Claude vs Qwen 2026: длинный контекст и safety против open-weights и 119 языков

Прежде чем сравнивать функцию по функции — поймите, что Claude и Qwen лежат в разных подгруппах категории text-ai. Один — закрытая frontier-SaaS, другой — open-weight семейство под Apache 2.0 (частично). Половина споров «кто лучше» снимается уже на этом шаге.

В категории text-ai мы выделяем четыре подгруппы: universal frontier assistants (ChatGPT, Claude, Gemini), Russian-localized (GigaChat, YandexGPT), open-weight (Llama, Mistral, DeepSeek, Qwen) и specialized (Perplexity, o3, Grok). Claude однозначно сидит в первой; Qwen — в третьей. Это значит, что у них разная философия продукта: Claude продаёт законченный сервис с UI, тарифами от $0 до custom Enterprise, SLA и поддержкой. Qwen в основном продаёт веса моделей — а уж где вы их крутите, через chat.qwen.ai, через Alibaba DashScope API, на собственных GPU через vLLM или через Together / Fireworks — это ваш выбор.

Отсюда первое практическое следствие: сравнивать «Claude vs Qwen вообще» — это как сравнивать iPhone и Android-сборку для разработчика. У них даже метрики оценки немного разные. Claude мы оцениваем через готовый продуктовый опыт: качество ответа, скорость UI, удобство Projects и Artifacts, цену подписки. Qwen — через комбинацию «качество весов + куда вы их подключили». На chat.qwen.ai вы получаете один user-experience, на собственном vLLM с дообученным Qwen-Coder — совершенно другой.

Второе следствие: они часто не конкуренты, а дополнения. Юрист в Сбербанке использует GigaChat для compliance-чувствительных задач, ChatGPT — для творчества, а Qwen — когда нужно прочитать 30-страничный документ на корейском. Claude в этой картине — для длинных договоров и agentic coding. Гибридный сценарий мы разберём в подтеме «Гибридные сценарии».

Вы готовите письмо клиенту на 300 слов в понедельник утром. Хотите, чтобы текст читался как написанный носителем, а не калькой с английского. На сколько процентов вам придётся править вывод после Claude и после Qwen?

В досье у Claude качество русского — 8/10, у Qwen — 7/10. Это близкие оценки, но за ними стоят разные причины. Claude обучен преимущественно на английском корпусе; русский он «знает» через перевод внутри transformer'а. На выходе это часто аккуратный, чуть «академический» русский с редкими кальками («давайте рассмотрим» вместо «разберём») и иногда — с громоздкими деепричастными оборотами. Стилистически — добротно; идиоматически — иногда промахивается, особенно на сленге и узко-российских реалиях (например, при описании ОФД, ОКВЭД, нюансов УСН).

Qwen3 в апреле 2025 декларировал поддержку 119 языков и диалектов, обучен на 36 трлн токенов. Русский там среди приоритетных, но он один из 119 — а не нативный, как у YandexGPT. На нашем опыте Qwen хорошо справляется с переводом и с типовыми запросами, но в творческих текстах ему чуть чаще нужно «причёсывать» вывод. На фоне Llama и Mistral он явно лучше; на фоне YandexGPT и GigaChat — слабее. Анализ «как написано» в досье прямо это и фиксирует.

Один сценарий, где Qwen неожиданно сильнее: смешанный многоязычный текст. Если вы переводите коммерческое предложение на пять языков сразу, или работаете с китайским контрагентом и в одном промпте смешиваете русский, английский и упрощённый китайский — Qwen3 выдаст более последовательный результат. Claude всё равно справится, но иногда сорвётся в «английский по умолчанию».

Один сценарий, где Claude явно впереди: длинный русский деловой текст. 50-страничный обзор рынка, переписать в стиле «нейтральный аналитик» — Claude держит стиль на всю длину и реже «уплывает». Это его длинный контекст плюс обученность на письме.

