مقایسه مدل‌های هوش مصنوعی ۲۰۲۶؛ GPT-6.2، Gemini 4 یا Claude؟

سه سکوی نمادین برای مدل‌های GPT-6.2، Gemini 4 و Claude Fable 5.2 با تیتر فارسی «سه مدل، سه مسیر»

فهرست مطالب

مقایسه مدل‌های هوش مصنوعی ۲۰۲۶؛ GPT-6.2، Gemini 4 یا Claude Fable؟

مقایسه مدل‌های هوش مصنوعی ۲۰۲۶؛ سه مسیر برای انتخاب GPT-6.2، Gemini 4 و Claude Fable

سه مدل تازه، سه وعدهٔ متفاوت؛ اما کدام‌یک واقعاً برای کار شما بهتر است؟ در نوامبر ۲۰۲۶، انتخاب میان GPT‑6.2، Gemini 4 Argon و Claude Fable 5.2 فقط مقایسهٔ اسم‌ها نیست. هر خانواده در مسیر دسترسی، ابزارها، سطح محدودیت، هزینه و نوع کارِ پیشنهادی تفاوت دارد. ممکن است مدلی برای کدنویسی عمیق مناسب‌تر باشد، مدلی برای کار با زمینهٔ طولانی یا یکپارچگی با سرویس‌های گوگل، و مدلی دیگر برای فعالیت‌های فنی با کنترل‌های ایمنی متفاوت. در این مقاله اطلاعات رسمی را از برداشت و توصیهٔ عملی جدا می‌کنیم تا بر اساس مسئلهٔ واقعی تصمیم بگیرید.

این راهنمای مقایسه مدل‌های هوش مصنوعی ۲۰۲۶ تا ۱۹ نوامبر ۲۰۲۶ به‌روز شده است. مدل‌ها و قیمت‌ها مرتب تغییر می‌کنند؛ دسترسی حساب شما نیز ممکن است به طرح، کشور، سازمان و محصولی که استفاده می‌کنید وابسته باشد. ادعاهای بنچمارکی شرکت‌ها را نتیجهٔ مستقل فرض نکنید. در پایان، یک روش آزمایش دارید که می‌توانید روی دادهٔ خودتان اجرا کنید و از انتخاب صرفاً تبلیغاتی دور بمانید.

پاسخ کوتاه: برای کار فنی دشوار، Astra و Claude Fable را در آزمون بگذارید؛ برای جریان‌های چندمرحله‌ای و ابزارمحور، Sol و Gemini Argon را نیز بررسی کنید؛ برای ورودی و زمینهٔ بسیار بلند، Argon را بر اساس پنجرهٔ اعلام‌شدهٔ یک‌میلیون توکنی ارزیابی کنید. این‌ها نقطهٔ شروع‌اند، نه برندهٔ قطعی. کیفیت روی زبان فارسی، دادهٔ شما، هزینه و مجوزها باید جداگانه سنجیده شوند.

مقایسه مدل‌های هوش مصنوعی ۲۰۲۶ در یک نگاه

پیش از جدول، یک مرزبندی لازم است: مقایسهٔ زیر خلاصهٔ صفحات رسمی شرکت‌هاست. این متن نمی‌گوید یک شرکت «بهترین» است یا یک مدل در همهٔ بنچمارک‌ها از بقیه جلوتر است. مدل‌های نام‌برده در محصولات مختلف و با سیاست‌های متفاوت عرضه می‌شوند. برای نمونه، دسترسی به نسخهٔ API الزاماً با دسترسی در چت مصرف‌کننده یکی نیست. در اطلاعاتی که تا تاریخ این مقاله در دسترس است، برای GPT‑6.2 در مطلب معرفی، قیمت دقیق ذکر نشده؛ بنابراین از قرار دادن عدد حدسی خودداری می‌کنیم.

خانواده اعلام رسمی اخیر دسترسی اعلام‌شده نکتهٔ قیمت یا محدودیت
GPT‑6.2 Astra / Sol Astra برای استدلال و کدنویسی دشوار؛ Sol برای کارهای روزمره و جریان عامل API از Responses و Chat Completions؛ ابزارها به Responses نیاز دارند قیمت را از نرخ‌نامهٔ روز API بررسی کنید
Gemini 4 Argon مدل frontier برای کدنویسی، امور مالی، حقوقی، امنیت سایبری و علم API، AI Studio و Google Cloud؛ دسترسی محصولی در Gemini و Search بسته به طرح قیمت آغازین تا ۳۰ نوامبر؛ نرخ اعلام‌شده پس از آن بالاتر است
Gemini 4 Carbon در جمع‌بندی اکتبر گوگل برای مهندسی بلندمدت و دفاع سایبری توصیف شده است در زمان مقاله، آزمون پیش‌انتشار محدود دسترسی عمومی و قیمت عمومی را قطعی فرض نکنید
Claude Fable 5.2 نسخهٔ عمومی برای دشوارترین کارهای دانشی و فنی، با safeguards اشتراک‌های واجد شرایط و Claude Platform و بازارهای پشتیبانی‌شده قیمت رسمی اعلام‌شده بر اساس میلیون توکن ورودی و خروجی است
Claude Mythos 5.2 همان مدل پایهٔ Fable با سطح حفاظتی متفاوت برای برخی حوزه‌های دوگانه سازمان‌های تأییدشده در برنامه‌های دسترسی برای دسترسی عمومی همهٔ کاربران معرفی نشده است

جدول عمداً ستون «برنده» ندارد؛ چون پاسخ به این سؤال بدون تعریف وظیفه و سنجهٔ موفقیت گمراه‌کننده است. حتی یک مدل ثابت می‌تواند در یک درخواست فارسی عالی و در درخواست دارای جدول، تصویر یا دستور ابزار ضعیف‌تر عمل کند. برای سنجش، سه گروه وظیفه انتخاب کنید و کیفیت، زمان، هزینه و نیاز به اصلاح را در هر گروه جداگانه ثبت کنید.

