Лидеры среди открытых LLM для Excel на 2026 год: DeepSeek-Coder, Qwen и Llama 4 как партнеры в генерации формул и VBA-кода

Производительность LLM в генерации и исправлении формул Excel

Способность языковых моделей генерировать корректные и эффективные формулы для Microsoft Excel является одним из наиболее показательных тестов их практической полезности для широкого круга профессионалов — от аналитиков данных до финансовых специалистов и бизнес-пользователей. Анализ состояния этой технологии на первый квартал 2026 года выявляет значительный прогресс, но также и сохраняющийся разрыв между возможностями коммерческих и открытых моделей. Ключевой вывод, подтверждаемый многочисленными исследованиями и практическими тестами, заключается в том, что если модели демонстрируют высокую точность в решении локализованных, простых задач, то при переходе к сложным, многоуровневым расчетам, требующим глубокого понимания контекста и бизнес-логики, их производительность существенно снижается. Этот аспект имеет решающее значение для пользователей, стремящихся использовать LLM для решения нетривиальных практических задач в реальной рабочей среде.

Центральным элементом современного анализа производительности LLM в области Excel является использование специализированных бенчмарков, предназначенных для количественной оценки их способностей. Одним из наиболее релевантных и информативных является бенчмарк FoRepBench, который был специально создан для задачи восстановления или исправления поврежденных формул Excel. В отличие от абстрактных тестов на программирование, FoRepBench использует реальные примеры из интернет-сообществ, где пользователи сталкиваются с распространенными ошибками времени выполнения, такими как деление на ноль, ошибки ссылки, ошибки имени и ошибки значения. Это обеспечивает высокую степень реальности и практической ценности получаемых результатов. Данный бенчмарк оценивает модели по трем ключевым метрикам: синтаксическая корректность, когда формула успешно компилируется без синтаксических ошибок, возможность выполнения, когда при выполнении формула не вызывает исключений, и соответствие выполнению, когда выходные данные сгенерированной формулы совпадают с эталонным результатом.

Результаты тестов на бенчмарке FoRepBench наглядно демонстрируют текущее положение дел на рынке LLM. В исследовании сравнивались как проприетарные, так и открытые модели, что позволило провести четкое разграничение их возможностей. Проприетарные модели, такие как GPT-4o и GPT-4.1, продемонстрировали выдающуюся производительность. GPT-4.1 достиг показателя соответствия выполнению на уровне 0.80, а GPT-4o — 0.73. Эти цифры свидетельствуют о высокой степени надежности этих систем в решении стандартных проблем с формулами. Однако картина для открытых моделей оказалась совершенно иной. Наиболее успешные из них, Phi-3 и Mistral, показали значительно более низкие результаты: 0.58 и 0.51 соответственно. Этот значительный разрыв указывает на то, что даже самые передовые открытые модели на момент проведения тестов еще не достигли уровня функциональной надежности, характерного для лидеров рынка.

Важно понимать, почему этот разрыв существует. Исследование FoRepBench выявило фундаментальное различие в сложности задач. Модели лучше справляются с синтетическими данными, где требуется локальное исправление одной конкретной ошибки. Однако реальные проблемы, взятые из форумов, часто требуют гораздо большего: они могут содержать сложную вложенность функций, требовать изменения всей структуры формулы или глубокого понимания скрытой бизнес-логики, которая не выражена явно в ячейках таблицы. В этом контексте производительность моделей падает. Например, при оценке на более сложном, ручным образом собранном наборе данных, разница стала еще более очевидной: GPT-4.1 показал соответствие выполнению в 0.41, в то время как Phi-3 смог достичь лишь 0.24. Это говорит о том, что задачи, требующие семантических преобразований и понимания более широкого контекста, остаются за гранью возможностей большинства открытых моделей.

Переходя к прогнозированию ситуации на первый квартал 2026 года, можно выделить несколько ключевых тенденций. Во-первых, наблюдается непрерывное улучшение существующих моделей. Платформы уже в 2025 году отслеживали быстрый рост производительности западных моделей, таких как Meta’s LLaMA-2 Code и OpenAI’s GPT-OSS series, хотя их общая доля на рынке могла меняться. Будущие версии, вероятно, продолжат этот тренд. Во-вторых, многие новые модели специально проектируются с учетом задач кодогенерации и работы с математическими выражениями. Например, технический отчет Qwen3 прямо указывает на превосходные показатели модели в задачах кодирования, математики и работе с агентами. Аналогично, модель DeepSeek-V3, построенная на архитектуре Mixture-of-Experts, представляет собой шаг к созданию более мощных и энергоэффективных систем, способных обрабатывать сложные задачи, включая написание кода и решение математических проблем.

