Claude модели против GLM 5.2: собрала страницу за 110,9 секунды в 2026

Хочешь собрать такую страницу своими руками? На практикуме по вайб-кодингу для предпринимателей за два вечера соберёшь рабочие инструменты словами: без программиста, без бюджета на разработку и без единой строчки кода. Пройти практикум - 2 000 ₽

Какие ИИ-модели Claude бывают?

Claude модели включают несколько классов с разными возможностями. Качество и скорость зависят от выбранного класса.

Anthropic отдельно указывает Mythos 5 и Mythos Preview. Mythos 5 доступен только приглашённым пользователям для защитных задач кибербезопасности. Mythos Preview - закрытый исследовательский предпросмотр с приоритетом на защитные задачи безопасности.

Для новичка карта простая:

• Haiku - короткий скрипт, небольшая правка, объяснение ошибки.
• Sonnet - обычная работа над небольшим проектом.
• Opus - несколько файлов, инструменты, длинная цепочка действий.
• Fable - самая трудная задача, где цена ошибки выше цены модели.

Эта классификация показывает роль каждой модели в линейке, но Fable подходит не для любой мелочи. Для короткого запроса переплата может ничего не дать. Выбирай модель по форме задачи и учитывай её практическую нагрузку, ориентируясь на реальные требования, а не на громкость названия.

Что означает название модели Claude?

В 2023 году Anthropic представила просто Claude. Номер поколения в названии тогда не использовался.

В 2024 году появилась линейка Claude 3:

• Claude 3 Haiku;
• Claude 3 Sonnet;
• Claude 3 Opus.

Haiku, Sonnet и Opus - классы внутри семейства. Они обозначают классы продуктов Anthropic.

Позже появились Claude 3.5 Sonnet, Claude 3.7 Sonnet, Claude 4 и следующие версии. В названии можно разделить три слоя:

1. Claude. Семейство моделей Anthropic.
2. 3.7 или 5. Поколение либо конкретная версия.
3. Haiku, Sonnet, Opus или Fable. Класс модели.

API ID устроен иначе: он нужен для конкретного вызова. В интерфейсе можно увидеть короткий alias sonnet. В API указывается конкретный идентификатор, например claude-sonnet-5. Документация Anthropic отдельно говорит, что закреплённые идентификаторы указывают на версии и сохраняют привязку при новом релизе.

Отдельно живёт Claude Code. В феврале 2025 года Anthropic представила его вместе с Claude 3.7 Sonnet как инструмент для агентной работы в терминале. Позже Claude Code получил версию 2.0, расширение для VS Code и дополнительные средства автономной работы. Само название Claude Code не исчезло. Переименовали SDK: Claude Code SDK стал Claude Agent SDK.

Поэтому фраза «модель Claude компании Anthropic» слишком общая. Она может означать всё семейство. Для точного разговора надо уточнять класс и версию: Sonnet 5, Opus 5 или Haiku 4.5.

Какая модель Claude лучше для разных задач?

Я бы начинала не с самой мощной модели. Сначала смотрю, что именно должна сделать система.

Haiku

Бери Haiku для:

• короткого скрипта;
• простой правки текста;
• объяснения ошибки;
• механического преобразования;
• небольшого запроса, где результат легко проверить.

Её роль в документации Anthropic - самая быстрая модель с почти frontier-качеством. Цена входных токенов ниже, чем у остальных моделей в таблице.

Sonnet

Для ежедневной работы Sonnet даёт рабочий баланс. Это разумный старт для:

• небольшого веб-проекта;
• обычной разработки;
• нескольких связанных файлов;
• правки интерфейса;
• задач, где важны и скорость, и аккуратность.

Если ты не понимаешь, какую модель выбрать для типовой задачи, Sonnet обычно проще всего взять первой. Это рабочая стартовая точка без гарантии победы на любой задаче.

Opus

Многошаговая работа требует Opus:

• надо изучить несколько частей репозитория;
• требуется изменить несколько файлов;
• есть инструменты и команды;
• нужно удерживать архитектурную связь;
• ошибка проявляется не сразу.

Anthropic прямо рекомендует Opus 5 для сложного агентного программирования и enterprise-задач. В таком сценарии модель пишет фрагмент кода, изучает проект, меняет файлы, запускает проверки и исправляет найденные проблемы.