GPT‑6.2: کجا Astra را بسنجیم و کجا Sol را؟

در یادداشت انتشار ۱۷ نوامبر ۲۰۲۶، OpenAI دو مدل GPT‑6.2 Astra و GPT‑6.2 Sol را به‌عنوان دو انتخاب با جهت‌گیری متفاوت معرفی می‌کند. Astra برای کارهای نیازمند استدلال دشوار و کدنویسی پیچیده پیشنهاد شده، در حالی که Sol برای کدنویسی روزمره و جریان‌های چندمرحله‌ای عامل‌محور معرفی می‌شود. این تقسیم‌بندی می‌تواند به طراح محصول کمک کند، اما میزان بهبود هرکدام در مسئلهٔ شما را باید با آزمایش محلی اندازه‌گیری کنید.

اگر نرم‌افزار شما ابزار فراخوانی می‌کند، مسیر API اهمیت پیدا می‌کند. هر دو مدل از Responses API و Chat Completions پشتیبانی می‌کنند، اما در changelog رسمی آمده است که tool calling به Responses API نیاز دارد. برای مهاجرت، تنها عوض‌کردن مقدار نام مدل کافی نیست؛ کد مربوط به ادامهٔ مکالمه، دستورهای instructions، مدیریت پاسخ ابزار و نسخهٔ SDK را نیز بررسی کنید. OpenAI تغییراتی را برای حفظ reasoning هنگام ویرایش پیشوند مکالمه و پردازش instructions گزارش کرده است.

برای کاربرد مصرف‌کننده، انتشار در API لزوماً به معنی عرضهٔ هم‌زمان در هر طرح ChatGPT نیست. اگر برای یک تیم آموزش می‌سازید، از صفحهٔ مدل‌گزین یا مستندات رسمی همان حساب مطمئن شوید. اگر محصول شما API دارد، محدودیت نرخ درخواست، مناطق پردازش، قیمت‌گذاری و قراردادهای داده را در همان محیط بخوانید. تفاوت این دو مسیر در زمان خرید اشتراک و برآورد هزینه مهم است.

در آزمایش کدنویسی، یک باگ واقعی، یک تغییر محدود، یک تست جدید و یک وظیفهٔ توضیح کد را به هر مدل بدهید. بررسی کنید آیا مدل تغییر اضافی می‌دهد، تستی را حذف می‌کند، وابستگی غیرضروری اضافه می‌کند یا بدون اجرای دستور، ادعای موفقیت می‌کند. پاسخ درست به مسئلهٔ کوچک، نشان‌دهندهٔ کیفیت برای مهاجرت بزرگ نیست. کارهایی را انتخاب کنید که شکست آن‌ها در گذشته برای تیم شما هزینه داشته است.

در کارهای غیرکدنویسی نیز تفاوت را از روی معیار ببینید. برای خلاصهٔ قرارداد، دقت ارجاع به بندها را اندازه‌گیری کنید؛ برای گزارش بازار، صحت تاریخ و آمار را؛ و برای دسته‌بندی تیکت، نرخ ارجاع درست به کارشناس را. اگر Sol در کار تکراری به‌اندازهٔ کافی دقیق و کم‌هزینه است، استفاده از Astra برای همهٔ درخواست‌ها لزوماً توجیه ندارد. اگر خطای موردی پرهزینه است، مدل قوی‌تر و مرحلهٔ بازبینی می‌تواند مسیر مناسبی باشد.

Gemini 4 Argon: یک میلیون توکن چه وقت ارزش دارد؟

گوگل در ۱۳ اکتبر ۲۰۲۶ Gemini 4 Argon را به‌عنوان مدل frontier خود معرفی کرد و دسترسی را از مسیر API و چند محصول اعلام کرد. برای توسعه‌دهندگان و کسب‌وکارها، دسترسی از Gemini API، AI Studio و Google Cloud ذکر شده؛ برای کاربران محصولی، عرضه در Gemini و AI Mode در Search به طرح و حساب مربوط است. اطلاعیهٔ رسمی به سقف یک‌میلیون توکن ورودی‌ـ‌خروجی یکپارچه اشاره می‌کند. این ظرفیت بزرگ به‌تنهایی تضمین نمی‌کند که مدل در تمام ورودی‌های بسیار طولانی اطلاعات را درست بازیابی کند.

زمینهٔ بلند زمانی ارزش دارد که چند سند یا تاریخچهٔ مرتبط را یکجا بررسی کنید، نه صرفاً برای اینکه امکان بارگذاری متن بزرگ وجود دارد. اگر در پرونده‌ای ۱۰۰ فایل دارید، مدل ممکن است بخشی از جزئیات را از دست بدهد یا اطلاعات قدیمی و جدید را قاطی کند. سندها را با شناسه و تاریخ مشخص کنید، از مدل بخواهید منبع هر ادعا را ذکر کند، و پاسخ را با نمونه‌های کنترل‌شده بسنجید. گاهی بازیابی قطعه‌ای با جست‌وجو و RAG از قراردادن همهٔ اسناد در prompt نتیجهٔ قابل کنترل‌تری می‌دهد.

