5 лучших китайских LLM-моделей в 2026 году: какая лучше всего подходит для программирования?

Лучшие китайские LLM-модели: краткий обзор

Независимые оценки взяты из текущего Artificial Analysis Intelligence Index, который объединяет девять тестов по программированию, работе в терминале, знаниям, математике и рассуждениям. Он шире рейтинга, ориентированного только на программирование, поэтому его следует рассматривать как один из сигналов, а не как окончательный вердикт. Изучить методологию Artificial Analysis и актуальные результаты моделей.

Цены — это тарифы GPT Proto, проверенные 20 июля 2026 года. Они могут измениться.

Как мы ранжировали китайские LLM-модели

Рейтинг «лучших китайских LLM-моделей», основанный только на общем числе параметров, поставил бы Kimi K3 на первое место и завершил обсуждение. Но это не помогло бы разработчику выбрать модель.

Вместо этого мы рассмотрели пять вопросов:

1. Как модель показывает себя в независимых тестах, а не только в бенчмарках ее разработчика?
2. Способна ли она поддерживать программирование на уровне репозитория и многократное использование инструментов?
3. Насколько быстро и дорого она работает при доступе через API?
4. Принимает ли она скриншоты, диаграммы или другие визуальные данные?
5. Может ли компания скачать, изменить и развернуть ее веса в коммерческой среде?

Последнее различие имеет значение. Термины «открытая», «с открытыми весами» и «с открытым исходным кодом» не всегда предоставляют одинаковые права. GLM-5.2 и DeepSeek V4 Pro используют разрешительную лицензию MIT. MiniMax M3 публикует веса по лицензии Community License. Qwen3.7 Max является проприетарной. Kimi K3 теперь публикует полные веса по собственной лицензии Kimi K3 License, которая разрешает широкое использование и модификацию, но добавляет условия для крупных Model-as-a-Service-компаний и очень больших коммерческих продуктов.

1. Kimi K3: лучшая китайская LLM в целом

Moonshot AI создала Kimi K3 для программирования, интеллектуальной работы и задач, требующих рассуждений и способных продолжаться на протяжении множества вызовов инструментов. Ее основные характеристики невозможно не заметить: 2,8 триллиона общих параметров, контекстное окно объемом 1M токенов и встроенное понимание текста, изображений и видео.

Архитектура интереснее, чем просто размер модели. Kimi K3 использует Kimi Delta Attention и Attention Residuals, активируя 16 из 896 экспертов для каждого токена. Это позволяет Moonshot масштабировать модель, не оплачивая полную вычислительную стоимость плотной модели с 2,8 триллиона параметров на каждом шаге. Руководство Moonshot по Kimi K3 объясняет архитектуру и контекстное окно.

Сейчас Kimi K3 получает 57 баллов в Artificial Analysis Intelligence Index, опережая остальные четыре модели в этом списке. Это также единственная представленная здесь модель, сочетающая такой уровень универсальных рассуждений со встроенным визуальным вводом. Поэтому она особенно актуальна для:

• Отладки frontend по скриншотам и журналам выполнения
• Воссоздания интерфейса по визуальному образцу
• Навигации по большому репозиторию в течение длительной сессии агента
• Объединения технических документов, диаграмм и кода
• Многократного тестирования и доработки приложения

Есть три существенных компромисса.

Во-первых, цена. В GPT Proto вывод стоит $13.50 за миллион токенов. Это более чем втрое дороже вывода GLM-5.2 и более чем в 14 раз дороже MiniMax M3. Длительный сеанс агента может генерировать множество токенов при планировании, редактировании, проверке результатов тестов и повторных попытках.
Во-вторых, инфраструктура. Полные веса K3 теперь опубликованы, но репозиторий занимает около 1,56 ТБ. Moonshot рекомендует развертывание на суперузлах с 64 или более ускорителями. Это модель с открытыми весами для инфраструктурных команд, а не загрузка для ноутбука.
В-третьих, лицензия. Kimi K3 распространяется не по лицензии MIT. Ее собственная лицензия в целом разрешает использование, модификацию, дообучение и развертывание, но добавляет условия для крупных Model-as-a-Service-компаний и очень больших коммерческих продуктов. Юридическую проверку следует включить в план развертывания.

Вердикт: выбирайте Kimi K3, когда задача достаточно сложна, чтобы оправдать более высокий счет за API, или когда важен доступ к передовой модели с открытыми весами. Для стандартных программирующих агентов GLM-5.2 остается более простой базовой моделью с открытыми весами.

