MiniMax M3, Kimi K2.7 Code и Nemotron 3 Ultra: лучшие модели с открытыми весами 2026 года

Три огромные модели с открытыми весами вышли с разницей в две недели. Одна — от шанхайского стартапа, о котором год назад не знали за пределами кругов, связанных с ИИ. Одна — от самой заметной лаборатории ИИ в Пекине. Одна — от компании, которая делает чипы, на которых все остальные запускают свои модели. Каждая по-своему ставит на то, что сейчас важнее всего в ИИ-агентах, — и все три заслуживают вашего серьёзного внимания.

---

---

Почему это сравнение важно именно сейчас

Если вы следите за сферой ИИ с открытыми весами последние полгода, то уже знаете: всё движется быстрее, чем кто-либо предсказывал. Возможности, которые двенадцать месяцев назад требовали подписки на Claude Opus за $15 за миллион токенов, теперь доступны как веса, которые можно скачать и запустить на собственных серверах.

Но июнь 2026 года оказался совсем другим. За двенадцать дней вышли три крупных релиза с открытыми весами, почти одновременно: MiniMax M3 1 июня, Nemotron 3 Ultra 4 июня, и — буквально вчера — Kimi K2.7 Code 12 июня. Вместе они, пожалуй, образуют самый значимый двухнедельный отрезок в истории ИИ с открытым исходным кодом, и каждый делает свою архитектурную и философскую ставку на то, что должно уметь следующее поколение ИИ-агентов.

Это не просто обзор бенчмарков. Мы посмотрим, как эти модели ведут себя в реальной работе: как они показывают себя во фреймворках для агентов, которыми разработчики действительно пользуются, — OpenClaw, Hermes Agent и всё более популярном рабочем процессе VIBE Coding, — и где каждая модель сэкономит вам деньги или время, а где тихо подведёт.

Начнём с того, что это вообще за модели.

---

Участники вкратце

Прежде чем углубляться, вот 30-секундная сводка о том, что представляет собой каждая модель и зачем она существует:

MiniMax M3 — это попытка шанхайской MiniMax стать первой моделью с открытыми весами, которая действительно сочетает три вещи одновременно: производительность в кодинге уровня фронтира, контекстное окно на миллион токенов и нативную мультимодальность, включая изображения, видео и управление рабочим столом. Она выходит под лицензией с открытыми весами с подпиской от $20 в месяц.

Kimi K2.7 Code — пятый крупный релиз Moonshot AI (Пекин) менее чем за год: точечное обновление для кодинга уже впечатляющей K2.6, которое примерно на 30% сокращает расход токенов на рассуждения и заметно поднимает ключевые агентные бенчмарки. Вчера модель появилась на Hugging Face под лицензией Modified MIT по цене $0,95/$4,00 за миллион токенов.

Nemotron 3 Ultra — ответ NVIDIA на вопрос: а что, если производитель чипов сам сделает модель? При 550 млрд параметров это самая способная модель с открытыми весами, вышедшая из лаборатории в США: 47,7 балла в Artificial Analysis Intelligence Index — результат, который ставит её на один уровень с Claude Opus 4.6 и Kimi K2.6. Она вышла 4 июня под лицензией OpenMDW-1.1 от Linux Foundation.

Три модели. Три очень разные истории. Каждую стоит запустить.

---

MiniMax M3

Кто и зачем её сделал

За пределами кругов, связанных с ИИ, название MiniMax большинству ничего не говорит, но внутри этих кругов шанхайскую компанию становится всё труднее игнорировать. В январе 2026 года она вышла на Гонконгскую фондовую биржу и большую часть года шла к M3. Заявка амбициозна почти до агрессивности: M3 позиционируется как первая модель с открытыми весами, которая объединяет в одной системе кодинг уровня фронтира, контекстное окно на миллион токенов и нативную мультимодальность, — и её выпустили по цене, на фоне которой расценки закрытых моделей выглядят дорогими.

Архитектура: MiniMax Sparse Attention

Главная техническая история здесь — это MiniMax Sparse Attention (MSA) архитектура. Стандартное внимание трансформера квадратично: каждый токен обращается к каждому другому, поэтому удвоение контекста примерно вчетверо увеличивает счёт за вычисления. На миллионе токенов эта математика становится жестокой.

MiniMax построила M3 на новой схеме MSA, которая сокращает вычисления на токен при контексте в 1 млн токенов примерно до одной двадцатой от предыдущего поколения, с более чем 9-кратным ускорением префилла и более чем 15-кратным ускорением декодирования. Это не маргинальное улучшение. Это разница между контекстным окном на миллион токенов как теоретической характеристикой и тем, что можно реально вывести в продакшен, не глядя, как счёт за GPU уходит вертикально вверх.

Модель построена на MiniMax Sparse Attention (MSA): полное внимание заменено выбором KV-блоков, что снижает вычисления на токен при длинном контексте и заметно ускоряет префилл и декодирование, сохраняя качество на большинстве задач.

Любопытно, что в поколении M2 MiniMax отказалась от разреженного внимания и вернула его специально для M3, — похоже, архитектура у них работала, но требовалось больше данных обучения или доработки посттренировки, чтобы сделать её конкурентоспособной. Судя по M3, они с этим разобрались.