Юрист просит проверить позицию в споре: десять документов, противоречия, отсылки к статьям. Финансист просит сверить три квартальных отчёта и найти расхождения. Этим задачам нужен не «умный собеседник», а пошаговое рассуждение.

Claude в reasoning двигается в сторону adaptive thinking: модель сама решает, насколько глубоко «думать» над задачей. У Opus 4.7 в API есть эффорт-уровни low / medium / high / xhigh / max — тонкая настройка глубины reasoning. Плюс уникальная функция task budgets в Opus 4.7: вы задаёте бюджет токенов на весь agentic loop, и модель сама распределяет. Sonnet 4.6 набирает 79.6% на SWE-bench Verified — это бенчмарк реальных GitHub-задач, и Claude тут один из лидеров среди frontier-моделей.

Qwen в reasoning представлен прежде всего QwQ-32B-Preview — это open-source reasoning-модель под Apache 2.0, появившаяся в линейке Qwen 2. На фоне закрытых reasoning-моделей (o3, Claude Opus thinking, DeepSeek-R1) QwQ — заметный шаг для open-source, но не лидер. Точные цифры от Alibaba по новейшим Qwen 3.5 / 3.6 в reasoning-бенчмарках фрагментированы (в досье это зафиксировано как data gap). Reasoning у Qwen есть, он работоспособный, но если задача требует «выжать максимум» — Claude Opus 4.7 в режиме xhigh effort даст более глубокий разбор.

Важный нюанс по обоим: thinking-режимы стоят токенов и времени. Если ваша задача — «перепиши абзац короче» — включать xhigh в Claude или thinking в Qwen3 бессмысленно. Если задача — «сравни три договора, найди противоречия и квалифицируй каждое по гражданскому кодексу» — Claude Opus 4.7 в high+ выдаст более структурированный, последовательный ответ. На наших тестах с подобными задачами Claude чаще «не теряет нить» к десятому шагу рассуждения.

На рабочий стол падает архив: 220-страничный договор, два приложения по 60 страниц каждое, переписка с контрагентом. К утру понедельника нужны риски, противоречия и список вопросов на встречу. Резать на куски — терять контекст.

Здесь у Claude — одно из главных преимуществ во всей категории text-ai. С 17 марта 2026 года 1M токенов контекста в Opus 4.6, Opus 4.7 и Sonnet 4.6 — Generally Available без long-context premium. То есть 900K-токенный запрос оплачивается по той же per-token ставке, что и 9K-токенный. На сегодня это редкость: в категории такое же предложение есть у Gemini 3 Pro, но без surcharge именно Anthropic первыми объявили GA. Максимальный вывод — 128K токенов в Messages API, до 300K в Batches API с бета-заголовком. И, что важно, MRCR v2 на 1M токенов — 78.3% у Opus 4.6, рекорд среди frontier-моделей по точности воспоминания внутри длинного контекста (часто заявленный контекст на практике «проседает» к концу — Claude этот баг минимизирует).

У Qwen контекст — другая история. В досье зафиксировано: для Qwen 2.5 / 3 стандартное окно 32K токенов, есть варианты с extended context до 128K и более, но точные цифры для всех вариантов Qwen 3 / 3.5 / 3.6 публично не консолидированы — это data gap. То есть теоретически вы можете найти Qwen-вариант с большим окном, но детерминированных гарантий, как у Claude «1M для Opus 4.7 на стандартном тарифе», нет. Для типичного use-case «договор на 200 страниц» (~ 250K токенов) ванильный Qwen3 32K не подойдёт.

Практическая разница: вы загружаете в Claude entire codebase, 600-страничный PDF или длинный agent trace без компакции — он работает целиком. Qwen вы либо обвязываете RAG-инфраструктурой (разбили на чанки, индексировали в pgvector, отдаёте релевантное), либо ищите специальный extended-вариант. RAG — это не «плохо», это «больше инженерной работы и больше точек отказа».

