10 ЛУЧШИХ ТЕКСТОВЫХ НЕЙРОНОК.

16.05.2025
Обновлено 19.07.2026

LLM (Large Language Model - Большая Языковая Модель) начинает свою историю с 60-х годов прошлого века и в настоящее время претендует на роль полноценного незаменимого помощника человека во всех сферах нашей жизнедеятельности.

Большая она потому, что имеет в своем хранилище информации более 70 млрд. числовых параметров (не путать с активными на каждый токен). Есть также и маленькие LM, но они узкоспециализированные.

Параметрами в общепринятом смысле называют некие переменные, которые преобразуют токены (например, слова) в числовые значения и векторы. Параметры регулируют вес внимания модели к токенам через контекстную связь этих токенов (слов). Например слова “курица” и “яйцо” - это два токена. Близкая векторная направленность токенов “курица” и “яйцо” позволяет нейросети понимать нас и отвечать, оценивая близость векторов нашего запроса, и на их основе подбирая близко направленные векторы для ответа. Например, “курица”-”цыпленок”, “варить”-”жарить”.

Большое количество параметров позволяет модели иметь более гибкую систему весов - силы внимания к токенам в пучке близких по смыслу векторов.

В ранних LLM, где стилизация часто характеризовала ответы и воспринималась как показатель "интеллекта" (ChatGPT 3.5, Grok 2 и др.) мы получали ответы, близкие по стилю к нашему запросу. Если мы обращались к нейронной сети с вопросом: “Ведомо ли тебе, о мудрейший интеллект, о некой тайне за семью печатями, скрытой на просторах интернета?”, то LLM отвечала: “О, да, путник, мне ведомо об этой тайне. И я могу поведать её тебе.” Такой ответ мог казаться результатом эмоционального всплеска, но на деле это всего лишь пучок векторов, максимально приближенный к пучку векторов нашего вопроса. При этом слово “путник” в данном примере — следствие обучения модели на текстах сказок и мифов с соответствующим стилем речи.

В современных LLM приоритет стилизации устарел. Теперь модели состоят из большого количества специализированных нейросетей, дополняемых модулями, которые проверяют ответы на соответствие критериям точности, информативности и уместности. Нейросеть не станет отвечать стилизованно, если вы ранее настраивали еe на другой формат общения или регулярно используете для решения конкретных задач. В таком случае модель будет искать более специализированный ответ и скорее даст обычное разъяснение, уточняя, что именно вы имеете в виду.

Это свидетельствует о значимом прогрессе в настройке весов и универсализации поиска токенов. Такие процессы обычно называют масштабированием. Они не только повышают точность подбора векторных представлений за счет тонкой настройки весов, но и расширяют их взаимозаменяемость. Простыми словами, нейросеть задействует лишь те токены, которые точнее всего соответствуют запросу, не перебирая все возможные варианты. Такой принцип отбора способствует быстроте и адекватности ответа, вместо подстраивания модели под стиль, что не всегда дает правильный результат. Этот принцип также частично решает проблему избыточного "поддакивания" пользователю в спорных ситуациях, когда требуется выбрать корректный вариант, хотя сам пользователь его отвергает.

Такие изменения в архитектуре нейросетей происходят довольно быстро. Масштабирование в одном направлении открывает возможности развития других аспектов обучения и настройки. Это приближает нас к этапу развития самообучающихся нейросетей, одну из которых уже неплохо настроила компания Meta.

Новое архитектурное построение китайской модели Absolute Zero Reasoner также позволяет нейросети обучаться самостоятельно, автономно предлагая задачи, оптимизированные для собственного обучения, и совершенствуясь, решая их посредством самообучения, полностью исключая необходимость во внешних данных.

И пускай ученые с успехом продолжают корпеть над разработкой новых способов контекстной связи токенов, а мы взглянем на то, что уже прекрасно работает и радует нас потоками свежайшей информации в удобное нам время.

На рынке LLM за последние два года отмечается небывалый рост инвестиций в исследования этих самых способов контекстных связей.

