по моему опыту (не то что бы миллионы LOC) рейтинги похожи на логарифмический график, вроде бы дешевая модель всего на 5% меньше, но в работе это в 3 раза хуже.
дипсик, квен, glm. Из последних пробовал cerebras glm4.6 думал сейчас буду из пулемета генерировать гениальный китайский код, из пулемета получилось, но китайское 💩.

Из дельного научился работать вроде бы с haiku. Если сильно постараться, то выдает годное. +30% токенов по стравнению с сонетом (типа тупее), но в целом более менее.

Мой кейс генерация веб страниц на реакте. Тестирую разные модели и подходы на одних входных данных, так что разница видна сильно.