Qwen3.8-Max, Kimi K3 и DeepSeek V4: сравнение API

Симптом: вы выбираете модель по цене за миллион токенов, но не знаете, сколько будет стоить законченная задача.
Быстрое решение: для экономичных массовых запросов сначала тестируйте DeepSeek V4-Flash, для сложного кода и Agent-сценариев — Qwen3.8-Max-Preview, а Kimi K3 не включайте в продакшен, пока его официальный API и тариф не подтверждены.

Этот вывод подходит разработчикам, которые меняют действующий API, техническим руководителям, которым нужна схема «основная модель плюс откат», и небольшим AI-командам, сравнивающим облачный вызов с будущим самостоятельным размещением. Это не абсолютный рейтинг. Итог зависит от ваших репозиториев, документов, лимитов, режима рассуждений и доли неудачных запросов.

Последнее обновление: 4 августа 2026 года. Данные по моделям, тарифам и возможностям API сверены с доступными официальными страницами на эту дату.

Быстрый выбор по рабочему сценарию

Начните не с названия модели, а с позиции в системе:

На 4 августа 2026 года официальный материал по Qwen подтверждает существование qwen3.8-max-preview, но именно как предварительной версии. Она доступна в рамках специального плана и поддерживает инструменты вроде поиска, интерпретатора кода и извлечения содержимого веб-страниц. Это нельзя автоматически приравнивать к стабильному универсальному API для любого коммерческого приложения. Проверить официальное описание доступности и инструментов Qwen

С Kimi K3 ситуация строже. В проверенных официальных материалах на дату обновления обнаруживаются модели семейства Kimi K2, включая версии для кода и мультимодальных задач, но подтверждённой страницы с моделью Kimi K3, её API ID, тарифом и лимитами я не нашёл. Поэтому любые точные цены или заявления о превосходстве Kimi K3 следует считать неподтверждёнными, пока не появится официальная документация поставщика.

Для DeepSeek V4 официально доступны как минимум V4-Pro и V4-Flash. Для обоих заявлены контекст до 1M токенов, структурированный вывод и вызовы инструментов. В API предусмотрены режимы с рассуждением и без него. Проверить официальную таблицу моделей и цен DeepSeek V4

Что означает сравнение Qwen3.8-Max, Kimi K3 и DeepSeek V4 на практике

Публикуемые тесты полезны для первичного отбора, но плохо подходят для прямого ранжирования. Разные модели могут использовать различные системные инструкции, длину контекста, настройки рассуждений, версии инструментов и критерии проверки. Поэтому сравнивать один балл Qwen с одним баллом DeepSeek как единую лигу некорректно.

Разделите оценку на четыре измерения.

Успешность изменения кода

Для программирования измеряйте не красоту ответа, а результат в репозитории:

• прошёл ли проект исходную сборку;
• изменились ли только нужные файлы;
• сохранилась ли обратная совместимость;
• прошли ли тесты без ручной правки;
• корректно ли модель обработала ошибку после первого запуска.

Qwen3.8-Max-Preview логично включить в первый прогон для многофайлового рефакторинга, архитектурных объяснений и задач, где Agent должен использовать инструменты. DeepSeek V4-Pro стоит проверять рядом, особенно если задача требует длинной цепочки рассуждений. Но нельзя писать, что одна модель «стабильнее» другой без одинакового репозитория, тайм-аута и количества повторов.

Для каждой задачи сохраняйте четыре результата:

1. исходный запрос;
2. полученный патч;
3. вывод сборки и тестов;
4. количество ручных исправлений.

Если модель выдаёт хороший план, но регулярно ломает импорты или изменяет лишние файлы, её оценка для программирования должна снижаться. При этом такие ошибки нужно отделять от ошибок вашего адаптера, неверного системного промпта и недостаточных прав доступа к репозиторию.

Сохранение информации в длинном контексте

Для базы знаний проверяйте не заявленный объём контекста, а фактическое качество:

1. добавьте документы разного размера;
2. спрячьте контрольные факты в начале, середине и конце;
3. задайте вопросы, требующие сопоставить несколько фрагментов;
4. попросите вернуть ссылки на исходные разделы;
5. отдельно проверьте отказ от ответа при отсутствии факта.

У DeepSeek V4-Pro и V4-Flash официально указан контекст 1M токенов. Это важное преимущество для крупных наборов документов, но сам размер окна не гарантирует одинаковое внимание ко всем частям текста. Проверить официальный анонс DeepSeek V4

Для Kimi K3 не следует заранее переносить характеристики из публикаций, обсуждений или материалов о других моделях семейства. Сначала проверьте точный контекст, правила индексации, максимальный вывод и поведение при переполнении окна. Для базы знаний важны не только документы, которые модель принимает, но и то, сколько фактов она правильно извлекает после нескольких промежуточных инструкций.

