# Какую модель Claude выбрать: гид по Mythos, Fable, Opus, Sonnet и Haiku
Канонический URL: https://zero2claude.ru/blog/claude-models-explained-choosing-best-model
Дата: 2026-07-25
Теги: claude, api, агенты, автоматизация
Anthropic объясняет, чем отличаются классы моделей Claude и как выбрать подходящую под задачу — от самой мощной Fable до быстрой и дешёвой Haiku.
У Anthropic теперь несколько классов моделей Claude, и самый частый вопрос, который они слышат от разработчиков — «а какую модель брать для моей задачи?». Раньше ответ был простым: бери что есть. Сейчас линейка выросла, и выбор стал не таким очевидным. Anthropic выпустила гид, который раскладывает всё по полочкам: какие бывают модели, чем они отличаются и как принять решение без долгих экспериментов.
## Главный совет: начинай с самой умной модели
Если убрать все нюансы, совет Anthropic звучит просто: по умолчанию начинай с самой мощной доступной модели, а под конкретную задачу подстраивай не саму модель, а «уровень усилий» (effort level) — параметр, который регулирует, сколько модель «думает» перед ответом.
Звучит нелогично — зачем платить за дорогую модель, если можно взять дешёвую? Но на практике стоимость за задачу (а не за токен) часто оказывается ниже именно у мощных моделей, особенно на низком уровне усилий. Дело в том, что умная модель обычно решает задачу за меньшее число «раундов» и меньше времени размышляет, чтобы получить верный результат. К тому же, если начать с маленькой модели и что-то пойдёт не так, сложно понять — это модель не справилась или дело в настройке промпта и инструментов.
Конечно, если задача чувствительна к задержке или бюджету, можешь и должен протестировать модели младших классов, пока не найдёшь идеальный баланс. Некоторые команды идут и в обратную сторону: стартуют с самой дешёвой модели и поднимаются по классам, пока качество не дотянется до нужной планки. Оба подхода рабочие — Anthropic описывает их в своей документации по выбору модели.
## Семейство моделей Claude
Ключевая идея, которую подчёркивает Anthropic: классы моделей не специализируются на разных областях. Никто не советует «эту модель — для финансов, а эту — для науки». Каждая модель Claude обучена одинаково хорошо работать с кодом, агентными задачами и интеллектуальной работой в целом. Разница между классами — в том, насколько сложную задачу модель способна надёжно вытянуть, и сколько это стоит по цене и скорости.
| Класс | Для чего | Особенности |
|---|---|---|
| Mythos / Fable | Самые сложные задачи: код, длинные агентные цепочки, нерешённые ранее проблемы | Топовые возможности во всех областях |
| Opus | Задачи корпоративного уровня, требующие рассуждений | Лидирует в бенчмарках знаниевой работы и агентного кодинга |
| Sonnet | Повседневные задачи широкого спектра | Баланс качества, цены и скорости, годится для суб-агентов |
| Haiku | Высокочастотные нагрузки | Самая быстрая и дешёвая модель |
## Mythos и Fable — предел возможностей
Mythos — самый мощный класс моделей Anthropic, с передовыми возможностями во всех областях. Он особенно хорош в коде, длительных агентных задачах и решении проблем, которые ИИ до этого надёжно не решал.
Интересная деталь: Mythos на самом деле выходит в двух «упаковках» одной и той же базовой модели. Claude Mythos предназначен для доверенных организаций, работающих с задачами двойного назначения в кибербезопасности и биологии, а Claude Fable — та же модель, но с дополнительными защитными механизмами, которые делают её безопасной для широкого использования. Обе версии требуют ограниченного хранения данных для безопасного применения.
Доступ к Mythos ограничен — модель доступна только организациям в рамках программы Project Glasswing. Это важно учитывать при планировании: не каждая компания и не каждая роль внутри компании получит доступ ко всем классам моделей.
## Opus — мощь для интенсивных рассуждений
Opus — это класс моделей для задач корпоративного уровня, требующих интенсивных рассуждений. Модели Opus стабильно оказываются среди лидеров по ключевым отраслевым бенчмаркам: например, по GDPval-AA (оценка знаниевой работы) и Terminal-Bench 2.1 (агентный кодинг).
На первый взгляд, выбор между Opus и Fable неочевиден — оба класса отлично справляются с кодом, длинными агентными задачами и знаниевой работой. Но на реальных сценариях крупные модели вроде Fable проявляют больше «мудрости», креативности и писательских навыков, даже если бенчмарки показывают похожие цифры с Opus. Общее правило простое: если твои эвалы или внутренние тесты показывают, что Opus где-то спотыкается — переходи на Fable. Если Opus уже уверенно проходит планку качества, то его скорость и цена делают его лучшим выбором.
## Sonnet и Haiku — рабочие лошадки
Sonnet — универсальный класс для повседневных задач. Он даёт баланс производительности, цены и скорости для самого широкого набора применений, включая высокочастотных суб-агентов в мультиагентных системах, где много параллельных вызовов модели.
Haiku — самый дешёвый и быстрый класс моделей Anthropic. Он создан для высокочастотных нагрузок, где задержка и стоимость критичны — например, для массовой обработки коротких запросов, где на первом месте не глубина рассуждений, а скорость ответа. Если ты только начинаешь разбираться, чем вообще отличаются модели и термины вроде «токен» или «промпт» — можешь заглянуть в [словарь новичка](/blog/beginner-glossary-10), там всё это разложено просто.