Google در آغاز، قیمت Argon را دو دلار برای هر یک میلیون توکن ورودی و ده دلار برای هر یک میلیون توکن خروجی اعلام کرد و گفت پس از پایان دورهٔ آغازین در ۳۰ نوامبر ۲۰۲۶ نرخ چهار دلار و بیست دلار اعمال می‌شود. این قیمت به مدل public access مربوط است و باید با نرخ‌نامهٔ فعلی API تطبیق داده شود. اگر کار شما ورودی طولانی و خروجی کوتاه دارد، نسبت ورودی به خروجی روی هزینه اثر می‌گذارد؛ اگر مدل چند بار تلاش می‌کند، تعداد تلاش‌ها را هم حساب کنید.

در انتخاب Argon، یکپارچگی با ابزارهای Google نیز می‌تواند مهم باشد. اگر workflow شما به AI Studio، Gemini API، Search یا Cloud وابسته است، سازگاری عملی و مدیریت دسترسی را بررسی کنید. مزیت اکوسیستم تنها زمانی واقعی است که اتصال‌ها در کشور، حساب و طرح شما فعال باشند و هزینهٔ جابه‌جایی داده یا مجوزها را بدانید. نام «Gemini» نباید جای بررسی لاگ، حفاظت داده یا مسیر پشتیبانی را بگیرد.

در جمع‌بندی ۲ نوامبر، گوگل به معرفی Gemini 4 Carbon اشاره کرد؛ آن مدل برای مهندسی بلندمدت و دفاع سایبری توصیف شده، اما در همان زمان در مرحلهٔ آزمایش پیش‌انتشار با دولت آمریکا و بخشی از مدافعان سایبری مورد اعتماد قرار داشت. در این مقاله Carbon را گزینهٔ قابل خرید عمومی فرض نمی‌کنیم. اگر یک خبر از دسترسی محدود می‌گوید، خواننده را به انتظار دسترسی عمومی یا قابلیت‌هایی که هنوز عرضه نشده‌اند وادار نکنید.

برای آزمون پنجرهٔ طولانی، ۲۰ تا ۵۰ سند واقعی را با سوال‌هایی که پاسخ آن‌ها در سندهای مختلف پراکنده است آماده کنید. چند پرسش آسان، چند پرسش با تاریخ‌های متعارض، چند پرسش که پاسخ در هیچ سندی نیست، و چند درخواست ارجاع صفحه در مجموعه بگذارید. از مدل بخواهید «نمی‌دانم» بگوید وقتی منبع وجود ندارد. نمرهٔ بازیابی، صحت ارجاع، زمان و هزینهٔ هر پرسش را ثبت کنید؛ این داده بهتر از یک ادعای تبلیغاتی دربارهٔ ظرفیت است.

Claude Fable 5.2 و Mythos 5.2: توانمندی در کنار دسترسی کنترل‌شده

Anthropic در ۹ نوامبر ۲۰۲۶ Claude Fable 5.2 و Claude Mythos 5.2 را معرفی کرد. طبق توضیح رسمی، این دو نام به یک مدل پایه مربوط‌اند اما سطح safeguards و دسترسی برای برخی حوزه‌ها فرق دارد. Fable برای استفادهٔ عمومی‌تر و دارای کنترل‌های امنیت سایبری و زیستی معرفی شده است؛ Mythos در حوزه‌های دوگانه مانند پژوهش امنیت یا زیست‌پزشکی از مسیر برنامه‌های تأییدشده در دسترس سازمان‌هاست. این تفاوت را نباید با دو معماری کاملاً جدا اشتباه گرفت.

در صفحهٔ رسمی، Fable 5.2 و Mythos 5.2 برای کارهای دشوار فنی، کدنویسی، استدلال و علوم توصیف می‌شوند. Anthropic از مثال‌هایی دربارهٔ مهاجرت نرم‌افزار، طراحی دستگاه و پیشرفت در مسائل علمی یاد می‌کند. این‌ها روایت‌های شرکت از استفادهٔ مدل هستند، نه نتیجه‌ای که هر کاربر بتواند بدون شرایط مشابه تکرار کند. برای مقالهٔ تحلیلی، بهتر است بگوییم شرکت چه ادعایی کرده و جداگانه بنویسیم که نتیجهٔ مستقل یا قابل تکرار چه چیزی را نشان داده است.

Anthropic اعلام کرده مدل‌های جدید نسبت به نسخهٔ ۵.۱ تا ۳۰ درصد سریع‌تر تولید می‌کنند و قیمت Fable 5.2 را هشت دلار برای هر یک میلیون توکن ورودی و چهل دلار برای هر یک میلیون توکن خروجی اعلام کرده است؛ fast mode با نرخ متفاوتی ارائه می‌شود. این ارقام ممکن است به نوع استفاده و محل ارائه وابسته باشد و نرخ‌های زنده باید بررسی شوند. در مقایسه با Argon، واحدها و دورهٔ قیمت‌گذاری را یکسان کنید و قیمت ورودی cache‌شده یا حالت سریع را جداگانه در نظر بگیرید.