Если отбросить обещания, используя финансовые издания, как источники, то реальных инвестиций в искусственный интеллект за 2023-2025 было вложено около 200 млдр.дол., из которых США - 109 млдр.дол., Европа - 3 млдр.дол. (Франция больше всех - 1,3 млдр.дол.), Израиль - 12 млдр.дол., ну и Китай с остальными добавили. В 2026 году мировые расходы на нейросети выросли до 2,6 триллиона долларов.

Не будем особо останавливаться на вопросах финансирования, а посмотрим, каков результат на сегодня по доступным бесплатно-лимитным нейронкам.

10. PERPLEXITY AI

Передовой нейросетевой поисковик с функцией глубокого поиска Research, который фактически является одним из лучших на рынке. Использует несколько LLM, включая GPT, Claude, Grok, Gemini, а также собственные Sonar (на базе LLaMA) и R1 1776 (модификация DeepSeek R1). Нейросетью его не назовешь, а вот прекрасным ИИ-агентом для поиска на основе передовых нейросетей - вполне. Он автономно выполняет десятки запросов, анализирует сотни источников и генерирует структурированный отчет всего за пару минут. Также имеет собственный веб-браузер Comet на базе Chromium. Есть голосовой режим.

Конкуренты - нейросетевые поисковики EXA, KOMO, BRAVE, CONSENSUS, YOU вынуждены равняться на лучший поисковик не только по качеству поиска, но и по набору дополнительных функций.

Личный опыт: раньше часто пользовался им до появления разнообразных search-функций у передовых моделей. Он очень помогал в поиске технической информации в сфере разработки игр и 3D-графики. Сейчас использую его реже: он нередко выдает неработающие ссылки, но все равно рекомендую его для поиска.

9. LECHAT

LLM от французского стартапа Mistral AI. Можно использовать интеграцию с Gmail и Google календарем. Через платформу Hugging Face доступны простые модели Mistral AI с открытими весами, но свои основные разработки компания закрыла. Упорно развивается с ориентацией на бизнес-проекты.

Личный опыт: модель вначале дает более точные ответы (кодинг, вычисления), но по мере использования все больше начинает уходить в повторение ошибок и в конце начинает немного тупить. Интерфейс дружелюбный, нет “залипаний” вопросов, имеет стандартные инструменты: голосовой ввод, веб-поиск, размышления, генератор кода и диаграм, генерацию изображений, канвас. Также добавлен набор преднастроенных агентов и создание библиотек документов прямо в интерфейсе.

8. ERNIE и GLM

Две мощные китайские модели соответственно от Baidu и Zhipu AI делят это место. За последние годы обе компании значительно сократили отставание от ведущих мировых разработчиков искусственного интеллекта, предлагая современные языковые модели с поддержкой рассуждений, программирования и мультимодального взаимодействия.

ERNIE является флагманской моделью компании Baidu. Она особенно сильна в работе с китайским языком, поиске информации, анализе документов и генерации контента. Новые версии поддерживают обработку текста, изображений, аудио и видео, а также тесно интегрированы с экосистемой сервисов Baidu.

GLM, разрабатываемая компанией Zhipu AI, считается одной из самых быстро развивающихся китайских моделей. Она демонстрирует высокое качество при написании программного кода, логических рассуждениях и работе с длинными документами. Современные версии GLM успешно конкурируют с ChatGPT, Claude, Gemini, Qwen и DeepSeek во многих популярных тестах.

Обе модели активно развиваются и регулярно получают новые версии с улучшенной производительностью, расширенным контекстом и поддержкой агентных функций. Несмотря на ориентацию прежде всего на китайский рынок, они становятся все более заметными конкурентами крупнейших западных языковых моделей.

7. DEEPSEEK

Модель V3 одноименной китайской компании в начале 2025 года наделала много шума, представив миру технологию обучения значительно дешевле, чем у американских аналогов - около 6 млн дол. До конца свою технологию компания так и не раскрыла, но результаты моделей DeepSeek вполне соответствуют среднему уровню современных LLM. Характеристики первой успешной модели были заявлены компанией примерно на уровне MoE с 37 млрд активных параметров на токен, 61 слоем и механизмом внимания со 128 головами размерностью 128.

