بهترین هوش مصنوعی برای چت

معماری لایه ای که این جدول ابزارسنجی می کند

واحد اندازه گیری در این جدول مدل است، نه محصول. مدل مولفه ای است که سازنده برایش عدد منتشر می کند: امتیاز لیدربورد، هزینه هر میلیون توکن، ظرفیت پنجره متن. محصول لایه بالاتر معماری است: یک کلاینت که مدل زیرین خود را بدون اعلام تعویض می کند. اپوس ۵ همزمان زیرساخت اپ کلود، API و کلود کد را تغذیه می کند؛ اگر «کلود» یک ردیف در نظر گرفته شود، همان عدد در جدول کدنویسی دوباره شمارش می شود. به همین دلیل دسته ویدیو هم نسخه مدل را رتبه بندی می کند، نه ابزار را.

هزینه عملیاتی این تصمیم صریح است: چت جی پی تی، اپ کلود و اپ جمینای در این جدول ردیفی ندارند و به صفحه محصول خودشان ارجاع داده شده اند. در دسته مطالعه تصمیم معکوس گرفته شده، چون گوگل محدودیت های عملیاتی نوتبوک را با عدد مستند می کند: پنجاه منبع، پانصد هزار کلمه. برای یک اپ چت هیچ سازنده ای مشخصات هم تراز منتشر نمی کند.

ورودی معماری جدول: پنج معیار و وزن هرکدام

وزن ها ثابت اند و روی همین صفحه مستند شده اند: لیدربورد متن ۴۵، امتیاز به ازای دلار ۲۰، پنجره متن ۱۵، بلوغ ابزار ۱۰، دسترسی از ایران ۱۰. تنها ده واحد از صد روی مقیاسی ترتیبی سنجیده می شود. هر تغییر در این وزن ها یک ردیف در گزارش تغییرات ثبت می کند.

دو ستون این معماری به انتشار داده از سوی سازنده وابسته اند و همین وابستگی خانه های خالی تولید می کند. قوان ۳.۸ مکس و جمینای ۳.۱ پرو هر کدام دو ستون خالی دارند؛ این یک شکاف در انتشار داده است، نه ضعف در مدل، اما امتیاز نهایی را به طور واقعی پایین می کشد.

خروجی امروز معماری رتبه بندی

فیبل ۵ در لیدربورد متن Arena با امتیاز ۱۵۰۶ در میان ۳۸۹ مدل رتبه یک را دارد و کل ستون چهل و پنج وزنی را تصاحب می کند. همان مدل ستون امتیاز به ازای دلار را به طور کامل از دست می دهد: هزینه خروجی ۵۰ دلار برای هر میلیون توکن، گران ترین ردیف این جدول، با نسبت امتیاز به قیمت ۳۰.۱ که کف معماری قیمت گذاری است.

اپوس ۵ دوازده امتیاز پایین تر می ایستد و نصف قیمت عملیاتی دارد. روی لیدربوردی که کل رده بالایش در محدوده حدود پنجاه امتیاز جا می شود، فاصله دوازده امتیازی ناچیز است. بنابراین نقطه کار بهینه برای پیاده سازی روی API اپوس ۵ است؛ برای خرید اشتراک محصول، ستون قیمت اثری ندارد و صدر جدول تنها ملاک باقی می ماند.

یک محدودیت عملیاتی که ستونی در این معماری برایش تعریف نشده: فیبل ۵ تنها مدلی است که خود انتروپیک در جدول رسمی اش «کندتر» علامت گذاری کرده، چون تفکر تطبیقی آن همواره فعال است و اهرمی برای خاموش کردنش وجود ندارد. این تاخیر در گفت وگوی واقعی حس می شود، اما جدول آن را اندازه نمی گیرد.

مرز این معماری: چت جی پی تی

چت جی پی تی یک محصول است، پس در هر پیکربندی از ردیف های این جدول کنار گذاشته می شد. محدودیت سخت تر این است که حتی مستندسازی آن هم ممکن نیست: هر مسیر روی openai.com از سمت این سرور کد وضعیت ۴۰۳ برمی گرداند، بازآزمایی شده در ۱۲ اوت ۲۰۲۶، در حالی که robots.txt همان دامنه خزیدن را منع نکرده است.

یک مسیر یکپارچه سازی باز باقی می ماند: developers.openai.com به طور کامل پاسخ می دهد. جی پی تی ۵.۶ سول در آنجا با ۵ دلار ورودی و ۳۰ دلار خروجی، پنجره متن ۱٫۰۵ میلیون توکن، سقف خروجی ۱۲۸ هزار توکن و تاریخ قطع دانش ۱۶ فوریه ۲۰۲۶ فهرست شده و ردیف Arena مشخصی دارد. بر همین اساس، امروز سومین ردیف همین جدول را اشغال می کند.

ردیف توسعه وب این مدل دقیقا با عنوان gpt-5.6-sol-xhigh (codex-harness) ثبت شده: امتیاز متعلق به مدل درون عامل کدنویسی اختصاصی اوپن ای آی است، نه مدل خام. هزینه و پنجره متن به مدل پایه گره خورده اند و امتیاز به همان پیکربندی که آزمایش شده تعلق دارد. آنچه همچنان مجهول می ماند این است که امروز کدام مدل زیرساخت چت جی پی تی را تغذیه می کند، هزینه پلن هایش چقدر است، و آیا از ایران در دسترس قرار می گیرد یا نه؛ هر سه روی همان دامنه ای قرار دارند که پاسخ نمی دهد. صفحه اوپن ای آی این مرز عملیاتی را با جزئیات بیشتری مستند کرده است.

تلورانس روش سنجش

نه ردیف این جدول در بازه ای ۷۱ امتیازی الو جا می گیرند، از ۱۵۰۶ تا ۱۴۳۵. نرمال سازی کمینه-بیشینه همین ۷۱ امتیاز را به بازه ای از ۷۸٫۶ تا ۲۹٫۱ گسترش می دهد. در نتیجه ستون امتیاز فاصله واقعی را بزرگ تر از آنچه هست نشان می دهد؛ ردیف آخر «ضعیف» نیست، بلکه آخرین جایگاه در معماری ای از مدل های رده بالاست.

نمونه ای دقیق تر: ستون پنجره متن را جی پی تی ۵.۶ سول با ۱٬۰۵۰٬۰۰۰ توکن تصاحب می کند و کیمی کی۳ مکس با ۱٬۰۴۸٬۵۷۶ توکن پشت سر آن قرار دارد. اختلاف ۱۴۲۴ توکنی، حدود یک دهم درصد، در عمل بی اثر است. هر دو تقریبا تمام وزن این ستون را جذب می کنند؛ اما افزودن یک مدل با پنجره دو میلیونی هر دو را همزمان از این ستون خارج می کند، بی آنکه هیچ چیز در مشخصات خودشان تغییر کرده باشد.

دو ردیفی که پیش تر با وضعیت «تایید نشده» ثبت شده بودند، از ابتدا روی همین لیدربورد حضور داشتند: جیالام ۵٫۲ مکس در جایگاه سی وسوم با ۱۴۷۰ و دیپ سیک وی۴ فلش در جایگاه هشتادوسوم با ۱۴۳۵. این یک نقص در فرآیند سنجش ما بود، نه نقصی در انتشار سازنده. ردیف deepseek-v4-pro با ۱۴۵۸ روی همان لیدربورد به مدل دیگری از همان خانواده تعلق دارد، نه یک تنظیم متفاوت از همین مدل، بنابراین عددش وام گرفته نشد.