اختر مهمة. فحص الأدلة. قارن المفاضلات. تبدأ القائمة المختصرة للنماذج العملية بالعمل الذي تريد إنجازه.
لقطة المصدر 12 أكتوبر 2026
01/ ابدأ بالمهمة
اختبارات مختلفة. نقاط قوة مختلفة.
أعلى الوسائل التي تمت ملاحظتها في ستة جداول مرجعية لعصر الذكاء الاصطناعي. هذه نتائج مصدرية، وليست اختبارات Rubrex أو الفائزين العالميين. تختلف إعدادات التغطية والتقييم.
01 / الترميز طويل الأفق↗
كلود أوبوس 5.5 (كحد أقصى)
77.4%رمز المرآة متوسط النتيجة · ± 8.3 نقطة مئوية — خطأ معياري
إعادة تنفيذ البرامج كاملة من سلوكها وتوثيقها.
بدأ التشغيل: .
يستخدم ميزانية وكيل كبيرة: تصل إلى سبعة أيام و10 مليار رمز لكل محاولة. هذا ليس اختبارًا سريعًا لمساعد الترميز.
في هذه اللقطة، كلود أوبوس 5.5 (كحد أقصى) لديه أعلى متوسط تمت ملاحظته على MirrorCode؛ GPT-6 أسترا (الحد الأقصى) يقود جولات GPQA Diamond المضمنة. استخدم النتائج الخاصة بالمهمة أدناه لاختيار المرشحين، ثم اختبرهم على الأمثلة الخاصة بك بميزانية ثابتة.
02/ استكشاف الأدلة
قارن ضمن نفس الاختبار.
رمز المرآة
إعادة تنفيذ البرامج كاملة من سلوكها وتوثيقها. يستخدم ميزانية وكيل كبيرة: تصل إلى سبعة أيام و10 مليار رمز لكل محاولة. هذا ليس اختبارًا سريعًا لمساعد الترميز.
عرض 9 من 9 يعمل تقييم المطابقة. مرتبة حسب متوسط الدرجات، الأعلى أولاً. ± هو خطأ قياسي واحد بالنقاط المئوية، حيثما تم توفيره.
قم بتمرير الجدول أفقيًا على الشاشات الصغيرة.
رمز المرآة: التقييمات الداخلية لعصر الذكاء الاصطناعي
النموذج والإعداد
متوسط النتيجة
خطأ قياسي
بدأ التشغيل
كلود أوبوس 5.5 (كحد أقصى)أنثروبي
77.4%
± 8.3 نقطة مئوية
22 سبتمبر 2026
كلود فابل 5.1 (عالي)أنثروبي
73.3%
± 9.2 ص
10 سبتمبر 2026
كلود الخرافة 5 (عالي)أنثروبي
63.9%
± 10.4 ص
10 أغسطس 2026
GPT-6 استرا (عالي)OpenAI
46.7%
± 11.9 نقطة مئوية
30 أغسطس 2026
كلود أوبوس 4.7 (عالي)أنثروبي
31.1%
± 9.0 ص
12 أغسطس 2026
GPT-5.6 سول (عالي)OpenAI
20.0%
± 9.2 ص
10 أغسطس 2026
GPT-5.4 (عالي)OpenAI
15.6%
± 7.7 ص
10 أغسطس 2026
GPT-5.5 (عالي)OpenAI
10.0%
± 6.0 ص
10 أغسطس 2026
الجوزاء 3.1 معاينة بروجوجل ديب مايند
8.9%
± 4.6 ص
10 أغسطس 2026
03 / قم ببناء القائمة المختصرة الخاصة بك
موديلين. ستة أسئلة مختلفة.
قارن بين العائلات النموذجية باستخدام أعلى متوسط درجاتها الملحوظ في كل اختبار. يظهر الإعداد الدقيق أسفل كل نتيجة. وجهة النظر هذه لا تساوي جهد التفكير أو حساب الميزانيات.
كلود أوبوس 5.5لا توجد نتيجةمفقود من لقطة المصدر هذه
جي بي تي-6 أسترالا توجد نتيجةمفقود من لقطة المصدر هذه
النتيجة المفقودة مجهولة وليست صفر. يمكن أن يكون للوسائل الأعلى عدم يقين متداخل. هذه النتائج هي إشارة إلى القائمة المختصرة، وليست دليلاً على التفوق في عبء العمل الخاص بك.