Что на самом деле отличает M3

MiniMax выпустила M3, соединив кодинг и агентные возможности уровня фронтира с контекстным окном на миллион токенов и нативной мультимодальностью за долю стоимости ведущих проприетарных моделей.

На мультимодальности стоит остановиться. M3 не просто принимает изображения: она воспринимает изображения и видео и умеет нативно управлять рабочим столом компьютера. Для рабочих процессов вайб-кодинга, где вы передаёте скриншот интерфейса и говорите “сделай мне вот так,” это по-настоящему полезно — в отличие от чисто текстовой модели для кодинга.

MiniMax-M3 — фронтирная мультимодальная модель MiniMax для кодинга и агентных задач, построенная на архитектуре MSA. Она поддерживает контекстное окно до 1 млн токенов и принимает изображения и видео. Модель рассчитана на генерацию кода, агентные рабочие процессы, использование инструментов, понимание длинного контекста и многошаговые рассуждения.

Бенчмарк VIBE: собственный стандарт MiniMax

Стоит отметить одну вещь: MiniMax выпустила не только модель, но и новый бенчмарк. Это VIBE (Visual & Interactive Benchmark for Execution) — ответ MiniMax на то, что они считают пробелом в существующих системах оценки. В отличие от традиционных бенчмарков вроде SWE-bench и Terminal-bench, которые проверяют статическую корректность кода или выполнение задач на уровне командной строки, VIBE автоматически оценивает логику взаимодействия и визуальную подачу сгенерированных приложений в реальной среде выполнения, давая более точную оценку реального пользовательского опыта.

Да, этот бенчмарк продвигает собственный продукт, но лежащая в его основе критика справедлива. SWE-bench говорит, может ли модель решить задачи на GitHub; он не говорит, может ли модель собрать работающее, визуально цельное веб-приложение по скриншоту. M3 показывает здесь хороший результат, что логично при её нативной мультимодальной архитектуре.

Бенчмарки MiniMax M3

MiniMax M3 набирает 59,0% в SWE-Bench Pro, 66,0% в Terminal-Bench 2.1, 34,8% в SWE-fficiency и 83,5 в BrowseComp. Особенно впечатляет результат в BrowseComp: 83,5 ставит её впереди GPT-5.5 в задачах автономного просмотра веба — именно такая способность нужна агенту, который занимается кодингом с большим объёмом исследований.

MiniMax M3 набирает 59,0% в SWE-Bench Pro, обходя GPT-5.5 и Gemini 3.1 Pro и приближаясь к Claude Opus 4.7. Также у неё 66,0% в Terminal Bench 2.1, 34,8% в SWE-fficiency, 28,8% в KernelBench Hard и 74,2% в MCP Atlas.

Об одной оговорке стоит упомянуть: в собственных материалах MiniMax базой для сравнения служит Claude Opus 4.7, а не более свежая Opus 4.8. Формулировка не ошибочна, но разработчикам, которые оценивают M3 относительно нынешнего потолка бенчмарков, стоит использовать цифры Opus 4.8 — они отодвигают M3 дальше от фронтира, чем следует из анонса.

И всё же 59% в SWE-Bench Pro от модели с открытыми весами и миллионным контекстом — это замечательно, и независимые данные в целом подтверждают, что заявленные компанией цифры близки к реальности.

Цены

На старте MiniMax M3 значилась на OpenRouter по $0,60 за миллион входных токенов и $2,40 за миллион выходных, а временная промоакция со скидкой 50% опускала цену примерно до $0,30 на входе и $1,20 на выходе за миллион токенов — это доля от цен фронтирных закрытых моделей вроде Claude Opus и GPT-5.5.

Для сравнения: Claude Opus 4.8 стоит $5/$25 за миллион токенов. M3 по промоцене — примерно 1/20 этой суммы. Даже по стандартной цене это около 1/10. История с ценой не менее убедительна, чем история с возможностями.

---

Kimi K2.7 Code

Кто и зачем её сделал

Moonshot AI выпустила модель вчера — 12 июня 2026 года, — и это пятый крупный релиз пекинской компании менее чем за год; свои модели она выстраивает вокруг трёх опор: агентных возможностей, работы с расширенным контекстом и мультимодальных входов. Семейство Kimi K2 стало одной из самых наблюдаемых линеек с открытыми весами в 2026 году, а K2.7 Code — её самая отточенная версия.

Смена названия значима. Впервые Moonshot явно добавила “Code” в имя модели. Компания не делает вид, что K2.7 — универсальная модель: она настроена на инженерию, а не на широкий чат, и вам об этом прямо сообщают.

Архитектура: та же триллионная база, но настроенная жёстче

Kimi K2.7 Code — модель Mixture-of-Experts с 1 триллионом параметров, 32 млрд активных параметров на токен и 384 экспертами; контекстное окно 262 144 токена унаследовано от K2.6, а автоматическое сжатие контекста позволяет вести долгие сессии.

Сама архитектура по сравнению с K2.6 сильно не изменилась: это всё та же схема MoE на 1 трлн параметров, которая в начале года сделала Kimi K2.6 самой высокоранговой моделью с открытыми весами в Artificial Analysis Intelligence Index. K2.7 Code — это точечная доработка: тот же корпус, но двигатель перенастроен специально под агентные рабочие процессы кодинга.

