benchr
ماذا يغطي هذا الدليل
يغطي الدليل المرشحين المستضافين في سبتمبر 2026: Claude Opus 5 وClaude Fable 5.1 من Anthropic، وGPT-5.6 Sol وGPT-6 Astra من OpenAI، وGemini 3.1 Pro من Google (وما زالت Google تصفه بـ Preview)، وGrok 4.6 من xAI، مع DeepSeek-V4-Pro وKimi K3 كنقطتي مقارنة مفتوحتي الأوزان. كُتبت المراجعات والمقارنة أدناه للنماذج الرائدة السابقة، Claude Opus 4.7 وGPT-5، وتبقى سجلًا لتلك النماذج، أما طريقة التقييم فيها فتنطبق كما هي على النماذج الحالية. نفصل بين المواصفات والنتائج المنشورة من المزوّدين وبين ملاحظاتنا التحريرية، ولا ندّعي اختبارًا خاصًا غير منشور ولا فائزًا عامًا.
القائمة القصيرة الحالية
| النموذج | السعر / 1M | السياق | ما ينشره المزوّد |
|---|---|---|---|
| Claude Opus 5 | $5 / $25 | 1M | توصي Anthropic بالبدء به لمعظم أعباء العمل، ولا يسجّل benchr له جدول بنشماركات منشورًا من Anthropic. |
| Claude Fable 5.1 | $10 / $50 | 1M | توجّه Anthropic إليه الاستدلال الصعب وعمل الوكلاء طويل المدى. تعيد الواجهة الخطأ HTTP 400 إذا كانت قيمة tool_choice هي any أو أداة مسمّاة. |
| GPT-6 Astra | $10 / $50 | 1.05M | أقدر نماذج OpenAI، بلا جدول بنشماركات منشور. يتطلب استدعاء الأدوات واجهة Responses API. |
| GPT-5.6 Sol | $4 / $20 | 1.05M | SWE-bench Verified 89.8 وGPQA Diamond 91.2 (بحسب OpenAI). |
| Gemini 3.1 Pro | $2 / $12 حتى مطالبات 200K توكن، و$4 / $18 فوقها | نحو 1M | GPQA Diamond 94.3 وSWE-bench Verified 80.6 (بحسب Google). ما زال أحدث نماذج Pro من Google. |
| Grok 4.6 | $2 / $6 دون مطالبات 200K توكن، و$4 / $12 عندها وفوقها | 500K | النموذج الرائد من xAI، ولا يسجّل benchr له رقم بنشمارك منشورًا من المزوّد. |
| DeepSeek-V4-Pro (مفتوح الأوزان، MIT) | $1.32 / $3.96 في الذروة، و$0.66 / $1.98 خارجها | 1M | SWE-bench Verified 80.6 وTerminal-Bench 2.1 87.9 (بحسب DeepSeek). |
| Kimi K3 (رخصة Kimi K3 License) | $3 / $15 | 1M | Terminal-Bench 2.1 88.3 وGPQA 93.5 (بحسب Moonshot)، بلا رقم على SWE-bench Verified. |
المراجعات
-
Claude Opus 4.7، مراجعة
تنشر Anthropic سعر Opus 4.7 ونتائج اختبارات مرجعية للبرمجة والاستدلال. اختبره على مسائل لم تُستخدم في إعداد التعليمات وعلى مستندات تمثل عملك، ثم قارن الأخطاء ووقت المراجعة.
-
GPT-5، مراجعة
تنشر OpenAI مواصفات GPT-5 ونتائج اختبارات مرجعية تجعله مرشحًا للمخرجات المنظّمة والاستدلال. أما السرعة والأسلوب ومعدل الخطأ فتتأثر بطريقة النشر والتعليمات؛ قِسها على البيئة نفسها.
-
Gemini 3 Pro، مراجعة
توثّق Google سعة سياق النموذج وتكاملاته مع Workspace. تمثل الأعمال كثيفة الصور والمرتبطة بـWorkspace فرضيات تحريرية معقولة تختبرها بلقطات شاشة ومستندات واستشهادات وحالات فشل ممثلة.
