https://korchasa.dev/ru/tags/benchmarks/Recent content in Benchmarks on korchasa@*opsHugoruFri, 12 Jun 2026 00:00:00 +0000https://korchasa.dev/ru/posts/2026_06_12_agents_comparison_benchmarks/Fri, 12 Jun 2026 00:00:00 +0000https://korchasa.dev/ru/posts/2026_06_12_agents_comparison_benchmarks/<p><a href="https://github.com/korchasa/flowai-experiments/tree/main/agents-comparison" rel="nofollow noopener noreferrer external">https://github.com/korchasa/flowai-experiments/tree/main/agents-comparison</a></p> <p><img src="https://korchasa.dev/posts/2026_06_12_agents_comparison_benchmarks/image.png" alt="Иллюстрация: бенчмарки автономных агентов"></p> <p>Погонял на 40% лимита бенчмарки, приближенные к моим реальным задачам, на opus/fable/gpt-5.5 — полностью автономная агентская работа: генерация приложения с нуля, аудит проекта и три задачи реализации разной сложности.</p> <p>Что можно сказать хоть сколько-то уверенно:</p> <ul> <li>fable по качеству результата лучше opus-4.8 и gpt-5.5. Для себя сформулировал гипотезу fable medium = opus xhigh.</li> <li>opus xhigh — неожиданно дорогой из-за слишком долгих размышлений. Иногда дороже fable.</li> <li>Внешний вид — это все еще боль. Все темно-неоново-одинаковое.</li> <li>На полноценные тесты нужно будет 1-2 недельных лимита на claude x20.</li> </ul> <p>Гипотезы:</p>