برای کسی که روی پروژهٔ امنیتی کار می‌کند، عمومی‌بودن Fable به معنی اجازهٔ انجام هر عملیات سایبری نیست. safeguards می‌توانند دسته‌ای از درخواست‌ها را مسدود کنند و Mythos هم فقط برای سازمان‌های مورد تأیید معرفی شده است. سازمان باید خط‌مشی دسترسی، مجوز تست، محیط ایزوله و فرایند مسئولانهٔ گزارش آسیب‌پذیری داشته باشد. تلاش برای دورزدن کنترل‌های دسترسی یا اجرای اسکن روی سامانهٔ بدون مجوز، استفادهٔ حرفه‌ای از مدل محسوب نمی‌شود.

اگر کار شما مهندسی نرم‌افزار یا تحلیل مالی است، از Claude برای یک آزمون کور در کنار دو رقیب استفاده کنید. معیارها را پیشاپیش تعریف کنید و منابع، قیمت روز، محدودیت‌های استفاده و نیاز به بازبینی را هم بررسی کنید. توانایی استدلال، شفافیت در اعلام عدم قطعیت، کنترل خطای ابزار و ثبات روی ورودی‌های تکراری همگی مهم‌اند. انتخاب نهایی را به یک پاسخ چشمگیر یا یک benchmark تبدیل نکنید.

نمودار کاربردی: برای هر مسئله از کجا شروع کنیم؟

نمودار زیر فقط جهت شروع آزمایش را نشان می‌دهد و رتبهٔ مستقل یا نمرهٔ عملکرد نیست. هر شرکت برای مدل خود حوزه‌های کاربرد را توصیف کرده است؛ نوارها میزان توجه شما را در آزمون اولیه نشان می‌دهند، نه اینکه مدل در تمام کارها درصد مشخصی موفق خواهد شد.

استدلال و کدنویسی دشوار — GPT‑6.2 Astra / Claude Fable

جریان‌های روزمره و عامل — GPT‑6.2 Sol

زمینهٔ طولانی و کار در اکوسیستم گوگل — Gemini 4 Argon

کار سایبری محدود و مورد تأیید — Mythos با دسترسی برنامه‌ای

نوارها شاخص کیفی editorial هستند؛ آن‌ها نتیجهٔ بنچمارک یا آزمایش آماری نیستند.

کدام مدل برای کار شما مناسب‌تر است؟

اگر توسعه‌دهندهٔ مستقل هستید: سه وظیفه از مخزن خود انتخاب کنید؛ باگ دشوار، تغییر کوچک و تست‌نویسی. برای GPT، Astra و Sol را از هم جدا بسنجید؛ برای Gemini و Claude نیز از endpoint و پلن در دسترس خودتان استفاده کنید. تمام مدل‌ها را با همان prompt، محدودیت فایل و معیار خروجی ارزیابی کنید. کد را روی شاخهٔ جدا اجرا کنید، تغییرها را بازبینی کنید و تست‌ها را واقعاً اجرا کنید. اگر خروجی درست اما تغییر بزرگ است، آن را موفقیت کامل حساب نکنید.

اگر پژوهشگر یا دانشجو هستید: توانایی مرور منابع، استخراج گزاره و نگه‌داشت ارجاع را آزمایش کنید. یک مجموعهٔ کوچک از مقاله‌ها بسازید و پاسخ‌هایی بپرسید که نیاز به ترکیب چند منبع دارند. از مدل بخواهید برای هر نکته منبع بدهد، اما لینک‌ها و اعداد را خودتان بازبینی کنید. پنجرهٔ بلند Argon می‌تواند برای مجموعهٔ اسناد بزرگ جذاب باشد؛ با این حال بازیابی و ارجاع دقیق را جداگانه بسنجید. هیچ خروجی مدل جای خواندن مقالهٔ اصلی را نمی‌گیرد.

اگر مدیر کسب‌وکار هستید: کار را به سطح ریسک، حجم و امکان بازبینی تقسیم کنید. دسته‌بندی پیام یا خلاصهٔ گزارش را می‌توان در مسیر کم‌خطر آغاز کرد؛ ارسال سفارش، تصمیم استخدام یا تغییر مالی به کنترل بیشتری نیاز دارد. در طرح آزمایشی، مقدار دادهٔ ارسالی، مجوز استفاده، هزینهٔ هر وظیفه و مسیر توقف را بنویسید. مدل را با دادهٔ محرمانه آزمایش نکنید مگر قرارداد و تنظیمات پردازش موردنیاز سازمان تأیید شده باشد.

اگر کاربر محتوا هستید: نمونه‌های فارسیِ مربوط به مخاطب خود بسازید. از هر مدل بخواهید مقالهٔ کوتاه، مقایسهٔ محصول و پاسخ FAQ آماده کند؛ سپس صحت ادعا، کیفیت فارسی، پیروی از لحن و میزان ویرایش لازم را امتیاز دهید. خروجی روان همیشه دقیق نیست و تکرار عبارت کلیدی هم کیفیت سئو را تضمین نمی‌کند. خبری را منتشر کنید که تاریخ و منبع معتبر داشته باشد و اطلاعات فروشگاهی را با صفحهٔ محصول همان روز تطبیق دهید.

