Как использовать Claude Code в 8 раз дешевле: подключаем китайские модели

Всем привет! Сегодня разберём, можно ли использовать Claude Code с китайскими моделями вместо Opus и сколько на этом реально сэкономить.

Если вы не знакомы с Claude Code – это ИИ агент не только для написания кода, но и для решения повседневных задач. Подробнее я разбирал в предыдущей статье.

Проблема в том, что на тарифе Pro за $20 в месяц лимиты заканчиваются очень быстро, а подписка Max за $200 это дороговато. И тут я подумал: а что если подставить вместо Opus китайскую модель, которая на бенчмарках показывает 80–95% от его результата, но стоит в 8 раз дешевле?

Взял две китайские модели Kimi K2.6 от Moonshot AI и GLM-5.1 от Z AI и прогнал их на привычных задачах и сравнил с Opus. Не в написании кода, а на повседневных задачах: создать лендинг, сделать карусель для соцсетей, анализ данных, что-то в интернете поискать сравнить, написать какой-нибудь не сложный Telegram-бот и т.д.

Забегая вперёд: результаты оказались неожиданными. Где-то китайские модели выиграли у Opus, где-то проиграли, а где-то разница оказалась чисто вкусовой. В конце статьи будет пошаговая инструкция, как подключить любую из этих моделей к Claude Code за пять минут. Работает и в терминале, и в десктоп-приложении, и в VS Code, везде где вы привыкли запускать Claude Code

Эксперимент

Участники

1. Claude Opus 4.7 — эталон. Самая мощная и самая дорогая модель в экосистеме Claude.

2. Kimi K2.6 — На бенчмарках практически равна Opus.

3. GLM-5.1 — Вышла 27 марта 2026 года. На кодинг-тестах показывает 94.6% от результата Opus.

Задачи

Условия были такие: одинаковые промпты, одинаковые скиллы Claude Code, одинаковые MCP-серверы. Меняется только модель LLM.

Погнали.

Задача 1. Лендинг

Итак, задача с которой все надеюсь часто встречаются это сделать лендинг. Промпт на английском намеренно. Модели лучше понимают дизайн-инструкции на английском, а указание конкретных шрифтов и антипаттернов (no purple gradients, no Inter) помогает избежать типичного «AI-слопа».

Create a landing page for AI consulting company «NeuralEdge». Single HTML file with Tailwind CSS via CDN. Light theme, white background. Colors: deep teal (#0D4F4F) primary, coral (#FF6B4A) accent. Fonts: «DM Sans» and «Fraunces» from Google Fonts. Sections: hero with headline and CTA, 3 problem cards, 3 services, case studies carousel, contact form, footer. Scroll animations with IntersectionObserver. Mobile responsive. No purple gradients, no Inter font.

Результаты

Opus справился примерно за 3 минуты. Полноценная страница за одну итерацию: hero-блок с метриками и анимациями, карточки проблем с hover-эффектами, секция услуг, карусель кейсов, контактная форма, подвал. Насыщенный маркетинговый дизайн, много контента на каждом экране.

Kimi K2.6 справилась тоже за 3 минуты. Но результат визуально другой: чище, минималистичнее, меньше визуального шума. Если Opus сделал «маркетинговый сайт», то Kimi — скорее «дизайнерский». Субъективно мне лендинг Kimi понравился больше.

Оба лендинга можно показать клиенту. Разница чисто вкусовая, а Kimi стоит в 8 раз дешевле.

---

Задача 2. Instagram-карусель

Здесь модель должна не просто сгенерировать текст, а пройти полный пайплайн: подключить скилл content-factory, собрать HTML, отрендерить через Playwright в PNG.

Промпт

Создай Instagram-карусель на тему “5 способов использовать AI в продажах”. 6 слайдов, 1080x1080px, готовые PNG. Используй скилл content-factory. Профессиональный дизайн, конкретные цифры и метрики на каждом слайде.

Результаты

Opus написал красивый Python-скрипт с авторскими SVG-иллюстрациями для каждого слайда каскад кругов, радиальный граф, аудио-волна, кривая прогноза. Дизайн-система продуманная, код элегантный. И на выходе дал довольно логичный, на мой взгляд не плохой результат

GLM подключил скилл content-factory (который был уже у меня установлен глобально) и довёл задачу до конца: сгенерировал HTML и сразу отрендерил в PNG. Причём сделал два дизайн-варианта по 6 слайдов. Оба выглядят вполне профессионально.

Для инфлюенсера, блогера которому нужно выложить карусель в Instagram через 10 минут, Opus оказался полезнее. GLM написал более красивый код, нодобавил эмоджи за это минус бал.

---

Задача 3. Анализ данных с графиками

Данные подготовил заранее заранее: 820 строк, 15 колонок, 20 намеренных дубликатов, 8 пропущенных значений, заложенные корреляции. Правильный ответ я знал заранее, поэтому мог объективно проверить точность.