Завершённость вызовов инструментов

Для Agent-сценария фиксируйте каждый шаг:

• сформировала ли модель корректное имя инструмента;
• передала ли обязательные параметры;
• распознала ли ошибку инструмента;
• повторила ли вызов с исправленными данными;
• остановилась ли после достижения цели;
• не начала ли бесконечно вызывать один и тот же инструмент.

У Qwen3.8-Max-Preview официально перечислены встроенные инструменты поиска, интерпретатора кода, веб-извлечения и визуального поиска в соответствующем плане. У DeepSeek V4-Pro и V4-Flash заявлены tool calls и JSON Output. Эти возможности нужно проверять именно через тот интерфейс, который вы собираетесь использовать: совместимость с OpenAI API не означает идентичное поведение всех параметров.

Отдельно измеряйте завершённость цепочки. HTTP-ответ со статусом 200 не означает, что Agent выполнил задачу. Модель могла вызвать инструмент с неверным параметром, вернуть неполный JSON или остановиться после первого шага. В отчёте должны быть как минимум итоговый статус, число вызовов, число повторов и причина остановки.

Почему самая низкая ставка не всегда даёт самый дешёвый результат

Полная стоимость запроса состоит минимум из пяти частей:

1. входные токены;
2. выходные токены;
3. повторная отправка контекста после ошибки;
4. вызовы инструментов;
5. задержки и инфраструктура вокруг API.

Для DeepSeek V4 официальная формула учитывает входные и выходные токены. Для V4-Flash опубликованы отдельные ставки для попадания в кэш, промаха кэша и вывода. Там же указаны разные лимиты конкурентных запросов: 2 500 для V4-Flash и 500 для V4-Pro. Это влияет на пакетные задачи и очереди, даже если цена одного запроса выглядит приемлемой. Проверить официальные правила тарификации и лимитов DeepSeek

У Qwen тарификация зависит от региона, конкретного ID модели, диапазона входного контекста, режима и наличия кэширования. В официальной таблице присутствуют версии Qwen с разными датами, поэтому нельзя подставлять цену одной версии в расчёт для другой. Необходимо сохранять в журнале точный model и регион размещения. Проверить официальную таблицу цен Model Studio

Используйте такую формулу:

стоимость задачи =
входные токены × ставка входа
+ выходные токены × ставка выхода
+ инструменты
+ повторные попытки
+ инфраструктура тестирования

Пример структуры запроса:

Для Qwen3.8-Max-Preview отдельно учитывайте, что специальный план использует Credits, а не обычную простую схему «доллары за миллион токенов». По официальному описанию Credits списываются с учётом модели, режима и инструментов. Поэтому сравнивать такую схему напрямую с тарифом DeepSeek без единого тестового набора нельзя. Проверить описание плана и механики Credits

Внутренний расчёт лучше строить по трём уровням:

• стоимость одного вызова;
• стоимость успешной задачи;
• стоимость 1 000 завершённых задач с учётом повторов.

Третий показатель наиболее полезен для технического руководителя. Он показывает, сколько вы действительно платите за полезный результат, а не за ответы, которые пришлось отбросить.

Задержка, параллельность и зрелость интерфейса

В продакшене важны два времени:

• задержка до первого токена;
• полное время до результата, пригодного для следующего шага.

Быстрый первый токен не спасает Agent, если модель долго генерирует рассуждение, возвращает невалидный JSON или требует повторного вызова. Для пользовательского чата эти параметры можно оптимизировать по-разному. Для автоматизации важнее процент завершённых задач за час.

Перед миграцией проверьте:

• поддерживается ли потоковая выдача;
• сохраняется ли соединение при долгом ответе;
• как обрабатываются HTTP 429 и временные ошибки;
• можно ли задавать тайм-аут отдельно для каждой операции;
• доступны ли структурированные ответы;
• одинаково ли работают OpenAI-совместимый и нативный интерфейсы;
• фиксируется ли версия модели или используется плавающий псевдоним.

DeepSeek документирует механизм keep-alive для долгих соединений: при ожидании инференса API может возвращать пустые строки или комментарии SSE. Если ваш клиент неправильно парсит такой поток, проблема будет выглядеть как зависание модели. Это нужно проверить отдельно от общей задержки генерации.

Qwen требует особенно аккуратно различать preview, датированные версии и текущие псевдонимы. Предварительная модель может изменяться в процессе тестирования, а после завершения preview быть заменена или снята с доступа. Это не обязательно плохо для эксперимента, но плохо для единственного продакшен-маршрута.

Для Kimi K3 действуйте ещё осторожнее. Пока нет подтверждённого официального API ID, нельзя строить на нём схему автоматического переключения. Сначала проверьте источник, регион, лимиты, формат авторизации и правила хранения данных. Обсуждение в СМИ или сообществе не заменяет документацию поставщика.

Облачный API, совместимый слой и открытые веса

У вас есть три разных пути.

Прямой вызов облачного API.
Минимум операций. Не нужно закупать оборудование, разворачивать сервер инференса и самостоятельно масштабировать память. Недостаток — зависимость от тарифа, региона, лимитов и изменения версии.

