مدل جدید دیپ‌سیک با کسری از هزینه GPT-6 آسترا، در طراحی رقابت می‌کند

OpenDesign Arena: مدل هوش مصنوعی DeepSeek با قیمتی ناچیز، رقیب جدی OpenAI شد

شرکت OpenDesign، که سایت معیار OpenDesign Arena را راه‌اندازی کرده است، این هفته ۱۳ مدل هوش مصنوعی را در مجموعه‌ای از وظایف طراحی مورد آزمایش قرار داد. در این میان، مدل GPT-6 Astra از شرکت OpenAI با کسب بالاترین امتیاز پیشتاز شد. با این حال، جدیدترین مدل DeepSeek، یعنی V4.1 Flash، توانست ۹۸ درصد از امتیاز مدل برتر را کسب کند و این در حالی است که هزینه استفاده از آن تنها حدود ۱.۴ درصد از هزینه مدل پیشتاز بود.

OpenDesign Arena مدل‌ها را بر اساس کارهای روزمره طراحی، از جمله ساخت اپلیکیشن‌های وب، داشبوردها، صفحات موبایل و صفحات فرود، با امتیازی از ۱۰۰ ارزیابی می‌کند. ۳۰ امتیاز از این مجموع، به بررسی این موضوع اختصاص دارد که آیا خروجی مدل با درخواست اولیه مطابقت دارد یا خیر؛ ۷۰ امتیاز باقی‌مانده نیز کیفیت طراحی را بر اساس چیدمان، سلسله مراتب، رنگ و تناسب سبک ارزیابی می‌کند.

این پلتفرم با هدف پاسخگویی به سوالی محدودتر نسبت به اکثر رتبه‌بندی‌های هوش مصنوعی طراحی شده است: کدام مدل را یک طراح وب حرفه‌ای باید فردا استفاده کند؟

در این مقیاس، GPT-6 Astra به طور متوسط ۸۲.۷ امتیاز کسب کرد، ۱۱.۱ دقیقه زمان برای هر طراحی کامل شده نیاز داشت و هزینه آن ۱.۶۱ دلار بود. DeepSeek V4.1 Flash با امتیاز ۸۱.۲، کار را در ۵.۳ دقیقه به پایان رساند و هزینه آن تنها ۰.۰۲۳ دلار بود. مدل Claude Fable 5.1 نیز با امتیاز ۸۰.۳، ۱۲.۸ دقیقه زمان صرف کرد و هزینه آن ۳.۶۶ دلار بود.

سایر مدل‌هایی که OpenDesign آزمایش کرد – از جمله Grok 4.6، Qwen 3.8-Max، Kimi K3، GLM-5.3 Flash و Gemini 3.8 Flash – همگی امتیازی پایین‌تر از DeepSeek V4.1 Flash کسب کردند و هزینه اجرای آن‌ها نیز بیشتر بود. این شامل ۱۱ مدل از ۱۳ مدل آزمایش شده می‌شود. تنها GPT-6 Astra توانست به طور قاطع بر آن غلبه کند، آن هم تنها با یک و نیم امتیاز اختلاف.

گزارش فنی DeepSeek برای V4.1 Flash توضیح می‌دهد که این صرفه‌جویی از کجا ناشی می‌شود. این مدل در مجموع ۵۵۲ میلیارد پارامتر دارد – تنظیمات داخلی که یک مدل در طول آموزش برای ذخیره آموخته‌های خود تنظیم می‌کند – اما تنها ۸ میلیارد از آن‌ها را برای خواندن درخواست ورودی و ۱۶ میلیارد را برای نوشتن پاسخ فعال می‌کند. DeepSeek این را یک طراحی Causal Encoder-Decoder می‌نامد و این همان ترفندی است که پشت زمان تکمیل سریع این مدل قرار دارد.

این اولین تلاش DeepSeek برای کاهش شکاف قابلیت‌ها با هزینه‌ای کم نیست. چند هفته قبل، مدل V4 Pro این شرکت در مقایسه معیار جداگانه‌ای، در فاصله ۵ درصدی Claude Fable 5 قرار گرفت و در عین حال کسری از نرخ Fable را دریافت می‌کرد. DeepSeek همچنین در حال جذب مهندس در پکن برای ساخت Code Harness اختصاصی خود است و هدفش مالکیت کامل پشته عامل (agentic stack) به جای صرفاً تأمین مدل زیربنایی آن است.

تنظیمات تست OpenDesign، دامنه اثبات این اعداد را محدود می‌کند. خروجی یک مدل تنها در صورتی امتیاز می‌گیرد که در وهله اول به عنوان یک صفحه وب قابل کار رندر شود؛ هر چیزی که خالی، شکسته یا بریده باشد، صفر امتیاز می‌گیرد و مجدداً آزمایش نمی‌شود. این بدان معناست که این معیار، خروجی طراحی قابل اعتماد و روزمره را اندازه‌گیری می‌کند، نه استدلال عمومی یا مهارت کدنویسی را.

GPT-6 Astra که OpenAI در تاریخ ۳ سپتامبر منتشر کرد، از قبل شهرت انجام طیف وسیعی از کارها را دارد – از چیدمان یک برد مدار گرفته تا پیش‌نویس اظهارنامه مالیاتی و ساخت یک صحنه سه‌بعدی – اما آزمایش‌کنندگان اولیه آن را به عنوان یک نویسنده ضعیف‌تر نسبت به مدلی که جایگزین کرده بود، معرفی کردند. قیمت و سرعت آن در نمودار OpenDesign با همین طراحی همه‌کاره مطابقت دارد: کندتر و گران‌تر از ورودی ارزان‌تر DeepSeek، اما همچنان بالاترین امتیاز را در این حوزه کسب کرده است.

نرخ تحویل V4.1 Flash DeepSeek – سهم خروجی‌هایی که OpenDesign آن‌ها را آماده تحویل بدون بازبینی قضاوت کرد – ۵۷.۷ درصد بود. نرخ تحویل GPT-6 Astra ۶۰ درصد و Claude Fable 5.1 نیز ۵۶.۷ درصد بود.