هر ماه چند مدل زبانی تازه از راه می‌رسند و جای بهترین‌ها مدام عوض می‌شود. اگر بخواهید بدانید امروز واقعاً کدام مدل قوی‌تر، سریع‌تر یا به‌صرفه‌تر است، باید به جای ادعاهای تبلیغاتی سراغ داده‌های مستقل بروید. در این مقاله رتبه بندی مدل های هوش مصنوعی را بر اساس دو منبع معتبر یعنی شاخص هوش Artificial Analysis و رأی کاربران در LMArena مرور می‌کنیم و مدل‌هایی مثل Claude Opus 5.5، GPT-6، Gemini 4، Grok 4.7 و DeepSeek را از سه زاویهٔ هوش، سرعت و قیمت کنار هم می‌گذاریم.
آخرین به‌روزرسانی: ۲۷ مهر ۱۴۰۵ — اعداد این مقاله از لیدربورد Artificial Analysis (داده‌های ۲۷ مهر ۱۴۰۵) و LMArena (داده‌های ۲۳ و ۲۶ مهر ۱۴۰۵) برداشته شده‌اند. این رتبه‌بندی را ماهانه به‌روز می‌کنیم، چون لیدربوردها مدام تغییر می‌کنند.
📑 فهرست مطالب
هیچ عدد واحدی نمی‌تواند به‌تنهایی بگوید «بهترین مدل هوش مصنوعی» کدام است. برای همین در این رتبه‌بندی از دو نوع داده استفاده کرده‌ایم که مکمل هم هستند. اگر با خود مفهوم بنچمارک آشنا نیستید، اول راهنمای بنچمارک‌های هوش مصنوعی را بخوانید؛ آنجا توضیح داده‌ایم هر آزمون دقیقاً چه چیزی را می‌سنجد.
یک نکتهٔ مهم: بسیاری از مدل‌ها چند «سطح استدلال» دارند (مثل low، high یا max). همان مدل در سطح بالاتر باهوش‌تر اما کندتر و گران‌تر است، به همین دلیل در جدول‌ها سطح استدلال را هم کنار نام مدل آورده‌ایم.
وقتی به جدول رتبه‌بندی نگاه می‌کنید، به چند نکته دقت کنید. اول، فاصلهٔ امتیازها: در LMArena هر امتیاز یک بازهٔ خطا دارد و مدل‌هایی که فقط چند امتیاز با هم فاصله دارند، عملاً هم‌سطح‌اند. دوم، برچسب «مقدماتی» یعنی هنوز رأی کافی برای آن مدل جمع نشده و رتبه‌اش ممکن است تغییر کند. سوم، تاریخ داده‌ها: رتبه‌ای که سه ماه پیش منتشر شده، امروز احتمالاً کهنه است. و در نهایت، همیشه بپرسید این لیدربورد دقیقاً چه چیزی را می‌سنجد و آیا با کار شما ربط دارد یا نه.
جدول زیر ده مدل اول شاخص هوش Artificial Analysis را نشان می‌دهد. برای مدل‌هایی که چند سطح استدلال دارند، فقط بهترین نسخه را آورده‌ایم تا فهرست شلوغ نشود.
| رتبه | مدل (سطح استدلال) | سازنده | شاخص هوش | هزینهٔ هر تسک |
|---|---|---|---|---|
| 1 | Claude Opus 5.5 (max) | Anthropic | 58 | $5.98 |
| 2 | Claude Sonnet 5.5 (max) | Anthropic | 56 | $5.46 |
| 3 | Muse Wonder Full (max) | Meta | 56 | گزارش نشده |
| 4 | Claude Fable 5.1 (max) | Anthropic | 53 | $7.63 |
| 5 | GPT-6 Astra (max) | OpenAI | 53 | $3.26 |
| 6 | Gemini 4 Argon (high) | 53 | $1.99 | |
| 7 | GPT-6.1 Sol (max) | OpenAI | 52 | $0.72 |
| 8 | Grok 4.7 (xhigh) | SpaceXAI | 46 | $3.74 |
| 9 | MiMo-V2.6-Pro | Xiaomi | 46 | $0.13 |
| 10 | DeepSeek V4.1 Flash 1017 (max) | DeepSeek | 45 | $0.26 |
منبع: لیدربورد مدل‌های Artificial Analysis (دریافت: ۲۷ مهر ۱۴۰۵). رتبه‌ها بر اساس بهترین نسخهٔ هر مدل مرتب شده‌اند؛ در رتبه‌های مساوی ترتیب جدول اصلی حفظ شده است.
