В исследование вошли 8 моделей, реально доступных для корпоративного использования в России на середину 2025 года: Claude Opus 4.8 (Anthropic, через API-посредников), GPT-4.1 (OpenAI, аналогично), GigaChat Max (Сбер), YandexGPT 5.1 Pro (Яндекс), DeepSeek V3.2 (локальный деплой), Mistral Large 2, Llama 3.3 70B и Qwen 2.5 72B. Оценка проводилась по четырём критериям: качество русскоязычного вывода, возможности программирования, соответствие требованиям российского регулирования, совокупная стоимость владения (TCO).
Бенчмарк MERA (Multilingual Evaluation of Russian Abilities), разработанный Сбером и Яндексом совместно с НИУ ВШЭ, использовался как стандартизированный инструмент оценки качества на русскоязычных задачах. Тесты на программирование строились на задачах из корпоративных кейсов: написание SQL-запросов, рефакторинг Python-кода, генерация API-документации.
| Модель | Цена, $/ 1M вх. токенов | Контекст | MERA | Доступна в РФ |
|---|---|---|---|---|
| GigaChat Max | ≈0.8 (₽ тариф) | 256K | 84.1 | Да, нативно |
| YandexGPT 5.1 Pro | ≈1.2 (₽ тариф) | 128K | 81.4 | Да, нативно |
| DeepSeek V3.2 | 0.028 | 128K | 72.8 | Локальный деплой |
| Claude Opus 4.8 | 15.0 | 200K | 89.2 | Через посредников |
| GPT-4.1 | 10.0 | 128K | 83.6 | Через посредников |
| Mistral Large 2 | 3.0 | 128K | 69.4 | Частично |
| Llama 3.3 70B | 0.59 (self-host) | 128K | 67.1 | Локальный деплой |
| Qwen 2.5 72B | 0.4 (self-host) | 128K | 61.8 | Локальный деплой |
На задачах, критичных к качеству русскоязычной генерации — составление деловых писем, юридических документов, маркетинговых текстов, пересказ и аннотирование — GigaChat Max и YandexGPT 5.1 Pro уверенно лидируют. GigaChat Max набрал 84.1 балла на MERA, YandexGPT — 81.4. Преимущество складывается из лучшего владения идиоматикой, корректного склонения сложных числительных и географических названий, а также понимания российского делового этикета.
Claude Opus 4.8 показывает высший результат по MERA среди зарубежных моделей (89.2 балла на задачах общего понимания), однако значительная часть теста проводилась на переведённых промптах. На задачах «чистого» русскоязычного копирайтинга — описания товаров для маркетплейсов, пресс-релизы, HR-документация — разрыв с GigaChat и YandexGPT нивелируется: живые русские выражения даются зарубежным моделям хуже.
В задачах разработки картина меняется. Claude Opus 4.8 демонстрирует наилучшее понимание контекста крупных кодовых баз — при 200K токенов контекстного окна модель способна разобрать монолит на 150 тысяч строк целиком. GPT-4.1 незначительно уступает по качеству кода, но превосходит по скорости инференса.
DeepSeek V3.2 при цене $0.028 за миллион токенов обеспечивает 82–86% качества кода от Claude Opus, что делает его оптимальным выбором для задач кодогенерации в бюджетных проектах.
Для компаний, обрабатывающих персональные данные граждан России, выбор де-факто сужается до двух вариантов: GigaChat Max (Сбер Cloud, ЦОД в России) и YandexGPT 5.1 Pro (Yandex Cloud, ЦОД в России). Оба провайдера предоставляют договоры об обработке персональных данных и внесены в реестр операторов ПДн Роскомнадзора.
Локальный деплой открытых моделей (DeepSeek V3.2, Llama, Qwen) технически также соответствует требованиям ФЗ-152 при правильной настройке инфраструктуры — данные не покидают периметр компании. Зарубежные облачные API (Claude, GPT) использование в сценариях с ПДн де-юре нарушают закон, хотя на практике многие компании работают через российские API-посредники с дополнительными юридическими заключениями.
Рекомендация для regulated-секторов (банки, страхование, здравоохранение, госкомпании): GigaChat Max или YandexGPT 5.1 Pro — единственные юридически безопасные облачные варианты. Для задач без ПДн на первый план выходит соотношение качества и стоимости, где DeepSeek V3.2 на собственном железе становится всё более привлекательным выбором.