
فاتورة إعادة العمل الخاصة بـ GPT-6.2 Sol: رخيصة لكل توكن، مكلفة لكل إصلاح
- OrcaجديدOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 لكل مليون رمز · 185 tok/s
- tencentجديدTencent: Hy4 Flash2026-11-16$0.02 / $0.07 لكل مليون رمز · 826 tok/s
- AlibabaجديدQwen: Qwen4 Max2026-11-16$1.50 / $4.50 لكل مليون رمز · 407 tok/s
- GoogleجديدGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 لكل مليون رمز · 87 tok/s
- AnthropicجديدAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 لكل مليون رمز · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 لكل مليون رمز · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 لكل مليون رمز · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 لكل مليون رمز · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 لكل مليون رمز · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 لكل مليون رمز · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447الذكاء
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 لكل مليون رمز · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 لكل مليون رمز · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
في صباح يوم 20 نوفمبر، نشر المعلّق الصيني في مجال الذكاء الاصطناعي 宝玉 (@dotey) حكمًا بشأن GPT-6.2 Sol يعرفه أي شخص أمضى أسبوعًا مع النموذج. المهام البسيطة جيدة. أما مهام البرمجة المعقدة فليست أسوأ قليلًا فقط من Claude Opus 5.5 — فالعمل الذي ينجزه Sol لا يزال يحتاج إلى Opus لتنظيفه بعده، لذا كان الأفضل لك أن تسلّم المهمة إلى Opus من البداية. المنشور تقرير استخدام ولا شيء أكثر: لا حزمة اختبارات، ولا قائمة مهام، ولا diff، و124 إعجابًا وقت كتابة هذه السطور وسلسلة تعليقات تتجادل حوله. وهو أيضًا قابل للتحقق بطريقة لا تكون عليها معظم انطباعات أسبوع الإطلاق، لأن الشيء الذي يصفه له شكل. النموذج الذي يكون جيدًا في العمل السهل وينهار في العمل الصعب ينبغي أن يُظهر نمطًا محددًا في التقييمات — قوة في التنفيذ، وضعف في الفهم — والأرقام المنشورة إما أن يكون فيها هذا النمط أو لا.
وهم يفعلون ذلك إلى حد كبير. أطلقت OpenAI نموذج GPT-6.2 Sol في 17 نوفمبر 2026 بسعر دولارين لكل مليون رمز إدخال و10 دولارات لكل مليون رمز إخراج. وفي Coding Agent Index المستقل التابع لـ Artificial Analysis، يحلّ أدنى من النموذج الذي يحل محلّه، والعنصر الذي يسحبه إلى الأسفل هو ذاك الذي يتعيّن فيه على النموذج قراءة قاعدة شيفرة وأن يقول شيئًا صحيحًا عنها. تلك هي الآلية الكامنة وراء عبارة "يحتاج إلى تنظيف بعده"، مصوغةً كرقم. ما لا تفعله التغريدة، وما تحاول هذه المقالة فعله، هو تسعير التنظيف — لأنه عندما تجري الحساب فعليًا، يتبيّن أن فرضية إعادة العمل أقوى بكثير من حيث الزمن الفعلي منها من حيث المال، والاثنان يؤديان إلى قرارين مختلفين.
ما يدّعيه المنشور فعليًا
"اليوم أجريت اختبار إجهاد على GPT-6.2 Sol. المهام البسيطة كلها على ما يرام. أما في مهام البرمجة الأكثر تعقيدًا بقليل، فهو ليس أسوأ بقليل فقط من Opus 5.5 — فالعمل الذي ينجزه لا يزال يحتاج إلى Opus 5.5 لينظف ما بعده، لذا سيكون أفضل لك أن تدع Opus 5.5 يقوم به من البداية."
ثمة ثلاثة ادعاءات منفصلة تنطوي عليها تلك المقولة. أولًا، ادعاء بالجودة: Sol أسوأ بشكل جوهري من Opus 5.5 في البرمجة المعقدة. ثانيًا، ادعاء بسير العمل: تظهر الفجوة على هيئة إعادة عمل لا على هيئة فشل واضح — فتحصل على مخرجات تبدو مكتملة، ثم يتعين على نموذج أقوى إصلاحها. ثالثًا، ادعاء اقتصادي: تمحو إعادة العمل كل ما وفره سعر الرموز.