Один сценарий, где Qwen всё равно выигрывает: обработка миллионов коротких документов (например, чистка справочников или массовая классификация коротких текстов). Тут вам не нужен 1M-контекст — нужна дешёвая модель в self-host, которая на ваших GPU молотит 50 тысяч документов в час. Claude с его $5/$25 на Opus 4.7 для такого objectively дорог; Qwen3 в локальном vLLM — на порядки дешевле.

В команде backend-разработчиков пятница, дедлайн, тикет «починить flaky test, который падает раз в десять прогонов». Один CLI открывает репозиторий, прогоняет тесты, локализует race condition и пишет PR. Другой выдаёт «попробуйте добавить mutex» — и всё.

Claude в коде — отдельная категория. Sonnet 4.6 набрал 79.6% на SWE-bench Verified, Opus 4.6 — 80.8%, и в Opus 4.7 Anthropic явно говорит про step-change в agentic coding. Это не «модель с кодом» — это связка Claude Code (CLI + extensions для VS Code, JetBrains, Slack), MCP-протокол (открытый стандарт tool-use, принятый отраслью), Computer Use в Opus 4.7 с high-res screenshot пониманием до 2576px и улучшения .docx redlining / .pptx editing. На начало 2026 Claude Code приносит Anthropic $2.5B annualized revenue — фактически отдельная продуктовая категория внутри сервиса.

Qwen в коде — это Qwen-Coder, отдельная специализированная линейка. Среди open-source code-моделей она в топе наряду с DeepSeek-Coder и Mistral Codestral. Под капотом — оптимизация на скорость для code-completion. Что важно: Qwen-Coder доступна как open weights — её можно загрузить в Cursor через локальный endpoint, в continue.dev, в tabby для self-hosted code-completion. У Claude этого нет принципиально — Claude нельзя «скачать и запустить локально».

Где Qwen-Coder реально выигрывает: private code-completion. Финтех, оборонка, медицина — отрасли, где код буквально нельзя отправлять во внешний API. Qwen-Coder поднимается на собственном GPU, отдаёт автокомплит локально, никакие токены вашего кода не уходят за периметр. У Claude такой конфигурации нет — даже Enterprise работает через SaaS.

Где Claude однозначно впереди: agentic coding на длинных задачах. «Прочти весь репозиторий, найди использование deprecated API, перепиши на новый и подготовь PR» — Sonnet 4.6 с 1M контекстом и Claude Code справится за один запуск; Qwen-Coder с 32K контекстом и без штатной agentic-обвязки — нет.

Маркетолог приходит с задачей: «нужны идеи для рассылки + три визуала + 30-секундный ролик + закадровый голос». Один сервис закроет всё? Или придётся собирать стек из четырёх?

Здесь Claude — это vision-only модель в строгом смысле. В досье: текст плюс изображения на вход и анализ (с Opus 4.7 — high-res до 2576px / 3.75MP), документы PDF — да. Генерации картинок нет (в отличие от ChatGPT с DALL-E), генерации видео нет (в отличие от ChatGPT с Sora 2), массового голосового режима нет (в отличие от ChatGPT Voice или Gemini Live). Это сознательный выбор Anthropic — не размазывать R&D-бюджет по всем медиа, а копать в reasoning, длинный контекст и safety.

Qwen в мультимодальности шире, но иначе. Qwen-VL (версии 2 / 2.5 / 3) — vision-multimodal с поддержкой анализа видео длительностью более 20 минут (уникальная фича среди open-weight моделей). Qwen-Audio — audio-multimodal. Генерации картинок в самом Qwen нет; для них в экосистеме Alibaba есть отдельный продукт Wan video. То есть Qwen — это не «всё в одном чате», это «отдельные специализированные модели в одном семействе». Загружаете в Qwen3-VL-2B (та самая модель с 18M+ скачиваний на Hugging Face) 25-минутное видео — получаете расшифровку и анализ. У Claude такого приёма нет.