اگر فقط معیار هوش را در نظر بگیریم، Claude Opus 5.5 با امتیاز ۵۸ در سطح max قوی‌ترین مدل فعلی است و Anthropic با سه مدل در پنج رتبهٔ اول، صدرنشین این ماه است. اما در LMArena تصویر کمی فرق دارد: Gemini 4 Argon با امتیاز ۱۵۲۴ (هنوز با برچسب «مقدماتی») در صدر لیدربورد متنی است و Muse Wonder متا با ۱۵۰۹ و Claude Opus 5.5 با ۱۵۰۸ پشت سرش قرار دارند. یعنی در گفتگوهای روزمره، کاربران پاسخ‌های Gemini را کمی بیشتر پسندیده‌اند.
| مدل | امتیاز Text Arena | امتیاز WebDev Arena |
|---|---|---|
| Gemini 4 Argon (High) | 1524 | 1678 |
| Muse Wonder (Max) | 1509 | — |
| Claude Opus 5.5 | 1508 (High) | 1806 (Max) |
| Claude Fable 5.1 (Max) | 1502 | 1743 |
| GPT-6.1 Sol (Max) | 1484 | 1753 |
| GPT-6 Astra (Max) | 1477 | 1775 |
| Claude Sonnet 5.5 (xHigh) | 1475 | 1769 |
| DeepSeek-V4.1-Flash (Max) | 1475 (نسخهٔ 20260910) | 1664 (نسخهٔ 20261017) |
| Grok 4.7 (xHigh) | 1444 | 1638 |
منبع: LMArena، لیدربورد Text (۲۳ مهر ۱۴۰۵) و WebDev (۲۶ مهر ۱۴۰۵). علامت «—» یعنی آن مدل در ده‌ها رتبهٔ اول آن لیدربورد نبود و ما عددش را ثبت نکردیم.
در WebDev Arena که توانایی ساخت صفحه و اپلیکیشن وب را می‌سنجد، Claude Opus 5.5 با فاصلهٔ زیاد (۱۸۰۶ امتیاز) اول است و GPT-6 Astra با ۱۷۷۵ دوم. پس اگر کار شما طراحی فرانت‌اند است، رتبهٔ متنی را ملاک قرار ندهید؛ جزئیات بیشتر را در بهترین هوش مصنوعی برای برنامه‌نویسی آورده‌ایم.
شاخص هوش Artificial Analysis بهترین نقطهٔ شروع برای مقایسه مدل های زبانی است، چون همهٔ مدل‌ها را با یک روش و روی یک مجموعه آزمون می‌سنجد. چند الگوی جالب در داده‌های این ماه دیده می‌شود:
سرعت دو جنبه دارد: سرعت خروجی (تعداد توکنی که مدل در هر ثانیه تولید می‌کند) و تأخیر (زمانی که طول می‌کشد تا اولین تکهٔ پاسخ برسد). در مدل‌های استدلالی، تأخیر شامل زمان فکر کردن هم هست و می‌تواند به چند دقیقه برسد.
| مدل | سرعت خروجی (توکن بر ثانیه) | تأخیر اولین تکه (ثانیه) | شاخص هوش |
|---|---|---|---|
| Celeris-1 | 1,485 | 0.55 | 6 |
| K2 Horizon 375B A23B | 1,061 | 2.31 | 31 |
| Gemini 3.5 Flash-Lite | 447 | 7.41 | 22 |
| Claude Haiku 5.5 (max) | 232 | 272.04 | 43 |
| DeepSeek V4.1 Flash 1017 (max) | 227 | 1.09 | 45 |
| Muse Wonder (max) | 171 | 38.28 | 52 |
| Gemini 3.8 Flash (high) | 155 | 23.96 | 41 |
| Claude Sonnet 5.5 (max) | 135 | 391.60 | 56 |
| Claude Opus 5.5 (max) | 95 | 562.75 | 58 |
| Grok 4.7 (xhigh) | 92 | 44.65 | 46 |
| GPT-6 Astra (max) | 68 | 319.56 | 53 |
| GPT-6.1 Sol (max) | 60 | 239.97 | 52 |
منبع: لیدربورد مدل‌های Artificial Analysis (دریافت: ۲۷ مهر ۱۴۰۵)؛ مقدار میانهٔ اندازه‌گیری‌ها.
