Какую модель Claude выбрать: Haiku, Sonnet, Opus или Fable

2026-09-25обновлено 2026-11-17Инструменты

Какую модель Claude выбрать, зависит от задачи и цены ошибки. Haiku подходит для простого извлечения, Sonnet — для типовой работы, Opus — для задач с несколькими условиями, Fable — для длинных и трудных сценариев. Дайте доступным моделям один и тот же материал и сравните точность по источнику, пропущенные исключения и время до готового ответа.

Какую модель Claude выбрать: сводная таблица

На 17 ноября 2026 года в каталоге Anthropic перечислены Haiku 5.5 для массовых задач с чувствительностью к задержке, Sonnet 5.5 для баланса скорости и качества, Opus 5.5 для длительной работы с кодом и знаниями, Fable 5.2 для наиболее требовательных многошаговых задач. Каталог относится к платформе Anthropic. В чате или Claude Code начните с моделей, доступных в вашем переключателе.

Модель Для чего Когда не брать
Haiku Быстрые ответы, простые правки, классификация, большие объёмы однотипного Задачи с множеством условий и тонкими формулировками
Sonnet Ежедневная работа: тексты, письма, таблицы, код средней сложности Когда цена ошибки очень высока
Opus Сложные задачи: много деталей, длинные документы, агентная работа Переформулировки и короткие ответы
Fable Самые трудные задачи: сложное планирование, исследование, архитектура, проверка Всё, с чем справляется Sonnet

Обычная ошибка: оставить самую сильную модель по умолчанию и гонять её на всём подряд. Ответы при этом не становятся заметно лучше, а лимит заканчивается быстрее. Как устроен расход, разобрано в статье лимиты Claude.

Какая модель под какую задачу

Задача Модель по умолчанию Когда поднять выше
Пост, описание, письмо Sonnet Длинный текст в голосе автора: Opus
Правки, сокращение, перевод Haiku Специальная терминология: Sonnet
Код, скрипты, автоматизация Sonnet Архитектура проекта, сложная отладка: Opus или Fable
Исследование, обзор источников Opus Много противоречивых данных: Fable
Анализ таблиц и отчётов Sonnet Выводы для руководства, где ошибка дорого стоит: Opus
Разбор договора Opus Крупная сделка: Fable, и всё равно проверяет юрист

Это отправная точка, а не закон. Проверить её на своих задачах помогает тест из следующего раздела.

Claude Opus: когда он нужен

Opus стоит подключать не по умолчанию, а когда задача набирает сразу несколько условий: длинный документ, где нельзя потерять деталь из начала к концу; агентная работа с цепочкой шагов, где ошибка на одном шаге портит все следующие; анализ с противоречивыми источниками, где нужно удерживать несколько версий фактов одновременно и явно указывать на расхождения.

Признак, что задаче хватило бы модели попроще: ответ Opus не отличается по содержанию от того, что даёт Sonnet, только занимает больше времени и быстрее съедает лимит. Признак, что Opus нужен: Sonnet на той же задаче упускает часть условий или путается на объёме, а Opus держит их все.

На практике разумная схема — пробовать сначала Sonnet с чётким списком условий в запросе, и переходить на Opus только если проверка по этому списку показывает пропуски. Для разовых сложных задач, разбора договора на крупную сумму или итогового вывода для руководства, Opus можно ставить сразу, не тратя время на тест со слабее моделью.

Как проверить выбор на своих задачах: пошагово

Сравнение по одному ответу ничего не доказывает: модель может удачно или неудачно сработать случайно. Надёжнее небольшая проверка.

  1. Выберите три-пять типовых задач из своей работы. Пост, письмо клиенту, разбор таблицы, правка кода. Результат: набор, который отражает ваш реальный поток.
  2. Сформулируйте критерий готовности для каждой. «Учтены все пять условий», «нет выдуманных цифр», «тон как в моих прошлых письмах». Результат: вы оцениваете ответ по списку, а не по впечатлению.
  3. Прогоните задачи через Haiku или Sonnet. Результат: понятно, где младшая модель проходит критерии.
  4. Для провалившихся задач возьмите ступенью выше. Результат: точка, с которой уровень модели начинает окупаться.
  5. Запишите итоговую таблицу «задача, модель, усилие». Результат: ваши правила по умолчанию, которые не нужно придумывать заново.

