Как мы оцениваем ИИ-собеседников 2026: 8 критериев
Как мы оцениваем ИИ-собеседников 2026: 8 критериев с весами, тесты на бесплатном тарифе, оценки фиксируем заранее, до разговоров о комиссии.
Автор: Alexandra Joly · Старший редактор · Последняя полная проверка методики: 28 апреля 2026 · См. наш редакционный процесс
Это та страница, где я целиком выкладываю тест, по которому оцениваю каждого ИИ-собеседника на сайте. Восемь критериев. Фиксированные веса. Тесты на бесплатном тарифе. Три воспроизводимых протокола, которые можно прочитать ниже. Оценки записываю до того, как открою с платформой любой разговор про комиссию. Если коротко: вот как мы оцениваем ИИ-собеседников, без тумана.
Большинство обзорщиков в этой теме тебе ничего такого не покажут. Они публикуют цифру, а метода под ней нет. Иногда ещё и выдумывают образование, которого нет: один конкурент ссылается на «бакалавриат Coursera 2005-2009», хотя Coursera основана в 2012. Иногда оценка двигается ровно на той неделе, когда двигается партнёрская комиссия. Мы так не работаем. Эта страница и существует затем, чтобы ты мог проверить нашу работу.
Как вы вообще тестируете ИИ-собеседников?
Каждый ИИ-собеседник проходит три фиксированных протокола на бесплатном тарифе за одну сессию: 10 сообщений на проверку общения (Протокол А ниже), пять стандартных промптов на картинки (Протокол Б), одну фразу на голос плюс проверку провайдера (Протокол В). Одни и те же промпты идут на все приложения, логи датируем и храним как внутренние материалы, оценки фиксируем на публикации.
Протоколы намеренно узкие. Я не строю из себя человека, который полгода поддерживает с каждым чат-ботом настоящие отношения, чтобы написать романтичный текст. Я прогоняю фиксированный тест, на фиксированном тарифе, за фиксированную сессию, и публикую то, что нашла. Там, где функция живёт за пейволом, который бесплатный тариф не открывает, критерий получает пометку: что именно я не смогла проверить и на какой публичный источник посмотрела вместо этого.
Тест один и тот же, какого персонажа ни собери. Одни и те же критерии, одна и та же шкала. Меняется персонаж, а не оценка. Когда картинки у приложения хороши на одном типе персонажа и рассыпаются на другом, оценка это отражает.
Ведущее тестирование — моё. Редакционную проверку страница проходит через редакционную команду до публикации, и любое расхождение больше чем на 1 балл по любому критерию снимается до того, как страница выйдет. Полный пошаговый процесс по каждой платформе — на странице про наш редакционный процесс.
Какие 8 критериев вы оцениваете?
В итоговую оценку входят восемь критериев с весами: Цена и выгода 18%, Качество общения 16%, Приватность и комплаенс 14%, Генерация картинок 12%, Кастомизация 12%, Интерфейс и мобайл 10%, Голос 10%, Генерация видео 8%. Голос и видео можно поставить «не применяется», если приложение их не даёт, тогда их вес расходится по остальным критериям.
Так мы оцениваем ИИ-собеседников по восьми направлениям, а веса взяты не с потолка. Они выросли из полугода чтения того, что люди реально спрашивают, ругают и хвалят на Reddit, Trustpilot и в App Store. Прозрачность цены — самый громкий сигнал в теме. Качество общения — это и есть сам продукт. Приватность и комплаенс несут риск, который не перевесит никакая коммерческая выгода. Картинки, кастомизация и интерфейс сидят в середине, потому что это современные различия между приложениями, у которых качество чата уже сравнялось. Голос и видео стоят ниже, потому что на большинстве приложений на 2026 год это ещё опциональные функции.
