گراک ۴.۶ منتشر شد: چه عوض شد و به درد چه کسی می‌خورد

امروز، ۲۱ مرداد ۱۴۰۵، شرکتی که تا چند ماه پیش اسمش xAI بود مدل تازه‌اش را بیرون داد: گراک ۴.۶. خبر در چند ساعت همه‌جا پیچید و مثل همیشه با نمودارهایی همراه شد که همه‌شان یک چیز می‌گویند — «ما جلوییم».

این مقاله قرار نیست آن نمودارها را تکرار کند. قرار است بگوید کدام عدد واقعاً معنی دارد، کجای صورت‌حساب تله هست، و اگر شما یک توسعه‌دهنده یا صاحب کسب‌وکار فارسی‌زبان هستید، این انتشار برایتان چه چیزی عوض می‌کند و چه چیزی را عوض نمی‌کند.

یک هشدار از همین اول: هر چیزی که در ادامه می‌خوانید از منابع منتشرشده در روز انتشار می‌آید. سنجش مستقل و بلندمدت این مدل هنوز انجام نشده، و تجربه‌ی نسل‌های قبلی گراک نشان داده که فاصله‌ی بین نمره‌ی روز اول و رفتار واقعی در کار روزمره می‌تواند زیاد باشد.

اول یک نکته: اسم شرکت عوض شده

اگر در خبرها به «SpaceXAI» برخوردید و فکر کردید شرکت تازه‌ای است، نه. اسپیس‌ایکس در بهمن ۱۴۰۴ شرکت xAI را در یک معامله‌ی کاملاً سهامی جذب کرد و مجموعه‌ی حاصل در تیر ۱۴۰۵ رسماً نامش را به SpaceXAI تغییر داد.

ولی نام محصول دست‌نخورده مانده: چت‌بات، اپلیکیشن‌های موبایل، اشتراک و API همه همچنان «گراک» هستند. پس وقتی می‌شنوید «گراک ۴.۶ از اسپیس‌اکس‌ای‌آی»، منظور همان خانواده‌ی آشناست با یک شرکت مادر تازه. جزئیات این تغییر نام را می‌توانید در مدخل ویکی‌پدیای شرکت ببینید.

چرا این نکته مهم است؟ چون در ماه‌های آینده هر دو نام را در مستندات و اخبار خواهید دید و ندانستن این موضوع باعث می‌شود دنبال محصولی بگردید که وجود ندارد.

گراک ۴.۶ دقیقاً چه چیزی را عوض کرده

برخلاف تصور رایج، این یک مدل کاملاً نو نیست. گراک ۴.۶ روی همان پایه‌ی نسل قبل ساخته شده و آنچه تغییر کرده، مرحله‌ی آموزش تکمیلی است: تنظیم دقیق نظارت‌شده و یادگیری تقویتی که مشخصاً روی سه چیز متمرکز بوده — کدنویسی، استدلال، و پیروی از دستور.

تعداد پارامترها را شرکت رسماً اعلام نکرده. بعضی گزارش‌ها عددی حدود ۱.۵ تریلیون برای پایه‌ی این نسل نوشته‌اند، ولی چون منبع رسمی ندارد بهتر است رویش حساب باز نکنید. در عمل هم عدد پارامتر برای کاربر معنی زیادی ندارد؛ آنچه اهمیت دارد رفتار مدل در کار واقعی است.

سه تغییر ملموس که خودتان حس می‌کنید:

• یک سطح استدلال تازه. گراک ۴.۵ سه حالت داشت: پایین، متوسط، بالا. حالا حالت چهارمی به نام «xhigh» اضافه شده که برای مسائل سخت‌تر وقت و محاسبه‌ی بیشتری صرف می‌کند.
• کارهای عاملی طولانی. تمرکز اصلی این نسخه روی کارهایی است که ده‌ها گام پشت سر هم دارند — همان چیزی که در ایجنت هوش مصنوعی چیست شرح داده‌ام و تا امروز پاشنه‌ی آشیل همه‌ی مدل‌ها بوده.
• پیروی دقیق‌تر از دستور. یعنی وقتی می‌گویید «فقط جدول بده، توضیح نده»، احتمال اینکه باز هم توضیح بدهد کمتر شده.

و سه چیزی که عوض نشده: پنجره‌ی متن، قیمت پایه، و اینکه خروجی فقط متنی است.

اعداد، به زبان آدمیزاد

مؤسسه‌ی مستقل Artificial Analysis که مدل‌ها را با یک روش ثابت می‌سنجد، شاخص هوشمندی گراک ۴.۶ را ۶۱ اعلام کرده. برای اینکه این عدد معنی پیدا کند، باید کنار دو چیز بگذاریدش: گراک ۴.۵ روی ۵۶ بود، و کلاد اوپوس ۵ در بالاترین حالتش روی ۶۳ است.