Такой механизм работает как отдел в офисе. Отдел - это слой, а головами называют сотрудников, которые специализируются на вопросе с разных точек зрения. Для ответа на вопрос они используют разные ключи и значения, что позволяет давать более точные ответы при меньших затратах, отключая работу непрофильных сотрудников.

Размерность головы (d_k) - это проекция вектора токена на три пространства: запросов (Q), ключей (K) и значений (V) для независимого выявления разных аспектов взаимосвязи между "яйцом" и "курицей".

Личный опыт: модель среднего уровня, которая может как сильно галлюцинировать, так и стабильно работать. Особых прорывов не делает, но функция выбора нейросетью стиля общения достаточно развита и местами очень удивляет своим разнообразием. Подойдет людям, которые любят общаться на разные философские и оригинальные темы.

6. QWEN

Неплохая LLM-модель от Alibaba Cloud с архитектурой MoE (Mixture of Experts).

Блоки определения контекстных связей токенов - это нейронные сети внутри большой нейросети, которые помогают определить, насколько другие токены ему близки, например насколько близко слово "курица" по контекстному значению (в конкретном предложении) к слову "яйцо".

Также модель использует механизм Grouped Query Attention (GQA) - группированное внимание запросов с "головами" для запросов (Q) и "головами" для ключей и значений (KV).

Qwen широко представлена более компактными, но мощными и хорошо настроенными моделями, на базе которых обучают локальные и мобильные модели. Например, компания PRISMLM создала на базе Qwen мобильную модель Bonsai.

Сателлит Alibaba Cloud - компания Ant Group - выпустила приложение LingGuang на основе Qwen, которое отвечает точными, структурированными ответами на сложные запросы пользователей с помощью 3D-моделей, аудиоклипов, диаграмм, анимации, интерактивных карт и даже мгновенно создаваемых приложений в дополнение к традиционному текстовому общению.

Личный опыт: вполне рабочая нейросеть для программирования и вычислений, но все равно иногда не понимает даже простые задачи. В некоторых вопросах нейросеть ориентируется даже лучше, чем другие, но общее впечатление остается неоднозначным. В интерфейсе есть проблема с "залипанием" вопросов. Это когда вместо нового написанного вопроса в запрос отправляется предыдущий.

5. GROK

Отличная нейросеть от компании xAI Илона Маска с прекрасным пониманием контекста токенов. Модель обучалась на суперкомпьютере Colossus (Мемфис, США), использующем 200 000 графических процессоров Nvidia H100. Многие параметры новой модели Grok компания xAI не раскрывает. Имеет сервис Collections API, упрощающий создание RAG-систем.

Обладает механизмом самопроверки, при необходимости активирует расширенные вычислительные ресурсы для решения сложных задач, таких как математические вычисления и научный анализ, имеет хорошую долговременную память на ключевые моменты общения, глубокий интернет-поиск и мультимодальность. Генерирует реалистичные изображения и видео высокого качества. Имеет голосовую функцию с разными стилями голосов.

По личному опыту: неплохо программирует и решает сложные задачи. Механизм контекстной связи между токенами по-прежнему отлично отточен и хорошо понимает даже обрывки слов с неправильными словосочетаниями. Однако местами модель все-таки часто ломает код и путается в диалоге. Семейство Grok по-прежнему стремится добавлять собственные идеи в ваши запросы, поэтому исправлять результаты приходится часто. Довольно интересная и своеобразная нейросеть с собственным характером, но в последнее время она стала менее доступной из-за лимитов. Поэтому сложные задачи бесплатно на ней уже не решить.

Ну а вот и четверка лучших, отчаянно сражающихся за первое место если не во всех категориях, то по меньшей мере в своих нишах.