Kimi K2.7 Code — агентная модель Moonshot AI, ориентированная на кодинг и построенная на Kimi K2.6. Она лучше справляется с долгими задачами кодинга в реальных условиях, точнее следует инструкциям и эффективнее расходует токены, сокращая расход токенов на размышления примерно на 30% по сравнению с Kimi K2.6.

Эти 30% сокращения токенов на размышления — не мелочь. В долгой сессии агента для кодинга, где модель проходит сотни шагов, меньше токенов на размышления означает ниже стоимость и меньше реального времени. Если вы запускаете, например, рефакторинг всего репозитория на ночь, выигрыш K2.7 в эффективности по сравнению с K2.6 накапливается заметно.

Что на самом деле улучшено в K2.7

В анонсе Moonshot на первом плане три цифры: +21,8% к K2.6 в Kimi Code Bench v2, +11,0% в Program Bench и +31,5% в MLS Bench Lite, а также заявление о примерно 30% меньшем расходе токенов на рассуждения по сравнению с K2.6.

Это собственные цифры компании, полученные на её же наборах бенчмарков. Честная оговорка: по состоянию на 13 июня 2026 года, через день после релиза, независимых сторонних результатов для K2.7 на стандартных публичных наборах — SWE-bench Verified, SWE-bench Pro, Terminal-Bench, LiveCodeBench, GPQA Diamond, AIME или MMLU-Pro — нет. Проверка появится в ближайшие дни. Судя по траектории K2.6 (которая дала конкурентоспособные независимые результаты), внутренние цифры, вероятно, верны по направлению.

Самый заметный результат, близкий к независимому: K2.7-Code набрала 81,1 в MCP Mark Verified, обойдя 76,4% у Claude Opus 4.8. Этот набор проверяет корректный вызов инструментов через Model Context Protocol — проверки CI, обновления тикетов и правки файлов в одном цикле. То, что модель с открытыми весами теперь обходит Opus 4.8 в использовании инструментов MCP, при любом разумном подходе — поворотный момент для ИИ с открытым исходным кодом.

История платформы Kimi Code

Об одном элементе в сравнениях моделей пишут мало: K2.7-Code выходит внутри Kimi Code — терминального агента Moonshot с открытым исходным кодом — с тарифами от $19 в месяц. Moonshot здесь явно конкурирует всем стеком: моделью, CLI и экономикой подписки. Это экономика противостояния Cursor и Kimi, и она важна для команд, которые оценивают свой рабочий процесс ИИ-кодинга целиком, а не только саму модель.

Сам Kimi Code CLI стоит попробовать. Он понимает оболочку, поддерживает интеграцию с серверами MCP, а открытая лицензия означает, что при желании развернуть модель у себя вы не привязаны к API Moonshot.

Мультимодальные возможности

Как и M3, K2.7 Code не ограничена текстом. Разработчики могут загружать скриншоты, схемы, макеты продуктов и даже видео и просить модель сгенерировать код на их основе. Это полезно для фронтенд-разработки, отладки визуальных проблем и реверс-инжиниринга интерфейсов. Работа с изображениями здесь настоящая и действительно полезная для задач кодинга, связанных с интерфейсами, хотя мультимодальная часть K2.7 несколько уже, чем у M3 (которая умеет управлять рабочим столом).

Цены

Цены Kimi K2.7 Code в API Moonshot: $0,95 за миллион входных токенов, $4,00 за миллион выходных и $0,19 за миллион при попадании в кэш. Бесплатные веса доступны на Hugging Face для самостоятельного развёртывания.

Для модели с триллионом параметров $0,95 на входе — очень конкурентно. Цена на выходе ($4,00) в абсолютных числах выше, чем у M3, но сокращение токенов на рассуждения на 30% означает, что реальная стоимость выполненной задачи может быть ниже, чем следует из цены за токен. Считать цены стоит по своей конкретной нагрузке, а не только по заявленной ставке.

---

Nemotron 3 Ultra

Кто и зачем её сделал

Вот что в Nemotron 3 Ultra большинство обзоров недооценивает: это NVIDIA строит фронтирную модель. Не компания-производитель чипов, балующаяся ИИ, не исследовательская лаборатория при инфраструктурном бизнесе — NVIDIA, чья выручка зависит от обучения ИИ у всех остальных, решила создать и выпустить конкурентоспособную фронтирную модель под полностью открытой лицензией. Это содержательное заявление о том, куда движется рынок.

4 июня 2026 года NVIDIA выпустила Nemotron 3 Ultra — полностью открытую модель рассуждений на 550 млрд параметров, созданную специально для долго работающих агентов.

4 июня 2026 года NVIDIA тихо выложила Nemotron 3 Ultra на Hugging Face — через два дня после того, как Дженсен Хуанг представил её со сцены Computex в Тайбэе. 550 млрд параметров. 55 млрд активных на прямой проход. Более 300 токенов в секунду. Самый высокий результат в Intelligence Index среди всех моделей с открытыми весами, созданных в США, за всю историю.

Архитектура: гибрид Mamba-Transformer, который всё меняет

Здесь Nemotron 3 Ultra становится технически интересной. Если M3 использует разреженное внимание для длинных контекстов, а K2.7 остаётся на проверенном пути MoE-трансформера, Nemotron Ultra идёт совсем другим маршрутом.

