Иногда в одном обсуждении встречаются люди с разным уровнем погружения в нейросети. Они начинают сравнивать опыт, и тут всплывает проблема: фраза вроде «Я использую GPT для своих задач, и он лучше справляется, чем Qwen» буквально ни о чём не говорит, пока мы не уточним контекст. Более того — она легко вводит собеседника в заблуждение.

Два человека, использующие одну и ту же модель, могут получать кардинально разные результаты. Причина — в условиях, в которых модель используется. В этой статье объясняется, почему так происходит, и как обсуждать ИИ-агентов так, чтобы разговор был предметным.

Почему фраза «я использую GPT» ничего не значит

Потому что на результат влияют как минимум четыре слоя:

1. Какая именно модель (семейство, версия, конкретный вариант).
2. Режим размышления (обычный ответ или reasoning-режим, а также количество токенов, потраченных на рассуждения).
3. Инструменты, доступные модели (веб-поиск, анализ файлов, интерпретатор кода, агентные функции).
4. Клиент или продукт, через который вы общаетесь с моделью (chatgpt.com, API, Cursor, плагин в IDE, корпоративный портал и т.д.) — он добавляет системные инструкции, ограничения и «обвязку».

Вы → (клиент/продукт + его системные инструкции + лимиты) → (модель + режим) → (инструменты, если доступны) → ответ

Поэтому корректное сравнение начинается с нормализации описания: что именно и в каких условиях вы запускали.

Версия модели

При сравнении важно указывать точную версию модели. Скачки качества между поколениями могут быть огромными. Опыт с GPT-3.5 и современной моделью — это разные миры.

Но даже у одной версии, например GPT-5.2, могут быть разные режимы: gpt-5.2-instant, gpt-5.2-thinking, gpt-5.2-pro. У пользователей без платной подписки часто нет осознанного выбора между ними.

Режим instant работает быстрее, но даёт менее качественные ответы. Режим thinking тратит больше времени и токенов на внутренние рассуждения. Бесплатные пользователи получают его реже и с жёсткими лимитами. Плюс у них обычно меньше контекстное окно — это тоже снижает качество.

Модели с рассуждением: первый большой фактор качества

Reasoning-модели «думают перед ответом»: они тратят дополнительные токены на внутренние цепочки рассуждений, лучше справляются с логикой, планированием и многошаговыми задачами.

OpenAI описывает такие модели как обученные «думать перед тем, как отвечать» — это внутренний chain-of-thought. Качество растёт примерно как у человека, который подумал, против того, кто ляпнул первое, что пришло в голову.

Примеры у других вендоров: Claude Sonnet/Opus, Gemini Pro, Deepseek с режимом DeepThink.

Reasoning стоит денег, потому что тратит много токенов. Чем глубже модель «думает», тем больше вычислений. Поэтому вендоры ограничивают reasoning в бесплатных тарифах — и качество падает.

Поиск в интернете: второй большой фактор качества

LLM обучаются на устаревших данных и склонны к галлюцинациям. Веб-поиск решает обе проблемы:

• даёт доступ к актуальной информации;
• снижает риск выдумок — модель опирается на реальные источники.

На chatgpt.com поиск часто включается автоматически. В других продуктах — вручную или не включается вовсе. Если его нет, качество ответов может быть намного хуже.

ChatGPT через сторонние сервисы

chatgpt.com — это официальный продукт с определёнными режимами и инструментами. Многие используют сторонние интерфейсы, которые работают через API. В этом случае условия задаёт не OpenAI, а посредник.

Через API можно ограничить контекст, длину ответа и глубину рассуждений. Поскольку reasoning и длинные ответы стоят дороже, посредники часто их урезают, чтобы сэкономить.

Веб-поиск в API — отдельная опция с дополнительной стоимостью. Его могут не включать или включать редко. Отсюда эффект: «ChatGPT умнее на chatgpt.com, чем в сервисе X» — потому что там чаще доступны reasoning и веб-поиск.