## Как выбрать модель под свою задачу
Anthropic предлагает конкретные вопросы, которые помогают определиться с выбором:
- **Насколько сложна задача?** Если она обычно занимает много времени, состоит из многих шагов или ранее не решалась надёжно — нужен более мощный класс модели.
- **Какие требования к задержке?** Для высокочастотных клиентских сценариев чаще всего лучшим выбором окажется Sonnet.
- **Какие есть ограничения доступа?** Mythos доступен только организациям в рамках Project Glasswing, и не все классы моделей открыты всем ролям внутри компании.
- **Какая экономика на единицу задачи?** Для больших объёмов производства может быть выгоднее взять модель младшего класса — особенно если эвалы показывают, что она справляется удовлетворительно. Модели по-разному тарифицируются за токен, и итоговая цена за задачу зависит от возможностей модели и выбранного уровня усилий.
Уровень усилий (effort level) тоже сильно влияет на баланс качества, скорости и цены. Модели старших классов на высоком уровне усилий дают максимально возможную производительность, а те же модели на низком уровне усилий иногда оказываются эффективнее моделей младших классов даже по деньгам.
Прежде чем экспериментировать с промптами и настройками вручную, попробуй разобраться в основах через бесплатный курс — например, С чего начать путь в Claude Code поможет освоить базовые принципы работы с моделями и инструментами Claude.
## Стратегия «советника»: объединяем силу моделей
Отдельный приём, который описывает Anthropic — «стратегия советника» (advisor strategy). Идея в том, что быстрая и дешёвая модель-исполнитель может обращаться к более умной модели, чтобы та проверила её план или оценила уже сделанную работу. Модель-советник подключается не постоянно, а только когда исполнителю нужна подсказка — и это заметно повышает качество результата без полного перехода на дорогую модель.
Пример из статьи: на бенчмарке SWE-bench Pro комбинация Sonnet 5 (исполнитель) с советником Fable 5 показывает результат в пределах 10% от результата, который дала бы чистая Fable 5 на всей задаче — но за 63% от стоимости использования Fable 5 целиком. Это отличная иллюстрация того, как разумное комбинирование моделей экономит бюджет, почти не теряя в качестве.
Стратегия советника особенно полезна в мультиагентных системах, где десятки лёгких суб-агентов делают основную работу, а один мощный «наблюдатель» подключается только для проверки критичных шагов.
## Роль эвалов и бенчмарков в выборе модели
Есть два основных способа проверить, достаточно ли возможностей модели для твоей задачи: стандартные бенчмарки и собственные эвалы (evaluations). Бенчмарки — это набор заранее определённых задач с известными решениями, часто заточенных под конкретную область. Они дают хороший ориентир при сравнении классов моделей и разных провайдеров.
Проблема возникает, когда речь заходит о самых мощных моделях, таких как Opus и Fable — они решают почти все вопросы в тесте, и бенчмарк «насыщается», перестаёт различать модели между собой. В таких случаях Anthropic советует тестировать модели на реальных рабочих нагрузках или собирать собственные эвалы для принятия решения. Обычно такие эвалы — это подборка задач из продакшена, включая сложные случаи, где текущие инструменты не справляются, с критериями успеха, которые определяет сама команда. Именно здесь начинают проявляться различия в возможностях и креативности между топовыми моделями — и между ними и остальным полем.
## Главный вывод
Единого универсального рецепта выбора модели Claude не существует — именно поэтому Anthropic держит несколько классов моделей одновременно. Лучший способ определиться — разобраться в базовых характеристиках каждого класса и глубоко понять свою задачу, а затем построить, поддерживать и регулярно прогонять собственные эвалы. Если хочешь глубже разобраться в том, как формулировать задачи для модели и задавать ей верную «роль», посмотри пост [Роль и тон: назначь Claude нужного эксперта](/blog/roles-and-tone) — это отлично дополняет выбор модели правильной настройкой промпта.
## Частые вопросы
Anthropic советует начинать с самой мощной доступной модели и подстраивать «уровень усилий» под задачу, а не сразу брать дешёвую модель — итоговая стоимость за задачу у мощных моделей часто оказывается ниже.
Это одна и та же базовая модель в двух «упаковках»: Mythos доступен только доверенным организациям для работы с чувствительными областями (кибербезопасность, биология), а Fable — та же модель с дополнительными защитными механизмами для широкой публики.
Sonnet подходит для повседневных задач и высокочастотных сценариев, где важны скорость и цена. Opus — для задач, требующих интенсивных рассуждений корпоративного уровня, где нужна максимальная надёжность результата.
Это подход, при котором дешёвая быстрая модель выполняет основную работу, а более мощная модель подключается только для проверки плана и оценки результата — так можно получить качество почти как у топовой модели, но заметно дешевле.
Топовые модели часто решают почти все задачи в стандартных бенчмарках, и тест перестаёт различать модели между собой. Собственные эвалы на реальных рабочих задачах точнее показывают, какая модель подходит именно тебе.
Если хочешь попробовать всё это руками — начни с бесплатного курса [«Claude с нуля»](/learn/claude-101).
По мотивам статьи Anthropic «Claude models explained: choosing the best model for your use case». Пересказали по-русски для новичков.