Все языковые модели умеют примерно всё, но каждая обучалась с перекосом в свою сторону. Знание этих перекосов экономит время: вместо перебора десятка вариантов вы сразу берёте нужный класс.

Пять классов

Границы размыты, и это нормально

Кодовая модель неплохо пишет текст, универсальная сносно пишет код. Разница проявляется на сложных случаях: там, где универсальная модель выдаёт правдоподобный, но неработающий код, специализированная чаще попадает в цель.

Практическое правило: чем сложнее задача, тем важнее класс. Для простой функции разницы не будет. Для отладки многопоточного кода — будет заметная.

Что происходит при неправильном выборе

• Универсальная вместо рассуждающей на логике — уверенный, быстрый и неверный ответ. Самый опасный случай: ошибку не видно.
• Рассуждающая вместо универсальной на простом вопросе — долгое размышление и расход лимита токенов там, где хватало одной строки.
• Английская модель на русском тексте — калькированный синтаксис, который приходится переписывать целиком.
• Крупная модель вместо компактной на потоковой задаче — переплата в разы без выигрыша в качестве.

Как понять свой класс задач

Ответьте на три вопроса:

1. Есть ли в задаче несколько шагов, зависящих друг от друга? Если да — рассуждающая модель.
2. Результат — исполняемый код или структурированные данные? Если да — кодовая.
3. Текст на русском или другом неанглийском языке идёт читателю почти без правок? Если да — мультиязычная.

Если на все три ответ «нет» — берите универсальную, она закроет задачу дешевле и быстрее.

Комбинация классов

Сильный приём для сложной работы — разделить задачу между моделями. Рассуждающая строит план и разбирает условие. Кодовая пишет реализацию. Универсальная приводит итог в читаемый вид. Каждая делает то, в чём хороша, и общий результат выше, чем у любой из них по отдельности.

Виджет на сайте позволяет прогнать один и тот же запрос через разные стратегии — удобный способ увидеть разницу классов на своей задаче.

Универсальная модель — та, у которой нет выраженного перекоса: она ровно работает с текстом, кодом, переводом и вопросами. Для большинства пользователей это единственная модель, которая реально нужна.

Кто в классе

• Qwen3 в средних размерах — сильная многоязычность, естественный русский, широкий диапазон версий под разное железо.
• DeepSeek-V3.2 — крупная MoE-модель, ровная почти везде, с заметным уклоном в код и математику.
• Llama 3.3 70B — предсказуемое поведение, огромная экосистема готовых инструментов и дообученных версий.
• Mistral Small 3.1 24B — компромисс между качеством и скоростью, хорошо работает на европейских языках.

Что универсальная модель делает хорошо

Где начинает не хватать

Многошаговые расчёты. Универсальная модель склонна давать ответ сразу, а не разбирать задачу. Помогает явная просьба рассуждать пошагово, но на сложных случаях лучше взять рассуждающую модель.

Большой проект в коде. Одна функция — да. Модуль с зависимостями и стилем существующей кодовой базы — уже уступает специализированной кодовой модели.

Редкие языки и отраслевая терминология. Здесь выигрывает мультиязычная модель с широкой подготовкой.

Как выбрать между кандидатами

Практический тест, который занимает десять минут:

1. Возьмите свой типичный рабочий запрос — реальный, а не придуманный.
2. Прогоните через двух-трёх кандидатов с одинаковой формулировкой.
3. Оцените по трём критериям: попал ли в суть, нужно ли переписывать стиль, уложился ли в разумное время.
4. Повторите на втором типе задач — иногда лидер меняется.

Если разницы не видно — берите ту, что отвечает быстрее. При равном качестве скорость решает.

Одна модель или несколько

Держать одну универсальную модель для всего — рабочая стратегия для большинства. Смысл добавлять вторую появляется, когда у вас регулярно возникает задача из другого класса: постоянная работа с кодом, ежедневные переводы, расчёты. Тогда специализированная модель окупает время на переключение.

Кодовая модель — та, в обучении которой доля исходников заметно выше обычного, а дообучение шло на задачах программирования. Отсюда её сильные стороны: она реже путается в синтаксисе, лучше держит структуру проекта и точнее ловит краевые случаи.