Продукт — важная надстройка над LLM

Даже при одинаковой модели поведение может отличаться в зависимости от продукта. У каждого интерфейса своя «обвязка»: системные инструкции, форматирование, правила и набор инструментов.

Например, chatgpt.com оптимизирован под диалог: модель ведёт беседу, уточняет контекст, сохраняет тон. А codex-cli — это инструмент для терминала, заточенный под работу с кодом. Если «поболтать» в codex-cli, модель будет вести себя более технично и менее разговорно.

Правильный продукт может дать лучший результат, чем более «умная» модель в худшем интерфейсе. Связка правильный инструмент + сильная модель (например, Claude Code с Opus или codex-cli с gpt-5.3-codex) может превзойти Cursor или GitHub Copilot даже при одинаковых LLM.

Локальные и корпоративные развёртывания: квантование и дистилляция

Когда модель запускают локально или в компании, её часто сжимают для работы на слабом оборудовании. Два основных способа — квантование и дистилляция.

Квантование — хранение весов модели с меньшей точностью (например, FP8 вместо FP16). Это уменьшает требования к памяти, но теряются тонкие детали. Качество падает на сложных задачах, особенно в логике и длинном контексте.

Дистилляция — обучение маленькой модели («ученика») копировать поведение большой («учителя»). Получается более лёгкая, но уже другая модель. Качество может отличаться.

Например, Qwen3-Coder и Qwen3-Coder-30B-A3B-Instruct-FP8 — это разные модели. FP8-версия — квантованная, и её поведение может отличаться от «полной» версии, указанной в бенчмарках.

Итог: как правильно сравнивать

Фраза «я использую GPT» не даёт оснований для сравнения. На результат влияют:

• точная модель и её версия;
• режим рассуждений и его лимиты;
• наличие инструментов, особенно веб-поиска;
• продукт, через который вы с ней взаимодействуете.

Для предметного разговора всегда уточняйте: какую именно модель, в каком режиме, с какими инструментами и в каком клиенте вы использовали.

OpenAI усложняет понимание ещё и номенклатурой. Например, «Codex» — это может быть:

• Codex CLI — консольный агент для кода;
• Codex app — приложение для Mac OS;
• Codex web / cloud — веб-интерфейс вокруг облачного агента;
• GPT-5-Codex / gpt-5.3-codex — сама модель, заточенная под программирование.

Привет, Хабр. Я Гоша Соловьёв, ведущий инженер-программист в Контуре.

Иногда в одном обсуждении встречаются люди с разным уровнем погружения в нейросети. Они начинают сравнивать опыт, и тут всплывает проблема: фраза вроде «Я использую GPT для своих задач, и он лучше справляется, чем Qwen»буквально ни о чём не говорит, пока мы не уточним контекст. Более того — она легко вводит собеседника в заблуждение.

В этой статье я объясню, почему два человека, использующие OpenAI GPT, могут получатькардинально разныйрезультат, и как обсуждать ИИ-агентов так, чтобы разговор был предметным и конструктивным.

Почему фраза «я использую GPT» ничего не значит

Потому что на результат влияют как минимумчетыре слоя:

1. Какая именно модель(семейство / версия / конкретный вариант).
2. Режим размышления(обычный ответ или reasoning режим (режим рассуждений), а также количество токенов, потраченных на рассуждения).
3. Инструменты, которые модели доступны (веб-поиск, анализ файлов, интерпретатор кода, «агентные» функции).
4. Клиент/продукт, через который вы общаетесь с моделью (chatgpt.com, API, Cursor, плагин в IDE, корпоративный портал и т.д.) — он добавляет ограничения и «обвязку».

В терминах архитектуры это выглядит так:

Вы → (клиент/продукт + его системные инструкции + лимиты) → (модель + режим) → (инструменты, если доступны) → ответ

Поэтому корректное сравнение начинается с нормализации описания:что именно и в каких условиях вы запускали.

