Рейтинг нейросетей: сентябрь 2026, срез 7 сентября
Рейтинг нейросетей за сентябрь 2026: лидеры архивного среза 7 сентября, режимы и версия индекса. Разбираю, как читать баллы и не подменить историю текущей таблицей.
Д
Денис
Продакт LibraChat
11 мин чтения
В сентябрьском срезе Artificial Analysis у двух лидеров было по 53 балла. По этой оценке они разделили верхнюю позицию. Когда я открываю архивный рейтинг нейросетей, мне сначала нужна дата таблицы, а уже потом название первой модели. Ниже разберу сохранённые результаты запуска Intelligence Index v4.3 от 7 сентября 2026 года: что в них действительно сравнивалось и какие выводы помогут выбрать инструмент для своей работы.
Я проверил архивную публикацию 10.11.2026. В ней отдельно указано, что приведены результаты на момент запуска версии; для живых результатов авторы предлагают другую таблицу. Это удачная точка опоры. Не придётся выдавать сегодняшний список за старый или угадывать, что показывал экран два месяца назад.
Представь две записи в рабочем блокноте: «Claude — 53» и «GPT — 53». Коротко. Почти бесполезно. Пропали версия модели, режим и название измерения. Если через неделю по этим строкам выбирать платный сервис, можно сравнить совсем другие объекты, сохранив уверенность, что решение основано на цифрах.
Рейтинг нейросетей на 7 сентября: кто был среди лидеров
В первичной публикации Artificial Analysis о v4.3 названы следующие верхние результаты. Я сохраняю режимы рядом с названиями: они являются частью записи, которую мы сравниваем.
Модель и режим в архивной публикации · Intelligence Index v4.3
Это несколько верхних результатов, вынесенных в текст источника, на указанную дату. Для вывода о единоличном лидерстве первая пара не даёт основания: значения совпадают. А разницу между 53 и 51 я могу назвать двумя пунктами именно этого индекса. Превратить её в обещание «ответы будут на два процента лучше» из такой таблицы нельзя.
Мне важно удержать этот масштаб утверждения. Сравниваются определённые варианты моделей в определённой системе оценивания. Человек, которому завтра нужно разобрать письмо или подготовить справку по документам, ещё не получил отсюда ответ, какой интерфейс ему удобен и как он проверит результат.
Я бы сохранил таблицу вместе с её шапкой. Вынести только первые две строки в сообщение коллегам легко, но тогда исчезнет условие, при котором числа имеют смысл. Если кто-то спрашивает «а кто был сильнее в сентябре?», полезный ответ начинается с конкретного среза. И заканчивается названием измерения, а не словом «вообще».
Внутри одного месяца менялся сам способ сравнения
Архивная статья о v4.2 датирована 4 сентября. Она описывает добавление AA-Briefcase и GDP.pdf, удаление GPQA Diamond и изменения оценивания. Уже 7 сентября вышла v4.3 с обновлённым набором задач. Поэтому две картинки с подписью «сентябрь 2026» могут относиться к разным системам измерения.
В текущей истории методики затем видны сентябрьско-октябрьская v4.3.2 и более поздние версии v5.0 и v5.0.1. Ноябрьский пересчёт не является восстановлением того, что было написано в сентябрьской новости. Я не переношу его числа назад по календарю только потому, что название модели осталось знакомым.
Обычный бытовой пример помогает это заметить. Представь, что два человека оценивают один и тот же маршрут: первый считает время в пути, второй добавляет ожидание пересадки и цену багажа. Новое итоговое число не означает, что поезд внезапно поехал иначе. Изменился состав оценки. С моделями требуется такая же аккуратность, хотя сами измерения устроены иначе.
Я собрал бы для каждой сохранённой строки небольшой паспорт:
дата наблюдения или публикации;
название источника;
версия индекса либо отдельного теста;
точное название модели с режимом;
значение и его единица измерения.
Пять полей занимают больше места, чем скриншот первой строки. Зато их можно сопоставить. Если одного поля нет, я сначала восстанавливаю его, а не пытаюсь объяснить разницу в баллах историей о том, как модель «стала умнее».
Индекс и доля выполненных заданий отвечают на разные вопросы
В запуске v4.3 объединены десять оцениваний. У отдельных тестов есть собственные результаты. Например, в той же публикации для Terminal-Bench 4.0 указаны 59,1% у GPT-6 Astra, 52,0% у Claude Fable 5.1 и 49,0% у Claude Opus 5, с соответствующими режимами источника.
