بهترین هوش مصنوعی برای کدنویسی

چرا اپوس ۵ در صدر است

دو عامل هم زمان کار می‌کنند. اول، در WebDev Arena که کارهای واقعی توسعه وب را با ابزار و چند مرحله اجرا می‌سنجد، ردیف claude-opus-5-max با ۱۶۹۲ امتیاز رتبه یک را دارد؛ بعد از آن کیمی کی۳ مکس با ۱۶۷۴ و قوان ۳.۸ مکس با ۱۶۷۰ قرار می‌گیرند. دوم، هزینه خروجی آن ۲۵ دلار است، یعنی نصف فیبل ۵ که خودش با ۱۶۲۸ رتبه پایین‌تری دارد. مدلی که هم توان بالاتر و هم هزینه پایین‌تر دارد، زیر هر پیکربندی وزنی معقولی در صدر می‌نشیند.

جایی که این جدول کوتاه می‌آید

معیار اصلی این جدول یک لیدربورد ترجیح انسانی است، نه یک آزمون خودکار. WebDev Arena عدد مطلق، تاریخ و تعداد رای منتشر می‌کند که برای انتشار روی این صفحه لازم است، اما ترجیح انسانی به خوانایی و شکل خروجی هم حساس است، نه فقط به درستی کد. SWE-bench Verified معیار دقیق‌تری خواهد بود، اما لیدربوردش با جاوااسکریپت رندر می‌شود و ما عدد آن را مستقیم نخوانده‌ایم. عددی که نخوانده باشیم روی این صفحه منتشر نمی‌شود، حتی اگر منبع دیگری آن را نقل کرده باشد.

یک نامزد در همین صفحه هنوز بدون رتبه است: جمینای ۳.۱ پرو. امتیاز واقعی در لیدربورد متن عمومی دارد، اما ردیف آن در لیدربورد توسعه وب خوانده نشده و گوگل پنجره متن آن را اصلا منتشر نکرده، پس بیش از نیمی از وزن معیارها برایش خالی می‌ماند. نام آن زیر جدول ثبت شده، رتبه‌اش نه. جیالام ۵.۲ مکس و دیپ سیک وی۴ فلش هم تا مدتی در همین وضعیت بودند و اکنون که قیمت و پنجره متنشان از مستندات رسمی خودشان تایید شده، در جدول رتبه دارند.

یک نکته دیگر برای خواندن درست عددها: امتیازها نسبی اند. هر ستون بین کمینه و بیشینه خودش نرمال سازی می‌شود، پس ورود یک نامزد تازه امتیاز همه ردیف‌ها را جابه جا می‌کند بدون آنکه هیچ مدلی تغییر کرده باشد. افزودن گراک ۴.۵ در ۱۲ اوت ۲۰۲۶ دقیقا همین اثر را داشت: ترتیب ثابت ماند و عددها بالا رفتند. اگر عدد امروز با اسکرین شات هفته گذشته هم خوانی ندارد، همین مکانیزم دلیل آن است، نه دخالت دستی.

در همان روز دو تغییر داده‌ای دیگر هم در امتیازها اثر گذاشتند. اول اینکه لیدربورد متن این بار به طور کامل بازخوانی شد و مشخص شد ردیف جیالام ۵.۲ مکس و دیپ سیک وی۴ فلش از ابتدا آنجا بوده‌اند؛ اجرای پیشین فقط بالای صفحه را خوانده بود. ستون لیدربورد متن عمومی برای هر دو تکمیل شد. دوم اینکه جی پی تی ۵.۶ سول به عنوان نامزد هشتم وارد شد: openai.com همچنان به درخواست‌های زیرساخت ما پاسخ نمی‌دهد، اما مستندات توسعه دهندگان آن قیمت و پنجره متن را منتشر می‌کند و ردیف لیدربوردش هم موجود است. یک نکته درباره همین ردیف، چون این صفحه اختصاصی کدنویسی است: نام آن gpt-5.6-sol-xhigh (codex-harness) است، یعنی عدد متعلق به مدل درون عامل کدنویسی اختصاصی اوپن ای آی است، نه مدل خام. جی پی تی بین کیمی و قوان قرار گرفت و ترتیب سایر ردیف‌ها نسبت به هم تغییر نکرد.

۲۸ اوت: قیمت دیپ سیک بالا رفت و سه ردیف جابه جا شدند

این تنها عددی است که تا امروز در این مرجع افزایش یافته. تا ۱۲ اوت، قیمت دیپ سیک وی۴ فلش ۰.۱۴ دلار برای ورودی و ۰.۲۸ دلار برای خروجی بود. صفحه قیمت‌گذاری رسمی آن اکنون دو ستون دارد، ساعت اوج و غیر اوج، و حتی ارزان‌ترین ستون هم از قیمت قبلی بالاتر است: ۰.۲۲ و ۰.۶۶ در ساعت غیر اوج، و ۰.۴۴ و ۱.۳۲ در ساعت اوج. ستون ساعت اوج را ثبت کرده‌ایم، چون بازه اوج دیپ سیک با میانه ساعت کاری ایران هم پوشانی دارد.

دیپ سیک از این تغییر رتبه‌ای از دست نداد، چون همچنان ارزان‌ترین ردیف جدول است و ستون صرفه اقتصادی را در اختیار دارد. اما فاصله آن با بقیه کم شد و چون هر ستون بین کمینه و بیشینه خودش نرمال می‌شود، همین کاهش فاصله سه ردیف دیگر را بالا برد: قوان ۳.۸ مکس از پنجم به سوم، کیمی کی۳ مکس از سوم به چهارم و جی پی تی ۵.۶ سول از چهارم به پنجم. هیچ یک از این سه مدل چیزی در ساختار خود تغییر نداده‌اند. این دقیقا تعریف عملیاتی «رتبه بندی نسبی» است، و دلیلی که محاسبات آن روی همین صفحه منتشر می‌شود.

نکته‌ای که فقط در استقرار روزمره دیده می‌شود

سه امتیاز بالای این جدول در بازه‌ای ۲۲ واحدی جا می‌شوند، ۱۶۹۲ و ۱۶۷۴ و ۱۶۷۰، فاصله‌ای که در عمل کمتر از آن چیزی حس می‌شود که عدد نشان می‌دهد. آنچه واقعا یک روز کاری را متفاوت می‌کند بلوغ زیرساخت ابزار است: اینکه مدل ابزار خط فرمان دارد، اجرای دسته‌ای پشتیبانی می‌کند، و روی زیرساخت ابری ای مستقر است که سازمان شما از قبل با آن قرارداد دارد. برای همین این معیار پانزده واحد وزن گرفته، نه پنج.