Парадокс этой таблицы: ни один из двух сервисов не закроет маркетологу всю задачу с рассылкой, картинками, видео и голосом. Если кому-то нужно «всё в одном» — на эту нишу работают ChatGPT (DALL-E + Sora 2 + Voice) и Gemini (Imagen 4 + Veo 3 + NotebookLM audio). Сравнение Claude и Qwen в мультимодальности — это «кто меньше хуже», а не «кто реально лидер».

Один сценарий, где Qwen уникален: анализ длинного видео в open-source стеке. Если ваша задача — обработать архив записанных вебинаров на час каждый и сделать саммари — Qwen-VL единственный из двух, кто это потянет, и единственный среди open-weight моделей в принципе.

Подписки выглядят как лотерея: $17, $20, $100, $200, $0, pay-as-you-go. Считать удобно не за месяц, а за год — и на типичном объёме работы.

У Claude тарифная сетка чёткая. Free — $0, Sonnet 4.6 с лимитом на день. Pro — $17/мес при годовой оплате (контракт $200) или $20/мес monthly: Sonnet 4.6, ограниченный доступ к Opus, Claude Code в терминале, Projects, Artifacts, коннекторы Google Drive и GitHub. Max 5x — $100/мес (только monthly): всё из Pro плюс 5x usage, Cowork, priority access на новые модели, 1M context в Claude Code для Opus автоматически. Max 20x — $200/мес: 20x usage от Pro. Team — $25/seat при годовой ($30/seat monthly); Team Premium с Claude Code — $125/seat при годовой. Enterprise — custom, минимум 70 seats, ориентир ~$60/seat/мес, годовой контракт от ~$50 400. Точная Enterprise-цена — data gap, цифра оценочная.

У Qwen тарифной сетки в привычном виде нет. Есть три способа получить доступ. Первый — self-host: $0 за веса, но вы платите за GPU (свой или арендованный). Второй — DashScope API от Alibaba Cloud: pay-as-you-go за токены через DashScope console (актуальные точные per-million цены на 2026-05-12 в досье — data gap, нужно сверяться в console). Третий — chat.qwen.ai: бесплатный consumer-чат, без подписок и без жёстких лимитов для типичного использования. Плюс managed inference у Together / Fireworks / Replicate / Hugging Face Endpoints — pay-as-you-go, цены тоже data gap на момент проверки. Плюс Alibaba Cloud Enterprise: custom для крупных контрактов с private deployments, VPC, fine-tuning, SLA.

Считаем за год на типичном профиле «индивидуальный специалист с 30–50 запросами в день». Claude Pro по годовой подписке — $200 за год, итоговая стоимость за 2026 год — $200. Qwen на chat.qwen.ai — $0; если поднимать локально, GPU-сервер с RTX 4090 на DigitalOcean ~$420/мес (но это уже не «персональный сценарий», это инфраструктура). На chat.qwen.ai для индивидуального пользователя — $0 за год.

«Дайте посмотреть бесплатно» — самая частая просьба перед покупкой. От честности free-уровня зависит, останется ли пользователь.

У Claude Free есть и работает: с февраля 2026 default-моделью на Free стал Sonnet 4.6 — это не урезанный «Haiku для бедных», а полноценная флагманская среднего тира. Лимит — на день; точных цифр сообщений-в-день в досье нет (Anthropic меняет их под нагрузку). В Free нет: Opus, Claude Code, Cowork, высоких usage limits, Projects, коннекторов. То есть «поиграться» — да; «работать в проектах с GitHub-коннектором» — нет.

У Qwen «free» — это две разные сущности. Первая — chat.qwen.ai: $0 для consumer-доступа к Qwen-моделям, лимиты мягкие, для типичного использования хватает. Вторая — open weights: вы скачиваете модель с Hugging Face (на ряд моделей — Apache 2.0; на часть — Qwen License с commercial restrictions; на отдельные preview — research-only). Точный per-model license map для Qwen 3 / 3.5 / 3.6 — data gap, нужно сверять каждую модель отдельно. Это не «trial», это «навсегда бесплатные веса» — но с собственной инфраструктурой и без UI.

