بهترین هوش مصنوعی برای کدنویسی

چرا اپوس ۵ در صدر است

دو عامل هم زمان کار می کنند. اول، در WebDev Arena که کارهای واقعی توسعه وب را با ابزار و چند مرحله اجرا می سنجد، 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 می گیرند. دوم، هزینه خروجی آن ۲۵ دلار است، یعنی نصف فیبل ۵ که خودش با ۱۶۲۸ رتبه پایین تری دارد. مدلی که هم توان بالاتر و هم هزینه پایین تر دارد، زیر هر پیکربندی وزنی معقولی در صدر می نشیند.

جایی که این جدول کوتاه می آید

معیار اصلی این جدول یک لیدربورد ترجیح انسانی است، نه یک آزمون خودکار. WebDev Arena عدد مطلق، تاریخ و تعداد رای منتشر می کند 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 دقیق تری خواهد بود، اما لیدربوردش با جاوااسکریپت رندر می شود و ما عدد آن را مستقیم نخوانده ایم. عددی که نخوانده باشیم روی این صفحه منتشر نمی شود، 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 می ماند. نام آن زیر جدول ثبت شده، رتبه اش 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 می شود، پس ورود یک نامزد تازه امتیاز همه ردیف ها را جابه جا می کند 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 داده ای 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 بوده اند؛ 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 درخواست های زیرساخت ما پاسخ نمی دهد، اما مستندات توسعه دهندگان آن قیمت و پنجره متن را منتشر می کند 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 ردیف ها 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 قیمت گذاری رسمی آن اکنون دو ستون دارد، ساعت اوج و غیر اوج، و حتی ارزان ترین 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 کرده ایم، چون بازه اوج دیپ سیک با میانه ساعت کاری ایران هم پوشانی دارد.

دیپ سیک از این تغییر رتبه ای از دست نداد، چون همچنان ارزان ترین 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 می شود، 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 نداده اند. این دقیقا تعریف عملیاتی «رتبه بندی نسبی» است، و دلیلی که محاسبات آن روی همین صفحه منتشر می شود.

نکته ای که فقط در استقرار روزمره دیده می شود

سه امتیاز بالای این جدول در بازه ای ۲۲ واحدی جا می شوند، ۱۶۹۲ و ۱۶۷۴ و ۱۶۷۰، فاصله ای که در عمل کمتر از آن چیزی حس می شود که عدد نشان می دهد. آنچه واقعا یک روز کاری را متفاوت می کند بلوغ زیرساخت ابزار است: اینکه مدل ابزار خط فرمان دارد، اجرای دسته ای پشتیبانی می کند، 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.