Opus против GPT на трёх рабочих задачах: четыре круга
TL;DR 11 ноября я дал двум ИИ-моделям, Claude Opus 5.5 и GPT-6.1 Terra, три рабочие задачи: презентацию в фирменном стиле, 15-секундный тизер к статье и статью с проверкой фактов. За вечер прошло четыре круга. Вслепую, не зная, какая модель что сделала, я оценивал только третий, и в нём выбрал Opus во всех трёх задачах. Например, статья Opus — 681 слово с четырьмя фото, у GPT — 307 слов без фото. Зато GPT быстрее в 2–6 раз на презентации и статье, на ролике время сопоставимо. Две находки полезнее самой победы. Сравнивать модели надо там, где они потом работают: в изолированной папке ответа на мой вопрос я не получил. А жёсткие потолки в задании («не больше N слов») GPT, похоже, выполняет буквально, даже когда страдает смысл. Ниже — как я сравнивал, что вышло по кругам и какие правила я записал для GPT. Чтение — минут семь.
Opus у меня основной агент: пишет, проверяет, собирает ролики и отчёты. Про ChatGPT у меня было ощущение, что он «не всё понимает, не копает вглубь». Я хотел понять, правда ли это, и если правда — нужна ли GPT особая инструкция.
Простыми словами Слепое сравнение — когда оценивающий не знает, какая модель что сделала. Файлы обезличены, вместо имён буквы, ключ лежит отдельно и открывается после оценки.
Как я сравнивал
Три задачи из обычной недели:
- Презентация на 6–8 слайдов в фирменном стиле по рыночной теме.
- Тизер на 15 секунд к статье, собранный кодом в HyperFrames (программа, которая делает видео из кода).
- Статья с проверкой фактов по открытым источникам.
Opus запускался в Claude Code, GPT — в Codex с высоким уровнем размышлений. Это программы, в которых модель работает как агент: сама открывает файлы, запускает программы и собирает результат. «Высокий уровень размышлений» — режим, в котором модель дольше думает перед ответом. Агент готовил задания и пакеты для оценки, оценивал я словами, без баллов.
Дальше часто встретится слово «окружение». Это рабочая папка со всем, что агент может подхватить сам: память проектов (записи о моих проектах и правилах), скиллы (готовые инструкции под тип задачи, например «фирменный стиль») и база знаний. Примерно как обжитое рабочее место.
Круг 1: в пустой папке GPT не собрал ни PDF, ни ролик
В первом круге модели работали в отдельной подпапке и читать за её пределами не могли. У Opus не было ни памяти проектов, ни фирменных скиллов, ни базы знаний. У GPT была общая инструкция Codex и его скиллы, включая фирменный стиль, но не было базы знаний. GPT прошёл задачи дважды: просто так и с инструкцией в папке задачи, о ней ниже.
| Задача | Opus | GPT |
|---|---|---|
| Презентация | 5 мин 44 с, 8 слайдов, HTML и PDF | 2 мин 42 с, HTML, PDF нет |
| Ролик | 6 мин 32 с, MP4 на 15 секунд | дважды упал, ролика нет |
| Статья | 4 мин 39 с, около 1 650 слов, 3 фото | 1 мин 11 с, около 500 слов, без фото |
GPT не собрал PDF и видео. Его песочница (замкнутая среда, из которой агента не выпускают к другим программам) не пускает к браузеру, который нужен для сборки файла, а общее правило «песочница отказала — остановись» обрывало работу. Права песочницы я расширять не стал: агент написал обвязку, небольшую программу, которая собирает PDF и видео вне песочницы из исходника GPT.
Замечание Opus тратит заметно больше. Токен — кусочек слова, в токенах считают объём работы модели и её цену. За первый круг Opus выдал около 80 тысяч токенов, GPT — около 10 тысяч. Три задачи Opus в пересчёте на цены API (прямой платный доступ к модели) стоили бы $5,3.
Пакет первого круга я оценивать не стал и попросил перезапустить GPT через обвязку.
