Какой ИИ выбрать для разработки в 2026

Какой ИИ выбрать для разработки в 2026 году: Codex, Claude Code, Gemini или китайские модели?

ИИ-агенты уже умеют самостоятельно писать код, тестировать приложения и собирать готовые проекты. Но за похожими возможностями скрываются совершенно разные тарифы, лимиты и удобство работы. Разбираемся, почему ChatGPT с Codex предлагает больше за меньшие деньги, чем уступают Claude Code и Gemini Antigravity, стоит ли рассматривать китайские модели и какой ИИ действительно выгоднее выбрать для собственных проектов.

Превью

Ещё недавно разработка с помощью искусственного интеллекта выглядела довольно уныло. Ты просил ChatGPT написать функцию, копировал код, вставлял в редактор, получал ошибку, возвращался в чат и объяснял, что ничего не работает. Потом повторял всё заново.

Сегодня такая схема выглядит почти доисторической.

Современные ИИ-агенты умеют самостоятельно создавать проекты, редактировать десятки файлов, устанавливать зависимости, запускать приложения, выполнять тесты, исправлять ошибки и работать с внешними сервисами. Некоторые делают это вообще в облаке, без установленного на компьютере редактора кода.

И самое интересное — для использования этих инструментов необязательно быть профессиональным разработчиком.

Допустим, ты музыкант и хочешь написать собственный инструмент для обработки аудио. Или дизайнер, которому нужен генератор необычных эффектов. Или просто человек, которому захотелось собрать маленькое приложение на Rust, автоматизировать какую-нибудь рутину или сделать сайт для собственного проекта.

Раньше между идеей и результатом стояли месяцы изучения программирования. Теперь можно попробовать поручить значительную часть работы ИИ.

Возникает другой вопрос: какой искусственный интеллект выбрать для разработки, чтобы получить работающий результат, а не бесконечно воевать с нейросетью и её лимитами?

Разберём ChatGPT Codex, Claude Code, Google Gemini с Antigravity, GLM от Z.ai и модели Qwen.

Сразу определимся: речь не о разработке банковских систем, корпоративной инфраструктуре и многолетних продуктах с жёсткими требованиями к безопасности. Там совершенно другие критерии. Мы говорим об экспериментах, прототипах, собственных инструментах и небольших проектах, которые хочется наконец превратить из идеи в программу.

И вот здесь ситуация на рынке уже довольно интересная.

ChatGPT и Codex — лучший вариант для старта

Начнём с вывода, который за последние месяцы стал практически очевидным: если хочется попробовать полноценную разработку с ИИ, наиболее выгодная отправная точка сегодня — ChatGPT Plus за $20 в месяц.

Причём дело даже не в том, что OpenAI выпускает сильные модели.

Дело в количестве инструментов, которые ты получаешь за одну подписку.

У тебя есть привычный ChatGPT для обсуждения идей, ChatGPT Work для самостоятельного выполнения сложных задач и Codex, который непосредственно занимается разработкой.

И всё это — части одной экосистемы.

Codex — это не чат, который предлагает тебе написать код самому

Представим, что ты хочешь сделать небольшую программу на Rust.

Обычная нейросеть расскажет, какие библиотеки использовать, напишет несколько файлов и пожелает удачи.

Codex может пойти дальше.

Ты описываешь результат, а агент создаёт структуру проекта, пишет исходники, устанавливает зависимости, запускает сборку, анализирует сообщения компилятора, исправляет ошибки и повторяет попытку.

Если окружение поддерживает нужную платформу и инструменты сборки, он может подготовить готовый исполняемый файл или архив проекта.

Иными словами, ты общаешься не с генератором фрагментов кода, а с системой, которая действительно выполняет работу.

Причём Codex доступен не только локально, но и в облаке. Можно отправить задачу из браузера, дать агенту поработать в изолированном окружении и получить результат.