Принципиально разные модели. Claude Free — это «дегустация перед покупкой Pro». Qwen Free — это «инструмент, который вы навсегда оставляете себе в виде весов и self-host». Для индии-разработчика, который хочет встроить LLM в pet-project без подписки — Qwen приёмное окно куда шире.

Команда инженеров встраивает LLM в продукт. Им нужны не «крутые ответы в чате», а понятная API-цена, SDK на трёх языках, документация без сюрпризов, prompt caching и production-готовые SLA.

Claude API — это platform.claude.com (1P), плюс параллельные пути: AWS Bedrock (global и regional endpoints), Google Vertex AI (global / multi-region / regional, regional с 10% premium), Microsoft Foundry (Azure AI Foundry). Цены за 1M токенов: Opus 4.7 / Opus 4.6 — $5 input / $25 output, Sonnet 4.6 — $3 / $15, Haiku 4.5 — $1 / $5. Скидки: Batch API −50%, prompt caching до −90% на cached inputs. Важно: 1M контекст без премии — 900K-токенный запрос оплачивается по такой же per-token ставке, как 9K (это всё ещё редкость на рынке).

Qwen API — это Alibaba Cloud DashScope через dashscope.console.aliyun.com, плюс OpenAI-compatible endpoint (можно подключать стандартными SDK), плюс managed inference через Together AI, Fireworks AI, Hugging Face Inference Endpoints, частично AWS Bedrock через Alibaba partnership. Точные актуальные per-million цены DashScope и провайдеров на 2026-05-12 — data gap (досье фиксирует, что цены меняются и нужно сверяться в console). DashScope console для международных пользователей менее прозрачна, чем pricing-страницы OpenAI или Anthropic — это слабая сторона Qwen в production-задаче «оценить unit-economics за неделю до запуска».

Что нужно помнить: $25 за 1M output у Claude Opus 4.7 — много. Если ваш производственный pipeline крутит десятки миллионов токенов output в день — даже Sonnet 4.6 за $15 может выйти в тысячи долларов в месяц. Здесь open-weight стек (Qwen в self-host или через дешёвый провайдер) даёт сильное преимущество в TCO. Анализ цены вне отрыва от качества — ошибка; но и игнорировать порядок цены тоже ошибка.

Открываете сайт сервиса с домашнего интернета в Москве. Регистрируетесь привычной картой Сбера. Если на втором шаге всё ломается — для российской аудитории сервис почти не существует.

У Claude — жёстко: прямого доступа без VPN из России нет (блокируется на стороне Anthropic по IP-геолокации), оплата российскими картами официально не поддерживается. Юридического присутствия в РФ нет. Обходные пути — VPN плюс зарубежная карта, посредники-реселлеры, корпоративная оплата через юр.лицо за рубежом. По 152-ФЗ Claude не соответствует: обработка персональных данных идёт на серверах Anthropic за пределами РФ. Русский интерфейс есть, но это локализация, а не присутствие.

У Qwen ситуация принципиально другая: chat.qwen.ai открывается напрямую из РФ — китайский сервис, не блокирован. DashScope API может требовать китайского IP для регистрации, но international endpoint через Alibaba Cloud International обычно доступен. Оплата на Alibaba Cloud International — USD-биллинг, нужна зарубежная карта; на китайской версии DashScope — UnionPay / Alipay. По 152-ФЗ в SaaS-режиме Qwen не соответствует (китайская юрисдикция). Но self-host Qwen в РФ-периметре формально совместим с аттестацией ФСТЭК — это уникальное преимущество в паре. Open weights можно загрузить, развернуть и обрабатывать ПДн внутри страны.

Для пользователя из России Qwen — в одном клике, Claude — в три-четыре шага с VPN и зарубежной картой. Это разница, которая мешает Claude быть «массовым» продуктом для российской аудитории. Если интересна именно российская специфика — есть отдельные обзоры по GigaChat и YandexGPT.