«Копай глубже» сделало GPT осторожнее
Во втором прогоне первого круга GPT получил инструкцию в папке задачи: добирай данные сам; не подтвердил — не пиши или прямо пометь; источники расходятся — разберись. Инструкцию он прочитал. Глубже не стало: 2–5 поисков на задачу и столько же выходных токенов (написанного текста), сколько без инструкции. Статья с инструкцией сократилась примерно до 290 слов.
Правило «не подтвердил — не пиши» GPT, судя по результату, понял как «выкинь». Opus в той же ситуации разбирает, кто ошибся, и пишет об этом как о новости. В том же прогоне GPT попытался управлять моим настоящим браузером. Отказ сработал, но ровно туда агенту лезть нельзя. Подтолкнул его к этому пункт «добери сам» или сломанная сборка PDF — точно сказать не могу.
Круг 2: GPT выиграл оформление, и я понял, что тест поставлен неверно
Во втором круге GPT заново прошёл презентацию и ролик через обвязку, и всё собралось. Opus не перезапускали, и его файлы я уже видел. Буквы скрывали имя модели, но работу Opus я узнавал — уже видел её в первом круге, а в сводной таблице пакета ещё и проскочила подсказка о числе файлов. Этот круг слепым я не считаю.
Мои оценки: статья лучше у Opus, «с фото». Форму выиграл GPT с инструкцией: вертикальный ролик и фирменный стиль, который он взял из скилла. Opus этот скилл в своей папке не видел. Тут я понял, что тест не тот. Мне не нужно знать, какая модель лучше в пустой комнате. Мне нужно знать, какая лучше работает в моём окружении: со скиллами, базой знаний и памятью проектов, где модель сама решает, что взять. В задании агенту стояло «только эта папка», и это была ошибка постановки.
Круг 3: в рабочем окружении и вслепую Opus выиграл три задачи из трёх
В третьем круге обе модели стартовали из корня моей рабочей папки. Там у Opus есть память проектов и база знаний, GPT дополнительно подключили поиск по той же базе. Прошлые круги на время прогона убрали, чтобы модели их не подсмотрели. Opus перезапущен, ни одного файла я заранее не видел.
| Задача | Opus | GPT |
|---|---|---|
| Презентация | 11 мин 37 с, 8 слайдов, заголовки-выводы, слайд «что учесть» | 2 мин 3 с, 7 слайдов, заголовки-констатации |
| Ролик | 2 мин 48 с, вертикальный 9:16 | около 2 минут и 33 с сборки, горизонтальный 16:9 |
| Статья | 6 мин 56 с, 681 слово, 4 фото, файл сверки источников | 1 мин 4 с, 307 слов, без фото, файл проверки фактов |
Что я сказал до раскрытия ключа. Презентация B «более обширная и с рекомендациями» — это был Opus. Ролик A «вертикальный, ближе к теме» — Opus, но финальный хук (фраза, которая цепляет зрителя) у B, у GPT, сильнее: вопрос к зрителю цеплял лучше. Статья — «с фото, конечно, лучше», это снова Opus. В итоге Opus во всех трёх задачах.
Окружение сравняло оформление: фирменный стиль попал у обоих, у Opus из памяти, у GPT из скилла. Вертикальный формат ролика Opus взял из памяти проекта, в инструкциях GPT такого правила не было. По разбору агента после раскрытия ключа разница осталась в содержании: заголовки-выводы против констатаций, рекомендации в конце, объём и фото в статье.
В деньгах Презентация Opus по ценам API стоила бы $3,69, ролик — $1,00. Недельный лимит Claude (потолок работы, который задаёт подписка) за круг вырос с 65 до 66%, Codex остался на 57%. Проценты двух подписок между собой не сравнимы, а Claude считает расход всех сессий на компьютере.
Правила для GPT: что я записал в общую инструкцию
После третьего круга в общую инструкцию Codex (правила, которые агент читает в начале каждого чата) легли новые пункты. Они действуют в новых чатах:
- Сначала бриф: кто смотрит, где, какой формат и стиль; нужный скилл прочитать целиком.
