بنچمارک Claude Fable 5 از صدرنشینی این مدل در تمام شاخص‌های تخصصی هوش مصنوعی حکایت دارد

پلتفرم ارزیابی Artificial Analysis شش شاخص جدید برای سنجش عملکرد مدل‌های هوش مصنوعی در صنایع مختلف منتشر کرده است. نتایج این بنچمارک نشان می‌دهد Claude Fable 5 از شرکت آنتروپیک در تمام شاخص‌های تخصصی رتبه نخست را کسب کرده، اما مدل‌های ارزان‌تر مانند DeepSeek V4 و GLM-5.2 با هزینه بسیار کمتر، عملکردی نزدیک به مدل‌های پرچم‌دار ارائه می‌دهند.

شاخص‌های جدید Artificial Analysis چه حوزه‌هایی را پوشش می‌دهند؟

پلتفرم Artificial Analysis شش شاخص جدید برای ارزیابی توانایی مدل‌های زبانی در وظایف تخصصی معرفی کرده است. این شاخص‌ها حوزه‌های زیر را پوشش می‌دهند:

• امور مالی و حسابداری (Finance & Accounting)
• حقوق (Legal)
• پزشکی و سلامت (Healthcare & Medical)
• استراتژی و عملیات (Strategy & Operations)
• مهندسی (Engineering)
• اقتصاد (Economics)

این شاخص‌ها در کنار دو شاخص قبلی Agentic و Coding، مجموعه کامل‌تری برای مقایسه مدل‌های هوش مصنوعی فراهم می‌کنند.

روش ارزیابی چگونه انجام شده است؟

به گفته Artificial Analysis، معیارهای ارزیابی بر اساس طبقه‌بندی مشاغل سامانه O*NET آمریکا انتخاب شده‌اند. وظایفی مانند مدل‌سازی مالی، تحلیل قراردادهای حقوقی، تصمیم‌گیری بالینی و مسائل مهندسی مبنای طراحی این آزمون‌ها بوده و وزن هر بخش نیز بر اساس میزان استفاده آن مهارت در صنعت مربوطه تعیین شده است.

مدل Claude Fable 5 در صدر تمام بنچمارک ها

طبق نتایج منتشرشده، Claude Fable 5 (با استفاده از Claude Opus 4.8 به‌عنوان مدل پشتیبان) در هر هشت شاخص موجود، رتبه نخست را کسب کرده است.

پس از آن:

• Claude Opus 4.8 (Max) در شش شاخص رتبه دوم را به دست آورده است.
• OpenAI GPT-5.5 (xHigh) در دو شاخص دیگر جایگاه دوم را کسب کرده است.

همچنین انتظار می‌رود معرفی GPT-5.6 بتواند فاصله OpenAI با مدل‌های Anthropic را کاهش دهد.

بنچمارک Claude Fable 5

رتبه‌بندی مدل‌ها در حوزه‌های مختلف

در رده‌های بعدی، جایگاه مدل‌ها بسته به نوع وظیفه تغییر می‌کند. از جمله مدل‌هایی که در شاخص‌های مختلف عملکرد قابل توجهی داشته‌اند می‌توان به موارد زیر اشاره کرد:

• Google Gemini 3.5 Flash
• Gemini 3.1 Pro Preview
• OpenAI GPT-5.5 (xHigh)
• Claude Sonnet 5 (Max)
• GLM-5.2 (Max)

در میان مدل‌های متن‌باز یا دارای وزن‌های باز، GLM-5.2 (Max) در پنج شاخص از شش شاخص صنعتی بهترین عملکرد را داشته است. در شاخص Strategy & Operations نیز DeepSeek V4 Pro (Max) بهترین مدل این دسته محسوب می‌شود.

هم‌خوانی با نتایج LMArena

نتایج Artificial Analysis با رتبه‌بندی‌های پلتفرم مستقل LMArena نیز هم‌خوانی دارد.

بر اساس آخرین جدول منتشرشده در ۷ ژوئیه ۲۰۲۶ (۱۶ تیر ۱۴۰۵):

• Claude Fable 5 در سه بخش Text Arena ،Code Arena و Agent Arena رتبه نخست را در اختیار دارد.
• آنتروپیک تنها شرکتی است که در هر سه بخش اصلی صدرنشین است.

در بخش Agent Arena نیز عملکرد مدل‌ها به این صورت گزارش شده است:

بهترین مدل همیشه بهترین انتخاب نیست

در کنار عملکرد فنی، هزینه استفاده از مدل‌ها نیز تفاوت قابل توجهی دارد.

بر اساس تحلیل Artificial Analysis:

• DeepSeek V4 Flash (Max) هر وظیفه را با هزینه‌ای کمتر از ۰.۰۴ دلار انجام می‌دهد.
• GLM-5.2 (Max) با هزینه‌ای بین ۰.۲۶ تا ۰.۵۸ دلار برای هر وظیفه، بهترین ارزش خرید را در میان مدل‌های Open-Weights ارائه می‌کند.
• Claude Fable 5 برای هر وظیفه در شاخص Strategy & Operations حدود ۳.۴۸ دلار هزینه دارد.

به عبارت دیگر، هزینه استفاده از Claude Fable 5 بیش از ۱۰۰ برابر بیشتر از DeepSeek V4 Pro (Max) است؛ در حالی که اختلاف عملکرد این دو مدل تنها ۱۲ امتیاز گزارش شده است.

بحث درباره ارزش واقعی مدل‌های گران‌قیمت

این اختلاف قیمت باعث شده بسیاری از شرکت‌ها به استفاده ترکیبی از مدل‌های هوش مصنوعی فکر کنند؛ به‌گونه‌ای که یک مدل قدرتمند وظایف را مدیریت کرده و اجرای بخش عمده کارها به مدل‌های ارزان‌تر واگذار شود.

در مقابل، برخی کارشناسان از جمله اتان مولیک معتقدند برتری واقعی مدل‌هایی مانند Claude Fable 5 هنوز به‌طور کامل در بنچمارک‌های فعلی قابل اندازه‌گیری نیست؛ هرچند تاکنون شواهد مستقلی برای تأیید این ادعا منتشر نشده است.

🔴 همچنین بخوانید: ادعای تازه درباره Fable 5؛ مدل Anthropic همچنان به درخواست‌های مرتبط با حملات سایبری پاسخ می‌دهد

🔴 همچنین بخوانید: اجرای بازی Generals به‌صورت پورت روی آیفون و آیپد با کمک هوش مصنوعی Claude Fable 5

جمع‌بندی

شاخص‌های جدید Artificial Analysis نشان می‌دهند Claude Fable 5 همچنان قدرتمندترین مدل هوش مصنوعی در وظایف تخصصی محسوب می‌شود. با این حال، اختلاف عملکرد آن با برخی رقبا نسبتاً محدود است، در حالی که هزینه استفاده از آن چندین برابر بیشتر است. به همین دلیل، برای بسیاری از شرکت‌ها انتخاب یک مدل ارزان‌تر یا ترکیب چند مدل مختلف می‌تواند از نظر اقتصادی گزینه منطقی‌تری باشد.

نظر شما چیست؟ آیا پرداخت هزینه بسیار بیشتر برای دستیابی به چند درصد عملکرد بهتر در مدل‌های هوش مصنوعی ارزش دارد یا مدل‌های اقتصادی‌تر انتخاب مناسب‌تری هستند؟