اگر جدول‌های رتبه‌بندی هوش مصنوعی را دیده باشید، احتمالاً به نام‌هایی مثل «Claude Opus 5.5 (Max)» یا «GPT-6.1 Sol (Medium)» برخورده‌اید. این برچسب‌ها نام نسخه نیستند. آن‌ها «سطح استدلال» را نشان می‌دهند، یعنی اینکه مدل قبل از جواب دادن چقدر فکر کرده است. مدل استدلالی هوش مصنوعی (Reasoning Model) مدلی است که پیش از پاسخ نهایی، زنجیره‌ای از فکرهای درونی تولید می‌کند و شما می‌توانید تعیین کنید این فکر کردن چقدر طول بکشد.
در این مقاله توضیح می‌دهیم استدلال در مدل‌های زبانی یعنی چه، سطح‌های Low تا Max در OpenAI، Anthropic و سازنده‌های دیگر چه فرقی دارند، و هر سطح چه اثری بر دقت، سرعت و هزینه می‌گذارد. همهٔ عددها از مستندات رسمی و اندازه‌گیری‌های مستقل Artificial Analysis آمده‌اند.
آخرین به‌روزرسانی: ۳ آبان ۱۴۰۵ — توضیحات فنی از مستندات رسمی OpenAI و Anthropic، و عددهای امتیاز، هزینه و زمان از Artificial Analysis (Intelligence Index v4.3.2) برداشته شده‌اند (بررسی: ۳ آبان ۱۴۰۵).
⚡ پاسخ کوتاه
مدل استدلالی پیش از پاسخ، «توکن‌های استدلال» تولید می‌کند. این توکن‌ها به کاربر نشان داده نمی‌شوند، اما جای پنجرهٔ زمینه را می‌گیرند و با قیمت توکن خروجی حساب می‌شوند. با پارامتری به نام effort (در OpenAI با reasoning.effort و در Claude با output_config.effort) تعیین می‌کنید مدل چقدر فکر کند: از low و medium تا high، xhigh و max. طبق داده‌های Artificial Analysis، Claude Opus 5.5 از سطح Low به Max حدود ۱۵ امتیاز باهوش‌تر می‌شود (از ۴۲.۳ به ۵۷.۶)، اما هزینهٔ هر تسکش حدود ۱۱ برابر و زمان پاسخش بیش از ۴۰ برابر می‌شود. برای بیشتر کارها، سطح متوسط بهترین نقطهٔ تعادل است.
📑 فهرست مطالب
مدل‌های زبانی معمولی پاسخ را کلمه‌به‌کلمه و بلافاصله تولید می‌کنند. اگر از آن‌ها یک مسئلهٔ ریاضی چندمرحله‌ای بپرسید، باید جواب را «یک‌نفس» بنویسند. مدل استدلالی اما اول برای خودش یادداشت برمی‌دارد: مسئله را می‌شکند، چند راه‌حل را امتحان می‌کند، اشتباه‌هایش را پیدا می‌کند و بعد پاسخ نهایی را می‌نویسد.
مستندات OpenAI این فرایند را چنین توضیح می‌دهد: مدل‌های استدلالی علاوه بر توکن‌های ورودی و خروجی، «توکن‌های استدلال» دارند که با آن‌ها «فکر می‌کنند»، پرامپت را تجزیه می‌کنند و رویکردهای مختلف را می‌سنجند. به گفتهٔ همین مستندات، این مدل‌ها برای حل مسئله‌های پیچیده، کدنویسی، استدلال علمی و جریان‌های کاری ایجنتی چندمرحله‌ای بهترین عملکرد را دارند.