الأوليان قابلتان للاختبار مقابل التقييمات المنشورة. أما الثالثة فهي حسابية، وتعتمد على رقم لم ينشره أحد — مقدار تكلفة تمريرة إصلاح مقارنة بإنجاز المهمة مرة واحدة باستخدام النموذج المكلف. كل ما يلي يُبقي هذه الادعاءات الثلاثة منفصلة، لأنها لا تصمد جميعًا بالقدر نفسه.
تجري المقارنة النظيفة داخل إطار واحد.
تحذير واحد قبل أي أرقام، لأنها الطريقة الأكثر شيوعًا التي تُجرى بها هذه المقارنة على نحو غير أمين. تقيس Artificial Analysis وكلاء البرمجة كاقتران بين النموذج وإطار التشغيل: Codex لنماذج OpenAI، وClaude Code لنماذج Anthropic. تتغير تكلفة كل مهمة وإنفاق الرموز والزمن الفعلي مع إطار التشغيل بقدر ما تتغير مع النموذج، لذا فإن مقارنة خام من قبيل "يكلف Sol 1.22 دولارًا، ويكلف Opus 12.61 دولارًا" إنما تقيس جهازين مختلفين.
ما ينجو من ذلك الاعتراض هو أي مقارنة داخل إطار اختبار. داخل Codex، يمكن مقارنة GPT-6.2 Sol مباشرةً بـ GPT-6.1 Sol وGPT-6.2 Astra، على مهام متطابقة، وباستخدام الأدوات نفسها والتقييم نفسه — وهنا يكمُن الانحدار. ولا يزال الزوج العابر لإطارات الاختبار جديرًا بالطباعة، موسومًا بوضوح، لأنه المقارنة التي يجريها القارئ فعليًا عندما يختار بين اشتراك OpenAI واشتراك Anthropic.
• Codex، GPT-6.2 Sol (max) — Coding Agent Index 48.6، 1.22 دولار لكل مهمة، 4.25 مليون رمز
• Codex، GPT-6.1 Sol (max) — المؤشر 52.2، 1.51 دولار لكل مهمة، 4.33 مليون رمز
• Codex، GPT-6.2 Astra (max) — مؤشر 53.5، 5.12 دولار لكل مهمة، 4.67 مليون توكن
• Claude Code، Claude Opus 5.5 (الحد الأقصى) — المؤشر 58.2، 12.61 دولارًا لكل مهمة، 15.89 مليون رمز
اقرأ السطرين الأولين معًا. يسجل النموذج الجديد 3.6 نقطة أقل من النموذج الذي يحل محله، على أداة الاختبار نفسها، وباستهلاك للرموز لا يختلف عنه بأكثر من 2%. ولم يتغير السعر أيضًا — فقد حافظت Sol على 2 دولار و10 دولارات منذ 29 سبتمبر، وأبقت GPT-6.2 Sol قائمة الأسعار كما هي تمامًا. لذا ليس هذا نموذجًا أرخص يقايض الجودة بالسعر. إنه السعر نفسه، وأداة الاختبار نفسها، وقدرة أقل على الشيء الذي يقيسه المؤشر. مقارنة @dotey تخص نموذجًا من مورّد مختلف، لكن التراجع الذي يشعر به مرئي دون مغادرة خط منتجات OpenAI نفسه.

حيث تكون فجوة المهام المعقّدة حقيقية
إن Coding Agent Index هو مؤشر مركّب من ثلاثة تقييمات متساوية الوزن: FrontierCode-AA 2.0 (132 مهمة في هندسة البرمجيات، كتبتها Cognition ونفّذتها Artificial Analysis)، وTerminal-Bench 4.1 (66 مهمة طرفية وكيلية، من Laude Institute)، وSWE-Atlas-QnA-AA (124 مهمة أسئلة وأجوبة تقنية حول قاعدة شيفرة، من Scale AI مع تعديل التصحيح بواسطة Artificial Analysis). كل درجة هي متوسط ثلاث محاولات لكل مهمة.
