مقاييس النماذج، حالات الاستخدام والإعداد: نوفمبر 2026

انتقل إلى: CrucibleForge على GitHub

أي نموذج لغوي يجب استخدامه في نوفمبر 2026، وكيف يتم إعداده؟ قمنا باختبار أحد عشر نموذجًا باستخدام نفس اختبارات MakoBench 4.1. يقدم لكم هذا الدليل الاختيار الأمثل لكل مهمة، بالإضافة إلى الجداول التي تحتوي على النتائج، وخطوات الإعداد الخمس للبرمجة، وتكلفة تنفيذ المشروع.

الإجابة المختصرة

ابدأ من نوع المهمة التي تريد تنفيذها؛ فكل بطاقة تذكر النموذج الذي نختاره وتكلفة تشغيله في اختبار قياسي واحد.

اختيار النموذج حسب المهمة

• البرمجة، أفضل نتيجةClaude Fable 5.2أعلى درجات في اختبارات العمل، ونجح في جميع اختبارات الوكلاء14.87 دولار لكل تشغيل
• البرمجة ضمن ميزانية محدودةDeepSeek V4.1-Flash-1017حصل على درجات كاملة في اختبارات البرمجة القياسية0.14 دولار لكل تشغيل
• الدردشة أو خط المساعدةGPT-6.1 Terraأداء جيد في الدردشة، وهو أسرع نموذج في القائمة0.63 دولار لكل تشغيل
• يجب تشغيله على الأجهزة الخاصة بكSwish 31B Finalأفضل نموذج محلي متاحلا توجد تكاليف API
• نموذج واحد لكل الأغراضGrok 4.7من ضمن أفضل خمسة نماذج، أداء جيد في الدردشة، وتكلفته ربع تكلفة نموذج Fable3.91 دولار لكل تشغيل

إذا كان عليك تذكر شيء واحد فقط: فإن أفضل خمسة نماذج متساوية في الأداء؛ لذا يجب دفع التكلفة الأعلى للنموذج المكلف فقط في الحالات التي لا يستطيع النماذج الرخيصة التعامل معها. وفي هذا الدليل، هاتان الحالتان هما التخطيط ومراجعة الكود.

مجلس الإدارة لشهر نوفمبر 2026

المجموع الكلي هو مجموع الأداء في المهام البرمجية والمحادثات. تمنح الاختبارات القياسية درجة تصل إلى 10 لكل منهما، ويمكن للحزم الإضافية أن ترفع هذه الدرجة أكثر، لذا قد يتجاوز المجموع الكلي 20. نسبة إتمام اختبارات الوكيل تمثل نسبة المهام البرمجية متعددة الخطوات التي أكملها النموذج بنجاح. أما تكلفة التشغيل فهي تكلفة تشغيل واحد لمرة واحدة وفقًا لأسعار مزود الخدمة. الرمز “~” بجانب MiniMax يعني أن التسعير يتم بناءً على عدد الرموز المستخدمة، نظرًا لأن هذا النموذج يُباع ضمن خطة اشتراك ثابتة.

ما توضحه الجدولة:

• الخمسة الأوائل متعادلون في الأداء. تقع درجاتهم بين 23.9 و25.2، ضمن هامش الخطأ المتوقع لبعضهم البعض؛ لذا لا يوجد ترتيب حقيقي بينهم.
• السعر هو ما يفرق بينهم. تكلفة التشغيل الواحدة تبلغ 1.17 دولارًا للنموذج GPT-6.1 Sol، بينما تصل إلى 14.87 دولارًا لـ Claude Fable 5.2.
• نماذج OpenAI لا تنجح في إتمام واحدة من كل ثلاث مهام برمجية. هذا الأمر مهم للغاية في عمليات البرمجة التلقائية، لكنه غير مؤثر في المحادثات العادية.
• DeepSeek V4.1-Flash-1017 يبرع في البرمجة ويؤدي بشكل ضعيف في المحادثات. درجته في المهام البرمجية هي 11.6، بينما في المحادثات هي 7.6؛ لذا يُستخدم للبرمجة فقط وليس للتواصل مع الناس.
• DeepSeek V4-Pro-0813 غير مفيد من الناحية الاقتصادية. درجته أقل من النسخة Flash، ورغم ذلك تكلفته أعلى بأربعة أضعاف.