На основе этих тенденций можно сделать следующий прогноз относительно генерации формул Excel к первому кварталу 2026 года. Лидеры среди открытых, самодостаточных моделей, такие как новая версия DeepSeek-Coder, Llama 4 или Qwen3, с высокой долей вероятности смогут уверенно генерировать базовые и средние по сложности формулы Excel. Они будут способны правильно интерпретировать простые запросы пользователя, использовать распространенные функции, такие как ЕСЛИ, ПОИСКПОЗ, ИНДЕКС, и исправлять типичные синтаксические ошибки. Однако для решения сложных, нетривиальных расчетов, особенно тех, что требуют глубокого понимания предметной области, работы с большими массивами данных через функции динамических массивов, например, ФИЛЬТР, УНИКАЛЬНЫЕ, ПРОМЕЖУТОЧНЫЕ_ИТОГИ, или создания собственных функций с помощью LAMBDA и LET, эти модели все еще будут значительно уступать своим коммерческим аналогам. Их сгенерированный код, скорее всего, потребует проверки, доработки и, возможно, полного переписывания человеком, в то время как проприетарные модели могут предложить более надежное и готовое к использованию решение. Таким образом, для пользователя, чья задача ограничивается ежедневной автоматизацией стандартных операций, выбор открытой модели будет вполне оправдан. Но для разработки уникальных аналитических моделей или решения сложных финансовых задач, где точность первой попытки имеет критическое значение, стоит рассмотреть коммерческие платформы.

Модель	Бенчмарк	Метрика «Execution Match»	Примечания
GPT-4.1	FoRepBench	0.80	Высокая производительность, превосходящая открытые аналоги.
GPT-4o	FoRepBench	0.73	Очень высокая производительность, показывает надежность.
Phi-3	FoRepBench	0.58	Успешно справляется со средними задачами, но уступает проприетарным моделям.
Mistral	FoRepBench	0.51	Базовый уровень производительности, требует дополнительной проверки.

Эта таблица наглядно иллюстрирует существующий на сегодняшний день разрыв в производительности, который, по прогнозам, сохранится и в начале 2026 года, хотя и может несколько сузиться за счет улучшения открытых моделей. Для организации, желающей внедрить LLM для работы с Excel, это означает необходимость тщательного тестирования выбранной модели на наборе своих реальных задач перед полномасштабным применением. Простого запроса напиши формулу недостаточно; необходимо задавать более сложные, пошаговые вопросы, которые проверяют не только синтаксическую правильность, но и логическую корректность предлагаемого решения. Такой подход позволит максимизировать пользу от открытых моделей, одновременно минимизируя риски, связанные с их потенциальными ошибками. Важно также учитывать, что контекстное окно модели играет роль: чем больше данных вы можете передать в контекст, тем точнее будет результат, особенно при работе со сложными таблицами.

Качество и отладка VBA-кода: От простого кода к комплексным решениям

Если генерация формул Excel представляет собой задачу, требующую точности и знания синтаксиса, то создание VBA-кода является гораздо более сложным испытанием для языковых моделей. VBA, или Visual Basic for Applications, — это полноценный язык программирования, встроенный в экосистему Microsoft Office, и его использование для решения практических задач предполагает не просто написание синтаксически корректного кода, а понимание объектной модели Excel, алгоритмической логики, принципов структурирования кода, обработки ошибок и, что немаловажно, способности к отладке. Анализ состояния LLM в этой области на 2026 год показывает, что модели переходят от простой генерации кода к созданию более осмысленных, качественных и отлаживаемых решений, однако серьезные вызовы остаются.

Производительность LLM в генерации кода для программирования демонстрирует впечатляющие успехи, что подтверждается эволюцией таких бенчмарков, как HumanEval, который отслеживает прогресс моделей в синтезе программ из строк документации. Однако качество сгенерированного кода — это многогранный вопрос. Современные исследования все больше фокусируются не только на функциональной корректности, то есть сделает ли код то, что нужно, но и на нефункциональных характеристиках, таких как надежность, поддерживаемость, безопасность и эффективность. Именно здесь заключается одно из ключевых преимуществ использования LLM для написания VBA. Модели, обученные на огромных массивах исходного кода из интернета, начинают интуитивно понимать лучшие практики программирования. Например, они все чаще генерируют код с корректным использованием блоков On Error GoTo для обработки ошибок, что является фундаментальным элементом надежного VBA-макроса. Кроме того, они начинают использовать конструкции, соответствующие принципам хорошей архитектуры, таким как Clean Architecture, когда логика отделена от пользовательского интерфейса, что упрощает дальнейшую модификацию и отладку.

Важным направлением развития стало не просто генерация кода, а его последующее критическое оценивание. Исследования показывают, что можно запрашивать у LLM оценку сгенерированного ею же самого кода, чтобы найти возможности для оптимизации, повышения читаемости и исправления потенциальных недостатков. Этот подход, известный как LLM-as-a-Critique, позволяет итерационно улучшать код, приближая его к стандартам, которые обычно применяет опытный разработчик. Это особенно ценно для пользователей Excel, которые не являются профессиональными программистами, но хотят получить качественный и надежный результат. Возможность попросить модель переписать этот макрос, сделав его более эффективным, или добавить комментарии к каждому разделу кода, превращает LLM из простого генератора в настоящего помощника-консультанта.

