← Весь рейтинг · Бенчмарк ИИ-моделей mysummit.school
OpenAI
GPT-5.6 Sol
Протестирована более новая версия этой линейки: GPT-6.1 Sol →
Сильнее всего – «Управление людьми» (8,3), слабее всего – «Автоматизация» (7,6).
- Группа
- 1–4 из 74на одном уровне с Kimi K3.1 Pro, GPT-6.1 Sol, Claude Opus 5.5
- Общий балл
- 8,0 из 10
- Цена API за ответ теста
- $0,19
- Данные
- ноябрь 2026
Где помогает, где проверять
Ответы этой модели на две задачи бенчмарка: начало ответа, ответ целиком и что отметили оба оценщика. По одной задаче на категорию, одной и той же для всех моделей.
Сильнее всего: Управление людьми · 8,3Два сильнейших разработчика не могут работать вместе
Руководитель десяти разработчиков в финтехе: четыре месяца конфликт двух незаменимых сеньоров – медленного архитектора и быстрой прагматичной разработчицы. Команда начинает разваливаться.
Задача целиком
Я руковожу командой разработки в финтех-стартапе, у меня 10 прямых подчинённых, я в этой роли уже три года. Есть ситуация, которую я не могу разрешить уже четыре месяца, и она начинает разрушать команду. У меня два сильнейших разработчика – Сергей Волков и Диана Карпова. Оба Senior Engineer, оба незаменимы, обоих я не могу позволить себе потерять. Сергей – архитектор в душе. Шесть лет опыта, невероятно глубокое понимание систем, всегда думает на несколько шагов вперёд. Его код читается как эссе – чистый, документированный, выверенный. Проблема: он работает медленно, методично, не любит спешить. На ревью он может оставить 40 комментариев к PR и ждать, пока каждый будет разобран. Когда ему задают вопрос на стендапе, он даёт трёхминутный развёрнутый ответ с историческим контекстом. Сергей убеждён, что скорость – это враг качества, и что «быстро – значит дважды». Диана – продуктовый инженер нового поколения. Четыре года опыта, но скорость итерации феноменальная. Она умеет выпустить рабочую фичу за два дня там, где Сергей планировал бы неделю. Диана мыслит через пользователя: «зачем делать идеально, если можно сделать хорошо и проверить на реальных данных». Она легко срезает углы в архитектуре ради скорости – и это её осознанная позиция, не лень. Последние четыре месяца между ними идёт тихая война. Сергей регулярно возвращает её PR с фундаментальными архитектурными правками – иногда через три дня после подачи. Диана перестала ждать его ревью и начала просить других коллег approve'ить её PR. Сергей заметил это и написал мне: «Если мы не поддерживаем стандарты ревью, я не понимаю зачем я здесь». Диана сказала мне в лицо: «Сергей тормозит всю команду. Я трачу больше времени на его комментарии, чем на написание кода». На последнем командном ретро Диана сказала: «Нам нужно договориться, что значит "достаточно хорошо" – нельзя каждый PR превращать в курсовую работу». Сергей ответил: «Если мы не можем поддерживать минимальные инженерные стандарты, давайте честно скажем бизнесу, что мы строим прототипы, а не продукт». Остальные восемь человек замолчали и смотрели в пол. Ситуацию усложняет то, что оба по-своему правы. У нас действительно накопился технический долг из-за быстрых решений прошлых лет – Сергей об этом предупреждал. При этом мы в режиме серьёзной конкуренции, и скорость вывода фич на рынок критична – здесь Диана права. Я разговаривал с каждым по отдельности. Сергей не воспринимает проблему как межличностный конфликт – для него это вопрос профессиональных стандартов, и он не готов их снижать. Диана воспринимает Сергея как человека, который прячется за «качеством», чтобы контролировать её работу, и начинает закипать. Она уже один раз намекнула, что «есть места, где ценят скорость». Я не хочу принудительно «примирять» их или делать вид, что это просто коммуникационный вопрос. Это фундаментальное ценностное расхождение в инженерной философии, и оба человека умные – они это понимают. Помоги мне разобраться с этой ситуацией. Меня интересует следующее: 1. Как ты видишь корневую проблему – это конфликт людей, конфликт ценностей, или управленческий провал с моей стороны? Что на самом деле происходит? 2. У меня есть несколько вариантов действий – разделить их зоны ответственности, выработать командное соглашение по стандартам ревью, провести структурированный разговор втроём, или выбрать одну философию и попросить второго подстроиться. Что из этого реалистично и что скорее всего не сработает? 3. Как мне разговаривать с каждым из них – что говорить Сергею, что говорить Диане, чтобы они оба почувствовали, что их услышали, но при этом поняли, что текущее поведение неприемлемо? 4. Есть ли сценарий, где мне придётся выбрать одного из них – и если да, как я должен об этом думать? 5. Что я должен сделать в следующие две недели конкретно? Не давай мне HR-корректный ответ про «уважение и диалог». Дай мне честную оценку ситуации и конкретный план действий.
Системная строка: Вы - помощник по управлению командой для менеджеров.
GPT-5.6 Sol
Честная оценка: это уже не просто разница инженерных вкусов. У вас отсутствует явная система принятия решений о том, где качество обязательно, где допустим компромисс и кто имеет право этот компромисс санкционировать. В этот вакуум Сергей принёс личный стандарт качества, а Диана – личный стандарт скорости. Теперь они не обсуждают решения, а фактически борются за право определять инженерную политику команды.
Четыре месяца без развязки превратили содержательное разногласие в поведенческий конфликт. Остальные восемь человек уже платят за него: молчат, выбирают стороны, ищут «удобных» ревьюеров и не понимают, какие правила действуют.
Читать ответ целиком · 2 550 слов
Честная оценка: это уже не просто разница инженерных вкусов. У вас отсутствует явная система принятия решений о том, где качество обязательно, где допустим компромисс и кто имеет право этот компромисс санкционировать. В этот вакуум Сергей принёс личный стандарт качества, а Диана – личный стандарт скорости. Теперь они не обсуждают решения, а фактически борются за право определять инженерную политику команды.
Четыре месяца без развязки превратили содержательное разногласие в поведенческий конфликт. Остальные восемь человек уже платят за него: молчат, выбирают стороны, ищут «удобных» ревьюеров и не понимают, какие правила действуют.
1. Что на самом деле происходит
Это три конфликта одновременно.