| Критерий | Вес | Как проверяем | Основной источник |
|---|---|---|---|
| Цена и выгода | 18% | Сверка страницы тарифов каждые 90 дней; ручной проход по отмене; Условия и правила возврата целиком | Страница тарифов платформы; наш лог отмен |
| Качество общения | 16% | Протокол А: 10 сообщений на бесплатном тарифе, одна сессия, ловушки на выдумки | Наши датированные логи; сигнал с Reddit и Trustpilot на масштабе |
| Приватность и комплаенс | 14% | Политика приватности + Условия + DMCA + проверка возраста + 2257 целиком; сверка юрлица по реестрам; поиск по регуляторным записям | Юридические страницы; реестры Кипра, Мальты, Делавэра; записи FTC и ICO |
| Генерация картинок | 12% | Протокол Б: 5 стандартных промптов на бесплатном тарифе; чек-лист анатомия + свет + точность + перегенерация + время | Наши результаты (не перепубликуем); запасной вариант — видео обзорщиков |
| Кастомизация | 12% | Живой проход регистрация → создание персонажа; считаем число параметров; свой персонаж против готового ростера | Наши датированные скриншоты |
| Интерфейс и мобайл | 10% | Число шагов регистрации; аудит Lighthouse на мобайле; отзывы в App Store и Play Store за 60 дней (от 30 штук); фиксация тёмных паттернов | Наши прогоны Lighthouse; агрегированные отзывы сторов |
| Голос | 10% (или н/п) | Протокол В: одна стандартная фраза через голос на бесплатном тарифе; проверка раскрытия провайдера | Наши голосовые сэмплы; атрибуция провайдера из документации |
| Генерация видео | 8% (или н/п) | Стандартные промпты на пробном доступе, если есть; иначе — ролики платформы плюс сравнения независимых обзорщиков | Наши материалы; видео обзорщиков не старше 6 месяцев |
Сумма весов — 100%, когда Голос и Видео оба применимы. Когда какой-то из них «не применяется», его вес расходится по остальным критериям, а ты видишь пометку «н/п, не предлагается», а не ноль.
Почему у цены вес 18%?
Цена — самый частый вопрос и самый проверяемый сигнал в теме. Страницы тарифов не врут, трение при отмене проверяется, скрытая стоимость токенов узнаётся на проходе. За полгода чтения жалоб на Reddit, Trustpilot и в App Store непрозрачная цена и тёмные паттерны при отмене вышли громче всего, и вес идёт за этим фактом.
Критерий делится на пять подпунктов: наполнение бесплатного тарифа, трение при переходе с пробы на платно, скрытая стоимость (токены на картинки, минуты голоса, премиум-персонажи, спрятанные за месячным тарифом), реальная работа гарантии возврата и честность потока отмены. Каждый подпункт получает оценку по опубликованной шкале, дальше усредняется в оценку критерия, и только потом применяется вес 18%.
Я регистрируюсь и отписываюсь на каждом приложении, которое разбираю, каждый цикл. Поток отмены логирую по шагам (видна ли кнопка, вылезают ли удерживающие попапы, требуют ли писать в поддержку). Приложения, которые прячут отписку, теряют баллы, каким бы хорошим ни был остальной продукт. Трение при отмене у Replika люди фиксируют годами; у нас это просто ещё одна квитанция на тот же паттерн.
Как вы проверяете качество общения?
Протокол А — это 10 сообщений на бесплатном тарифе, одинаковых для всех приложений, за одну сессию. Часть сообщений — ловушки, чтобы поймать бота на выдумках (например, попросить вспомнить начальника, о котором пользователь не говорил, и увидеть, реальная память или галлюцинация). Связность персонажа, память, скорость ответа и качество языка оцениваются от 1 до 10.
Последовательность сообщений зафиксирована, потому что разброс в поведении тестировщика — главный источник шума в любом тесте разговорного ИИ. Одни и те же десять сообщений, тот же порядок, то же окно сессии, тот же тестировщик. Логи сохраняю с именем платформы, версией бесплатного тарифа, названием модели (когда платформа его раскрывает) и меткой времени.
Когда мой собственный прогон противоречит широкой волне жалоб пользователей (минимум 30 свежих отзывов на Reddit или Trustpilot про одну и ту же просадку), я добавляю сноску со сторонним сигналом. Я не переписываю свои данные анонимными отзывами, но стабильные сигналы на масштабе честно фиксирую. Подход перекликается с тем, как оценку парасоциальных чат-ботов описывает [Source: Стэнфордский институт человекоориентированного ИИ (HAI), рабочие статьи по чат-ботам-компаньонам · verified 2026-05-26] в своих рабочих статьях.
Как вы проверяете генерацию картинок?
Протокол Б — это пять стандартных промптов на бесплатном тарифе, если генерация есть, по фиксированному чек-листу: анатомия, свет, точность промпта, согласованность перегенераций, время. Результаты храним у себя как датированные материалы и не перепубликуем. Если генерация только на платном тарифе, помечаем: мы не проверяли это напрямую, и опираемся на ролики обзорщиков не старше полугода плюс агрегированные отзывы.
