Мы дали семи языковым моделям одну и ту же рабочую задачу: обновить страницу внедрения Битрикс24 на живом сайте. Не «нарисуй красивый лендинг», а впиши готовые блоки в существующую вёрстку — с переиспользованием стилей сайта и минимумом нового кода.
Потом каждая модель проверяла свою же страницу верификатором на той же модели: искала у себя мёртвые формы, выдуманные цифры и сломанную доступность — и правила то, что нашла.
Table Of Contents
Видеоразбор на нашем канале в Rutube. Ниже — та же история текстом, со ссылками на живые страницы.
Задача, которую решали модели
Сайт — на Hugo: статика, генератор, много страниц и готовых блоков. Моделям не нужно было рисовать с нуля: требовалось аккуратно вписаться в существующую систему — использовать классы темы, её сетку, кнопки и типографику, а свои стили добавлять только там, где без них нельзя.
Это важное отличие от обычных тестов «сгенерируй лендинг». На своей странице любая модель выглядит прилично. Вопрос в другом: удержится ли она в чужой дизайн-системе, не притащит ли свою сетку, не сломает ли мобильную версию и не завезёт ли 900 строк CSS ради четырёх цифр.
Каждая модель работала в отдельной ветке git. Сборка сайта — 119 страниц, скриншоты в светлой и тёмной теме, замеры контраста и адаптива на 390, 768 и 1440 px.
Кто в забеге
Opus 5.5, Astra 6, Kimi 3.1 Pro, DeepSeek 4.1-1017, Qwen3.8-Flash, Qwen3.8-Max и GLM-5.3-Flash.
Qwen3.8-Flash работала локально на нашем железе, без облака. Но цену для честного сравнения считали по тарифам API — как будто платили за каждый токен. Остальные шли через API, часть — по подпискам, поэтому колонка «цена» ниже — это верхняя граница «если платить по прайсу», а не факт списания.
Info
Мы не выбирали победителя «на глаз»: у каждой модели своя сильная сторона — одна даёт лучший текст, другая аккуратно вписывается в тему, третья выигрывает по цене. Ниже видно, где разница принципиальная, а где её нет.
Как считали
Цена = токены × розничный тариф провайдера за input, output и cache-read. Reasoning считался как output. Время — длительность работы агента над страницей, включая саморевью.
Оценки ставил заказчик по блокам страницы: первый экран, смысл CRM, механика AI Советника, план недели, цены, показ продукта, цифры и доказательства, форма, возражения, мобильная версия.
Что получилось
| Модель | Вёрстка | Время | Токенов | Цена | Оценка |
|---|---|---|---|---|---|
| Qwen3.8-Max | открыть | 285 мин | 27,96 млн | $10.38 | 3.73 |
| Kimi 3.1 Pro | открыть | 76 мин | 6,26 млн | $2.63 | 3.70 |
| GLM-5.3-Flash | открыть | 106 мин | 19,80 млн | $0.70 | 3.30 |
| DeepSeek 4.1-1017 | открыть | 145 мин | 34,39 млн | $0.40 | 3.20 |
| Opus 5.5 | открыть | 78 мин | 9,02 млн | $14.61 | 3.09 |
| Astra 6 | открыть | 119 мин | 13,26 млн | $23.03 | 3.00 |
| Qwen3.8-Flash | открыть | 205 мин | 20,38 млн | $0.63 | 2.82 |
Каждая строка — живая страница, а не картинка: по ссылке открывается самостоятельная сборка со своим CSS и JS, поэтому правки темы нашего сайта её не меняют.
Вся гонка — 131 миллион токенов и $52.39 по розничным тарифам.
Технические данные
Сколько каждая модель реально написала своего кода — по diff против master (включая правки после ревью) и объём собранной страницы.
| Модель | Страница | Стили | Скрипты | Время | Токенов | Цена |
|---|---|---|---|---|---|---|
| Qwen3.8-Max | 170 КБ | 694 стр · 52 КБ | — | 285 мин | 27,96 млн | $10.38 |
| Kimi 3.1 Pro | 142 КБ | 378 стр · 42 КБ | — | 76 мин | 6,26 млн | $2.63 |
| GLM-5.3-Flash | 104 КБ | 319 стр · 41 КБ | 32 стр · 2 КБ | 106 мин | 19,80 млн | $0.70 |
| DeepSeek 4.1-1017 | 152 КБ | 903 стр · 57 КБ | 21 стр · 1 КБ | 145 мин | 34,39 млн | $0.40 |
| Opus 5.5 | 145 КБ | 288 стр · 46 КБ | — | 78 мин | 9,02 млн | $14.61 |
| Astra 6 | 94 КБ | 21 стр · 34 КБ | 24 стр · 1 КБ | 119 мин | 13,26 млн | $23.03 |
| Qwen3.8-Flash | 148 КБ | 261 стр · 47 КБ | — | 205 мин | 20,38 млн | $0.63 |
Две крайности по объёму кода: DeepSeek написала 903 строки стилей ради одной страницы, Astra — всего 21 строку (там файл плотный, но правил мало). Скрипты понадобились только трём моделям; остальные обошлись чистым CSS и штатным JS темы.
Самое дорогое место в таблице — Astra 6: $23.03 за страницу и предпоследнее место по оценке (шестое из семи). Самое дешёвое — DeepSeek 4.1-1017: 40 центов и четвёртое место, выше Opus 5.5 и Astra 6. Разница в цене между ними — 57 раз.
Обратите внимание на время: Kimi 3.1 Pro сделала страницу за 76 минут и заняла второе место, а Qwen3.8-Max думала 285 минут — и стала первой. Между «быстро» и «хорошо» здесь нет прямой связи, зато есть связь между объёмом собственного кода и аккуратностью.
Оценки по блокам
Заказчик проставил баллы от 0 до 5 по каждому блоку: 0 — блока фактически нет, 5 — переделывать нечего. Столбцы отсортированы по среднему баллу.
| Блок страницы | Qwen3.8-Max | Kimi 3.1 Pro | GLM-5.3-Flash | DeepSeek 4.1 | Opus 5.5 | Astra 6 | Qwen3.8-Flash |
|---|---|---|---|---|---|---|---|
| Первый экран | 4 | 4 | 4 | 3 | 3 | 3 | 3 |
| Зачем вообще CRM | 3 | 5 | 4 | 4 | 3 | 3 | 4 |
| Шесть задач AI-отдела | 3 | 5 | 4 | 3 | 5 | 3 | 4 |
| Неделя внедрения | 5 | 4 | 4 | 4 | 4 | 4 | 4 |
| Цена и смета | 5 | 2 | 4 | 3 | 4 | 4 | 2 |
| Показ продукта | 4 | 4 | 0 | 0 | 0 | 0 | 0 |
| Цифры и доказательства | 3 | 3 | 4 | 1 | 3 | 4 | 3 |
| Заявка | 4 | 2 | 2 | 5 | 2 | 2 | 2 |
| Вопросы и возражения | 3 | 3 | 2 | 4 | 3 | 4 | 2 |
| Своя изюминка | +2 | — | — | — | +2 | — | +2 |
| Мобильная вёрстка | 5 | 5 | 5 | 5 | 5 | 3 | 5 |
| Средний балл | 3.73 | 3.70 | 3.30 | 3.20 | 3.09 | 3.00 | 2.82 |
«Своя изюминка» — бонусные баллы за то, что модель добавила от себя: у Qwen3.8-Max — расчёт первого года целиком, у Opus — блок «включим AI-отдел в вашем портале», у Qwen3.8-Flash — закреплённая кнопка на мобильной версии. Прочерк значит, что блок не оценивался: у части моделей его просто нет, поэтому сравнивать по сумме некорректно — в последней строке средний балл.
Почему такие оценки — по вёрстке
- Qwen3.8-Max (3.73). 694 строки своего CSS — много, но всё под своим префиксом и без переопределения глобальных тегов. Своя сетка секций, при этом контейнер, типографика и кнопки — из темы. Таблицы TCO и тарифов дали максимум по блоку цен, но аккордеон и карточки написаны с нуля, а не собраны из компонентов темы.
- Kimi 3.1 Pro (3.70). 378 строк и самый аккуратный компромисс: форма на штатных
form-controlиbtn btn-primary, пакеты — карточками на сетке темы. Минусы вёрстки: таблицы лицензий отдельным блоком нет, UI-скриншот остался светлым в тёмной теме, а вопросы FAQ захардкожены в шаблоне вместо данных. - GLM-5.3-Flash (3.30). 319 строк, две отдельные таблицы — работы и лицензии. До ревью ломалось два места: правило скрытия закреплённой кнопки на мобиле отсутствовало, а шапка таблицы на узких экранах убиралась через
display:noneи выпадала из дерева доступности. - DeepSeek 4.1-1017 (3.20). 903 строки CSS на 152 КБ страницы — больше всех кода, при том что секции-оболочки взяты из темы. Свои схемы и таблица сметы с часами; ревью нашло три контрола в форме вместо двух и повреждённый PNG в каталоге иллюстраций.
- Opus 5.5 (3.09). 288 строк, аккуратная CSS-схема цепочки «сообщение → лид → менеджер → напоминание» прямо в первом экране. Обёртка формы своя, но поля и кнопка — темы; из-за мёртвого обработчика заявка не сохранялась, а блока с ценой в виде таблицы нет — только карточки.
- Astra 6 (3.00). Всего 21 строка CSS — минимум нового кода, страница почти целиком собрана на классах темы, и это лучший результат по «вписалось в сайт». Но: форма отправляет
mailto, штатный блок цифр не использован, а мобильная вёрстка слабее остальных (3 из 5). При этом самая дорогая в раунде — $23.03. - Qwen3.8-Flash (2.82). 261 строка и единственный рабочий калькулятор на ванильном JS — сильная инженерная часть. Но таблица цен своя и с ценами из исследования (вход читается как мелкая услуга), форма до ревью была мёртвой, а блок цифр и мобильная версия собраны по остаточному принципу.
Победитель
Qwen3.8-Max — единственная, кто посчитал первый год целиком: TCO-таблица с работами разово и подписками помесячно плюс отдельная таблица тарифов. Именно этот блок заказчик оценил выше всего.
Самая дешёвая
DeepSeek 4.1-1017 уложилась в 40 центов: сравнение «три подрядчика против одного контура», таблица сметы с часами, восемь иллюстраций с тёмными дублями. По цене это лучший результат раунда с большим отрывом.
Самая дорогая
Astra 6 обошлась в $23.03 — в 57 раз дороже DeepSeek. При этом структура честная: контур как маршрут лида, отдельные таблицы работ и лицензий. Дорого не из-за качества, а из-за тарифа модели и объёма контекста, который она прогоняла.
Что нашло ревью
Самое интересное — не вёрстка, а механика. Модели уверенно воспроизводят блоки, но спотыкаются там, где нужно проверить, работает ли написанное.
- Формы, которые теряют заявки. У нескольких моделей форма отправляла данные в обработчик, который переданные параметры просто не читает. Внешне всё хорошо: поля на месте, кнопка нажимается, «спасибо» показывается. Заявка при этом не доходит.
- Выдуманные цифры в доказательствах. «Двадцать из ста звонков — недозвоны», «30 анализов в сутки» у тарифа, где их 20. Такие числа выглядят убедительно ровно до момента, когда их сверяют с источником.
- Доступность таблиц. На мобильных шапка таблицы скрывалась через
display:none— и для скринридера таблица оставалась без заголовков столбцов. - Кнопки, которые обещают не то. «Забрать буклет» открывала почтовый клиент вместо файла.
Warning
Локальный прогон: «красиво на скриншоте» и «готово к продакшену» расходятся сильнее, чем ожидаешь. Вёрстка — самая простая часть задачи, а вся сложность в проверяемых фактах и рабочих механиках.
Посмотреть самим
Все семь страниц собраны отдельно от сайта: у каждой своя сборка со своим CSS и JS, поэтому правки темы нашего сайта эти демо не задевают. Ссылки на каждую вёрстку — в таблице выше, а полный отчёт со скриншотами, замерами контраста и diff’ами по ветками лежит здесь:
- Отчёт: семь моделей, одна страница — встроенное видео, таблицы, скриншоты в светлой и тёмной теме, ссылки на все сборки.
Что из этого следует
Первое: для вёрстки внутри существующего сайта дорогая модель не даёт преимущества. Разница между $0.40 и $23.03 в результате не видна — она видна только в счёте.
Второе: модели хорошо копируют структуру и плохо проверяют себя. Все четыре «провала» из раздела выше — не про дизайн, а про то, что никто не кликнул и не проверил, куда уходит заявка.
Третье: локальная модель (Qwen3.8-Flash у нас на железе) по вёрстке держится на уровне облачных, но по содержанию пока отстаёт — 2.82 и последнее место. Цена при этом не главное её преимущество: главное — что она не зависит от доступности чужого API.
Если у вас есть задача, где важно не «сгенерировать красиво», а вписать изменения в работающий сайт — приходите, покажем, как это устроено у нас.