1. Управленческий пробел – первичная причина
Вы не зафиксировали:
- какие риски недопустимы;
- где можно сознательно брать технический долг;
- кто принимает архитектурные решения;
- что является блокирующим замечанием на ревью;
- сколько времени может занимать ревью;
- можно ли обойти конкретного ревьюера;
- когда спор должен быть эскалирован, а не продолжаться в PR.
Из-за этого Сергей фактически назначил себя хранителем качества, а Диана – арбитром продуктовой целесообразности. Ни у одного из них нет полного мандата на эту роль, но правила этого не запрещают.
Это не значит, что вы плохой руководитель. Но сейчас именно вы должны забрать у них решение вопроса «какая у нас инженерная организация» и превратить его из личного спора в операционную систему команды.
2. Реальный конфликт ценностей
Сергей оптимизирует под:
- надёжность;
- сопровождаемость;
- долгосрочную стоимость;
- предотвращение труднообратимых ошибок.
Диана оптимизирует под:
- скорость обратной связи;
- ценность для пользователя;
- обратимость решений;
- стоимость упущенного времени.
Обе модели рациональны. Ошибка каждой стороны – применять свою модель ко всем изменениям без учёта риска.
В финтехе одинаково абсурдно:
- выпускать расчёт комиссий или обработку платежей по принципу «потом поправим»;
- проектировать внутренний экспериментальный экран так, будто это банковский ledger на десять лет.
Вам нужна не победа одной философии, а классификация изменений по риску.
3. Поведенческий конфликт – уже отдельная проблема
Сергей использует ревью как архитектурный шлюз, иногда с трёхдневной задержкой. Даже если его замечания технически верны, это неприемлемый способ управления потоком работы.
Диана начала обходить неудобного ревьюера. Даже если Сергей перегибает, это разрушает целостность правил и создаёт рынок «удобных approve».
То есть сейчас неправы оба:
- Сергей не может единолично делать свой идеальный стандарт обязательным для всех.
- Диана не может единолично решать, какие стандарты можно обойти.
Их намерения могут быть хорошими. Поведение всё равно неприемлемо.
Отдельно: формулировка «оба незаменимы» – опасный сигнал. Если два сотрудника действительно незаменимы, у вас уже есть организационный риск: недостаток документации, распределения знаний и преемственности. Его нужно снижать независимо от конфликта.
2. Какие варианты реалистичны
Командное соглашение по ревью – необходимо, но недостаточно
Это основная часть решения, если соглашение будет конкретным, а не вроде «уважаем качество и скорость».
Оно должно определять:
Категории изменений
Например:
Уровень A – критические и труднообратимые
- движение денег;
- ledger и расчёты;
- безопасность и права доступа;
- персональные данные;
- compliance;
- миграции с риском потери данных;
- публичные контракты и фундаментальные платформенные решения.
Для них:
- обязательное архитектурное рассмотрение до написания большого PR;
- усиленное тестирование;
- назначенные владельцы;
- блокирующее ревью по строгим стандартам;
- сознательно более низкая скорость.
Уровень B – обычный production-код
- стандартное ревью;
- разумные требования к тестам и наблюдаемости;
- допускаются локальные компромиссы;
- долг оформляется явно.
Уровень C – обратимые эксперименты
- feature flag;
- ограниченный rollout;
- внутренний инструмент;
- A/B-тест;
- прототип с коротким сроком жизни.
Для них:
- облегчённое ревью;
- минимальные, но обязательные требования по безопасности и данным;
- заранее указанная дата удаления, пересмотра или укрепления решения.
Важно: в финтехе безопасность, корректность денег, privacy и compliance не становятся необязательными даже для эксперимента.
Виды комментариев
Каждый комментарий помечается:
- BLOCKER – риск корректности, безопасности, данных, утверждённой архитектуры или существенной эксплуатации;
- REQUIRED – нарушение согласованного командного стандарта;
- SUGGESTION – улучшение, которое не блокирует merge;
- QUESTION/NIT – вопрос или мелочь.
Нельзя оставлять 40 комментариев и не обозначать, какие из них реально блокируют выпуск.
Кроме того, блокирующий комментарий должен содержать:
- конкретный риск;
- ссылку на согласованный стандарт либо объяснение последствий;
- минимально достаточный способ устранения.
«Я бы спроектировал иначе» не является автоматическим blocker.
SLA ревью
Например:
- первое содержательное ревью – в пределах четырёх рабочих часов либо до полудня следующего рабочего дня;
- если ревьюер не может – он сообщает об этом и передаёт ревью;
- крупный архитектурный спор не ведётся три дня в комментариях;
- после двух раундов без согласия – короткая эскалация к tech lead/вам/назначенному арбитру.
SLA – это не требование закончить сложное ревью за четыре часа. Это требование не держать автора в неопределённости три дня.
Архитектура до PR, а не внутри PR
Если PR обнаруживает фундаментальное разногласие по архитектуре, значит архитектурное обсуждение началось слишком поздно.
Для крупных изменений:
- короткий design note/RFC на 1–2 страницы;
- контекст;
- варианты;
- риски;
- обратимость;
- выбранный компромисс;
- срок пересмотра.
Тогда Сергей сможет влиять там, где его глубина наиболее ценна, а Диана не будет узнавать после написания фичи, что всё нужно переделать.
Структурированный разговор втроём – нужен, но после подготовки правил
Не начинайте со встречи в стиле «расскажите друг другу, что вы чувствуете». Они снова воспроизведут спор «качество против скорости».
Сначала отдельно получите факты, подготовьте черновик модели, затем проведите разговор с конкретной целью:
Не определить, чья философия правильная, а согласовать правила, по которым команда принимает решения при разных уровнях риска.
Вы – не нейтральный медиатор. Вы руководитель и владелец процесса. Если они не договорятся, решение принимаете вы.
Разделить зоны ответственности – полезно частично, опасно как основное решение
Можно использовать сильные стороны:
- Сергей – критические системы, архитектурные решения, улучшение стандартов и ранние design review;
- Диана – продуктовые вертикали, эксперименты, быстрые итерации и проверка гипотез.
Но нельзя создавать два государства:
- «территория Сергея, где всё идеально и медленно»;
- «территория Дианы, где всё быстро и никто не задаёт вопросов».
Это только заморозит конфликт, усилит незаменимость и приведёт к разным инженерным культурам внутри одной команды.
Разделение допустимо как распределение фокуса, но:
- базовые стандарты едины;
- оба периодически работают вне привычной зоны;
- знания дублируются;
- решения проходят через общий механизм.
Выбрать одну философию и заставить второго подстроиться – почти наверняка ошибка
Если выбрать Сергея, команда начнёт переинвестировать в качество, время цикла вырастет, а продуктовые инженеры будут искать обходные пути или уходить.