NVIDIA выпустила Nemotron 3 Ultra как модель Mixture-of-Experts на 550 млрд параметров с 55 млрд активных, оптимизированную для организации сложных, долго работающих агентных рабочих процессов. Среди архитектурных новшеств — гибридные слои Mamba-Transformer для эффективной работы с длинным контекстом, квантование NVFP4 для развёртывания на GPU разных архитектур с пропускной способностью до 5 раз выше, LatentMoE для маршрутизации экспертов и предсказание нескольких токенов для ускорения генерации в многошаговых задачах.

Гибридный подход Mamba-Transformer важен. Слои Mamba обрабатывают последовательные зависимости эффективнее стандартного внимания на длинных контекстах: они масштабируются линейно, а не квадратично по длине последовательности. Сочетание с вниманием трансформера там, где оно полезно, и вся эта конструкция в архитектуре MoE позволяют NVIDIA получить необычную комбинацию: высокий интеллект, высокую пропускную способность и относительно низкую стоимость токена.

Квантование NVFP4 — ещё одно отличие. На GPU Blackwell (преемниках H100) оно работает с нативной математикой FP4. На Hopper (H100) используется запасной вариант W4A16. В любом случае Nemotron 3 Ultra даёт в 5,9 раза более высокую пропускную способность инференса по сравнению с GLM-5.1, в 4,8 раза быстрее Kimi K2.6 и в 1,6 раза быстрее Qwen-3.5 при входе 8K и выходе 64K токенов, сохраняя сопоставимую точность на широком наборе агентных бенчмарков и бенчмарков рассуждений.

Перечитайте: в 4,8 раза быстрее Kimi K2.6 при сопоставимой точности. Для команд, которые запускают агентов в продакшене, эта разница в пропускной способности напрямую превращается в стоимость задачи.

Бенчмарки и индекс интеллекта

Nemotron 3 Ultra набирает 47,7 в Artificial Analysis Intelligence Index — значительно впереди следующих по силе американских моделей с открытыми весами: Gemma 4 31B с 39,2, Nemotron 3 Super с 36,0 и gpt-oss-120b с 33,3.

Честная оговорка есть в том же абзаце: она всё ещё позади фронтира открытых весов, который ведут китайские модели (Kimi K2.6 с 53,9). Это история про первенство в США, и история хорошая, но Nemotron Ultra сейчас не лучшая модель с открытыми весами в мире. Она лучшая американская, и с большим отрывом.

В агентных задачах Nemotron 3 Ultra показывает 90,0 в PinchBench и 56,0 в ProfBench Search. Команда NVIDIA держала оба набора как отложенные проверки обобщения и оценивала по ним только финальную модель один раз. У неё 71,9 в SWE-Bench Verified и 56,4 в Terminal Bench 2.1. В рассуждениях — 570,0 на IOI 2025, что NVIDIA описывает как уровень лучших трёх человек в соревновательном программировании.

Результат 71,9% в SWE-Bench Verified особенно конкурентен. Он уступает Claude Fable 5 и GPT-5.5 на фронтире закрытых моделей, но опережает большинство альтернатив с открытыми весами — и, что важно, измерен одинаково в нескольких фреймворках для агентов.

В AA-Omniscience у неё самый высокий показатель отсутствия галлюцинаций в наборе — 78,7, что говорит о меньшей склонности отвечать при неуверенности. Длинный контекст держится на масштабе: модель набирает 94,7 в RULER при 1 млн токенов.

На этом показателе галлюцинаций стоит остановиться. В рабочих процессах агентов в продакшене модель, которая понимает, чего не знает, часто ценнее той, что набирает на пару процентных пунктов больше в бенчмарках, но уверенно выдумывает на граничных случаях.

История с открытыми данными обучения

NVIDIA выпустила — суммарно за три релиза Nemotron 3 — 50 млн примеров для обучения с учителем, 2 млн задач обучения с подкреплением и 55 сред RL. Такая степень открытости необычна для семейства моделей уровня фронтира, и именно на неё сильнее всего отреагировало исследовательское сообщество в области ИИ.

Если вы хотите дообучить или расширить Nemotron Ultra, вы делаете это не вслепую. Рецепты обучения, данные и среды оценки открыты. Для корпоративных команд, которым нужна производительность в конкретной предметной области и есть возможность дообучения, это существенное преимущество, которого сейчас нет ни у M3, ни у K2.7 Code.

Цены

У DeepInfra уже работает эндпоинт до официального релиза: $0,37 за миллион на входе и $1,08 за миллион на выходе — лучше медианы для этого класса размера. На OpenRouter модель проиндексирована и доступна. Корпоративная интеграция возможна через микросервисы NVIDIA NIM на build.nvidia.com.

У некоторых провайдеров Nemotron 3 Ultra стоит $0,50 за миллион входных токенов и $2,50 за выходные — сильное соотношение цены и производительности для модели такого уровня интеллекта.

