Модели с рассуждением: кто решает трудные задачи по тестам

Пять строк выше взяты из Artificial Analysis Intelligence Index на 16 октября 2026. В таблице сотни версий моделей в разных режимах, мы показываем место той версии каждого кандидата, что стоит выше остальных. Между кандидатами стоят другие версии тех же семейств и модели Muse от Meta*, их места смотрите на самой доске.

Индекс меряет точность на задачах, а не вкус людей. Поэтому места здесь отличаются от рейтинга LLM по слепым сравнениям: модель может решать задачи точнее, а ответы писать суше.

Учтите, что в индексе стоит модель в конкретном режиме. Место Claude в режиме max не значит, что та же модель в бесплатном чате ответит так же: в чате по умолчанию часто включен более быстрый и дешевый режим. Версия и режим каждой модели указаны в ее карточке.

Обычная модель отвечает сразу, слово за словом. Модель с рассуждением сначала пишет для себя черновик: раскладывает задачу на шаги, проверяет промежуточные результаты и только потом отвечает. Черновик стоит денег и времени, зато на задачах в несколько шагов ошибок меньше.

Пример: задача «посчитать маржу по 12 позициям с разными скидками и найти, где цена ниже себестоимости». Обычная модель часто ошибается в одном из промежуточных расчетов и уверенно выдает неверный итог. Модель с рассуждением считает по позициям, сверяет сумму и чаще находит свою ошибку до ответа.

У большинства моделей рассуждение включается режимом: в названиях версий в индексе это видно по пометкам high, xhigh, max. Чем выше режим, тем длиннее черновик и дороже ответ. Подробнее о термине: рассуждающая модель.

В чате режим обычно выбирают переключателем рядом с полем ввода, в API параметром запроса. Для компании это значит, что одну и ту же модель можно держать в двух режимах: быстрый для потока простых обращений и с рассуждением для редких трудных задач.

Artificial Analysis Intelligence Index версии 4.3.2 включает 10 тестов в четырех группах: агенты 30%, программирование 20%, научные рассуждения 20%, общие знания 30%. Среди тестов Humanity's Last Exam с вопросами экспертного уровня, SciCode с научным программированием, Terminal-Bench с работой в командной строке и CritPt с задачами по физике.

Вес групп показывает, что индекс считает важным. Агенты и общие знания дают по 30%, поэтому модель, которая умеет долго работать по шагам с инструментами, поднимается выше. Если вам нужна в первую очередь математика или наука, смотрите результаты отдельных тестов на странице модели в Artificial Analysis, а не только сводную цифру.

У тестов есть и другой риск: задачи могли попасть в данные, на которых модель учили. Тогда высокий балл показывает память, а не умение рассуждать. Поэтому в индексы добавляют новые закрытые наборы задач, ответов к которым нет в открытом доступе.

Тесты быстро устаревают. По Stanford AI Index 2026, результат моделей на SWE-bench Verified за год вырос с 60% почти до 100%, и такой тест перестал различать сильные модели. Поэтому составители индексов регулярно меняют набор тестов, а номер версии индекса стоит смотреть рядом с местом.

Как устроены разные рейтинги и где каждый ошибается, разобрано на странице о том, как устроены рейтинги нейросетей.

Открытые моделимодель с открытыми весами Модель с открытыми весами (open-weights model) это нейросеть, файлы параметров которой можно скачать и запустить на своем оборудовании. Подробнее в словаре с рассуждением появились 20 января 2025 года, когда DeepSeek выпустила R1 с весами под MIT. С тех пор режим рассуждения есть у всех крупных открытых семейств: Qwen, Kimi, DeepSeek.

В индексе на 16 октября 2026 у Qwen 29 место в Artificial Analysis Intelligence Index на 16 октября 2026, у Kimi 33 место в Artificial Analysis Intelligence Index на 16 октября 2026, у DeepSeek 47 место в Artificial Analysis Intelligence Index на 16 октября 2026. Открытые модели отстают от закрытых по баллам, но их можно запустить на своем сервере, и данные не уходят к разработчику.

Учтите размер. Qwen3.8 на 2,4 трлн параметров и Kimi K3 на 2,8 трлн требуют сервера из нескольких видеокарт. DeepSeek-V4.1-Flash на 552 млрд параметров тоже серверная модель, но через API разработчика стоит от 0,15 $ за 1 млн входных токеновтокен Токен это кусочек текста: слово, часть слова или знак, с которыми работает языковая модель. Подробнее в словаре.

Проверьте лицензию до запуска. DeepSeek-R1 и DeepSeek-V4.1-Flash под MIT, часть моделей Qwen под Apache 2.0, а флагман Qwen3.8 и Kimi K3 на собственных лицензиях с условиями для сервисов с большой аудиторией или выручкой. Лицензия каждой модели указана в карточке.

Рассуждение стоит денег и времени. По данным Artificial Analysis на 16 октября 2026 года, Claude Opus 5.5 в режиме max набирает 58 баллов индекса, задача стоит 5,98 $ и занимает 671,9 с. Та же модель в режиме high набирает 54 балла за 1,82 $ и 52,22 с. DeepSeek V4.1 Flash в режиме max дает 39 баллов за 0,27 $ и 15,06 с.

Для коротких задач рассуждение лишнее: ответить на письмо, пересказать документ, перевести абзац, разложить заявку по полям. Здесь обычный режим отвечает за секунды, а разница в точности незаметна.

Разница между режимами одной модели и в цене, и во времени многократная. Если таких задач тысячи в месяц, режим рассуждения без нужды съедает бюджет быстрее, чем выбор более дорогой модели.

Рассуждение окупается там, где ошибка дорогая и шагов много: расчеты, проверка договора на противоречия, исправление кода, план работ из десятка условий. Начните с обычного режима и включайте рассуждение для задач, где он ошибается.