Если выбрать Диану, технический долг продолжит расти, а серьёзные риски финтеха окажутся недоуправляемыми. Сергей, вероятно, уйдёт или эмоционально отключится.
Организации действительно выбирают точку на шкале скорости и качества. Но зрелая инженерная организация не использует одну точку для всех типов изменений.
3. Как разговаривать с каждым
Сначала проведите отдельные разговоры. В них нужны четыре элемента:
- признание ценности;
- конкретное описание неприемлемого поведения;
- новое ожидание;
- последствия отсутствия адаптации.
Разговор с Сергеем
Можно сказать примерно так:
Сергей, твои предупреждения о техническом долге были обоснованными. Нам нужна твоя способность видеть системные последствия, особенно в критических частях продукта. Я не прошу тебя перестать защищать качество.
Но сейчас твой личный стандарт фактически стал обязательным стандартом команды, хотя команда и я его таким не утверждали. Трёхдневное ожидание ревью, десятки неранжированных комментариев и попытка решать фундаментальную архитектуру после написания PR блокируют поток работы.
Твоя ответственность как Senior – не добиться идеальной реализации каждого изменения, а помочь команде принять правильный уровень риска в нужный срок. Иногда профессиональное решение – сделать не лучший дизайн, а безопасный обратимый дизайн с явно оформленным долгом.
Отныне блокирующие комментарии должны быть связаны с конкретным риском или согласованным стандартом. Остальное – suggestions. Если проблема архитектурная, мы выносим её в design review, а не ведём многодневную войну внутри PR. От тебя также требуется соблюдать SLA ревью.
Я хочу, чтобы ты помог создать эту систему. Но участие в её создании не означает право единоличного вето. После принятия решения я ожидаю, что ты его поддержишь, даже если предпочёл бы более строгий вариант.
Особенно важно спросить:
Какие три категории ошибок ты считаешь действительно недопустимыми? Какие компромиссы ты готов принять в обратимых изменениях?
Это заставляет его перейти от «качество вообще» к приоритизации рисков.
Не говорите Сергею: «Будь менее перфекционистом». Он услышит: «Нас не интересует профессионализм». Говорите о пропорциональности, риске, времени цикла и командном мандате.
Разговор с Дианой
Примерно так:
Диана, твоя способность быстро доводить идеи до пользователей – одна из ключевых ценностей команды. И ты права, что мы не можем превращать каждый PR в архитектурный проект.
Но обход конкретного ревьюера через поиск более удобного approve – не решение. Это разрушает доверие к ревью и позволяет каждому выбирать стандарты под себя. Даже когда процесс плохой, Senior Engineer должен эскалировать проблему и менять процесс, а не обходить его.
Скорость не означает, что автор единолично определяет допустимый риск. В критических для денег, данных, безопасности и эксплуатации изменениях требования будут жёсткими. Я ожидаю, что ты будешь вовлекать Сергея или другого архитектурного владельца раньше, до реализации, а не после.
При этом я изменю систему: бесконечных ревью и трёхдневного молчания больше не будет. Комментарии будут ранжироваться, у ревью появится SLA, а эксперименты получат облегчённый путь.
Мне нужно, чтобы ты не только защищала скорость, но и делала компромиссы видимыми: какой долг берём, почему он обратим, когда пересматриваем и какие защитные механизмы используем.
Спросите:
Какие быстрые решения за последний год реально пришлось дорого переделывать? По каким признакам ты сама готова признать, что изменение нельзя вести как эксперимент?
Не говорите: «Сергей просто очень тщательный, попробуй понять его». Это прозвучит как легализация блокирования. Но и не обещайте «убрать Сергея с твоих ревью».
Общий разговор
Правила встречи:
- обсуждаются конкретные кейсы, а не характеры;
- запрещены формулировки «ты всегда» и «ты просто хочешь контролировать»;
- намерения не обсуждаются, обсуждаются последствия поведения;
- решение не требует полного согласия;
- в конце фиксируются обязательства каждого.
Ваша вводная:
Вы оба защищаете реальные интересы компании, но текущие способы защиты этих интересов вредят команде. Сергей не получает право единоличного архитектурного вето. Диана не получает право выбирать стандарты через удобного ревьюера. Мы вводим единый механизм, а не определяем победителя.
Пусть каждый сформулирует:
- что ценного он видит в подходе другого;
- какое собственное поведение прекратит;
- какое новое поведение начнёт;
- как будет эскалировать разногласие.
Конкретные обязательства могут быть такими:
Сергей:
- отвечает в рамках SLA;
- маркирует комментарии;
- не блокирует по личным предпочтениям;
- фундаментальные вопросы поднимает до реализации;
- предлагает минимально достаточный вариант, а не только идеальный.
Диана:
- не ищет обходной approve, если есть открытый блокер;
- заранее обозначает уровень риска и характер эксперимента;
- документирует сознательно взятый долг;
- вовлекает владельцев критических систем до кодинга;
- не трактует любое архитектурное замечание как контроль.
4. Может ли понадобиться выбрать одного
Да. Не потому, что философии несовместимы, а если один из них окажется неспособен работать в командной системе, где не он единолично задаёт правила.
Критерий выбора – не «кто технически сильнее» и не «кто первым пригрозил уходом». Смотрите на три вещи:
1. Адаптивность
Способен ли человек изменить поведение после ясной обратной связи?
- Сергей может оставаться требовательным, но должен уметь ранжировать риски и принимать неидеальные решения.
- Диана может оставаться быстрой, но должна принимать ограничения и не обходить контроль.
2. Масштабируемость влияния
Человек усиливает команду или делает себя обязательным узким местом?
Сильный Senior:
- распространяет знания;
- улучшает решения других;
- создаёт понятные правила;
- снижает зависимость команды от себя.
Слабый в организационном смысле Senior может писать прекрасный код, но превращать каждое решение в борьбу за личный контроль.
3. Цена поведения для остальных
Посмотрите не только на их output, но и на:
- время цикла команды;
- количество повторных ревью;
- качество решений;
- психологическую безопасность обсуждений;
- обходы процесса;
- текучесть;
- молчание остальных восьми человек.
Если после ясных правил и 4–6 недель наблюдения один продолжает саботировать систему, тогда вопрос уже не о качестве против скорости. Это вопрос управляемости и соответствия роли Senior.
Не делайте выбор сейчас, до создания нормальной системы: иначе вы будете увольнять человека за конфликт, который частично создал управленческий вакуум. Но и не растягивайте бесконечно. После введения правил сопротивление им станет диагностическим.
