Claude и другие нейросети проверили на одном ТЗ для сайта
В BotHub сравнили несколько моделей на задаче по генерации одностраничного сайта: GPT-6, Claude 5.5, DeepSeek V4.1, Qwen 3.8 и GLM 5.3. На практике оказалось, что выбор нейросети для кода зависит не только от качества, но и от бюджета, формата задачи и того, насколько быстро модель доводит страницу до рабочего состояния.
Почему один и тот же сайт разные модели делают по-разному
Автор материала подчеркивает: в разработке уже давно нет одной «лучшей» нейросети на все случаи. Одни модели сильнее в коде, другие лучше справляются с конкретным форматом задачи или оказываются выгоднее по цене.
Чтобы не спорить о теории, тест провели на одном и том же ТЗ. Такой подход полезен тем, кто хочет быстро собрать лендинг без глубоких знаний фронтенда и понять, какая модель даст готовый результат с меньшим числом правок.
Что именно просили сгенерировать
Для проверки выбрали простой, но показательный сценарий: один файл index.html без зависимостей и без запуска локального сервера. Это снижает лишнюю сложность и позволяет сосредоточиться именно на качестве генерации сайта.
По условиям лендинг должен был включать шапку с навигацией по якорям, блок с описанием и преимуществами, форму обратной связи, FAQ, переключатель темы и попап-окна. Отдельно требовались mobile-first вёрстка, БЭМ, плавный скролл, клиентская валидация формы и отказ от внешних фреймворков вроде Bootstrap и Tailwind.
Как оценивали результат и что показали бенчмарки
Каждую модель автор оценивал по нескольким критериям: насколько она соблюла ТЗ, насколько чисто и понятно написан код, открывается ли файл без ошибок, как выглядит интерфейс и насколько хорошо он адаптируется под экран, а также сколько ресурсов ушло на генерацию. Баллы выставлялись по 10-балльной шкале, после чего считались средний и медианный результат.
Перед практикой также посмотрели на llm-stats и TerminalBench. В этих рейтингах в числе сильных в кодинге часто оказываются DeepSeek-V4.1-Flash, GPT-6 Astra и Claude Opus 5.5. При этом первые позиции во многих списках у Anthropic, а OpenAI держится рядом, иногда предлагая более доступные по цене модели. Среди китайских решений в топах тоже есть DeepSeek, GLM-5.3 и Qwen3.8-Max.
Главная мысль теста простая: агрегированные рейтинги полезны, но для реальной задачи они не заменяют проверку на собственном ТЗ. Если нужен сайт под конкретные требования и ограниченный бюджет, иногда выигрывает более дешевая модель, а в других случаях без более сильного решения, вроде Claude Opus 5.5, не обойтись.