یعنی جهش پنج واحدی نسبت به نسل قبل — که برای یک به‌روزرسانی میانی جهش قابل توجهی است — و رسیدن به دو واحدی صدر جدول.

الگو روشن است: بیشترین پیشرفت در کارهای عاملی و کدنویسی اتفاق افتاده، نه در دانش عمومی. این با آنچه شرکت گفته می‌خواند و برای کسی که مدل را برای نوشتن متن می‌خواهد، خبر کمتر هیجان‌انگیزی است.

چند عدد دیگر که در گزارش‌ها آمده: ۸۸.۴ درصد در Terminal-Bench نسخه‌ی ۲.۱ که هم‌تراز مدل‌های پیشرو است، و ۵۰.۷ درصد در آزمون بانکی τ³ که آن را در دو رتبه‌ی برتر قرار می‌دهد.

این نمره‌ها چه چیزی را نمی‌سنجند

قبل از اینکه جلوتر برویم، لازم است بدانید هر کدام از این آزمون‌ها دقیقاً چه کاری می‌کند — چون بدون آن، عددها فقط عدد‌اند.

شاخص هوشمندی Artificial Analysis یک نمره‌ی مرکب است: مجموعه‌ای از آزمون‌های مختلف را می‌گیرد و میانگین وزنی‌شان را گزارش می‌کند. مزیتش این است که یک مدل نمی‌تواند با قوی بودن در یک حوزه نمره را بالا ببرد. عیبش این است که ترکیب آزمون‌ها انتخاب همان مؤسسه است و لزوماً با ترکیب کار شما نمی‌خواند.

DeepSWE و Terminal-Bench مسائل واقعی مهندسی نرم‌افزار را می‌دهند: یک مخزن کد، یک مشکل گزارش‌شده، و مدل باید تغییری بدهد که تست‌ها را پاس کند. این نزدیک‌ترین آزمون به کار واقعی برنامه‌نویس است، ولی مخزن‌ها عمدتاً پروژه‌های متن‌باز انگلیسی‌زبان‌اند.

AA-Briefcase و GDPval کارهای اداری چندمرحله‌ای را می‌سنجند — چیزی شبیه «این پوشه اسناد را بخوان، این گزارش را بساز». به کار دفتری نزدیک‌ترند و برای همین برای کسب‌وکار جالب‌ترند.

τ³-Banking سناریوهای خدمات بانکی را شبیه‌سازی می‌کند و مدل باید در نقش یک اپراتور، هم قواعد را رعایت کند و هم مشتری را راه بیندازد.

حالا نکته‌ی مهم: هیچ‌کدام از این‌ها فارسی نیستند، هیچ‌کدام لحن و ظرافت نوشتاری را نمی‌سنجند، و هیچ‌کدام نمی‌گویند مدل در گفتگوی طولانی با یک کاربر واقعی چطور رفتار می‌کند. چرا این فاصله وجود دارد و چطور فریب نخوریم را در بنچمارک هوش مصنوعی: چطور بخوانیم کامل باز کرده‌ام.

در برابر رقبا کجا ایستاده

سه مدل امروز صدر جدول‌اند و مقایسه‌شان بدون در نظر گرفتن قیمت، گمراه‌کننده است.

قیمت‌ها به‌ازای هر میلیون توکن است. تفاوت را در ستون خروجی ببینید: گراک یک‌چهارم اوپوس و یک‌پنجم GPT-5.6 می‌گیرد، در حالی که نمره‌اش با دومی برابر و از اولی دو واحد کمتر است.

این همان چیزی است که باید در تصمیم‌گیری وزن اصلی را داشته باشد. اگر کارتان روزی صد درخواست است، این تفاوت روی صورت‌حساب دیده نمی‌شود. اگر روزی صد هزار درخواست است، همین تفاوت مرز سود و زیان محصول شماست. چارچوب کامل این محاسبه در هزینه‌ی واقعی کار با هوش مصنوعی آمده است.

کارایی: عددی که از نمره مهم‌تر است

یک سنجه در گزارش Artificial Analysis هست که کمتر به آن اشاره می‌شود و به نظر من مهم‌ترین بخش این انتشار است.

در آزمون AA-Briefcase که کارهای چندمرحله‌ای اداری را می‌سنجد، گراک ۴.۶ هر کار را به‌طور میانگین در حدود ۵۳ گام و با حدود نیم میلیارد توکن ورودی تمام کرده. کلاد اوپوس ۵ همان کارها را در حدود ۱۰۳ گام و با حدود دو میلیارد توکن.

یعنی گراک نصف گام و یک‌چهارم توکن مصرف کرده. هزینه‌ی اندازه‌گیری‌شده‌ی هر کار حدود ۸۴ سنت درآمده. برای کسی که ایجنت روی حجم بالا اجرا می‌کند، این عدد از هر نمره‌ی بنچمارکی مهم‌تر است.