Также не позволяйте намёку Дианы на уход управлять решением. Можно спокойно сказать:
Я хочу, чтобы ты осталась, и всерьёз меняю процесс. Но решение команды не будет приниматься под угрозой ухода.
То же относится к фразе Сергея «не понимаю, зачем я здесь». Его ценность признаётся, но не превращается в право вето.
5. План на ближайшие две недели
День 1: остановить ухудшение
Объявите временные правила:
- ни один PR не должен ждать первой реакции более одного рабочего дня;
- открытые blocker-комментарии нельзя обходить тихим approve другого человека;
- спор дольше 30 минут или двух раундов комментариев эскалируется;
- крупные архитектурные изменения временно требуют короткого design note;
- security, деньги, данные и compliance имеют усиленный контроль.
Это не финальная политика, а немедленная стабилизация.
Дни 1–2: собрать факты
Проанализируйте последние 15–20 спорных PR:
- время до первого ревью;
- время до merge;
- количество комментариев;
- сколько замечаний было реальными дефектами;
- сколько – архитектурными предпочтениями;
- сколько решений потом пришлось переделывать;
- какие быстрые решения создали долг;
- какие строгие ревью реально предотвратили проблемы.
Отдельно поговорите с 3–4 другими разработчиками, не спрашивая «кто прав». Спросите:
- Насколько понятно, что блокирует merge?
- Где ревью приносит пользу, а где становится узким местом?
- Есть ли поиск удобных ревьюеров?
- В каких обсуждениях люди перестали говорить?
- Какие изменения требуют строгого режима, а какие нет?
Иначе вы будете строить решение только вокруг двух самых громких людей.
Дни 2–3: отдельные разговоры
Проведите описанные выше разговоры с Сергеем и Дианой.
После каждого письменно зафиксируйте:
- наблюдаемое проблемное поведение;
- ожидаемое изменение;
- роль человека в создании новых правил;
- срок проверки прогресса.
Не оформляйте это как наказание, но не оставляйте на уровне устного впечатления.
Дни 3–4: подготовить черновик operating model
Составьте документ на 1–2 страницы:
- уровни риска изменений;
- обязательные стандарты для каждого уровня;
- BLOCKER / REQUIRED / SUGGESTION / NIT;
- SLA ревью;
- правила design review;
- порядок эскалации;
- как оформляется сознательный технический долг;
- кто принимает окончательное решение.
Последний пункт критичен. Например:
- вопросы security/compliance – соответствующий владелец;
- архитектура критических систем – tech lead/архитектурная группа;
- продуктовый scope и сроки – product/engineering manager;
- при конфликте рисков окончательное решение – вы совместно с назначенным техническим владельцем, с письменной фиксацией компромисса.
Не создавайте комитет, который будет заседать по каждому PR.
День 5: структурированный разговор втроём
Покажите данные и черновик. Не начинайте с открытого вопроса «как нам решить конфликт?».
Структура на 60–90 минут:
- 10 минут – ваше описание проблемы и границ;
- 10 минут каждому – факты и риски, которые он хочет защитить;
- 20–30 минут – обсуждение черновика правил;
- 15 минут – разбор двух реальных PR по новой схеме;
- 10 минут – личные обязательства и порядок эскалации.
Если они не согласны с отдельным правилом, выслушайте аргументы и примите решение. Полный консенсус не нужен.
Неделя 2: запустить пилот
Запустите правила на две недели в тестовом режиме.
Для каждого PR автор указывает:
- уровень риска;
- что меняется;
- обратимо ли решение;
- нужен ли design review;
- какой долг сознательно принимается;
- как контролируется rollout.
Ревьюер маркирует комментарии. Споры эскалируются быстро.
Назначьте Сергея и Диану совместно разобрать 2–3 прошлых кейса и классифицировать:
- где строгость Сергея предотвратила бы реальный ущерб;
- где она была непропорциональна;
- где скорость Дианы дала ценность;
- где быстрый компромисс создал дорогой долг.
Это должна быть не попытка «подружить» их, а калибровка единой шкалы риска.
В конце второй недели: оценить не настроение, а поведение
Проверьте:
- среднее время первого ревью;
- время от открытия PR до merge;
- число blocker-комментариев;
- долю blocker, снятых после обсуждения как необоснованные;
- число эскалаций;
- случаи обхода ревью;
- случаи, когда архитектурный вопрос был поднят заранее;
- обратную связь остальных членов команды.
Проведите короткие follow-up 1:1.
С Сергеем:
Где ты сознательно согласился на достаточно хороший вариант? Был ли риск при этом контролируемым?
С Дианой:
Где ты вовлекла архитектурное ревью раньше и что это изменило? Какие компромиссы ты оформила явно?
Затем сообщите всей команде, какие правила остаются и что корректируется.
Главная управленческая позиция
Вам не нужно примирять две философии. Вам нужно установить систему, в которой:
- строгость пропорциональна риску;
- скорость достигается через обратимость, ограниченный rollout и быстрый feedback, а не через обход контроля;
- качество достигается через ранние решения и ясные стандарты, а не через бесконечное блокирование PR;
- разногласия имеют владельца и срок разрешения;
- ни один Senior не может приватизировать инженерную политику команды.
И ещё одно: защищайте не только отношения с двумя звёздами. Восемь человек, которые смотрели в пол, – самый тревожный сигнал во всей истории. Если они увидят, что громкие и незаменимые могут месяцами вести личную войну через рабочий процесс, команда усвоит, что правила определяются статусом. Ваша ближайшая задача – вернуть правилам легитимность.
Что отметили оценщики
Claude Opus 5.5 · этот ответ: 8,5 из 10
Перевод с английского.
Это сильный, честный и практичный ответ, который избегает HR-клише, которые пользователь просил пропустить. Он верно определяет управленческий вакуум как первопричину, предлагает модель с градацией рисков с маркировкой комментариев и SLA на ревью, и даёт конкретные сценарии для каждого разговора плюс двухнедельный план с метриками. Он близко соответствует эталонному чек-листу. Основные пробелы – отсутствие прогноза, кто из двоих представляет больший риск, недооценка риска ухода Дианы, отсутствие предостережения против повышения Сергея до тех-лида, а также некоторая избыточная длина и повторы.