Отладка является неотъемлемой частью процесса разработки на VBA, и здесь LLM также демонстрируют значительный потенциал. Традиционно отладка в VBA осуществляется с помощью встроенной среды разработки, которая предоставляет мощные инструменты, такие как установка точек останова, пошаговое выполнение кода, просмотр значений переменных и использование окна немедленного выполнения. LLM могут стать мощным дополнением к этим инструментам. Если пользователь столкнулся с ошибкой, он может скопировать сообщение об ошибке и фрагмент кода, в котором она возникла, и отправить его в LLM. Модель, имея представление об объектной модели Excel и синтаксисе VBA, способна быстро предложить возможную причину проблемы и предложить исправление. Этот процесс значительно ускоряет поиск и устранение ошибок по сравнению с традиционным методом — поиском в документации или на форумах. Более того, LLM могут выступать в роли ревьювера кода, анализируя написанный пользователем макрос на предмет потенциальных проблем, неэффективных конструкций, например, использования Select и Activate там, где этого можно избежать, или потенциальных уязвимостей.

Прогноз на первый квартал 2026 года указывает на дальнейшее развитие этих возможностей. Новое поколение LLM будет представлено не просто как генераторы текста, а как автономные агенты, способные самостоятельно разбивать сложные задачи на подзадачи, кодировать их и выполнять отладку. Представим себе запрос: напиши макрос, который считывает данные из CSV-файла, загружает их в рабочий лист Excel, выполняет с ними сложный анализ с использованием формул, а затем на основе результатов строит диаграмму и помещает ее на отдельный лист. Агентная модель сможет декомпозировать эту задачу, сгенерировать код для каждого этапа, объединить его в единую процедуру и, что важно, помочь в отладке, если возникнут проблемы. Появление специализированных бенчмарков, таких как SWE-Bench, которое оценивает способность модели применять исправления для решения реальных багов из репозиториев GitHub, станет важным индикатором зрелости моделей именно в области отладки.

Однако, несмотря на все достижения, существуют и серьезные ограничения. Исследования показывают, что даже самые передовые модели страдают от так называемой слепоты к динамике в сложных системах. Это означает, что модель может выполнить серию действий, которые кажутся логичными по отдельности, но игнорируют скрытые побочные эффекты, которые приводят к конечному провалу. В контексте VBA это может проявиться, например, в том, что модель правильно пишет код для работы с объектом, но не учитывает, что этот объект может быть удален или изменен другой частью системы до момента выполнения кода. Опыт использования ChatGPT для миграции VBA-приложения на .NET показывает, что модели могут успешно анализировать существующий, порой сложный и запутанный код, понимать его логику и реконструировать ее в другой парадигме. Это доказывает способность моделей к абстракции и анализу, а не только к синтезу. Тем не менее, для очень сложных систем с уникальной логикой или зависимостью от внешних API, а также для критически важных приложений, где надежность является абсолютным приоритетом, участие опытного человека-разработчика остается обязательным.

Аспект	Текущее состояние / Прогноз на 2026 г.	Ключевые возможности	Ограничения
Генерация кода	Развитие от простого синтаксиса к качественному коду.	Корректный синтаксис, использование лучших практик, обработка ошибок, чистая архитектура.	Не всегда оптимальные алгоритмы, возможны магические числа.
Структурирование	Понимание необходимости процедур и функций.	Разделение логики, использование модулей.	Иногда генерирует слишком большой монолитный код.
Обработка ошибок	Широко используется конструкция On Error GoTo.	Автоматическое добавление блоков обработки исключений.	Может не предусмотреть все возможные сценарии ошибок.
Отладка	Возможность диагностической помощи на основе сообщений об ошибках.	Интерактивное устранение ошибок, предложение исправлений.	Не может напрямую работать с отладчиком VBE, точки останова, пошаговое выполнение.
Оптимизация и рецензирование	Возможность запроса к модели оценить и улучшить свой же код.	Поиск неэффективных конструкций, повышение читаемости.	Оценка может быть поверхностной, не заменяет экспертного ревью.
Агентные системы	Развитие автономных агентов для комплексных задач.	Самостоятельная декомпозиция задачи, кодирование и отладка.	Риск слепоты к динамике, невозможность предсказать скрытые побочные эффекты.

Таким образом, к первому кварталу 2026 года LLM станут мощным инструментом для создания VBA-кода. Они помогут как начинающим пользователям освоить основы программирования, так и опытным специалистам ускорить разработку и повысить качество кода. Однако они не заменят профессионального программиста. Финальная ответственность за надежность, эффективность и корректность работы макроса всегда будет лежать на человеке. Наибольшая ценность от LLM будет раскрываться при использовании гибридной модели, где человек задает высокоуровневые задачи, а модель предоставляет черновые варианты кода, которые человек проверяет, дорабатывает и отлаживает с помощью классических средств VBE. Важно помнить, что VBA — это стареющая технология, и в долгосрочной перспективе стоит рассматривать интеграцию с Python или современными офисными скриптами, но на текущий момент VBA остается стандартом для многих корпоративных задач.

Экосистема и метрики: Бенчмарки и инструменты для оценки

Для объективной оценки и сравнения языковых моделей, особенно в такой специфической области, как работа с Excel, крайне важен комплексный подход, выходящий за рамки простого тестирования на одном-двух запросах. Анализ должен включать в себя понимание существующих бенчмарков, метрик оценки, а также экосистемы инструментов, которые позволяют развивать, развертывать и использовать эти модели. Экосистема LLM к 2026 году становится все более зрелой, предоставляя пользователям множество ресурсов для самостоятельной работы с технологией самохостинга.