Версия модели

При сравнении важно указать версию модели: скачки качества между поколениями могут быть очень заметными. Если вам «не понравились нейросети», полезно уточнить,какую именно модель вы пробовали: опыт с условной GPT-3.5 и современной моделью — это разные миры.

Но и это ещё полбеды: у одной и той же последней версии «GPT-5.2» могут бытьразные варианты/режимы. Если говорить про ChatGPT в интерфейсеchatgpt.com, обычно видны три режима:gpt-5.2-instant,gpt-5.2-thinking,gpt-5.2-pro. И если у вас нет платной подписки, вы, как правило, не можете осознанно выбирать между ними.

При этом междуgpt-5.2-instantиgpt-5.2-thinking— заметная разница в качестве. У бесплатного пользователя ограничения не только по количеству запросов, но и по «тяжести» режима: чаще будет работать instant, а thinking — включаться реже и/или с меньшим лимитом на размышления. Плюс у бесплатного тарифа обычно меньше контекстное окно — это тоже влияет на качество.

Бесплатно:

Отсюда и колоссальная разница в опыте: сравнивать результаты пользователя на бесплатном тарифе и человека, который регулярно использует thinking-режим, — некорректно. Давайте объясню, что там за магия такая в этом thinking скрыта.

Модели с рассуждением: первый большой фактор качества

Thinking / reasoning модели— это модели, которые «думают перед ответом»: тратят больше времени и токенов на внутреннее рассуждение, лучше держат многошаговые задачи, реже ломаются на логике и планировании.

В документации OpenAI reasoning-модели описываются как обученные «думать перед тем, как отвечать» (внутренний chain-of-thought), с упором на многошаговое решение задач. Это в среднем заметно улучшает качество ответов: примерно как разница между человеком, которыйподумал, и человеком, которыйляпнул первое, что пришло в голову.

Примером таких моделей у других вендоров будут: claude sonnet/opus, gemini pro, deepseek с включённым режимом deepthink.

Важно: reasoningстоит денег, потому что тратит много токенов. Чем лучше модель «думает», тем больше токенов сжигается. Токены — это вычисления и энергия, поэтому вендоры не дают большие лимиты reasoning «просто так»: иначе экономика не сойдётся. Отсюда типичный эффект в бесплатных режимах: даже если у вендора можно использовать reasoning модель, то она будет работать с более жёсткими лимитами — и качество будет ниже, чем у платного тарифа.

Поиск в интернете: второй большой фактор качества

По умолчанию LLM-модели обучены нанеактуальныхданных и могут галлюцинировать — выдавать правдоподобную чушь.

Доступ к веб-поиску решает обе проблемы:

• позволяет подтянутьактуальныеданные;
• снижает вероятность выдумок, потому что модель опирается на реальные источники.

Наchatgpt.comвеб-поиск часто включается автоматически (когда модель считает, что без него риск ошибки высок), а в некоторых других продуктах его нужно включать вручную — или его может не быть вовсе. И вот, если его нет, то, опять же, качество ответов будет кардинально хуже.

ChatGPT через сторонние сервисы

Я не случайно выше пишу именноchatgpt.com— это конкретный продукт вендора с его подпиской, режимами и инструментами. Из-за санкций и платежей многие используют сервисы-«прокладки», и это добавляет нюансов.

Если вы общаетесьне черезchatgpt.com, а через сторонний интерфейс/плагин/«подписку на GPT внутри продукта X», почти наверняка под капотом этовызовы через API. И тогда «GPT» перестаёт быть единым опытом — условия задаёт не модель, а то,как её настроили.

В API можно выставлять лимиты наконтекст, надлину ответа, и наглубину размышления. И тут есть экономический фактор:размышления и длинные ответы стоят денег, потому что тратят больше токенов и вычислений. Если вы платитене OpenAI, а посреднику, у него есть стимул удешевить запрос — сделать ответы короче, «думать» меньше и реже включать инструменты.

