Открыть сервисСервис

Самые мощные языковые модели ИИ

Самые мощные языковые модели ИИ — это искусственные интеллекты, показывающие наивысшие результаты в универсальных бенчмарках (MMLU, GPQA, HumanEval, ARC-AGI) и в экспертных сравнительных тестах. Термин «самый умный» не имеет единого научного определения: оценка зависит от выбранного бенчмарка, даты тестирования и версии модели, поэтому рейтинг лидеров меняется несколько раз в год.

Критерии оценки «умности» ИИ

Универсальной метрики интеллекта не существует. Для сравнения моделей используются стандартизированные тесты:

БенчмаркЧто измеряет
MMLUЗнания по 57 академическим дисциплинам
GPQAРешение сложных вопросов уровня аспирантуры
HumanEval / SWE-benchНаписание и отладка программного кода
ARC-AGIОбобщение и рассуждение на незнакомых задачах
MMMUМультимодальные задания (текст + изображения)

Дополнительно учитываются длина контекстного окна, стоимость вывода, скорость генерации и устойчивость к «галлюцинациям».

Лидеры рейтингов (2024–2025)

GPT-4o и o1/o3 (OpenAI)

GPT-4o (май 2024) — мультимодальная модель, работающая со текстом, аудио и изображениями. Семейство o1 (сентябрь 2024) впервые применило «цепочки рассуждений» (chain-of-thought) с обучением на подкрепление: модель «продумывает» ответ перед генерацией, что заметно повысило результаты на математических и логических задачах. Модель o3, представленная в декабре 2024, показала рекордные 87,5 % на тесте ARC-AGI-1.

Claude 3.5/4 (Anthropic)

Семейство Claude от Anthropic стабильно входит в тройку лидеров. Claude 3.5 Sonnet (июнь 2024) превзошёл более крупные модели по соотношению «качество/скорость», а Claude 3.5 Opus и Claude 4 (2025) конкурируют с GPT-4o в написании кода и длинных рассуждениях. Модель ориентирована на безопасность и «честность» ответов.

Gemini 2.0 (Google DeepMind)

Семейство Gemini от Google DeepMind — мультимодальные модели с очень длинным контекстным окном (до 1–2 млн токенов). Gemini 2.0 Flash и Gemini 2.0 Pro (декабрь 2024 — февраль 2025) показывают сопоставимые с GPT-4o результаты на MMLU и превосходят ряд конкурентов в обработке видео и аудио.

Llama 3.1/4 (Meta)

Открытые (open-weight) модели Llama от Meta (организация признана экстремистской, деятельность запрещена в РФ) — Llama 3.1 405B (июль 2024) и Llama 4 (2025) — по качеству приближаются к проприетарным аналогам и доступны для самостоятельного развертывания. Llama 3.1 405B на момент выхода была крупнейшей открытой языковой моделью.

DeepSeek-V3 и R1 (DeepSeek)

Китайская компания DeepSeek выпустила в декабре 2024 модель DeepSeek-V3 (671 млрд параметров, архитектура MoE), а в январе 2025 — DeepSeek-R1, открытую модель рассуждений, сопоставимую с o1 по математическим задачам и программированию. Низкая стоимость обучения вызвала широкий резонанс на рынках.

Qwen, Mistral и другие

Мультимодальные модели Qwen 2.5 (Alibaba) и Mistral Large (Франция) также входят в верхнюю часть рейтингов, особенно в задачах на нескольких языках.

Почему единого лидера нет

Разные тесты дают разную картину: GPT-4o лидирует в мультимодальности, o3 — в рассуждениях, Llama 4 — в доступности, Gemini — в длине контекста. К тому же модели обновляются чаще, чем успевают выйти независимые бенчмарки, а часть тестов «засвечена» в обучающих данных.

Тенденции

Наблюдается переход от моделей «побольше» к моделям с цепочками рассуждений и усилением обучения на подкрепление (RLHF, RLVR). Появляются «агентные» системы, способные часами выполнять сложные задачи, а стоимость инференса снижается в десятки раз за год.

Источники:

  • Обзоры бенчмарков MMLU, GPQA, ARC-AGI (стандартные датасеты)
  • Пресс-релизы OpenAI, Anthropic, Google DeepMind, Meta AI, DeepSeek (2024–2025)
  • Публикации Stanford HAI AI Index Report (2024, 2025)
  • Материалы Artificial Analysis и LMSYS Chatbot Arena
Заметили ошибку или не согласны с информацией в статье? Напишите нам support@bfometr.ru