Бенчмарки являются золотым стандартом для количественной оценки возможностей LLM. Они позволяют стандартизировать сравнение различных моделей и отслеживать их прогресс во времени. В области кодогенерации существует несколько ключевых бенчмарков. HumanEval является одним из классических и широко используемых, он измеряет способность модели сгенерировать функцию, соответствующую заданному описанию в виде строки документации. Хотя он не специфичен для Excel, его результаты дают общее представление о чистой способности модели к программированию. Более практичным является бенчмарк SWE-Bench, который оценивает модели на основе реальных проблем, багов и задач из репозиториев GitHub. Его результаты, такие как количество решенных задач, служат хорошим индикатором практической полезности модели в реальных программных проектах.

Однако для оценки работы с Excel и VBA стандартные бенчмарки оказываются недостаточными. Здесь особую ценность представляют специализированные тесты. Как уже упоминалось, FoRepBench является идеальным примером такого подхода, поскольку он сфокусирован именно на исправлении формул Excel. Еще один интересный пример — Finch Benchmark, который оценивает способность AI-агентов выполнять сложные, многошаговые рабочие процессы в сфере финансов и бухгалтерии. Этот бенчмарк основан на реальных данных с тысяч спредшитов и сотен тысяч email’ов, что делает его чрезвычайно сложным. Результаты, полученные на Finch Benchmark, показывают, насколько далеки даже самые передовые системы от решения комплексных задач: некоторые модели справляются лишь с небольшим процентом из сложных рабочих процессов. Это подчеркивает, что будущее LLM в Excel лежит не только в генерации отдельных формул или макросов, но и в способности понимать и выполнять целые бизнес-процессы.

Особого внимания заслуживает исследование World of Workflows, которое вскрыло одну из главных проблем передовых LLM — слепоту к динамике. Эксперименты в WoW, сервисной системе ServiceNow, показали, что LLM не способны предсказывать скрытые, каскадные последствия своих действий. Они могут выполнять атомарные действия, но не понимают, как эти действия влияют на скрытое состояние системы. Это приводит к тихим нарушениям ограничений, которые невозможно заметить, просто глядя на результат. Например, модель может предсказать действие, но с большой вероятностью ошибется в идентификаторе объекта, используя человечески читаемое имя вместо уникального системного ID, что приведет к сбою. Это критически важно для VBA, где один неверно выбранный объект или лист может полностью сломать логику макроса. Однако исследование также показало путь к решению проблемы: предоставление модели дополнительной информации о состоянии системы, например, через журналы аудита, значительно повышает ее производительность, увеличивая процент успешных выполнений. Это говорит о том, что будущие системы LLM должны не просто генерировать код, а моделировать мир вокруг себя, имитируя состояние системы, чтобы предвидеть последствия своих действий.

Помимо бенчмарков, огромную роль играет сама экосистема инструментов и платформ. Центральным элементом для любителей является Hugging Face — крупнейший репозиторий открытых моделей. Он не только предоставляет доступ к тысячам моделей, но и предлагает готовые к использованию Jupyter-ноутбуки для обучения и дообучения. Это делает самохостинг и адаптацию моделей доступными для широкого круга пользователей, не являющихся экспертами в машинном обучении. Возможность дообучения на специфическом наборе данных, например, на десятках тысяч примеров корректных VBA-макросов или сложных формул Excel, является мощнейшим инструментом для повышения производительности модели в конкретной задаче. Это позволяет заточить универсальную модель под нужды конкретной организации или пользователя.

Для удобного сравнения и использования множества моделей, включая как открытые, так и проприетарные, существует платформа OpenRouter. Она выступает в роли универсального пульта управления для LLM, позволяя пользователям отправлять один и тот же запрос нескольким моделям и сравнивать результаты в реальном времени. Это чрезвычайно полезно для самохостинга, поскольку позволяет потенциальному пользователю протестировать несколько лучших моделей на своих реальных задачах, прежде чем инвестировать в дорогостоящее оборудование для их локального запуска. OpenRouter объединяет в себе популярные открытые модели, такие как DeepSeek, Llama и Qwen, что делает его незаменимым инструментом для принятия взвешенного решения.

Наконец, важно упомянуть инструменты для развертывания и управления моделями. Хотя детальный анализ требует большего объема, стоит отметить, что к 2026 году должны были сформироваться стандартные практики и программные продукты для упаковки, развертывания и масштабирования LLM на собственном оборудовании. Это включает в себя как серверные решения, так и клиентские приложения, которые могут интегрироваться с Excel. Например, можно представить себе плагин для Excel, который использует локально запущенную модель для генерации формул и VBA-кода по голосовому или текстовому запросу. Хотя прямая интеграция LLM в IDE, подобная Cursor для Word, в 2025 году еще не стала массовой, это логичный шаг развития, который должен был произойти к началу 2026 года.