اگر با دادهٔ طولانی کار می‌کنید: Argon را به‌خاطر پنجرهٔ رسمی اعلام‌شدهٔ یک‌میلیون توکنی وارد آزمون کنید، ولی آن را تنها گزینه ندانید. ببینید آیا RAG یا جست‌وجوی قطعه‌ای، هزینه و دقت بهتری می‌دهد. پاسخ‌های مربوط به سندهای دور از هم، تاریخ‌های متعارض و داده‌های غایب را بررسی کنید. اگر منبع‌دهی دقیق لازم است، ساختار ورودی را طوری طراحی کنید که هر بخش شناسه یا صفحه داشته باشد.

اگر کار امنیتی دارید: مشخص کنید وظیفه defensive، مجاز و محدود است. از API یا طرحی استفاده کنید که برنامهٔ دسترسی لازم را دارد و سیاست سازمان با آن سازگار است. Mythos را در دسترس عمومی فرض نکنید. مجوز کتبی تست، آزمایشگاه ایزوله، ثبت تغییرها و مسئول پاسخ به حادثه ضروری‌اند. «قوی‌ترین مدل» جایگزین تعیین محدودهٔ مجاز نیست.

اگر بیشتر با تلفن و چت کار می‌کنید: سه طرح اشتراک را با ویژگی‌هایی که شما استفاده می‌کنید بسنجید: سقف پیام، ابزارهای قابل‌دسترسی، کیفیت فارسی، تحلیل فایل، صدا، جست‌وجوی وب و امکان لغو. نام یک مدل در API معیار مناسبی برای انتخاب اشتراک نیست. فروشگاه و صفحهٔ رسمی سرویس را بررسی کنید تا اشتراک و مدل‌های همراهش همان چیزی باشد که در کشور و حساب شما قابل استفاده است.

هزینهٔ کل را با یک فرمول ساده بسنجید

برای هر مدل، این شاخص را ثبت کنید: هزینهٔ کل اجرای یک کار موفق = توکن ورودی + توکن خروجی + ابزارها + تلاش‌های تکراری + زمان بازبینی انسانی. این فرمول عمداً از «قیمت هر توکن» فراتر می‌رود. اگر چند مدل را به‌صورت رله‌ای اجرا می‌کنید، هزینهٔ مدل اول، مدل دوم و ابزار مسیریابی را جمع کنید. سپس تعداد دفعاتی را بشمارید که نتیجه واقعاً پذیرفته شده است، نه تعداد پاسخ‌هایی که تولید شده‌اند.

Argon در اطلاعیهٔ گوگل نرخ آغازین و نرخ پس از ۳۰ نوامبر دارد؛ این یک مثال روشن است که زمان ارزیابی روی اقتصاد کار اثر می‌گذارد. قیمت Fable 5.2 و حالت سریع آن نیز باید با هم اشتباه نشوند. برای GPT‑6.2، نرخ رسمی روز API را از صفحهٔ قیمت‌گذاری بگیرید. یک جدول داخلی با تاریخ جمع‌آوری قیمت‌ها بسازید تا چند هفته بعد، رقم قدیمی را به‌عنوان قیمت جاری منتشر نکنید.

اگر هزینهٔ ماهانه محدود است، یک بودجهٔ آزمایشی تعریف کنید. برای هر workflow سقف هزینه، تعداد درخواست و طول مجاز ورودی قرار دهید. در صورت عبور از سقف، درخواست را متوقف کنید یا به مدل جایگزین با کیفیت قابل قبول هدایت کنید. به جای اینکه ارزان‌ترین خروجی را معیار قرار دهید، هزینهٔ هر خروجی پذیرفته‌شده را حساب کنید. اگر خطا اثر زیادی دارد، هزینهٔ مورد انتظار خطا را هم در تصمیم وارد کنید.

آزمون مقایسهٔ منصفانه در هفت مرحله

  1. وظایف پرتکرار را فهرست کنید. ۲۰ تا ۵۰ مورد واقعی بردارید؛ فقط مثال‌های آسان را وارد نکنید.
  2. ورودی و prompt را ثابت کنید. به جز نام مدل، ابزار و زمینه را تا حد ممکن یکسان نگه دارید.
  3. معیار قبولی بنویسید. صحت، ارجاع، قالب، امنیت و میزان مداخلهٔ انسانی را مشخص کنید.
  4. خروجی‌ها را ناشناس کنید. تا جای ممکن ارزیاب نداند پاسخ از کدام مدل آمده است.
  5. هزینه و زمان را ثبت کنید. توکن‌ها، retry، فراخوانی ابزار و زمان اصلاح را جمع بزنید.
  6. موارد مرزی را جدا تحلیل کنید. خطای نادر اما پرخطر را در میانگین پنهان نکنید.
  7. با درصد کمی از ترافیک واقعی شروع کنید. مسیر بازگشت و توقف را قبل از استقرار بنویسید.

برای هر اجرا، نسخهٔ دقیق مدل، تاریخ، پارامترها، prompt و نسخهٔ ابزار را ذخیره کنید. بدون این اطلاعات، مقایسهٔ هفتهٔ بعد قابل تکرار نیست. خروجی‌های تصادفی یا به‌روزرسانی بی‌اعلام مدل می‌توانند نتیجه را تغییر دهند. نمونه‌های آزمون را دوره‌ای تازه کنید و بخشی از داده را هرگز برای تنظیم prompt استفاده نکنید تا عملکرد واقعی را بهتر برآورد کنید.

