18 ноября 2026 года на деловом саммите АТЭС в Шэньчжэне прозвучала фраза, которая разошлась по новостям: «Россия находится в авангарде цифровой трансформации. Наши две флагманские языковые модели входят в число лучших в мире». Названий моделей в ней нет, методологии тоже; формулировка пришла в сообщении агентства «Прайм». Значит, проверять придётся по внешним данным.
Инструмент для такой проверки открыт: llmarena.ru, краудсорсинговый рейтинг больших языковых моделей на русском языке. На срезе середины ноября 2026 года в нём 112 моделей и больше 157 тысяч голосов. Картина по российским флагманам: GigaChat 3.5 на седьмом месте с Elo 1121, Alice AI LLM на двадцатом с 1069, T-pro-it-2.0 на 36-м с 1024 по сентябрьскому срезу, модели Cotype в публичном лидерборде отсутствуют. Лидер среза, Gemini 3 Pro Preview, держит 1199.
Короткий ответ на главный вопрос: заявление подтверждается частично. Одна российская модель входит в мировой топ-10 русскоязычного рейтинга и обгоняет там GPT-5.2, вторая держится в топ-20. При этом «лучшие в мире» без указания языка и дисциплины задают слишком широкую рамку: 78 и 130 пунктов Elo до лидера это заметное отставание, а часть моделей семейств в рейтинге вообще не участвует.
Что именно заявили на АТЭС и как это проверить
Проверка начинается с того, чего в заявлении нет. Нет списка соперников, нет набора запросов, нет даты среза. Есть общая оценка уровня, и её нужно сопоставить с измеримым результатом.
Почему пресс-релизы и саммиты не служат источником цифр
Заявление с трибуны не содержит того, что делает число проверяемым: методики сравнения, выборки запросов и периода замера. Рейтинг содержит всё перечисленное, поэтому его можно пересчитать заново через месяц и получить другую картину.
Разница практическая. Из фразы «входят в число лучших» нельзя узнать, идёт ли речь о первом десятке из ста или о первой сотне. Из строки «GigaChat 3.5: 7-е место, Elo 1121, срез середины ноября 2026» видно и место, и соседей, и дату, и то, что замер шёл на русскоязычных запросах.
Рейтинг живой: голоса идут непрерывно, места переставляются. В сентябрьском срезе Alice AI LLM стояла девятнадцатой при тех же 1069 очках, в ноябрьском она двадцатая. Один пункт разницы в цифре и одно место в таблице, при этом качество модели не менялось.
Как устроен llmarena.ru: слепые дуэли и модель Брэдли-Терри
Механика простая, и её стоит знать до того, как смотреть на цифры. Пользователь задаёт вопрос. Две случайные модели отвечают анонимно. Человек выбирает лучший ответ. Названия моделей открываются только после голосования, так устроен разбор механики площадки. Бренд не подсказывает выбор, потому что вы его не видите.
Из тысяч парных дуэлей считается итоговый балл по модели Брэдли-Терри, той же математике, что стоит за шахматным рейтингом Эло: чем чаще модель выигрывает в сравнениях, тем выше её число. Масштаб на середину ноября 2026: 112 моделей, больше 157 тысяч голосов, данные учтены вплоть до 9 ноября 2026 года.
Ключевая особенность площадки: запросы русскоязычные. Это одновременно сила и ограничение. Сила в том, что рейтинг ближе к реальной работе русскоязычного пользователя, чем англоязычные бенчмарки. Ограничение в том, что переносить выводы на другие языки и на дисциплины, которых в дуэлях мало, нельзя.
Что реально измеряет Elo, а что нет
Elo в llmarena.ru отвечает на вопрос «чей ответ людям понравился чаще», а не на вопрос «какая модель решит олимпиадную задачу». Метрика складывается из человеческих предпочтений, а они чувствительны к стилю: аккуратное форматирование, вежливый тон, удачная длина ответа повышают шансы выиграть дуэль.
Дальше начинаются границы. Одиночный ответ на одиночный вопрос мало говорит о способности держать длинную агентную цепочку, писать сложный многоступенчатый код или выдерживать строгую многошаговую логику. Слепое голосование убирает эффект бренда, но не убирает эффект «красивого» ответа.
Проблема воспроизводимости касается любого рейтинга: открытые бенчмарки и стандартизация тестов LLM обсуждаются именно как способ сделать такие сравнения проверяемыми, а не зависящими от формата голосования.
Почему дата среза обязательна рядом с любой цифрой
Пример уже был: Alice AI LLM сместилась с 19-го на 20-е место, хотя её Elo не изменился. T-pro-it-2.0 в этом разборе фигурирует по срезу сентября 2026 года с 1024 очками, а не по ноябрьскому, и сравнивать его напрямую с ноябрьскими цифрами конкурентов некорректно.