Один текст для сравнения моделей Claude

Возьмите учебную выдержку. «Заявку подаёт руководитель отдела до пятницы. Если оборудование нужно подрядчику, заявку подаёт координатор проекта. Без подтверждения службы доступа оборудование выдавать нельзя. Срок выдачи уточняется после согласования». Отправьте один и тот же текст и запрос каждой доступной модели в новом диалоге.

Верни четыре строки: кто подаёт заявку обычно, кто подаёт её для
подрядчика, когда можно выдать оборудование и известен ли срок выдачи.
К каждой строке приложи короткую цитату. Используй только выдержку.

Проверьте ответ по четырём признакам. В обычном сценарии указаны руководитель и крайний срок подачи. Для подрядчика указан координатор проекта. Для выдачи требуется подтверждение службы доступа. Конкретного срока выдачи в тексте нет. Пятница относится к подаче заявки. Если модель обещает выдать оборудование к пятнице, пометьте ошибку как существенную, даже когда весь остальной ответ верен.

Запишите название модели, настройки и время до готового ответа с учётом вычитки. Если обе версии сохраняют все условия, для этого сценария достаточно той, которую проще и быстрее использовать. Если одна упустила исключение, повторите сравнение на другой выдержке с похожей структурой. Для выбора инструмента на уровне отдела пригодится руководство по нейросетям для бизнеса. Это учебный сценарий с ожидаемым ответом, без заявленных замеров моделей.

Усилие: второй рычаг после модели

В интерфейсе Claude есть переключатель усилия или режим размышления. Он определяет, сколько модель думает перед ответом.

Высокое усилие на младшей модели иногда даёт результат лучше, чем низкое на старшей, и обходится дешевле. Поэтому прежде чем переходить на модель ступенью выше, попробуйте поднять усилие.

Схема «планирует, делает, проверяет»

Самая выгодная схема для больших задач разделяет роли между моделями.

  1. Старшая модель планирует. Fable или Opus раскладывает задачу на шаги и пишет критерии готовности.
  2. Младшая делает. Haiku или Sonnet выполняет шаги по плану. Это основной объём.
  3. Старшая проверяет. Результат возвращается старшей модели на сверку с критериями.

В Claude Code так работают субагенты: основная сессия на старшей модели, исполнители на младших.

Промпт для первого шага:

Составь план выполнения задачи ниже: шаги, что на входе и
выходе каждого шага, критерии, по которым я пойму, что шаг
сделан правильно. Сами шаги не выполняй, их сделает другая
модель.

Пример: контент-план на месяц

Задача: подготовить посты по десяти темам.

Шаг 1 (Opus или Fable, высокое усилие): составь план контента
по темам ниже. Для каждой темы: формат, ключевая мысль,
источник, критерий, что пост получился.

Шаг 2 (Sonnet, среднее усилие): напиши черновик поста по теме
N из плана выше, используя ключевую мысль и источник.

Шаг 3 (Opus, среднее усилие): сверь пост с критерием из плана
и перечисли, что поправить, если критерий не выполнен.

Первый и третий шаги требуют суждения, поэтому их делает модель посильнее. Второй шаг исполнение по готовому плану, ему хватает модели дешевле. Каждый этап проверяется отдельно, а не проглатывается целиком.

Какую модель выбрать в разных ролях

Кто вы Основная модель Когда подключать старшую
Блогер, автор текстов Sonnet Длинная статья или сценарий в голосе автора
Предприниматель, руководитель Sonnet Разбор договора, выводы по отчёту, стратегические вопросы
Маркетолог, SMM Sonnet, для правок Haiku План кампании и анализ конкурентов
Разработчик Sonnet Архитектура, сложная отладка, ревью чужого кода
Исследователь, аналитик Opus Много противоречивых источников, итоговый обзор
Сотрудник с потоком однотипных задач Haiku Случаи, где Haiku пропускает условия

Таблица подсказывает, с чего начинать, но решает тест на ваших задачах. Один и тот же маркетолог может обнаружить, что Haiku отлично справляется с заголовками и плохо с анализом конкурентов, и разделит работу по моделям.