Таким образом, экосистема вокруг LLM к 2026 году будет достаточно развита, чтобы обеспечить пользователей, желающих работать с Excel, всем необходимым набором инструментов. Открытые бенчмарки, такие как FoRepBench, позволят оценить конкретные навыки моделей. Платформы, как OpenRouter, дадут возможность сравнить их на равных условиях. А ресурсы вроде Hugging Face предоставят доступ к моделям и инструментам для их дообучения и развертывания. Комплексный подход, сочетающий использование этих метрик и инструментов, станет ключом к успешному выбору и применению LLM для автоматизации работы с Excel. Не стоит забывать и о локальных решениях, таких как Ollama или LM Studio, которые упрощают запуск моделей на потребительском железе.

Кандидаты на лидерство: Анализ перспективных открытых моделей

Определение конкретных моделей, которые будут лидировать в генерации формул и VBA-кода к первому кварталу 2026 года, требует анализа их архитектуры, истории развития, лицензионных условий и заявленных сильных сторон. Хотя прямых сравнительных тестов для 2026 года в предоставленных источниках нет, мы можем на основе текущих тенденций и характеристик выделить нескольких ключевых кандидатов, которые с высокой вероятностью войдут в число лучших открытых, бесплатных и самодостаточных LLM для работы с Excel.

DeepSeek-Coder и DeepSeek-V3 выделяются как один из самых перспективных кандидатов. Их основное преимущество заключается в явной и глубокой специализации на задачах кодогенерации. Серия DeepSeek-Coder была специально обучена для выполнения таких задач, как написание кода, его завершение, отладка и рецензирование. Это означает, что ее внутренняя структура и веса уже содержат богатые паттерны, связанные с синтаксисом различных языков программирования, включая VBA. Кроме того, DeepSeek-V3 использует передовую архитектуру Mixture-of-Experts, которая позволяет модели иметь огромное общее количество параметров, но при этом активировать только небольшую часть из них для конкретного запроса, что делает ее работу более эффективной. Лицензия Apache 2.0, под которой распространяется DeepSeek-Coder, является еще одним решающим фактором, так как она полностью разрешает коммерческое использование, что открывает возможности для бизнес-приложений. Учитывая фокус на кодогенерации и передовую архитектуру, DeepSeek-Coder является фаворитом для создания качественного VBA-кода.

Серия Qwen от Alibaba Cloud также занимает прочные позиции в списке лидеров. Технический отчет Qwen3 прямо указывает на превосходные показатели модели в задачах кодирования, математики и работе с агентами. Это делает ее идеальным кандидатом для работы с формулами Excel, которые по своей сути являются математическими выражениями, а также для написания сложных VBA-макросов. Qwen хорошо зарекомендовал себя в различных бенчмарках и пользуется большой популярностью в сообществе, что подразумевает активную поддержку, регулярные обновления и наличие большого числа пользовательских реализаций и дообученных версий. Поддержка со стороны крупного технологического игрока, такого как Alibaba, гарантирует долгосрочную жизнеспособность проекта и доступ к значительным вычислительным ресурсам для дальнейшего развития.

Серия Llama от Meta является еще одним столпом экосистемы открытых LLM. Llama 3 уже представляет собой значительный скачок вперед по сравнению с предыдущими версиями, демонстрируя высокую универсальность и производительность. Meta постоянно инвестирует в развитие этой серии, и можно с уверенностью предположить, что Llama 4 будет еще более мощной и способной моделью. Хотя общая версия Llama универсальна, Meta и другие исследовательские центры активно создают и публикуют специализированные версии, сфокусированные на кодогенерации, например, LLaMA-2 Code. Вероятно, к 2026 году на базе Llama 4 появятся и более совершенные кодогенерирующие модели. Llama пользуется огромной популярностью благодаря своей открытости и хорошим результатам, что создает большое сообщество, которое помогает находить ошибки, предлагать улучшения и создавать дополнительные инструменты для ее использования.

Phi-4 от Microsoft — это модель, которая, несмотря на свои относительно небольшие размеры, демонстрирует впечатляющую производительность, сопоставимую с гораздо более крупными моделями. Ее технический отчет особо подчеркивает сильные стороны в работе с такими инструментами, как Excel, Power BI, Python, SQL и Tableau. Это прямое указание на то, что модель была обучена с учетом ее применения в аналитических и бизнес-инструментах, что делает ее потенциально очень эффективной для генерации формул Excel. Microsoft Research уделяет большое внимание качеству и безопасности своих моделей, что может означать, что Phi-4 будет генерировать более надежный и корректный код. Для пользователей, которые ищут баланс между производительностью и требованиями к оборудованию для самохостинга, Phi-4 является очень привлекательным вариантом.

Другие модели, такие как Mistral и Mixtral, также заслуживают внимания. Mistral уже показал свою способность справляться со сложными задачами, хотя и уступает лидерам в некоторых бенчмарках. Mixtral, использующая архитектуру MoE, сочетает в себе легкость и скорость малых моделей с мощностью больших, что делает ее перспективной для локального развертывания. Модель StarCoder2 также является сильным игроком в области кодогенерации и может быть хорошим выбором для создания VBA-макросов.

