**Claude Sonnet 5, Grok 4.5 и Gemini 3 Flash: где бенчмарки помогают, а где врут**
**Claude Sonnet 5, Grok 4.5 и Gemini 3 Flash: где бенчмарки помогают, а где врут** В 2026-м выбор LLM превратился в отдельную инженерную задачу. Моделей стало слишком много, у каждой — свой набор цифр в бенчмарках, и маркетинговые таблицы «что выбрать» кочуют из одного обзора в другой. Разберём, что за ними стоит на самом деле. Начнём с того, что все упомянутые модели существуют и доступны — это не выдумка очередного «обзорщика». **Claude Sonnet 5** от Anthropic вышел в июне 2026-го с контекстом в 1 млн токенов и ценой $2/$10 за миллион входных/выходных токенов. На BrowseComp — бенчмарке для агентного поиска — он показывает **84,7% в одиночном режиме**, что близко к Opus 4.8, но заметно дешевле. На SWE-bench Pro (агентное программирование) результат скромнее — **63,2%**, что всё равно выше Sonnet 4.6 (58,1%), но ниже Opus 4.8 (69,2%). **Grok 4.5** от SpaceXAI (бывшая xAI) — это ставка на скорость и экономию токенов. Модель обучена совместно с Cursor, выдаёт **~80 токенов в секунду** и тратит примерно вдвое меньше токенов, чем конкуренты, на тех же задачах. В независимом тесте WANDR от Perplexity (многошаговый агентный ресерч) Grok 4.5 как оркестратор набрал **0,328 балла при $4,76 за попытку**, обойдя Opus 4.8 high (0,254 при $9,46). Цена — $2/$6 за миллион токенов. **Gemini 3 Flash** — это «Flash» в хорошем смысле: Pro-уровень рассуждений при задержках и стоимости Flash-серии. Контекст — **1 млн токенов**, цена — **$0,50/$3,00** за миллион. На SWE-bench Verified — **78%**, что для модели с такой ценой выглядит почти неприлично хорошо. Плюс прямая привязка к поиску Google (grounding), что делает её удобной для запросов, где нужны актуальные данные, а не знания с cutoff’ом. **GPT-5.2** — рабочая лошадка для универсальных задач. На SWE-bench Verified — **80,0%** (по данным OpenAI), что чуть выше, чем у Gemini 3 Flash. Контекст — 400K токенов, цена — $1,75/$14,00. Дороже Flash на выходе, но сбалансированнее в аналитике, таблицах и презентациях. **Grok 4.20 Multi-Agent** — отдельный зверь. Это не одна модель, а оркестратор нескольких агентов, которые параллельно ищут, анализируют и синтезируют информацию. API принимает имя `grok-4.20-multi-agent`, режим пока в бете, но уже доступен через xAI API и Oracle OCI. Для глубокого многоэтапного ресерча — штука мощная, но с оговоркой: это не «модель, которая отвечает», а система, которая планирует и координирует. Проблема всех этих цифр в том, что они измеряют **бенчмарки, а не ваш пайплайн**. BrowseComp с его 84,7% не скажет, насколько хорошо Claude Sonnet 5 встроится в ваш CI/CD. WANDR с 0,328 не гарантирует, что Grok 4.5 не сломается на вашем легаси-коде. SWE-bench Verified с 80% у GPT-5.2 — это усреднённый GitHub-issue, а не ваш тикет с размытым описанием и тридцатью зависимостями. 🛠 **Мнение DevGeek.IT:** Таблицы «выберите модель под задачу» — это удобно для отчёта перед руководством, но бесполезно для инженера. Реальный выбор начинается не с бенчмарка, а с вопроса: сколько стоит ошибка модели в вашем контексте? Если вы пишете код, где баг стоит денег, берите Claude Sonnet 5 или GPT-5.2 и не смотрите на скорость. Если вам нужен быстрый черновик и вы готовы его перепроверять — Grok 4.5 с его 80 TPS и двукратной экономией токенов действительно хорош. Gemini 3 Flash — лучший выбор, когда ответ должен быть актуальным, а не «из головы». А Grok 4.20 Multi-Agent пока оставьте для ресерча, а не для продакшена: бета есть бета. И да, цифры вроде «84,7% на BrowseComp» — это не свойство модели, а свойство датасета. Ваш датасет выглядит иначе.