Кто в классе

• Qwen3-Coder — крупная кодовая модель с длинным контекстом, хорошо работает с большими файлами целиком.
• GPT-OSS-120B — открытая модель с сильными результатами на задачах, требующих и кода, и рассуждения.
• Kimi K2 — крупная модель, ориентированная на агентные сценарии: вызов инструментов, многошаговые задачи.
• MiniMax-M2 — упор на скорость при работе с кодом.
• DeepSeek-V3.2 — формально универсальная, но по коду конкурирует со специализированными.

Где преимущество заметно

Контекст важнее размера

Для кода определяющий параметр — сколько текста модель удерживает одновременно. Модель на 30B с длинным контекстом, которой вы дали файл целиком, работает лучше модели на 100B, которой достался обрывок функции без окружения.

Практический вывод: давайте больше кода вокруг задачи. Сигнатуры соседних функций, определения типов, пример вызова. Каждый такой фрагмент снимает необходимость угадывать.

Как ставить задачу

Плохо: «Напиши функцию для обработки заказов».

Хорошо: «Вот структура данных заказа и стиль кодовой базы (пример ниже). Напиши функцию, которая принимает список заказов и возвращает сгруппированные по статусу. Обработай пустой список и дубликаты идентификаторов. Язык — тот же, что в примере. Добавь юнит-тесты на краевые случаи».

Разница в результате обычно больше, чем разница между двумя моделями этого класса.

Чего от них не стоит ждать

• Знания вашей системы. Модель не видит вашу инфраструктуру, конфиги и данные. Всё, чего нет в промте, будет придумано.
• Архитектурных решений под ваши ограничения. Предложит общепринятое, не зная вашей нагрузки и команды.
• Гарантии, что код работает. Правдоподобный код и рабочий код — разные вещи. Тесты обязательны.

Рабочий приём: модель как ревьюер

Часто более ценно не «напиши за меня», а «найди, что я упустил». Запрос вида «вот функция, перечисли краевые случаи, которые не обработаны, и потенциальные проблемы с производительностью» даёт конкретный список для проверки и не требует доверять чужому коду вслепую.

Рассуждающая модель отличается тем, что перед ответом строит внутреннюю цепочку рассуждений — разбирает условие, проверяет промежуточные шаги, иногда отбрасывает неверный путь и начинает заново. Пользователю показывается итог, а иногда и выжимка хода мысли.

Кто в классе

• DeepSeek-R1 — самая известная открытая рассуждающая модель, сильна в математике и логических задачах.
• GPT-OSS-120B — сочетает рассуждение с работой над кодом.
• Nemotron 3 Nano — компактный вариант с настраиваемой глубиной рассуждений.

Где прирост реальный

Три особенности, о которых надо знать

Первая: ответ идёт дольше. Иногда в разы. Для диалога в реальном времени это ощутимо, для фоновой задачи — неважно.

Вторая: рассуждения тратят токены. Внутренние размышления расходуют тот же лимит, что и видимый ответ. Если поставить max_tokens маленьким, модель может израсходовать бюджет на размышления и оборвать ответ на полуслове. Для рассуждающих моделей лимит закладывайте с запасом — вдвое-втрое больше ожидаемой длины ответа.

Третья: просить «думай пошагово» не нужно. Модель и так это делает. Инструкция в лучшем случае избыточна, в худшем сбивает её собственную схему.

Как формулировать запрос

Рассуждающей модели полезнее не указания «как думать», а полнота условия:

• Перечислите все ограничения явно, включая очевидные для вас.
• Скажите, что делать при недостатке данных: «если данных не хватает — скажи, каких именно, и не выдумывай».
• Задайте формат итога отдельно: «итоговый ответ дай последней строкой после слова ИТОГ».

Проверка рассуждений

Ценная особенность класса — возможность попросить показать ход мысли и проверить его. Ошибка в рассуждении видна человеку, ошибка в готовом ответе — нет. Для задач, где цена ошибки высока, это главный аргумент в пользу этого класса моделей.

Когда не брать

Если задача решается в одно действие, рассуждающая модель — лишние секунды и лишние токены. Простое правило: сначала пробуйте универсальную; если она стабильно ошибается на этом типе задач, переходите на рассуждающую.

