Какая нейросеть лучше: DeepSeek-V4-Pro или Qwen3.7-Max. Справедливое сравнение

Прежде чем сравнивать цифры бенчмарков, стоит честно сказать главное: Qwen3.7 Max — уже не актуальный флагман Alibaba. В августе 2026 года его сменил Qwen3.8 Max, и формально сравнивать сегодняшний рынок по модели 3.7 — значит смотреть в прошлое, а не на текущий выбор между реально доступными на сегодня опциями. Это отличает данную ситуацию от многих других сравнений моделей, где обе стороны хотя бы формально относятся к актуальному поколению разработки. Тем не менее разбираемся, что предлагали обе модели на момент своего расцвета, в чём каждая из них реально сильна, и почему прямое сравнение цены и возможностей всё равно полезно понять — хотя бы для того, чтобы правильно интерпретировать любые упоминания этих моделей, которые вам ещё встретятся в интернете, включая, возможно, устаревшие материалы, написанные до выхода Qwen3.8 Max.

Почему в 2026 году сравнивать эти конкретные версии — уже история, а не текущий выбор

Ситуация здесь серьёзнее, чем в обычном сравнении двух актуальных моделей: Qwen3.7 Max вышел 20 мая 2026 года на саммите Apsara, но уже 3 августа 2026-го Alibaba выпустила Qwen3.8 Max — модель с 2.4 трлн параметров на архитектуре sparse-MoE, которая позиционируется как универсальный флагман для агентных и мультимодальных задач по цене $2 за миллион входных и $6 за миллион выходных токенов. Один из источников, обновлённый 18 августа 2026 года, прямо называет 3.7 «пропущенным поколением» — то есть на момент подготовки этого материала сравнивать актуальную ситуацию на рынке нужно скорее с 3.8, а не с 3.7 Max, о котором идёт речь в заголовке этой статьи. Такой быстрый цикл смены поколений — не редкость для индустрии больших языковых моделей в 2026 году, где крупные компании выпускают обновления флагманских линеек буквально каждые несколько месяцев, из-за чего любое сравнение конкретных версий рискует устареть довольно быстро после публикации.

Похожая, хотя и менее драматичная ситуация — с DeepSeek V4 Pro: у него есть preview-версия, вышедшая 24 апреля 2026 года, и официальная GA-версия от 12 августа 2026-го с заметно улучшенными показателями — например, результат на Terminal-Bench вырос с 72.1% до 87.9%, а DeepSWE поднялся до 62.7%. Такой скачок между preview и финальным релизом сам по себе показателен: команда разработчиков продолжала активно дорабатывать модель уже после первого публичного анонса, и итоговые характеристики GA-версии заметно отличаются от того, что было доступно в апреле. Разные источники в интернете могут ссылаться на любую из двух версий модели, зачастую не уточняя явно, о какой именно идёт речь, что создаёт дополнительную путаницу при попытке сопоставить цифры из разных материалов, особенно если статьи писались в разное время в течение весны и лета 2026 года.

Для честности этого сравнения важно явно зафиксировать: там, где ниже упоминается DeepSeek V4 Pro без дополнительных уточнений, речь идёт об официальной GA-версии от 12 августа 2026 года как о наиболее актуальном на сегодня варианте модели. А раз в самом вопросе указана именно Qwen3.7 Max, сравнение ниже актуально именно на момент релиза этой версии — то есть на май-июль 2026 года, а не на текущий момент, когда Alibaba уже предлагает следующее поколение своей флагманской линейки.

DeepSeek V4 Pro: что за модель

DeepSeek V4 Pro вышел 24 апреля 2026 года в статусе preview, сразу в двух открытых вариантах — полноценный DeepSeek-V4-Pro и облегчённый DeepSeek-V4-Flash. Обе версии распространяются под лицензией MIT, веса опубликованы на Hugging Face, и модель можно запускать самостоятельно на собственном оборудовании, не завися от облачного API компании — что особенно ценно для организаций с повышенными требованиями к конфиденциальности данных или для тех, кто хочет полностью контролировать инфраструктуру, на которой работает модель. Официальная GA-версия вышла 12 августа 2026 года и насчитывает 1.6 трлн параметров при MoE-архитектуре — то есть модель активирует не все параметры разом на каждый запрос, а только релевантную часть сети, что делает инференс эффективнее по сравнению с плотной моделью аналогичного общего размера и снижает требования к вычислительным ресурсам при обработке одного запроса.

