Кодинг — один из самых прожорливых сценариев для нейросетей. В обычном чате вы отправили абзац, получили абзац. В разработке всё иначе: вставили файл на 800 строк, stack trace, package.json, описание бага, а в ответ получили ещё 300 строк кода, тесты и объяснение.

На практике сравнивают разное: claude code для агентных задач, deepseek api для дешёвых прогонов, chatgpt 4o для сложных запросов. Смысл в том, чтобы под каждую задачу брать подходящую по цене модель.

И всё это — токены.

Проблема не в том, что Claude или GPT дорогие. Проблема в том, что мы часто используем их для задач уровня «напиши regex», «объясни функцию», «накидай unit-тесты». Для этого флагманская модель не всегда нужна.

Я сравнила три варианта в BotHub: Claude Sonnet, GPT и DeepSeek. Цель — не найти «самую умную модель вообще», а понять, где можно экономить токены без боли.

Как сравнивала

Брала три типовые задачи:

  • Генерация кода — небольшая функция с требованиями.

  • Дебаг — stack trace + кусок кода.

  • Рефакторинг — файл побольше, нужно сохранить поведение.

Смотрела на:

  • качество ответа;

  • скорость в рабочем сценарии;

  • склонность писать лишнее;

  • цену за одну задачу.

Формула простая:

стоимость = входные токены × цена промпта + выходные токены × цена ответа

Ориентиры по ценам в BotHub за 1M токенов:

Модель

Промпт

Ответ

DeepSeek

69,21 ₽

138,42 ₽

Claude Sonnet

222,75 ₽

1 113,75 ₽

GPT-5.5

795,54 ₽

4 773,21 ₽

Задача 1: генерация функции

Промпт:

Напиши TypeScript-функцию withRetry<T>.

Она принимает async-функцию, число попыток и delayMs.

Нужен exponential backoff, без внешних библиотек.

Добавь короткий пример использования.

Это задача, где DeepSeek почти всегда достаточно. Он пишет компактно, не городит архитектуру и хорошо справляется с boilerplate.

Claude Sonnet аккуратнее обрабатывает edge cases и чаще добавляет полезные проверки. GPT даёт очень чистый код, но для такой задачи разница уже не всегда стоит денег.

Примерная цена задачи при 2 000 токенов входа и 1 500 токенов ответа:

Модель

Цена задачи

DeepSeek

~0,35 ₽

Claude Sonnet

~2,12 ₽

GPT-5.5

~8,75 ₽

Вывод: для генерации небольших функций, SQL, bash, regex, тестовых моков — DeepSeek можно ставить моделью по умолчанию.

Задача 2: дебаг

Промпт:

Вот stack trace и функция.

Найди наиболее вероятную причину ошибки.

Дай минимальный патч и предложи 2 unit-теста.

Не переписывай весь модуль.

Здесь всё зависит от масштаба бага.

Если ошибка локальная — неправильный null, не тот тип, забытый await, неверная проверка массива — DeepSeek справляется хорошо. Он быстро даёт гипотезу и патч.

Claude Sonnet сильнее там, где нужно удержать несколько условий сразу: бизнес-логику, побочные эффекты, порядок вызовов, поведение старого API. GPT тоже хорошо разбирает такие задачи, особенно если проблема алгоритмическая, но цена выше.

Примерная цена при 8 000 токенов входа и 1 000 токенов ответа:

Модель

Цена задачи

DeepSeek

~0,69 ₽

Claude Sonnet

~2,90 ₽

GPT-5.5

~11,14 ₽

Рабочая схема: сначала прогнать дебаг через DeepSeek. Если ответ выглядит поверхностным или баг затрагивает несколько файлов — переключиться на Claude Sonnet.

Задача 3: рефакторинг

Промпт:

Отрефактори модуль.

Нельзя менять публичный API.

Нельзя менять поведение.

Верни diff и отдельно объясни, какие инварианты ты сохранил.

Вот здесь токены начинают гореть особенно быстро. В рефакторинге большой вход и большой выход: модель читает файл, возвращает переписанный код, объяснение, иногда тесты.

DeepSeek хорош для небольшого файла или первого черновика. Но если в коде много скрытых зависимостей, он может слишком смело «улучшить» то, что трогать нельзя.

Claude Sonnet в таких задачах выглядит надёжнее: лучше держит ограничения, аккуратнее работает с инвариантами и реже ломает поведение ради красивого кода.

GPT тоже силён, особенно в точных алгоритмических преобразованиях, но по цене это уже тяжёлая артиллерия.

Примерная цена при 20 000 токенов входа и 4 000 токенов ответа:

Модель

Цена задачи

DeepSeek

~1,94 ₽

Claude Sonnet

~8,91 ₽

GPT-5.5

~35,00 ₽

Вывод: мелкий рефакторинг — DeepSeek. Критичный рефакторинг перед PR — Claude Sonnet или GPT.

Таблица: какую модель брать под задачу

Задача

Оптимальная модель

Небольшая функция

DeepSeek

Unit-тесты и моки

DeepSeek

SQL, regex, bash

DeepSeek

Объяснить чужой код

DeepSeek

Найти простой баг в одном файле

DeepSeek

Дебаг с несколькими файлами

Claude Sonnet

Большой рефакторинг

Claude Sonnet

Сложная бизнес-логика

Claude Sonnet

Алгоритмы, точные преобразования данных

GPT

Финальная проверка критичного кода

Claude Sonnet / GPT

Как реально экономить токены

Главный принцип: не выбирать одну модель навсегда.

Я бы строила маршрут так:

  • DeepSeek — первый проход.Генерация, объяснение, тесты, простые баги.

  • Claude Sonnet — сложный контекст.Рефакторинг, несколько файлов, бизнес-логика, аккуратные правки.

  • GPT — точные и дорогие задачи.Алгоритмы, сложные преобразования, финальная проверка там, где цена ошибки выше цены токенов.

И ещё несколько правил:

  • просите diff, а не весь файл;

  • не отправляйте весь репозиторий, если нужен один метод;

  • явно пишите «не переписывай архитектуру»;

  • просите короткий ответ без объяснений, если нужен только патч;

  • сначала ищите гипотезу дешёвой моделью, потом проверяйте дорогой.

Экономия токенов в AI-кодинге — это не про отказ от Claude или GPT. Это про маршрутизацию задач.

DeepSeek закрывает рутину за копейки. Claude Sonnet нужен там, где важен контекст и аккуратность. GPT стоит оставлять для задач, где нужна максимальная точность.

В BotHub удобно именно это: можно переключаться между Claude, GPT и DeepSeek в одном месте и не платить флагманской ценой за каждый regex, тест или маленький refactor. Для повседневного кодинга такая схема быстро превращается не в «экономию ради экономии», а в нормальную инженерную гигиену.