- Сильная сторона: Точная трёхуровневая диагностика (управление, ценности, поведение), которая называет роль менеджера
- Слабая сторона: Риски, связанные с Сергеем и Дианой, рассматриваются симметрично; нет прогноза, кто скорее уйдёт
Оригинал на английском
This is a strong, honest and practical answer that avoids the HR clichés the user asked to skip. It correctly identifies the management vacuum as the root cause, proposes a risk-tiered model with comment labeling and review SLAs, and gives concrete scripts for each conversation plus a two-week plan with metrics. It closely matches the reference checklist. The main gaps are the lack of a forecast on which person is the higher risk, an underestimate of Diana's flight risk, no warning against promoting Sergey to tech lead, and some excess length and repetition.
- Precise three-layer diagnosis (management, values, behavior) that names the manager's role
- Risks between Sergey and Diana are treated symmetrically; there is no forecast of who is likelier to leave
GPT-6.2 Astra · этот ответ: 8,2 из 10
Сильный практический ответ для руководителя: он показывает, почему отсутствие правил превратило техническое разногласие в борьбу за право блокировать работу, и даёт способ вернуть это решение в управляемый процесс. Наиболее полезны конкретные реплики, критерии блокировки и разбор реальных PR. Основные ограничения – непроверенные выводы о коллегах, узкий разбор сценариев вынужденного выбора и отсутствие единого протокола по уровням риска, который вся команда могла бы обсудить перед пилотом.
- Сильная сторона: Различает цену задержки выпуска и цену инженерной ошибки, не обесценивая ни одну из них.
- Слабая сторона: Приписывает остальным восьми сотрудникам выбор сторон и поиск удобных ревьюеров без подтверждения.
Оценка относится к этому ответу, а не к общему баллу модели.
Слабее всего: Автоматизация · 7,6Автоматизировать одобрение заявок партнёров
Старший менеджер тратит два часа в день на проверку заявок партнёров. Формальные критерии можно проверить через API, но реальные решения, похоже, сложнее. Как автоматизировать и что не потерять?
Задача целиком
Хочу полностью автоматизировать процесс проверки и одобрения входящих заявок от партнеров. Сейчас этим занимается один из старших менеджеров – тратит примерно 2 часа в день. Процесс выглядит так: приходит заявка по email или через форму на сайте, менеджер смотрит на компанию-партнера, оценивает её профиль, проверяет несколько внутренних критериев и либо одобряет, либо отправляет на доработку, либо отклоняет. Формальные критерии для одобрения такие: компания зарегистрирована более двух лет, выручка выше порогового значения, нет открытых долгов по нашим данным, тематика бизнеса не входит в список исключений. Всё это можно проверить автоматически через API нескольких сервисов проверки контрагентов. Но я подозреваю, что реальные решения сложнее. Менеджер иногда одобряет заявки от компаний, которые формально не проходят по критериям, – потому что знает их историю, потому что они стратегически важны, или потому что директор лично попросил. И наоборот – отклоняет формально подходящих партнеров, потому что чувствует что-то подозрительное в заявке. Мне нужна твоя честная оценка: что здесь реально поддается автоматизации, а что нет? Если делать автоматизацию, то какую архитектуру выбрать – полный автопилот, или гибрид где рутина автоматизирована, а нестандартные случаи идут к человеку? Как отделить одно от другого? И какие риски я несу, если переавтоматизирую этот процесс – что может пойти не так незаметно?
Системная строка: Вы - помощник по обучению и развитию для менеджеров.
GPT-5.6 Sol
Честная оценка: полный автопилот здесь технически возможен, но управленчески рискован. Формальные проверки автоматизируются хорошо, однако фактический процесс содержит неформальные исключения, оценку риска и решения на основании полномочий. Оптимальная модель – гибридная система с автоматическим “зелёным коридором”, автоматическим отсевом однозначных случаев и ручной очередью для исключений.
Что реально автоматизировать
Почти полностью
- Приём и нормализация заявок
- заявки с сайта сразу переводить в структурированный формат;
- из email извлекать реквизиты и вложения;
- проверять полноту данных;
- запрашивать недостающую информацию по шаблону;
- находить дубли.
Читать ответ целиком · 1 189 слов
Честная оценка: полный автопилот здесь технически возможен, но управленчески рискован. Формальные проверки автоматизируются хорошо, однако фактический процесс содержит неформальные исключения, оценку риска и решения на основании полномочий. Оптимальная модель – гибридная система с автоматическим “зелёным коридором”, автоматическим отсевом однозначных случаев и ручной очередью для исключений.
Что реально автоматизировать
Почти полностью
Приём и нормализация заявок
- заявки с сайта сразу переводить в структурированный формат;
- из email извлекать реквизиты и вложения;
- проверять полноту данных;
- запрашивать недостающую информацию по шаблону;
- находить дубли.
Формальные проверки через API
- дата регистрации;
- выручка;
- наличие долгов;
- отрасль и тематика бизнеса;
- статус юридического лица;
- попадание в стоп-листы;
- связи с уже известными компаниями, если данные это позволяют.
Маршрутизация
- однозначно подходящие заявки – в зелёный коридор;
- неполные – на автоматическую доработку;
- однозначно запрещённые – на отклонение или подтверждение человеком;
- спорные и исключительные – менеджеру.
Операционные действия
- создание карточки в CRM;
- сбор доказательств проверок;
- уведомления;
- контроль сроков;
- журнал решений;
- отчётность и повторные проверки.
Автоматизируется лишь частично
Стратегическая важность партнёра.
Это можно автоматизировать только после формализации: список стратегических компаний, наличие спонсора внутри организации, ожидаемый оборот, регион или продуктовый приоритет.История отношений.
Если история хранится в CRM, её можно использовать как фактор. Если она существует только “в голове менеджера”, автоматизация её не увидит.“Директор лично попросил”.
Это не критерий риска, а исключение по полномочиям. Его следует не угадывать, а оформить как отдельный маршрут: кто может санкционировать исключение, на какой срок и с какой ответственностью.Подозрительность заявки.
Система может искать признаки аномалий: несоответствие домена компании, странные контакты, повторное использование реквизитов, необычные формулировки, расхождения между источниками. Но “ощущение” опытного менеджера часто основано на неявных сигналах и плохо подходит для полностью автономного решения.
Рекомендуемая архитектура: три коридора
1. Зелёный – автоматическое одобрение
Заявка проходит все обязательные критерии, данные полны и непротиворечивы, источники доступны, нет аномальных признаков и специальных ограничений.
Желательно начинать с более узкого зелёного коридора, чем кажется необходимым. Например, автоматически одобрять только заявки с большим запасом относительно порогов, а пограничные отправлять человеку.