2. GLM-5.2: лучшая китайская модель для программирующих агентов длительного действия

GLM-5.2 — это модель, с которой я бы начал создание серьезного программирующего агента.

Z.ai обучала ее специально для долгосрочных задач, а не рассматривала программирование как еще одну возможность чата. Это Mixture-of-Experts-модель с 753 млрд параметров, из которых около 40 млрд активны для каждого токена, контекстным окном 1M токенов, встроенным вызовом инструментов и весами по лицензии MIT. В анонсе GLM-5.2 от Z.ai описывается ее ориентация на долгосрочные задачи.

В Artificial Analysis Intelligence Index GLM-5.2 получает 51 балл. Что еще важнее для интерактивной разработки: независимые измерения показывают скорость вывода около 200 токенов в секунду. Это значительно быстрее MiniMax M3 и DeepSeek V4 Pro в том же наборе данных.

Такое сочетание хорошо подходит для:

• Рефакторинга всего репозитория
• Отладки нескольких файлов
• Длительных циклов работы в терминале и тестирования
• Миграций, затрагивающих код, конфигурацию и документацию
• Коммерческого самостоятельного размещения или дообучения

Лицензия MIT дает реальное преимущество. Команда может изучать веса, размещать модель в собственной среде и адаптировать ее без переговоров о проприетарном соглашении с оплатой за место.

Цена этого преимущества — текстовый формат. GLM-5.2 не может изучить скриншот сломанной верстки или напрямую рассуждать по дизайнерскому образцу. Независимые тесты также показывают, что модель относительно многословна. Высокая скорость генерации помогает, но лишний вывод все равно увеличивает счет.

При цене $1.26 за миллион входных токенов и $3.96 за миллион выходных токенов в GPT Proto GLM-5.2 не является самой дешевой моделью в этом списке. Зато это наиболее сбалансированная открытая модель для программирующего агента.

Вердикт: используйте GLM-5.2 по умолчанию, если вам нужен агент, способный сохранять фокус при работе с большим репозиторием. Выбирайте другую модель, когда визуальный ввод или минимально возможная стоимость токенов важнее.

3. Qwen3.7 Max: лучший вариант для быстрых программных задач через хостинг

Qwen3.7 Max — проприетарная агентная модель Alibaba. Она предоставляет контекстное окно 1M токенов, до 65 536 выходных токенов и расширенные рассуждения для программирования и длительного выполнения задач. В отличие от Qwen3.7 Plus, Max работает только с текстом. В анонсе Qwen3.7 от Alibaba Max представлена как базовая модель для агентов.

Ее самое полезное преимущество — скорость.

Сейчас Artificial Analysis измеряет скорость вывода Qwen3.7 Max примерно в 204 токена в секунду против около 65 у DeepSeek V4 Pro. Она также получает 46 баллов в Intelligence Index, немного опережая MiniMax M3 и DeepSeek V4 Pro.

Тариф GPT Proto делает модель еще интереснее: $0.36 за миллион входных токенов и $1.44 за миллион выходных. В реальной задаче программирования это сопоставимо с MiniMax M3, но при этом независимые результаты по общему интеллекту выше.

Qwen3.7 Max подходит для:

• Быстрого просмотра кода
• Текстового рефакторинга нескольких файлов
• Агентных задач, где время ответа влияет на пользовательский опыт
• Высоконагруженных задач через хостинг
• Команд, которым нужна сильная API-модель без управления весами

Компромисс — контроль. Qwen3.7 Max распространяется с закрытыми весами, поэтому ее нельзя развернуть в частном кластере или самостоятельно дообучить базовые веса. Кроме того, в ней нет визуального ввода, доступного в Kimi K3 и MiniMax M3.

Есть и вопрос актуальности. Alibaba уже анонсировала Qwen3.8 Max. Пока у новой модели не появятся стабильная документация, цены и независимые результаты, преждевременно заменять работающую интеграцию с Qwen3.7.

Вердикт: Qwen3.7 Max — лучший выбор, если важнее скорость через хостинг и низкая стоимость API, а не самостоятельное размещение или мультимодальный ввод.

4. MiniMax M3: лучшая китайская LLM по соотношению цены и возможностей для мультимодальной разработки

MiniMax M3 легко недооценить, если смотреть только на ее оценку 44.

Модель имеет примерно 428 млрд общих параметров и 23 млрд активных параметров, но поддерживает контекст 1M токенов и встроенный ввод текста, изображений и видео. MiniMax Sparse Attention сокращает вычисления внимания при максимальной длине контекста примерно до одной двадцатой от предыдущего поколения. MiniMax сообщает о девятикратном ускорении предварительного заполнения и пятнадцатикратном ускорении декодирования по сравнению с M2 при контексте 1M. В официальной карточке модели MiniMax M3 приведены сведения об архитектуре и скорости.