Fable

Fable 5 - верхний уровень текущей общедоступной линейки. Эта модель предназначена для задач максимальной сложности и длинной агентной работы. Я бы не брала её для кнопки или короткого скрипта. Цена выше, а дополнительная способность может не понадобиться.

Удобное правило:

Официальное позиционирование не заменяет независимый тест. Anthropic описывает роли своих моделей, но не доказывает, что каждая из них стабильно выигрывает на любой конкретной задаче.

Сколько стоят модели Claude и какой объём текста они помнят?

Контекст - это объём текста, который модель может учитывать в работе. Но большой контекст сам по себе не делает задачу дешёвой. Агент может несколько раз перечитать файлы, написать длинные рассуждения, запустить команды и вернуться к уже обработанным участкам.

Полная цена задачи складывается из нескольких компонентов:

• сколько входных данных прочитано;
• сколько токенов ушло на вывод;
• сколько было ходов;
• сколько раз модель повторила работу;
• сколько времени ты потратил на исправления;
• пришлось ли запускать вторую модель.

GLM с низкой ценой токена не всегда экономит деньги: при длинном выводе и повторных проходах счёт за задачу растёт. Если модель делает длинный вывод, повторно переосмысливает задачу и требует ручных подсказок, счёт за всю работу растёт.

Цена также зависит от способа доступа. Таблица Anthropic относится к API. Пользовательские тарифы Claude Code имеют собственные условия и лимиты. Я не смешиваю их с API-ценами: это разные способы оплаты.

Для первого сравнения смотри не только на доллары:

1. Запиши модель и точный ID.
2. Зафиксируй количество ходов.
3. Посчитай входные и выходные токены.
4. Замерь время до рабочего результата.
5. Проверь, сколько ручных вмешательств понадобилось.

Так сравнение становится ближе к реальной стоимости вместо рекламной цифры за миллион токенов.

После выбора модели полезно проверить весь рабочий контур руками. На практикуме мы собираем такие связки на реальных задачах: ставим цель, даём агенту доступ к файлам, задаём критерий готовности и проверяем результат, не полагаясь на финальное сообщение. Подробности:

Как сравнить GLM 5.2 и Claude честно на одной задаче?

В опубликованном тесте GLM 5.2 и Claude Opus использовали одинаковые условия:

Это правильная отправная точка. Дай обеим моделям браузер или убери его у обеих, чтобы условия совпадали. Если одна получает 40 ходов, а второй разрешено работать без лимита, сопоставляются способность одной модели и бюджет другой.

Перед тестом зафиксируй:

1. одну и ту же задачу;
2. один рабочий каталог;
3. одну оболочку агента;
4. один набор инструментов;
5. одинаковые права на файлы и команды;
6. одинаковый промпт;
7. одинаковый лимит ходов;
8. одинаковый критерий готовности;
9. одинаковый способ проверки;
10. одну или несколько попыток.

Отдельно записывай точную модель. Alias sonnet может указывать на текущую версию, а закреплённый ID вроде claude-sonnet-5 задаёт конкретную модель. Для GLM тоже надо указать endpoint и режим запуска. GLM 5.2 в Coding Plan и open-weight-версия могут работать в разных условиях. В обсуждениях отдельно поднимались вопросы о системных промптах, настройках inference, контексте, tool use и политиках безопасности.

Сравнение в чистом чате тоже имеет смысл, но оно отвечает на другой вопрос. Там проверяется качество ответа. Агентский тест проверяет ещё и работу с файлами, командами, тестами и исправлениями.

Я бы оформила эксперимент так:

Без исходного промпта, точных настроек, числа запусков и полных логов нельзя делать абсолютный вывод по одному ролику. Указанное видео с тестом GLM 5.2 против Claude не удалось независимо расшифровать. Поэтому я не приписываю автору ролика конкретного победителя.

Что показал тест GLM 5.2 и Claude на веб-странице?

Здесь сравнивали GLM 5.2 и Claude Sonnet 5 на одной задаче сборки веб-страницы.

Результат разошёлся по двум направлениям:

• GLM сделал дизайн более необычным и насыщенным;
• Claude собрал более цельную мобильную версию;
• GLM дал больше текста и кода;
• Claude завершил работу быстрее;
• GLM оказался дешевле по стоимости генерации.