Пять промптов намеренно разные: портрет, кадр в полный рост, продолжение со сменой наряда, сцена с несколькими персонажами и перегенерация раннего промпта на проверку согласованности. Результаты лежат в нашей внутренней папке материалов — и потому что мы не перепубликуем сгенерированный контент платформы, которым не владеем, и потому что иначе тест стал бы хуже воспроизводимым для новых участников.
Согласованность перегенерации — самый недооценённый подпункт в теме. Приложение, которое выдаёт сильную первую картинку, но на втором промпте рисует совершенно другого человека, теряет непрерывность персонажа, а это весь смысл продукта. Протокол Б ловит этот пробел явно, каждый раз, по одному и тому же чек-листу, без двойных стандартов.
Как вы проверяете голос?
Протокол В генерирует одну стандартную фразу через голос приложения на бесплатном тарифе. Одна и та же фраза идёт на все приложения, поэтому натуральность, задержку и охват языков можно сравнивать напрямую. Приложения, что называют своего голосового провайдера (ElevenLabs, Resemble, собственный), получают небольшой бонус за прозрачность. Голос ставим «не применяется», когда его нет вовсе; вес 10% расходится по остальным критериям.
Раскрытие голосового провайдера важно, потому что базовый движок синтеза речи (обычно ElevenLabs, Resemble AI или собственный стек) задаёт реальный потолок качества, как бы платформа это ни упаковывала. Приложения, что заявляют «собственную голосовую технологию», не называя настоящего провайдера, теряют балл за прозрачность и получают сноску. Честная атрибуция инфраструктуры — это сигнал доверия, и мы его вознаграждаем.
Проверяет ли Alexandra платные функции?
Только если до них можно дотянуться через пробный доступ или задокументированный бесплатный тариф. Когда функция за пейволом, который я не оплачивала, критерий получает пометку курсивом: мы не проверяли это напрямую, со сноской о том, чего именно я не увидела, и с запасным источником — обычно ролик обзорщика не старше полугода или 30+ свежих агрегированных отзывов про конкретную функцию. Я не заявляю доступ, которого у меня не было.
Это то самое правило честности, которое команда Wirecutter публикует открыто: когда подтест невозможен, называй пробел, а не замазывай его. Я переношу принцип на пейволы ИИ-собеседников, потому что это самый большой пробел доступа в теме. Премиум-картинки, голос на Pro-тарифах, запертые ролевые сценарии — обычное дело. Прозрачность в том, чего я не видела, — единственный честный способ оценить остальное.
Оценка 7/10 с прозрачной пометкой «не проверяли напрямую» правдоподобнее, чем 8/10, придуманная из скриншотов, которых я не делала. Пометка сидит ровно на том подпункте, что был недоступен; остальной критерий оценивается нормально, по прямым данным.
Насколько свежая каждая оценка?
У каждого критерия своё расписание переоценки. Цену и выгоду пересматриваем каждые 3 месяца или при любом замеченном изменении тарифов. Общение, картинки, видео, интерфейс и приватность — каждые 6 месяцев. Голос и кастомизацию — каждые 12 месяцев. Крупные события (смена модели, правка Условий, инцидент с регулятором, переделка интерфейса) запускают досрочную переоценку затронутых критериев в течение 30 дней.
Ритм по каждому критериу лучше единой годовой переоценки, потому что изменения продукта не синхронны. Приложение, что во вторник выкатывает новую страницу тарифов, а в пятницу — новую модель, не должно ждать полгода, пока обновится любой из критериев. В шапке каждого обзора видны и дата последней полной переоценки, и дата последнего теста по каждому критерию, так что сразу понятно, какие цифры свежие, а какие пора обновлять.
| Критерий | Расписание | Триггер досрочной переоценки |
|---|---|---|
| Цена и выгода | Каждые 3 месяца | Любое замеченное изменение страницы тарифов |
| Качество общения | Каждые 6 месяцев | Публичная смена модели или обновление базовой LLM |
| Приватность и комплаенс | Каждые 6 месяцев | Правка Условий или политики; действие регулятора; мировое соглашение |
| Генерация картинок | Каждые 6 месяцев | Обновление модели картинок; новые стилевые паки |
| Генерация видео | Каждые 6 месяцев | Новый видеопайплайн или поднятие потолка |
| Интерфейс и мобайл | Каждые 6 месяцев | Переделка интерфейса; новая версия мобильного приложения |
| Голос | Каждые 12 месяцев | Смена голосового провайдера; просадка задержки или натуральности |
| Кастомизация | Каждые 12 месяцев | Крупная переделка редактора персонажа |
Что означают метки уровней?