Цена модели заметно ниже конкурента, хотя точные цифры расходятся между источниками в зависимости от даты снимка данных — от $0.18 до $0.87 за миллион токенов в разных конфигурациях и с учётом временных скидок, которые время от времени предлагает компания. В среднем по нескольким источникам получается, что DeepSeek V4 Pro примерно в 6–9 раз дешевле Qwen3.7 Max — направление «в разы дешевле» подтверждается стабильно во всех источниках, даже если точная кратность разнится в зависимости от конкретной конфигурации и момента замера цены. Индекс интеллекта Artificial Analysis тоже оценивается по-разному в зависимости от времени замера — от примерно 45 баллов на более раннем снимке до 52–54 на более позднем, уже после выхода GA-версии в августе, поскольку модель заметно дорабатывалась в промежутке между preview и официальным релизом, и было бы некорректно напрямую сравнивать более раннюю оценку с итоговыми показателями конкурента.

Qwen3.7 Max: что за модель

Qwen3.7 Max вышел 20 мая 2026 года как проприетарная, закрытая модель, доступная только через API — в отличие от открытого DeepSeek V4 Pro, самостоятельно запустить эту модель на своём оборудовании не получится ни при каких условиях. Позиционируется модель как «Agent Frontier» — с явным акцентом на длинные автономные агентные сессии, до 35 часов непрерывной самостоятельной работы по одному источнику, и контекстным окном в 1 миллион токенов, что позволяет удерживать в фокусе внимания огромный объём информации в рамках одной продолжительной задачи без необходимости искусственно разбивать её на более мелкие фрагменты.

Сильные стороны Qwen3.7 Max проявляются прежде всего в агентных и общих бенчмарках: результат на SWE-bench Pro составляет 60.6% — по одному источнику это самый высокий результат среди проприетарных моделей на момент релиза. На Terminal-Bench модель лидировала на публичном лидерборде по состоянию на май 2026 года, опережая большинство конкурентов, доступных в тот момент на рынке. Также модель показывает сильные результаты на GPQA Diamond и Kernel Bench, где добивается 96% побед в соответствующих парных сравнениях с другими моделями.

Цена модели заметно выше DeepSeek: по разным источникам цифры варьируются от $1.475 за миллион входных и $4.425 за выходные токены до $2.50 и $7.50 соответственно — расхождение, судя по всему, тоже объясняется разными снимками времени и разными провайдерами, через которых измерялась цена. Индекс интеллекта Artificial Analysis на момент более раннего снимка данных составлял 47 баллов против 45 у DeepSeek V4 Pro — то есть по этому конкретному сводному показателю разница между моделями была минимальной именно на момент того конкретного замера, хотя, как уже говорилось, более поздние оценки DeepSeek заметно выросли после выхода GA-версии.

Бенчмарки: кто в чём сильнее

Разные агрегаторы бенчмарков расходятся в конкретных деталях цифр, но сходятся в общей форме вывода: Qwen3.7 Max опережает по большинству агентных и «общих» бенчмарков — SWE-bench Pro, Terminal-Bench, GPQA, HLE. Но здесь есть важная оговорка, о которой стоит сказать честно: один из источников, BenchLM, отдельно отмечает, что доверительные интервалы по многим из этих тестов пересекаются между моделями — то есть статистически разница не всегда является решающей, даже если абсолютные проценты выглядят разными на первый взгляд, и в реальном использовании на конкретной задаче итоговый результат может оказаться сопоставимым, несмотря на разницу в цифрах официальных таблиц лидеров.

