Рейтинг нейросетей, август 2026: сравнение с маем и июлем
Рейтинг нейросетей август 2026 из официального архива Arena: пять лидеров, сравнение с маем и июлем, границы оценок и даты, которые нельзя потерять при чтении.
Д
Денис
Продакт LibraChat
11 мин чтения
В официальном срезе Text Arena на 27 августа 2026 года первой стоит `claude-fable-5` с баллом 1507.5. В июльском срезе эта строка тоже первая, а в майском лидер другой — `claude-opus-4-6-thinking`. Так рейтинг нейросетей за август 2026 выглядит интереснее, чем короткое «вверху снова Claude»: меняются варианты, состав пятёрки и объём наблюдений, на котором держится оценка.
Строка `muse-spark-1.2 (xHigh)` заставила меня задержаться: у неё 3247 голосов, а у пятой позиции — 76079. Я выписал рядом границы оценок и вернулся к маю и июлю. Так получились три сохранённых среза с точными именами и наблюдениями. По ним можно восстановить опубликованный порядок и не принять современную таблицу за летний снимок.
Рейтинг нейросетей, август 2026: что вошло в срез
Источник чисел — официальный Arena Leaderboard Dataset. Я взял общий текстовый рейтинг с коррекцией стиля: поднабор `text_style_control`, историческую часть `full`, категорию `overall`. Для каждого из трёх месяцев выбрал последнюю фактически опубликованную дату в архиве. Это 27 мая, 30 июля и 27 августа. Называть их последним календарным днём месяца было бы неточно.
Ниже августовская пятёрка. Порядок мест сохранён из источника; баллы и границы округлены до десятых. «Голоса» — поле числа сравнений в архиве, а не количество решённых моих задач. Имена оставлены в исходном виде, чтобы вариант можно было найти и отличить от соседнего.
Место · Архивное имя модели · Балл · Границы оценки · Голоса
На этом этапе я не выбираю современную подписку. Передо мной исторический результат одного способа измерения. Он отвечает на вопрос, какие варианты занимали эти места в выбранной текстовой категории. Из него ещё нельзя узнать, какой продукт удобнее для файлов, какова его нынешняя цена или какой режим доступен конкретному человеку. Эти решения требуют своих сведений.
Самое заметное в пятёрке — сочетание близких оценок и разного объёма голосов. Четвёртая строка имеет меньше наблюдений и гораздо более широкие границы, чем пятая. Это повод читать соседние столбцы, а не превращать каждый номер места в окончательный приговор. Порядок таблицы я сохраняю; уверенность, которой источник не даёт, к нему не добавляю.
В мае первой была другая строка
Чтобы увидеть изменение, я вернулся к срезу 27 мая. Категория и вариант коррекции те же. Поэтому перед нами хотя бы один и тот же предмет сравнения: общий текстовый рейтинг, а не случайно собранные рядом результаты кода, картинок и поиска.
Место · Архивное имя модели · Балл · Границы оценки · Голоса
Если сократить имена до разработчика, почти всё изменение исчезнет. Но у человека, который восстанавливает прошлый выбор, задача точнее: найти конкретную версию и режим. Строка с дополнительной частью имени и строка без неё ранжируются отдельно. Я оставляю это различие даже там, где названия кажутся почти одинаковыми.
Здесь полезно остановить привычку достраивать отсутствующее. Из попадания в пятёрку не следует, что остальные модели были плохими. Из отсутствия в ней не следует, что модель ещё не существовала. Для такого вывода пришлось бы проверить весь список соответствующей даты и историю появления варианта. Пять лидеров — ограниченный срез, который нельзя незаметно превратить в каталог всех доступных инструментов.
Я бы сохранил майскую выписку с датой рядом с именем лидера. Тогда позже не придётся угадывать, о каком месяце шёл разговор. Особенно если в заметках осталось только короткое семейное название. Именно оно обычно переживает пересылку, а дата, коррекция и точный вариант теряются первыми.