Цифры теста:

Ключевая поломка GLM проявилась в мобильной версии страницы. Проблема была конкретной:

Это хороший пример для начинающего вайб-кодера. Красивый первый экран ещё не означает готовый результат. Десктопная страница может выглядеть убедительно, а на телефоне исчезнет главный способ перейти между разделами.

GLM в этом тесте нельзя назвать бесполезным. Он дал более подробный и смелый результат, причём за меньшую цену. Но если критерий звучит как «страница должна нормально работать на мобильном», цена первого прохода уже не главное. Придётся заметить проблему, сформулировать исправление и проверить его повторно.

Claude тоже не получает автоматическую медаль. Более цельный результат на одной веб-странице не доказывает превосходство на всех проектах. Тест показывает узкое практическое различие:

• GLM удобен для дешёвого и необычного черновика;
• Claude удобнее, когда важны скорость сборки и мобильная целостность.

Речь идёт об отдельном опубликованном тесте Merge, который можно проверить по исходному материалу.

Почему модель может сказать «готово», хотя задача сломана?

В опубликованном сравнении Terminal-Bench обе модели получили одинаковый итог:

• GLM 5.2 решил 25 из 45 задач;
• Claude Opus решил 25 из 45 задач;
• модели совпали по 43 задачам;
• на двух различавшихся задачах каждая выиграла по одной.

При этом проявился общий режим ошибки:

Для твоей работы это значит одно: финальное сообщение агента не является доказательством. Модель могла:

• запустить не тот тест;
• проверить только синтаксис;
• не открыть страницу;
• не увидеть мобильную поломку;
• проверить новый сценарий, но не старый;
• принять отсутствие ошибки команды за правильный результат.

Перед началом работы задай проверку заранее:

Задача считается законченной только после проверки результата.

1. Покажи изменённые файлы.
2. Запусти команду проверки проекта.
3. Покажи полный вывод команды и код завершения.
4. Запусти приложение или сборку, если это возможно.
5. Проверь основной сценарий вручную.
6. Если это веб-страница, проверь мобильный и десктопный вид.
7. Не пиши «готово», если файл не создан, команда не запускалась или проверка завершилась ошибкой.
8. В финале отдельно укажи:
   - что изменено;
   - что проверено;
   - что не удалось проверить.

Текст в промпте не превращается в механическую гарантию. Но он задаёт модели нужную последовательность и заставляет отделить сделанное от предполагаемого.

Какую модель Claude использовать?

Вот практическая карта для новичка:

Не выбирай Fable просто потому, что она самая мощная. Если задача занимает один короткий файл, стоимость и задержка могут не оправдаться.

Не выбирай Haiku для длинного рефакторинга только ради экономии. Дешёвый запуск, который пришлось повторить несколько раз, уже не обязательно дешёвый.

Для программирования запрос «какая модель Claude лучше для программирования» тоже слишком широкий: Claude модели различаются по нагрузке. Короткий скрипт и большой репозиторий - это программирование, но нагрузка разная. В первом случае достаточно Haiku. Во втором важнее контекст, последовательность действий и способность пройти проверки, поэтому начинать логичнее с Sonnet или Opus.

Я использую простое правило:

• чем меньше файл и дешевле ошибка, тем ниже можно спускаться по линейке;
• чем больше связанных частей, тем выше нужен класс;
• чем сложнее проверить результат, тем меньше смысла экономить на первой генерации;
• чем понятнее тест, тем проще сравнивать более дешёвые модели.

Если не знаешь, с чего начать, возьми Sonnet. Это рабочий дефолт, после которого можно перейти на Haiku ради цены или на Opus ради сложной задачи.

Как проверить, что модель действительно закончила работу?

Практический ориентир: Claude особенно полезен там, где усилия на проверку невелики по сравнению с усилиями на создание.

Для новичка достаточно трёх способов.

Тест

Подходит для функций, API и логики. Команда должна завершиться без ошибки и проверить именно новое поведение.

Запуск

Подходит для приложения, скрипта и сборки. Если файл не создан или программа не стартует, сообщение «готово» ничего не значит.

Визуальный осмотр

Нужен для интерфейса. HTML может быть корректным, а меню, отступы и мобильная версия всё равно сломаются.

Внешняя проверка должна быть независимой от самой фразы модели. Не проси агента просто подтвердить собственный ответ. Дай ему команду, тест или экран, по которому результат можно увидеть.

