Лучшая нейросеть для написания кода: тест шести моделей на одном Telegram-боте

Какая нейросеть лучше всего пишет код — и почему вопрос неполный

Александр Юшкевич, AI-разработчик из Минска, собрал разговором с ИИ десятки проектов и на NeyroSummit 15 отвечал на вопрос, с которого начинает почти каждый новичок: на какой нейросети для написания кода работать. Его ответ — вопрос поставлен неточно. Лучшая нейросеть для написания кода — та, что даёт рабочий результат за разумное время и деньги, а не та, у которой дешевле запрос.

Поэтому он не пересказывал рейтинги: по его словам, модель, которая «бьёт бенчмарки», ничего не гарантирует. Он взял одну реальную задачу и прогнал её через шесть моделей.

Сам метод работы с кодом — «спросить, спланировать, выполнить» и цепочку «идея → ТЗ → MVP» — мы разобрали по этому же докладу в статье «Что такое вайбкодинг». Здесь только то, чего там нет: тест моделей и экономия.

Тест: один Telegram-бот, шесть моделей

Условия, по словам Юшкевича: сервис на базе VS Code (в расшифровке его название искажено, поэтому не называем), один и тот же проект — несложный Telegram-бот, по одному прогону на модель. Образцом был бот, который принимает голосовые и видео, отправляет звук в сервис распознавания речи и возвращает текст. Для сравнения: в конструкторе ботов, говорит он, такое собирают целый день.

Про GPT Codex 5.2/5.3 он сказал, что «говорят, круто», но у него модель упёрлась в ошибку, которую он так и не «оживил»; при этом отметил, что тестировал её мало — делать вывод по этому нельзя.

Критерий «работает» здесь простой: бот запустился, принял голосовое и вернул текст. Цены спикера — итоговые суммы без числа токенов, поэтому сравнивать их напрямую нельзя: это порядок величин, а не прайс. Берите из таблицы направление, а не цифры.

Вердикт практика

Claude Opus и Sonnet в таблицу не вошли: это вывод не из теста, а из практики спикера. В конце он назвал свой рейтинг на март 2026 — лучшая нейросеть для программирования, по его практике: Claude Opus 4.6 («да, он дорогой»), следом Sonnet 4.6 и Google Gemini: с ними, по его словам, можно «реально работать». Китайские модели он называет вариантом «можно что-то спросить» и как основной инструмент для сборки сервиса не рекомендует — это его предпочтение. Сам тест говорит чуть мягче: GLM-5 справилась на пятёрку, цена её компромисса — полчаса вместо трёх минут; DeepSeek тоже собрал рабочего бота, но очень медленно.

Главный довод про DeepSeek: за 11 центов получаешь около часа ожидания. Заметим: в тесте это время работы модели, а не твоего труда — но, по словам спикера, на дешёвых моделях в разы больше уходит и на подгонку и перезапуски, а их время уже твоё. «Лучше заплачу хорошему мастеру за полтора доллара, и он сделает быстро и качественно, потому что скорость тоже важна» — и добавляет, что на дешёвой модели тратишь в разы больше времени.

Для больших проектов он советует распределять роли: сильная модель пишет подробный план, а реализует его другая — подходящая по скорости и цене. Конкретную пару он не назвал.

Бесплатная нейросеть для кода: связка «конструктор → GitHub → доработка»

Бесплатная нейросеть для кода у Юшкевича — не одна модель, а цепочка, где дорогая модель подключается только на нужном шаге. Это обзор его подхода, а не готовая пошаговая инструкция: самый слабый шаг — подключение к серверу, его в докладе нет.

