بهترین هوش مصنوعی برای چت

معماری لایه‌ای که این جدول ابزارسنجی می‌کند

واحد اندازه گیری در این جدول مدل است، نه محصول. مدل مولفه‌ای است که سازنده برایش عدد منتشر می‌کند: امتیاز لیدربورد، هزینه هر میلیون توکن، ظرفیت پنجره متن. محصول لایه بالاتر معماری است: یک کلاینت که مدل زیرین خود را بدون اعلام تعویض می‌کند. اپوس ۵ همزمان زیرساخت اپ کلود، API و کلود کد را تغذیه می‌کند؛ اگر «کلود» یک ردیف در نظر گرفته شود، همان عدد در جدول کدنویسی دوباره شمارش می‌شود. به همین دلیل دسته ویدیو هم نسخه مدل را رتبه بندی می‌کند، 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 شده‌اند. در دسته مطالعه تصمیم معکوس گرفته شده، چون گوگل محدودیت‌های عملیاتی نوتبوک را با عدد مستند می‌کند: پنجاه منبع، پانصد هزار کلمه. برای یک اپ چت هیچ سازنده‌ای مشخصات هم تراز منتشر نمی‌کند.

ورودی معماری جدول: پنج معیار و وزن هرکدام

وزن‌ها ثابت اند و روی همین صفحه مستند شده‌اند: 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 می‌شود. هر تغییر در این وزن‌ها یک ردیف در گزارش تغییرات ثبت می‌کند.

دو ستون این معماری به انتشار داده از سوی سازنده وابسته‌اند و همین وابستگی خانه‌های خالی تولید می‌کند. 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 می‌کشد.

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 می‌کند. همان مدل ستون امتیاز به ازای دلار را به طور کامل از دست می‌دهد: هزینه خروجی ۵۰ دلار برای هر میلیون توکن، گران‌ترین ردیف این جدول، با نسبت امتیاز به قیمت ۳۰.۱ که کف معماری قیمت‌گذاری است.

اپوس ۵ دوازده امتیاز پایین‌تر می‌ایستد و نصف قیمت عملیاتی دارد. روی لیدربوردی که کل رده بالایش در محدوده حدود پنجاه امتیاز جا می‌شود، 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 می‌ماند.

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

مرز این معماری: چت جی پی تی

چت جی پی تی یک محصول است، پس در هر پیکربندی از ردیف‌های این جدول کنار گذاشته می‌شد. محدودیت سخت‌تر 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 می‌ماند: developers.openai.com به طور کامل پاسخ می‌دهد. 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 می‌کند.

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 خورده‌اند و امتیاز به همان پیکربندی که آزمایش شده تعلق دارد. آنچه همچنان مجهول می‌ماند این است که امروز کدام مدل زیرساخت چت جی پی تی را تغذیه می‌کند، هزینه پلن‌هایش چقدر است، و آیا از ایران در دسترس قرار می‌گیرد یا نه؛ هر سه روی همان دامنه‌ای قرار دارند که پاسخ نمی‌دهد. صفحه اوپن ای آی این مرز عملیاتی را با جزئیات بیشتری مستند کرده است.

تلورانس روش سنجش

نه ردیف این جدول در بازه‌ای ۷۱ امتیازی الو جا می‌گیرند، از ۱۵۰۶ تا ۱۴۳۵. نرمال سازی کمینه-بیشینه همین ۷۱ امتیاز را به بازه‌ای از ۷۸٫۶ تا ۲۹٫۱ گسترش می‌دهد. در نتیجه ستون امتیاز فاصله واقعی را بزرگ‌تر از آنچه هست نشان می‌دهد؛ ردیف آخر «ضعیف» نیست، بلکه آخرین جایگاه در معماری ای از مدل‌های رده بالاست.

نمونه‌ای دقیق‌تر: ستون پنجره متن را جی پی تی ۵.۶ سول با ۱٬۰۵۰٬۰۰۰ توکن تصاحب می‌کند 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 می‌کنند؛ اما افزودن یک مدل با پنجره دو میلیونی هر دو را همزمان از این ستون خارج می‌کند، بی آنکه هیچ چیز در مشخصات خودشان تغییر کرده باشد.

دو ردیفی که پیش‌تر 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.