Сто долларов: 10 задач на Opus 5.5 max или 2500 на GPT-6 Luna

Прайс-листы моделей давно превратились в головоломку. Цена за миллион токенов выглядит понятно, пока не выясняется, что одна модель «думает» в десять раз длиннее другой, а режим reasoning меняет счёт на порядок. Artificial Analysis предложил более честную метрику: сколько задач из Intelligence Index можно закрыть на фиксированный бюджет в $100.

Что показали цифры

Набор задач смешанный, там разные архетипы: от рассуждений до практических сценариев. Результат такой:

• Opus 5.5 на среднем уровне reasoning: 40 задач.
• Opus 5.5 на максимальном уровне: 10 задач.
• DeepSeek V4.1 Flash 1017 на максимуме: 166 задач.
• GPT-6 Luna на среднем уровне: 2 500 задач.

Если поделить, получается примерно $2,50 за задачу у Opus 5.5 medium, около $10 у него же на max, порядка $0,60 у DeepSeek и около 4 центов у Luna. Это наша прикидка по данным поста, а не официальные тарифы. Но порядок величин понятен: между самым дорогим и самым дешёвым вариантом разрыв в 250 раз.

Главный урок: режим важнее модели

Обратите внимание на строки про Opus. Одна и та же модель, но переключение с medium на max делает каждую задачу в четыре раза дороже. Токены на «размышления» стоят денег, и чем сложнее настройка, тем больше их уходит. Многие команды выставляют максимум по умолчанию «чтобы было надёжнее» и потом удивляются счёту.

Представьте поддержку, где ИИ разбирает 20 000 обращений в месяц. На Luna это порядка $800, если считать по цене задач из бенчмарка. На Opus 5.5 medium выйдет около $50 000, а на max — в районе $200 000. Реальные обращения проще или сложнее задач индекса, так что цифры условные. Но масштаб показывает, почему выбор модели и режима нельзя делать на глаз.

Что с этим делать

Первое: считайте стоимость решённой задачи, а не токена. Прогоните свои 50–100 реальных кейсов через две-три модели и режима, зафиксируйте цену и долю успехов. Именно цена успешного ответа, а не цена вызова, определяет экономику.

Второе: стройте маршрутизацию. Простые запросы — классификацию, извлечение полей, короткие ответы — отдавайте дешёвым моделям вроде Luna или DeepSeek Flash. Тяжёлые случаи, где дешёвая модель ошибается, эскалируйте на Opus 5.5 и только там включайте высокий reasoning. Такая схема нередко снижает счёт в разы почти без потери качества.

Третье: держите режим reasoning в конфиге, а не в коде. Тогда его можно менять по типам задач и по результатам замеров.

Ограничения

В посте нет главного: сколько из этих задач каждая модель решила правильно. Бюджет на $100 показывает цену попыток, а не качество. Дешёвая модель, которая провалила половину задач, на деле стоит дороже, чем кажется. К тому же смесь задач Intelligence Index не равна вашей нагрузке: на агентных сценариях с длинными цепочками вызовов цифры могут сильно отличаться. Данные пока приведены только в твите, без подробной методики, поэтому относитесь к ним как к ориентиру, а не как к приговору.

Итог простой. Эра, когда достаточно было выбрать «самую умную» модель, закончилась. Сегодня выигрывает тот, кто умеет подобрать модель и уровень reasoning под каждую задачу и знает, сколько стоит один правильный ответ.