Випуск Липень 2026! Короткий огляд останнього порівняння можливостей кодування LLM
Огляд можливостей кодування LLM на липень 2026: оцінки моделей, ідеальні обсяги VRAM для локального розгортання, рекомендоване обладнання та витрати.
Станом на липень 2026 року можливості автоматичного кодування ШІ зазнали драматичної еволюції. Зокрема, оцінка в "SWE-bench Pro", що вимірює здатність вирішувати завдання програмної інженерії, стала дуже важливим показником для оцінки потужності кодування кожної LLM (великої мовної моделі). У цій статті ми порівнюємо оцінки основних закритих і відкритих моделей, а також детально пояснюємо апаратну конфігурацію, витрати та точку беззбитковості порівняно з хмарними API для запуску відкритих моделей локально.
Останнє порівняння можливостей кодування LLM (SWE-bench Pro)
Оцінки та характеристики основних моделей на даний момент такі. *Оцінки розраховані на SWE-bench Pro| Ранг | Назва моделі | Розробник | Тип (Потрібно VRAM) |
Оцінка | Характеристики |
|---|---|---|---|---|---|
| 1 | Claude Fable 5 | Anthropic (США) |
Закрита | 80.0% | Абсолютний чемпіон на даний момент із приголомшливими можливостями налагодження. Дозволено урядом США і тепер доступно в інших країнах. |
| 2 | Claude Mythos | Закрита | 77.8% | Надзвичайно потужна модель міркувань, що надається заздалегідь. Вузькоспеціалізована на безпеці, доступна лише авторизованим корпораціям, таким як банки та інвестиційні компанії. | |
| 3 | Claude Opus 4.8 | Закрита | 69.2% | Найвища продуктивність серед доступних моделей, коли Fable 5 використовувати неможливо. | |
| 4 | GPT-5.6 Sol | OpenAI (США) |
Закрита | 64.6% | Вершина всередині OpenAI. Модель міркувань, відмінна у поведінці агента. |
| 5 | GLM-5.2 | Z.ai (Китай) |
Відкрита (2ТБ) |
62.1% | Посідає 1 місце у світі серед відкритих ваг, не обмежуючись китайськими моделями, наближаючись до закритих моделей. |
| 6 | Claude Sonnet 5 | Anthropic (США) |
Закрита | 59.6% | Надзвичайно рентабельна модель, що забезпечує еквівалентну потужність кодування менш ніж за 40% ціни Opus 4.8. |
| 7 | Qwen3.7 Max | Alibaba (Китай) |
Відкрита (2ТБ) |
60.6% | Універсальна відкрита модель з різними версіями ваг, яку багато стартапів обирають за основу власного ШІ. |
| 8 | MiniMax M3 | MiniMax (Китай) |
Відкрита (1ТБ) |
59.0% | Щойно випущена в червні 2026 року, сильна в роботі з довгим контекстом. Мультимодальна модель, здатна приймати зображення та відео. |
| 9 | DeepSeek-V4 | DeepSeek (Китай) |
Відкрита (1ТБ) |
55.4% | Модель із відмінним співвідношенням ціна-продуктивність. |
Точка фокусу: Хоча верхні позиції займає сімейство Claude від Anthropic, варто зазначити, що китайські відкриті моделі (GLM-5.2 та Qwen3.7 Max) наближаються до потужних закритих моделей, таких як GPT-5.6 Sol.
Апаратні вимоги для запуску великих локальних LLM
Багато відкритих моделей мають величезну кількість параметрів у класі 1-2 ТБ. Ми пояснюємо "ідеальний обсяг VRAM" та конфігурацію обладнання для їх запуску з практичною швидкістю (із застосуванням квантування) у локальному середовищі.Орієнтовний необхідний обсяг VRAM
Клас 2 ТБ (GLM-5.2, Qwen3.7 Max тощо): Навіть із 4-бітним квантуванням (INT4/AWQ тощо), для завантаження моделі та вікна контексту (KV кеш) потрібно щонайменше 192 ГБ або більше VRAM.Клас 1 ТБ (MiniMax M3, DeepSeek-V4 тощо): Аналогічно, 128 ГБ або більше VRAM є ідеалом із 4-бітним квантуванням.