Отдельных денег стоит и веб-поиск: в API он обычно идёт как отдельный инструмент и имеет отдельную стоимость, поэтому многие клиенты либо не включают его вовсе, либо сильно ограничивают частоту. Отсюда типичный эффект: «ChatGPT умнее и точнее наchatgpt.com, чем в сервисе X» — потому что в ChatGPT чаще доступны и глубокое размышление, и веб-поиск, и нормальные лимиты.

Продукт — важная надстройка над LLM

Даже если модель одна и та же, и вы используете одинаковые режимы и инструменты, поведение всё равно может заметно отличаться — из-запродукта, из которого вы к ней обращаетесь.

У любого продукта есть своя «обвязка»:системные инструкции(как модели себя вести именно в этом интерфейсе), правила форматирования, ограничения, а также свой набор и способ использования инструментов.

Например,chatgpt.comоптимизирован под диалог: там модель ведёт беседу, уточняет контекст, держит тон и структуру «чатом». Аcodex-cli— это инструмент для работы из терминала от OpenAI: он больше заточен под взаимодействие с кодовой базой, поиск по файлам, правки и выполнение команд. Поэтому если попытаться «просто поболтать» в codex-cli с GPT, то ощущения будут другими: модель будет вести себя менее «чатово» и более «инструментально», потому что продукт подталкивает её к такому стилю работы.

В разработке продукт часто важен не меньше, чем «умность» модели. В связкеправильный инструмент + сильная модель(например, Claude Code с Opus или codex-cli с gpt-5.3-codex) может давать результат лучше, чем Cursor или GitHub Copilot даже при тех же самых LLM моделях — просто потому что по-другому устроены контекст, системные инструкции, стратегии поведения и доступные действия.

Локальные и корпоративные развёртывания моделей: квантование и дистилляция

Отдельная категория — модели, которые вы запускаете сами (или разворачиваются внутри компании). Здесь важно помнить ещё об одном источнике различий: модель могутсжатьради запуска на более слабом и дешёвом железе. Два самых частых приёма —квантованиеидистилляция.

Квантование — это когда модель «перекодируют» в более компактный формат: её внутренние числа (веса) хранятгрубее, с меньшей точностью (как в изображениях из RAW сжимают в JPEG). Это снижает требования к памяти и ускоряет работу, но часть «тонких деталей» теряется — поэтому качество обычно падает на сложных рассуждениях, длинном контексте и задачах, где важна точная формулировка.

Кроме квантования часто используютдистилляцию: берут большую «модель-учителя» и обучают меньшую «модель-ученика» повторять её поведение. Так получается реальноменьшая по размерумодель, которая проще запускается на слабом железе, но это ужедругая модельи качество тоже может отличаться.

Поэтому, например, Qwen3-Coder и какой-нибудьQwen3-Coder-30B-A3B-Instruct-FP8считаются разными моделями.FP8 — это квантованная версия, поэтому качество и поведение могут отличаться от «полной» версии, которую обычно указывают в бенчмарках.

Фраза «я использую GPT» сама по себе не даёт информации для сравнения. На результат влияют как минимум четыре вещи:какая модель,какой режим рассуждений и его лимиты,какие инструменты доступны (особенно веб-поиск)ив каком продукте это используется(ChatGPT, API-клиент, IDE-агент, корпоративный портал). Поэтому для предметного разговора всегда уточняйте:точный вариант модели/режим, клиент, наличие веб-поиска и ограничения по контексту/длине ответа/глубине размышления.

Сам OpenAI вообще своим неймингом жизнь проще не делает. Вот, например, вы обсуждаете как пользовались codex. Но каким именно?

• Codex CLI — консольный агент для кодинга (файлы, команды, патчи).
• Codex app — приложение для Mac OS с нормальным интерфейсом.
• Codex web / cloud — «Codex в ChatGPT»: веб-приложение вокруг облачного фонового агента.
• GPT-5-Codex / gpt-5.3-codex — модель, тюн GPT под задачи кодинга.