---

Прямое сравнение по бенчмаркам

Вот сравнение ключевых цифр трёх моделей бок о бок, а также пояснение, что на самом деле измеряет каждый бенчмарк:

SWE-Bench Pro (решение реальных задач на GitHub)

SWE-Bench Pro проверяет способность решать реальные задачи GitHub, заведённые после отсечки обучения модели, что снижает риск загрязнения данных по сравнению с ранними вариантами SWE-Bench. Это самое близкое к вопросу “может ли эта модель исправлять реальные ошибки в реальных кодовых базах?”, что сообщество бенчмарков создало до сих пор.

• MiniMax M3: 59,0% (по данным компании)
• Nemotron 3 Ultra: ~56–71,9% (SWE-Bench Verified); цифры SWE-Bench Pro ждут независимого подтверждения
• Kimi K2.7 Code: K2.6 показала 58,6%; внутренние улучшения K2.7 предполагают столько же или больше — независимая оценка ожидается

Terminal-Bench 2.1 (многошаговые задачи в CLI)

Terminal-Bench проверяет, что агенты действительно делают в продакшене: многошаговые задачи в оболочке в живых терминальных средах. Это ближе к вопросу “запустит ли она конвейер CI?”, чем “дополнит ли она код?”

• MiniMax M3: 66.0%
• Nemotron 3 Ultra: 56.4%
• Kimi K2.7 Code: K2.6 лидировала с 67,2%; ожидается, что K2.7 улучшит этот результат

В Terminal-Bench M3 и K2.7 находятся на одном уровне, и обе впереди Nemotron Ultra. Это логично: M3 и семейство Kimi оптимизировали специально под долгие задачи кодинга, тогда как приоритеты дизайна Nemotron Ultra шире.

Использование инструментов MCP (Model Context Protocol)

Использование инструментов MCP всё чаще становится бенчмарком, который важнее всего для реальных развёртываний агентов. Корректный вызов инструментов — это не только про баллы в бенчмарке: это про то, выполняет ли ваш агент нужные действия, не выдумывая имена функций или параметры.

• Kimi K2.7 Code: 81,1 в MCP Mark Verified (лучше 76,4 у Claude Opus 4.8)
• MiniMax M3: 74,2 в MCP Atlas (по данным компании)
• Nemotron 3 Ultra: Сильные результаты BFCL V4 (вызов функций), точные цифры MCP Mark пока не опубликованы

K2.7 явно выигрывает эту категорию. Агентная тонкая настройка Moonshot целенаправленно работала с паттернами вызова инструментов, и это заметно.

Artificial Analysis Intelligence Index (составная оценка)

Эта составная оценка из 10 тестов охватывает рассуждения, знания, математику и кодинг — по сути, взвешенное среднее общего интеллекта модели.

• Семейство Kimi K2.6 / K2.7: 53–54 (данные по K2.7 ожидаются)
• Nemotron 3 Ultra: 47.7
• MiniMax M3: Пока не оценена (BenchLM ставит M3 на 76/100 в предварительном рейтинге, 29-е место из 122)

Скорость (токенов в секунду)

Здесь архитектура Nemotron Ultra рассказывает другую историю:

• Nemotron 3 Ultra: 300+ токенов/с на GB200, в 5,9 раза быстрее GLM-5.1, в 4,8 раза быстрее Kimi K2.6
• MiniMax M3: ~100 токенов/с при контексте 1M
• Kimi K2.7 Code: Сопоставимо с K2.6 (рост пропускной способности за счёт эффективности токенов, а не чистой скорости)

Для высоконагруженных развёртываний в продакшене, где параллельно работает много агентов, преимущество Nemotron Ultra в пропускной способности существенно.

---

Работа агентов в реальных условиях: Hermes, OpenClaw & WildClawBench

Бенчмарки — это одно. То, как эти модели ведут себя во фреймворках для агентов, которые разработчики внедряют сегодня, — совсем другое.

OpenClaw: фреймворк для агентов, который захватывает рынок

Если вы ещё не слышали об OpenClaw, скоро услышите. Всего за два месяца OpenClaw набрал 247 000 звёзд на GitHub и стал платформой для ИИ-агентов, которую охотно внедряют компании в Кремниевой долине и Китае. Он работает локально, не привязан к конкретной модели и интегрируется с мессенджерами — три особенности, которые заметно отличают его от ИИ-ассистентов на основе SaaS.

OpenClaw по своему устройству не привязан к модели, поэтому качество работы почти целиком зависит от того, какую LLM вы поставите в бэкенд. Здесь выбор модели напрямую имеет последствия.

Этот Бенчмарк PinchBench для OpenClaw прогоняет 23 задачи по исполнению кода, созданию контента, исследованиям и системным инструментам. Тест включает 23 задачи, охватывающие исполнение кода, создание контента и системные инструменты, — открытый и воспроизводимый, на данных агентных тестов OpenClaw от PinchBench.

По оценке PinchBench для OpenClaw:

• Nemotron 3 Ultra: 90% в PinchBench Agent Productivity (наравне с Kimi K2.6 — лучшей китайской открытой моделью по выполнению задач согласно этому бенчмарку)
• Kimi K2.7 Code: Ожидается на уровне или выше сильного результата K2.6
• MiniMax M3: В целом сильные агентные результаты; стоит отметить пятикратное преимущество по стоимости над Kimi K2.6 в реальных тестах инструментов Composio

Реальное сравнение M3 и K2.6 (предшественницы K2.7) от Composio дало интересный результат: M3 стоила $0,81 на 25 задачах Composio, а Kimi — $4,08, примерно в 5 раз больше. У M3 было более явное преимущество в сложном терминальном кодинге; в повседневной оркестрации SaaS-инструментов силы оказались практически равны.