Это делает MiniMax M3 практичным вариантом для:

• Одновременного анализа диаграмм репозитория, скриншотов интерфейса и кода
• Анализа длинных документов и кода
• Мультимодальной диагностики ошибок
• Большого числа программных подзадач
• Агентов, которым нужен длинный контекст без стоимости вывода Kimi K3

В GPT Proto модель стоит $0.48 за миллион входных токенов и $0.96 за миллион выходных. Это самая дешевая модель по стоимости вывода в данном сравнении.

Веса можно скачать, но важно сохранять юридическое различие: MiniMax M3 использует MiniMax Community License, а не MIT. Открытые веса автоматически не означают неограниченное коммерческое использование. Компании, планирующей распространять, дообучать или самостоятельно размещать модель, следует изучить лицензию, а не полагаться на слово «открытая».

В GPT Proto текстовые вызовы используют основной endpoint MiniMax M3. Ввод изображений и файлов доступен через выделенный маршрут image-to-text в той же учетной записи.

Вердикт: MiniMax M3 — лучший выбор в списке по соотношению стоимости и возможностей. Выбирайте ее, если нужен мультимодальный ввод или планируется большое количество агентных подзадач.

5. DeepSeek V4 Pro: лучшая модель по лицензии MIT для backend-рассуждений

DeepSeek больше не является автоматическим ответом на вопрос «Какая китайская модель лучше всего подходит для программирования?» Конкуренция изменилась.

DeepSeek V4 Pro по-прежнему остается серьезным вариантом. Это Mixture-of-Experts-модель с 1,6 триллиона параметров, из которых 49 млрд активны, контекстным окном 1M токенов и весами по лицензии MIT. Она поддерживает режимы без рассуждений, с высоким и максимальным уровнем рассуждений в рамках одного семейства моделей. DeepSeek анонсировала V4 Pro и V4 Flash в апреле 2026 года.

Ее оценка в Artificial Analysis Intelligence Index составляет 44 — столько же, сколько у MiniMax M3, но меньше, чем у Qwen3.7 Max, GLM-5.2 и Kimi K3. Скорость вывода также ниже — около 65 токенов в секунду.

Почему же она остается в пятерке лучших?

DeepSeek V4 Pro по-прежнему хорошо подходит для текстовых backend-задач:

• Задач на алгоритмы и структуры данных
• STEM-рассуждений
• Поиска регрессий в backend
• Генерации и исправления тестов
• Частного развертывания, требующего разрешительной лицензии
• Агентных процессов с большим объемом вывода, где она дешевле GLM-5.2

В GPT Proto она стоит примерно $1.39 за миллион входных токенов и $2.78 за миллион выходных. Вход у GLM-5.2 немного дешевле, но DeepSeek выгоднее по стоимости вывода.

Вердикт: DeepSeek V4 Pro больше не является универсальным лидером, но остается одним из лучших вариантов для backend-рассуждений, когда важны развертывание по лицензии MIT и предсказуемая стоимость вывода.

Одна реальная задача программирования — пять разных вариантов

Рассмотрим более реалистичную задачу, чем просьба к каждой модели создать приложение со списком дел:

Приложение SaaS на TypeScript начинает периодически давать сбои во время OAuth callback после обновления библиотеки аутентификации. Программирующий агент должен изучить репозиторий, проследить поток callback и сессии, определить регрессию, изменить реализацию, добавить падающий тест, запустить набор тестов и подготовить сводку для pull request.

Пример полезной начальной инструкции:

Исследуй регрессию OAuth callback в этом репозитории.

Перед редактированием:
1. Составь карту путей callback, сессии и обновления токена.
2. Определи обновление библиотеки, из-за которого изменилось поведение.
3. Воспроизведи сбой с помощью теста.
4. Предложи минимальное безопасное исправление.

После редактирования:
1. Запусти соответствующие модульные и интеграционные тесты.
2. Перечисли каждый измененный файл.
3. Объясни оставшиеся риски.
4. Не заявляй об успехе, если не видел вывод тестов.

Лучшая модель меняется в зависимости от имеющихся данных и среды:

Поэтому я бы не направлял каждый шаг к одной модели. Практичный агент может использовать Qwen3.7 Max или MiniMax M3 для первичной диагностики, передавать сложное исправление на уровне всего репозитория GLM-5.2 и оставлять Kimi K3 для задач, требующих визуальных рассуждений.