В таблице ниже представлено сравнение ключевых кандидатов на основе доступной информации.

Модель	Архитектура	Сильные стороны	Лицензия	Перспективы на 2026 г.
DeepSeek-Coder Variant	Mixture-of-Experts	Специализация на кодогенерации, отладке, рецензировании.	Apache 2.0	Очень высокие. Идеально подходит для VBA и сложных формул.
Qwen Series	Transformer	Превосходные показатели в кодогенерации и математике. Большое сообщество.	Apache 2.0	Высокие. Сильный кандидат благодаря фокусу на коде и математике.
Llama Series	Transformer	Универсальность, высокая производительность, постоянное развитие Meta.	Llama 3 Community License	Очень высокие. Ожидается появление специализированных версий для кода.
Phi-4	Transformer	Высокая производительность для своего размера. Явно заявлена сила в работе с Excel, Python, SQL.	Proprietary	Высокие. Отличный баланс производительности и требований к ресурсам.
Mistral / Mixtral	Transformer / MoE	Хорошая производительность, легковесность.	Mistral AI License	Средние/Высокие. Сильный конкурент, особенно для локального развертывания.

В заключение, к первому кварталу 2026 года пользователь, ищущий лучшую открытую, бесплатную и самодостаточную модель для работы с Excel, будет иметь перед собой несколько сильных вариантов. DeepSeek-Coder выглядит как наиболее специализированный и ориентированный на код вариант. Qwen и Llama 4 являются мощными универсальными моделями с явным фокусом на кодогенерации. Phi-4 представляет собой привлекательную альтернативу для тех, кто ограничен в вычислительных ресурсах. Выбор конкретной модели будет зависеть от конкретной задачи, доступных ресурсов и предпочтений пользователя. Однако стоит помнить, что ни одна из этих моделей не является серебряной пулей. Их максимальная эффективность будет достигаться при правильном подходе к взаимодействию с ними, включающем четкие запросы, проверку сгенерированного кода и, возможно, дообучение на специфических данных.

Практические стратегии использования LLM для автоматизации Excel

Выбор подходящей языковой модели — это лишь первый шаг на пути к эффективной автоматизации работы с Excel. Гораздо более важным фактором успеха является разработка и применение правильной стратегии использования LLM. Простого запроса напиши макрос для отчета недостаточно для получения качественного и надежного результата. Ключ к успеху лежит в формировании диалогового процесса, который максимально приближен к тому, как работает опытный программист или аналитик. К началу 2026 года пользователи, стремящиеся получить максимальную отдачу от LLM, должны будут освоить несколько ключевых стратегий, направленных на повышение точности, качества и надежности сгенерированного кода и формул.

Стратегия №1: Гибридный подход с активным участием человека

Этот подход признает, что LLM на данный момент являются мощными, но все еще несовершенными помощниками. Человек остается главным архитектором и контролером процесса. Алгоритм работы с этим подходом должен быть следующим:

1. Четкая декомпозиция задачи: Вместо одного монолитного запроса следует разбивать сложную задачу на небольшие, последовательные и легко выполнимые шаги. Например, вместо напиши макрос, который обрабатывает отчет, следует задать последовательность запросов: создай процедуру НачатьОбработку. Она должна найти последнюю дату в столбце A. Теперь создай функцию РассчитатьСумму, которая принимает диапазон и возвращает сумму значений, больших 100. Используй эту функцию в цикле по всем строкам, начиная со второй, и выведи результаты в столбец C. Такой пошаговый подход помогает модели сосредоточиться на одной логической единице, что повышает точность каждого отдельного фрагмента кода.
2. Немедленная проверка и отладка: После получения фрагмента кода или формулы его необходимо немедленно проверить. Для VBA это означает запуск в отладчике VBE, использование точек останова и просмотра значений переменных. Для формул — проверка на небольшом наборе тестовых данных. Любая ошибка, найденная на этом этапе, становится ценной обратной связью.
3. Интерактивная отладка с LLM: Если во время проверки возникает ошибка, не следует просто отправлять весь код снова. Вместо этого необходимо предоставить модели точную информацию: сообщение об ошибке с номером строки, если возможно, контекст, какие данные были в ячейках или переменных в момент ошибки, и сам фрагмент кода. Запрос к LLM должен быть сфокусированным: при выполнении макроса возникает ошибка Объект не задан на строке Set lastCell = ws.Range. Что может быть причиной и как это исправить. Такой подход позволяет модели быстро и точно диагностировать проблему.
4. Запрос на рецензирование и оптимизацию: После того как код заработал, его работа не закончена. Необходимо попросить LLM провести рецензирование кода. Можно использовать запросы: проанализируй этот макрос. Сделай его более читаемым, добавь комментарии к каждой строке или можно ли оптимизировать этот код, чтобы он работал быстрее. Возможно, избавиться от использования Select и Activate. Это помогает привнести в сгенерированный код лучшие практики программирования, которые модель может знать теоретически, но не всегда применять автоматически.