تله‌ی ۲۰۰ هزار توکن در صورت‌حساب

این مهم‌ترین نکته‌ی عملی کل مقاله است و در تیترها هم دیده نمی‌شود.

قیمت دو و شش دلار فقط برای درخواست‌های کوتاه است. به‌محض اینکه یک درخواست از مرز دویست هزار توکن رد شود، نرخ دو برابر می‌شود: چهار دلار ورودی و دوازده دلار خروجی. و نکته‌ی گزنده اینجاست — نرخ بالاتر به کل توکن‌های آن درخواست اعمال می‌شود، نه فقط به توکن‌های بعد از مرز.

یعنی درخواستی با ۱۹۹ هزار توکن و درخواستی با ۲۰۱ هزار توکن، اختلاف هزینه‌ی نزدیک به دوبرابری دارند. اگر ایجنت شما تاریخچه‌ی گفتگو را انباشته می‌کند و بی‌سروصدا از این مرز رد می‌شود، صورت‌حساب ماه بعد غافلگیرتان می‌کند.

نکته‌ی دیگر: قیمت ورودی کش‌شده از ۰.۳ دلار در نسل قبل به ۰.۵ دلار افزایش یافته. برای کسی که به کش تکیه کرده بود، این یک گران‌شدن خاموش است که در تیتر «قیمت تغییر نکرده» گم می‌شود.

یک محاسبه‌ی واقعی: ماهانه چقدر می‌شود

عددهای دلاری تا وقتی به کار شما وصل نشوند بی‌معنی‌اند. بیایید یک نمونه‌ی مشخص را حساب کنیم.

فرض کنید یک فروشگاه اینترنتی دارید و می‌خواهید برای هر محصول تازه، توضیح فارسی بنویسید. هر درخواست حدود ۱۵۰۰ توکن ورودی دارد (مشخصات محصول به‌علاوه‌ی دستور شما) و حدود ۶۰۰ توکن خروجی. ماهی ۲۰۰۰ محصول.

اختلاف حدود چهار برابر است. برای یک کسب‌وکار کوچک ایرانی که هزینه‌اش به تومان حساب می‌شود، این اختلاف تعیین‌کننده است.

ولی — و این «ولی» مهم است — دو چیز را در این محاسبه ندیدیم. اول، توکن فارسی: همان توضیح محصول در فارسی توکن بیشتری می‌گیرد تا انگلیسی، پس عدد واقعی بالاتر از این می‌شود. دوم، بازتولید: اگر خروجی کیفیت لازم را نداشته باشد و مجبور شوید هر بار دو بار تولید کنید، مدل ارزان‌تر عملاً گران‌تر تمام می‌شود.

نتیجه‌ی عملی: قبل از مهاجرت به مدل ارزان‌تر، روی صد نمونه‌ی واقعی امتحان کنید و ببینید چند درصد خروجی‌ها بدون بازنویسی قابل استفاده‌اند. اگر این نسبت افت کند، صرفه‌جویی روی کاغذ می‌ماند.

پنجره‌ی ۵۰۰ هزار توکنی چه کاری ممکن می‌کند

پنجره‌ی متن گراک ۴.۶ پانصد هزار توکن است — دقیقاً مثل نسل قبل. برای اینکه این عدد را حس کنید: چند کتاب متوسط، یا مجموعه‌ای از قراردادها، یا بخش بزرگی از یک پروژه‌ی نرم‌افزاری در یک درخواست جا می‌شود.

ولی همان‌طور که در پنجره‌ی یک‌میلیون توکنی یعنی چه باز کرده‌ام، بزرگ بودن پنجره به معنای استفاده‌ی درست از همه‌ی آن نیست. دو محدودیت واقعی برقرار است: دقت مدل در بخش‌های میانی متن بلند افت می‌کند، و هزینه — که در بخش قبل دیدیم — تصاعدی بالا می‌رود.

پس قاعده‌ی عملی این است: پنجره‌ی بزرگ را برای کاری استفاده کنید که واقعاً به دیدن کل متن نیاز دارد، مثل پیدا کردن تناقض بین دو قرارداد. برای پرسش و پاسخ روی یک آرشیو بزرگ، بازیابی هدفمند از سند — همان چیزی که در RAG چیست توضیح داده‌ام — هم ارزان‌تر است و هم دقیق‌تر.

سطح استدلال xhigh: کِی روشنش کنیم

سطح استدلال یعنی مدل قبل از جواب دادن چقدر «فکر» کند. در عمل، این یک معامله‌ی سه‌طرفه است: هرچه بالاتر، دقت بیشتر، ولی هم کندتر و هم گران‌تر — چون توکن‌های تفکر هم به‌عنوان خروجی حساب می‌شوند.

سطح تازه‌ی xhigh برای مسائلی طراحی شده که با سطح high هم حل نمی‌شدند. ولی روشن گذاشتنش برای همه‌چیز، اشتباه پرهزینه‌ای است.

