К содержимому
Блог

Лучшая нейросеть для программирования: как выбрать под задачу

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

РольС чего начать замерЧто проверить в первую очередь
Мелкие правки и массовая разметкаdeepseek-v4.1-flash, gpt-6-luna, claude-haiku-5.5стабильность формата ответа на сотнях одинаковых запросов
Ежедневные фичи и багфиксыgpt-6-sol, claude-sonnet-5-5сколько правок руками остаётся после ответа
Те же задачи, когда важна скорость в редактореgemini-3.8-flashзадержка до первого токена и качество на вашем стеке
Рефакторинг по модулям, долгие сессии агентаgpt-6.1-sol, claude-opus-5-5не теряет ли модель договорённости ближе к концу сессии
Самое трудное после неудачных попытокgpt-6-astra, claude-fable-5-1оправдывает ли результат рост расхода
Недорогой агентminimax-m3, glm-5.3, qwen3.8-max, kimi-k3.1-pro, deepseek-v4-proкак модель вызывает инструменты: этого мы у них не сверяли

По одной карточке на каждую из трёх ролей: рабочая модель, тяжёлая модель и дешёвая массовая.

Claude Sonnet 5.50,52 $ за 1 млн входных токенов
GPT-6.1 Sol0,12 $ за 1 млн входных токенов
DeepSeek V4.1 Flash0,06 $ за 1 млн входных токенов

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.

  1. Достаньте из истории проекта 10-20 закрытых багов и небольших фич. Для каждой нужен тест, который до правки падал, а после проходит.

  2. Отправьте каждой модели каждую задачу одним и тем же текстом. Лучше дважды, потому что ответы недетерминированы.

  3. Фиксируйте три вещи: решена ли задача, сколько токенов ушло на вход и на выход, сколько строк вы поправили сами.

  4. 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.

python
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:

МодельРасход на 10 попытокРешеноНа решённую задачу
Лёгкая3 условные единицы40,75
Средняя771,0
Сильная149около 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.

КлиентПротокол и адресИнструкция
Claude CodeAnthropic, https://relay-llm.ruруководство
CodexOpenAI Responses, https://relay-llm.ru/v1руководство
OpenCodeOpenAI-совместимый, https://relay-llm.ru/v1руководство

В Codex провайдера задают в ~/.codex/config.toml, а ключ лежит в переменной окружения:

toml
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"
bash
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.

Посмотреть модель

Модели из статьи

Готовы подключиться?Войдите в консоль, пополните баланс и создайте API-ключ.