تصحيح: في البداية ظهرت درجة Claude Fable 5.2 على أنها 24.2، لكن ثلاثة من اختبارات الوكيل فشلت لأن رصيد حساب الـ API الخاص بنا نفد. أعدنا تشغيل هذه الاختبارات، ونجح النموذج في جميعها؛ وبالتالي أصبح المجموع الكلي الآن 25.2.

هناك اختبار منفصل خاص بالكتابة للبالغين موجود في تبويب مستقل ضمن الجدولة، وهو لا يدخل في حساب المجموع الكلي ولا في الترتيب العام. جميع الدرجات والاختبارات متاحة على لوحة MakoBench.

إعداد مجموعة الأدوات البرمجية الموصى بها

للقيام بأعمال البرمجة الفعلية، يجب تقسيم المهمة إلى أجزاء. يقوم برنامج التحكم بتشغيل الحلقات البرمجية؛ أما النموذج القوي فيقوم بالتخطيط ومراجعة الكود، بينما يقوم النموذج الرخيص بكتابة الكود فعليًا.

مجموعة الأدوات البرمجية

1. برنامج التحكمDeepSeek Harness (dsh)يقوم بتشغيل الحلقات البرمجية واستدعاء النماذج المختلفة
2. النموذج الرئيسيClaude Fable 5.2يخطط للمهام ويراجع كل تغيير يتم إجراؤه على الكود
3. النماذج الفرعيةDeepSeek V4.1-Flash-1017تكتب الكود ثم ترسله للمراجعة

لماذا هذا التقسيم؟ فالنموذج Claude Fable 5.2 يحقق أعلى درجات الأداء في الاختبارات البرمجية، لكنه الأغلى ثمنًا؛ بينما النموذج DeepSeek V4.1-Flash-1017 يحقق نتائج ممتازة في اختبارات البرمجة بسعر أقل بكثير. لذا، يجب استخدام النموذج الغالي للتخطيط والمراجعة، بينما يُستخدم النموذج الرخيص لكتابة الكود. وإذا كنت ترغب في استخدام نموذج واحد فقط لكل المهام، فاستخدم Grok 4.7.

إعداد هذا النظام يتطلب خمس خطوات.

الخطوات الخمس

1. التحقق من النماذج المستخدمةتأكد من أن النماذج المختارة لا تزال هي الأفضل قبل نسخ أي معرفات./makobench/
2. إعداد مفاتيح API واسم مزود الخدمةمفتاح واحد للنموذج الرئيسي، ومفتاح آخر للنموذج الفرعي، بالإضافة إلى اسم مزود الخدمة من قائمة dsh. يتوقف البرنامج إذا غاب أي من هذه العناصر.ANTHROPIC_API_KEY · DEEPSEEK_API_KEY · DSH_PROVIDER
3. تشغيل البرنامج النصييقوم البرنامج النصي بكتابة معرفات النماذج في ملف، دون تشغيل أي شيء آخر.setup.sh ~/my-project
4. توجيه dsh نحو النموذج الفرعيأخبر برنامج dsh باسم مزود الخدمة ومعرف النموذج الفرعي الموجود في الملف.deepseek-flash
5. تنفيذ المهام الكبيرة خارج أوقات الذروةيكون سعر استخدام DeepSeek أقل بنصف في الأوقات غير الذروية، وهي من الاثنين إلى الجمعة:01:00–04:00 · 06:00–10:00 UTC

فيما يلي البرنامج النصي الخاص بالخطوتين 2 و3. توجد معرفات النماذج في بداية الملف؛ لذا يجب تغييرها هناك فقط ولا مكان آخر.