04/ جعل الميزانية صريحة
ما هي تكلفة الرموز؟
عينة مؤرخة من كتالوج OpenRouter العام. الأسعار هي دولار أمريكي لكل مليون رمز في الطبقة الأساسية المدرجة. يستخدم المثال 10000 رمز إدخال و2000 رمز إخراج مفوتر إجماليًا لطلب واحد.
قم بتمرير الجدول أفقيًا على الشاشات الصغيرة.
أسعار كتالوج OpenRouter، مستقلة عن المؤشر القياسي، أعلى من ذلك
هذا تقدير رمزي، وليس تكلفة لكل مهمة ناجحة. يمكن للرموز المنطقية الإضافية، وإعادة المحاولة، والأدوات، والبحث، والوسائط، واختلافات التوجيه/الموفر، ومستويات السياق الأعلى أن تغير الفاتورة. يتم استبعاد خصومات ذاكرة التخزين المؤقت والدُفعات. تحقق من قائمة النماذج المرتبطة قبل الشراء.
05/ الأدلة التي يمكنك تتبعها
تعرف على معنى الأرقام.
مصدر واحد للنتائج المرجعية
222 تظهر العائلات النموذجية عبر هذه الجداول الستة. نحن نستورد متوسط الدرجات التي يتم تشغيلها داخليًا في Epoch AI، ونحتفظ بالإعدادات الدقيقة، ونعرض الأخطاء القياسية المتوفرة. نقوم بتحويل الكسور إلى نسب مئوية وفرز النتائج. نحن لا نقوم بمتوسط المعايير غير ذات الصلة في تصنيف جديد.
تم استرجاع المصادر 12 أكتوبر 2026. هذه لقطة محفوظة وليست بثًا مباشرًا. يمكن أن يكون تاريخ التشغيل في كل صف أقدم من تاريخ التنزيل. تدخل النماذج الجديدة اختبارات مختلفة في أوقات مختلفة؛ النتيجة المفقودة لا تعني ضعف الأداء.
تؤثر جهود التفكير والأدوات والسقالات وميزانيات الحساب على النتائج. إن الفجوة الصغيرة في متوسط الدرجات ليست اختبار أهمية إحصائية. قبل تبديل النماذج، قم بتقييم نجاح المهمة وزمن الوصول وخطورة الفشل والتكلفة الإجمالية في ظل ظروف التشغيل الخاصة بك.
لا تقيس هذه الجداول المعيارية سرعة واجهة برمجة التطبيقات (API) أو تفضيلات المستخدم. يوفر التحليل الاصطناعي مقارنات الأداء؛ توفر الساحة مقارنات قائمة على التفضيلات. تجيب اختباراتهم على أسئلة مختلفة، لذلك لا يتم دمج أرقامهم في هذا الجدول.
يمكن أن يتغير تصدير المصدر بعد هذه اللقطة. نحن لا ننشر أي تصنيف برعاية مقدم الخدمة ولا ندعي أن هذه النتائج تثبت موثوقية الإنتاج.
قبل أن تختار
بعض الإجابات المفيدة.
لماذا يغيب الطراز الأحدث عن بعض الاختبارات؟
يستغرق التقييم المستقل وقتًا، ويغطي كل معيار مجموعة مختلفة من النماذج. نترك النتائج المفقودة فارغة. نحن لا نستنتج النتيجة من نموذج آخر في نفس العائلة أو من مطالبة الإطلاق.
هل النموذج الأرخص يقدم أفضل قيمة؟
فقط إذا كان يلبي شريط الجودة الخاص بك. قارن التكلفة لكل مهمة ناجحة، بما في ذلك عمليات إعادة المحاولة والمراجعة البشرية. لا يزال من الممكن أن ينتج عن السعر الرمزي المنخفض سير عمل باهظ الثمن.
هل يمكن لهذه النتائج اختيار نموذج لـ RAG أو دعم العملاء؟
يمكنهم المساعدة في بناء قائمة مختصرة. لا تزال بحاجة إلى مستندات تمثيلية، وحالات المسؤولية، وفحوصات الاستشهاد، وحدود الأدوات، واختبارات التطبيق الكامل.