اگر امروز برای اشتراک Pro پول می‌دهید، دیگر با یک ابزار کلی مواجه نیستید؛ بلکه باید بر اساس نوع پروژه خود، مدل مورد نیاز را انتخاب کنید. طبق یک جدول افشاش‌شده در یک مقاله بنچمارک ژنومیک، OpenAI سطح Pro مدل GPT-5.6 را به سه نسخه متمایز تقسیم کرده است.
این تغییر نشان می‌دهد که OpenAI برای ایجاد تعادل بین قدرت خام و بهره‌وری عملیاتی در تک‌مدل‌ها شکست خورده است. همان‌طور که در تحلیل قبلی ما درباره‌ی بنچمارک GPTNT و ناتوانی مدل‌ها در خنثی‌سازی بمب‌های آنی اشاره کردیم، محدودیت‌های استدلالی هنوز پابرجاست. اکنون شرکت OpenAI — که مدل‌های استاندارد GPT-5.6 را در اواخر ژوئن ۲۰۲۶ معرفی کرد — همان ساختار لایه‌بندی شده را به داخل اشتراک Pro آورده است. یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیارد‌ها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — دیگر نمی‌تواند هم‌زمان سریع‌ترین، ارزان‌ترین و باهوش‌ترین گزینه باشد.
به نقل از گزارشK the-decoder.com، این سه مدل عبارت‌اند از:
- Sol Pro: مدل با بیشینه عملکرد که در مجموعه ۱۲۹ آزمون ژنومیک، نرخ موفقیت ۳۱.۵ درصدی داشت. این مدل در واقع تکامل داده شده‌ی نسخه‌ای است که پیش‌تر برای افزایش پایداری عملیات در مقیاس تجاری معرفی شده بود.
- Terra Pro: طراحی‌شده برای حجم بالای کاری در کسب‌وکارها با امتیاز ۲۸.۵ درصدی.
- Luna Pro: نسخه‌ای سریع‌تر و ارزان‌تر برای پرس‌وجوهای روزمره که ۷ امتیاز نسبت به نسخه استاندارد Luna رشد کرد.
در یک رویارویی مستقیم، Sol Pro با اختلاف زیاد از رقیب اصلی خود یعنی Claude Opus 4.8 (با امتیاز ۱۶.۰ درصد) پیشی گرفت. نکته جالب اینجاست که «تقویت Pro» بیشتر به نفع مدل‌های ضعیف است؛ در حالی که Luna Pro جهشی چشمگیر داشت، Sol Pro تنها ۲.۸ درصد نسبت به نسخه استاندارد خود بهبود یافت. این تمرکز بر تخصص‌گرایی در مدل‌ها، یادآور رویکرد OpenAI در نسخه‌های پیشین است، آن‌گونه که مدل GPT-5.5 Instant توانست در دقت پاسخ‌های پزشکی بر پزشکان غلبه کند.
برای کاربران تجاری، این یعنی ارزش خرید اشتراک Pro از «بهترین کیفیت» به «بهترین ابزار برای هر شغل» تغییر کرد. شما باید تصمیم بگیرید که آیا برای یک پژوهش پیچیده به توان استدلالی حداکثری نیاز دارید یا برای کارهای تکراری سازمانی، توان عملیاتی (Throughput) — شبیه به تعداد ماشین‌هایی که در یک ساعت از عوارضی عبور می‌کنند — اولویت شماست.
یک جزئیات حیاتی همچنان پنهان است. بر اساس مستندات مقاله، متوسط مصرف توکن (Token) — تکه‌های کوچکی از متن شبیه به برش‌های کیک که مدل می‌خورد — برای مدل Sol در بالاترین تنظیمات ۳۳,۲۰۰ است، اما هیچ داده‌ای از هزینه محاسباتی (Compute) برای اجراهای Pro ارائه نشده است. سکوت OpenAI درباره این موضوع احتمالاً برای پنهان کردن هزینه بالای استنتاج در این مدل‌های گسترش‌یافته است.
گام بعدی شما
- در مستندات API شرکت OpenAI به دنبال نقاط انتهایی (Endpoints) جدید مدل‌های Pro بگردید.
- اگر کارهای تکراری با حجم بالا دارید، مدل Terra Pro را جایگزین مدل‌های عمومی کنید.
- هزینه استنتاج مدل‌های جدید را با مدل‌های متن‌باز مقایسه کنید تا بهینه‌ترین گزینه را بیابید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو