Генеративные модели в 2024: что умеют и сколько стоят

За генеративный ИИ теперь платят помесячно: ChatGPT Plus стоит 20 долларов в месяц, Claude Pro — столько же, Midjourney начинается примерно от 10 долларов. За эти деньги вы получаете доступ к системам, которые генерируют текст, картинки, код и звук. Но под словом «генеративная модель» скрываются очень разные архитектуры, и различия важны, если вы выбираете инструмент под конкретную задачу, а не подписываетесь на всё подряд.

Что такое генеративная модель

Генеративная модель — это система, которая учится на большом объёме данных и затем создаёт новые объекты, похожие на обучающие: текст, изображение, аудио, код. Ключевое слово — создаёт. Классификатор отвечает на вопрос «что на картинке», генеративная модель отвечает «нарисуй картинку». Технически это означает, что модель приближает распределение данных и умеет из него семплировать¹.

Практически все продукты, о которых пишут в новостях, относятся к трём семействам архитектур. Они решают разные задачи и стоят по-разному в вычислениях.

Языковые модели (LLM)

Большие языковые модели — GPT, Claude, Gemini, Llama — устроены на архитектуре трансформера и предсказывают следующий токен² в последовательности. Из этого простого механизма вырастает способность вести диалог, писать код, переводить и рассуждать по шагам. Размер контекстного окна — сколько текста модель удерживает за один запрос — стал одним из главных параметров конкуренции: у части современных моделей он измеряется сотнями тысяч токенов.

Диффузионные модели

Stable Diffusion, Midjourney, DALL·E работают иначе. Модель учат постепенно превращать чистый шум в осмысленное изображение, шаг за шагом убирая случайность. Отсюда и название — диффузия. Тот же принцип теперь применяют к видео и аудио. Диффузионные модели дороги в инференсе: одна картинка — это десятки последовательных проходов через сеть.

Мультимодальные модели

Граница между текстом и картинкой размывается. GPT-4o, Gemini и Claude принимают на вход изображение, а иногда и звук, и отвечают текстом. Вы фотографируете чек — модель извлекает суммы. Загружаете скриншот ошибки — модель объясняет, что сломалось. Это не отдельная архитектура, а способ соединить несколько модальностей в одной системе.

Генеративная модель не «знает» фактов в человеческом смысле. Она воспроизводит статистические закономерности обучающих данных — поэтому уверенно выдуманный ответ для неё так же вероятен, как правильный.

Чем они отличаются на практике

Если отбросить маркетинг, выбор сводится к тому, что вы хотите получить на выходе и сколько готовы платить за токен или за картинку.

Цены на подписки меняются часто, а тарифы на API считаются за токены и обновляются ещё чаще — точные цифры сверяйте на страницах провайдеров, а не по статьям полугодовой давности. На момент подготовки материала потребительские подписки ведущих ассистентов держались в районе 20 долларов в месяц, но состав функций внутри этих тарифов пересматривается регулярно.

Где генеративные модели ошибаются

Главная проблема — галлюцинации. Модель может уверенно сослаться на несуществующий закон, придумать цитату или выдать правдоподобный, но ложный факт. Это не баг конкретной версии, а свойство подхода: система оптимизирована на правдоподобие, а не на истинность.

Отсюда практические правила, если вы используете такие модели в работе:

• Проверяйте факты, цифры и ссылки — особенно юридические нормы, статистику и цитаты. Модель их часто выдумывает.
• Не загружайте чужие персональные данные и коммерческую тайну в публичные сервисы без понимания их политики хранения.
• Держите человека в контуре решений, если результат влияет на деньги, право или безопасность.
• Учитывайте вопрос авторских прав на сгенерированные изображения — правовой статус в разных странах отличается и всё ещё формируется.

Как выбрать под задачу

Не гонитесь за самой громкой моделью. Логика простая:

1. Определите модальность: вам нужен текст, картинка или разбор изображений.
2. Оцените объём: разовые задачи закрывает подписка, регулярная автоматизация — доступ через API с оплатой за токены.
3. Проверьте, где хранятся ваши данные, если работаете с чувствительной информацией — часть провайдеров предлагает режимы без обучения на ваших запросах.
4. Сравните на своих реальных примерах, а не на демо: одна модель лучше пишет код, другая — тексты на русском.

Открытые модели — например, семейство Llama — можно развернуть на своём железе. Это снимает вопрос с хранением данных, но требует видеокарт и инженеров. Для большинства пользователей облачная подписка остаётся дешевле собственной инфраструктуры.

¹ Семплирование — процесс генерации нового объекта из выученного моделью распределения вероятностей.

² Токен — единица текста, которой оперирует языковая модель: часть слова, слово или знак препинания. Стоимость API обычно считают именно за токены.