4. KIMI

Обученная с помощью оптимизатора Muon, Kimi демонстрирует исключительную производительность в задачах, связанных с пограничными знаниями, рассуждениями и программированием, при этом оставаясь тщательно оптимизированной для агентных возможностей. Компания MOONSHOT постоянно расширяет линейку моделей и выходит в лидеры технологической отрасли, внедряя новые архитектуры. Выпущенная в июле 2026 года, обученная на основе механизмов Kimi Delta Attention и Attention Residuals модель KIMI K3 стала первой открытой моделью, достигшей отметки в 2,8 триллиона параметров. Это знаменовало собой очередной шаг в неуклонном стремлении открытых моделей к дальнейшему масштабированию.

Модель демонстрирует высокую производительность при длительной разработке. Работая с минимальным участием человека, она способна поддерживать продолжительные инженерные сессии, перемещаться по огромным репозиториям и управлять терминальными инструментами.

3. ANTHROPIC CLAUDE

Способность к пошаговому рассуждению и гибкость моделей Claude отмечают многие пользователи и специалисты. Anthropic придерживается политики высокого уровня информационной безопасности данных пользователей, уделяя большое внимание этической составляющей. Это достойная модель, хорошо подходящая для ежедневной работы с программированием. Она используется в агентном редакторе Claude Code для глубокого анализа и написания программного кода, а также через MCP в других редакторах и игровых движках. В основном компания развивает линейки моделей Sonnet и Opus.

Личный опыт. Пользуюсь постоянно. Код пишет отлично, но, как и многие другие модели, со временем начинает терять качество и работать менее стабильно.

2. CHATGPT

Несомненный маркетинговый лидер и многорукий чудотворец цифрового мира - модель ChatGPT от OpenAI, доступная в ограниченно-бесплатном режиме. Она обладает адаптивной голосовой функцией, распознающей интонации. Стоит отметить, что OpenAI в 2025 году выпустила две модели с открытым кодом - gpt-oss-20b и более мощную gpt-oss-120b. ChatGPT имеет почти те же недостатки, что и большинство других моделей: галлюцинации и ограниченную способность сохранять контекст в длительных сессиях.

С выходом ChatGPT-5 в 2026 году стало заметно, что модель стала значительно экономнее расходовать токены и чаще формирует более лаконичные ответы. Небольшой бесплатный лимит быстро заканчивается, что усложняет решение сложных задач. Платные тарифы также имеют ограничения на использование, что может влиять на продолжительную работу. По данным различных источников, количество платных пользователей ChatGPT неуклонно растет, однако они по-прежнему составляют лишь около 3-4% от общего числа пользователей сервиса.

Поскольку OpenAI - компания достаточно публичная и считается флагманом нейротехнологий, появились энтузиасты, которые на платформе OPENAIFILES пытаются освещать их действия.

1. GOOGLE GEMINI

Семейство мультимодальных моделей искусственного интеллекта (генерирующих различные виды данных - текст, изображения, видео и программный код), разработанное Google DeepMind. Gemini пришла на смену Bard и стала ключевым элементом стратегии Google в области искусственного интеллекта. На данный момент мощная модель Gemini 3.5 Flash фактически бесплатно доступна в Google AI Studio. Нейросеть обладает голосовой функцией, поддерживает глубокий анализ и веб-поиск. Архитектуру Gemini компания не раскрывает, однако нетрудно сделать вывод, что эта модель значительно превосходит средний уровень. Она обучена на огромных объемах информации, связанных с поисковой экосистемой Google, что делает ее хорошо подходящей для науки, разработки и бизнеса. Gemini интегрирована практически во все сервисы Google, а это огромная цифровая экосистема с широкими возможностями. Поэтому нейросеть остается одной из самых перспективных. В сочетании с другими моделями Google и всей экосистемой компании она образует чрезвычайно мощную среду для автономного выполнения практически любых задач современной IT-индустрии.

Личный опыт. Модель хорошо справляется с программированием, обладает отличной памятью и поддерживает контекстное окно объемом до одного миллиона токенов. На данный момент это одна из лучших моделей. Она превосходит многие другие практически по всем ключевым параметрам:

1. Доступность. Контекстное окно объемом до одного миллиона токенов позволяет вести очень длинные сеансы общения, причем таких сеансов может быть много. Если модель начинает путать контекст предыдущего диалога, можно просто начать новый разговор, не опасаясь быстрого исчерпания лимита.