Тебе не обязательно самому устанавливать Node.js, Rust, компиляторы или разбираться с каждой ошибкой терминала. Агент способен взять на себя эту часть работы.

Разумеется, он не гарантирует идеального результата с первой попытки. Но разница между «я написал тебе код» и «я собрал тебе программу и проверил её работу» огромная.

И это только один инструмент из подписки.

За $20 ты покупаешь не просто Codex, а целую экосистему

Вот что действительно отличает ChatGPT от большинства конкурентов.

Покупая подписку ради разработки, ты получаешь ещё и полноценного универсального помощника.

У ChatGPT есть память, которая позволяет использовать информацию из предыдущих разговоров и других доступных источников. Можно месяцами обсуждать собственный проект, уточнять требования, менять концепцию, а затем использовать накопленный контекст при работе с агентом.

Есть генерация и редактирование изображений. Нужны иконки для приложения, иллюстрация для сайта, несколько вариантов интерфейса или визуальные материалы для прототипа? Необязательно открывать отдельный сервис и оплачивать ещё одну подписку.

Причём генерация изображений входит в возможности ChatGPT, хотя её лимиты зависят от тарифа и нагрузки.

Есть интеграции с внешними сервисами.

Через каталог плагинов OpenAI можно подключать GitHub, Gmail, Google Drive, Google Calendar, Figma и множество других инструментов.

Более того, существует даже официальный плагин Google Firebase, позволяющий агенту работать с Firebase Authentication, Firestore и Hosting.

Для человека, который просто хочет собрать собственное приложение, это довольно серьёзный набор.

Ты можешь обсуждать идею, генерировать графику, писать приложение, подключать базу данных, работать с репозиторием и готовить публикацию — не переключаясь постоянно между пятью независимыми ИИ-сервисами.

Поддерживаются и собственные MCP-серверы. Хочешь дать агенту доступ к специфическому API, собственной базе знаний или отдельному инструменту — такая возможность есть.

Это не означает, что каждый подключённый инструмент работает без ограничений: доступность плагинов зависит от тарифа, а использование некоторых сервисов может иметь собственные лимиты. Но сама возможность собрать настолько широкую рабочую среду вокруг одной подписки выглядит впечатляюще.

А ещё есть ChatGPT Work, Sites и Dots

OpenAI постепенно стирает границу между чат-ботом и полноценной рабочей средой.

ChatGPT Work способен выполнять многоэтапные задачи, работать с файлами, подключёнными приложениями и облачным браузером. Это уже не только программирование: агент может исследовать информацию, пользоваться сайтами и готовить законченные результаты.

ChatGPT Sites позволяет создавать и публиковать небольшие сайты и интерактивные приложения непосредственно из ChatGPT. Без отдельной настройки хостинга для каждого примитивного прототипа. Правда, создание Sites расходует общий лимит Codex, а публикация и хостинг имеют собственные условия.

В сентябре появились Dots — персональные агенты с собственным облачным компьютером, которые могут работать над задачами и использовать подключённые приложения. На старте они доступны на отдельных Pro-тарифах и в поддерживаемых регионах.

Даже обычный мобильный ChatGPT получил голосовой Live Mode: можно буквально проговаривать идею приложения или обсуждать изменения, не сидя за компьютером.

К разработке непосредственно это имеет косвенное отношение. Но именно в этом и преимущество.

Codex — не отдельный дорогой билет в мир программирования. Это часть гораздо более крупного продукта, который ты можешь использовать каждый день совершенно для других задач.

GPT-6.1 Sol: почему размер модели и количество доступных часов важнее красивого названия

Теперь поговорим непосредственно о моделях.

Осенью 2026 года OpenAI выпустила GPT-6 Astra, затем GPT-6 Sol и Luna, а после — GPT-6.1 Sol.

Последняя особенно интересна для разработки.

По официальному анонсу GPT-6.1 Sol, модель приближается к Astra в ряде задач агентного программирования, но стоит в API примерно в пять раз дешевле: $2 за миллион входных токенов против $10 у Astra.