reasoning_tokens (OpenAI) یا thinking_tokens (Claude)، گزارش می‌شود.max_output_tokens پر شود، ممکن است پاسخ با وضعیت incomplete برگردد، حتی پیش از آنکه یک کلمه پاسخ قابل‌مشاهده تولید شده باشد. در این حالت هزینهٔ استدلال را پرداخته‌اید و جوابی نگرفته‌اید.مدل‌های جدید فقط با یک دکمهٔ روشن و خاموش کار نمی‌کنند. هم OpenAI و هم Anthropic می‌گویند مدل‌هایشان به‌صورت تطبیقی فکر می‌کنند: برای سؤال ساده توکن کمتری مصرف می‌کنند و برای مسئلهٔ سخت بیشتر. Claude در حالت «Adaptive Thinking» حتی ممکن است در سطح‌های پایین، روی ورودی‌های ساده اصلاً فکر نکند. روش قدیمی تعیین بودجهٔ ثابت تفکر (budget_tokens) در مدل‌های Claude 4.7 به بعد پشتیبانی نمی‌شود و جایش را پارامتر effort گرفته است.
هر سازنده نام و تعداد سطح‌های متفاوتی دارد، اما منطق همه یکی است: سطح پایین‌تر یعنی سرعت بیشتر و هزینهٔ کمتر، و سطح بالاتر یعنی فکر کامل‌تر و کیفیت بالاتر.
| سازنده | پارامتر | سطح‌ها | پیش‌فرض |
|---|---|---|---|
| OpenAI | reasoning.effort | none، minimal، low، medium، high، xhigh، max (بسته به مدل) | medium برای GPT-6.1 Sol، GPT-6 Sol و GPT-6 Luna |
| Anthropic | output_config.effort | low، medium، high، xhigh، max | high؛ برای Opus 5.5 و Haiku 5.5: medium |
| Moonshot (Kimi K3.1 Pro) | reasoning_effort | low، high، max | تفکر همیشه روشن |
| DeepSeek | حالت thinking | روشن یا خاموش | حالت تفکر |
در API شرکت OpenAI مقدارهای ممکن «وابسته به مدل» است. مثلاً GPT-6 Astra مقدار none را نمی‌پذیرد و GPT-6.1 Sol هم none و minimal را پشتیبانی نمی‌کند. علاوه بر effort، مدل‌های GPT-5.6 و GPT-6 یک «حالت» (reasoning.mode) هم دارند: standard یا pro. حالت pro برای کارهای دشوار کار بیشتری انجام می‌دهد و توکن بیشتری مصرف می‌کند. این دو تنظیم از هم مستقل‌اند.
در Claude، پارامتر effort روی همهٔ توکن‌های خروجی اثر می‌گذارد، نه فقط روی تفکر. یعنی طول توضیح‌ها، تعداد فراخوانی ابزارها و جزئیات پاسخ هم با آن تغییر می‌کند. طبق مستندات Anthropic، سطح max روی مدل‌هایی مثل Claude Opus 5.5، Sonnet 5.5، Haiku 5.5 و Fable 5.1 در دسترس است. سطح xhigh برای «کارهای طولانی ایجنتی و کدنویسی بیش از ۳۰ دقیقه» توصیه شده است. در Opus 5.5 تفکر تطبیقی همیشه روشن است و نمی‌شود خاموشش کرد، پس effort عملاً تنها اهرم کنترل هزینه است.
Kimi K3.1 Pro سه سطح low، high و max دارد و تفکرش همیشه روشن است (جزئیات در بررسی Kimi K3.1 Pro). DeepSeek V4.1 Flash دو حالت تفکر و بدون تفکر دارد. در Artificial Analysis هم Gemini 3.8 Flash با دو نسخهٔ Medium و High اندازه‌گیری شده است. برای همین است که یک مدل ممکن است چند بار، با برچسب‌های مختلف، در یک جدول بیاید.