2. Память. Качество сохранения контекста и обработки эмбеддингов диалога остается очень высоким даже в продолжительных сессиях.

3. Манера общения. Модель внимательно учитывает информацию, предоставленную пользователем, и редко игнорирует ранее полученные данные. Если предыдущие попытки оказались неудачными, она обычно принимает их во внимание, стараясь не повторять одни и те же ошибки и возвращаясь к логике общего решения задачи после замечаний пользователя.

4. Она лучше других моделей в своей интегрированности в вездесущие сервисы Google и другие платформы.

5. Она лучше других моделей в понимании цели вашей задачи и всегда стремится ее выполнить.

Минусы у нее тоже есть. Например, она может вам соврать, что видела вашу страницу или репозиторий и начать выдумывать несуществующие названия. В этом плане другие нейронки более честны.

Еще минус. Модель Gemini может зацикленно повторять одни и те же ошибки, определенный метод решения задачи преобладает, и модель просто не видит других вариантов. В таком случае лучше начать новый диалог. У других моделей это тоже есть, но это минус.

Также Google представила и разрабатывает на основе Gemini агентскую среду для программирования Antigravity с редактором и вместе с безопасной платформой повышенной приватности Private AI Compute (PAC). Платформа PAC обеспечивает полную сохранность личных данных и приватность в использовании нейросетей, поскольку все данные шифруются и хранятся в специальном частном вычислительном пространстве.

Подведу итог: если я где-то допустил ошибки, пожалуйста, напишите мне об этом.

Партнер Google - компания COHERE - также имеет собственные модели.

Сервис открытых моделей Hugging Face предоставляет доступ к множеству моделей в своем Hugging Chat. Вы можете выбрать модель и общаться с ней без переключения между вкладками. Также можно подключать свои MCP или использовать готовые.

Еще хочу вспомнить о мультимодальной нейронке Genspark, которая при поиске использует несколько ИИ агентов и генерирует страницы с нужной информацией - Sparkpages. И также о Manus, которая при регистрации требует номер телефона.

Агентный веб-браузер STRAWBERRY также заявляет о расширенных возможностях автоматизации интернет-серфинга. Вы можете создать тематических помощников с компетенцией продавца или менеджера, чтобы получать и обрабатывать уже отфильтрованную информацию из интернета.

Компания Inception представила диффузные модели LLM Mercury. Компания утверждает, что они способны работать в пять раз быстрее, чем современные LLM.

Компания IBM выпустила открытые корпоративные LLM Granite, которые используют архитектуру Mamba/Transformer, снижающую использование памяти без ущерба для производительности. IBM на их основе разрабатывает агентов для бизнеса, сотрудничая с платформой безопасности HACKERONE для выявления уязвимостей в агентных системах.

LLM-модель Llama от Meta AI - подразделения искусственного интеллекта компании Meta, владельца популярной социальной сети. Была представлена в двух модификациях: Llama 4 Scout и Llama 4 Maverick (более мощная). Данная модель вышла в апреле 2025 года и сразу же пошла в наступление, заявив, что превосходит лучшие на тот момент GPT-4o, Gemini 2.0 Flash и Claude Sonnet 3.7. В качестве весомого довода приводилось количество экспертов (специализированных нейронных подсетей модели - MoE): 16 в первой версии и 128 во второй. Обе модели имеют по 17 млрд активных параметров на токен. В настоящее время конкуренты уже оставили их позади.

Кроме этого, Meta ведет проект V-JEPA 2 - обученную на видеороликах модель визуального понимания и прогнозирования. Компания утверждает, что данная модель создана для управления роботами в реальной среде. При этом у Nvidia уже есть неплохая модель COSMOS, предназначенная для обучения роботов ориентации в реальном мире.

У проекта V-JEPA 2 есть сильный конкурент - ROBOBRAIN - нейронная модель пространственного мышления и долгосрочного планирования задач с открытым исходным кодом.

