Станет ли Claude от Anthropic моделью №1 в рейтинге LM Arena на конец 2026 года?

Сводная оценка по площадкам на момент подготовки страницы — около 20%, то есть рынок относит лидерство Claude к маловероятным, но не исключённым исходам. Формальный разброс между самым дорогим и самым дешёвым контрактом в группе — 63,3 процентных пункта, и это не спор о Claude: один и тот же исход не может одновременно стоить 64% и 1%. Контракты внутри группы относятся к разным разработчикам, перечисленным в правилах, и вместе описывают распределение вероятностей по всему полю участников. Совокупный оборот по группе — 7 777 158 долл., крупнейший отдельный контракт собрал 1 788 864 долл.; при таких объёмах цены отражают позиционирование участников, а не единичные сделки. Ключевая деталь правил — расчёт по представлению без поправки на стиль. Style controls в LM Arena появились как ответ на измеримое смещение: голосующие чаще выбирают ответ длиннее и с более выраженной разметкой. Убрав поправку, вопрос переводится в ту систему координат, где такое смещение работает в полную силу. Anthropic исторически настраивает Claude на более сдержанный, менее «раздутый» ответ и делает акцент на надёжности в коде и агентных цепочках — качества, которые в парных сравнениях коротких потребительских запросов почти не видны. Это структурный минус, не связанный с тем, насколько сильна модель на инженерных задачах. Вторая причина низкой оценки — вопрос решается на одну дату, а не по итогам года. Первую строку Arena, как правило, занимает тот, кто выпустил флагман последним: после релиза модель быстро набирает голоса и вытесняет предыдущего лидера, и лидерство меняется в течение недель. Поэтому цена контракта — это по сути оценка календаря релизов ноября и декабря 2026 года у Google, OpenAI, xAI и китайских лабораторий, а не оценка среднего качества моделей за год. Anthropic исторически выпускает флагманы вне привязки к публичным рейтингам и не оптимизирует модели под голосование в Arena, что делает совпадение «свежий релиз Claude ровно к концу декабря» дополнительным условием, а не данностью. Третий фактор — арифметика широкого поля. Даже если Claude входит в число двух-трёх сильнейших семейств, первое место на конкретный день делится между семью и более названными разработчиками, включая быстро подтягивающиеся Alibaba, Moonshot и Baidu, чьи модели дешевле в обучении и активно продвигаются в открытых рейтингах. Чем больше претендентов способны занять верхнюю строку, тем ниже вероятность любого отдельного из них — и именно это распределение видно в разбросе цен внутри группы. Отдельный риск, который рынок учитывает лишь частично, — методологический. LM Arena за свою историю не раз меняла состав представлений и способ расчёта рейтинга, и любая правка в том, как считается лидерство без поправки на стиль, способна сдвинуть первую строку без выхода новых моделей. Для контракта, привязанного к снимку одного дня, это означает: часть неопределённости лежит не в лабораториях, а в самой платформе.