И это не просто история про экономию для разработчиков API.

В подписочных продуктах выбор модели также влияет на расход доступной квоты. Чем эффективнее модель выполняет задачу, тем больше работы потенциально можно сделать в рамках одного тарифа.

Здесь важно не путать две вещи: пятикратная разница в цене API не означает автоматически пятикратную экономию лимита Codex. Расход зависит от сложности задачи, контекста, настроек рассуждения и количества действий агента.

Но направление очевидно: если новая модель стала сильнее, а её использование обходится дешевле, пользователь получает возможность решать больше задач за те же деньги.

И это существенно интереснее, чем просто очередной релиз с обещанием улучшить показатели на несколько процентов.

Полмиллиона токенов контекста — и этого достаточно

У GPT-6.1 Sol в ChatGPT Work и Codex теперь доступно контекстное окно на 500 тысяч токенов.

Не в API за отдельную оплату, а непосредственно в продукте, доступном по подписке.

Раньше большой контекст был одним из самых привлекательных аргументов в пользу Claude. У Anthropic модели с контекстом до миллиона токенов.

Цифра выглядит красиво. Но есть неприятный нюанс.

Способность модели принять миллион токенов совершенно не означает, что она одинаково хорошо работает с первым, пятисоттысячным и последним токеном.

В исследовании Context Length Alone Hurts LLM Performance Despite Perfect Retrieval, опубликованном на EMNLP 2025, учёные проверяли модели на математических задачах, вопросах и программировании.

Результат довольно показательный: при увеличении длины входных данных качество выполнения задач снижалось на 13,9–85% в разных экспериментальных условиях — даже когда модель безошибочно находила всю необходимую информацию.

То есть проблема не только в том, что нейросеть теряет нужный фрагмент среди огромного количества текста. Сам объём контекста способен ухудшать результат.

Конечно, это не означает, что любая модель обязательно потеряет 85% качества на длинном запросе. Но исследование хорошо демонстрирует, почему количество токенов не стоит превращать в главный критерий выбора.

Для обычного личного проекта полмиллиона токенов — уже огромный рабочий объём.

А если агент пытается постоянно держать в контексте весь проект, всю историю изменений, все логи и каждую неудачную попытку, проблема, возможно, не в недостаточно большом контекстном окне.

Возможно, агент просто плохо организует собственную работу.

Лимиты Codex: $20, $100, $200 и $500

Одна из самых неприятных особенностей подписочных ИИ — ограничения использования.

Причём далеко не всегда понятно, сколько реальной работы можно получить за свои деньги.

У OpenAI тоже существуют лимиты. Но в октябре 2026 года ситуация для активных пользователей Codex стала весьма интересной.

Тариф Стоимость Что важно для разработки
ChatGPT Plus $20/мес. Codex, Work, GPT-6.1 Sol, доступ к Astra с ограничениями
ChatGPT Pro 100 $100/мес. Больше доступной работы, без пятичасового лимита
ChatGPT Pro 200 $200/мес. Ещё больше недельной квоты, без пятичасового лимита
ChatGPT Pro 500 $500/мес. Наибольшая квота и режим Ultrafast

Согласно документации OpenAI по лимитам, у Pro 100, Pro 200 и Pro 500 сейчас нет пятичасового ограничения в Codex и Work.

Остаётся общий объём включённой работы, но исчезает одна из самых раздражающих ситуаций: когда недельная квота ещё есть, а работать нельзя, потому что закончилась текущая пятичасовая сессия.

Это принципиальное отличие.

Хочешь весь вечер заниматься проектом? На Pro-тарифах тебя не останавливает отдельная пятичасовая стена. Ты работаешь, пока позволяет общая квота.

При этом Work и Codex используют один общий запас. Это не две независимые подписки с двумя отдельными недельными лимитами.

