="https://relay-llm.ru/v1", api_key=os.environ["RELAY_API_KEY"])
MODELS = ["claude-sonnet-5-5", "gpt-6.1-sol", "deepseek-v4.1-flash"]
for model in MODELS:
for task in sorted(Path("tasks").glob("*.txt")):
started = time.time()
reply = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": task.read_text(encoding="utf-8")}],
)
record = {
"model": model,
"task": task.stem,
"seconds": round(time.time() - started, 1),
"input_tokens": reply.usage.prompt_tokens,
"output_tokens": reply.usage.completion_tokens,
"answer": reply.choices[0].message.content,
}
with open("runs.jsonl", "a", encoding="utf-8") as out:
out.write(json.dumps(record, ensure_ascii=False) + "\n")Расход считают так: входные токены умножить на цену входа, прибавить выходные, умноженные на цену выхода, разделить на миллион. Цены берите из карточек в день замера. Вот условный пример, цифры в нём выдуманы ради иллюстрации:
| Модель | Расход на 10 попыток | Решено | На решённую задачу |
|---|---|---|---|
| Лёгкая | 3 условные единицы | 4 | 0,75 |
| Средняя | 7 | 7 | 1,0 |
| Сильная | 14 | 9 | около 1,56 |
Лёгкая модель выигрывает по деньгам, зато шесть задач из десяти вам доводить самому, а ваши часы в расчёт не попали. Добавьте пятую графу с минутами доработки.
Если две модели оказались рядом по стоимости решённой задачи, берите ту, чьи ошибки заметнее. Тихая неправильная правка, которую пропустит ревью, обходится дороже громкого провала: громкий вы увидите сразу, а тихий уедет в основную ветку.
Как подключить выбранную модель
Нужны ключ, базовый адрес и идентификатор из каталога. Актуальный список идентификаторов отдаёт метод моделей.
| Клиент | Протокол и адрес | Инструкция |
|---|---|---|
| Claude Code | Anthropic, https://relay-llm.ru | руководство |
| Codex | OpenAI Responses, https://relay-llm.ru/v1 | руководство |
| OpenCode | OpenAI-совместимый, https://relay-llm.ru/v1 | руководство |
В Codex провайдера задают в ~/.codex/config.toml, а ключ лежит в переменной окружения:
model_provider = "relay"
model = "gpt-6.1-sol"
model_reasoning_effort = "high"
[model_providers.relay]
name = "Relay"
base_url = "https://relay-llm.ru/v1"
env_key = "OPENAI_API_KEY"
wire_api = "responses"export OPENAI_API_KEY="$RELAY_API_KEY"Какая нейросеть лучше для программирования в 2026 году?
Единой лучшей нет. В повседневной работе удобно стартовать со среднего класса: gpt-6-sol или claude-sonnet-5-5. Долгие агентные сессии стоит пробовать на gpt-6.1-sol и claude-opus-5-5, массовые мелочи на deepseek-v4.1-flash и claude-haiku-5.5. Последнее слово остаётся за замером на вашем коде.
Есть ли бесплатная нейросеть для программирования?
В каталоге Relay есть модель с пометкой Free: deepseek-v4.1-flash-1017-free. Её условия и лимиты смотрите в карточке. Остальные модели оплачиваются токенами с баланса, подписки нет.
Можно ли верить рейтингам моделей?
Осторожно. Публичные таблицы запаздывают, а их задачи мало похожи на ваши, как и способ запуска. Маленький замер на собственном коде надёжнее любой чужой таблицы.