Июль: новый лидер и широкая неопределённость пятой строки
Последняя июльская публикация выбранного поднабора датирована 30 июля. Первая строка уже другая. За ней остаются знакомые майские варианты, но сам список и объём наблюдений изменились.
Место · Архивное имя модели · Балл · Границы оценки · Голоса
Я задержался на пятой строке. Её границы заметно шире, чем у четвёртой, а голосов меньше. Если пересказать только место и центральный балл, эта часть информации исчезнет. Читатель получит уверенный порядковый список там, где источник сохраняет существенную неопределённость.
Для бытового решения это означает простую осторожность: я не стал бы платить только ради перехода от пятой строки к четвёртой, не проверив собственную работу. Рейтинг даёт кандидатов, но не измеряет, сколько правок потребуется именно моему письму или документу. В архиве нет такого персонального результата. Его нельзя получить вычитанием двух центральных баллов.
Июль и август показывают ещё одну ловушку. Часть похожих имён записана с `thinking`, часть с `high`. Я не склеиваю их автоматически и не объявляю каждую смену подписи новым независимым прорывом. Для сопоставления вариантов нужна история их обозначений. В таблицах я сохраняю исходные строки, а не исправляю архив под сегодняшние привычные имена.
Куда делась знакомая модель за пределами пятёрки
Отсутствие названия в коротком списке особенно легко прочитать неправильно. Чтобы проверить собственный вывод, я отдельно нашёл во всех трёх полных срезах одну и ту же строку `gpt-5.5-high`. Она присутствует, хотя ни в одну показанную пятёрку не вошла. Вот её места и оценки из того же поднабора:
Дата · Место · Балл · Границы оценки
27 мая 2026 — 8 — 1482.3 — 1476.7–1487.9
30 июля 2026 — 16 — 1481.5 — 1477.2–1485.8
27 августа 2026 — 16 — 1482.4 — 1478.5–1486.3
Место между маем и июлем изменилось с восьмого на шестнадцатое. Центральный балл при этом не уменьшился вдвое и вообще остался близким к прежнему. Поэтому фраза «модель стала вдвое хуже» была бы выдумкой. Порядковый номер показывает положение среди других участников. Он не является мерой, которую можно делить и получать долю утраченных способностей.
Для такого изменения я задаю три разных вопроса:
Сохранилось ли точное имя ранжируемого варианта?
Что произошло с его оценкой и её границами?
Как изменились остальные участники и наблюдения в том же списке?
В этом примере на первый вопрос есть прямой ответ: строка одна и та же. На второй отвечают числа рядом. Третий потребовал бы отдельного разбора полного состава, поэтому конкретную причину перестановки я здесь не назначаю. Такой порядок защищает от соблазна объяснить любой сдвиг любимой историей о разработчике.
Он помогает и при выборе сервиса. Если привычный вариант оказался ниже в общем списке, это повод посмотреть условия и собственные результаты, а не обязательно немедленно всё менять. Может выясниться, что задаче важнее стабильное выполнение конкретного ограничения, которого рейтинг отдельно не выделяет. Историческая строка полезна как наблюдение, но не содержит личного приказа переходить в другое приложение.
Есть ещё разница между датой обращения к архиву и датой его строки. Проверял файл я позже, а показанные оценки относятся к указанным публикациям мая, июля и августа. Я сохраняю обе даты в исходных записях. Если оставить только время скачивания, исторические числа будут выглядеть как сегодняшние; если оставить один месяц без источника, их станет трудно воспроизвести.
Что означает первое место, когда границы пересекаются
В справке Arena границы рядом с оценкой описываются как доверительный интервал. Это способ показать неопределённость оценки; номер места остаётся порядком в конкретной таблице. Пересечение границ двух строк не является готовым строгим тестом их равенства. Но и игнорировать его, объявляя убедительное превосходство по одному номеру, я бы не стал.
В августовской паре первых строк границы пересекаются. Поэтому я сохраняю формулировку «занимает первое место в опубликованном срезе». Слова «гарантированно лучше во всём» потребовали бы совсем других доказательств. Особенно если будущая работа отличается от состава задач, по которым собирались предпочтения пользователей.