Промпт:

Проанализируй файл sales_data_q4_q1.csv — данные по продажам за Q4 2025 и Q1 2026. Нужен полный отчёт: очистка данных, метрики, корреляции, 5 графиков PNG, выводы и рекомендации. Python, pandas, matplotlib.

Результаты

Opus решил примерно за 7 минут. Нашёл датасет, правильно удалил 20 дубликатов, рассчитал все метрики, обнаружил заложенные корреляции, построил 5 графиков. Пропущенные значения заполнил медианой. Даже нашёл аномалию в данных, которую я не закладывал специально. Результат классный.

GLM нашёл все дубликаты, посчитал правильную выручку, построил такие же 5 графиков. Но пропущенные значения заполнил иначе создал категорию «Unknown», которая потом вылезла в отчёте с 25% возвратов и исказила картину. Opus с медианой в этом месте оказался аккуратнее.

Выводы

Обе модели нашли дубликаты и посчитали выручку правильно. Но пропущенные значения обработали по-разному. Opus заполнил пропуски медианой аккуратно и без искажений. GLM создал категорию «Unknown», и она вылезла в отчёте как канал с 25% возвратов. Это вводит в заблуждение: на самом деле это просто 4 строки без данных, а не реальный канал с плохими показателями.

Для работы с данными Opus надёжнее не потому что умнее считает, считают они одинаково, а потому что аккуратнее обрабатывает крайние случаи.

---

Задача 4. Telegram-бот

Задача на архитектурное мышление: не просто «написать код», а продумать, что будет с длинным видео, со спецсимволами в названии, с пустой транскрипцией.

Промпт

Напиши Python-скрипт для Telegram-бота: принимает ссылку на YouTube-видео, скачивает аудио, транскрибирует через Whisper, делает краткое саммари и отправляет пользователю. Сохрани как bot.py с requirements.txt и README.

Результаты

Opus написал полностью асинхронный бот, который использует Whisper через облачный API — не нужна GPU на сервере. Если видео длинное и аудиофайл получается большим, бот автоматически разрезает его на 15-минутные куски и транскрибирует параллельно. Код обрабатывает спецсимволы, обрезает слишком длинные транскрипты, корректно чистит временные файлы. Можно деплоить на VPS без изменений.

GLM написал рабочий бот покороче, но с другой архитектурой. Whisper используется локально, а значит нужна машина с GPU. Разбивки на куски нет, поэтому длинные видео просто упадут. Конфигурация через .env-файл, ручная очистка временных файлов. Как прототип для демонстрации вполне рабочий, но до продакшена его нужно дорабатывать.

Выводы

Оба бота рабочие, но разница принципиальная. Opus сразу написал production-код: длинные видео режет на куски, транскрибирует параллельно, Whisper через облако не нужна GPU. GLM написал прототип, который упадёт на видео длиннее 25 минут и требует машину с GPU для работы. Для демо сойдёт, для реального использования нет.

---

Задача 5. Финансовая модель SaaS

Задача была такая: составь финансовую модель SaaS-стартапа на 12 месяцев в Excel с формулами и графиками.

Промпт

Составь финансовую модель для SaaS-стартапа на 12 месяцев. MRR на старте $5000, рост 15% в месяц, churn 5%, CAC $200, LTV/CAC целевой 3x. Рассчитай: помесячный MRR, ARR, количество клиентов, unit-экономику, точку безубыточности. Результат — Excel-файл с формулами и графиками.

Результаты

Opus собрал Excel на 4 листа с аналитическим подходом. Помесячная модель с 17 колонками, unit-экономика с пояснениями для каждой метрики, два индикатора безубыточности в формате «светофора». В целом получилоь хорошо, учитывая что промпт был не детальный а просто 4 строки, конечно качество можно и нужно регулировать чуть большим контекстом о бизнес модели и данных

GLM тоже собрал 4 листа, но с другим фокусом — более операционным. Добавил расчёт найма сотрудников (максимум 50 клиентов на одного, зарплата $4000 в месяц), отдельную строку COGS, переменные расходы в процентах от MRR. Это сделало модель реалистичнее, но пояснений для стейкхолдеров в ней меньше. Но результат не хуже, где-то даже лучше чем OPUS

Выводы

Оба сделали профессиональные модели, просто с разных сторон. По 1 баллу каждой модели

---

Итоги

Мои мысли

Китайские модели в Claude Code не замена Opus, а способ экономить на задачах, где максимальное качество не критично. Бенчмарки обещают 80–95% от Opus, и на практике это подтверждается: лендинги, карусели, финансовые модели получаются вполне сопоставимого уровня.

Главный вывод из эксперимента: разница не в качестве генерации все модели генерируют хороший код. Разница в надёжности. Находит ли модель нужный файл, проверяет ли входные данные, предусматривает ли edge-кейсы. Opus делает это стабильно. Китайские модели — чаще всего, но не всегда.

Я считаю, если вы не пишите код, то сейчас уже можно подключать себе китайские модели. Имхо

---

Инструкция по подключению моделей к Claude Code по ссылке и в тг канале

Спасибо, что прочитали ❤️, если что-то было не понятно, пишите и подписывайтесь на телеграм канал