DeepSeek V4 Pro, в свою очередь, уверенно доминирует в чистом алгоритмическом программировании — LiveCodeBench и Codeforces — и в математическом рассуждении, при этом стоит в разы дешевле конкурента и распространяется с открытыми весами, доступными для самостоятельного запуска на своей инфраструктуре. Множество независимых источников сходятся именно на этой форме итогового вывода: не «одна модель лучше другой» в абсолютном смысле, а «у моделей разные приоритеты и сильные стороны», и выбор между ними должен зависеть от конкретной задачи, которую вы решаете, а не от абстрактного общего рейтинга интеллекта, усреднённого по множеству разнородных тестов.

Стоит также учитывать, что разница в архитектурных приоритетах отражает и разные стратегии компаний-разработчиков. DeepSeek, судя по всему, сделала ставку на максимальную эффективность в узких, хорошо измеримых технических категориях — программирование и математика, — предлагая при этом открытые веса и низкую цену как способ завоевать долю рынка среди разработчиков и исследователей. Alibaba с Qwen3.7 Max, напротив, инвестировала в более широкую агентную функциональность и длинные автономные сессии, ориентируясь скорее на коммерческих клиентов, готовых платить больше за надёжность выполнения сложных многошаговых процессов без постоянного контроля со стороны человека.

Сведём ключевые параметры в таблицу для наглядного сравнения:

Обратите внимание на последнюю строку таблицы — она, пожалуй, самая важная для практического решения: если вы читаете этот материал уже после августа 2026 года, для Qwen стоит в первую очередь проверить, доступна ли ещё модель 3.7 Max, или провайдер уже полностью переключился на новую версию 3.8, что сделало бы часть цифр этого сравнения устаревшей для принятия сегодняшнего решения. То же самое касается и DeepSeek: если к моменту чтения статьи уже вышла версия V5 или другое существенное обновление линейки, приведённые здесь цифры стоит воспринимать как исторический ориентир, а не как актуальную точку сравнения для новых проектов.

Пример вызова обеих моделей через API

Для тех, кто хочет протестировать обе модели на своей задаче, вот базовая структура запроса к каждой из них:

json

{

  «model»: «deepseek-v4-pro»,

  «messages»: [{«role»: «user», «content»: «Write an efficient algorithm for this problem and explain its time complexity»}]

}

json

{

  «model»: «qwen3.7-max»,

  «messages»: [{«role»: «user», «content»: «Plan and execute this multi-step agentic task, checking progress after each step»}]

}

Первый пример намеренно построен вокруг задачи алгоритмического программирования, где DeepSeek V4 Pro демонстрирует наиболее сильные результаты среди сравниваемых моделей. Второй — вокруг многошаговой агентной задачи, требующей самостоятельного планирования и проверки прогресса на каждом этапе, — именно в этом сценарии раскрывается позиционирование Qwen3.7 Max как модели, заточенной под длинные автономные сессии без постоянного контроля со стороны оператора.

Кому что выбрать

Если приоритет — чистый алгоритмический код, математическое рассуждение, самостоятельный хостинг модели на своём оборудовании и минимальная цена за токен, более уверенным выбором выглядит DeepSeek V4 Pro: открытые веса под лицензией MIT дают возможность полного контроля над развёртыванием, а цена в несколько раз ниже конкурента делает модель экономически выгодной даже при больших объёмах использования, особенно если ваш проект предполагает интенсивную работу с задачами соревновательного программирования или сложными математическими вычислениями.

Если же задача — длинные автономные агентные сессии, где модель должна самостоятельно планировать и выполнять многошаговые процессы на протяжении многих часов без постоянного вмешательства человека, а цена вторична по сравнению с надёжностью выполнения сложной цепочки действий, — исторически более уверенным выбором была Qwen3.7 Max. Здесь стоит сделать важную практическую оговорку: если вы выбираете модель сегодня, а не на момент выхода 3.7 Max, разумно сначала проверить, не заменил ли Qwen3.8 Max свою предшественницу полностью — новая версия позиционируется как ещё более сильный универсальный флагман для тех же самых сценариев, и вполне вероятно, что провайдер, у которого вы планируете получить доступ к модели, уже переключился на новую версию линейки.