- Измеримое вместо «глубже»: заголовок слайда — вывод, последний слайд — что делать; статья от 600 слов с фото и подписями; не меньше пяти источников.
- Расхождения источников разбирать отдельным абзацем, выкидывать их нельзя.
- Сборка PDF и видео — только через обвязку, без расширения прав песочницы.
- Ролики для ленты — вертикальные, 9:16.
Круг 4: промпты для GPT пишет Claude
Последняя проверка: может, GPT просто нужно хорошее задание. Claude написал по промпту (тексту задания для модели) на каждую задачу. Брать в промпт содержание из ответов Opus было нельзя: промпт должен годиться и для другой темы. Для сравнения взяли файлы Opus из третьего круга. GPT прошёл каждую задачу с первой попытки, за 3–4 минуты. Новая инструкция Codex к этому времени уже действовала, поэтому эффект промпта от неё не отделить. Слепым этот круг не был: где GPT, я понял сам.
- Статья по существу стала лучше: 942 слова вместо 307, хронология, исправленная ошибка в характеристиках, раздел о расхождениях источников. Это наша с агентом оценка: я попросил его сказать самому.
- Ролик впервые вышел вертикальным, но начало — слабое. Промпт просил начать с самого неожиданного факта. GPT решил, что это цена, и повторил её из заголовка статьи. Настоящее противоречие появлялось только со второй по девятую секунду.
- Презентация получила заголовки-выводы, но стала хуже. В промпте стояло «одна главная цифра или простой график» на слайд и в самопроверке «на слайде не больше 40 слов». Похоже, GPT выполнил это буквально: вышли пустые слайды с одной цифрой. Проверить догадку пятым кругом я не стал.
После четвёртого круга я сравнение закрыл: «примерно понятно, что с ним делать». Остались два правила для промптов, которые я пишу GPT сам:
- Пороги — нижние. «Две-три цифры и сравнение» вместо «одна цифра, не больше N слов».
- Сильный хук — конфликт или противоречие; цифра из заголовка хуком не работает.
GPT пригодится для быстрых задач и перекрёстной проверки
Быстрые задачи «найди и проверь», где важна скорость и не нужна глубина. И перекрёстная проверка: одна модель проверяет работу другой. В одном исследовании Claude и GPT искали параллельно и потом проверяли друг друга. GPT нашёл у Claude две юридические ошибки, Claude у GPT — пропуски в каталоге примеров.
Где это не работает
- Один оценщик, один прогон, один вечер. Оценивал я один, словами, каждую задачу модель делала один раз. Все четыре круга прошли за вечер, примерно с 19:15 до 00:15.
- Слепым был только третий круг. В первом я пакет не оценивал, во втором файлы Opus уже видел, в четвёртом узнал GPT сам.
- Окружение собрано вокруг Claude. Память проектов и правила писались для Opus, и общая инструкция Codex собрана из той же памяти. В изолированной папке окружение, наоборот, помогло GPT: у него был скилл стиля, у Opus — нет.
- Версии моделей меняются. Сравнение — на 11–12 ноября 2026 года, GPT-6.1 Terra. Через несколько месяцев его стоит повторить.
- Цена и скорость. Если задачи массовые и неглубокие, скорость GPT на текстах может перевесить глубину.
Откуда числа
- Время, ходы, токены и условная цена по API — журналы сессий Claude Code и Codex, 11–12 ноября 2026 года.
- Лимиты — замеры расхода в начале и в конце круга, округлены до целых процентов. У Claude это верхняя граница: в неё входят все сессии на компьютере.
- Число слов — подсчёт в итоговых файлах. «Около» — так записано в разборе прогона.
- Оценки — мои, словами. Цитаты — из моих сообщений после просмотра пакетов.
- Модели: Claude Opus 5.5 в Claude Code, GPT-6.1 Terra в Codex.
Какую модель вы выбрали для своей команды — по сравнению в своём окружении или по чужому рейтингу?