قسّم Sol مقابل سابقه حسب المكوّن، وسيظهر الشكل الذي يصفه @dotey فورًا:
• SWE-Atlas-QnA-AA — GPT-6.2 Sol 46.2% مقابل GPT-6.1 Sol 59.9%، بانخفاض 13.7 نقطة ضمن إطار اختبار واحد
• FrontierCode-AA 2.0 — 41.5% مقابل 42.5%، ثابت تقريبًا
• Terminal-Bench 4.1 — 58.1% مقابل 54.0%، بزيادة 4.1 نقطة
إذن أصبح النموذج أفضل في الفعل وأسوأ في المعرفة. العمل في الطرفية هو تنفيذ ومراقبة: شغّل الأمر، واقرأ المخرجات، وعدّل. الأسئلة والأجوبة حول قاعدة الشيفرة هي استرجاع وإبلاغ: اعثر على الشيفرة ذات الصلة، وافهم سبب كونها على ما هي عليه، واذكر السبب بدقة. النموذج الذي يتحسن في الأول ويتراجع بمقدار 13.7 نقطة في الثاني سيجتاز اختبارًا دخانيًا وينتج تعديلات تبدو صحيحة وتغفل السبب الذي كُتبت الشيفرة من أجله على هذا النحو. وهذا تحديدًا هو نمط الفشل الذي يولّد إعادة عمل بدلًا من رسالة خطأ، ولهذا تصل الشكوى بصيغة «يحتاج إلى تنظيف» بدلًا من «لا يعمل».
الفجوة المطلقة إلى Opus 5.5 في التقييم نفسه أكبر بعد — 46.2% مقابل 65.9% — لكن تلك تعبر بين أدوات اختبار مختلفة، لذا تعامل معها كاتجاهية. أما التراجع البالغ 13.7 نقطة داخل Codex فليس اتجاهيًا. فهو نفس أداة الاختبار، ونفس المهام الـ124، ونفس المُقيِّم، والنموذج ببساطة يجيب عن أسئلة تتعلق بقاعدة شيفرة بدقة أقل من النموذج الذي حلّ محله.

حيث يكون Sol على ما يرام حقًا
يستحق الشطر الأول من التغريدة المعاملة نفسها التي يستحقها شطرها الثاني. فـ«المهام البسيطة لا بأس بها» ليست تنازلًا؛ بل على مؤشر الذكاء المركّب، الذي يُخضع كل نموذج لمجموعة واحدة متطابقة بدلًا من أدوات تقييم المورّدين، يتفوق GPT-6.2 Sol بأقصى جهد على Claude Opus 5.5 بأقصى جهد في عدة مكوّنات تفوقًا صريحًا:
• Terminal-Bench-Science 0.1 — 67.6% مقابل 59.0%، فوز بفارق 8.6 نقاط لصالح Sol
• AutomationBench-AA — 71.3% مقابل 69.5%
• Terminal-Bench 4.0 — 60.1% مقابل 59.6%
• GDP.pdf اجتياز كامل — 30.0% مقابل 26.2%
ويفشل في تلك التي تتطلب الاحتفاظ بحقيقة والإبلاغ عنها:
• HLE-Diamond — 64.0% مقابل 67.9%
• AnalystAgent — 53.8% مقابل 56.3%
• AA-Omniscience — 40.4 بدقة 61.6% مقابل 48.1 بدقة 65.5%
• FrontierCode-AA 2.0 (نسخة المؤشر) — 44.4% مقابل 46.4%
إن صف «Omniscience» هو الصف الجدير بالتأمل. فهو التقييم الذي يقيس ما إذا كان النموذج يعرف ما لا يعرفه: فـ Sol يجيب إجابة صحيحة بنسبة 61.6%، ومعدل اختلاقه 55.4%، مقابل 65.5% و50.3% لدى Opus 5.5. والنموذج الذي يجيب إجابة صحيحة أقل بنحو أربع نقاط، ويختلق شيئًا أكثر بخمس نقاط، هو نموذج يجب على الإنسان التحقق من مخرجاته — وهذا هو ادعاء إعادة العمل، آتيًا من اتجاه ثانٍ.
Net، يسجّل Sol 57.3 مقابل 59.1 على المقياس المركّب، ويحقق ذلك في 9.6 دقيقة لكل مهمة بدلًا من 25.7، وبتكلفة 1.01 دولار بدلًا من 10.04 دولارات، بينما يصدر 60.9 مليون رمز إخراج عبر المجموعة مقابل 218 مليونًا لدى Opus. وأيًا كان ما عدا ذلك صحيحًا، فإن النموذج الرخيص ليس بطيئًا وليس مُسهِبًا.