یک الگوی هوشمندانه که تیم‌ها به کار می‌برند: مسیریابی. کارهای ساده به سطح پایین برود و فقط وقتی خروجی رد شد، همان کار با سطح بالاتر دوباره اجرا شود. منطق پشتش همان است که در مدل کوچک یا بزرگ شرح داده‌ام و پارامترهای دیگرِ این تنظیمات در دما و تنظیمات مدل آمده است.

تاریخ قطع دانش: بهمن ۱۴۰۴

دانش این مدل تا اول فوریه‌ی ۲۰۲۶، یعنی حدود ۱۲ بهمن ۱۴۰۴، به‌روز است. هر رویداد، قیمت، قانون یا نسخه‌ی نرم‌افزاری بعد از آن تاریخ را نمی‌داند — و اگر بپرسید، ممکن است با اطمینان کامل چیزی بسازد.

این نکته‌ی کوچکی نیست. شش ماه فاصله در حوزه‌ای که هر ماه یک کتابخانه‌ی جدید می‌آید، یعنی احتمال اینکه مدل الگوی قدیمی بنویسد بالاست. راه دور زدنش هم روشن است: نسخه‌ها را صریح در پرامپت بنویسید، و برای هر چیزی که به «الان» ربط دارد از حالت جست‌وجوی وب استفاده کنید. مرزهای این دو رویکرد در جست‌وجوی هوش مصنوعی یا گوگل باز شده است.

از گراک ۴ تا ۴.۶: مسیر یک سال

برای اینکه بدانید این انتشار چقدر اهمیت دارد، بد نیست بدانید قبلش چه گذشته.

خانواده‌ی گراک از ابتدا یک استراتژی روشن داشته: انتشار سریع و پیاپی، به‌جای انتظار برای نسخه‌ی کامل. جایی که رقبا هر چند ماه یک نسخه‌ی بزرگ می‌دهند، اینجا نسخه‌های میانی با فاصله‌ی کوتاه می‌آیند و هر کدام یک محور را بهبود می‌دهند.

این استراتژی دو رو دارد. روی خوبش: کاربر زودتر به بهبودها می‌رسد و شرکت زودتر بازخورد می‌گیرد. روی بدش: هر نسخه کمتر آزموده می‌شود و مستندسازی ایمنی عقب می‌ماند — چیزی که منتقدان بارها به آن اشاره کرده‌اند.

گراک ۴.۶ در ادامه‌ی همین الگوست: نه یک معماری تازه، بلکه همان پایه با آموزش تکمیلی بهتر. و اعلام اینکه نسخه‌ی بعدی ظرف چند هفته می‌آید، نشان می‌دهد این ریتم قرار نیست کند شود.

برای کاربر یک درس عملی دارد: زیرساخت خود را طوری بسازید که تعویض مدل ارزان باشد. اگر هر انتشار تازه برای شما یعنی یک پروژه‌ی مهاجرت، در این بازار عقب می‌مانید.

کجا در دسترس است — و کجا نیست

یک نکته که خیلی‌ها را سردرگم کرده: گراک ۴.۶ در روز انتشار در چت عمومی گراک در دسترس نبود. این مدل فعلاً برای توسعه‌دهنده و کارهای عاملی عرضه شده، نه برای کاربر عادی چت.

شرکت برای هفته‌ی اول یک تخفیف هم گذاشته: سهمیه‌ی استفاده در Cursor و Grok Build دوبرابر شده. اگر می‌خواهید امتحانش کنید، همین هفته ارزان‌ترین فرصت است.

برای کاربر ایرانی: سه مسئله‌ی جدا

خبر انتشار یک مدل تازه برای کاربر ایرانی همیشه سه لایه دارد و قاطی کردنشان باعث سرخوردگی می‌شود.

لایه‌ی اول، دسترسی. ثبت‌نام مستقیم و پرداخت به این سرویس‌ها از ایران عملاً ممکن نیست. این ربطی به کیفیت مدل ندارد و با هر نسخه‌ی تازه هم حل نمی‌شود. گزینه‌های واقعی — از جمله سرویس‌های واسط که چند مدل را زیر یک حساب و با پرداخت ریالی جمع می‌کنند — در هوش مصنوعی رایگان و بدون فیلترشکن فهرست شده است.

لایه‌ی دوم، هزینه به تومان. دو دلار به‌ازای میلیون توکن روی کاغذ ارزان است، ولی وقتی به تومان تبدیل می‌شود و مصرف بیشتر توکن فارسی را هم حساب کنید، عدد نهایی متفاوت درمی‌آید. چرا فارسی گران‌تر تمام می‌شود را در توکن چیست نوشته‌ام؛ خلاصه‌اش این است که همان جمله در فارسی توکن بیشتری می‌گیرد.

لایه‌ی سوم، کیفیت فارسی. و اینجاست که باید صادق باشیم.