Почти все модели заявляют поддержку многих языков. На практике разброс огромный: одна пишет по-русски естественно, другая — переводным канцеляритом, который приходится переписывать целиком.

Откуда берётся разница

Языковая модель воспроизводит пропорции своих обучающих данных. Если в корпусе 90 % английского, модель мыслит английскими конструкциями и переносит их в русский: длинные цепочки существительных, страдательный залог там, где нужен активный, кальки вроде «это позволяет обеспечить».

Модели с широкой языковой подготовкой видели существенно больше неанглийского текста — и порождают более живые формулировки без правки.

Кто в классе

• Qwen3 — заявленная поддержка более сотни языков, стабильно естественный русский.
• Gemma 3 — очень широкий языковой охват, включая редкие языки.
• GLM-4.6 — сильна в связке восточных языков с английским, приемлемо работает с русским.

Где разница критична

Тест на десять минут

Возьмите свой абзац на русском и прогоните через кандидатов с тремя заданиями:

1. Перепиши разговорным стилем. Видно, умеет ли модель уходить от канцелярита.
2. Сократи вдвое без потери смысла. Видно, понимает ли, что в тексте главное.
3. Переведи на английский и обратно. Двойной перевод обнажает места, где модель теряет нюансы.

Результаты обычно расходятся заметно — выбор становится очевиден без всяких рейтингов.

Приёмы, которые улучшают язык у любой модели

• Дайте пример нужного стиля прямо в промте — два-три предложения вашего текста работают лучше любых описаний.
• Запретите конкретные конструкции: «без канцелярита, без страдательного залога, без вводных оборотов вроде „стоит отметить“».
• Просите переписать, а не «улучшить»: расплывчатая инструкция даёт расплывчатый результат.
• Для терминологии приложите глоссарий: «эти термины переводи так и не иначе».

Отдельный случай: смешанные языки

Тексты, где русский перемешан с английскими терминами, — типичная ситуация в технических текстах. Здесь мультиязычные модели заметно устойчивее: они реже переводят то, что переводить не нужно, и реже оставляют без перевода то, что нужно.

Компактная модель — не урезанная версия большой, а отдельно обученная под ограниченные ресурсы. Современные модели на 4–8 миллиардов параметров решают то, что три года назад требовало серверной стойки.

Кто в классе

• Phi-4-mini 3.8B — очень компактная, обучена на тщательно отобранных данных, сильна для своего размера в рассуждениях.
• Qwen3-8B — лучший баланс качества и требований, хорошая многоязычность.
• Gemma 3 4B — широкий языковой охват при малом размере.
• Ministral 8B — быстрая, ориентирована на потоковую обработку.

Что нужно от железа

Что компактные модели делают хорошо

• Переформулирование, сокращение, исправление стиля.
• Извлечение данных из текста по шаблону — имена, даты, суммы.
• Классификация: тональность, категория, спам или нет.
• Простые ответы по приложенному документу.
• Черновики писем и коротких текстов.

Чего от них не ждать

Длинных рассуждений. На третьем-четвёртом шаге компактная модель начинает терять нить.

Знания редких фактов. Чем меньше модель, тем меньше в ней «запомненного» — и тем выше риск уверенной выдумки. Компактным моделям всегда лучше давать источник в запросе, а не полагаться на их память.

Сложного кода. Функция на 20 строк — да. Модуль с зависимостями — нет.

Как выжать больше скорости

1. Держите модель целиком в видеопамяти. Выгрузка части слоёв в оперативную память роняет скорость в разы.
2. Не раздувайте контекст. Обработка длинного ввода — самая дорогая часть; лишние 10 тысяч токенов истории заметно увеличат ожидание первого ответа.
3. Используйте 4-битное квантование. Для компактных моделей потери приемлемы, а выигрыш в скорости и памяти существенный.
4. Сформулируйте задачу узко. Компактная модель тем лучше, чем конкретнее запрос: у неё меньше запаса, чтобы догадываться.

Когда компактная модель — правильный выбор

Массовая однотипная обработка: тысяча писем, десять тысяч отзывов, поток документов. Здесь скорость и стоимость важнее последнего процента качества. Плюс сценарии, где данные не должны покидать машину, — компактная модель локально закрывает задачу без единого сетевого запроса.