Эта разница в стоимости — не только про экономику: она значит, что на тот же бюджет можно сделать в 5 раз больше итераций агента, а это важно для задач кодинга с большим объёмом исследования, где узкое место — скорость итераций.

Hermes Agent: фреймворк, который не играет в любимчиков

WildClawBench, опубликованный в мае 2026 года группой InternLM, — одна из самых строгих независимых оценок агентов, доступных сейчас. Бенчмарк проверяет то, что действительно важно: может ли ИИ-агент выполнить реальную работу от начала до конца без постоянного вмешательства? Он прогоняет один и тот же набор из 60 задач в четырёх разных harness для агентов — OpenClaw, Claude Code, Codex CLI и Hermes Agent, — отделяя возможности модели от обвязки harness.

Harness Hermes интересен тем, что он создавался для проверки моделей независимо от агентной обвязки какого-либо вендора. Это чистый сигнал о качестве самой модели.

Nemotron 3 Ultra показывает результаты SWEBench Verified от 65% до 70,4% в Pi, OpenHands, Hermes, OpenCode и Mini SWE Agent — стабильная производительность независимо от выбранного фреймворка.

Такая стабильность между harness — значимый показатель качества. Многие модели, хорошо показывающие себя в своём CLI, заметно проседают, когда их переносишь в другой фреймворк для агентов. Архитектура Nemotron Ultra, похоже, устойчива к смене фреймворка — вероятно, потому что NVIDIA сознательно обучала модель в нескольких harness для каждого типа задач, а не оптимизировала под один.

По M3 и K2.7 Code цифры именно из WildClawBench ещё просачиваются в сообщество, но историческая сила семейства K2 в агентных оценках и улучшения MCP в K2.7 позволяют ожидать сильных результатов в harness Hermes.

Вывод по фреймворкам

Если вы строите на OpenClaw и важна стоимость — ваша модель M3. Если у вас конвейеры с интенсивным использованием MCP — лидер K2.7 Code. Если нужна стабильность, не зависящая от фреймворка, сразу в Hermes, OpenClaw и других — правильный выбор — независимая от harness стабильность Nemotron Ultra.

---

Вайб-кодинг: какая модель действительно хорошо собирает приложения?

“Вайб-кодинг” стал коротким названием для стиля разработки с помощью ИИ, когда целые функции или небольшие приложения создаются итеративно по промптам на естественном языке, часто начиная со скриншотов, макетов или примерных описаний. Здесь важна не столько точность генерации кода, сколько способность модели удерживать целостное видение продукта на протяжении многих шагов и выдавать работающий, визуально согласованный результат.

Каждая из трёх моделей подходит к вайб-кодингу по-своему, и различия имеют значение.

MiniMax M3: самая сильная мультимодальная основа

M3 специально создана для визуальной стороны вайб-кодинга. MiniMax представила VIBE (Visual & Interactive Benchmark for Execution) именно для оценки способности модели создавать законченные работающие приложения с нуля — с автоматической проверкой логики взаимодействия и визуальной подачи сгенерированных приложений в реальной среде выполнения.

Показательно, что именно M3 представила этот бенчмарк. MiniMax явно считает, что стандартные бенчмарки кодинга, проверяющие, проходит ли код юнит-тесты, упускают вопрос, который действительно важен для вайб-кодинга: работает ли приложение и и выглядит ли оно правильно?

На практике нативный ввод видео и изображений в M3 означает, что можно вставить скриншот из Figma или запись сессии пользователя и попросить модель сразу собрать всё по ним. Это принципиально иной рабочий процесс, чем описание желаемого словами. Для разработки с сильным уклоном во фронтенд — компоненты React, интерфейсы веб-приложений, мобильные макеты — возможность визуального ввода в M3 меняет цикл работы так, как чисто текстовые модели не могут.

Контекстное окно на 1 млн токенов важно для вайб-кодинга и по-своему: в контекст помещается вся кодовая база среднего размера, то есть модель может рефакторить несколько файлов, не теряя связности того, что она строит. Это один из реальных режимов отказа при вайб-кодинге с моделями с меньшим контекстом: код начинает расходиться сам с собой по ходу шагов, когда модель теряет из виду прежние архитектурные решения.

Kimi K2.7 Code: лучший вайб-кодинг с интеграцией инструментов

Разработчики могут загружать скриншоты, схемы, макеты продуктов и даже видео и просить Kimi K2.7 сгенерировать код на их основе — полезно для фронтенд-разработки, отладки визуальных проблем и реверс-инжиниринга интерфейсов.

Преимущество K2.7 в вайб-кодинге — интеграция инструментов MCP. Когда вы работаете через Kimi Code CLI, модель может проходить цикл в реальном терминале: запускать приложение, проверять вывод, читать журналы ошибок и повторять — всё в одной сессии. Этот сквозной цикл с обратной связью от реального выполнения и отличает “генерирует код” от “действительно собирает вещь”.