فارسی گراک ۴.۶ چطور است؟ جواب صادقانه

نمی‌دانم، و هیچ‌کس در روز اول نمی‌داند. هیچ‌یک از بنچمارک‌هایی که در این مقاله دیدید فارسی را نمی‌سنجند. همه‌شان انگلیسی‌اند، اغلب روی کد و ریاضی و کارهای اداری غربی.

نمره‌ی ۶۱ چیزی درباره‌ی اینکه این مدل نیم‌فاصله را رعایت می‌کند، تاریخ شمسی را درست تبدیل می‌کند، یا اسم خاص ایرانی را نمی‌شکند نمی‌گوید. تجربه‌ی نسل‌های قبلی نشان داده که این دو با هم همبستگی کاملی ندارند: مدلی با نمره‌ی بالاتر ممکن است فارسی ضعیف‌تری بنویسد.

پس تنها راه معتبر، آزمون خودتان است. این پرامپت را به مدل فعلی‌تان و به گراک ۴.۶ بدهید و خروجی را کنار هم بگذارید:

سه کار را پشت سر هم انجام بده و شماره‌گذاری کن:

۱) این جمله را بازنویسی کن، رسمی ولی روان:
«ما می خواستیم به اطلاع برسانیم که سفارش شما بدلیل مشکلات
پیش آمده در انبار با تاخیر ارسال میگردد»

۲) این تاریخ‌ها را به شمسی تبدیل کن و روز هفته را هم بنویس:
12 August 2026 و 1 February 2026

۳) این نام‌ها را در یک جمله‌ی فارسی به کار ببر بدون اینکه
شکسته یا اشتباه بنویسی‌شان:
شرکت پتروشیمی بندر امام، دانشگاه صنعتی خواجه نصیرالدین طوسی

در پایان بگو در کدام بخش مطمئن نبودی.

سه چیز را نگاه کنید: نیم‌فاصله‌ها درست‌اند؟ تاریخ‌ها دقیق‌اند یا یک روز خطا دارند؟ و آیا در پایان صادقانه گفت کجا مطمئن نبوده، یا همه چیز را با اطمینان یکسان تحویل داد؟ نکته‌های بیشتر درباره‌ی این ضعف‌ها در محدودیت‌های فارسی در هوش مصنوعی جمع شده است.

برای چه کاری انتخاب درستی است

بر اساس آنچه امروز می‌دانیم، تصویر نسبتاً روشنی می‌شود کشید.

اگر کارتان در ردیف‌های اول است، امتحان کردنش این هفته منطقی است. اگر در ردیف‌های آخر است، این خبر عملاً چیزی برای شما عوض نکرده. راهنمای کلی‌تر انتخاب مدل بر اساس نوع کار در کدام مدل برای چه کاری آمده است.

اگر خواستید مهاجرت کنید: چک‌لیست فنی

فرض کنیم تصمیم گرفتید امتحانش کنید. مهاجرت از یک مدل به مدل دیگر آن‌قدرها که به‌نظر می‌رسد بی‌دردسر نیست؛ این پنج نکته بیشترین دردسر را کم می‌کند.

یک، پرامپت سیستمی را دوباره بنویسید، کپی نکنید. پرامپتی که برای یک مدل تنظیم شده، روی مدل دیگر همان رفتار را نمی‌دهد. هر خانواده‌ی مدل به شکل متفاوتی به دستور واکنش نشان می‌دهد. اگر خروجی بدتر شد، اول پرامپت را مقصر بدانید نه مدل را.

دو، قالب خروجی را قفل کنید. اگر کدتان انتظار JSON دارد، از قابلیت خروجی ساختاریافته استفاده کنید نه از «لطفاً JSON بده». مدل‌ها در تبعیت از قالب متفاوت‌اند و همین یک تفاوت می‌تواند خط تولید شما را بشکند.

سه، ابزارها را دوباره تست کنید. فراخوانی ابزار جایی است که تفاوت مدل‌ها بیشترین اثر را می‌گذارد. مشخصاً بررسی کنید که مدل نام ابزار و شناسه‌ها را از خودش نمی‌سازد — این خطا در نسل‌های قبلی گراک گزارش شده و در ایجنت‌ها می‌تواند بی‌سروصدا خرابی بسازد.

چهار، نگهبان هزینه بگذارید. همان تله‌ی دویست هزار توکن. یک شمارنده قبل از ارسال، و یک سقف روزانه.

پنج، مقایسه را کور انجام دهید. بیست خروجی از مدل قدیم و بیست از مدل جدید بگیرید، برچسبشان را بردارید و بعد قضاوت کنید. اگر بدانید کدام کدام است، انتظارتان روی داوری اثر می‌گذارد.