Сколько будет стоить одна и та же задача программирования?

Предположим, что задача с OAuth использует:

• 100 000 некэшированных входных токенов
• 20 000 выходных токенов

Согласно указанным тарифам GPT Proto, стоимость модели для первой попытки составит:

Например, расчет для Kimi K3 выглядит так:

(0.1 × $2.70) + (0.02 × $13.50) = $0.54

Это не означает, что Qwen или MiniMax решат задачу за шесть центов. Это арифметика токенов для первой попытки. Если более дешевая модель создаст неправильный патч и потребует трех повторных попыток, ее реальная стоимость и время выполнения увеличатся. Кэширование, режимы рассуждений, вывод инструментов и число ходов агента также влияют на итоговый счет.

Полезный показатель — не цена токена, а стоимость одного принятого исправления.

Почему победитель бенчмарка может быть не лучшим программирующим агентом

Модель для программирования не изучает файлы, не выполняет команды и не объединяет патч самостоятельно. Агент, работающий вокруг модели, управляет:

• Тем, какие файлы репозитория попадают в контекст
• Тем, как представлены результаты поиска и вывод терминала
• Тем, используются ли точные патчи или переписываются файлы
• Моментом запуска тестов
• Действиями после неудачной команды
• Возможностью модели проверить собственную работу
• Объемом контекста, сохраняемого между ходами

Одна и та же модель внутри двух разных агентных систем может давать совершенно разные результаты.

Контекст 1M токенов, общий для всех пяти моделей, создает еще одну ловушку. Один миллион токенов — это максимальная вместимость, а не рекомендация вставлять весь репозиторий в каждый запрос. Нерелевантные сгенерированные файлы, код зависимостей и старые журналы могут отвлекать модель, одновременно увеличивая задержку и стоимость.

Лучший программирующий агент сначала извлекает релевантные файлы, размещает постоянные инструкции ближе к началу, обобщает старый вывод инструментов и расширяет контекст только тогда, когда этого требует расследование.

В одной фразе: выбирайте модель и агента вместе.

Какую китайскую модель для программирования выбрать?

Выбирайте Kimi K3, если вам нужны максимальные текущие общие возможности, задача включает визуальные данные или длительные рассуждения, а также если вы предпочитаете размещенный API или способны поддерживать развертывание модели с открытыми весами объемом 1,56 ТБ. Изучите собственную лицензию перед созданием на ее основе коммерческого Model-as-a-Service-продукта.

Выбирайте GLM-5.2, если вы создаете программирующего агента длительного действия и хотите получить лучший баланс возможностей, скорости, контекста, стоимости и свободы развертывания. Лицензия MIT и меньшие требования к инфраструктуре по-прежнему делают ее моей базовой рекомендацией для самостоятельного размещения.

Выбирайте Qwen3.7 Max, если вам нужна быстрая недорогая модель через хостинг и не требуются загружаемые веса или ввод изображений.

Выбирайте MiniMax M3, если важны стоимость и мультимодальность. Она особенно привлекательна для высоконагруженных процессов разработки, объединяющих скриншоты, файлы и код.

Выбирайте DeepSeek V4 Pro, если работа в основном связана с backend и вам нужна модель по лицензии MIT, которую можно запускать в собственной инфраструктуре.

Постоянного победителя не существует. Модели развиваются слишком быстро. Но можно создать уровень маршрутизации, который позволит менять победителя без переписывания приложения.

Как вызывать эти китайские LLM-модели через единый API

GPT Proto предоставляет доступ к пяти моделям через одну совместимую с OpenAI конечную точку чата. Вот запрос cURL с использованием GLM-5.2:

curl --location 'https://gptproto.com/v1/chat/completions' \
  --header 'Authorization: YOUR_GPTPROTO_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "glm-5.2",
    "messages": [
      {
        "role": "system",
        "content": "You are a senior software engineer. Separate confirmed evidence from hypotheses and never claim a test passed unless you saw its output."
      },
      {
        "role": "user",
        "content": "An OAuth callback began failing after an authentication-library upgrade. Return a JSON object with diagnosis_questions, files_to_inspect, likely_failure_modes, and test_plan."
      }
    ],
    "stream": false
  }'

Чтобы попробовать другую модель, измените значение model:

Регистр имеет значение для MiniMax-M3.

Вы можете сравнить более широкую коллекцию моделей GPT Proto или проверить актуальные тарифы с оплатой по мере использования перед направлением производственного трафика.