Я сохраняю проценты рядом с названием этого теста. Они не заменяют столбец общего индекса и не описывают вероятность успеха в моей переписке. Одно дело — результат на заданном наборе терминальных задач, другое — объединённый ориентир по нескольким способностям, третье — конкретная работа человека в чате.
Если мне нужна помощь с письмами, терминальный результат не становится главным критерием только из-за красивого числа. Если нужна программная работа с файлами и командами, такой тест может оказаться ближе к задаче. Но и тогда следует выяснить, какие действия выполняет оцениваемый агент и какие действия доступны в выбранном продукте.
Здесь легко сделать типичную ошибку: взять высокий общий балл и попросить «ту же модель» выполнить работу в другом приложении. В запросе могут отсутствовать инструменты, доступ к файлам или необходимые инструкции. Название совпадает. Условия работы — уже нет. Для серьёзного сравнения этого совпадения мало.
Поэтому я отдельно записываю, какой вопрос задаю числу. «Кто показал более высокий результат в этом тесте?» — корректный вопрос к таблице. «Кто точно сделает мой документ правильно?» требует проверки на моём процессе. Второй ответ нельзя получить простым переименованием первого.
Режим модели нужно сохранить, даже если хочется сократить название
Слова max и with fallback в архиве не декоративные. Я оставил их в таблице, потому что источник описывает именно такие варианты. Подменить запись общей маркой производителя значит потерять часть условий ещё до начала своего выбора.
Мне не нужно по одному названию угадывать внутреннее устройство режима. Достаточно не стирать его. Если затем я открываю другой сервис, я проверю, какой вариант работы он действительно предлагает, вместо того чтобы считать любой пункт со знакомым брендом точной копией архивного участника.
Это особенно заметно в разговорах о скорости и стоимости. В моей выписке выше этих столбцов нет. Значит, из неё нельзя вывести, сколько будет ждать пользователь и какой расход получит конкретная задача. Для такого решения нужны дополнительные данные из того же сопоставимого среза либо самостоятельная проверка текущих условий.
Я бы не дополнял пустую клетку суммой, найденной в сегодняшнем рекламном сообщении. Архивный результат и текущая цена могут быть полезны по отдельности, но вместе требуют пояснения. Иначе получится удобная таблица, в которой у каждого столбца своя дата и свой объект покупки.
Если задача выбрать доступ сейчас, сначала стоит развести модель, чат и условия подписки. Про последнее есть отдельный материал о различиях подписок GPT. Он не обновляет сентябрьские оценки: помогает назвать продукт, который человек собирается использовать сегодня.
Как я превратил бы архивный список в короткий рабочий пилот
Допустим, мне нужен помощник для внутренней работы с документами. Для первого задания я ограничу объём двумя версиями требования. Затем выберу ещё два небольших задания, где смогу самостоятельно увидеть важные ошибки. Материалы беру обезличенные, а критерии записываю до получения ответа. Здесь я предлагаю схему, а не сообщаю о проведённом сравнительном тесте.
Первое задание — сопоставить две короткие версии одного требования. В одной меняется срок, в другой появляется исключение. Результат должен показать каждое изменение и привязать его к исходному фрагменту. Если ответ просто пересказывает оба текста, это ещё не сравнение версий.
Второе — собрать таблицу условий из нескольких абзацев. Я заранее оставляю одно значение неизвестным. Проверяемый признак: помощник не заполняет пробел догадкой, а сохраняет неизвестность и задаёт уточняющий вопрос. Такая маленькая ловушка полезнее впечатления от длинного уверенного ответа.
Третье — подготовить короткое письмо по этим условиям. В нём должны остаться конкретная просьба и срок, но не должно появиться нового обязательства. Тут я проверяю уже перенос данных между форматами. Удобный текст и верное содержание приходится оценивать отдельно.
Небольшая заготовка для первого задания
Чтобы проверка не осталась общими словами, я подготовил бы два вымышленных фрагмента. Версия А: «Редактор передаёт описание проекта до 15 октября. Пакет включает текст и таблицу. Стоимость согласуется отдельно». Версия Б: «Редактор передаёт описание проекта до 22 октября. Пакет включает текст; таблица нужна только для проектов с несколькими этапами. Стоимость согласуется отдельно». Это учебный материал, который можно набрать самостоятельно, без рабочих договоров и переписки.
