Вы пробовали генерить на одной модели, а проверку делать на другой? Иногда очень помогает. По крайней мере если одна не справляется я перехожу на другую.

Пробовал, результаты сводил в таблицы и сравнивал. Личное впечатление: последняя модель Claude Sonnet 3.5 (от Anthropic) рулит, она не только генерит код, но и дает внятные объяснения, что она делала, за ним идет Sonnar Ladge. GPT4o от Open AI показался мне хуже. Сравнения сложных кодов самими моделями не делал, пока ход не дошел.
Может результат зависит еще и от языка программирования? Я не загонялся и давал задания на C#, PS, ST (Structured Text) и просил модельки генерировать UML. Если включаю опцию с поиском в WEB, результаты становятся более похожими. Но тут много еще зависит от того на каких источниках искать: можно сказать в Промпте: ищи только на англоязычных ресурсах и результаты опять отличаются.
В любом случае считаю, потраченное время стоит того, деньги - не такие большие (пока дядя Сэм не взвинтил цены ).