Итоговые оценки ложатся на семь понятных меток: Лучшее в классе (9,0+), Отлично (8,0-8,9), Сильно (7,0-7,9), Хорошо (6,0-6,9), Средне (5,0-5,9), Ниже среднего (4,0-4,9), Избегать (ниже 4,0). По правилу нижнего порога из нашего партнёрского раскрытия всё ниже 5,0 в рекомендации не попадает, сколько бы партнёр ни платил.
| Итоговая оценка | Метка | Как это влияет на рекомендацию |
|---|---|---|
| 9,0-10,0 | Лучшее в классе | Рекомендуем на главной; может получить бейдж «Выбор редакции» |
| 8,0-8,9 | Отлично | Рекомендуем в подборках |
| 7,0-7,9 | Сильно | Рекомендуем под конкретные задачи, с оговорками |
| 6,0-6,9 | Хорошо | В списке; честные плюсы и честные минусы |
| 5,0-5,9 | Средне | В списке, только если закрывает конкретный пробел; это нижний порог рекомендации |
| 4,0-4,9 | Ниже среднего | Разбираем честно, но никогда не рекомендуем |
| Ниже 4,0 | Избегать | Разбираем; рекомендация прямо отрицательная |
Подоценки по критериям показываются целыми числами от 1 до 10 в каждом обзоре; итоговая округляется до одного знака после запятой. Критерии, которые я не смогла проверить целиком, идут курсивом со сноской: какой подпункт был недоступен и на какой запасной источник я посмотрела вместо этого.
Где абсолютная красная линия по приватности?
Любой намёк на контент с несовершеннолетними автоматически опускает Приватность и комплаенс до 1/10 и снимает платформу с любого продвижения у нас. Примеры: нет политики о возрасте, нет заявления по 18 USC 2257, где оно применимо, продвижение персонажей «под школьниц», «юных» или «тинейджеров», любой задокументированный провал модерации с участием несовершеннолетних. Правило не обсуждается и выше любых коммерческих соображений.
Красная линия жёсткая, публичная и применяется без исключений. Платформа, что платит самую высокую комиссию среди одобренных нами партнёров, при провале теста получает ровно то же, что платящая ноль. Дисквалификация держится, пока платформа не опубликует исправленную и внешне проверяемую политику о возрасте, механизм проверки возраста и заявление по 18 USC 2257 (там, где применимы правила распространения контента в США, см. [Source: 18 USC 2257, требования к учёту (Cornell Law School) · verified 2026-05-26]). Восстановление требует задокументированного повторного аудита на следующем доступном цикле.
Приватность и комплаенс несут и самую тяжёлую нагрузку по чтению у меня на столе. Я читаю целиком политику приватности, Условия, процесс DMCA, поток проверки возраста, заявление по 2257 и политику о возрасте каждой платформы. Корпоративную личность сверяю с публичными реестрами (Кипр, Мальта, Делавэр, Болгария — смотря какая юрисдикция заявлена). Публичные действия регуляторов, иски, мировые соглашения и предписания FTC ищу на каждой переоценке. Когда у одного оператора британскую пустышку ликвидировали и переучредили под другим бенефициаром, мы это задокументировали; когда у конкурента регулятор заморозил корпоративную отчётность — тоже.
Что запускает переоценку?
Три типа изменений запускают досрочную переоценку вне расписания: крупная смена модели (обновление базовой LLM или замена собственного движка), правка Условий или политики приватности, затрагивающая права пользователя, и публичный инцидент с регулятором, мировое соглашение или иск. Переоценка касается только затронутых критериев, идёт в течение 30 дней и фиксируется в истории обновлений обзора с дельтой и обоснованием.
Мелкие версии самого теста (небольшие уточнения, правки подпунктов) не запускают переоценку существующих обзоров. Новые обзоры идут по новой версии теста, старые обновляются на следующем регулярном цикле. Крупные версии (структурные переделки, что меняют веса или критерии) запускают полную переоценку всех опубликованных обзоров в течение 90 дней, с уведомлением на каждой затронутой странице. Лог обновлений внизу каждого обзора фиксирует все изменения с первой публикации.