چرا بنچمارک‌ها به‌تنهایی کافی نیستند؟

بنچمارک مفید است اگر سؤال موردنظر شما را اندازه بگیرد، روش اجرا شفاف باشد و نتیجه روی نسخه‌ای که شما استفاده می‌کنید برقرار بماند. اما یک نمرهٔ عمومی، کیفیت روی فارسی، فایل‌های خصوصی، endpoint خاص یا ابزارهای شما را پیش‌بینی کامل نمی‌کند. بعضی آزمون‌ها به مرور در دادهٔ آموزش وارد می‌شوند؛ برخی هم معیارهایشان تنها بخشی از کار را می‌سنجد. اگر شرکت مدل خود را با معیار خودش رتبه می‌دهد، آن را به‌عنوان دادهٔ اعلام‌شدهٔ شرکت معرفی کنید.

برای تصمیم خرید، به‌جای جمع‌زدن رتبه‌های متنوع، یک «ماتریس تناسب» بسازید: نوع ورودی، خروجی قابل قبول، هزینه، تأخیر، پایداری، محدودیت‌ها و مسیر ارجاع. اگر کار شما فارسی است، نمونهٔ فارسی واقعی لازم است؛ چند پرامپت انگلیسی جای آن را نمی‌گیرد. اگر متن‌ها حاوی اصطلاحات فنی یا گویش محلی هستند، همان‌ها را در مجموعه بگذارید. دقت را بر اساس واژگان دامنهٔ خودتان بررسی کنید.

یک پاسخ نمونه ممکن است یک بار عالی و بار دیگر ناقص باشد. برای وظیفهٔ مهم، هر نمونه را چند نوبت اجرا کنید یا دست‌کم پاسخ‌های شکست را نیز تحلیل کنید. ثبات قالب و نرخ امتناع بی‌مورد را بسنجید. گزارش نهایی باید شامل تعداد نمونه، روش ارزیابی، تاریخ مدل‌ها و محدودیت‌های آزمون باشد. از تبدیل یک تجربهٔ شخصی به ادعای «بهترین مدل جهان» پرهیز کنید.

حریم خصوصی، کنترل دسترسی و ریسک کار با agent

وقتی مدل به ابزار متصل است، خروجی متنی تنها چیزی نیست که باید کنترل شود. مدل ممکن است فایل بخواند، درخواست شبکه بفرستد، فرم را پر کند یا تغییری ایجاد کند. دسترسی را به حداقل لازم محدود کنید و ابزارهای خواندن را از نوشتن جدا سازید. برای ارسال، حذف، پرداخت یا انتشار، تأیید انسانی بگذارید. اگر ابزار از MCP استفاده می‌کند، scope و دادهٔ بازگشتی را بررسی کنید و متن صفحهٔ وب را دستور معتبر تلقی نکنید.

ورودی‌های مخرب ممکن است در ایمیل، PDF، صفحهٔ وب یا فایل کد پنهان شوند و تلاش کنند عامل را به افشای داده یا نادیده‌گرفتن قواعد وادارند. پرامپت دفاعی مفید است اما کافی نیست. محدودیت مجوز را در لایهٔ برنامه اعمال کنید، secrets را از متن ورودی حذف کنید، محیط اجرا را ایزوله نگه دارید و دسترسی شبکه را فقط برای مقصدهای لازم باز کنید. برای تست، دادهٔ ساختگی یا ناشناس به‌کار ببرید.

پیش از ارسال اطلاعات کاربران به API یا اشتراک، سیاست نگهداری، کنترل سازمانی و منطقهٔ پردازش سرویس را بررسی کنید. اصطلاحاتی مانند «enterprise» یا «private» تضمین واحدی نیستند. قرارداد فعال، تنظیمات حساب و نوع محصول را بخوانید و در صورت الزام قانونی از مسئول حریم خصوصی سازمان نظر بگیرید. لاگ‌ها را به اندازهٔ نیاز نگه دارید، به افراد محدود دسترسی دهید و کلید API را در کد مرورگر یا مخزن عمومی قرار ندهید.

جدول انتخاب براساس نوع کار

کار نامزدهای شروع معیار اصلی احتیاط
رفع باگ پیچیده GPT‑6.2 Astra، Claude Fable تست موفق و diff محدود اجرای کد در sandbox
خلاصهٔ تکراری GPT‑6.2 Sol و دیگر گزینه‌های در دسترس هزینهٔ هر خلاصهٔ پذیرفته‌شده اطلاعات حساس را حذف کنید
سندهای بلند Gemini 4 Argon و RAG صحت بازیابی و ارجاع ظرفیت ورودی مساوی صحت نیست
پژوهش علمی Astra، Argon، Fable منبع‌پذیری و بازتولید مقالهٔ اصلی را بخوانید
امنیت سایبری فقط مدل و برنامهٔ مجاز مجوز، logging و گزارش مسئولانه Mythos دسترسی محدود دارد

نکات مهم برای تولید محتوای فارسی

خروجی فارسی را با سه گروه معیار بسنجید: کیفیت زبان، صحت محتوا و تناسب با مخاطب. در کیفیت زبان، نیم‌فاصله، نشانه‌گذاری، ترکیب فارسی و انگلیسی، لحن، تکرار واژه‌ها و طول جمله را بررسی کنید. در صحت، تاریخ‌ها، قیمت‌ها، نام مدل‌ها و لینک‌ها را با منابع اولیه تطبیق دهید. در تناسب، ببینید آیا مثال‌ها برای کاربر فارسی‌زبان قابل اجرا هستند و اصطلاحات انگلیسی را در جای لازم توضیح می‌دهند.