Практическое правило: увидели цифру из рейтинга, ищите дату. Перед решением открывайте llmarena.ru и смотрите актуальный срез, а не цитату в статье или пересказ новости. Две недели разницы могут стоить одного-двух мест, два месяца способны изменить картину сильнее.
Позиции российских LLM в рейтинге: цифры и соседи по таблице
Все числа ниже относятся к срезу середины ноября 2026 года, кроме T-pro-it-2.0. Соседи по таблице информативнее абсолютного балла: они показывают, с кем модель реально конкурирует за голос пользователя. Сводка позиций и соседей по таблице даёт ту же картину в одном месте.
| Модель | Место | Elo | Отставание от лидера | Срез |
|---|---|---|---|---|
| GigaChat 3.5 | 7 | 1121 | 78 | середина ноября 2026 |
| Alice AI LLM | 20 | 1069 | 130 | середина ноября 2026 |
| T-pro-it-2.0 | 36 | 1024 | 175 | сентябрь 2026 |
| Cotype (Pro 3, Light 3, VL, Nano) | нет в публичном лидерборде | - | - | - |
Мировая шеренга того же среза: Gemini 3 Pro Preview с 1199, Qwen3.6 Max с 1165, GPT-5.4 с 1161, Claude Opus 4.7 с 1149. Вокруг российских моделей плотно: GPT-5.2 с 1122 и DeepSeek V3.2 с 1119.
GigaChat 3.5: седьмое место и 78 пунктов до лидера
1121 очко и седьмая строка. Вплотную стоят GPT-5.2 с 1122 и DeepSeek V3.2 с 1119: разница в один и два пункта Elo, то есть там, где важен уже не рейтинг, а конкретная задача. Лицензия GigaChat 3.5 в таблице помечена как открытая.
Обгон GPT-5.2 в общем зачёте на русскоязычных запросах это содержательный факт: для задач на русском языке модель попадает в мировой топ-10. До лидера, Gemini 3 Pro Preview с 1199, остаётся 78 пунктов. Разрыв заметный, но не пропасть. Elo нелинеен, читать его как «процент качества» нельзя: 78 пунктов не означают, что модель хуже на 78% или на 6,5%.
За цифрой стоит конкретная архитектура. Текущий флагман линейки, GigaChat 3.5 Ultra, вышел в июле 2026 года: MoE, 432 млрд общих параметров при 28 млрд активных и контекст 262 тысячи токенов. Семейство развивается с апреля 2023 года и выросло из чата в мультимодальную платформу, которая работает с текстом, документами, аудио и изображениями, по данным разбора линейки.
Alice AI LLM и T-pro-it-2.0: середина таблицы
Alice AI LLM: 20-е место, 1069 очков, по соседству Gemma 3 27B и Claude Sonnet 4, отставание от лидера 130 пунктов. Параметры модели закрыты, открыта только претрейн-версия Foundation 80B. Роли в экосистеме Яндекса это не мешает: ассистент и агенты внутри сервисов.
T-pro-it-2.0: 36-е место, 1024 очка, 175 пунктов до лидера. Важная оговорка: цифра по срезу сентября 2026 года. За два месяца расклад мог измениться, поэтому 36-е место читается как ориентир, а не как текущая позиция.
Середина таблицы это рабочая зона для типовых задач на русском: переписать текст, ответить по документу, собрать письмо. Для многошаговых сценариев с вызовами инструментов такой запас по Elo стабильности уже не гарантирует.
Почему Cotype нет в публичном лидерборде
Модели Cotype (MWS, экосистема МТС) в публичном лидерборде не представлены. Линейка Pro 3, Light 3, VL и Nano с 27, 9, 32 и 1,5 млрд параметров позиционируется как B2B-продукт для работы с договорами, документами и сканами, у Pro 3 контекст до 262 тысяч токенов, по сводке характеристик.
Отсутствие в рейтинге это вопрос доступа и позиционирования, а не приговор качеству. По llmarena.ru про Cotype нельзя сказать ни хорошего, ни плохого: данных нет. Если модель нужна вам для офисных документов, проверять её придётся на своих запросах или в закрытом пилоте у вендора.
Где российские модели сильны, а где уступают лидерам
Общее место в таблице плохо предсказывает результат в конкретной задаче. Полезнее разделить дисциплины и смотреть на каждую отдельно.
Типовые задачи на русском: где Elo работает в вашу пользу
Русскоязычный рейтинг ближе к реальности там, где запросы похожи на те, что люди задают в арене: редактура и переписывание текстов, ответы на вопросы по загруженному документу, суммаризация, письма, инструкции, простые преобразования данных. Для этих классов задач место в топ-10 или топ-20 говорит о многом, потому что замер сделан на живых формулировках, а не на переведённых англоязычных промптах.