Есть и нюанс, который OpenAI не слишком выгодно рекламировать: с конца сентября компания изменила объём включённого использования для новых подписчиков Pro 200. Старые условия временно сохранили отдельным действующим пользователям до 29 октября 2026 года. Подробности есть в официальном описании Pro-тарифов.

Так что покупать $200 исключительно по старым отзывам пользователей — тоже плохая идея. Смотри на актуальный объём квоты.

Бесплатные сбросы лимитов: когда подписка внезапно становится ещё выгоднее

Но есть ещё один любопытный момент.

OpenAI регулярно раздаёт пользователям бесплатные сбросы лимитов.

Иногда это автоматический сброс для всех подходящих подписчиков. Иногда — сохранённый сброс, который можно применить самостоятельно.

Последний особенно интересен: banked reset может восстановить пятичасовую и недельную квоты, фактически позволяя начать новый период использования раньше обычного.

Это не дополнительные деньги на счёте и не бесконечный API-кредит. Это именно восстановление включённого объёма работы.

В октябре бесплатные сбросы появлялись неоднократно. Например, 26 октября руководитель Codex Тибо Соттьё объявил очередной сброс, а 28 октября — ещё один.

Хронологию таких акций можно посмотреть в трекере сбросов ИИ-лимитов.

Получается довольно занятная картина: пользователь платит за определённую недельную квоту, а компания периодически восстанавливает её без дополнительной оплаты.

Разумеется, строить бюджет на подобных акциях нельзя. Завтра OpenAI может перестать раздавать их настолько часто.

Но оценивать реальную выгоду подписки, полностью игнорируя эти сбросы, тоже странно.

Особенно если конкуренты при сопоставимой стоимости заставляют гораздо внимательнее следить за каждым процентом использованного лимита.

Claude Code: мощный агент, который слишком любит напоминать о своей цене

Теперь о главном конкуренте Codex.

Claude Code от Anthropic — действительно сильный инструмент для разработки. У компании хорошие модели, зрелая агентная среда и собственная аудитория разработчиков.

Проблема не в том, что Claude не умеет программировать.

Проблема в том, сколько стоит регулярно пользоваться всеми этими возможностями и насколько предсказуемо расходуются лимиты.

У Claude есть подписка Pro за $20 и два Max-тарифа:

  • Max 5x за $100 — увеличенный объём использования относительно Pro.
  • Max 20x за $200 — ещё более высокая квота.

Выглядит логично.

Пока не начинаешь разбираться, что именно означают эти множители.

Маркетинговые «20×» — не обязательно четыре раза больше недельной работы

Вот здесь начинается самое интересное.

В официальной документации Anthropic прямо говорится: Max 5x даёт пятикратный, а Max 20x — двадцатикратный лимит использования за одну сессию относительно Pro.

Сессия длится пять часов.

Но, помимо пятичасового окна, существует ещё и отдельный недельный лимит.

И вот для него Anthropic не обещает такого же понятного соотношения.

Покупатель видит Max 5x за $100 и Max 20x за $200. Естественно, возникает ожидание: если заплатить вдвое больше, можно получить в четыре раза больше работы.

Однако заявленные множители относятся к сессии, а не гарантируют четырёхкратное увеличение недельной квоты.

Это не обязательно означает, что недельный лимит у Max 20x всегда всего вдвое выше, чем у Max 5x. Но именно отсутствие прозрачной пропорции и вызывает раздражение.

И настолько сильное, что в обсуждение вмешался руководитель конкурирующего продукта.

Даже руководитель Codex публично прошёлся по лимитам Claude

31 августа 2026 года пользователь X пожаловался на запутанный маркетинг тарифов Claude Max.

Он обратил внимание на то, что обозначение «20×» выглядит гораздо привлекательнее, чем реальная разница в недельном объёме работы.

На публикацию ответил Тибо Соттьё, руководитель Codex в OpenAI.

Суть его ответа была довольно издевательской: у Codex множитель «20×» относился именно к недельной квоте, а у Pro-тарифов к тому же отсутствовало пятичасовое ограничение.