می‌خواهم دو مدل را روی کار خودم مقایسه کنم.
این ۲۰ خروجی را که با حرف الف و ب برچسب خورده‌اند بررسی کن
و برای هر جفت بگو کدام بهتر است، بر اساس این معیارها:
۱) درستی اطلاعات
۲) رعایت دقیق قالبی که خواسته بودم
۳) طبیعی بودن فارسی و نیم‌فاصله
۴) طول مناسب، بدون حرف اضافه
در پایان جدول امتیاز بده و بگو در کدام معیار اختلاف معنادار بود.
هیچ حدسی درباره‌ی اینکه الف و ب کدام مدل‌اند نزن.

اگر گراک برایتان در دسترس نیست

احتمال زیادی هست که به‌عنوان کاربر ایرانی نتوانید مستقیم از این مدل استفاده کنید. این پایان ماجرا نیست و چند مسیر واقعی باقی می‌ماند.

اولین گزینه، سرویس‌های واسط داخلی هستند که چند مدل را زیر یک حساب جمع می‌کنند و پرداخت ریالی می‌گیرند. مزیتش دسترسی بدون درگیری با کارت خارجی است؛ عیبش این است که به آخرین مدل‌ها معمولاً با تأخیر می‌رسند.

دومین گزینه، پذیرفتن این است که برای بیشتر کارهای روزمره، تفاوت بین مدل رده‌ی اول و رده‌ی دوم آن‌قدرها که تیترها می‌گویند بزرگ نیست. برای نوشتن ایمیل، خلاصه‌کردن سند و ترجمه، مدل‌های در دسترس‌تر کار را راه می‌اندازند. مقایسه‌ی عملی گزینه‌ها در مقایسه‌ی واقعی مدل‌ها برای کاربر فارسی آمده است.

و سومین گزینه برای کارهایی که داده‌شان نباید از سازمان بیرون برود: اجرای مدل روی سخت‌افزار خودتان که در اجرای مدل روی کامپیوتر شخصی شرح داده شده. کیفیتش پایین‌تر است ولی هیچ داده‌ای جایی نمی‌رود و هیچ محدودیت دسترسی‌ای هم ندارد.

داده‌ی شما کجا می‌رود

هر بار که از یک API استفاده می‌کنید، متن ورودی روی سرور شرکت پردازش می‌شود. برای پروژه‌ی شخصی مسئله‌ای نیست؛ برای داده‌ی مشتری، پرونده‌ی حقوقی یا کد کارفرما، این یک تصمیم است نه یک جزئیات فنی.

سه پرسش که قبل از فرستادن هر داده‌ای باید جوابشان را بدانید: آیا این متن برای آموزش مدل استفاده می‌شود؟ چقدر نگهداری می‌شود؟ و در چه حوزه‌ی قضایی ذخیره می‌شود؟ سیاست هر شرکت فرق می‌کند و برای نسخه‌های سازمانی معمولاً سخت‌گیرانه‌تر است.

قاعده‌ای که مستقل از سیاست هر شرکت جواب می‌دهد: داده را قبل از ارسال بی‌نام کنید. نام‌ها را با «مشتری الف» جایگزین کنید، شماره‌ها را با عدد ساختگی، و فقط ساختار را نگه دارید. در بیشتر کارها — دسته‌بندی، خلاصه، بازنویسی — ساختار همان چیزی است که مدل لازم دارد و هویت واقعی نقشی ندارد.

و برای داده‌ای که اصلاً نباید از سازمان بیرون برود، پاسخ هیچ سرویس ابری‌ای نیست. چارچوب کامل این تصمیم‌گیری در امنیت اطلاعات در هوش مصنوعی و سیاست‌نویسی برای تیم در سیاست استفاده از هوش مصنوعی در شرکت آمده است.

تصویر بزرگ‌تر: رقابت فقط سه‌نفره نیست

در گزارش‌های امروز، گراک ۴.۶ با دو رقیب آمریکایی مقایسه شد. ولی جدول واقعی شلوغ‌تر است و این برای کاربر ایرانی اهمیت خاصی دارد.

مدل‌های چینی در یک سال گذشته فاصله را به‌شکل محسوسی کم کرده‌اند و در بعضی آزمون‌ها هم‌تراز رده‌ی اول ظاهر می‌شوند — در گزارش‌های همین انتشار هم نام Kimi و Qwen کنار گراک آمده. مهم‌تر اینکه بخشی از آن‌ها متن‌باز یا نیمه‌بازند، یعنی می‌شود روی سخت‌افزار خودتان اجرایشان کرد.

برای کسی که دسترسی به سرویس‌های آمریکایی برایش دشوار است، این خبر بزرگ‌تری از انتشار گراک است. تفاوت مدل باز و بسته و اینکه هرکدام کجا به کار می‌آیند را در مدل متن‌باز یا بسته باز کرده‌ام.

نتیجه‌ی عملی این تصویر: انتخاب مدل را با پرسش «کدام باهوش‌تر است» شروع نکنید. با این سه پرسش شروع کنید — به کدام دسترسی دارم، کدام هزینه‌اش با کارم می‌خواند، و کدام فارسی قابل قبولی می‌دهد. بعد از پاسخ این سه، معمولاً بیش از دو گزینه باقی نمی‌ماند و انتخاب آسان می‌شود.