Агент COPILOT позиционируется как помощник с искусственным интеллектом на базе Microsoft Graph API от компании Microsoft. Microsoft Graph имеет доступ к данным пользователей программного обеспечения и сопутствующих продуктов Microsoft, что способствует персонализации контекста и повышению эффективности. Для нейронных вычислений используются ChatGPT от OpenAI и другие нейросети. В последнее время Copilot стал практически незаменимым при использовании сервисов Microsoft, таких как GitHub. Имеет встроенную голосовую функцию.

На рынке кодинга появляются такие модели, как обученный на рефакторинге IQuest-Coder.

Ещё одна крупная модель K2THINK с 32 миллиардами параметров от открытого сообщества разработчиков нейросетей LLM360 заявлена как эффективно решающая сложные математические задачи. Проект поддерживался Университетом искусственного интеллекта имени Мохаммеда бин Заида в Масдар-Сити, Абу-Даби. Сообщество LLM360 активно обучает и выпускает открытые модели, создаёт датасеты и метрики.

Модели конкурента HARMONIC - компании PRIMEINTELLECT сильны в математике и кодировании. Также компания разработала полезные для обучения с подкреплением инструменты, которые можно использовать и для оптимизации агентов. Агент для решения математических задач Aristotle работает по API.

Китайская компания MEITUAN представила неплохую открытую LRM (языковую размышляющую модель) семейства моделей LONGCAT, которые компания постоянно совершенствует.

Языковая модель без необходимости рассуждения из серии LING была выпущена сообществом includeAI, которое реализует инициативу Alibaba Ant Group в области общего искусственного интеллекта (AGI). Также была представлена модель Ring. Обе модели можно протестировать у провайдера ZenMux.

Конкурентом небольшой мультимодальной нейросети семейства Gemma от Google, предназначенной для работы на одном устройстве, является открытая мультимодальная нейросеть LFM2 от американской компании LIQUID. Данная компания разрабатывала технологию рекуррентных "жидких нейросетей", которая позволяет использовать небольшое количество адаптирующихся во времени нейронов для управления автомобилями и другими устройствами. Со временем эта технология переросла в нейросети "жидкого фундамента" и стала использоваться вместе со сверточными нейронными сетями и трансформерами для лучшего усвоения знаний. Вот LFM2 - нано-модели компании, предназначенные для использования на периферии.

Для гибкой и тонкой настройки LLM на основе пользовательских данных с поддержкой графических процессоров через API Vulkan Tether Data предлагает библиотеку QVAC-fabric-llm для аккуратного дообучения моделей на низкоранговых матрицах с заморозкой весов.

Также усовершенствованием LLM занимается компания POETIQ, разработавшая технологию рекурсивного подхода к дообучению моделей для улучшения рассуждений моделей.

Модель FALCON от Technology Innovation Institute при 7 миллиардах параметров показывает неплохие результаты.

Интересную функцию сравнения нейронок предлагаеться в проекте Калифорнийского университета в Беркли LMARENA, где вы используете сразу нейсколько нейросетей для одного задания, а потом оцениваете ответы. Простое и эффективное решение определения реальной пользы нейросетей без прилизанных бенчмарков.

Преимущества нейросетей также анализируются такими платформами, как ARTIFICIAL ANALYSIS, LIVECODEBENCH, компанией SCALE, специализирующейся на адаптации ИИ-решений под различные задачи, и другими похожими платформами, что отслеживают бенчмарки.

Кроме этого, всё больше популярности, доходов и инвестиций получают стартапы персонализированных агентов для общения. Такие сервисы, как POLYBUZZ, CHAI и другие захватывают внимание сообщества и продолжают набирать популярность.

Уже случившийся первый технологический прорыв дает надежду на большие свершения и одновременно немного пугает. Что же будет в будущем? Каких результатов добьется человечество в развитии новой мыслящей сущности? Философские вопросы, на которые человек ответить не может. Интересно, сможет ли на них ответить нейросеть?

Проходите SAID тест, чтобы еще раз убедится, что ИИ не способен нас обмануть.

said-корреспондент🌐