Лучшие LLM для русского языка в 2026: тест на реальных задачах

ПОЧЕМУ ВООБЩЕ ЕСТЬ ПРОБЛЕМА С РУССКИМ

Русский — язык с богатой морфологией: падежи, роды, виды глагола, свободный порядок слов. LLM, обученная в основном на английском корпусе, спотыкается не на смысле, а на форме. Классический симптом — модель понимает вопрос, но выдаёт согласование уровня «три большие дома» или калькированные обороты вроде «сделать смысл» вместо «иметь смысл».

Второй слой проблемы — токенизация. Кириллица в BPE-токенайзерах старого поколения жралась по 2-3 токена на слово, что удорожало запросы и резало контекст. К 2026 большинство фронтир-моделей перешли на токенайзеры, где русский стоит примерно 1.3-1.7 токена на слово — всё ещё дороже английского, но терпимо.

Третий слой — фактология и локальный контекст: законы РФ, топонимы, культурные реалии, актуальные события. Тут западные модели часто плывут, а специализированные русскоязычные — в своей стихии.

КАК Я ТЕСТИРОВАЛ

Синтетические бенчмарки типа MMLU переводятся на русский криво и меряют не то. Поэтому я гонял модели на пяти категориях практических задач, близких к тому, что реально делают разработчики:

1. Грамматика и стиль — переписать канцелярит в человеческий текст, поймать ошибки согласования.
2. Суммаризация — сжать статью на 3000 слов до 5 тезисов без галлюцинаций.
3. Извлечение данных (JSON) — вытащить структуру из неструктурированного русского текста.
4. Код + комментарии на русском — генерация функции с осмысленными русскими докстрингами.
5. Локальные знания — вопросы по российскому праву, географии, недавним событиям.

Оценка — вручную, слепым сравнением, по шкале 1-10. Ни один автоматический judge я не доверял: LLM-судья сам плывёт на русском и завышает оценки многословным ответам. Свежие релизы моделей и оберток я отслеживаю в каталоге REDDYX — там видно, кто выкатил новую версию буквально на этой неделе.

РЕЗУЛЬТАТЫ: СВОДНАЯ ТАБЛИЦА

Цифры — усреднённые субъективные оценки по моему прогону, а не абсолютная истина. По замерам сообщества (Ru-MMLU-подобные наборы, MERA) расклад примерно совпадает.

ГРАММАТИКА И СТИЛЬ: ГДЕ ЛОМАЕТСЯ

На чистой грамотности разрыв минимален. Claude и GPT практически не делают ошибок согласования даже в длинных придаточных. DeepSeek иногда роняет вид глагола в сложных временных конструкциях. YandexGPT ожидаемо силён — модель много видела живого русского, а не переводного.

Интересный момент: западные модели пишут «правильно, но не по-русски». Стилистически это чуть переводной текст — длинные периоды, избыток отглагольных существительных. YandexGPT и GigaChat звучат естественнее в разговорном регистре, зато иногда уходят в казённость.

Типичная ловушка

Просите переписать «Осуществление контроля за выполнением мероприятий возлагается на...» — фронтир-модели дают грамотный, но всё ещё бюрократический вариант. YandexGPT чаще догадывается, что от него хотят живой язык, и режет канцелярит агрессивнее.

ИЗВЛЕЧЕНИЕ ДАННЫХ И КОД

Тут западные модели уверенно впереди. Structured output, строгий JSON по схеме, tool calling — экосистема отлажена. YandexGPT и GigaChat умеют function calling, но капризнее: чаще ломают схему, добавляют лишние поля, оборачивают JSON в markdown-блок, когда просишь чистый объект.

Вот минимальный прогон, которым можно проверить любую модель на своей задаче извлечения. Пример под OpenAI-совместимый эндпоинт (его отдают почти все, включая прокси к DeepSeek и локальный Qwen через vLLM):

import json
from openai import OpenAI

client = OpenAI(base_url="https://api.example.com/v1", api_key="...")