Стратегия №2: Дообучение модели для специфических задач

Для организаций или индивидуальных пользователей, которые регулярно сталкиваются с повторяющимися задачами в Excel, инвестиции в дообучение модели могут дать огромный и долгосрочный эффект. Дообучение позволяет подлатать общую, предварительно обученную модель на своем собственном наборе данных, тем самым обучив ее на специфическом стиле кодирования, используемых формулах и типичных бизнес-логиках.

Процесс дообучения может выглядеть следующим образом:

1. Сбор данных: Необходимо собрать репозиторий из десятков или даже сотен примеров. Это могут быть корректно работающие VBA-макросы, сложные и полезные формулы Excel, а также соответствующие им текстовые описания задач. Для VBA это могут быть файлы .bas из существующих проектов. Для формул — это могут быть ячейки с формулами и текстовое описание того, что эта формула делает.
2. Подготовка данных: Собранные данные необходимо привести к единому формату, пригодному для обучения. Обычно это пары входные данные и выходные данные. Например, для VBA: напиши макрос, который копирует данные из одного листа в другой и применяет к ним жирное начертание и соответствующий код.
3. Выполнение дообучения: Используя готовые Jupyter-ноутбуки для дообучения, доступные на платформах вроде Hugging Face, можно запустить процесс дообучения одной из базовых моделей, например, Llama 3 или Qwen, на собранном наборе данных.
4. Развертывание и использование: Получив дообученную модель, ее можно развернуть локально. Такая специализированная модель будет значительно лучше справляться с типовыми задачами компании или пользователя, так как ее внутренние знания будут сфокусированы именно на этих задачах. Это снижает количество ошибок и повышает общую продуктивность.

Стратегия №3: Использование платформ-агрегаторов для сравнительного тестирования

Перед тем как инвестировать в дорогостоящее оборудование для самохостинга, крайне разумно использовать облачные платформы-агрегаторы, такие как OpenRouter. Эти платформы предоставляют доступ к огромному количеству моделей, как открытых, так и проприетарных, через единый API. Это позволяет пользователю без установки ничего на свой компьютер провести полноценное сравнительное тестирование нескольких лучших моделей на своих реальных задачах.

Процесс может выглядеть так:

1. Сбор задач: Собрать список из 5-10 типичных, но нетривиальных задач, которые пользователь решает в Excel на постоянной основе.
2. Параллельное тестирование: Для каждой задачи отправить один и тот же запрос в несколько ведущих моделей, доступных на агрегаторе, например, DeepSeek-Coder, Qwen3, Llama 4, Phi-4.
3. Оценка результатов: Сравнить результаты по нескольким критериям: точность сгенерированной формулы или кода, его структурированность, наличие обработки ошибок, читаемость. Это даст объективное представление о том, какая модель лучше всего подходит под конкретные нужды пользователя.
4. Принятие решения: На основе этого сравнительного анализа можно принять взвешенное решение о том, какую именно модель покупать для локального развертывания, чтобы гарантировать максимальную отдачу от инвестиций.

Применение этих трех стратегий позволит пользователям к 2026 году не просто механически использовать LLM, а интегрировать их в свой рабочий процесс как интеллектуального партнера. Это превратит LLM из развлекательного инструмента в мощный двигатель производительности, способный значительно ускорить и упростить автоматизацию рутинных, но важных задач в Excel. Важно также вести журнал успешных и неудачных запросов, чтобы понимать, какие формулировки работают лучше всего для вашей конкретной модели.

Чек-лист внедрения LLM для работы с Excel

Для систематизации процесса внедрения языковых моделей в работу с Excel рекомендуется использовать следующий чек-лист. Он поможет избежать распространенных ошибок и обеспечить максимальную эффективность использования технологии.

Этап 1: Подготовка и выбор модели

• [ ] Определен круг задач для автоматизации (формулы, макросы, анализ данных).
• [ ] Проведен анализ доступных открытых моделей (DeepSeek, Qwen, Llama, Phi).
• [ ] Выбрана платформа для тестирования (локальный запуск или облачный агрегатор).
• [ ] Оценены требования к оборудованию для самохостинга (видеопамять, процессор).
• [ ] Проверены лицензионные условия выбранной модели для коммерческого использования.

Этап 2: Тестирование и валидация

• [ ] Составлен набор тестовых задач различной сложности.
• [ ] Проведено параллельное тестирование нескольких моделей на одинаковых запросах.
• [ ] Оценена точность генерации формул (синтаксис, логика).
• [ ] Оценено качество VBA-кода (структура, обработка ошибок, скорость).
• [ ] Выявлены типичные ошибки и ограничения выбранной модели.

Этап 3: Интеграция и настройка

• [ ] Настроено окружение для запуска модели (Ollama, LM Studio или аналоги).
• [ ] Разработаны шаблоны промтов для типовых задач.
• [ ] При необходимости собран датасет для дообучения модели.
• [ ] Проведено дообучение модели на специфических данных организации.
• [ ] Интегрирована модель в рабочий процесс (через плагин, скрипт или отдельное окно).

Этап 4: Эксплуатация и контроль

• [ ] Внедрен процесс обязательной проверки сгенерированного кода человеком.
• [ ] Настроено ведение журнала запросов и результатов для анализа.
• [ ] Регулярно обновляется версия модели для получения улучшений.
• [ ] Проводится периодический аудит безопасности макросов и данных.
• [ ] Обучены сотрудники правильному взаимодействию с LLM (промпт-инжиниринг).