نتیجه روشن است: سریع‌ترین مدل‌ها معمولاً باهوش‌ترین‌ها نیستند. Celeris-1 با ۱٬۴۸۵ توکن در ثانیه سریع‌ترین مدل جدول است، اما شاخص هوشش فقط ۶ است. در مقابل، Opus 5.5 در سطح max به طور میانه بیش از ۹ دقیقه فکر می‌کند تا اولین تکهٔ پاسخ را بدهد. اگر برنامهٔ شما به پاسخ فوری نیاز دارد (مثلاً چت‌بات پشتیبانی)، DeepSeek V4.1 Flash با تأخیر حدود یک ثانیه و شاخص هوش ۴۵ تعادل بسیار خوبی دارد. طبق همین لیدربورد، کمترین تأخیر متعلق به North Mini Code و Command A+ از Cohere است.
قیمت هر میلیون توکن فقط نیمی از ماجراست. مدلی که توکن بیشتری برای فکر کردن مصرف می‌کند، ممکن است با تعرفهٔ پایین‌تر در نهایت گران‌تر تمام شود. به همین دلیل در کنار تعرفه‌های رسمی، هزینهٔ هر تسک Artificial Analysis را هم آورده‌ایم.
| مدل | ورودی / خروجی (دلار برای ۱ میلیون توکن) | هزینهٔ هر تسک (AA) |
|---|---|---|
| Claude Opus 5.5 | $4 / $20 | $5.98 (max) |
| Claude Sonnet 5.5 | $2 / $10 | $5.46 (max) |
| GPT-6 Astra | $10 / $50 | $3.26 (max) |
| Gemini 4 Argon | $2 / $10 (تا ۹ آذر ۱۴۰۵) | $1.99 (high) |
| GPT-6.1 Sol | $2 / $10 | $0.72 (max) |
| Grok 4.7 | $2 / $6 | $3.74 (xhigh) |
| DeepSeek V4.1 Flash | $0.30 / $1.20 (ساعت اوج) | $0.26 (max) |
| Claude Haiku 5.5 | $0.10 / $0.50 (تا ۱۰۰ هزار توکن) | $0.21 (max) |
| GPT-6 Luna | $0.10 / $0.50 | $0.07 (max) |
منبع: صفحه‌های رسمی قیمت‌گذاری OpenAI، Anthropic، Google، xAI و DeepSeek و لیدربورد Artificial Analysis (همه دریافت: ۲۷ مهر ۱۴۰۵).
از نظر نسبت کیفیت به هزینه، GPT-6.1 Sol برندهٔ واضح این ماه است: امتیاز ۵۲ با هزینهٔ ۰.۷۲ دلار برای هر تسک، یعنی حدود یک‌هشتم Opus 5.5. در سطح xhigh هم با ۵۱ امتیاز فقط ۰.۳۹ دلار هزینه دارد. اگر می‌خواهید جزئیات تعرفه‌ها، کش و Batch را بدانید، مقالهٔ قیمت API مدل‌های هوش مصنوعی ۲۰۲۶ را ببینید.
مدل‌های متن‌باز (دقیق‌تر بگوییم، مدل‌های با وزن باز) را می‌شود دانلود کرد و روی سرور خود اجرا کرد. این یعنی کنترل کامل روی داده‌ها و حذف وابستگی به یک شرکت خاص. فاصلهٔ این مدل‌ها با مدل‌های بسته هنوز وجود دارد، اما کمتر از همیشه است.
| مدل با وزن باز | سازنده | شاخص هوش | هزینهٔ هر تسک |
|---|---|---|---|
| MiMo-V2.6-Pro | Xiaomi | 46 | $0.13 |
| DeepSeek V4.1 Flash 1017 (max) | DeepSeek | 45 | $0.26 |
| GLM-5.3 (max) | Z AI | 45 | $2.01 |
| Kimi K3 (max) | Kimi | 44 | $2.00 |
| Qwen3.8 2.4T A95B | Alibaba | 40 | $2.16 |
| Muse Spark Open (xhigh) | Meta | 39 | $0.84 |
منبع: لیدربورد مدل‌های Artificial Analysis با فیلتر وزن باز (دریافت: ۲۷ مهر ۱۴۰۵).
بهترین مدل متن‌باز این ماه MiMo-V2.6-Pro از شیائومی است که با امتیاز ۴۶ هم‌سطح Grok 4.7 قرار گرفته و هزینهٔ هر تسکش تنها ۰.۱۳ دلار است. DeepSeek V4.1 Flash هم با سرعت ۲۲۷ توکن در ثانیه و کانتکست یک میلیون توکنی گزینهٔ جذابی است. متا هم با Muse Spark Open یک مدل با وزن باز در این جدول دارد؛ اگر سابقهٔ Llama را دنبال کرده‌اید، مقالهٔ همه چیز دربارهٔ Llama را هم ببینید. نکتهٔ جالب دیگر این است که طولانی‌ترین کانتکست جدول، یعنی ۱۰ میلیون توکن، متعلق به مدل باز Llama 4 Scout است.