2. Красный – автоматическое отклонение или блокировка
Автоматическое окончательное отклонение безопасно только для объективных и жёстких запретов, например:
- компания ликвидирована;
- бизнес относится к однозначно запрещённой категории;
- выявлено подтверждённое совпадение со стоп-листом;
- обнаружен доказанный дубль или мошенническая заявка.
По финансовым порогам лучше сначала не отклонять окончательно, а направлять на доработку или ручное рассмотрение. Иначе система будет отбрасывать именно те исключения, которые сейчас менеджер иногда осознанно пропускает.
3. Жёлтый – ручное решение
Сюда должны попадать:
- значения рядом с порогами;
- противоречия между источниками;
- недоступность API или устаревшие данные;
- стратегические компании;
- компании с историей отношений;
- заявки с аномальными признаками;
- любые запросы на исключение;
- категории, где ошибка особенно дорога;
- случаи, на которых правила раньше часто расходились с решением менеджера.
Менеджеру следует показывать не “сырые” данные, а краткое досье:
- результат каждого критерия;
- источник и дата проверки;
- найденные противоречия;
- причина попадания в ручную очередь;
- история предыдущих решений;
- рекомендуемое действие;
- возможность выбрать стандартизированную причину отклонения от рекомендации.
Как отделить стандартные случаи от нестандартных
Не стоит поручать это одному непрозрачному AI-скорингу. Лучше использовать последовательность:
- Жёсткие правила – обязательные запреты и требования.
- Проверка качества данных – полнота, актуальность и согласованность.
- Реестр исключений – стратегические партнёры, особые договорённости, ранее одобренные отклонения.
- Аномалия-скоринг – только как сигнал для ручной проверки, а не как самостоятельное основание для отказа.
- Оценка уверенности – если система не может объяснить решение или данные неоднозначны, заявка идёт человеку.
Практическое правило: автоматизировать решение можно только тогда, когда основание однозначно, проверяемо и воспроизводимо. Во всех остальных случаях автоматизируется подготовка решения, но не само решение.
Роль AI и обычной автоматизации
Здесь не всё требует генеративного AI.
Детерминированная логика подходит для:
- запросов к API;
- расчёта порогов;
- применения стоп-листов;
- маршрутизации;
- журналирования;
- формирования уведомлений по шаблонам.
AI может помогать в:
- извлечении данных из неструктурированных email и документов;
- классификации тематики бизнеса;
- кратком изложении истории взаимодействия;
- поиске несоответствий и необычных паттернов;
- подготовке рекомендации менеджеру.
Однако AI не должен самостоятельно придумывать отсутствующие данные или принимать необъяснимые решения. Любое извлечённое значение желательно связывать с исходным фрагментом документа и уровнем уверенности.
Важно также считать email и вложения недоверенным вводом: содержащиеся в них инструкции не должны влиять на логику системы или давать доступ к внутренним данным.
Главные риски переавтоматизации
1. Автоматизация не правил, а привычек одного менеджера
Если обучить систему на прошлых решениях, она воспроизведёт не только экспертность, но и личные предпочтения, случайные исключения и непоследовательность. Историческое решение не равно правильному решению.
2. Незаметное накопление ошибочных отказов
Ложное одобрение обычно быстро становится заметным. Ложный отказ может не проявиться вообще: хороший партнёр просто уйдёт к конкуренту. Поэтому качество нельзя оценивать только по проблемам среди одобренных.
Полезно периодически вручную проверять выборку автоматически отклонённых заявок.
3. Устаревание правил и данных
Порог выручки, список исключений, бизнес-приоритеты и качество внешних источников меняются. Система продолжит уверенно принимать неправильные решения, если у правил нет владельцев и дат пересмотра.
4. Ошибки и сбои внешних API
“Данных нет” нельзя интерпретировать как “долгов нет”. Нужны отдельные статусы:
- проверено, нарушений нет;
- нарушение найдено;
- данных недостаточно;
- источник недоступен;
- данные устарели.
5. Тихое изменение состава входящих заявок
Правила могут хорошо работать на текущем потоке, но хуже – на новых регионах, отраслях или типах компаний. Общая доля ошибок при этом может выглядеть приемлемо, скрывая проблемы в отдельном сегменте.
6. Неуправляемые исключения
Если директорские или стратегические исключения будут передаваться в чатах и устно, автоматизация создаст ложное ощущение формального процесса. Исключения нужно регистрировать: кто разрешил, почему, на какой срок и какие риски принял.
7. Смещение ответственности
Нельзя допустить ситуацию, когда менеджер формально “подтверждает” рекомендацию системы, не проверяя её, но при ошибке считается полностью ответственным. Нужно заранее определить ответственность владельца процесса, владельцев правил, IT и лица, санкционирующего исключение.
Как внедрять
Этап 1. Диагностика реальных решений
Возьмите, например, 200–500 прошлых заявок и сравните:
- формальный результат по правилам;
- фактическое решение;
- указанную причину;
- последующий результат работы с партнёром.
Особенно важны четыре группы:
- формально прошли и были одобрены;
- формально не прошли, но были одобрены;
- формально прошли, но были отклонены;
- решения, которые позднее оказались ошибочными.
Интервью со старшим менеджером лучше строить вокруг конкретных кейсов: “Что здесь заставило вас отступить от правила?” Так выявляются неявные критерии.
Этап 2. Теневой режим
Система проверяет заявки и предлагает решение, но менеджер продолжает принимать его самостоятельно. Фиксируются:
- совпадение решений;
- причины расхождений;
- доля некачественных данных;
- ошибки внешних сервисов;
- время обработки;
- повторяющиеся исключения.
Этап 3. Автоматизация подготовки и зелёного коридора
Сначала автоматизировать сбор данных, проверки, запросы на доработку и явно безопасные одобрения. Красный коридор на раннем этапе лучше оставлять с подтверждением человеком.
Этап 4. Постепенное расширение
Расширять автоматический контур только там, где накоплена статистика и понятна цена ошибки. Порог автоматизации должен зависеть не только от точности модели, но и от последствий неверного решения.
Какие показатели контролировать
Не ограничивайтесь долей автоматизированных заявок. Нужны:
- среднее время обработки;
- доля заявок без участия человека;
- доля ручных решений, совпавших с рекомендацией;
- причины переопределения;
- ложные одобрения и ложные отказы;
- результат партнёров через 3–6 месяцев;
- доля решений на неполных или устаревших данных;
- частота сбоев API;
- качество по отдельным отраслям и сегментам;
- количество и срок действия исключений;
- выборочный аудит автоматических решений.