Число голосов также не является баллом качества. Большой объём сравнений сообщает о количестве наблюдений. Чтобы оценивать результат, нужно читать и саму оценку, и её границы, и условия отбора задач. Уменьшать всё до одного столбца удобно для пересылки, но неудобно для решения. Я бы пересылал хотя бы имя, дату и границы вместе.
Есть и соблазн сравнить центральный балл одной строки между месяцами как показание прибора. В рейтинге меняются наблюдения и состав участников; это не личная контрольная работа, которую неизменно проверили одной линейкой. Поэтому я не перевожу небольшое изменение балла в процент роста способностей. Архив помогает восстановить опубликованный порядок, но сам по себе не объясняет все причины движения.
Почему одного слова Arena и месяца недостаточно
Во время сверки я нашёл июльскую публикацию Arena о фактической точности. Там описан отдельный способ соединить предпочтения людей и проверку утверждений. В августе вышел разбор стоимости агентных задач. Оба источника настоящие и датированные, однако их нельзя просто положить в наш текстовый ряд как ещё две точки той же кривой.
У агента и текстового ответа разные предметы оценки. Коррекция фактичности и коррекция стиля тоже не одно действие. Поэтому для трёх таблиц выше я зафиксировал один поднабор и одну категорию. Иначе место могло измениться из-за того, что мы незаметно переключили способ измерения, а затем приписали это исключительно улучшению модели.
Ещё опаснее взять действующую страницу и оставить в заголовке прошлый месяц. На ней могут появиться новые участники и новые голоса. Даже если старое имя осталось первым, это уже другой опубликованный набор сведений. Для исторического текста мне нужен архивный столбец даты, а не дата, которую я помню по чужому скриншоту.
Я проверил три вещи: в строках указан нужный месяц, категория совпадает и выбран исторический раздел. Файл официального архива сохранил отдельно; его отпечаток совпал с опубликованным хешем. Это не добавляет модели баллов. Зато позволяет повторить отбор и увидеть те же строки, вместо того чтобы доверять моему пересказу.
Что из этого пригодится для собственного выбора
Для современного выбора я взял бы из истории короткий список кандидатов и отдельно сформулировал свою задачу. Например: сократить собственную заметку, сохранив все ограничения, или объяснить непонятный фрагмент без добавления новых фактов. Затем заранее записал бы, как проверить результат. Архивный лидер не освобождает от этой работы.
Можно прямо сейчас открыть LibraChat и начать с нейтрального собственного текста. Предлагаемый запрос: «Сократи заметку, отдельно перечисли сохранённые условия и вопросы, на которые в исходнике нет ответа». Сначала сравни перечень с оригиналом. Здесь предлагается проба, а не заявляется якобы выполненный новый тест моделей из исторической пятёрки.
Историческое место не сообщает, какие именно модели входят в другой сервис. Я не переношу архивные названия в список моделей LibraChat. Если нужен общий порядок сравнения на своей работе, полезен материал о выборе модели под задачу. Он помогает превратить кандидата из рейтинга в проверяемое решение.
Перед покупкой стоит выяснить нынешний доступ к нужному продукту и действующие условия. Для отдельного текстового помощника LibraChat они указаны в тарифах. Историческая таблица не доказывает ни сегодняшнюю цену, ни доступность конкретного режима в чужом аккаунте. Эти сведения живут в другом времени и проверяются отдельно.
Я оставил себе карточку для следующей архивной выписки:
Кто опубликовал исходные данные.
Какой день указан у выбранного среза.
Какая арена, категория и коррекция использованы.
Какое точное имя варианта стоит в строке.
Какие границы и объём наблюдений сопровождают балл.
Для мая, июля и августа теперь есть одна воспроизводимая история. В ней видно, когда меняется первая строка, почему нельзя выбросить соседние столбцы и где сравнение останавливается. В следующей заметке я оставлю дату и способ измерения прямо рядом с первым местом. Без них даже точное число слишком легко превращается в историю о другом рейтинге.