То есть OpenAI публично противопоставила понятный недельный объём работы конкуренту, который рекламирует гораздо более красивую цифру для короткого временного окна.

И это довольно редкая ситуация: руководитель одного из главных ИИ-продуктов лично приходит в чужое обсуждение и объясняет, почему условия конкурента выглядят не слишком честными по отношению к ожиданиям покупателя.

Забавно и то, что пользователи в ответ начали просить его убрать пятичасовые ограничения и у самого Codex Plus.

Потому что рынок прекрасно понимает проблему: никому не нравится платить за недельную квоту и одновременно получать запрет работать из-за отдельного короткого лимита.

Но у Claude проблемы не заканчиваются только пятичасовыми окнами.

Большой контекст у Claude может дорого обходиться

У Anthropic модели поддерживают контекст до миллиона токенов.

Однако использование большого контекста способно быстрее расходовать подписочную квоту. Особенно если агент многократно отправляет крупную историю диалога, читает большие файлы и использует дорогие режимы рассуждения.

Кроме того, у отдельных моделей вроде Fable существуют дополнительные ограничения использования.

В итоге можно купить дорогую подписку, выбрать наиболее способную модель, загрузить объёмный проект и обнаружить, что доступный процент квоты уменьшается гораздо быстрее, чем ожидалось.

И дело не обязательно в количестве написанного кода.

Агент мог потратить значительную часть ресурсов на чтение проекта, анализ файлов, рассуждения и повторную обработку контекста.

Для профессионала, который понимает поведение конкретной модели и умеет оптимизировать её работу, это управляемая проблема.

Но мы ведь выбираем инструмент для человека, который хочет вечером собрать собственную программу.

Ему совершенно неинтересно становиться специалистом по экономии токенов.

Он хочет, чтобы нейросеть работала.

Claude Code: сильный агент, который неудобно упаковали

У Claude Code есть веб-версия, десктопное приложение и CLI. Казалось бы, выбирай любой интерфейс и работай.

Но есть нюанс: полноценнее и удобнее всего Claude Code раскрывается именно в терминале.

Десктопное приложение Anthropic по-прежнему уступает CLI по возможностям, настройкам и гибкости работы. В результате многие пользователи предпочитают командную строку не потому, что им нравится изображать хакеров из голливудских фильмов, а потому, что графический клиент получился менее удачным.

И вот здесь возникает закономерный вопрос: почему в 2026 году, покупая подписку на одного из самых дорогих ИИ-агентов, пользователь должен выбирать между удобным интерфейсом и полноценным набором возможностей?

При этом никаких особенных навыков для работы с Claude Code не требуется. Порог входа у него практически такой же низкий, как у Codex. Установить инструмент, открыть проект и объяснить агенту задачу сможет даже человек без серьёзного опыта программирования.

Просто OpenAI пошла дальше и создала вокруг Codex целую экосистему: браузер, облачное окружение, десктопное приложение, CLI и интеграцию с ChatGPT Work.

А Anthropic при наличии сильных моделей так и не смогла предложить столь же удобный пользовательский опыт.

И это особенно раздражает с учётом стоимости подписок Claude. Когда ты платишь $100–200 в месяц, хочется получить не только хороший интеллект, но и нормально сделанный инструмент для работы с ним.

Anthropic раздаёт бесплатные сбросы, когда конкуренция становится жаркой

История с лимитами приобрела особенно комичный характер летом 2026 года.

9 июля OpenAI представила GPT-5.6 Sol. Вскоре после этого аккаунт Claude Developers объявил о сбросе пятичасовых и недельных лимитов для пользователей.

И тут Тибо Соттьё написал в X всего три слова:

I smell fear.

«Чую страх».

Для руководителя конкурирующего продукта это довольно прямолинейный подкол.

Контекст понятен: OpenAI выпускает новую модель, после чего Anthropic внезапно делает своим пользователям подарок в виде дополнительных лимитов.