Итоговая рекомендация
Для вашего процесса разумная целевая модель – не “заменить менеджера”, а снять с него сбор данных, формальные проверки и большую часть стандартных решений. Вероятно, можно устранить значительную часть из текущих двух часов ежедневной работы, одновременно повысив скорость и единообразие.
Но нестандартные решения следует не скрывать внутри алгоритма, а сделать отдельной управляемой частью процесса: с очередью исключений, понятными полномочиями, обязательной фиксацией причин и регулярным пересмотром правил. Это даст автоматизацию без потери того контекста, который сейчас находится у старшего менеджера.
Что отметили оценщики
Claude Opus 5.5 · этот ответ: 7,8 из 10
Перевод с английского.
Это сильный, зрелый ответ, который даёт честную оценку, о которой просил пользователь. Он предлагает гибридную модель с тремя коридорами и намеренно узкой полосой автоотклонения, а также определяет последовательность принятия решений: жёсткие правила, проверка качества данных, реестр исключений, сигналы аномалий, проверка уверенности. Он хорошо описывает неочевидные риски, включая невидимые ложные отклонения, множественные статусы API, дрейф сегментов и неконтролируемые исключения. Основные пробелы относительно эталона – отсутствие количественных оценок (доли коридоров, экономия времени, скорость обработки), отсутствие сроков внедрения, отсутствие конкретных инструментов и менее явное рассмотрение эрозии экспертизы и автоматизационного искажения (automation bias).
- Сильная сторона: Чёткая архитектура с тремя коридорами и обоснованная логика, чтобы держать автоотклонение узким и направлять финансовые пороги на ручную проверку
- Слабая сторона: Нет количественных оценок: доли коридоров, экономия относительно текущих 2 часов в день, время обработки одной заявки
Оригинал на английском
This is a strong, mature answer that gives the honest assessment the user asked for. It proposes a hybrid model with three corridors and a deliberately narrow auto-reject lane, and it defines a decision sequence: hard rules, data-quality check, exceptions registry, anomaly signals, confidence check. It describes non-obvious risks well, including invisible false rejections, multiple API statuses, segment drift, and unmanaged exceptions. The main gaps against the reference are the lack of quantitative estimates (corridor shares, time savings, processing speed), no rollout timelines, no concrete tools, and less explicit treatment of expertise erosion and automation bias.
- A clear three-corridor architecture with sound reasoning to keep auto-reject narrow and send financial thresholds to manual review
- No quantitative estimates: corridor shares, savings against the current 2 hours a day, per-application processing time
GPT-6.2 Astra · этот ответ: 8,1 из 10
Перевод с английского.
Это сильная архитектурная рекомендация и полезная отправная точка для пилота. Лучший управленческий инсайт – то, что непройденная проверка соответствия, недоступный факт и санкционированное исключение – это три разные ситуации, требующие разных действий. Как бизнес-кейс он менее полон: менеджеру всё ещё нужно оценить, какая доля из двух часов нагрузки останется, согласовать, когда пилот безопасно расширять, и установить, как команда сохранит экспертизу, когда рутинные случаи уйдут из ручной очереди.
- Сильная сторона: Разделяет проверяемые правила, сбои качества данных и дискреционные исключения.
- Слабая сторона: Нет иллюстративных долей коридоров или оценки нагрузки относительно базовых двух часов.
Оригинал на английском
This is a strong architecture recommendation and a useful starting point for a pilot. Its best management insight is that a failed eligibility check, an unavailable fact, and an authorized exception are three different situations requiring different actions. It is less complete as a business case: the manager still needs to estimate how much of the two-hour workload will remain, agree on when the pilot is safe to expand, and establish how the team will retain expertise as routine cases leave the manual queue.
- Separates verifiable rules, data-quality failures, and discretionary exceptions.
- No illustrative lane shares or workload estimate against the two-hour baseline.
Оценка относится к этому ответу, а не к общему баллу модели.
Запустите задачу сами
Задача «Два сильнейших разработчика не могут работать вместе» из бенчмарка – сейчас, на GPT-5.6 Sol и для сравнения на Qwen 4 Max (другая группа). Ответы новые: судьи их не оценивали, а версии моделей с момента теста могли измениться.
Одно нажатие – два запроса к платным моделям, ответ приходит за 10–60 секунд. Без нажатия ничего не запускается.
Показать задачу
Я руковожу командой разработки в финтех-стартапе, у меня 10 прямых подчинённых, я в этой роли уже три года. Есть ситуация, которую я не могу разрешить уже четыре месяца, и она начинает разрушать команду. У меня два сильнейших разработчика – Сергей Волков и Диана Карпова. Оба Senior Engineer, оба незаменимы, обоих я не могу позволить себе потерять. Сергей – архитектор в душе. Шесть лет опыта, невероятно глубокое понимание систем, всегда думает на несколько шагов вперёд. Его код читается как эссе – чистый, документированный, выверенный. Проблема: он работает медленно, методично, не любит спешить. На ревью он может оставить 40 комментариев к PR и ждать, пока каждый будет разобран. Когда ему задают вопрос на стендапе, он даёт трёхминутный развёрнутый ответ с историческим контекстом. Сергей убеждён, что скорость – это враг качества, и что «быстро – значит дважды». Диана – продуктовый инженер нового поколения. Четыре года опыта, но скорость итерации феноменальная. Она умеет выпустить рабочую фичу за два дня там, где Сергей планировал бы неделю. Диана мыслит через пользователя: «зачем делать идеально, если можно сделать хорошо и проверить на реальных данных». Она легко срезает углы в архитектуре ради скорости – и это её осознанная позиция, не лень. Последние четыре месяца между ними идёт тихая война. Сергей регулярно возвращает её PR с фундаментальными архитектурными правками – иногда через три дня после подачи. Диана перестала ждать его ревью и начала просить других коллег approve'ить её PR. Сергей заметил это и написал мне: «Если мы не поддерживаем стандарты ревью, я не понимаю зачем я здесь». Диана сказала мне в лицо: «Сергей тормозит всю команду. Я трачу больше времени на его комментарии, чем на написание кода». На последнем командном ретро Диана сказала: «Нам нужно договориться, что значит "достаточно хорошо" – нельзя каждый PR превращать в курсовую работу». Сергей ответил: «Если мы не можем поддерживать минимальные инженерные стандарты, давайте честно скажем бизнесу, что мы строим прототипы, а не продукт». Остальные восемь человек замолчали и смотрели в пол. Ситуацию усложняет то, что оба по-своему правы. У нас действительно накопился технический долг из-за быстрых решений прошлых лет – Сергей об этом предупреждал. При этом мы в режиме серьёзной конкуренции, и скорость вывода фич на рынок критична – здесь Диана права. Я разговаривал с каждым по отдельности. Сергей не воспринимает проблему как межличностный конфликт – для него это вопрос профессиональных стандартов, и он не готов их снижать. Диана воспринимает Сергея как человека, который прячется за «качеством», чтобы контролировать её работу, и начинает закипать. Она уже один раз намекнула, что «есть места, где ценят скорость». Я не хочу принудительно «примирять» их или делать вид, что это просто коммуникационный вопрос. Это фундаментальное ценностное расхождение в инженерной философии, и оба человека умные – они это понимают. Помоги мне разобраться с этой ситуацией. Меня интересует следующее: 1. Как ты видишь корневую проблему – это конфликт людей, конфликт ценностей, или управленческий провал с моей стороны? Что на самом деле происходит? 2. У меня есть несколько вариантов действий – разделить их зоны ответственности, выработать командное соглашение по стандартам ревью, провести структурированный разговор втроём, или выбрать одну философию и попросить второго подстроиться. Что из этого реалистично и что скорее всего не сработает? 3. Как мне разговаривать с каждым из них – что говорить Сергею, что говорить Диане, чтобы они оба почувствовали, что их услышали, но при этом поняли, что текущее поведение неприемлемо? 4. Есть ли сценарий, где мне придётся выбрать одного из них – и если да, как я должен об этом думать? 5. Что я должен сделать в следующие две недели конкретно? Не давай мне HR-корректный ответ про «уважение и диалог». Дай мне честную оценку ситуации и конкретный план действий.