اگر نسخهٔ قبلی جدول رتبه‌بندی مدل‌های هوش مصنوعی را در رادینو خوانده باشید، می‌بینید که تقریباً همهٔ نام‌ها عوض شده‌اند. نسل GPT-5 که در مقالهٔ GPT-5 چیست بررسی کرده بودیم، حالا جای خود را به خانوادهٔ GPT-6 داده است. مهم‌ترین نکته‌های این ماه:
جمع‌بندی رتبه‌ها برای سناریوهای رایج:
برای مقایسهٔ تجربهٔ کاربری چت‌بات‌ها (نه فقط مدل‌ها) مقالهٔ مقایسهٔ ChatGPT، Claude، Gemini و Copilot را بخوانید و برای انتخاب بر اساس نوع کار، بهترین هوش مصنوعی برای هر کار را ببینید.
طبق شاخص هوش Artificial Analysis در ۲۷ مهر ۱۴۰۵، Claude Opus 5.5 در سطح max با امتیاز ۵۸ قوی‌ترین مدل است. در رأی کاربران LMArena اما Gemini 4 Argon با امتیاز ۱۵۲۴ در صدر لیدربورد متنی قرار دارد.
لیدربورد جدولی است که مدل‌ها را بر اساس نتایج آزمون یا رأی کاربران مرتب می‌کند. Artificial Analysis بر پایهٔ آزمون‌های استاندارد و اندازه‌گیری سرعت و هزینه کار می‌کند و LMArena بر پایهٔ رأی کور کاربران. بهتر است هر دو را با هم ببینید.
چون هر لیدربورد چیز متفاوتی را می‌سنجد. شاخص هوش توانایی حل مسئله را اندازه می‌گیرد و LMArena ترجیح کاربران در گفتگو را. مثلاً GPT-6.1 Sol در شاخص هوش رتبهٔ بالایی دارد، اما در Text Arena رتبهٔ ۲۲ را گرفته است.
در داده‌های این ماه، MiMo-V2.6-Pro از شیائومی با شاخص هوش ۴۶ بهترین مدل با وزن باز است و DeepSeek V4.1 Flash و GLM-5.3 با امتیاز ۴۵ پشت سر آن قرار دارند.
لیدربوردهای مرجع تقریباً هر روز تغییر می‌کنند. ما این مقاله را ماهانه بازبینی می‌کنیم و تاریخ دریافت داده‌ها را بالای مقاله می‌نویسیم.
رتبه‌بندی مدل‌های هوش مصنوعی در مهر ۱۴۰۵ نشان می‌دهد که Anthropic با Claude Opus 5.5 در صدر هوش و کدنویسی وب است، Google با Gemini 4 Argon محبوب‌ترین مدل در رأی کاربران شده و OpenAI با GPT-6.1 Sol بهترین نسبت کیفیت به هزینه را ارائه می‌دهد. مدل‌های متن‌بازی مثل MiMo-V2.6-Pro و DeepSeek V4.1 Flash هم فاصله را به‌شدت کم کرده‌اند. مهم‌ترین توصیهٔ ما این است که مدل را فقط با یک عدد انتخاب نکنید؛ هوش، سرعت و هزینهٔ هر تسک را کنار هم بگذارید و در نهایت روی کار واقعی خودتان آزمایش کنید.
اگر می‌خواهید استفادهٔ حرفه‌ای از این مدل‌ها را قدم‌به‌قدم یاد بگیرید، دورهٔ کپسول هوش مصنوعی رادینو برای شما طراحی شده است.
همه منابع در تاریخ ۲۷ مهر ۱۴۰۵ بررسی شده‌اند.
«کدام هوش مصنوعی بهتر است؟» شاید پرتکرارترین سؤالی باشد که این روزها میشنویم. جواب صادقانه این است: بستگی دارد چه …
اگر تا حالا برای پروژهتان سراغ API یک مدل زبانی رفته باشید، احتمالاً با جدولهایی پر از «دلار به ازای …
هر هفته یک مدل جدید میآید و ادعا می‌کند «باهوشترین» است. اما این ادعا را با چه چیزی میسنجند؟ جواب …
اگر بخواهیم فقط یک جمله درباره رقابت ChatGPT، Claude، Gemini و Copilot بگوییم، باید گفت که در سال ۲۰۲۶ دیگر …
نظرات 0
برای ارسال نظر وارد حساب کاربری شوید.
هنوز نظری ثبت نشده؛ اولین نفر باشید.