Самые дешёвые модели для агентов программирования: сравнение цен в реальном времени

Самая дешёвая модель для coding-агента — это та, которая проводит изменение через ревью с наименьшим итоговым счётом, а не обязательно та, у которой самая низкая ставка за входные токены. Агент многократно отправляет контекст репозитория, получает вывод инструментов, выполняет рассуждения, создаёт патч и может нуждаться в нескольких исправлениях. В этом сравнении используется актуальный снимок каталога моделей GetVibe от 3 октября 2026 года; основное внимание уделено моделям, которые можно использовать в рабочих процессах разработки.

Снимок цен каталога

Ниже указаны значения в USD за один миллион токенов: сначала входные, затем выходные. Отображаемые ячейки с ценами заполняются из каталога GetVibe; дата показывает, когда проводилась проверка этого сравнения.

Это тарифы каталога, а не результаты бенчмарка. Если ставки изменятся после 3 октября 2026 года, актуальным источником остаётся страница модели. Claude Sonnet 5.5 полезна для Claude Code, поскольку поддерживает формат Messages; модели GPT-6 следует тестировать через инструмент, совместимый с Responses, например Codex CLI, а не через Claude Code.

Используйте тест разработки, измеряющий завершённую работу

Выберите три задачи в репозитории: локализованное исправление ошибки с падающим тестом, небольшую функцию, затрагивающую несколько файлов, и рефакторинг с явным требованием не менять поведение. Для каждого запуска зафиксируйте один и тот же Git-коммит, инструкции, разрешения инструментов и команду тестирования. Оценивайте корректность задачи, прохождение тестов, количество необходимых циклов исправления и время полного выполнения изменения.

Не сравнивайте только итоговый ответ. Модель может создать убедительный патч, который не проходит тесты, из-за чего потребуется ещё один длинный цикл. Записывайте расход входных и выходных токенов для каждого цикла, включая результаты инструментов и промпты для исправления. Рассчитывайте стоимость одного изменения, прошедшего тесты. Выполните хотя бы несколько запусков для каждой задачи: один удачный ответ не даёт стабильного рейтинга.

Почему низкая ставка за токены всё равно может привести к большим расходам

Агенты часто повторно отправляют большой префикс: системные инструкции, заметки о репозитории, схемы инструментов и предыдущую переписку. Выходные токены могут составлять большую часть счёта, чем предполагают короткие промпты. Модель, которой нужны два цикла исправлений, может оказаться дороже модели с более высокой ставкой за токены, если та создаёт рабочий патч за один проход. Чтение из кэша может изменить экономику повторяющихся входных данных, но прежде чем учитывать экономию, убедитесь, что кэшированные входные данные отражаются в статистике использования.

Сохраняйте контекст сфокусированным. Не включайте вывод сборки, зависимости, сгенерированные snapshots и нерелевантные пакеты. Попросите агента сначала проверить только наиболее вероятные файлы. Это сокращает количество токенов и часто улучшает внимание модели. Используйте рекомендации по prompt caching для стабильных повторяющихся префиксов.

С какой модели начать?

• GPT-6 Luna: разумный недорогой базовый вариант для обычных, чётко ограниченных изменений. Проверьте контекст и возможности на странице модели, а затем передавайте ей задачи, с которыми она не справилась.
• GPT-6.1 Sol: сравните её на задачах, где важны планирование и рассуждение по нескольким файлам. В этом снимке каталога она стоит дешевле GPT-6 Sol.
• GPT-6 Sol: оставьте её в матрице, если ваши существующие промпты зависят от её поведения; используйте измеренные результаты, чтобы решить, поможет ли переход.
• Claude Sonnet 5.5: включите её для рабочих процессов с Claude Code и Messages. Её путь выполнения и семантика инструментов отличаются от Codex на базе Responses, поэтому сравнивайте результаты, а не делайте вид, будто клиенты идентичны.

Сделайте сравнение воспроизводимым

Используйте OpenAI-совместимый API с ключом в окружении для клиентов на базе SDK:

export GETVIBE_API_KEY="your-dashboard-key"
python - <<'PY'
import os
from openai import OpenAI

client = OpenAI(base_url="https://getvibeapi.com/v1", api_key=os.environ["GETVIBE_API_KEY"])
result = client.chat.completions.create(
    model="gpt-6-luna",
    messages=[{"role": "user", "content": "Проверьте src/parser.py и исправьте падающий пограничный случай. Запустите соответствующий тест."}],
    max_tokens=1200,
)
print(result.choices[0].message.content)
PY

Используйте именно ту конечную точку, которую поддерживает клиент агента. Для Codex CLI используйте конфигурацию Responses API; для Claude Code — конфигурацию Messages. Сохраняйте запросы разрешений и запускайте агентов в отдельной ветке, чтобы можно было проверить конкретный diff.

Правило принятия решения

Выберите наименее дорогого кандидата, который достигает целевого показателя успешного прохождения и укладывается в допустимую задержку на задачах из вашего репозитория. Сохраняйте фиксированный набор для оценки и повторяйте запуск при изменении каталога, версии агента или промпта. Для каждого наблюдения записывайте дату, ID модели, статистику использования и результат тестов. Снимок каталога от 3 октября 2026 года доступен через страницы моделей; используйте эти страницы для получения сегодняшних цен вместо переноса устаревших значений в таблицу.