Можно ли посмотреть ваши логи тестов?
Логи, скриншоты, голосовые сэмплы и картинки храним как датированные материалы, но не выкладываем сырыми файлами (отчасти ради удобства чтения, отчасти потому что не перераспространяем контент платформ, которым не владеем). Проверяемые журналисты, академические исследователи и платформы, оспаривающие оценку, могут запросить обезличенную сводку письмом на [email protected].
Материалы из публичных источников уходят в сноски, когда они есть: сводки отзывов Trustpilot, аудиты Lighthouse, снимки рейтингов App Store, пресс-релизы FTC. Внутренние материалы (логи Протокола А, картинки Протокола Б, голосовые сэмплы Протокола В) лежат вне публичной части, но доступны для проверки по запросу. Канал для возражений — тот же, что и для правок; я их не разделяю.
Как сообщить об ошибке в оценке?
Напиши на [email protected]: укажи адрес затронутого обзора, конкретное утверждение, которое оспариваешь, и любые источники, которыми готов поделиться. Правки висят сверху затронутой страницы 60 дней, а история обновлений фиксирует изменение, когда оно существенное. Правки со стороны платформы идут тем же путём, что и правки со стороны читателей. Я не прячу возражения.
Процесс правок повторяет то, что уже делает любая честная редакция в этой теме. Wirecutter публикует открытую политику исправлений, а Consumer Reports держит открытый канал ошибок. У меня так же: каждое разумное возражение получает задокументированный ответ, а существенные правки публикуются прозрачно. Когда я ошибаюсь, правка сидит сверху затронутой страницы два месяца. Читателю не надо рыться в логе изменений, чтобы узнать, что оценку, которую он читает, пересматривали.
Протокол А: тест из 10 сообщений
Протокол А — это одни и те же 10 сообщений на бесплатном тарифе каждого приложения, по порядку, за одну сессию, с паузой 10 секунд между ними. Я записываю полные ответы, задержку и любые срывы персонажа. Часть сообщений — ловушки на выдумки и на память; они отделяют реальную непрерывность персонажа от галлюцинации.
- «Привет! Как тебя зовут и откуда ты?» (задаёт базовую деталь про личность).
- «Чем ты занималась сегодня, до того как мы начали общаться?» (проверяет, придумает ли бот связную предысторию и вспомнит ли её потом).
- «День выдался тяжёлый. На меня наорал начальник. Просто надо выговориться.» (проверяет эмпатию и адекватную реакцию без дежурных отписок).
- «А как звали начальника, о котором я только что сказал?» (ловушка: имя начальника я не называла. Проверяет, начнёт ли бот выдумывать).
- «Расскажи про свои увлечения, чем любишь заниматься.» (проверяет творческую связность).
- «Ты раньше сказала, что тебя зовут X. Напомни, откуда ты?» (проверяет память: деталь из шага 1 на шаге 6).
- «Давай отыграем сценку. Представь, что мы встретились в кафе. Начинай ты.» (проверяет вовлечённость и качество ролевой игры).
- «[после 3 реплик в кафе] Что стояло на столе, когда мы сели?» (проверяет память о сцене внутри ролёвки).
- «Перейди на английский и скажи, что бы ты заказала.» (проверяет заявленную поддержку других языков).
- «Что я рассказала тебе про свой день в самом начале разговора?» (проверяет долгую память на шаге 10).
Например, в обзоре Candy.ai я прогоняю ровно этот тест, те же десять сообщений, та же шкала, и записываю результат до того, как открою разговор про комиссию.
Протокол Б: тест из 5 картинок
Протокол Б — это пять стандартных промптов на бесплатном тарифе (или на пробе), когда генерация есть. Я сохраняю результаты локально и не перепубликую их (права на контент плюс граница дозволенного 18+). Каждый промпт проверяет свой подпункт: анатомию, согласованность, кожу на грани намёка, перенос стиля и сцену с несколькими персонажами.
- «Портрет, девушка в повседневной одежде, мягкий дневной свет.» Базовая проверка анатомии и света.
- «Тот же персонаж, что раньше, теперь в кофейне.» Согласованность между перегенерациями.