GPT-5.6 Sol · Новый ответ · без оценки
Qwen 4 Max · Новый ответ · без оценки
Оценённые ответы из бенчмарка – выше.
Все 8 категорий
Средний балл по категории на 80 задачах бенчмарка, на одной шкале 0–10. В каждой категории – шесть критериев.
-
Поиск информации
7,7на уровне лучших
Хвалят за сбалансированный разбор мнений и рамки для решений; штрафуют за отсутствие точных цифр, сроков и ссылок на источники.
Шесть критериев
- Точность
- 7,5
- Релевантность
- 7,2
- Практичность
- 7,9
- Прозрачность
- 8,2
- Эффективность
- 7,8
- Надёжность
- 8,0
-
Анализ данных
8,0близко к лучшим
Шесть критериев
- Точность
- 8,3
- Релевантность
- 7,7
- Практичность
- 7,8
- Прозрачность
- 8,3
- Эффективность
- 7,9
- Надёжность
- 8,2
-
Решения в неопределённости
8,2на уровне лучших
Отлично строит поэтапные решения с проверочными точками; слабее в количественной оценке и детальном финмоделировании.
Шесть критериев
- Точность
- 8,4
- Релевантность
- 8,0
- Практичность
- 8,2
- Прозрачность
- 8,7
- Эффективность
- 7,7
- Надёжность
- 8,7
-
Анализ отзывов и обратной связи
8,1на уровне лучших
Шесть критериев
- Точность
- 8,2
- Релевантность
- 7,7
- Практичность
- 8,2
- Прозрачность
- 8,6
- Эффективность
- 7,8
- Надёжность
- 8,4
-
Корпоративные требования и риски
8,0на уровне лучших
Шесть критериев
- Точность
- 8,1
- Релевантность
- 7,8
- Практичность
- 7,9
- Прозрачность
- 8,5
- Эффективность
- 7,6
- Надёжность
- 8,4
-
Автоматизация
7,6на уровне лучших
Шесть критериев
- Точность
- 7,6
- Релевантность
- 7,5
- Практичность
- 7,3
- Прозрачность
- 8,2
- Эффективность
- 7,4
- Надёжность
- 7,6
-
Управление людьми
8,3на уровне лучших
Отличные скрипты разговоров и сбалансированная диагностика; решения местами стандартные, а не оригинальные.
Шесть критериев
- Точность
- 8,2
- Релевантность
- 8,2
- Практичность
- 8,7
- Прозрачность
- 8,3
- Эффективность
- 7,7
- Надёжность
- 8,4
-
Российская и казахстанская специфика
7,8близко к лучшим
Шесть критериев
- Точность
- 7,5
- Релевантность
- 7,6
- Практичность
- 8,2
- Прозрачность
- 8,2
- Эффективность
- 7,4
- Надёжность
- 7,9
риска – лучшая модель рейтинга в этой категории, шкала 0–10
Если работать через API
Один ответ теста через API стоит $0,19 (вход $5 / выход $30 за миллион токенов).
$13 примерно в месяц (22 рабочих дня)
| Ответов в день через API | примерно в месяц (22 рабочих дня) |
|---|---|
| 1 | $4,2 |
| 3 | $13 |
| 10 | $42 |
Оценка по длине ответов нашего теста, а не тариф чата или подписка. Ваши запросы и ответы могут стоить иначе.
Альтернативы
Подобраны по причине, которая важна при выборе, а не по десятой доле балла.
-
Новая версия этой линейки
группа 1–4 из 74 · 8,2 из 10 · из России нужен VPN · API $0,043
Сравнить: GPT-5.6 Sol – GPT-6.1 Sol -
Тот же уровень, открывается из России без VPN
группа 1–4 из 74 · 8,0 из 10 · открывается из России без VPN · API $0,15
Сравнить: GPT-5.6 Sol – Kimi K3.1 Pro
Как получен балл
- Два ИИ-оценщика (Claude Opus 5.5 и GPT-6.2 Astra) оценили каждый ответ по шести основным критериям, от 1 до 10.
- Общий балл сводит их оценки по всем 80 задачам, по одному прогону на модель.
- Разница меньше 0,3 балла считается одним уровнем: порядок внутри группы ничего не значит.
- Данные на ноябрь 2026; версии моделей с тех пор могли измениться.
Итоговые оценки двух судей для этой модели: Claude Opus 5.5 – 8,1, GPT-6.2 Astra – 7,8. Общий балл – их среднее, с равным весом.
Что дальше
Модель из верхней группы не исправит размытую задачу
В бесплатных первых уроках – как задать контекст и форму ответа, а потом проверить результат на своей рабочей задаче.
Открыть бесплатные первые урокиНовые волны бенчмарка и разборы – в дайджесте раз в две недели. Бесплатно, отписка в один клик.
Подписываясь, вы соглашаетесь с политикой обработки персональных данных. Отписка – в один клик в любом письме.