اگر امروز مدیریت یک شرکت حقوقی یا کلینیک پزشکی هستید، ابزاری دارید که دقیقترین تحلیلهای تخصصی جهان را ارائه میدهد، اما احتمالاً بودجهتان را تکان خواهد داد. مدل Claude Fable 5 محصول شرکت Anthropic اکنون در تمام شاخصهای عملکردی تخصصی، جایگاه نخست را تصاحب کرده است. این مدل در حال حاضر بر هر شاخص عملکردی خاص صنعت در مطالعه جدید Artificial Analysis تسلط کامل دارد.
این برتری در حوزههای مالی، حقوقی، بهداشت و درمان، استراتژی، مهندسی و اقتصاد مشاهده میشود. طبق گزارش Artificial Analysis، این نخستین بار است که یک مدل موفق میشود در تمام دستههای این چارچوب تخصصی، رتبهی اول را کسب کند و به طور کامل تمام دستهها را در اختیار بگیرد. این دستاورد در حالی حاصل شده که پیش از این در بررسیهای سختگیرانهتر، تنها ۳٪ از وظایف پیچیده اداری توسط پیشرفتهترین مدلها حل شده بود، که نشاندهنده جهش قابل توجه در قابلیتهای مدلهای فعلی است.
همانطور که در تحلیل قبلی ما دربارهی رشد شتابدار درآمد آنتروپیک اشاره کردیم، این برتری فنی دلیل اصلی هجوم شرکتهای بزرگ به اکوسیستم این شرکت است. در دنیایی که محکهای عمومی در حال اشباع و رسیدن به یک سقف هستند، صنعت در حال تغییر مسیر به سمت «هوش مصنوعی عمودی» است؛ یعنی مدلهایی که میتوانند واقعاً یک حسابرسی پیچیده قرارداد یا یک وظیفه پشتیبانی تصمیمگیری بالینی را بدون توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی میگوید که اصلاً وجود ندارد — انجام دهند.
متدولوژی ارزیابی
چارچوب Artificial Analysis در واقع گسترش یافتهی شاخصهای موجود این پلتفرم در زمینههای «عاملمحور» (Agentic) و «کدنویسی» است. این متدولوژی بر اساس طبقهبندیهای شغلی سیستم O*NET ایالات متحده طراحی شده است. مهارتهای تخصصی هر حوزه، مانند مدلسازی مالی، پژوهشهای حقوقی و تحلیل قرارداد، مستقیماً از وظایف شغلی تعریف شده در این سیستم استخراج شدهاند.
برای هر دامنه، یک مجموعه جدید از محکها (Benchmark suite) گردآوری شده و بر اساس تعداد دفعاتی که یک مهارت خاص در آن صنعت ظاهر میشود، وزندهی شدهاند. Artificial Analysis تأیید میکند که تمامی این محکها و تستها بهصورت مستقل از یکدیگر اجرا شدهاند تا دقت نتایج تضمین شود.
جزئیات عملکرد
بر اساس گزارش ۸ ژوئیه ۲۰۲۶، نتایج بسیار تکاندهنده و شفاف است:
- Claude Fable 5 (که در صورت نیاز به مدل Opus 4.8 به عنوان پشتیبان یا Fallback متکی است) در هر ۸ شاخص رتبهی اول را دارد.
- Claude Opus 4.8 (نسخه max) در ۶ مورد از ۸ دسته، جایگاه دوم را کسب کرد.
- مدل GPT-5.5 (نسخه xhigh) از OpenAI در ۲ شاخص باقیمانده رتبهی دوم شد.
- در میان مدلهای وزنهای باز (Open Weights) — یعنی مدلهایی که ساختار و پارامترهایشان علناً منتشر شده — مدل GLM-5.2 (نسخه max) در ۵ دسته از ۶ حوزه صنعتی پیشتا بود.
در محک مهندسی، مدل GLM-5.2 با کسب ۵۳ امتیاز در جایگاه پنجم کلی قرار گرفت و تنها اندکی با Claude Sonnet 5 (max) و GPT-5.5 (xhigh) که هر دو ۵۵ امتیاز کسب کردند، فاصله داشت. در همین حال، مدل DeepSeek V4 Pro (max) با کسب ۳۸ امتیاز، در شاخص استراتژی و عملیات، پیشتاز مدلهای وزنباز است.