Можно, конечно, считать это совпадением. Но со стороны ситуация выглядела настолько характерно, что история быстро разошлась по технологическим изданиям.

Позже сбросы продолжились.

1 сентября Anthropic восстановила пятичасовые и недельные лимиты пользователей одновременно с выпуском Fable 5.1. 4 сентября компания снова сбросила недельные ограничения для подписчиков Claude Max — уже на фоне запуска GPT-6 Astra.

Ирония, впрочем, в том, что OpenAI сама раздаёт подобные бонусы ещё активнее.

Но именно это и интересно.

Компании уже конкурируют не только интеллектом моделей, но и количеством реальной работы, которое можно получить за фиксированную подписку.

А когда пользователь начинает выбирать между $100 и $200 в месяц, вопрос «сколько часов я реально смогу пользоваться агентом?» становится зачастую важнее очередного красивого графика с презентации.

Gemini и Google Antigravity: блестящие презентации не заменяют работающий продукт

Теперь о Google.

У компании есть Gemini и Antigravity, собственная агентная среда разработки.

На бумаге предложение привлекательное: интеграция с экосистемой Google, работа с проектами, терминалом, агентами, поддержка разных моделей.

Казалось бы, отличный конкурент Codex.

Но если смотреть не на рекламные обещания, а на реальные результаты, картина становится менее впечатляющей.

Gemini 4 Argon хороша не везде, где её пытаются продавать как лидера

Google активно продвигает Gemini 4 Argon как передовую модель для сложной работы и программирования.

В официальной карточке модели действительно есть впечатляющие цифры.

Например, на DeepSWE v1.1 Gemini 4 Argon показывает 77,9%, опережая GPT-6 Astra с её 74,1%.

Красиво.

Но открываем другую строку того же документа.

На FrontierSWE v2 у Gemini уже 55%, тогда как GPT-6 Astra получает 65,5%, а Claude Opus 5.5 — 62,3%.

На Terminal-Bench 4.0 Gemini также уступает Opus.

И это данные не каких-нибудь злых конкурентов, а самой Google.

Что получается?

Модель действительно способна показывать превосходные результаты на отдельных тестах. Но универсального превосходства в разработке из этого не следует.

Более того, если перейти к независимым пользовательским оценкам, положение Gemini выглядит ещё скромнее.

В Fullstack Arena на 27 октября 2026 года GPT-6 Astra занимает первое место, GPT-6.1 Sol — второе, Claude Opus 5.5 — третье.

А Gemini 4 Argon находится лишь на 11-м месте.

Это не означает, что модель бесполезна. Но назвать её очевидным лидером в создании полноценных приложений уже довольно трудно.

Одна задача и десять последовательных изменений — разные испытания

Особенно важен ещё один момент.

Когда пользователь просит сделать один красивый интерфейс, написать отдельную функцию или решить конкретную задачу, нейросеть может выглядеть великолепно.

Но реальная агентная разработка состоит из последовательных действий.

Создать проект. Добавить функциональность. Исправить ошибку. Изменить интерфейс. Подключить сервис. Переделать логику. Провести тестирование.

И на каждом следующем шаге приходится учитывать последствия предыдущих решений.

Именно здесь многие модели начинают сыпаться.

В работе LLMs Get Lost in Multi-Turn Conversation, получившей награду за лучшую статью ICLR 2026, исследователи обнаружили среднее снижение качества на 39% при переходе от полностью сформулированных одношаговых запросов к многоэтапному диалогу.

Исследование касается разных языковых моделей, а не конкретно Gemini 4 Argon. Но оно прекрасно показывает саму проблему: умение решить задачу за один запрос не гарантирует способность успешно довести сложную работу до конца.

Именно поэтому для агентной разработки стоит смотреть не только на результаты отдельных тестов, но и на полноценные сценарии выполнения проекта.

А здесь Antigravity пока не выглядит самым убедительным вариантом за свои деньги.