Artificial Analysis برای بسیاری از مدل‌ها همهٔ سطح‌ها را جداگانه اندازه می‌گیرد. داده‌های Claude Opus 5.5 تصویر روشنی می‌دهد:
| سطح Opus 5.5 | شاخص هوش | هزینهٔ هر تسک | زمان پاسخ کامل (ثانیه) |
|---|---|---|---|
| Low | ۴۲.۳ | ۰.۵۵ دلار | ۱۲.۲ |
| Medium (پیش‌فرض) | ۵۱.۲ | ۱.۳۴ دلار | ۱۶.۴ |
| High | ۵۳.۶ | ۱.۸۲ دلار | ۲۷.۷ |
| Xhigh | ۵۶.۰ | ۳.۴۶ دلار | ۱۰۳.۸ |
| Max | ۵۷.۶ | ۵.۹۸ دلار | ۵۶۷.۷ |
سه نکته از این جدول:
همین الگو در GPT-6.1 Sol هم دیده می‌شود: Low با ۴۲.۱، Medium با ۴۷.۸، High با ۵۰.۲، Xhigh با ۵۱.۰ و Max با ۵۱.۸. یعنی بیشترین سود در گام اول است. برای فهم اینکه این شاخص دقیقاً چه چیزی را می‌سنجد، راهنمای بنچمارک‌های هوش مصنوعی و هوش هوش مصنوعی را بخوانید.
چون توکن‌های تفکر با قیمت خروجی حساب می‌شوند و قیمت خروجی معمولاً چند برابر ورودی است (مثلاً ۵ برابر در GPT-6.1 Sol و Claude Opus 5.5)، سطح استدلال مستقیم روی صورت‌حساب اثر می‌گذارد. به همین دلیل قیمت هر میلیون توکن معیار کافی برای مقایسه نیست و باید به هزینهٔ هر تسک نگاه کرد. این مفهوم را در بخش «هزینه هر تسک» در راهنمای قیمت API هوش مصنوعی توضیح داده‌ایم.
زمان، شاید از هزینه هم مهم‌تر باشد. طبق اندازه‌گیری Artificial Analysis، پاسخ کامل Opus 5.5 در سطح Low حدود ۱۲ ثانیه طول می‌کشد، اما در سطح Max نزدیک ۹.۵ دقیقه (۵۶۷.۷ ثانیه). GPT-6.1 Sol در سطح Max حدود ۱۷۱ ثانیه زمان می‌برد. برای یک چت‌بات پشتیبانی، چنین تأخیری قابل‌قبول نیست. اما برای یک تحلیل امنیتی که شب اجرا می‌شود، اهمیتی ندارد.
| مدل و سطح | شاخص هوش | هزینهٔ هر تسک |
|---|---|---|
| Claude Haiku 5.5 (Low) | — | ۰.۰۲۴ دلار |
| Claude Haiku 5.5 (Xhigh) | ۴۱.۲ | ۰.۱۲۴ دلار |
| GPT-6.1 Sol (Low) | ۴۲.۱ | ۰.۱۳۱ دلار |
| GPT-6.1 Sol (Medium) | ۴۷.۸ | ۰.۲۱۴ دلار |
| GPT-6.1 Sol (Xhigh) | ۵۱.۰ | ۰.۳۹۳ دلار |
| Claude Opus 5.5 (Medium) | ۵۱.۲ | ۱.۳۴ دلار |
| Claude Opus 5.5 (Max) | ۵۷.۶ | ۵.۹۸ دلار |
این جدول نشان می‌دهد GPT-6.1 Sol در سطح Medium با ۰.۲۱ دلار برای هر تسک، تقریباً همان کیفیتی را می‌دهد که مدل‌های چند برابر گران‌تر. دربارهٔ این «غافلگیری» در ارزان‌ترین مدل‌های هوش مصنوعی با کیفیت بالا بیشتر نوشته‌ایم.
جمع‌بندی توصیه‌های رسمی OpenAI و Anthropic، به‌علاوهٔ داده‌های بالا:
| نوع کار | سطح پیشنهادی | دلیل |
|---|---|---|
| چت‌بات پشتیبانی، دستیار صوتی، طبقه‌بندی | none / low | تأخیر کم مهم‌تر از عمق فکر است |
| خلاصه‌سازی، پیش‌نویس، تحلیل داده ساده | low | استدلال مختصر کافی است و هزینه پایین می‌ماند |
| کدنویسی ایجنتی، پژوهش، کار با اسناد | medium | نقطهٔ تعادل پیش‌فرض بیشتر سازنده‌ها |
| دیباگ پیچیده، برنامه‌ریزی عمیق، کار با ارزش بالا | high | وقتی کیفیت از سرعت مهم‌تر است |
| کارهای طولانی ایجنتی، بازبینی امنیتی، پژوهش عمیق | xhigh | فقط اگر ارزیابی سود روشن نشان دهد |
| دشوارترین مسئله‌ها (ریاضی و علمی مرزی) | max | فقط وقتی هزینه و زمان مهم نیست |
configuration_update در OpenAI و effort در سطح پیام در Claude).اگر می‌خواهید بدانید کدام مدل در کدام سطح در جدول کلی قرار می‌گیرد، رتبه‌بندی مدل‌های هوش مصنوعی را ببینید. برچسب‌های High و Max در رتبه‌بندی‌های مبتنی بر رأی کاربران هم دیده می‌شوند؛ توضیح آن را در LMArena و امتیاز Elo آورده‌ایم.