Совместимый слой.
Приложение обращается к единому внутреннему интерфейсу, а маршрутизатор выбирает модель. Это удобно для двойного прогона и отката. Но слой должен сохранять различия: режим рассуждений, имена инструментов, ограничения JSON, максимальный вывод и формат ошибок.

Самостоятельное размещение открытых весов.
Вы получаете больше контроля над версией и границами данных, но берёте на себя память, квантование, обновления, мониторинг, безопасность и аварийное восстановление. Даже при доступных весах модель не становится «бесплатной»: стоимость GPU, дисков, электричества и инженерного времени входит в цену запроса.

У DeepSeek V4 официально опубликованы ссылки на открытые веса и технический отчёт. Это расширяет варианты развёртывания, но не отменяет проверки лицензии, требований к оборудованию и реальной пропускной способности. Проверить официальные материалы об открытых весах DeepSeek V4

Облачный Mac в этой схеме следует использовать как контрольный узел: для запуска API-регрессии, хранения тестовых скриптов, управления долгим Agent, подключения к Git и проверки автоматизации macOS. Не следует считать его заменой серверу для локального инференса сверхкрупной модели. Для такой задачи решающими остаются GPU-память, пропускная способность и выбранный движок инференса.

Если вам нужно организовать постоянный узел для тестов, сначала изучите консоль MacHTML и справочные материалы по удалённой работе. Сначала определите длительность прогонов, доступ к репозиториям и требования к секретам. Только после этого выбирайте размер и срок аренды.

Приёмка перед переключением трафика

Сделайте тестовый набор из трёх частей:

• 20–30 реальных задач из репозитория;
• 10–15 документов с контрольными вопросами;
• 10 Agent-цепочек с инструментами, ошибками и повторными вызовами.

Количество тестов выбирайте под объём проекта, а не ради красивой статистики. Важно, чтобы все модели получили одинаковые входные данные, одинаковый тайм-аут и одинаковые критерии остановки.

Порядок запуска:

1. Сохраните версии моделей, API ID, регион и дату проверки.
2. Заморозьте системный промпт и шаблон инструментов.
3. Запустите малый параллельный прогон без изменения пользовательского трафика.
4. Запишите токены, кэш, время первого токена, полное время и ошибки.
5. Проверьте результат человеком или автоматическими тестами.
6. Рассчитайте цену неуспешной и успешной задачи.
7. Установите основную модель и резервную только после сравнения.
8. Повторите проверку после изменения тарифа или версии.

Используйте такие пороги принятия решения:

• если основная модель выигрывает по качеству, но превышает бюджет, оставьте её только для сложных маршрутов;
• если разница в качестве мала, выбирайте модель с меньшей стоимостью успешной задачи;
• если ошибка инструмента приводит к дорогим повторам, снижайте лимит Agent или меняйте резервную модель;
• если версия имеет статус preview, не делайте её единственной точкой отказа;
• если Kimi K3 не имеет подтверждённой официальной спецификации, отложите его до появления документации.

Условия для схемы «основная модель плюс откат»

Двойная схема оправдана, если задачи отличаются по сложности. Например, простое извлечение полей, классификацию и короткие ответы можно направлять в DeepSeek V4-Flash. Сложный рефакторинг, длинное планирование и цепочки с несколькими инструментами — в Qwen3.8-Max-Preview или DeepSeek V4-Pro.

Переключение на резервную модель должно происходить по измеримому событию:

• превышен тайм-аут;
• получен HTTP 429 после заданного числа повторов;
• ответ не проходит JSON-схему;
• инструмент вернул ошибку;
• автоматический тест не подтвердил результат;
• превышен бюджет конкретного маршрута.

Не переключайте модель только потому, что ответ выглядит коротким. Сначала проверьте, не был ли запрос завершён корректно. И наоборот, длинный ответ не следует считать качественным без проверки результата.

От схемы «три модели сразу» лучше отказаться, если у вас нет маршрутизатора, единого журнала и тестов на совместимость. Иначе команда будет тратить время на разбор различий в форматах, а не на улучшение продукта.

Когда оставаться на текущем API, а когда переходить на MacHTML

Если текущий API уже даёт стабильный результат, переход только ради нового названия модели создаёт реальные недостатки: придётся заново проверять промпты, обновлять обработку ошибок, пересчитывать бюджет и контролировать изменение версий. При самостоятельном размещении добавятся обслуживание серверов, расход памяти, мониторинг и аварийные сценарии. У облачного API, наоборот, останутся ограничения региона, квот и политики поставщика.

Поэтому разумная последовательность такая: сначала скопируйте пять групп критериев из таблиц — качество, стоимость, задержка, ошибки и сложность миграции. Затем проведите малый двойной прогон на собственном коде и журналах. Если вам не хватает постоянно работающего узла macOS для API-регрессии или долгого Agent, сравните условия аренды MacHTML для тестовой инфраструктуры с покупкой отдельного оборудования. Это позволит принять решение по фактической нагрузке, а не по рекламному рейтингу моделей.