Claude 5.5 і Mistral Large 4: новий розклад сил серед топових моделей

Автор ·

Anthropic оновила лінійку Claude 5.5, а Mistral показала свій найбільший на сьогодні Mistral Large 4. Обидві компанії змагаються за роль «робочих коней» для коду, офісних задач і безпечних агентів, але роблять це по-різному.

У Anthropic з’явився новий базовий «швидкий» модельний рівень — Claude Haiku 5.5, який прийшов на зміну річному Haiku 4.5. Він помітно додав у якості, але й подорожчав, залишаючись при цьому орієнтиром для задач, де важлива швидкість відповіді та невисока вартість за запит. Паралельно компанія оновила середній рівень — Claude Sonnet 5.5, який за сумарним інтелектом майже наздоганяє флагманський Claude Opus 5.5, особливо на складних задачах з програмування та офісною автоматизацією.

Ключова особливість усієї лінійки Claude 5.5 — adaptive thinking: модель сама вирішує, скільки «думати» перед відповіддю. Через API це контролюється параметром effort з п’ятьма рівнями (від low до max). На високих рівнях Sonnet 5.5 показує результати в топі незалежних рейтингів, але ціною величезної кількості токенів на задачу та помітної затримки до першого токена — сотні секунд. Тобто це вже не просто чат-бот, а радше «важка аналітична машина», яку варто запускати під конкретні, дорогі задачі.

Anthropic робить велику ставку на безпеку: запити фільтрують кілька класифікаторів, зокрема окремий LLM, а Claude Sonnet 5.5 вперше для цієї серії отримав захист від прямої дистиляції його міркувань. Це означає більше відмов на чутливі теми (кібербезпека, біологія, зброя), але й менший ризик витоку внутрішніх «ланцюжків думок» моделі.

На цьому фоні Mistral Large 4 (всередині компанії — «le Chonk») стає найпотужнішою моделлю, створеною в Європі. За незалежними бенчмарками він наближається до GPT-6 Luna і випереджає всі відкриті моделі зі США, хоча програє дешевшим китайським open-weights рішенням. Mistral планує відкрити ваги Large 4 до кінця місяця, а обрані компанії та державні структури вже тестують версію з посиленими кіберзахисними можливостями та мінімальними обмеженнями.

Чому це важливо

Для українського ринку це не просто «ще одні оновлення моделей», а зміна інструментів, якими ви будете будувати продукти в найближчі роки.

  • Тонке налаштування ціни за задачу. У Claude 5.5 вартість сильно залежить від рівня reasoning. На max effort Sonnet 5.5 може коштувати дорожче, ніж Opus, попри нижчу ціну за токен. Тому розробникам доведеться рахувати не «$/млн токенів», а вартість завершення конкретного сценарію з урахуванням часу та якості.
  • Розмежування «швидких» і «глибоких» задач. Haiku 5.5 логічно використовувати для коротких резюме, класифікації, простих агентів. Sonnet 5.5 і Opus 5.5 — для складного коду, юридично-фінансових аналізів, де виправдані більші затримки та рахунки.
  • Європейська альтернатива з відкритими вагами. Mistral Large 4 із обіцяним релізом ваг — важливий сигнал для бізнесів, які з міркувань безпеки чи комплаєнсу хочуть розгортати потужні моделі локально, у власній інфраструктурі. Це особливо актуально для держсектору, банків, оборонних проєктів.
  • Фокус на безпеці та регуляції. Жорсткіші фільтри Anthropic і «урядова» версія Mistral Large 4 з додатковими кіберможливостями показують тренд: великі моделі дедалі частіше випускаються в декількох профілях — від «максимально безпечних» до «максимально потужних» для контрольованих середовищ.
  • Практична порада. Якщо ви будуєте продукт на LLM, варто: а) протестувати кілька моделей і рівнів effort саме на ваших задачах; б) рахувати повну вартість задачі (токени + час + відсоток невдалих відповідей); в) заздалегідь визначити, які сценарії можна виносити в хмару, а де вам критично потрібні локальні чи open-weights рішення на кшталт Mistral Large 4.

На мій погляд, ми входимо в етап, коли «одна універсальна модель для всього» поступається місцем портфелю моделей під різні рівні ризику, бюджету та глибини міркування. І це хороша новина для команд, які готові інвестувати час у грамотний вибір стеку, а не просто «підключити найгучніший API».

Джерело: The Batch (deeplearning.ai) (https://www.deeplearning.ai/the-batch/issue-375)