Почему готовые рейтинги вам не подходят
Большинство статей-рейтингов сравнивают сервисы по общим впечатлениям автора, на разных примерах для разных инструментов, без объявленных заранее критериев. Это не тест, а коллекция мнений. Даже честно написанный рейтинг решает задачу автора, а не вашу - если вам нужен инструмент для анализа таблиц с финансовыми данными, рейтинг 'лучшая нейросеть для творческого письма' не даст применимого ответа.
Алгоритм честного теста
Шаг 1. Сформулируйте одну конкретную задачу с реальными данными. Не абстрактное 'напиши текст', а именно та задача, которую вы решаете регулярно - например, 'составь ответ клиенту на конкретную жалобу' с реальным (обезличенным) текстом жалобы.
Шаг 2. Определите критерии успеха ДО того, как увидите результат. Например: следует ли инструкции по тону, не придумывает ли факты, укладывается ли в заданный объём, сколько правок нужно перед использованием. Запишите критерии заранее - иначе вы неосознанно подгоните оценку под понравившийся ответ.
Шаг 3. Прогоните строго одинаковый запрос в каждом сервисе. Один и тот же текст промпта, без адаптации под особенности интерфейса конкретной нейросети на этом этапе.
Шаг 4. Оцените результаты только по объявленным критериям. Присвойте баллы по каждому критерию, не по общему впечатлению 'мне больше нравится, как звучит'.
Шаг 5. Повторите на второй, отличающейся задаче. Один удачный пример не доказывает превосходство инструмента - результат может быть случайностью или зависеть от конкретной формулировки.
Пример: сравнение на реальной задаче
Задача: сократить длинный протокол встречи (500 слов) до пяти пунктов действий с ответственными и сроками.
Критерии, объявленные заранее: все реальные задачи из протокола попали в список (полнота), не появилось задач, которых не было в исходнике (отсутствие выдумки), ответственные и сроки указаны только там, где они явно названы в тексте, формат единообразный и готов к вставке в таск-трекер без правок.
Как оценивать: по каждому критерию - да/частично/нет для каждого сервиса, затем сравнить итоговую таблицу. Инструмент, который добавил не существовавшую в протоколе задачу или приписал ответственность человеку, который не был назван, проваливает критерий 'отсутствие выдумки' - независимо от того, насколько гладко звучит текст.
[Вставьте один и тот же текст задачи во все сравниваемые сервисы без изменений] Пример для протокола встречи: Превратите протокол встречи ниже в список из 5 пунктов действий. Для каждого пункта укажи ответственного и срок ТОЛЬКО если они явно названы в тексте - если не названы, оставь поле пустым, не придумывай. Протокол: [вставьте обезличенный реальный протокол]
Типичные ошибки самостоятельного теста
Менять формулировку запроса между сервисами 'чтобы каждому было удобнее' - это уже не честное сравнение, а подгонка под возможности конкретного инструмента. Оценивать по одному примеру - недостаточно для вывода. Формулировать критерии после того, как увидели результаты - тогда вы неосознанно опишете критерии так, чтобы понравившийся ответ победил. Загружать в тестовые запросы реальные конфиденциальные данные клиентов вместо обезличенных примеров.
Честный тест не даёт вечного ответа 'какая нейросеть лучше' - интерфейсы и качество моделей меняются, и результат актуален для конкретной версии сервиса на момент теста. Повторяйте сравнение при существенном обновлении модели, а не полагайтесь на вывод годичной давности.