Юрист в банке открывает контракт на ИИ-сервис и сразу листает на «обработка данных, юрисдикция, сертификация». Если этих строчек нет — закрывает и не возвращается.

Claude в compliance — один из лидеров категории. В досье: SOC 2 Type 2, ISO 27001, GDPR-compliant. Шифрование — TLS in transit, AES-256 at rest. Политика данных: на Free и Pro по умолчанию могут использоваться для feedback loops; на Team и Enterprise — НЕ используются для обучения. Retention настраивается в Enterprise. У Anthropic есть Cyber Verification Program для legitimate security research (отдельная программа, опубликована с релизом Opus 4.7) и подход Constitutional AI к safety. Это полный набор того, что просит enterprise-юрист.

Qwen — другая история. У Alibaba Cloud широкий набор сертификатов на уровне инфраструктуры: ISO 27001, SOC 2, PCI DSS. Но это сертификаты cloud-инфры; специально для Qwen-сервисов публичной сводки compliance-сертификатов на 2026-05-12 в досье найти не удалось — это явный data gap. Для consumer chat.qwen.ai данные «могут использоваться для улучшения моделей»; точная opt-out policy — тоже data gap. По юрисдикции — Китай: для западного enterprise и российских регулируемых отраслей это блокер в SaaS-режиме. Для частного использования или в self-host этот фактор снимается.

Для большинства типичных пользователей AIRatings (российские специалисты и компании) обе юрисдикции — внешние. Разница в том, что у Claude есть прозрачный compliance-портфель, который можно показать юристу контрагента; у Qwen для SaaS-режима этого нет, зато есть путь self-host, где compliance-вопрос вы решаете уже сами.

CTO банка из топ-10 ставит задачу: «ИИ-ассистент для анализа кредитных досье, но данные не должны покидать наш дата-центр». Кто из двух героев вообще участвует в этом разговоре?

Самая чистая граница в паре. У Claude self-host принципиально нет — только SaaS через platform.claude.com, AWS Bedrock, Google Vertex AI и Microsoft Foundry. Это позиция Anthropic: они контролируют модели, обновления, safety-фильтры; on-prem означает потерю контроля. Доступна US-only data residency с +10% premium, но это всё ещё SaaS, просто с гарантией, что серверы — в США.

У Qwen self-host — штатный рабочий путь. Open weights под Apache 2.0 (для ряда моделей включая QwQ-32B-Preview) или под Qwen License (с commercial restrictions) скачиваются с Hugging Face. Production-grade inference на собственных GPU — через vLLM. Quantized varианты — через llama.cpp. One-click local install — через Ollama. Для крупных корпоративных контрактов — Alibaba Cloud Enterprise с private deployments, VPC, fine-tuning, SLA, dedicated support.

Для российской регулируемой отрасли (банки, страховые, медицина, оборонка) self-host — не «опция», а единственный способ легально использовать LLM на чувствительных данных. Здесь Qwen — один из самых сильных open-weight кандидатов наряду с Llama, DeepSeek и Mistral. У Claude в этом разговоре нет позиции вообще.

За что в каждом из сервисов реально платят — а не «вот ещё одна модель в чате». Зайти стоит, чтобы потом не пересказывать общие места из категории.

У Claude уникальный набор узнаваемый. Во-первых, 1M контекст без премиум с 17 марта 2026 — то же per-token rate на 900K-токенном запросе, что и на 9K. Во-вторых, MCP (Model Context Protocol) — открытый протокол tool-use, который Anthropic запустили в 2024 и который приняли многие конкуренты и интеграторы; де-факто отраслевой стандарт. В-третьих, Constitutional AI — уникальный подход к safety через обучение с прописанными принципами. В-четвёртых, 78.3% MRCR v2 на 1M контекста у Opus 4.6 — рекорд среди frontier-моделей по точности воспоминания. В-пятых, Claude Code — категория-определяющий coding CLI с $2.5B annualized revenue. Шестое — adaptive thinking + effort levels + task budgets в Opus 4.7. Седьмое — Project Glasswing и research preview модели Mythos для defensive cybersecurity (invitation-only).

У Qwen уникальное иначе. Во-первых, 119 языков в Qwen3 — самое широкое покрытие среди публично доступных frontier-моделей. Во-вторых, Apache 2.0 на ряд моделей включая QwQ-32B reasoning — критическое преимущество для коммерческих open-source разработчиков. В-третьих, 18M+ скачиваний Qwen3-VL-2B на Hugging Face — рекорд среди open-source vision-моделей. В-четвёртых, 200 000+ вариаций fine-tunes и производных моделей на HF — самая обширная open-source экосистема наряду с Llama. В-пятых, video understanding длительностью более 20 минут в Qwen2.5-VL и Qwen3-VL — уникальная multimodal-фича в open-weight нише. В-шестых, 36 трлн токенов pretraining в Qwen3 — один из самых больших pretraining corpus среди публично анонсированных open-weight моделей. В-седьмых, новая бизнес-единица Alibaba Token Hub с марта 2026 — структура для ускорения релизов.

Списки выглядят сопоставимо по длине, но цепляют разную аудиторию. Claude собирает enterprise-юристов, банковских аналитиков, серьёзных разработчиков. Qwen собирает open-source ML-инженеров, multilingual-проекты и команды в регулируемых отраслях, где self-host — не каприз, а необходимость.

Не «кто вообще лучше», а «в какой задаче каждый из двух выигрывает с заметным отрывом» — по 4 кейса с каждой стороны, с конкретной причиной.

Claude уверенно выигрывает в четырёх типах задач. Юр-анализ длинного договора: 200–600-страничный документ целиком в 1M-контекст, без RAG-кускования, низкие галлюцинации. Sonnet 4.6 или Opus 4.7 — оба справятся, Opus 4.7 — точнее на пограничных формулировках. Agentic coding на legacy-кодбазе: «прочти весь репозиторий, найди использование deprecated API, перепиши и подготовь PR» — Claude Code плюс 1M контекст плюс 79.6% SWE-bench Verified. Длинный creative writing на русском: 50-страничный сценарий или обзор рынка — Claude держит стиль и тон на всю длину, реже «уплывает». Enterprise-задача с требованием SOC 2 и no-training-on-data: Anthropic закрывает compliance-портфель, Team и Enterprise — без обучения на данных.

Qwen уверенно выигрывает в четырёх других типах задач. Self-host в регулируемом периметре: банк, страховая, оборонка, медицина — Qwen на собственных GPU в air-gapped среде, после аттестации ФСТЭК. Multilingual работа на 50+ языках: международный saas-продукт с локализацией, ECCO-туризм, азиатские языки — Qwen3 с 119 языками покрывает то, что Claude и ChatGPT покрывают «с акцентом». Анализ длинного видео в open-source стеке: записи вебинаров на час, лекции, отснятые митинги — Qwen-VL единственный из двух на это способен. Бесплатный доступ для пользователя в РФ: студент, начинающий специалист, гражданский проект без бюджета — chat.qwen.ai доступен прямо без VPN.

Что не «универсально», но регулярно встречается: задача попадает в обе колонки сразу. Например, «юр-анализ договора с зарубежным контрагентом на немецком, для российского банка с требованием 152-ФЗ». 1M контекст хочется от Claude, self-host обязателен из-за регуляторики — это про Qwen. Решение — гибрид: Qwen в self-host обрабатывает чанки, Claude через VPN под NDA — финальный reasoning по сжатому summary. См. подтему «Стоимость владения за год для трёх профилей».

«Кому из вас брать что?» — короткие портреты с однозначным ответом. Без «зависит от задачи» — мы уже разобрали задачи в подтемах выше.

1. Юрист в крупной российской компании, 20+ договоров в месяц по 50–200 страниц. Если работа на западном контрагенте под NDA: Claude Pro с VPN и зарубежной картой — 1M контекст и низкие галлюцинации. Если работа в банке с требованием 152-ФЗ: Qwen в self-host после аттестации ФСТЭК — это единственный легальный путь из этих двух.

2. Backend-разработчик в open-source-стартапе, ежедневно правит и пишет код. Claude Pro $17/мес по годовой + Claude Code. Окупается на одной серьёзной задаче в неделю (на нашем редакционном профиле); ваш кейс может отличаться. Qwen-Coder — как дополнение для локального code-completion без отправки кода во внешний API.

3. ML-инженер с фокусом на multilingual задачи (азиатские языки, редкие европейские). Qwen3 — 119 языков, обучен на 36 трлн токенов. Claude в этой задаче проигрывает, у него фокус на английском и крупных европейских.

4. Студент или специалист без бюджета, в России без VPN. chat.qwen.ai бесплатно и прямо. Для русскоязычных задач смотрите также бесплатные тиры GigaChat и YandexGPT — их русский лучше.

5. Enterprise-команда 50+ человек с требованиями SOC 2 / GDPR. Claude Team по $25/seat при годовой (Team Premium с Claude Code — $125/seat) или Enterprise custom от ~$60/seat при 70+ местах. Qwen — только в self-host для отдельных частных юзкейсов; SaaS-режим юристы заблокируют из-за китайской юрисдикции.

Платить $17 в месяц или $200 в год — это одно. Платить $25 за seat на 10 сотрудников — другое. Запускать локальный inference Qwen на трёх H100 — третье. Посчитаем три профиля до круглой цифры в долларах.

Профиль 1 — индивидуальный специалист, 30–50 запросов в день. Claude Pro по годовой подписке: $200 за год ($17/мес при оплате контрактом). Что включено: Sonnet 4.6, ограниченный Opus, Claude Code в терминале, Projects, Artifacts, коннекторы Google Drive и GitHub. Qwen для того же профиля: chat.qwen.ai — $0 за год, без подписки. Разница — $200/год в пользу Qwen, но Claude даёт Claude Code, который для разработчика в одиночку часто стоит больше $200 в год по сэкономленному времени.

Профиль 2 — команда из 10 разработчиков в среднем стартапе. Claude Team Premium (с Claude Code): $125/seat при годовой → $15 000 за год на 10 человек. Альтернатива — Team стандарт $25/seat по годовой → $3 000 за год без Claude Code (но Claude Code на Pro у каждого отдельно — это $17 × 12 × 10 = $2 040; итого ~$5 040 если миксовать Pro для Claude Code + Team для shared workspaces). Qwen на ту же команду: chat.qwen.ai бесплатно для интерактива; для разработческого code-completion — Qwen-Coder на одном self-host сервере с RTX 4090 на 10 человек, аренда ~$420/мес → $5 040 за год. Разница за год: Claude Team Premium ~$15K vs Qwen self-host ~$5K, но качество agentic coding у Claude заметно выше.

Профиль 3 — производственный pipeline с 50M токенов output в месяц. Claude API на Sonnet 4.6: 50M × $15/1M = $750/мес, $9 000/год. С prompt caching −90% на cached inputs реально получится дешевле — пусть $5 000–$7 000/год при типичной структуре запросов. Claude Opus 4.7 на тех же объёмах: 50M × $25/1M = $1 250/мес, $15 000/год до caching. Qwen в self-host на сопоставимом железе (одна машина с двумя L40S, аренда ~$2 500/мес) → $30 000/год. Парадокс: для очень больших объёмов Claude через API всё ещё может быть дешевле, потому что вы платите только за токены, а не за простаивающее GPU. Точка перелома — где-то на 100M+ output токенов в месяц.

Главный вывод по TCO — он не линейный. На маленьком объёме Qwen радикально дешевле; на среднем команда лучше выбирать гибрид; на очень большом производственном объёме SaaS Claude через API может оказаться экономичнее self-host из-за того, что GPU простаивает в ночные часы, а Anthropic — нет.