برای سئو، عبارت هدف را در عنوان، مقدمه، چند تیتر و توضیحات متا به شکل طبیعی استفاده کنید. هدف، چگالی عددی نیست. صفحه‌ای که پاسخ کاربر را دقیق و کامل می‌دهد، با جدول شفاف، منابع و تجربهٔ واقعی، از متن تکراری ارزشمندتر است. لینک به محصولات باید واضح و مرتبط باشد؛ خواننده باید بداند اشتراک مصرف‌کننده با API فرق دارد و موجودبودن هر مدل به حساب و منطقه بستگی دارد.

قبل از انتشار، متن را با یک بازبین فارسی‌زبان بخوانید. تغییر لحن ناگهانی، ترجمهٔ تحت‌اللفظی، ادعاهای اغراق‌آمیز و اشتباه در ترتیب واژه‌های ترکیبی را اصلاح کنید. اعداد را با رقم فارسی یا انگلیسی به‌صورت یکدست بنویسید و مدل‌ها را با شکل یکسان نام‌گذاری کنید. متن تولیدشده را «پیش‌نویس قابل بازبینی» بدانید؛ ارزش نهایی در دقت و تجربهٔ افزوده‌شده توسط تیم محتواست.

چک‌لیست نهایی انتخاب

  • آیا دقیقاً می‌دانم مدل باید چه خروجی‌ای تولید کند؟
  • آیا برای کارم نمونهٔ واقعی و معیار قبولی دارم؟
  • آیا مقایسه، نسخه و تاریخ مدل‌ها را ثبت می‌کند؟
  • آیا قیمت را به‌ازای نتیجهٔ موفق محاسبه کرده‌ام؟
  • آیا آزمون من فارسی و متناسب با مخاطبم است؟
  • آیا فرق API، اشتراک و دسترسی محدود را بررسی کرده‌ام؟
  • آیا برای فراخوانی ابزار و دادهٔ خصوصی کنترل کافی دارم؟
  • آیا می‌توانم در صورت افت کیفیت به مدل قبلی برگردم؟

اگر هنوز پاسخ مشخصی ندارید، با یک نمونهٔ کم‌ریسک شروع کنید. یک workflow محدود انتخاب کنید، گزارش آزمایش را بنویسید و هیچ اقدام بیرونی را در مرحلهٔ نخست خودکار نکنید. مدل مناسب ممکن است برای هر تیم متفاوت باشد. مهم این است که انتخاب شما از دادهٔ قابل تکرار و نیاز واقعی پشتیبانی کند.

پرسش‌های پرتکرار

بهترین مدل هوش مصنوعی در ۲۰۲۶ کدام است؟

یک برندهٔ واحد برای همهٔ کارها وجود ندارد. Astra، Argon و Fable در توضیحات رسمی حوزه‌های مختلفی را هدف می‌گیرند و Sol برای کار روزمره معرفی شده است. «بهترین» را با نمونهٔ واقعی، معیار قبولی، قیمت و محدودیت دسترسی در workflow خود تعریف کنید.

برای کارهای فارسی کدام مدل بهتر است؟

اطلاعیه‌های عمومی پاسخ قطعی برای کیفیت فارسی در حوزهٔ شما نمی‌دهند. مجموعه‌ای از درخواست‌های فارسی واقعی بسازید و دقت، روانی، نیم‌فاصله، وفاداری به منبع و میزان ویرایش را بسنجید. نتیجه را در همان نسخه و همان محیط محصولی که قصد استفاده دارید ثبت کنید.

آیا Gemini 4 Argon در همهٔ حساب‌ها در دسترس است؟

عرضه از مسیرهای مختلف و طرح‌های Google متفاوت است. اطلاعیهٔ گوگل دسترسی API و محصولی را بر اساس کانال و طرح توضیح می‌دهد. پیش از خرید، صفحهٔ رسمی و حساب خود را بررسی کنید؛ فهرست عمومی عرضه به معنی فعال‌بودن قابلیت برای هر کاربر نیست.

آیا Gemini 4 Carbon را می‌توان خرید؟

در جمع‌بندی گوگل در ۲ نوامبر، Carbon در آزمون پیش‌انتشار محدود توصیف شده بود. این مقاله آن را محصول عمومی قابل خرید فرض نمی‌کند. وضعیت بعدی را فقط از اعلان‌های رسمی بررسی کنید.

Claude Fable و Mythos چه تفاوتی دارند؟

Anthropic گفته آن‌ها بر یک مدل پایه متکی‌اند، اما سطح safeguard و مسیر دسترسی در حوزه‌های حساس متفاوت است. Fable نسخهٔ عمومی‌تر با کنترل‌های مشخص است؛ دسترسی Mythos برای بعضی کاربردهای دوگانه به برنامهٔ تأیید سازمانی وابسته است.

آیا قیمت مدل‌ها قابل مقایسهٔ مستقیم است؟

فقط اگر قیمت ورودی، خروجی، cache، حالت سریع، ابزار، retry و تاریخ یکسان بررسی شوند. نرخ‌ها را از صفحهٔ رسمی و روز تصمیم بردارید. هزینهٔ واقعی یک نتیجهٔ پذیرفته‌شده را هم حساب کنید.

آیا پنجرهٔ یک‌میلیون توکنی یعنی Argon همهٔ اسناد را می‌فهمد؟

نه. پنجرهٔ بزرگ امکان ارسال زمینهٔ بیشتر را نشان می‌دهد، اما صحت بازیابی، ربط‌دادن اسناد و ارجاع دقیق همچنان به آزمون نیاز دارد. روی سؤال‌های آسان، متعارض و بدون پاسخ آزمایش کنید.