چیزهایی که هنوز روشن نیست

هر بررسی صادقانه‌ای باید این بخش را داشته باشد، مخصوصاً در روز انتشار.

کارت مدل. برای نسل قبل، شرکت سند ارزیابی ایمنی منتشر نکرد. برای تیم‌هایی که در حوزه‌ی مقررات‌گذاری‌شده کار می‌کنند — بانک، بیمه، سلامت — نبودِ چنین سندی یک مورد باز است که باید در تصمیم‌گیری لحاظ شود، نه چیزی که بشود نادیده گرفت.

نرخ توهم. سنجش‌های مستقل درباره‌ی نسل قبلی گراک نشان داده بود که نرخ ساختن اطلاعات نادرست نسبت به نسخه‌های پیش‌تر بالا رفته، در حالی که اعداد داخلی شرکت تصویر خوش‌بینانه‌تری می‌دادند. هنوز داده‌ی مستقلی برای ۴.۶ منتشر نشده. تا آن موقع، همان قاعده‌ی همیشگی برقرار است که در چطور بفهمیم به خروجی می‌شود اعتماد کرد نوشته‌ام: هرچه پیامد اشتباه بزرگ‌تر، بازبینی جدی‌تر.

رفتار زیر بار سنگین. نمره‌ی بنچمارک در شرایط آزمایشگاهی گرفته می‌شود. اینکه مدل بعد از چند هفته اجرای مداوم چطور عمل می‌کند، آیا کیفیتش نوسان دارد، و در ساعات اوج چقدر کند می‌شود، فقط با گذشت زمان معلوم می‌شود.

و خود بنچمارک‌ها. هر نموداری که امروز دیدید، از یک روش سنجش مشخص می‌آید که خودش محدودیت دارد. چرا این نمودارها گمراه می‌کنند را در بنچمارک هوش مصنوعی: چطور بخوانیم باز کرده‌ام. تحلیل کامل اعداد این مدل هم در گزارش Artificial Analysis در دسترس است.

آزمون سی‌دقیقه‌ای: خودتان قضاوت کنید

هیچ مقاله‌ای — از جمله همین — نمی‌تواند جای آزمون روی کار خودتان را بگیرد. این پروتکل نیم‌ساعته را پیشنهاد می‌کنم؛ ساده است و جواب واقعی می‌دهد.

ده دقیقه‌ی اول: نمونه جمع کنید. پنج ورودی واقعی از کار روزانه‌تان بردارید — نه مثال ساختگی. اگر توضیح محصول می‌نویسید، پنج محصول واقعی. اگر کد می‌نویسید، پنج تسک واقعی از بک‌لاگ. مهم است که نمونه‌ها سخت باشند نه ساده؛ مدل‌ها در کارهای ساده همه شبیه هم‌اند.

ده دقیقه‌ی دوم: اجرا کنید. همان پرامپت، همان تنظیمات، روی مدل فعلی و روی گراک ۴.۶. خروجی‌ها را در یک فایل بریزید و برچسب مدل را بردارید.

ده دقیقه‌ی آخر: بشمارید نه اینکه حس کنید. برای هر خروجی یک عدد بدهید: صفر اگر دور ریختنی است، یک اگر با ویرایش قابل استفاده است، دو اگر بدون دست زدن قابل انتشار است. جمع بزنید.

و یک نکته‌ی روش‌شناختی: نتیجه را بعد از یک هفته دوباره بسنجید. اولین برخورد با یک مدل تازه همیشه هیجان‌انگیز است؛ آنچه در هفته‌ی دوم باقی می‌ماند، قضاوت واقعی است. چارچوب کامل سنجش اعتماد به خروجی در چطور بفهمیم به خروجی می‌شود اعتماد کرد آمده است.

این انتشار برای بازار چه معنایی دارد

فراتر از جدول مشخصات، یک روند در این خبر هست که ارزش دیدن دارد.

تا همین یک سال پیش، رقابت مدل‌ها بر سر «کدام باهوش‌تر است» بود. حالا سه مدل عملاً در یک بازه‌ی دو-سه واحدی نشسته‌اند و رقابت به جای دیگری منتقل شده: هزینه‌ی انجام یک کار مشخص.

گراک ۴.۶ دقیقاً روی همین محور بازی می‌کند. نمره‌اش بالاترین نیست، ولی هر کار را با نصف گام و یک‌چهارم قیمت تمام می‌کند. این یعنی برای اولین بار، خودکارسازی کارهایی که تا دیروز از نظر اقتصادی توجیه نداشت، ممکن شده.