#!/usr/bin/env bash
# Coding stack setup: harness, lead agent, coder.
# Check /makobench/ for the current leaders before changing an id.
set -euo pipefail
# Board ids. Your provider or dsh may spell the same model differently.

LEAD_MODEL="claude-fable-5-2"     # Claude Fable 5.2: plans and reviews
CODER_MODEL="deepseek-flash"      # DeepSeek V4.1-Flash-1017: writes the code

: "${ANTHROPIC_API_KEY:?set ANTHROPIC_API_KEY}"
: "${DEEPSEEK_API_KEY:?set DEEPSEEK_API_KEY}"
# The DeepSeek provider id your dsh lists. Do not guess it.
DSH_PROVIDER="${DSH_PROVIDER:?set DSH_PROVIDER}"

PROJECT="${1:?usage: setup.sh /path/to/project}"
JOB="$(mktemp -d)"

cat > "$JOB/models.yml" <<YAML
lead: ${LEAD_MODEL}
coder:
  provider: ${DSH_PROVIDER}
  model: ${CODER_MODEL}
YAML

echo "Lead:  ${LEAD_MODEL}"
echo "Coder: ${CODER_MODEL} via ${DSH_PROVIDER}"
echo "Ids written to ${JOB}/models.yml for ${PROJECT}"

تكلفة الاستخدام

يوضح اختبار قياسي واحد الفروق في الأسعار بلمحة بصرية؛ كل شريط يمثل تكلفة التشغيل، ويظهر إلى جانبه النتيجة الإجمالية للنموذج.

اختبار قياسي واحد

• Claude Fable 5.214.87 دولاراً النتيجة الإجمالية: 25.2
• GPT-6 Astra5.70 دولارات النتيجة الإجمالية: 24.0
• Kimi K3.1 Pro4.07 دولارات النتيجة الإجمالية: 24.6
• Grok 4.73.91 دولارات النتيجة الإجمالية: 24.1
• GPT-6.1 Sol1.17 دولاراً النتيجة الإجمالية: 23.9
• GPT-6.1 Terra0.63 دولاراً النتيجة الإجمالية: 19.4
• DeepSeek V4.1-Flash-10170.14 دولاراً النتيجة الإجمالية: 19.2

تكلفة تنفيذ مشروع كامل أعلى من تكلفة اختبار واحد، لأن الوكيل يقرأ الكود الخاص به عدة مرات. هذه تقديرات مبنية على أسعار الرموز النصية، وليست فواتير ناتجة عن تنفيذ فعلي؛ فمشروع بحجم ChatForge يحتوي على حوالي 5,000 سطر من الكود، بينما يحتوي مشروع بحجم DisPatch على حوالي 60,000 سطر.

طريقة التقدير: 15 رمزاً نصياً لكل سطر كود، ويقرأ الوكيل الكود 12 مرة ويكتبه 3 مرات دون أي تخزين مؤقت للبيانات؛ أسعار DeepSeek المذكورة هي في أوقات الذروة المنخفضة، وفي أوقات الذروة العالية تتضاعف التكلفة. في الخيار الموصى به، يتولى النموذج الرئيسي خُمس عمليات القراءة وربع عمليات الكتابة.

تكلفة الخيار الموصى به تعادل تقريباً ربع تكلفة استخدام Claude Fable 5.2 وحده، وفي الوقت نفسه يظل هذا النموذج مسؤولاً عن تنفيذ الخطة ومراجعة النتائج؛ أما استخدام DeepSeek وحده فهو أرخص بكثير، لكن لا يوجد نموذج قوي يراجع جودة عمله. لذا يجب اختيار المزيج المناسب من النماذج لأي مشروع ستقوم بتنفيذه.