Мой ручной ключ к нему выглядел бы так:
Что проверяю · Что должен сохранить ответ
Перенос срока — Было 15 октября, стало 22 октября
Условие для таблицы — Обязательная часть стала зависеть от числа этапов
Неизвестная стоимость — Сумма не названа ни в одной версии
Неизменный исполнитель — В обеих версиях описание передаёт редактор
Предлагаемый запрос: «Сравни версии А и Б. Для каждой перемены выпиши прежний и новый фрагмент. Затем перечисли сведения, которых недостаточно, чтобы согласовать выполнение работы. Отдельно назови условия, оставшиеся прежними». Такой запрос задаёт проверяемый формат; ответа модели здесь ещё нет.
Если будущий ответ напишет про подорожание, я смогу указать конкретный дефект: суммы в исходнике отсутствуют. Если он заметит только новую дату, останется пропущенное условие для таблицы. Если объявит редактора новым исполнителем, ошибка будет видна в обеих версиях. Здесь ручной ключ важнее красивого объяснения, почему выбранная модель занимает высокое место.
В следующем задании я заменил бы фрагменты, сохранив сложность. Иначе помощник может получить в уточняющем запросе уже готовое решение, а я по ошибке запишу удачное исправление как качество первого ответа. Для каждого кандидата стоит сохранять исходную формулировку и первую попытку отдельно от последующей переписки.
Для каждого задания я бы записал один итог из небольшого набора:
Пригодно после проверки: основные требования соблюдены, изменения понятны.
Нужна существенная переделка: ответ выглядит связным, но не решает заданный этап.
Недостаточно данных: дальнейший шаг требует уточнения, и это честно отмечено.
Это не новая универсальная шкала интеллекта. Это способ выбрать рабочий процесс под ограниченную задачу. Мне важнее увидеть причину переделки, чем назначить ещё одному тексту эффектный балл с двумя знаками после запятой.
Что я сравниваю после одинакового задания
В своём условном пилоте я смотрел бы на три вида затрат. Сколько усилий ушло на подготовку исходных материалов? Сколько — на проверку ответа? Сколько — на доведение до результата? Иногда короткий ответ выигрывает у длинного просто потому, что его легче проверить по исходнику.
Я не стал бы считать только секунды ожидания. Если один вариант требует потом разбирать каждую строку, быстрый вывод на экран ещё не описывает весь рабочий этап. И наоборот, более медленный способ может быть избыточным для маленького письма, где основные данные уже известны.
В таблице пилота у меня появились бы названия заданий и причины переделки. Цифры из архивного рейтинга оставались бы отдельным ориентиром для выбора кандидатов. Так проще заметить расхождение: кандидат силён по широкому индексу, а мой процесс больше зависит от формата ответа или доступного инструмента.
Я бы не объявлял такую проверку доказательством превосходства сервиса для всех пользователей. Три задания не покрывают чужую профессию и не превращают личное удобство в научный результат. Зато они позволяют принять ограниченное решение: какой способ работы оставить для следующего документа и что ещё требуется проверить.
Рейтинг нейросетей стоит сохранять вместе с вопросом к нему
Для подготовки такого пилота можно выбрать LibraChat, предварительно сверив стоимость подходящего доступа. Я не присваиваю этому продукту оценки участников приведённого индекса. В нём можно отдельно обсудить требования к документной задаче и подготовить форму собственной проверки.
Для такой подготовки я предложил бы запрос: «Мне нужен помощник для [конкретный этап]. Исходные материалы: [обезличенное описание]. Составь три небольших задания, в которых я смогу проверить результат сам. Для каждого назови ожидаемый формат, признак существенной ошибки и случай, когда нужен уточняющий вопрос. Не объявляй победителя по чужому рейтингу».
Вставь в чат LibraChat только описание своей задачи. Если готовишь проверку документов, заранее убери сведения, которые не нужны для неё. Предложенный запрос помогает составить план; он не является уже полученным ответом или опубликованным испытанием моделей.
Я вернулся бы к двум коротким строкам из начала и дописал к ним недостающее: 7 сентября 2026 года, Intelligence Index v4.3, точные режимы и цель моей выписки. Теперь рейтинг нейросетей можно использовать по назначению. В нём останется история измерения, а рядом появится отдельное решение о том, что проверять в собственной работе.
