Как выбрать правильный уровень модели Claude для каждой кодинг-задачи

Когда люди начинают строить с ИИ-кодинг-ассистентом, они часто выбирают самую мощную доступную модель и используют её для всего. Это кажется безопасным — почему бы не всегда использовать самую умную модель? Но самая умная модель ещё и самая медленная и самая дорогая, и для массы повседневной работы это перебор. Научиться подбирать уровень модели под задачу — одна из самых рычажных привычек, которые вы можете выработать. Это экономит деньги, возвращает ответы быстрее и — вопреки интуиции — иногда даёт лучший результат, потому что быстрая модель, которая успевает закончить, позволяет вам больше итерировать.

Это руководство использует линейку Claude от Anthropic как пример, но принцип применим к каждому провайдеру, выпускающему семейство моделей.

Уровни, от лёгкого к тяжёлому

По состоянию на середину 2026 года у Claude четыре уровня, каждый примерно на ступень выше по способностям и цене (официальные цены):

• Haiku 4.5 — $1 / $5 за миллион входных/выходных токенов. Быстро и дёшево. Отлично для простой, чётко определённой работы.
• Sonnet 4.6 — $3 / $15. Рабочая лошадка. Силён в кодинге и большинстве продакшен-задач.
• Opus 4.8 — $5 / $25. Более тяжёлое рассуждение для сложных многошаговых проблем.
• Fable 5 — $10 / $50. Новый флагман класса Mythos, выпущенный 9 июня 2026 года, для самых сложных проблем.

Заметьте, что выходные токены стоят впятеро дороже входных на каждом уровне, и что прыжок от Sonnet к Fable — это рост цены более чем в 3 раза. Эти разрывы — ровно то, почему выбор уровня имеет значение.

Собственное эмпирическое правило Anthropic

Доки по ценам Anthropic дают освежающе прямую рекомендацию: «Выбирайте Haiku для простых задач, Sonnet для большинства продакшен-нагрузок и Opus для самого сложного рассуждения». Fable 5 продлевает эту лестницу на ступень выше для проблем передового уровня.

В переводе на кодинг-работу:

• Тянитесь к Haiku, когда задача механическая: переименование переменных, написание регекспа, форматирование JSON, генерация шаблонных тестов, резюмирование диффа или ответ на быстрое «что делает эта функция?»
• По умолчанию берите Sonnet для основной массы реального кодинга: реализация фичи, исправление обычного бага, написание компонента, ревью pull request. Это должна быть ваша домашняя база.
• Эскалируйте к Opus, когда задаче нужно подлинное рассуждение по большому объёму контекста: неоднозначный баг без очевидной причины, многофайловый рефакторинг, где изменения взаимодействуют, или архитектурные решения.
• Берегите Fable 5 для редкой проблемы, которая побеждает Opus — разросшаяся миграция, тонкий баг конкурентности или работа, охватывающая очень большую кодовую базу за одну сессию.

Разобранный пример

Допустим, вы добавляете новую фичу «экспорт в CSV» в веб-приложение. Рабочий процесс с учётом уровней мог бы выглядеть так:

1. Планируйте с Opus. «Вот структура моей кодовой базы. Где должна жить логика экспорта и какие граничные случаи мне обработать?» Это насыщено рассуждением и задаёт направление — стоит лучшей модели.
2. Реализуйте с Sonnet. «Напиши функцию экспорта и привяжи её к кнопке». Стандартный кодинг, с которым рабочая лошадка хорошо справляется.
3. Тестируйте и приводите в порядок с Haiku. «Сгенерируй юнит-тесты для этой функции» и «переформатируй этот файл». Дёшево, быстро, механически.

Дорогая модель касается лишь тех 10% работы, которым она действительно нужна. В Claude Code вы переключаетесь посреди сессии командой /model sonnet или /model haiku; в Cursor вы выбираете из выпадающего списка моделей. Вся фича стоит долю того, во что обошлась бы, если бы Opus или Fable делали каждый шаг — и завершается быстрее, потому что дешёвые шаги возвращаются почти мгновенно.

Сократите расходы, не понижая уровень

Выбор уровня — самый крупный рычаг, но две встроенные возможности накладываются поверх:

• Кеширование промптов. Если вы отправляете один и тот же большой контекст многократно (большой системный промпт, файл, на который постоянно ссылаетесь), его кеширование делает последующие чтения стоимостью всего 10% от цены входа. Для агентных циклов, переотправляющих контекст каждый ход, это огромно.
• Пакетная обработка. Для несрочных, объёмных задач — генерация тестов для 200 файлов, перевод папки документации — Batch API работает асинхронно со скидкой 50% и на вход, и на выход.

Ни то, ни другое не меняет качество модели; они лишь меняют то, что вы платите за ту же работу.

Вывод

Не берите по умолчанию самую большую модель из осторожности. По умолчанию берите Sonnet, опускайтесь до Haiku, когда задача тривиальна, и поднимайтесь до Opus или Fable только когда проблема действительно требует более глубокого рассуждения. Вы потратите меньше, подождёте меньше и — поскольку можете позволить себе больше итераций — часто выпустите код лучше. Цель не в том, чтобы использовать самую умную модель; она в том, чтобы использовать правильную для задачи перед вами.