Сокращение токенов на 30% особенно важно для вайб-кодинга, потому что такие сессии обычно длинные и разговорные. Модель, тратящая меньше токенов на шаг рассуждения, позволяет вести более долгие сессии при меньшей стоимости, а это напрямую соответствует тому, как на самом деле идёт итеративная сборка приложений.

Nemotron 3 Ultra: мощная, но менее специализированная

Nemotron Ultra — сильный универсал и хорошо справляется с мультимодальными входами, но приоритетами её дизайна были стабильность агента и глубина рассуждений, а не визуальный интерфейс вайб-кодинга. Для чистых процессов вайб-кодинга — скриншот на входе, работающее приложение на выходе — естественнее подходит M3.

В процессах разработки Nemotron Ultra сильна на архитектурных этапах, требующих рассуждений: проектирование компонентов системы, отладка сложного управления состоянием или разбор хитрого алгоритма. Это меньше про “собери этот интерфейс по скриншоту” и больше про “помоги спроектировать архитектуру и продумать граничные случаи”.

Вердикт по вайб-кодингу

Для вайб-кодинга расклад такой: M3 (лучшая визуальная интеграция, самый большой контекст, самая дешёвая) → K2.7 Code (лучший цикл обратной связи от реального выполнения, сильнейшее использование инструментов) → Nemotron Ultra (отличный помощник в рассуждениях, но менее специализирована на визуальной сборке приложений).

Если вы занимаетесь вайб-кодингом в основном в визуально насыщенном стеке (React, Vue, мобильные приложения), ваша модель — M3. Если вы строите приложения с сильным бэкендом или системы, где цикл итераций включает запуск и тестирование реального кода, преимущество даёт интеграция MCP в K2.7 Code.

---

Цены & анализ соотношения цены и производительности

Разберёмся с реальной арифметикой стоимости, потому что главные цифры бенчмарков имеют смысл только в контексте того, сколько вы платите.

Модель	Вход (за 1 млн токенов)	Выход (за 1 млн токенов)	Контекст	Лицензия
MiniMax M3 (промо)	$0.30	$1.20	1M	Открытые веса
MiniMax M3 (стандарт)	$0.60	$2.40	1M	Открытые веса
Kimi K2.7 Code	$0.95	$4.00	256K	Modified MIT
Nemotron 3 Ultra (DeepInfra)	$0.37	$1.08	1M	OpenMDW-1.1
Claude Opus 4.8	$5.00	$25.00	—	Проприетарная
GPT-5.5	~$10.00+	~$30.00+	—	Проприетарная

История со стоимостью становится сложнее, если учесть эффективность. Сокращение токенов на 30% в K2.7 означает, что сессия, расходующая 1 млн выходных токенов на K2.6, на K2.7 израсходует ~700 тыс. При $4,00 за миллион на выходе это $4,00 против $2,80 — не просто разница в ставке, а экономия за счёт эффективности. На долгих прогонах агента это заметно накапливается.

Nemotron Ultra по $0,37/$1,08 у DeepInfra на удивление доступна для модели на 550 млрд параметров с индексом интеллекта 47,7 — отчасти это следствие преимущества в пропускной способности (в 5,9 раза быстрее означает меньшую стоимость выполненной задачи, даже если бы ставки за токен были одинаковыми).

M3 по промоцене — самая дешёвая в абсолютных цифрах, хотя стандартные $0,60/$2,40 всё равно отличное соотношение цены и качества для контекстного окна на миллион токенов с кодингом уровня фронтира.

Для большинства развёртываний в продакшене настоящий расчёт стоимости — это не токены на доллар, а выполненные задачи на доллар. Соберите небольшой репрезентативный набор тестов из ваших реальных задач и посчитайте цену каждой модели на нём. Заявленные ставки — отправная точка, а не ответ.

---

Кому какая модель подходит?

Эти три модели на самом деле не конкуренты в одном и том же сценарии. Вот прагматичный разбор:

Выбирайте MiniMax M3, если:

• вам нужно самое большое контекстное окно для крупных кодовых баз, длинных документов или проектов из многих файлов
• ваш рабочий процесс строится на визуальных материалах (скриншоты → код, макеты → реализация)
• стоимость — главное ограничение и вам нужно много итераций
• вы создаёте браузерных агентов или автономные исследовательские конвейеры, которым пригодится сила в BrowseComp
• вам нужна одна модель, которая работает с текстом, изображениями и видео без переключения

Выбирайте Kimi K2.7 Code, если:

• вы строите конвейеры с интеграцией MCP и вам нужна лучшая надёжность вызова инструментов
• вы занимаетесь долгим агентным кодингом с многошаговыми процессами в терминале
• вы развёртываете через Kimi Code CLI и хотите самую тесную интеграцию модели с harness
• вам нужна гибкость модели с открытыми весами под лицензией Modified MIT
• важна эффективность токенов на долгих сессиях (сокращение на 30% накапливается на больших агентных прогонах)

Выбирайте Nemotron 3 Ultra, если:

• вы в американской компании и геополитические соображения по данным исключают модели китайского происхождения
• вам нужна тонкая настройка модели с полным доступом к данным обучения, примерам SFT и средам RL
• важна стабильность между фреймворками — вы одновременно развёртываете в Hermes, OpenClaw и других harness
• пропускная способность критична для развёртываний с большим числом одновременных агентов
• вы занимаетесь задачами, требующими рассуждений: соревновательное программирование, сложная архитектура, задачи уровня выпускника вуза
• вам нужна лучшая американская модель с открытыми весами, и точка

Честный пограничный случай: Если вы работаете в небольшом стартапе или как независимый разработчик, требования к данным у вас гибкие, а главное ограничение — стоимость, то M3 по промо-цене действительно трудно превзойти. Если же вы в регулируемом американском предприятии, безопасный выбор по умолчанию — Nemotron Ultra, и он достаточно конкурентоспособен, так что, отказываясь от моделей китайского происхождения, вы мало что теряете.

---

Слон в комнате: конфиденциальность данных

Это сравнение было бы неполным без темы, которая становится всё более важной для корпоративных внедрений.

Штаб-квартира MiniMax находится в Шанхае. Согласно Закону о национальной разведке Китая, принятому в 2017 году, каждая китайская компания — включая MiniMax — обязана по закону “поддерживать, помогать и сотрудничать с государственной разведывательной деятельностью”. Это обязательство действует постоянно и не даёт компании никакой юридической возможности отказаться от выполнения, когда поступает запрос от правительства.

Объявленное 29 апреля 2026 года расследование Конгресса США назвало MiniMax наряду с другими китайскими ИИ-лабораториями; Anthropic в феврале 2026 года выдвинула обвинения в дистилляции промышленного масштаба против Claude; а активный иск о нарушении авторских прав от Disney, Universal и Warner Bros. Discovery по продукту Hailuo 26 мая 2026 года был допущен к рассмотрению.

Те же соображения относятся и к Kimi K2.7 Code от Moonshot AI (тоже со штаб-квартирой в Пекине). Технические достоинства этих моделей реальны, но закупочным командам предприятий в регулируемых отраслях, компаниям, связанным с обороной, и любым организациям, работающим с чувствительной интеллектуальной собственностью, нужно учитывать эти обстоятельства при принятии решения.

Открытые веса обеих моделей дают одну потенциальную возможность смягчить риски: если вы размещаете модель на своей инфраструктуре (self-hosted) и никогда не отправляете запросы в API Moonshot или MiniMax, поток данных в китайскую инфраструктуру можно перекрыть. Достаточно ли этого для ваших требований соответствия — вопрос права и рисков, специфичный для вашей организации.

Nemotron Ultra — модель NVIDIA, американской компании, под лицензией OpenMDW-1.1 Linux Foundation. Для американских предприятий с требованиями к суверенитету данных это значимое отличие, которое таблицы бенчмарков не отражают.

---

Итоговый вердикт

Две недели, три знаковых релиза. История ИИ с открытыми весами в июне 2026 года — это не постепенное улучшение, а качественный скачок.

MiniMax M3 — самая универсальная из трёх и лучшее предложение по соотношению цены и возможностей в абсолютных цифрах затрат. Контекстное окно в 1 млн токенов и встроенная мультимодальность дают ей уникальный профиль для визуально ориентированной разработки. Оговорки — непроверенные бенчмарки и вопросы конфиденциальности данных при корпоративном использовании.

Kimi K2.7 Code — лучшая агентная модель для кодинга в пространстве открытых весов прямо сейчас, без оговорок. То, что модель с открытыми весами обходит Claude Opus 4.8 в использовании инструментов MCP, — не мелкая победа в бенчмарке, это разница между “впечатляющей демонстрацией в лаборатории” и “реально лучшей работой в том, что делают агенты в продакшене”. Улучшение эффективности токенов на 30% по сравнению с K2.6 делает её заметно дешевле в масштабе. Оговорка: это специалист только по кодингу, независимые бенчмарки ещё в пути, а вопросы к происхождению данных Moonshot AI те же, что и у MiniMax.

Nemotron 3 Ultra — та модель, которую вы разворачиваете, когда нужна модель с открытыми весами фронтирного качества, которой можно доверять в корпоративной среде, которую можно тонко настраивать с полной прозрачностью, которая работает быстрее всех остальных при своём уровне интеллекта и которую подкрепляет такая репутация цепочки поставок, что юридические и закупочные команды чувствуют себя спокойно. Преимущество в 4,8 раза по пропускной способности по сравнению с Kimi K2.6 действительно радикально меняет рабочие нагрузки агентов в продакшене, а её независимая от harness стабильность в агентных бенчмарках — сигнал качества, который одни только таблицы бенчмарков не передают полностью.

Более широкий вывод из этих двух недель: фронтир ИИ с открытыми весами сместился от “почти так же хорош, как закрытые модели” к “лучше закрытых моделей в отдельных важных измерениях”. Результат K2.7 в использовании инструментов MCP — самый ясный сигнал на сегодня. Мы больше не ждём, когда открытый исходный код догонит, — в некоторых измерениях он уже впереди.

Вы тестировали какие-то из этих моделей в продакшене? Поделитесь опытом в комментариях — особенно если устраивали очные сессии агентов на OpenClaw или Hermes. Реальные данные сейчас стоят больше любого бенчмарка.

Больше подробных разборов моделей ИИ — подписывайтесь на tech.grahammiranda.com.