Лимиты Antigravity тоже не подарок

И ещё одна неприятность: у Google Antigravity существуют пятичасовые и недельные квоты.

Причём знаменитые «безлимитные автодополнения» вовсе не означают безлимитную работу ИИ-агента.

Количество доступных запросов зависит от модели, сложности задания и объёма выполняемой работы.

То есть пользователь снова сталкивается со знакомой проблемой: подписка есть, но сколько именно работы получится из неё выжать — заранее не слишком понятно.

Для исследований, анализа документов и других задач Gemini может быть прекрасным выбором. В некоторых профессиональных тестах Argon действительно показывает выдающиеся результаты.

Но если цель — с нуля собрать приложение, затем десять раз переделать его и получить работающий результат, я бы сегодня предпочёл Codex, а не Antigravity.

GLM от Z.ai: дешёвый вход в агентную разработку

Китайская Z.ai активно развивает семейство GLM и собственные инструменты для программирования.

И здесь уже интересна цена.

У компании есть Z.ai Coding, поддержка современных GLM-моделей, агентные инструменты и варианты использования, ориентированные на разработчиков.

Для человека, который хочет много экспериментировать и не готов платить за дорогие западные тарифы, это привлекательное предложение.

Но дешевизна ещё не делает продукт лучшим.

В рейтинге Fullstack Arena модель GLM-5.3 находится заметно ниже лидеров — на 22-м месте.

А если речь идёт именно о личном проекте, где хочется минимального количества ручной возни, разрыв между моделями и зрелостью экосистем становится особенно заметным.

GLM может написать код, исправить ошиб и выполнить отдельную задачу.

Но если выбирать одну подписку, которая должна заменить тебе и программиста, и помощника, и инструмент для исследования, и средство подготовки графики, преимущество снова оказывается у ChatGPT.

GLM интересен прежде всего как более дешёвая альтернатива, а не как очевидная замена Codex.

Qwen: отличный выбор для локального ИИ, но не обязательно для облачной разработки

С Qwen ситуация другая.

Alibaba выпускает сильные модели, включая версии с открытыми весами, которые можно запускать на собственном оборудовании.

Для самостоятельного развёртывания это огромный плюс.

Если хочется создать приватную рабочую среду, где нейросеть функционирует на собственном сервере или мощном компьютере, стоит изучить семейство Qwen.

Это особенно интересно тем, кто хочет экспериментировать с собственными агентами, менять окружение исполнения и не зависеть полностью от облачного провайдера.

При этом не стоит считать все модели Qwen слабыми: облачная Qwen3.8-Max, например, входит в первую десятку Fullstack Arena.

Проблема скорее в другом.

Когда ты выбираешь облачный ИИ для своих проектов, важна не только сама модель.

Важны готовая агентная среда, интеграции, память, браузер, генерация изображений, инструменты работы с файлами, публикация результатов и удобство всей системы.

И здесь покупка отдельного доступа к Qwen уже не выглядит настолько привлекательной, как подписка ChatGPT.

Qwen особенно хорош тогда, когда тебе нужна собственная инфраструктура. Когда нужна готовая мастерская в облаке, выбор менее очевиден.

Что говорят независимые бенчмарки: GPT-6.1 Sol действительно настолько хорош?

Сравнение ИИ часто превращается в бессмысленную войну скриншотов.

Одна компания публикует график, где её модель обходит конкурентов. Вторая находит другой тест. Третья выбирает собственный набор задач и объявляет очередную революцию.

Поэтому полезно посмотреть на Code Arena — площадку, где результаты моделей оцениваются на практических заданиях.

На 27 октября 2026 года картина выглядит следующим образом.

Категория Лидер GPT-6.1 Sol
Fullstack GPT-6 Astra — 1-е место 2-е место
HTML GPT-6.1 Sol — 1-е место 1-е место
React Claude Opus 5.5 — 1-е место 5-е место
WebDev Overall Claude Opus 5.5 — 1-е место 4-е место

Источники: Fullstack, HTML, React, общий WebDev.