1. Бесплатный старт в конструкторе. Google AI Studio (режим Build собирает приложение по описанию), Emergent (по словам спикера, первый месяц за $0 и 100 кредитов, которых хватило на рабочий MVP) или Lovable (в декабре он получил промокод на два месяца Pro). Условия таких акций меняются — это не стабильный тариф.
2. Репозиторий как мост. В любом конструкторе есть кнопка GitHub: проект выгружается в репозиторий — «хранилище кода конкретного проекта». Для новичка этого достаточно: GitHub здесь нужен, чтобы перенести код из одного сервиса в другой.
3. Доработка сильной моделью. Юшкевич открывает репозиторий в чате Genspark (AI Chat) и работает там с Claude Opus 4.6. Важно: использовать именно AI Chat, а не агентов Genspark — агенты тратят кредиты. Тариф, по его словам, около $20 в месяц при оплате за год; помесячно выйдет дороже, а условия он советует читать — иногда доступ ограничивают. Как именно он подключает чат к своему серверу, в докладе не раскрыто.
4. Свой сервер или хостинг. Итоговый сервис, по его примерам, живёт на недорогом сервере: сервис каруселей обходится в 220 рублей в месяц на сервере или 190 рублей в год на хостинге. Виртуальный сервер, говорит он, поднимается за три минуты.

Одно предупреждение от редакции: не выгружай в репозиторий ключи и токены. Храни их в переменных окружения и не делай репозиторий публичным, пока не проверил, что секретов в коде нет.

Итог по его подсчёту: рабочий сервис «на пять долларов с тестами» — бесплатный старт в конструкторе плюс доработка в Genspark. Из чего сложилась эта сумма, спикер не раскрыл, и восстановить это по записи нельзя. При расчёте своего бюджета отдельно учти подписку (около $20 в месяц при годовой оплате) и содержание сервиса (сервер или хостинг); входят ли они в названные $5, неизвестно.

Правило трёх попыток и «радиус взрыва»

Две привычки, которые экономят токены надёжнее любой подписки.

Три попытки. В докладе правило звучит так: если ИИ не справился после трёх попыток, остановись (клавиша Escape), разбей задачу на более мелкие части и не трать токены на борьбу — это потеря времени и денег.

Радиус взрыва. Давай модели маленькие задачи, а не «это не работает, доработай ещё фронтенд и бэкенд». Цель — всегда иметь точку возврата к рабочему состоянию: ошибка в одном небольшом шаге откатывается, а не рушит весь проект. Самый простой способ — после каждого рабочего шага выгружать проект в GitHub кнопкой конструктора: версия в репозитории и есть точка возврата, к ней можно вернуться, скачав прошлое состояние.

Добавь к этому гигиену контекста: чем длиннее чат, тем «хуже голова» у модели, а постоянные файлы правил (вроде agents.md) подтягиваются в каждую сессию. Как с ними работать, разобрано в статье «Контекст-инжиниринг для ИИ-агентов».

Как провести свой тест моделей

Тест Юшкевича повторить просто, и он даст честнее любого рейтинга: у тебя своя задача и своя планка «работает».

Ты senior Python-разработчик. Напиши полностью рабочий код Telegram-бота.

Задача бота: принимает голосовые сообщения и аудиофайлы, отправляет звук в сервис распознавания речи и возвращает пользователю текст.

Требования:
- один файл main.py и файл requirements.txt;
- использовать только указанный ниже сервис распознавания;
- ключи читать из переменных окружения, в коде их не хранить;
- понятные сообщения об ошибках для пользователя;
- в конце — инструкция запуска в три шага.

Сервис распознавания речи: [впиши выбранный].
Если не хватает данных, сначала задай не больше трёх вопросов.

Чтобы сравнение было честным, зафиксируй условия: один и тот же сервис распознавания речи (выбери его сам и впиши в промпт, а не оставляй на выбор модели), одно окружение и одни и те же тестовые файлы — короткое голосовое и заведомо битый файл. Давай каждой модели один и тот же текст и, если она просит уточнений, одни и те же ответы. После запуска проверь результат одинаково: бот принял голосовое, вернул текст, на битый файл ответил понятной ошибкой, а не упал.

Запиши результат в таблицу:

С чего начать сегодня

Вопросы и ответы