لقد تم بالفعل مسح قرص الجهد
الاعتراض الواضح من أي شخص استخدم نموذجًا استدلاليًا من OpenAI هو أن هذا هو الإعداد الخاطئ. اخفِض الجهد فيتوقف النموذج عن الإفراط في التفكير؛ وارفعه فيتوقف عن التساهل. لقد أجرت Artificial Analysis بالفعل المسح الكامل على Coding Agent Index داخل Codex، وهو لا ينقذ الموقف:
• منخفض — 37.2
• متوسط — 45.4
• مرتفع — 47.5
• xhigh — 49.8
• الحد الأقصى — 48.6
تكون الذروة عند xhigh، وليس عند الحد الأقصى: فالدقع إلى أقصى جهد يكلف في الواقع 1.2 نقطة، وهو نوع النتيجة غير الرتيبة التي تظهر عندما يبدأ النموذج في التشكيك في نفسه. لكن حتى أفضل إعداد، 49.8، يقع أقل بـ2.4 نقطة من حيث سجّل GPT-6.1 Sol عند الحد الأقصى، وأقل بـ8.4 من Claude Opus 5.5. لا يوجد موضع للمقبض يصبح عنده GPT-6.2 Sol وكيل البرمجة الأقوى؛ هناك فقط خيار بشأن مقدار ما تريد دفعه مقابل 49.8.
من المفيد معرفة تكلفة ذلك الاختيار، فهي باهظة نسبيًا حتى وإن كانت رخيصة بالقيمة المطلقة. على Intelligence Index، يكلّف Sol 0.18 دولارًا للمهمة عند الجهد المنخفض، و0.41 دولارًا عند المتوسط، و0.56 دولارًا عند المرتفع، و0.65 دولارًا عند xhigh، و1.01 دولارًا عند max. الانتقال من المتوسط إلى xhigh يضاعف الجودة لكل مهمة تقريبًا — من 52.7 إلى 55.7 على ذلك المؤشر — ويكلّف 58% أكثر. الإعداد الافتراضي هو المتوسط، وهو الإعداد الذي ينتج درجة البرمجة البالغة 45.4. إذا كنت تقيّم Sol مقابل Opus، فقيّمه عند xhigh أو max، وإلا فأنت تقارن إعدادًا خاطئًا.
رقم واحد يتنبأ بإعادة العمل
هناك سلسلة بيانات ثانية في التشغيل نفسه تتناول مباشرةً تجربة «أنها تحتاج إلى تنظيف»، وهي ليست درجة جودة. تسجّل Artificial Analysis حالات الرفض الأمني لكل تقييم، وتُميّز بين حالات الرفض التي استعادت منها أداة الاختبار وبين تلك التي أنهت المحاولة. على SWE-Atlas-QnA-AA، عبر 372 محاولة:
• GPT-6.2 Sol (max) — 25 رفضًا، كل واحد منها إيقاف تام، 6.7% من المحاولات
• GPT-6.2 Sol (xhigh) — 22 حالة رفض، 5.9%
• GPT-6.2 Sol (متوسط) — 13 حالة رفض، 3.5%
• GPT-6.1 Sol (max) — 15 حالة رفض، 4.0%
• GPT-6.2 Astra (max) — 8 حالات رفض، 2.2%
• Claude Opus 5.5 — 52 رفضًا، لا شيء منها توقف صارم، 14.0%
سلسلة Opus هي المثيرة للاهتمام، وهي تتعارض مع قراءة كسولة. يرفض Opus 5.5 بمعدل أكبر من أي نموذج في هذا الجدول — وقد استعاد إطار الاختبار الحالات الـ52 كلها، فلم تتسبب أيٌّ منها في إفشال الجولة. أما Sol فيرفض أقلّ تكرارًا، ولم يستطع إطار الاختبار استعادة أيٍّ من حالات الرفض الـ25 الخاصة به. الرفض الذي يُنهي دورة الوكيل هو مهمة يجب أن يتولّاها إنسان الآن؛ والرفض الذي يُستعاد هو إعادة محاولة. في التقييم الأقرب إلى «الإجابة عن أسئلة حول هذا المستودع»، يفشل النموذج الذي تشكو منه التغريدة في النمط الذي ينتج عملًا غير مكتمل بدلًا من عمل خاطئ.