Пример для страницы:

1. Открой страницу на десктопной ширине.
2. Уменьши окно до мобильной ширины.
3. Проверь навигацию.
4. Нажми основные кнопки.
5. Обнови страницу.
6. Убедись, что данные не исчезли.

Если проверка занимает больше времени, чем сама генерация, агентное выполнение теряет часть смысла. ИИ по-прежнему полезен, но задачу стоит разделить на меньшие части.

Что делать, если GLM начинает раньше времени или останавливается?

В одном обсуждении пользователь описал GLM в режиме 1m, который начинал реализацию до окончания плана. Даже после явного требования сначала закончить архитектуру модель переходила к коду.

В другом тесте GLM остановился до создания файла. Автору пришлось вручную напомнить о незавершённом действии. В отдельном запуске модель также потребовала второго прохода и работала примерно 77 минут против 21 минуты у Fable, по наблюдению из личного бенчмарка GLM 5.2.

Рабочий контроль выглядит так:

1. на этапе плана запрети изменение файлов;
2. после плана попроси показать список действий;
3. разрешай реализацию только после подтверждения;
4. после каждого крупного шага проверяй существование файла;
5. после финального сообщения запускай тест или приложение;
6. если модель остановилась, отправляй короткое continue с конкретным незавершённым действием.

Промпт для этапа планирования:

Сначала только изучи проект и составь план.

Не создавай и не изменяй файлы.
Не запускай реализацию.
Покажи:
1. какие файлы связаны с задачей;
2. что именно в них изменится;
3. какие риски есть;
4. какой командой проверить результат.

После плана остановись и жди отдельного сообщения с разрешением на реализацию.

Если модель всё равно начинает писать, не спорь с её длинным отчётом. Останови сессию и вернись к короткому запросу с одним действием. Если модель сообщает о завершении, проверь результат снаружи.

Почему низкая цена GLM не всегда означает экономию?

В одном практическом наблюдении автор сравнивал работу GLM на задачах с GitHub issues и UI/UX. По его оценке, модель иногда тратила в 50-100 раз больше токенов на ту же задачу. Он описал длинные ответы и повторные переосмысления.

Это не универсальная цифра для каждой сессии. Это наблюдение одного практика, которое не следует принимать за общий независимый тарифный закон. Но оно хорошо показывает, что считать надо до конца.

Фактическая стоимость выглядит так:

Полная стоимость задачи =
токены + повторные запуски + ручное время + исправления

В тесте Entelligence GLM 5.2 решил столько же задач, сколько Claude Opus: по 25 из 45. При этом расходы GLM составили примерно 46% от стоимости Opus при включённом prompt caching.

Это сильный аргумент в пользу GLM для задач, где:

• результат проверяется тестами;
• модель не должна смотреть на экран;
• длинный вывод не мешает;
• есть время на контроль;
• цена одного запуска критична.

Но если модель начинает раньше времени, теряет часть tool call, останавливается до создания файла или делает десятки лишних итераций, низкая ставка становится только частью расчёта.

Как не перепутать Claude, Claude Code и API?

Разделяй так:

• Claude - семейство моделей Anthropic и пользовательский чат для текста, анализа и исследования.
• Claude Code - агентная оболочка для терминала, файлов, команд, тестов и Git.
• API - способ вызвать конкретную модель из собственного приложения или автоматизации.

Anthropic формулирует различие между обычным Claude и Claude Code так:

Claude Code может читать кодовую базу, менять несколько файлов, запускать тесты и работать с инструментами командной строки. Это другой способ дать модели действовать.

API нужен, когда Claude встраивается в собственное приложение, pipeline или автоматизацию. В запросе передаётся конкретный ID:

{
  "model": "claude-sonnet-5",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Build this feature"
    }
  ]
}

Подписка на пользовательский Claude не равна API-доступу. Anthropic отдельно указывает, что оплаченный чат не включает автоматический доступ к API Console.

Поэтому вопрос «какую модель использовать в Claude» сначала надо уточнить:

• нужен обычный диалог;
• нужна работа с локальным проектом;
• нужен программный вызов из приложения;
• нужна конкретная модель внутри API.

Если задача - изменить файлы и запустить проект, смотри в сторону Claude Code. Если надо получить ответ в чате, достаточно Claude. Если модель должна вызываться по расписанию или из собственного сервиса, нужен API.

Вопросы и ответы