Да, в React лидирует Claude Opus 5.5.

Можно поздравить Anthropic и вручить ей медаль за победу в ещё одной категории React-разработки.

Но нас интересует несколько другое.

Мы не выбираем нейросеть исключительно для того, чтобы генерировать очередное React-приложение с тремя сотнями зависимостей.

Мы выбираем инструмент, который сможет сделать сайт, небольшую программу, сервис, интерфейс или собственную утилиту.

И вот здесь GPT-6.1 Sol выглядит прекрасно.

В HTML она первая. В Fullstack — вторая, практически рядом с Astra и Opus. В более широкой категории WebDev — четвёртая.

Причём отрыв между моделями в Fullstack настолько небольшой, что соответствующие интервалы неопределённости пересекаются. Делать из разницы в три балла между Sol и Opus вывод о колоссальном превосходстве одной модели было бы просто нелепо.

А теперь вспомним стоимость и доступность инструментов.

По API-тарифам Sol стоит вдвое дешевле Opus 5.5 и в пять раз дешевле Astra. А в Codex она входит в обычную подписку ChatGPT.

То есть пользователь получает модель верхнего эшелона, которая отлично справляется с повседневной агентной разработкой, и не обязан всякий раз выбирать самый дорогой вариант.

Важнее не то, кто выиграл отдельный бенчмарк на несколько баллов, а то, сколько законченных проектов ты сможешь получить за свои деньги.

И именно здесь ChatGPT с Codex предлагает чрезвычайно сильную комбинацию.

Так какой ИИ выбрать для разработки в 2026 году?

Если хочется просто попробовать современные ИИ-агенты, поэкспериментировать с собственными идеями и почувствовать, что программа действительно может создаваться практически самостоятельно, я бы начал с ChatGPT Plus за $20.

За эти деньги ты получаешь не только Codex с современными моделями, но и полноценный ChatGPT, генерацию изображений, память, внешние интеграции, ChatGPT Work и возможность разрабатывать приложения в облаке.

Этого уже достаточно, чтобы экспериментировать с весьма серьёзными по меркам домашнего проекта задачами.

Если разработка затягивает и агент начинает работать каждый день по несколько часов, следующий разумный шаг — Pro за $100.

Он снимает пятичасовое ограничение Codex и Work и даёт существенно больше пространства для продолжительной работы.

Переход на $200 имеет смысл тогда, когда ты действительно упираешься в недельную квоту младшего Pro. А $500 — история уже для очень активных пользователей, которым нужны максимальные объёмы и дополнительные скоростные режимы.

Claude Code при этом остаётся сильным конкурентом. Если тебе особенно нравится поведение моделей Anthropic или ты давно выстроил вокруг них собственный процесс, пользоваться ими вполне разумно.

Но для человека, который только начинает знакомиться с агентной разработкой, тарифы Claude выглядят менее привлекательно: пятичасовые окна, недельные ограничения, дополнительные модельные лимиты и не всегда прозрачная связь между рекламными множителями и реальной доступной работой.

Gemini и Antigravity интересны, особенно если ты тесно работаешь с инструментами Google. Но по совокупности результатов агентной разработки и удобства подписки сегодня они не выглядят наиболее убедительным первым выбором.

GLM стоит рассматривать ради экономии, Qwen — ради локального развёртывания и экспериментов с собственной инфраструктурой.

А если хочется просто открыть браузер и сказать:

«Сделай мне приложение. Сам создай проект, сам собери, сам проверь и отдай результат» —

ChatGPT + Codex сегодня выглядят самым рациональным способом потратить $20.

И, пожалуй, это главное изменение в разработке с искусственным интеллектом за последние годы.

Раньше ты платил за нейросеть, которая умела рассказывать, как написать программу.

Теперь за те же деньги можно получить агента, который хотя бы попытается написать её сам — и располагает реальными инструментами, чтобы довести эту попытку до работающего результата.