وبقراءة هذا إلى جانب انخفاض الفهم بمقدار 13.7 نقطة، فإنه يشكّل قصة متماسكة بدلًا من رقمين غير مرتبطين: فـ Sol أقل موثوقية في جزء الاسترجاع والإبلاغ من البرمجة، وعندما يتراجع، فإنه يتراجع بطريقة تُبقي المهمة مفتوحة.
تسعير تمريرة التنظيف
الآن الادعاء الثالث، الاقتصادي، وهو حيث يتغلب الحدس غالبًا على الحساب. استخدم تكلفة المهمة الواحدة في Intelligence Index، لأن هذه المجموعة تعتمد نفس أداة الاختبار لكل نموذج عليها، وبالتالي فإن الأرقام قابلة للمقارنة مباشرة: GPT-6.2 Sol $1.01، وClaude Opus 5.5 $10.04.

خُذ مهمة يُكملها Sol ثم يُصلحها Opus. لِتكن p هي نسبة المهام التي تحتاج إلى إصلاح، وr هي تكلفة الإصلاح ككسر من تمريرة Opus كاملة. تكلّف طريقة Sol ثم الإصلاح $1.01 + p × r × $10.04. تكلفة Opus وحده $10.04. تكون طريقة Sol ثم الإصلاح أرخص كلما كانت قيمة p × r أقل من 0.899.
هذا سقف عالٍ يتعيّن تجاوزه. إذا كلّف الإصلاح نصف تمريرة كاملة، فيمكنك إصلاح كل مهمة على حدة وتبقى أرخص بنسبة 78% من اللجوء مباشرةً إلى Opus. لا تنقلب الفاتورة إلا عندما تقترب تكاليف الإصلاح من تكلفة إعادة كاملة في كل مهمة تقريبًا: عند p = 1 وr = 1، تدفع $11.05 مقابل ما كان Opus سيفعله مقابل $10.04. على ألف مهمة، هذا $11,050 مقابل $10,040 — عقوبة بنسبة 10%، وليست الهزيمة الساحقة التي توحي بها التغريدة.
إذن، من ناحية المال وحده، لا تُبطل شكوى إعادة العمل حجة السعر ما لم تكن إعادة العمل شبه كلية. لكن المال ليس القيد الذي تصطدم به معظم الفرق. بل الوقت:
• الوقت لكل مهمة في مؤشر الذكاء — GPT-6.2 Sol: 9.6 دقيقة مقابل Claude Opus 5.5: 25.7 دقيقة
• الوقت الذي تحتاج فيه المهمة إلى إعادة تنفيذ كاملة بواسطة Opus — 9.6 + 25.7 = 35.3 دقيقة مقابل 25.7 دقيقة
• إنفاق الرموز على المجموعة نفسها — 60.9 مليون مقابل 218 مليون رمز إخراج
هنا تصمد فرضية إعادة العمل دون أي تحفظات. أي مهمة يحاولها Sol ثم يعيدها إليك هي مهمة استغرقت وقتًا أطول بنسبة 37% مما كانت ستستغرقه لو لجأت إلى Opus أولًا، ولا يمكنك استعادة ذلك الوقت برمز أرخص. إذا كان قيدك هو الموعد النهائي لا الميزانية — وهو الوضع الذي يكون فيه كل مطور تقريبًا حين ينشر هذه الشكوى — فإن @dotey على حق، والنقاش يدور حول الإنتاجية لا السعر.
ما الذي قد يغيّر الحكم؟
أمران، ولا يتوفر أيٌّ منهما بعد. الأول هو معدل إعادة العمل المنشور: ما نسبة فروق المهام المعقدة لدى Sol التي يتعين على نموذج أقوى تعديلها فعليًا، مقاسةً على مجموعة مهام ثابتة. لا أحد ينشر هذا، لأنه يتطلب تشغيل نموذجين على التذاكر نفسها ومقارنة الفروق بين النتائج، وهو الرقم الوحيد الذي من شأنه أن يحسم الجدل. والثاني هو رقم Sol الخاص بـ GPT-6.2 في تشغيل برمجي على منصة Anthropic، أو Opus 5.5 على Codex، وهو ما سيحوّل المقارنة العابرة للمنصات أعلاه إلى مواجهة مباشرة حقيقية.