مدل معمولی پاسخ را بلافاصله تولید می‌کند. مدل استدلالی پیش از پاسخ، توکن‌های استدلال درونی تولید می‌کند: مسئله را تجزیه می‌کند، راه‌حل‌ها را می‌سنجد و خطاها را اصلاح می‌کند. نتیجه، دقت بیشتر در ریاضی، کدنویسی و کارهای چندمرحله‌ای است، به قیمت زمان و هزینهٔ بیشتر.
بستگی به سطح دارد. توکن‌های تفکر با قیمت خروجی حساب می‌شوند. طبق داده‌های Artificial Analysis، هزینهٔ هر تسک Claude Opus 5.5 از ۰.۵۵ دلار در سطح Low به ۵.۹۸ دلار در سطح Max می‌رسد، یعنی حدود ۱۱ برابر. برای GPT-6.1 Sol این عدد از ۰.۱۳ دلار در Low به ۰.۳۹ دلار در Xhigh می‌رسد.
برای چت، طبقه‌بندی، خلاصه‌سازی و کارهای حساس به سرعت از low استفاده کنید. برای بیشتر کارهای جدی، مثل کدنویسی و تحلیل، medium یا high کافی است. max را فقط برای دشوارترین مسئله‌ها نگه دارید، جایی که چند دقیقه انتظار و هزینهٔ چندبرابری ارزشش را دارد.
نه. بیشترین بهبود در گام‌های اول است و در سطح‌های بالا بازده نزولی است. مستندات Claude هشدار می‌دهد سطح max در بعضی کارها، مثل خروجی‌های ساختاریافته یا کارهای ساده، ممکن است به فکر کردن بیش از حد منجر شود. برای کارهای ساده، سطح بالا فقط زمان و هزینه را زیاد می‌کند.
مدل‌های استدلالی به ما یک اهرم تازه داده‌اند: می‌توانیم برای هر کار تعیین کنیم مدل چقدر فکر کند. سطح‌های پایین سریع و ارزان‌اند، سطح‌های بالا دقیق‌تر اما کند و گران. داده‌ها نشان می‌دهند بیشترین سود در رفتن از Low به Medium است و از آنجا به بعد هر امتیاز اضافه گران‌تر می‌شود. پس قاعدهٔ طلایی این است: با سطح پیش‌فرض شروع کنید، روی نمونه‌های واقعی کار خودتان آزمایش کنید و فقط جایی سطح را بالا ببرید که ارزیابی شما سود روشنی نشان دهد.
«ارزان‌ترین هوش مصنوعی کدام است؟» سؤال سادهای به نظر می‌رسد، اما جوابش به این بستگی دارد که «ارزان» را چطور …
وقتی خبر می‌رسد «مدل تازهٔ گوگل در LMArena اول شد»، منظور یک آزمون چندگزینهای یا مسئلهٔ ریاضی نیست. منظور این …
اگر فهرست ده مدل برتر هوش مصنوعی را در سال ۲۰۲۴ نگاه میکردید، تقریباً همه آمریکایی بودند. امروز وضع فرق …
تا دو سال پیش، «مدل هوش مصنوعی متن باز» معمولاً یعنی مدلی که چند پله پایین‌تر از ChatGPT و Claude …
نظرات 0
برای ارسال نظر وارد حساب کاربری شوید.
هنوز نظری ثبت نشده؛ اولین نفر باشید.