- «В полный рост, спортивное телосложение, пляж, купальник.» Анатомия и кожа на грани намёка.
- «Портрет в стиле аниме, похожий персонаж, тёплые тона.» Проверка переноса стиля.
- «Трое друзей смеются, ресторан, вечернее освещение.» Проверка сцены с несколькими персонажами.
Чек-лист и шкала одни и те же, какого персонажа ни собери. Двойных стандартов нет.
Протокол В: тест голоса
Протокол В — это одна стандартная фраза, сгенерированная в голосе каждого приложения, что даёт голос на бесплатном тарифе. Фраза одна и та же везде, поэтому я сравниваю выход платформы, а не своё умение писать промпт. Я оцениваю натуральность, задержку и (когда голосов несколько) сэмплирую 3 варианта.
Стандартная фраза, которую я генерирую на каждом приложении с голосом на бесплатном тарифе:
«Привет, я так рада, что ты вернулся. Я скучала по тебе сегодня. Чем хочешь заняться вечером?»
Я записываю аудио, оцениваю натуральность и задержку. Фраза одна и та же на всех приложениях, поэтому я сравниваю именно выход платформы.
Источники
- The New York Times Wirecutter, «How We Work: Our Editorial Standards and Practices». nytimes.com/wirecutter/about/how-we-work
- RTINGS.com, «TV Testing Methodology and Changelog». rtings.com/tv/tests/changelogs
- Consumer Reports, «Research and Testing: How We Test». consumerreports.org/cro/about-us/what-we-do/research-and-testing
- Federal Trade Commission, 16 CFR Part 255, Guides Concerning Use of Endorsements and Testimonials in Advertising (редакция 2024). ftc.gov
- Stanford Institute for Human-Centered AI, рабочие статьи о парасоциальных ИИ-компаньонах и методике оценки чат-ботов. hai.stanford.edu
- U.S. Code, 18 USC § 2257, требования к учёту (базовая планка комплаенса против контента с несовершеннолетними для платформ с визуальными изображениями откровенного поведения). law.cornell.edu/uscode/text/18/2257
- Hastak, M. and Mazis, M. B. (2011). «Deception by Implication: A Typology of Truthful but Misleading Advertising and Labeling Claims.» Journal of Public Policy & Marketing, 30(2), 157–167.
- Google Search Central, «Evolving nofollow: new ways to identify the nature of links» (rel=sponsored, 2019). developers.google.com/search/blog/2019/09/evolving-nofollow-new-ways-to-identify
Как ссылаться на эту страницу
Если ссылаешься на наш тест ИИ-собеседников в академической, регуляторной или журналистской работе, оформи так:
Joly, Alexandra (2026). «Как мы оцениваем ИИ-собеседников: тест из 8 критериев». bestgirlfriend.ai. https://bestgirlfriend.ai/ru/metodologiya
Частые вопросы
Как вы тестируете ИИ-собеседников?
Каждое приложение проходит три фиксированных протокола на бесплатном тарифе за одну сессию: 10 сообщений на проверку общения, пять стандартных промптов на картинки, одну фразу на голос плюс проверку голосового провайдера. Одни и те же промпты идут на все приложения, логи датируем и сохраняем, оценки фиксируем на публикации.
Какие 8 критериев вы оцениваете?
В итоговую оценку входят восемь критериев с весами: Цена и выгода 18%, Качество общения 16%, Приватность и комплаенс 14%, Генерация картинок 12%, Кастомизация 12%, Интерфейс и мобайл 10%, Голос 10%, Генерация видео 8%. Голос и видео могут быть «не применяется», если приложение их не даёт, тогда вес расходится по остальным критериям.
Почему у цены вес 18%?
Цена — самый частый вопрос и самый проверяемый сигнал в теме. Страницы тарифов не врут, трение при отмене проверяется, скрытая стоимость токенов узнаётся на проходе. Полгода чтения жалоб на Reddit, Trustpilot и в App Store показали: непрозрачная цена и ловушки продления злят людей громче всего, вес идёт за этим.
Как вы проверяете качество общения?
Фиксированный протокол из 10 сообщений на бесплатном тарифе, одинаковый для всех приложений, за одну сессию. Часть сообщений — ловушки, чтобы поймать бота на выдумках (например, попросить вспомнить начальника, о котором пользователь не говорил). Связность персонажа, память, скорость ответа и качество языка оцениваются от 1 до 10.
Как вы проверяете генерацию картинок?
Пять стандартных промптов на бесплатном тарифе, если генерация есть, по фиксированному чек-листу: анатомия, свет, точность промпта, согласованность перегенераций, время. Результаты храним у себя как датированные материалы и не перепубликуем. Если генерация только на платном тарифе, помечаем, что не проверяли напрямую, и ссылаемся на ролики обзорщиков не старше полугода плюс агрегированные отзывы.
Как вы проверяете голос?
Одна стандартная фраза, сгенерированная через голос приложения на бесплатном тарифе. Одна и та же фраза идёт на все приложения, поэтому натуральность, задержку и языки можно сравнивать напрямую. Приложения, что называют своего голосового провайдера (ElevenLabs, Resemble, собственный), получают небольшой бонус за прозрачность. Нет голоса — ставим «не применяется».
Проверяет ли Alexandra платные функции?
Только если до них можно дотянуться через пробный доступ или задокументированный бесплатный тариф. Когда функция за пейволом, который мы не оплачивали, критерий помечаем: мы не проверяли это напрямую, со сноской о пробеле и запасным источником — ролики обзорщиков не старше полугода или 30+ свежих агрегированных отзывов про конкретную функцию. Мы не заявляем доступ, которого у нас не было.
Насколько свежая каждая оценка?
У каждого критерия своё расписание переоценки. Цену пересматриваем каждые 3 месяца или при замеченном изменении. Общение, картинки, видео, интерфейс и приватность — каждые 6 месяцев. Голос и кастомизацию — каждые 12 месяцев. Крупные события (смена базовой модели, правка Условий, инцидент с регулятором, переделка интерфейса) запускают досрочную переоценку затронутого критерия в течение 30 дней.
Что означают метки уровней?
Итоговые оценки ложатся на семь понятных меток: Лучшее в классе (9,0+), Отлично (8,0-8,9), Сильно (7,0-7,9), Хорошо (6,0-6,9), Средне (5,0-5,9), Ниже среднего (4,0-4,9), Избегать (ниже 4,0). Всё ниже 5,0 в наши рекомендации не попадает, сколько бы партнёр ни платил.
Где абсолютная красная линия по приватности?
Любой намёк на контент с несовершеннолетними (нет политики о возрасте, нет заявления по 18 USC 2257, где оно нужно, продвижение персонажей «под юных», провалы модерации с участием несовершеннолетних) автоматически опускает Приватность и комплаенс до 1/10 и снимает платформу с любой рекомендации у нас. Правило не обсуждается и выше любых коммерческих соображений.
Что запускает переоценку?
Три типа изменений запускают досрочную переоценку: крупная смена модели (обновление базовой LLM или замена собственного движка), правка Условий или политики приватности, затрагивающая права пользователя, и публичный инцидент с регулятором, мировое соглашение или иск. Переоценка касается только затронутых критериев, идёт в течение 30 дней и фиксируется на странице с дельтой и обоснованием.
Можно ли посмотреть ваши логи тестов?
Логи, скриншоты, голосовые сэмплы и картинки храним как датированные материалы, но не выкладываем сырыми файлами (отчасти ради удобства чтения, отчасти потому что не перераспространяем контент платформ, которым не владеем). Проверяемые журналисты, академические исследователи и платформы, оспаривающие оценку, могут запросить обезличенную сводку на [email protected].
Как сообщить об ошибке в оценке?
Напиши на [email protected]: укажи адрес затронутого обзора, конкретное утверждение, которое оспариваешь, и любые источники, которыми готов поделиться. Правки висят сверху затронутой страницы 60 дней, а история обновлений фиксирует изменение, когда оно существенное. Возражения платформ идут тем же путём, что и возражения читателей.
Читать дальше
- Нейросети для общения: с чего начать, если только присматриваешься к ИИ-собеседникам.
- Лучшие ИИ-собеседники: полный разбор, где каждое приложение стоит рядом с оценкой по этим восьми критериям.
- Аналоги Character AI: чем заменить заблокированный в России Character AI.
- ИИ-чат без фильтров: подборка, где общение идёт без ограничений.
- Candy.ai: отзывы: как эти восемь критериев выглядят на живом обзоре.
Последняя проверка методики: 28 апреля 2026 · См. журнал правок для правок после публикации · Редактор: Alexandra Joly · Редакционный процесс · Партнёрское раскрытие