Этап 5: Безопасность и этика

• [ ] Проверено, что конфиденциальные данные не отправляются в публичные облака без необходимости.
• [ ] Убедитесь, что макросы не содержат вредоносного кода.
• [ ] Соблюдаются политики компании regarding use of AI tools.
• [ ] Обеспечено резервное копирование файлов Excel перед запуском макросов.

Этот чек-лист служит базовым руководством и может быть адаптирован под конкретные нужды вашей организации. Главное — помнить, что технология является инструментом, и ее эффективность зависит от качества управления ею.

Прогноз и заключение: Роль LLM как интеллектуального партнера в работе с Excel

Подводя итог проведенному исследованию, можно с уверенностью утверждать, что к первому кварталу 2026 года языковые модели, являющиеся открытыми, бесплатными и пригодные для самохостинга, станут мощным и практически применимым инструментом для работы с Microsoft Excel. Они не заменят эксперта, но их способность генерировать рабочие формулы и качественный VBA-код значительно повысит продуктивность как рядовых пользователей, так и специалистов в области анализа данных и автоматизации. Однако для достижения этого потенциала ключевым фактором становится не выбор одной лучшей модели, а формирование правильной стратегии использования, где человек и машина выступают в роли интеллектуального партнера.

Анализ показал, что на сегодняшний день все еще существует заметный разрыв в производительности между передовыми проприетарными моделями и лучшими открытыми аналогами, особенно в задачах, требующих глубокого понимания контекста и решения нетривиальных проблем. Модели вроде GPT-4.1 демонстрируют высокую надежность в исправлении формул, в то время как лидеры среди открытых моделей пока отстают. В области генерации VBA-кода ситуация схожая: LLM уже способны создавать код, соответствующий лучшим практикам, включая обработку ошибок и структурирование, но для сложных, многоуровневых систем и критически важных приложений требуется человеческий контроль.

Тем не менее, прогноз на 2026 год весьма оптимистичен. Модели, такие как DeepSeek-Coder, с ее явной специализацией на кодогенерации; Qwen, с ее силой в математике и коде; и Llama 4, с мощной базой от Meta и постоянным развитием, станут основными кандидатами на роль лидеров в этой нише. Эти модели, доступные для самохостинга благодаря открытой лицензии, предоставят пользователям возможность работать с технологией без зависимости от коммерческих API и их стоимости.

Ключевой вывод исследования заключается в том, что для успешного применения LLM в Excel необходимо перейти от простого использования к осознанной стратегии. Гибридный подход с участием человека оказывается наиболее эффективным: он предполагает от пользователя активное участие в процессе — четкую декомпозицию задач, проверку сгенерированного кода и его итеративное улучшение с помощью LLM. Для организаций, регулярно использующих Excel, стратегия дообучения модели на собственном наборе данных может стать решающим фактором, обеспечивающим долгосрочное конкурентное преимущество. Использование платформ-агрегаторов перед покупкой оборудования для самохостинга позволит сделать взвешенный выбор, основанный на реальных тестах.

Таким образом, к 2026 году LLM не будут автономными инженерами, способными взять на себя всю ответственность за сложную задачу. Вместо этого они станут незаменимым ассистентом, который берет на себя рутинную и трудоемкую часть работы: написание шаблонного кода, поиск синтаксических ошибок, предложение алгоритмов для стандартных задач. Это освободит время специалиста, чтобы он мог сосредоточиться на более важных аспектах: анализе данных, разработке бизнес-логики и стратегическом планировании. Исследование должно завершиться не выбором одной модели, а формированием нового, более эффективного рабочего процесса, в котором человек и искусственный интеллект тесно сотрудничают для достижения общих целей.

Важно также отметить, что мир технологий не стоит на месте. Появление новых стандартов, таких как офисные скрипты на базе JavaScript или более глубокая интеграция Python в Excel, может изменить ландшафт. Однако принципы работы с LLM останутся прежними: четкая постановка задачи, валидация результата и понимание ограничений инструмента. Будущее за теми, кто сможет грамотно сочетать человеческую интуицию и машинную скорость.

Для тех, кто только начинает свой путь в использовании LLM для Excel, рекомендую начать с малого. Не пытайтесь сразу автоматизировать весь отдел финансов. Возьмите одну конкретную задачу, например, формирование еженедельного отчета, и попробуйте применить описанные стратегии. Ошибки на этом этапе неизбежны, но они являются лучшим учителем. Со временем вы накопите базу успешных промтов и шаблонов кода, которые станут вашим личным активом.

В заключение, хочу подчеркнуть, что открытость моделей дает нам уникальную возможность контролировать свой инструментарий. В отличие от закрытых систем, где мы зависим от воли разработчика, открытые модели позволяют нам адаптировать их под себя. Это требует больше усилий на старте, но окупается гибкостью и независимостью в долгосрочной перспективе. Пусть 2026 год станет годом осознанной автоматизации, где технологии служат человеку, а не наоборот.