کلود فیبل ۵.۱

پارامتری که تغییر کرده، همانی نیست که در تیتر می‌آید

ده دلار ورودی، پنجاه دلار خروجی. همان مقادیر فیبل ۵، بدون یک سنت اختلاف. تنها فیلدی که در جدول قیمت‌گذاری انتروپیک جابه جا شده، نرخ خواندن از کش است: از یک دلار به بیست و پنج سنت برای هر میلیون توکن.

انتروپیک خودش این را یک استثنا اعلام کرده و در پانویس همان جدول ثبت شده: ضریب خواندن از کش روی همه مدل‌های کلود ۰.۱ برابر نرخ ورودی است، و فقط برای فیبل ۵.۱ و میتوس ۵.۱ این ضریب به ۰.۰۲۵ تنظیم شده. در کل فهرست قیمت‌گذاری، این تنها ردیفی است که خارج از قاعده استاندارد قرار می‌گیرد.

این تغییر روی کدام بار کاری اثر می‌گذارد: بار کاری عاملی. یک عامل در هر نوبت اجرا، همان پرامپت سیستمی و همان مجموعه فایل را دوباره ارسال می‌کند، و با فعال بودن کش، بخش عمده صورتحساب همین فیلد است. انتروپیک برای بار کاری معمول کاهش هزینه حدود ۲۵ درصد و برای بار کاری عاملی تا حدود ۴۵ درصد گزارش کرده.

و اکنون مرز این کاهش: اگر بار کاری شما یک فراخوانی طولانی بدون تکرار است، هیچ داده‌ای برای خواندن از کش وجود ندارد و دقیقا نرخ فیبل ۵ را می‌پردازید. برای این الگوی بار کاری، ۵.۱ ارزان‌تر نیست؛ صرفا از نظر عملکرد بهتر است.

جهش کجا رخ داده و کجا رخ نداده

انتروپیک برای این انتشار شش ارزیابی را با مقدار عددی منتشر کرده. سه مورد از آنها مقدار متناظر فیبل ۵ را هم دارند، و همین سه مورد چیزی را نشان می‌دهند که یک مقدار منفرد پنهانش می‌کند.

در پژوهش علمی عاملی مقدار از ۲۴.۷ به ۵۲.۶ رسیده، یعنی بیش از دو برابر. در کدنویسی عاملی محیط ترمینال از ۴۲.۰ به ۵۵.۸. و در CursorBench، که از هر سه معیار به بار کاری روزمره کدنویسی نزدیک‌تر است، از ۷۰.۵ به ۷۳.۴؛ فاصله دو و نه دهم واحد.

جهت هر سه مقدار یکسان است، اما اندازه آنها اصلا یکسان نیست، و همین موضوع اصلی این تحلیل است. هرچه تسک طولانی‌تر و چندمرحله‌ای‌تر باشد، فاصله عملکردی بزرگ‌تر می‌شود. اگر بار کاری شما «این تابع را بنویس» است، تقریبا هیچ بهبودی خریداری نمی‌کنید. اگر بار کاری شما یک عامل است که چهل دقیقه در یک مخزن کد پیمایش می‌کند، بیشترین بازده این انتشار را دریافت می‌کنید.

یک محدودیت که باید ثبت بماند: هر شش مقدار این جدول را خود انتروپیک اندازه گیری و منتشر کرده است. لیدربورد مستقلی پشت آنها نیست. این مقادیر در این مرجع چاپ می‌شوند چون سازنده آنها را صریح و با نام ارزیابی منتشر کرده، نه چون تایید مستقل شده‌اند.

مقدار ۶۶ با پیکربندی پیش فرض به دست نمی‌آید

تنها سنجش مستقل شخص ثالثی که امروز برای این مدل موجود است، شاخص Artificial Analysis است، جایی که فیبل ۵.۱ با مقدار ۶۶ رتبه یک از ۱۹۲ مدل را دارد. اما همان صفحه سه مقدار گزارش می‌کند، نه یک مقدار: ۶۶ برای پیکربندی max، ۶۵ برای xhigh و ۶۲ برای high.

پیکربندی پیش فرض API روی high تنظیم شده. یعنی اگر فقط شناسه مدل را جایگزین کنید و پارامتر دیگری تعیین نکنید، پیکربندی دریافتی مقدار ۶۲ می‌دهد، نه ۶۶. اپوس ۵ در پیکربندی max مقدار ۶۳ ثبت می‌کند، که از پیش فرض فیبل ۵.۱ بالاتر است و نرخ آن هم نصف است.

این نکته پیش‌تر هم در این مرجع ثبت شده بود و باز هم تایید شد: مقداری که روی لیدربورد نام یک مدل را حمل می‌کند، اغلب یک پیکربندی سرو است، نه خود مدل. برای تصمیم گیری عملیاتی، مقداری که با پیکربندی پیش فرض خودتان به دست می‌آید ارزش دارد، نه مقدار اوج.

در همان صفحه دو مقدار دیگر هم هست که هرگز در تیتر نمی‌آیند: توان خروجی ۶۶.۲ توکن در ثانیه در برابر میانه ۷۲.۱، و زمان تا اولین توکن که به وضوح بالاتر از میانه است. جدول مرجع خود انتروپیک هم فیلد تاخیر این مدل را «کندتر» ثبت کرده. اگر کاربر نهایی سامانه شما منتظر ظاهر شدن پاسخ است، این فیلد از هر مقدار بنچمارک دیگری بحرانی‌تر است.