المقارنات
-
GPT-5 مقابل Claude Opus 4.7: خطة تقييم من سبع مهام
سبع فئات عمل بقالب مطالبة وتقييم مشترك. الميول حسب الفئة فرضيات تحريرية لا نتائج خاصة مقاسة؛ أعد تنفيذها بإصدارات مثبتة ومخرجات محفوظة ومراجعة معماة. كُتبت الخطة للنموذجين السابقين، وتنطبق كما هي على Claude Opus 5 وGPT-5.6 Sol.
-
خطة تقييم متعدد الوسائط: اثنتا عشرة صورة، أربعة نماذج
مقياس قابل للإعادة لـClaude وGPT-5 وGemini 3 وLlama 4 عبر الواجهات الكثيفة وصور المستندات والرسوم والخط العربي. مواضع النماذج فرضيات للتحقق، لا جدول فائزين غير منشور.
-
جدول السعر لكل حالة استخدام
ستة أشكال لأعباء العمل باستخدام أسعار رموز مؤرخة ومنشورة من المزودين. أعد الحساب بمزيج الإدخال والإخراج ونسبة إصابة التخزين المؤقت واستدعاءات الأدوات والإعادات وصفحات السعر الحالية قبل قرار الميزانية.
أيها يجب أن تستخدم؟
ابدأ بالمرشح الذي تتوافق قدراته الموثّقة مع عبء عملك الغالب. في البرمجة وعمل الوكلاء، ضع GPT-5.6 Sol (SWE-bench Verified 89.8 بحسب OpenAI) إلى جانب Claude Opus 5، الذي تنصح Anthropic بالبدء به لمعظم أعباء العمل، مع أن benchr لا يسجّل له جدول بنشماركات منشورًا من Anthropic. وفي المهام متعددة الوسائط أو المستندات الطويلة أو المرتبطة بـWorkspace، اختبر Gemini 3.1 Pro (GPQA Diamond 94.3 بحسب Google). وأضف Grok 4.6 حين تطغى كلفة الإخراج: بسعر $2 / $6 لكل مليون توكن دون مطالبات 200K توكن، يملك أدنى سعر إخراج بين النماذج المغلقة في هذه القائمة. هذه نقطة بداية تحريرية وليست ترتيباً مقاساً.
احتفظ بـ GPT-6 Astra وClaude Fable 5.1، وكلاهما بسعر $10 / $50 لكل مليون توكن، للمهام التي يثبت تقييمك أن السقف الأعلى فيها يستحق كلفته. وافحص التكامل قبل ذلك: يتطلب GPT-6 Astra واجهة Responses API لاستدعاء الأدوات ولا يقبل قيمة temperature مخصّصة، ويعيد Claude Fable 5.1 الخطأ HTTP 400 إذا كانت قيمة tool_choice هي any أو أداة مسمّاة. وإذا كان يجب أن تبقى الأوزان على عتادك، فاجعل DeepSeek-V4-Pro (رخصة MIT، وSWE-bench Verified 80.6 بحسب DeepSeek) نقطة المقارنة المفتوحة الأوزان.
إذا كنت تفكر في استخدام نموذجين، شغّل مجموعة الاختبار نفسها على كل نموذج منفرداً ثم على مسار التوجيه المقترح. سجّل تغطية المهام ووقت المراجعة والإخفاقات والفاتورة الشهرية، ولا تضف النموذج الثاني إلا إذا حقق فائدة قابلة للقياس.
إذا كانت مهمتك تعتمد على لقطات الشاشة أو ملفات PDF أو صور المستندات، فأضف Gemini إلى الاختبار لأن Google توثّق دعمه للوسائط المتعددة. قارن دقة الاستخراج وربط الإجابة بموضعها في الصورة والتعامل مع الخط العربي والاستشهادات وزمن الاستجابة والكلفة قبل توسيع الاستخدام.
لسياق أعمق: أداة المقارنة تتيح لك اختيار أيٍّ من هذه النماذج وأي بُعد للمقارنة، مع PDF قابل للتنزيل. ودليل التكاليف يغطي ديناميكيات التسعير بالتفصيل.