Короткий огляд найдешевших рекомендованих апаратних конфігурацій та витрат на локальні LLM
На поточному ринку GPU найдешевшим способом створити установку з великим обсягом VRAM наразі є, безперечно, AMD. У минулому кандидатами були б Mac Studio та інші, але через проблеми з нестачею пам'яті поточний максимальний ліміт пам'яті становить 96 ГБ (точніше, це єдиний варіант), а ціни зросли на 30%, починаючи щонайменше з приблизно 1,2 млн ієн.| Модель | CPU(TOPS) | VRAM (Пам'ять) | Орієнтовна вартість | Характеристики та оцінка |
| NVIDIA DGX Spark | 1000 TOPS (INT 4) | 128 ГБ (Об'єднана пам'ять) | 800 000 ієн (1 шт.) | Працює на Linux без ПК. Можна з'єднати з другим пристроєм для збільшення до 256 ГБ. Низьке енергоспоживання та відмінна тиша. |
| NVIDIA A100 | 1248 TOPS (INT 4) | 80 ГБ (VRAM) | 4,3 млн ієн (1 шт.) + Вартість ПК | Виглядає як відеокарта, але оскільки може виконувати лише обробку ШІ, не має роз'ємів виведення зображення. Споживає аномально багато енергії. Тільки б/в. |
| NVIDIA H100 | 3958 TOPS (INT 8) | 80 ГБ (VRAM) | 5,7 млн ієн (1 шт.) + Вартість ПК | Наступник A100. Пропускна здатність значно зросла, подвоївши швидкість обчислень. Підпадає під експортні обмеження до Китаю. |
| Конфігурація RTX 3090 × 8 шт. + ПК | 2504 TOPS (INT 8) | 192 ГБ (VRAM) | Від 1,8 млн ієн (Включаючи ПК) | Потрібна материнська плата, здатна вмістити 8 відеокарт. |
| AMD AI Max+ 395 | 50 TOPS | 128 ГБ (Об'єднана пам'ять) | Від 590 000 ієн | Найкраще співвідношення ціна-якість. Низьке енергоспоживання та відмінна тиша. |
| Apple Mac Studio M3 Ultra | 36 TOPS | 96 ГБ (Об'єднана пам'ять) | Від 1,16 млн ієн | Низьке енергоспоживання та відмінна тиша. |
Ціна токена та точка беззбитковості при використанні API закритих моделей
Чи варто інвестувати в ПК із такими характеристиками, чи слід продовжувати використовувати хмарні API (як Claude Opus або GPT-5.6) з оплатою за фактом використання? Ми коротко оцінимо точку беззбитковості. Наразі типові ціни API для високопродуктивних закритих моделей становлять приблизно (на прикладі класу Sonnet 5):
- Вхід: $3.00 / 1М токенів
- Вихід: $15.00 / 1М токенів
У завданнях програмування завантажується величезна кількість контексту (наприклад, існуючі бази коду), що призводить до дуже високої кількості вхідних токенів.
Наприклад, якщо один обмін споживає Вхід: 50 000 токенів / Вихід: 2 000 токенів, вартість одного обміну становить близько $0.18 (прибл. 27 ієн).
Розрахунок точки беззбитковості: Щомісячна вартість 27 700 ієн ÷ 27 ієн/обмін = приблизно 1 025 запитів на логічне виведення на місяць. Іншими словами, для активних користувачів або команд розробників, які виконують завдання програмування з величезними базами коду щонайменше 34 рази на день, придбання обладнання для локального запуску відкритих моделей розраховується як більш економічно вигідне, ніж постійне використання хмарних API (за умови, що точність відповідей відкритих моделей може адекватно замінити закриті).
Насправді всі використовують підписки, тому щомісячна вартість токенів набагато нижча. Якщо пам'ять аномально дорога, чесно кажучи, сумнівно, що навіть активні користувачі зможуть окупити свої інвестиції до точки беззбитковості.