PROMPT = """Извлеки данные из текста строго в JSON.
Схема: {"name": str, "city": str, "age": int|null}
Верни ТОЛЬКО валидный JSON без markdown.

Текст: Меня зовут Пётр, живу в Нижнем Новгороде, мне 34."""

resp = client.chat.completions.create(
    model="your-model-id",
    messages=[{"role": "user", "content": PROMPT}],
    temperature=0,
)

raw = resp.choices[0].message.content.strip()
# частая беда рус-моделей — обёртка ```json ... ```
if raw.startswith("```"):
    raw = raw.split("```")[1].removeprefix("json").strip()

data = json.loads(raw)
assert data["city"] == "Нижнем Новгороде" or data["city"] == "Нижний Новгород"
print(data)

Обратите внимание на строку с зачисткой markdown — это не паранойя, а реальный костыль, который до сих пор нужен для GigaChat и части открытых моделей. Claude и GPT при явной инструкции отдают чистый JSON стабильно.

ЛОКАЛЬНЫЕ ЗНАНИЯ И 152-ФЗ

Здесь расклад переворачивается. Спросите про порядок подачи документов в конкретное ведомство, актуальные ставки или региональные реалии — YandexGPT и GigaChat отвечают предметнее, потому что дообучены на релевантном корпусе. Западные модели либо аккуратно уклоняются, либо галлюцинируют устаревшими данными.

Но главный аргумент за российские модели часто не качество, а комплаенс. Если у вас персональные данные и требования по локализации (152-ФЗ), отправлять их в зарубежный API — юридический риск. YandexGPT и GigaChat держат данные в РФ и дают договоры под госзаказ. Для многих корпоративных проектов это решает вопрос выбора ещё до всяких бенчмарков.

• Нужен максимум качества, данные не чувствительные — Claude или GPT.
• Персональные данные / госзаказ — YandexGPT или GigaChat, без вариантов.
• Экономия на объёме — DeepSeek или self-host Qwen.
• Полная приватность / офлайн — открытая модель на своём железе.

ЦЕНА И ТОКЕНИЗАЦИЯ РУССКОГО

Экономика сильно зависит от того, сколько токенов модель тратит на кириллицу. Прикинуть можно так:

# bash: грубая оценка стоимости на русском тексте
# считаем, что рус-слово ~ 1.5 токена в современном токенайзере
WORDS=$(wc -w < article_ru.txt)
TOKENS=$(( WORDS * 3 / 2 ))
echo "Примерно $TOKENS входных токенов"
# при цене X$/1M токенов:
python3 -c "print(f'{$TOKENS/1_000_000 * 3.0:.4f} USD при 3\$/1M')"

DeepSeek на порядок дешевле флагманов при сопоставимом русском. Открытый Qwen на своём GPU — почти бесплатен на инференсе, но платите за железо и DevOps. YandexGPT и GigaChat — средний ценовой сегмент, но с рублёвой оплатой и без валютной возни, что для российского юрлица иногда важнее самой цены.

ИТОГ: ЧТО БРАТЬ В 2026

Универсального ответа нет — есть три сценария:

1. Продукт для широкой аудитории, качество важнее всего — берите Claude или топовый GPT, они пишут по-русски почти безупречно.
2. Российское юрлицо, персданные, интеграция с локальными сервисами — YandexGPT или GigaChat закрывают комплаенс и знают местный контекст.
3. Большие объёмы или полная приватность — DeepSeek по API либо Qwen на self-host дают лучшее соотношение цены и качества.

Разрыв в качестве русского между лагерями за последний год схлопнулся до долей балла. Реальный выбор в 2026 определяется не грамматикой, а тремя вещами: где лежат ваши данные, сколько вы готовы платить и нужны ли вам локальные знания.

Гоняю новые модели на русском по мере релизов и выкладываю живые прогоны, а не пресс-релизы. Если хотите ловить свежие репозитории и инструменты раньше остальных — залетайте в Telegram-канал REDDYX AI — новые репозитории каждые 30-60 минут.