У SpeShu.AI есть аналоговые модели: SpeShu Claude, SpeShu Gemini, SpeShu ChatGPT. Они не уступают официальным моделям и при этом работают без VPN, оплачиваются картой банков РФ и стоят дешевле.

Отдельно стоит сказать про Студию SpeShu.AI — инструмент внутри этой экосистемы нейросетей для генерации фото, видео и аудио в одном месте. Для музыкальных экспериментов это удобно тем, что генерации получаются без лишних артефактов и «галлюцинаций» модели, референсы — если тестируете аранжировку по образцу — подгружаются стабильно, а для проектов с несколькими версиями трека есть библиотека файлов, которая не даёт потерять более раннюю версию хука при генерации новой. Внутри самой Студии доступно 100+ нейросетей — это отдельная цифра именно для инструментов Студии, тогда как вся платформа целиком объединяет уже больше 300 нейросетей для текста, изображений, видео и музыки. Сама платформа в этом смысле правильнее называется не просто агрегатором, а экосистемой нейросетей — она не просто даёт доступ к моделям по отдельности, а связывает их в общий рабочий процесс.

Частые вопросы

Актуальна ли ещё модель Qwen3.7 Max в 2026 году?
Формально да, но она уже не флагман линейки Alibaba — 3 августа 2026 года вышла Qwen3.8 Max, которая позиционируется как более сильный универсальный преемник с большим числом параметров и более широким фокусом на мультимодальные задачи. Один из источников прямо называет 3.7 «пропущенным поколением», поэтому перед принятием решения стоит проверить, доступна ли ещё интересующая вас версия у выбранного провайдера, или он уже полностью переключился на новую линейку.

Какая модель дешевле и насколько?
DeepSeek V4 Pro заметно дешевле — по разным оценкам, примерно в 6–9 раз в пересчёте на токен, хотя точные цифры расходятся между источниками в зависимости от даты снимка цены и конкретной конфигурации. Направление «DeepSeek дешевле» подтверждается стабильно во всех найденных источниках.

В чём именно DeepSeek V4 Pro уверенно сильнее?
В чистом алгоритмическом программировании — результат на LiveCodeBench составляет 93.5%, а рейтинг на Codeforces достигает 3206 очков — и в математическом рассуждении, где линия моделей DeepSeek-R1 традиционно демонстрирует сильные результаты. Qwen3.7 Max, в свою очередь, опережает в агентных и общих бенчмарках вроде SWE-bench Pro и Terminal-Bench.

Можно ли запустить DeepSeek V4 Pro самостоятельно?
Да, модель распространяется с открытыми весами под лицензией MIT, а сами веса опубликованы на Hugging Face. При наличии достаточно мощного оборудования её можно развернуть на собственной инфраструктуре, не завися от облачного API компании — в отличие от закрытой Qwen3.7 Max, доступной только через API.

Почему цифры бенчмарков в разных источниках так сильно расходятся?
Основная причина — разные даты снимка данных: обе модели активно дорабатывались после первого релиза, особенно DeepSeek V4 Pro между preview-версией в апреле и официальной GA-версией в августе. Кроме того, разные провайдеры API могут предлагать чуть отличающиеся конфигурации моделей, что тоже сказывается на итоговых цифрах цены и производительности в конкретных замерах.

Заключение

DeepSeek V4 Pro выигрывает по цене, открытости и алгоритмическому коду, а Qwen3.7 Max исторически была сильнее в агентных и общих задачах — но на момент чтения этой статьи стоит обязательно проверить, не сменила ли Qwen3.8 Max позиции своего предшественника, поскольку рынок в этой области меняется очень быстро, и любое сравнение конкретных версий рискует устареть уже через несколько месяцев после публикации. Лучший способ принять окончательное решение — протестировать интересующие модели на собственной реальной задаче, а не полагаться исключительно на цифры бенчмарков, которые местами противоречат друг другу между источниками и зависят от конкретной даты замера, конфигурации и версии модели. При пополнении баланса на SpeShu.AI промокод HABRSPESHUAI даёт +15% к сумме пополнения.