در ردههای پایینتر از سطح برتر، رتبهبندیها بسته به هر دامنه تغییر میکنند. مدلهایی نظیر Gemini 3.5 Flash گوگل، Gemini 3.1 Pro Preview، GPT-5.5 (xhigh)، Claude Sonnet 5 (max) و GLM-5.2 (max) بسته به نوع وظیفه خاص، بهطور مکرر جایگاههای خود را با یکدیگر عوض میکنند.
اعتبارسنجی خارجی
این نتایج با دادههای LMArena در برش زمانی ۷ ژوئیه همخوانی دارد، جایی که Fable 5 جایگاه نخست را در میدانهای متن (Text)، کد (Code) و عامل (Agent) — سیستمهایی که میتوانند بهطور مستقل هدف را دنبال کنند — در اختیار دارد. آنتروپیک در حال حاضر تنها آزمایشگاهی است که در هر سه دستهی اصلی پیشتاز است.
بهطور خاص در میدان عاملها، Fable 5 با ۱۶.۵۸٪ برتری نسبت به میانگین مدلها، بسیار جلوتر از GPT-5.5 xHigh با ۸.۶۶٪ و مدل GLM 5.2 شرکت Z.ai با ۶.۶۲٪ قرار دارد. سایر رقبا فاصله بیشتری دارند: OpenAI در میدان متن رتبهی دهم، گوگل رتبهی هفتم و DeepSeek رتبهی سی و هشتم را دارد.
قیمت کیفیت
اما این کیفیت هزینهی مالی سنگینی دارد. مدل DeepSeek V4 Flash (max) میتواند وظایف در هر ۶ شاخص را با هزینهای کمتر از ۰.۰۴ دلار برای هر تسک انجام دهد. مدل GLM-5.2 (max) نیز بهترین عملکرد در مدلهای وزنباز را با هزینهای بین ۰.۲۶ تا ۰.۵۸ دلار برای هر تسک ارائه میدهد.
در مقابل، انجام یک تکوظیفه در شاخص استراتژی و عملیات برای Fable 5 مبلغ ۳.۴۸ دلار هزینه دارد. در مقایسه با DeepSeek V4 Pro (max) که ۰.۰۳ دلار هزینه دارد، این یک افزایش قیمت ۱۰۰ برابری است، در حالی که برتری عملکرد تنها ۱۲ امتیاز است. این تضاد قیمتی در اکوسیستم آنتروپیک موضوع تازهای نیست و پیشتر نیز مشاهده شد که هزینه هر تسک در مدل سونت ۵ حتی از مدل اپوس ۴.۸ پیشی گرفت، که نشاندهنده استراتژی قیمتگذاری متفاوت برای مدلهای مختلف است.
برای رهبران کسبوکار، این وضعیت یک «شکاف ارزش» ایجاد میکند؛ جایی که توانمندترین مدل برای کارهای حجیم و انبوه بیش از حد گران است. روند فعلی این است که از یک مدل پیشرو (Frontier Model) بهعنوان ارکستراتور استفاده شود؛ یعنی مدلی که مانند یک مدیر پروژه، تسکها را به مدلهای «کارگرِ» ارزانتر میسپارد. همچنین مدلهای پیشرو به عنوان اولین بررسی استفاده میشوند تا مشخص شود آیا یک تسک اصلاً قابل حل است یا خیر، و سپس ارزانترین مدلی که قادر به اجرای آن است پیدا شود.
در حالی که اتان مولیک، اقتصاددان معروف، استدلال میکند که محکهای فعلی هنوز نمیتوانند جهش کامل قابلیتهای Fable 5 را ثبت کنند، تاکنون هیچ مدرکی برای پشتیبانی از این ادعا ارائه نشده است. دادههای موجود نشان میدهند که بازگشت سرمایه (ROI) برای مدلهای ردهبالاتر در حال کاهش است.
منتظر انتشار GPT-5.6 در فردا باشید، که OpenAI قصد دارد از آن برای بستن شکاف عملکردی با محصولات فعلی آنتروپیک استفاده کند.
گام بعدی شما
- اگر از APIهای گرانقیمت استفاده میکنید، استراتژی «مدیر و کارگر» را برای کاهش هزینهها پیاده کنید.
- خروجیهای Fable 5 را در تسکهای حقوقی پیچیده با مدلهای ارزانتر مقایسه کنید تا نقطهی شکست کیفیت را بیابید.
- منتظر انتشار GPT-5.6 در فردا باشید تا ببینید OpenAI چگونه شکاف عملکرد را میبندد.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو