کلود اپوس ۵، در اکثر بنچمارک‌ها از فیبل ۵ پیشی گرفت – با نصف قیمت

امروز Claude Opus 5 عرضه شد. این مدل برای کسب‌وکارها ارزان‌تر از مدل پیشرو Anthropic، یعنی Claude Fable 5، تمام می‌شود؛ مدلی که این شرکت آن را به عنوان محصول پیشرفته روزمره برای کاربران پولی معرفی کرده بود. علاوه بر این، Opus 5 در معیارهای مهم نیز از آن پیشی می‌گیرد.

برای درک جایگاه Opus 5: خط تولید Anthropic چهار سطح دارد. Haiku سریع و ارزان است. Sonnet در رده میانی قرار دارد. Opus نیز ابزار قدرتمند و سنگین است. بالاتر از آن، کلاس Mythos قرار دارد؛ سطحی که Anthropic در بهار امسال معرفی کرد و شامل Claude Fable 5 برای عموم و Claude Mythos 5، نسخه‌ای با محدودیت‌های کمتر که از طریق Project Glasswing برای محققان امنیت سایبری تأیید شده و اپراتورهای زیرساخت‌های حیاتی رزرو شده است، می‌شود.

Fable 5 دوران پر فراز و نشیبی را به عنوان پرچمدار مشترکین خود داشته است. این مدل در ۹ ژوئن عرضه شد، سه روز بعد به دلیل صدور دستور کنترل صادرات اضطراری توسط دولت ایالات متحده با استناد به آسیب‌پذیری “جیلبریک” در سراسر جهان جمع‌آوری شد و در ۳۰ ژوئن بازگشت؛ اما بلافاصله به مدلی صرفاً مبتنی بر اعتبار (credits) تغییر یافت و دیگر در طرح‌های استاندارد گنجانده نشد. Opus 5 اکنون جایگاهی را پر می‌کند که Fable 5 نتوانست آن را حفظ کند.

Lovable، یک پلتفرم توسعه‌دهنده با میلیون‌ها کاربر، Opus 5 را در ارزیابی‌های داخلی خود اجرا کرد و خاطرنشان ساخت که پیشرفت‌ها فراتر از امتیازات خام است: فابیان هدین در بیانیه‌ای که توسط Anthropic به اشتراک گذاشته شد، گفت: “این مدل نه تنها در سخت‌ترین وظایف کدنویسی عامل‌محور ما، با ۲۲ درصد بهبود نسبت به Opus 4.7، بهتر عمل می‌کند، بلکه پایدارتر است و واریانس بسیار کمتری در اجرای متوالی دارد.”

ممکن است عجیب به نظر برسد، اما Opus در تقریباً تمام مواردی که برای کاربر روزمره اهمیت دارد، از Fable بهتر عمل می‌کند، در حالی که مانند Fable برچسب کلاس Mythos را ندارد.

در Frontier-Bench v0.1، معیاری که توانایی عاملان کدنویس هوش مصنوعی را در تکمیل وظایف مهندسی نرم‌افزار واقعی از ابتدا تا انتها می‌سنجد و بر اساس درصد وظایف انجام شده امتیازدهی می‌شود، Opus 5 به امتیاز ۴۳.۳ درصد دست یافت. Fable 5 با ۳۳.۷ درصد در رده بعدی قرار گرفت. GPT-5.6 Sol از OpenAI، رقیب تجاری اصلی Anthropic، امتیاز ۳۴.۴ درصد را کسب کرد.

بیشترین اختلاف در ARC-AGI-3 مشاهده شد، آزمونی برای حل مسئله واقعی که بر اساس پازل‌های جدیدی ساخته شده که یک مدل نمی‌توانسته از داده‌های آموزشی خود حفظ کند و بر اساس درصد پازل‌های حل شده امتیازدهی می‌شود. Opus 5 به امتیاز ۳۰.۲ درصد رسید؛ GPT-5.6 Sol امتیاز ۷.۸ درصد را کسب کرد؛ و Fable 5 اصلاً مورد آزمایش قرار نگرفت. در GDPval-AA v2، یک معیار کاری دانش‌محور که از طریق رتبه‌بندی Elo، سیستم رتبه‌بندی شطرنج‌مانند برای سنجش عملکرد نسبی در وظایف حرفه‌ای واقعی، امتیازدهی می‌شود، Opus 5 به امتیاز ۱۸۶۱ در مقابل ۱۷۴۷ برای Fable 5 و ۱۷۳۶ برای GPT-5.6 Sol دست یافت.

Zapier، Opus 5 را در AutomationBench، ارزیابی که می‌سنجد آیا یک مدل می‌تواند یک گردش کار کامل تجاری را بدون کمک انسان از ابتدا تا انتها انجام دهد، آزمایش کرد. نتیجه‌گیری آن‌ها: این مدل “یک صفحه گسترده خام سلامت حساب را گرفت و یک دنباله کامل پیشگیری از ریزش را از ابتدا تا انتها اجرا کرد: شناسایی حساب‌های در معرض خطر، هشدار دادن به مالک مربوطه و خلاصه‌سازی برای عملیات حفظ مشتری. مدل‌های قبلی موفق به انجام این کار نشدند؛ Opus 5 به امتیاز ۱۰۰ درصد دست یافت.”

Anthropic همچنین Opus 5 را به عنوان یک ارتقاء تحقیقاتی معرفی می‌کند. Ultima Genomics، یک شرکت توالی‌یابی DNA، اعلام کرد که این مدل “بیشتر شبیه یک دانشمند دقیق عمل می‌کند تا هر مدل دیگری که ما اجرا کرده‌ایم. این مدل برای یافتن آزمون‌های آماری مناسب برای رد کردن عوامل مخدوش‌کننده تلاش می‌کند، نتایج خود را با روش‌های مستقل بررسی می‌کند و در طول تحلیل‌های طولانی چند مرحله‌ای در مسیر خود باقی می‌ماند.”

با این حال، این دو حوزه – حقوقی و بهداشت – تنها مواردی هستند که Fable 5 با اختلاف جزئی در آن‌ها برتری دارد.

این عرضه یک هفته پس از آن صورت می‌گیرد که Moonshot AI، یک استارتاپ مستقر در پکن با حمایت Alibaba، از Kimi K3 رونمایی کرد؛ یک مدل با وزن باز ۲.۸ تریلیون پارامتری (به این معنی که هر کسی می‌تواند کد زیربنایی را برای اجرای مستقل آن دانلود کند) که Moonshot آن را بزرگترین سیستم هوش مصنوعی باز جهان توصیف می‌کند. معیارهای مستقل به طور مداوم Kimi K3 را در رتبه سوم کلی قرار می‌دهند، پس از Fable 5 و GPT-5.6 Sol، اما در زمینه‌های خاصی از این دو پیشی می‌گیرد.

Opus 5 اکنون از طریق API با قیمت ۵ دلار به ازای هر میلیون توکن ورودی و ۲۵ دلار به ازای هر میلیون توکن خروجی در دسترس است. (توکن‌ها واحد پایه اطلاعاتی هستند که یک مدل هوش مصنوعی می‌تواند در ورودی و خروجی پردازش کند). حالت Fast که با سرعتی تقریباً ۲.۵ برابر سرعت پیش‌فرض اجرا می‌شود نیز با دو برابر قیمت پایه – ۱۰ دلار به ازای هر میلیون توکن ورودی و ۵۰ دلار به ازای هر میلیون توکن خروجی – در دسترس است.

این عرضه ممکن است به اضطراب ناشی از عدم دسترسی عمومی Fable 5 پایان دهد. Opus همچنین از طریق اشتراک برای همه در دسترس است.