آیا GPT‑6.2 Astra یا Sol در ChatGPT Plus عرضه شده‌اند؟

خبر API به‌تنهایی دسترسی در اشتراک ChatGPT را ثابت نمی‌کند. مدل‌گزین محصول یا مستندات حساب را بررسی کنید. طرح مصرف‌کننده و API از نظر قیمت، سقف و امکانات یکسان نیستند.

برای agent کدام‌یک را انتخاب کنم؟

ابتدا محدودیت ابزار، مجوز و معیار موفقیت را مشخص کنید. Sol در اطلاعیه برای جریان عامل روزمره پیشنهاد شده، ولی این توصیهٔ عمومی است. در یک عامل واقعی نرخ موفقیت ابزار، تکرار، توقف به‌موقع و امکان rollback را با Astra یا گزینه‌های دیگر بسنجید.

آیا benchmark رسمی کافی است؟

خیر. بنچمارک برای درک جهت کلی مفید است، اما مجموعهٔ آزمون شما باید زبان، داده، ابزار و ریسک واقعی را بازتاب دهد. ادعای شرکت را از ارزیابی مستقل جدا نگه دارید و تاریخ نسخه را بنویسید.

این مقاله چه زمانی به‌روز شده است؟

مبنای اطلاعات این نسخه ۱۹ نوامبر ۲۰۲۶ است. قیمت و دسترسی مدل‌ها متغیر است؛ پیش از استقرار یا خرید، صفحهٔ رسمی همان سرویس را دوباره بررسی کنید.

جمع‌بندی: به‌جای خریدن نام مدل، مسئله را حل کنید

مقایسه مدل‌های هوش مصنوعی ۲۰۲۶ زمانی ارزش دارد که از خبر به آزمایش برسد. GPT‑6.2 با تقسیم Astra و Sol راهنمایی اولیه برای نوع کار می‌دهد؛ Gemini 4 Argon ظرفیت زمینهٔ بلند و دسترسی در اکوسیستم Google را مطرح می‌کند؛ Claude Fable 5.2 در روایت Anthropic برای کارهای فنی دشوار و با safeguards عرضه شده و Mythos دسترسی کنترل‌شده‌تری دارد. این نکته‌ها به شما می‌گویند چه چیزی را آزمایش کنید، نه اینکه نتیجهٔ آزمایش از پیش معلوم است.

برای انتخاب پایدار، معیار موفقیت، نمونهٔ واقعی، هزینهٔ کامل و شیوهٔ بازبینی را ثبت کنید. اگر استفادهٔ روزمره می‌خواهید، امکانات طرح و سقف دسترسی را هم بررسی کنید؛ اگر API می‌سازید، نرخ و endpoint را از مستندات رسمی بخوانید. با چند مدل در دسترس خودتان شروع کنید و فقط وقتی تغییر دهید که کیفیت یا هزینهٔ نتیجه بهتر شده باشد.

اشتراک کاربری، API و مدل‌های در دسترس ممکن است شرایط متفاوت داشته باشند. جزئیات و محدودیت‌ها را در صفحهٔ محصول و سایت ارائه‌دهنده بررسی کنید.

واژه‌نامهٔ مقایسهٔ مدل‌ها

Frontier model: A high-capability model positioned near the current technical frontier. The label describes a product class, not a guarantee of success on every task.

Context window: The amount of input and generated content a model can process in one interaction. A larger window does not automatically improve retrieval accuracy.

API availability: Access provided through a developer interface. It can differ from consumer subscriptions in price, limits, features, and data controls.

Guardrail: A technical or policy control intended to reduce unsafe or unauthorized use. It can also block legitimate requests, so false positives matter.

Benchmark: A standardized task set used to compare systems. Its score is meaningful only when the test design and model version are clear.

Prompt parity: Keeping instructions, context, tools, and evaluation criteria consistent while comparing models. This reduces confounding changes in the experiment.

Human review: A person checks an output before it is accepted or used. Review is especially important when errors have financial, legal, or safety consequences.

Tool routing: Selecting which model or external function handles a request. A routing policy should be measurable and should fail safely on ambiguous input.

Long-context retrieval: Finding relevant details inside a large input. The model may receive the text but still overlook a crucial passage or cite it incorrectly.

Inference cost: The expense of generating a result, including model tokens, retries, tools, and review. Compare cost per accepted outcome rather than a single token rate.

Staged rollout: Releasing a model to a small share of requests before wider deployment. It gives teams a rollback path and exposes production edge cases.

Shadow test: Running a new model on copied requests without showing its answers to users. Teams can compare results while preserving the existing workflow.

منابع رسمی و مرتبط

پرداخت اقساطی ترب‌پیهر قسط 54.750 تومان
هر قسط 54.750 تومان•خرید قسطی با ترب‌پی بدون کارمزد   

“تسلط به برنامه‌نویسی پایتون با هوش مصنوعی: آموزش کدنویسی هوشمند با ChatGPT”

قیمت اصلی 2.290.000 تومان بود.قیمت فعلی 219.000 تومان است.

آموزش برنامه‌نویسی پایتون با کمک ChatGPT؛ از مبانی کدنویسی و حل خطا تا ساخت پروژه‌های هوشمند.