Разрыв с мировыми лидерами в таких сценариях малозаметен на практике. Признак, по которому это проверяется на своих запросах: если задача укладывается в один-два шага, не требует вызова инструментов и результат достаточно один раз прочитать глазами, разница между 7-м и 20-м местом часто не критична. Это гипотеза для вашего набора запросов, а не универсальное правило.
Вторая сильная сторона российских моделей: цена, доступность и открытые веса. GigaChat 3.5, T-Pro и Alice Foundation доступны в вариантах с открытыми весами. Плюс интеграция в сервисы, которыми люди пользуются ежедневно: банк, поиск, такси, маркетплейсы. Для встроенных сценариев это экономит месяцы на обвязке, разбор сильных сторон это подчёркивает отдельно.
Агентные цепочки, код и многошаговая логика: где разрыв проявляется
Дуэль в арене это один вопрос и один ответ. Агент это десять или тридцать шагов: вызов инструмента, разбор его вывода, исправление собственной ошибки на середине пути, удержание состояния. На таких дистанциях ошибки накапливаются, и модель, которая красиво отвечает на одиночный вопрос, начинает разваливать цепочку.
Именно в этих дисциплинах голоса стабильно уходят Gemini, GPT и Claude, а открытые китайские DeepSeek и Qwen стоят выше российских моделей. Сложный многоступенчатый код и строгая многошаговая логика это те классы задач, где отставание в 78 или 130 пунктов Elo перестаёт быть абстракцией.
Практический вывод: для агентных сценариев не переносите общее место в рейтинге на свою цепочку шагов. Прогоните цепочку целиком на десятке реальных кейсов и посмотрите, на каком шаге модель теряет контекст или выдумывает результат инструмента. Отдельно полезно помнить, что в продакшене решает не модель, а обвязка вокруг неё: разбор 1352 кейсов применения ИИ в России показывает, что семантический слой, пороги уверенности и детерминированный код дают больше, чем смена модели. Для оценки именно агентных способностей есть смысл смотреть площадки с профильными тестами, например открытый бенчмарк локальных LLM с агентными тестами.
Как самостоятельно проверить любое заявление о «лучшей» нейросети
Алгоритм одинаков для заявления с саммита, поста в соцсети и маркетинговой страницы вендора.
Чек-лист из шести шагов
- Открыть llmarena.ru и зафиксировать дату среза. Нужно, чтобы у числа появился срок годности. Шаг выполнен, когда вы можете назвать дату рядом с цифрой.
- Найти модель по точному имени и записать место и Elo. «GigaChat» и «GigaChat 3.5», разные строки таблицы. Шаг выполнен, когда версия в таблице совпадает с той, о которой говорит заявление.
- Посмотреть соседей по таблице. Абсолютный балл без контекста не читается, соседи показывают уровень. Шаг выполнен, когда вы можете назвать две модели выше и две ниже.
- Проверить, на каких запросах собран рейтинг и что он измеряет. Запросы русскоязычные, метрика отражает предпочтения людей, а не олимпиадные задачи. Шаг выполнен, когда вы понимаете, каких дисциплин в цифре нет.
- Сверить с классом своей задачи: одиночный ответ или агентная цепочка. Парные дуэли плохо предсказывают многошаговую работу. Шаг выполнен, когда выбрана метрика, релевантная вашей задаче.
- Прогнать свои запросы в слепом сравнении. Финальное решение принимается на ваших данных. Шаг выполнен, когда есть 10-20 своих кейсов и понятный критерий «лучше/хуже».
Границы самостоятельной проверки очевидны: рейтинг не заменяет тест на ваших данных, а для узких дисциплин нужны профильные бенчмарки, которых в этом разборе нет. Для многошаговых сценариев одного взгляда на таблицу недостаточно в принципе.
Какие выводы из рейтинга делать корректно, а какие нет
Корректно: «на русскоязычных запросах эта модель чаще нравится людям, чем та», «на срезе середины ноября 2026 она на седьмом месте с Elo 1121», «в сентябрьском срезе Alice AI LLM была девятнадцатой при том же балле». Некорректно: «это лучшая модель в мире», «она умнее в математике», «она вытянет агента из десяти шагов».
Отдельно про отсутствие в таблице. Cotype в публичном лидерборде нет, и это не значит, что модель слабая: значит, её там не измеряли. Той же логики стоит держаться с любой моделью, которой нет в рейтинге. Типичные ошибки такого рода разобраны в материале о том, почему индексы, бенчмарки и вера в open weight вводят в заблуждение.
Финальный вывод конкретный: рейтинг это инструмент проверки заявлений и первичного выбора, а не приговор модели. Заявление от 18 ноября проверяется за пять минут: 112 моделей, больше 157 тысяч голосов, седьмое место GigaChat 3.5 с 1121 и двадцатое у Alice AI LLM с 1069. Дальше решение принимается на ваших задачах, с датой среза рядом с каждой цифрой.