محدودیتی که چهار ماه پیش درباره فیبل ۵ ثبت کردیم، اکنون رفع شده

در تحلیل فیبل ۵ ثبت کرده بودیم که قطع دانش آن ژانویه ۲۰۲۶ است در حالی که اپوس ۵ ارزان‌تر با قطع دانش می ۲۰۲۶ عرضه شده، و اینکه مدل گران‌تر چهار ماه عقب‌تر باشد، در جدول قیمت‌گذاری اصلا قابل مشاهده نیست. قطع دانش فیبل ۵.۱ روی ژوئن ۲۰۲۶ تنظیم شده. اکنون از اپوس ۵ جلوتر است و آن محدودیت رفع شده.

یک تغییر کوچک‌تر هم در جدول مرجع خود انتروپیک قابل مشاهده است: فیلد Claude Platform on AWS برای اپوس ۵ خط تیره است و برای فیبل ۵.۱ شناسه فعال دارد. اگر زیرساخت سازمان شما روی همان مسیر قرارداد دارد، این فیلد بیشتر از هر مقدار دیگری برایتان اهمیت عملیاتی دارد.

و پارامترهایی که تغییر نکرده‌اند: پنجره متن یک میلیون توکن، بیشینه خروجی ۱۲۸ هزار توکن، نرخ ورودی و خروجی، و نبود مسیر رسمی استقرار از ایران.

سه تغییر شکننده که روز اول استقرار را متوقف می‌کند

مستندات مهاجرت انتروپیک صریحا سه تغییر را شکننده اعلام می‌کند، و این بخشی است که کمتر مستندسازی می‌شود، چون خبرساز نیست و فقط زمان مهندسی مصرف می‌کند.

مورد اول، فراخوانی اجباری ابزار خطا برمی گرداند. مورد دوم، مدل‌های قدیمی‌تر قادر به خواندن بلوک‌های تفکر این مدل نیستند، پس هر معماری ای که در میانه یک گفتوگو مدل را جابه جا می‌کند از کار می‌افتد. مورد سوم، ویرایش نوبت‌های پیشین گفتوگو بلوک‌های تفکر را نامعتبر می‌کند.

پنج تغییر دیگر افزودنی اند و چیزی را نمی‌شکنند: تعیین effort به ازای هر پیام، پیام سیستمی محدود به یک نوبت، گزارش پیشرفت خوانا بین فراخوانی‌های ابزار، همان نرخ پایین‌تر کش، و نشانه‌گذاری منشا محتوا. سه مورد نخست هنوز در وضعیت بتا هستند.

توکنایزر جدید، و چرا برای فارسی اهمیت بیشتری دارد

یک پانویس دیگر در همان جدول قیمت‌گذاری: مدل‌های نسخه ۴.۷ به بعد از توکنایزر جدیدی استفاده می‌کنند که برای یک متن یکسان حدود ۳۰ درصد توکن بیشتر تولید می‌کند. یعنی مقایسه دلار به ازای توکن بین فیبل ۵.۱ و مثلا سانت ۴.۶ مقایسه دو مقدار همسان نیست؛ همان متن روی توکنایزر جدید به توکن بیشتری تبدیل می‌شود و صورتحساب واقعی از مقداری که جدول قیمت نشان می‌دهد بالاتر می‌رود.

فیبل ۵ و فیبل ۵.۱ هر دو روی همین توکنایزر جدید مستقر شده‌اند، پس مقایسه ۵ با ۵.۱ معتبر است. مقایسه با نسل قبل‌تر معتبر نیست.

و این بخشی است که در این مرجع اندازه گیری نشده و عددی برایش ثبت نمی‌شود: انتروپیک آن رقم حدود ۳۰ درصد را برای متن به طور کلی گزارش کرده و هیچ مقدار جداگانه‌ای برای فارسی منتشر نکرده. فارسی از قبل هم در بیشتر توکنایزرها هزینه بالاتری نسبت به انگلیسی دارد، اما مقدار مشخص فارسی برای این توکنایزر اندازه گیری نشده، و تا زمان اندازه گیری مستقل، عددی برایش ثبت نخواهد شد.

میتوس ۵.۱: همان مدل، لایه محافظتی سبک‌تر

در همان روز، میتوس ۵.۱ هم به بهره برداری رسید. مشخصات فنی و نرخ قیمتی آن با فیبل ۵.۱ یکسان است و انتروپیک آن را دارای «همان توانمندی‌ها» توصیف می‌کند، اما توزیع آن با دعوت انجام می‌شود و امروز تنها در اختیار مجموعه‌ای از سازمان‌های آمریکایی است.

یک مقدار این مقایسه را قابل توجه می‌کند: در Terminal-Bench 4.0، فیبل ۵.۱ مقدار ۵۵.۸ و میتوس ۵.۱ مقدار ۶۰.۹ ثبت می‌کند. سازنده هر دو مقدار را خودش کنار هم منتشر کرده. فاصله پنج و یک دهم واحد بین یک مدل و همان مدل با لایه محافظتی سبک‌تر، هزینه اندازه گیری شده لایه ایمنی است. تعداد کمی از سازندگان این مقدار را منتشر می‌کنند.