في مقابل ذلك، لاحظ ما هو محسوم بالفعل. الانحدار حقيقي وهو داخل أداة اختبار واحدة. ومسح الجهد لا يصلحه. أما تقييم الفهم — ذاك الذي يتنبأ بإعادة العمل — فقد تحرّك في الاتجاه الخاطئ بمقدار 13.7 نقطة. والقارئ الذي يريد سببًا لإبقاء البرمجة المعقدة على Opus 5.5 لديه سبب لا يعتمد على انطباع أي أحد عن أسبوع الإطلاق.
تشغيل الاختبار على مهامك الخاصة
يمكن قياس معدل إعادة العمل على قائمة أعمالك المتراكمة لديك في غضون فترة بعد الظهر، وهو النسخة الوحيدة من هذا الرقم التي تهمك. خُذ عشرين مهمة شحنها فريقك فعليًا الشهر الماضي، ومرّر كلًا منها عبر كلا النموذجين عند إعداد الجهد نفسه، وقارن الرقع الناتجة بما دمجَه إنسان في النهاية. النسبة التي احتاجت إلى إعادة عمل جوهرية هي p؛ وتكلفة الرموز المميزة لجولة الإصلاح هي r.
يجعل OrcaRouter من ذلك قرارًا خاصًا بالتوجيه لا قرارًا خاصًا بالشراء: فـ anthropic/claude-opus-5.5 و openai/gpt-6.1-sol كلاهما خلف مفتاح واحد، بسعر قائمة البائع نفسه مع تمرير هامش ربح بنسبة 0%، لذا فالأرقام أعلاه هي الأرقام التي ستُفوتَر بها. وهذا يهم هنا أكثر من المعتاد، لأن النموذج الذي تدافع التغريدة ضده — GPT-6.2 Sol — ليس في كتالوجنا بعد؛ نحن لا نُشغّله، ولا يغيّر أي قدر من التوجيه ذلك. ما نُشغّله هو النموذج الذي حلّ Sol محلّه، وهو الضابط الصحيح لإجراء تجربة: شغّل 6.2 Sol أينما أمكنك الوصول إليه، وشغّل GPT-6.1 Sol على المهام نفسها عبرنا، وسيصبح تراجع الفهم بمقدار 13.7 نقطة أمرًا يمكنك تأكيده أو دحضه على شفرتك الخاصة بدلًا من مجموعة اختبارات اصطناعية.
بالنسبة لشكل النشر الذي توحي به البيانات، فإن لغة توجيه مخصّصة (routing DSL) هي الإجابة الصادقة: أرسِل خطوات التخطيط وفهم قاعدة الشيفرة إلى Opus 5.5، وأرسِل التنفيذ وحلقات الطرفية إلى النموذج الأرخص، ودَع التحويل التلقائي عند الفشل يغطّي الحالة التي يتعطّل فيها أحد المزوّدين في منتصف التشغيل. هذا إعداد، وليس معمارية — وهو ما تبدو عليه عبارة «استخدام Opus للتنظيف بعد Sol» عندما تكتبها على هيئة خط أنابيب بدلًا من أن تكتبها على هيئة شكوى.
الشيء الوحيد الجدير بأخذه من التغريدة، بغض النظر عن النموذج الذي تختاره: فاتورة مهمة البرمجة ليست عدد الـtokens. بل هي الـtokens زائد الدقائق البشرية زائد الوقت المنقضي فعليًا بين "تم" و"تم فعلًا". يفوز Sol في السطر الأول من ذلك السجل بشكل حاسم، ويفوز Opus 5.5 في السطرين الثاني والثالث كلما عادت مهمة، ولا ينشر أي مورّد معدل عودة المهام. وإلى أن يفعل أحدهم ذلك، فإن الرقم الوحيد الموثوق هو الذي تقيسه على الـdiffs الخاصة بك.
مقارنات في هذه المقالة1
مستخرج من هذه المقالة · المعايير: Artificial Analysis · يُحدَّث يوميًا