Шаблон правил, который можно вставить в инструкции проекта

Чтобы не принимать решение каждый раз, запишите правила один раз в инструкцию проекта или в заметку рядом с чатом:

Правила выбора модели для моих задач:
- Правки, сокращения, переводы, классификация: Haiku, низкое усилие.
- Тексты, письма, таблицы, обычный код: Sonnet, среднее усилие.
- Длинные документы, сложная логика, агентная работа: Opus.
- Планирование и итоговая проверка больших задач: Fable или Opus.
- Если результат не проходит критерий, поднять усилие, затем модель.
- Для новой темы открывать новый чат.

Подправьте под свои результаты теста. Через месяц вернитесь и вычеркните то, что не пригодилось.

Было и стало: письмо клиенту

Было. Все письма клиентам вы пишете в Opus на высоком усилии. Ответ приходит дольше, лимит уходит, а результат почти не отличается от Sonnet.

Стало. Типовые письма пишет Sonnet на среднем усилии, а Opus подключается для сложных случаев: спор, возврат, нестандартные условия. Лимит расходуется медленнее, сложные письма получают больше внимания.

Признаки того, что модели не хватает, и что её взяли с запасом

Модели не хватает, если:

Модель взята с запасом, если задача решается за секунды, ответ неотличим от результата младшей модели, а лимит тает без видимой пользы. Тогда ступенью ниже.

Не всегда проблема в модели. Иногда помогает явно перечислить условия в конце запроса или разбить большую задачу на несколько коротких. Если качество упирается в проверяемые факты, а не в рассуждение, нужны источники, и никакая модель их не заменит.

Что делать, если лимит всё равно кончается быстро

Когда модели подобраны, но лимит заканчивается рано, причина обычно в объёме запросов. Помогают три приёма:

Расход зависит и от длины переписки: каждый новый ответ учитывает весь прежний разговор. Для новой темы открывайте новый чат. Почему так происходит, объясняют статьи что такое токен и контекст нейросети.

Где ИИ ошибается

Младшая модель уверенно ошибается. Haiku отвечает быстро и гладко, даже когда упустила половину условий. На важных задачах просите её перечислить, какие условия она учла.

Старшая модель перестаралась. Fable и Opus на простой задаче могут выдать больше, чем просили: переписать то, что трогать не надо, добавить разделы. Ограничивайте объём в промпте.

Вывод по одному запросу. «Эта модель хуже» по единичному ответу ничего не значит. Сравнивайте на нескольких типовых задачах, как в тесте выше.

Названия и линейка меняются. Anthropic выпускает новые версии. Актуальный список лежит на странице моделей в документации, а советы по промптам под каждую модель описаны в статье 17 руководств по Claude.

Привычка к старой модели. После обновления линейки легко продолжать пользоваться прежней, хотя новая версия того же уровня может работать быстрее или точнее. Раз в несколько месяцев перепроверяйте свою таблицу из теста.

Что дальше

Если термины «контекст» и «токены» пока непонятны, начните со статей что такое токен и контекст нейросети. Как настроить Claude Code так, чтобы модели работали на вас без лишних объяснений, читайте в статье настройка Claude Code в пять шагов. Сравнение с другим сервисом: Claude или ChatGPT.

Частые вопросы

Какая модель Claude лучшая?

Самая способная в линейке Fable, но «лучшая» зависит от задачи. Для ежедневной работы обычно хватает Sonnet, для сложных задач с множеством условий нужен Opus, для быстрых простых ответов подходит Haiku.

Какую модель Claude выбрать для текстов и писем?

Sonnet. Он справляется с постами, письмами и описаниями. Opus берут для длинного текста, где нужно выдержать голос автора на всём объёме.

Какую модель Claude выбрать для кода?

Для скриптов и автоматизации средней сложности Sonnet. Для архитектуры проекта и сложной отладки Opus или Fable.

Почему лимит Claude кончается за пару дней?

Чаще всего потому, что старшая модель стоит по умолчанию на всех задачах, включая простые. Перевод простых задач на Sonnet или Haiku растягивает лимит.

Что такое усилие в Claude?

Это настройка того, сколько модель размышляет перед ответом. Низкое даёт быстрые короткие ответы, высокое и максимальное нужны там, где важна точность.

Разобрать свою задачу с преподавателем

На личном занятии можно повторить приём на своих материалах.

Посмотреть формат занятий

Обучение команд и внедрение ИИ

Ярослав Сажнев
Ярослав Сажнев — преподаватель ИИ в РАНХиГС, внедрение ИИ в компании. Подробнее об авторе