برای یک کسب‌وکار کوچک ایرانی معنی‌اش ملموس است: کاری که تا دیروز می‌گفتید «صرف نمی‌کند برای هزار تا محصول انجامش بدهم»، حالا شاید صرف کند. الگوی درست پیدا کردن چنین کارهایی در خودکارسازی برای تیم‌های کوچک و محاسبه‌ی توجیه اقتصادی‌اش در محاسبه بازگشت سرمایه‌ی هوش مصنوعی آمده است.

روند دوم، فاصله‌ی بین «مدل برای توسعه‌دهنده» و «مدل برای کاربر» است. اینکه گراک ۴.۶ در روز اول به چت عمومی نیامد تصادفی نیست؛ نشان می‌دهد ارزش اقتصادی این نسل در API و ایجنت است نه در گفتگوی روزمره.

برنامه‌ی هفته‌ی اول برای یک تیم فنی

اگر تیم کوچکی دارید و می‌خواهید این را جدی بررسی کنید، این پنج روز کافی است.

روز پنجم مهم‌ترین است: اجرای موازی یعنی هر دو مدل همان درخواست واقعی را بگیرند و شما خروجی‌ها را کنار هم ذخیره کنید، بدون اینکه کاربر نهایی چیزی ببیند. بعد از چند روز داده‌ی واقعی دارید، نه حدس.

گراک ۴.۷ و ۵ در راه‌اند — صبر کنم؟

شرکت اعلام کرده مدل بعدی، گراک ۴.۷، ظرف چند هفته می‌آید و بزرگ‌تر خواهد بود؛ و نسل پنجم را تا پایان سال میلادی هدف گرفته. این ریتم انتشار برای کاربر یک معنی دارد: هر تصمیمی که امروز می‌گیرید، عمر کوتاهی دارد.

توصیه‌ی عملی من این است: به‌جای دنبال کردن هر انتشار، کارتان را طوری بسازید که تعویض مدل ارزان باشد. اگر کد شما به یک مدل خاص گره خورده، هر خبر تازه‌ای برایتان یک پروژه‌ی مهاجرت است. اگر لایه‌ی مدل را جدا نگه داشته‌اید، تعویض یک خط تنظیمات است و می‌توانید با خیال راحت هر نسخه را روی داده‌ی واقعی خودتان بسنجید.

و یک نکته‌ی روان‌شناختی که کم گفته می‌شود: بهترین مدل، مدلی است که با آن کار کرده‌اید و رفتارش را می‌شناسید. جابه‌جایی مداوم بین مدل‌ها به بهانه‌ی چند واحد نمره، معمولاً بیشتر از آنچه اضافه می‌کند، وقت می‌گیرد.

سه اشتباه رایج در روزهای اول یک مدل تازه

این الگو با هر انتشار تکرار می‌شود و هر بار همان سه اشتباه هزینه می‌سازد.

اشتباه اول: مهاجرت کامل در روز اول. دیدن یک نمودار خوب و جابه‌جا کردن کل خط تولید، ریسکی است که در روز سوم پشیمانی می‌آورد. رفتار مدل در ترافیک واقعی با آزمون یک‌ساعته معلوم نمی‌شود. اجرای موازی و تصمیم بعد از یک هفته، هزینه‌ی تقریباً صفر دارد و ریسک را حذف می‌کند.

اشتباه دوم: قضاوت با یک پرامپت. کسی یک سؤال می‌پرسد، جواب خوب می‌گیرد و نتیجه می‌گیرد مدل عالی است — یا برعکس، یک جواب بد می‌بیند و کنار می‌گذاردش. تنوع خروجی این مدل‌ها به‌قدری است که یک نمونه هیچ چیز ثابت نمی‌کند؛ دلیلش را در چرا هر بار جواب متفاوتی می‌گیرم نوشته‌ام. حداقل ده نمونه لازم است.

اشتباه سوم: باور کردن نمودار شرکت سازنده. هر شرکتی آزمون‌هایی را برجسته می‌کند که در آن‌ها جلوست. این دروغ نیست، ولی انتخاب است. عدد مؤسسه‌ی مستقل قابل اتکاتر است، و عدد خودتان روی کار خودتان از هر دو قابل اتکاتر.

و یک اشتباه چهارم که کمتر گفته می‌شود: فراموش کردن اینکه مدل تازه، پرامپت تازه می‌خواهد. پرامپتی که ماه‌ها روی مدل قبلی تنظیم شده، روی مدل جدید بهینه نیست. اگر بدون بازنویسی پرامپت مقایسه کنید، دارید مدل جدید را با دست بسته می‌سنجید. اصول این بازنویسی در پرامپت‌نویسی فارسی آمده است.

جمع‌بندی

گراک ۴.۶ یک به‌روزرسانی جدی است، ولی نه از جنسی که تیترها نشان می‌دهند. جهش واقعی‌اش در کدنویسی و کارهای عاملی است، نه در دانش عمومی یا نوشتن. و مهم‌ترین دستاوردش هم فنی نیست، اقتصادی است: کیفیتی هم‌تراز رقیب گران‌قیمت، با یک‌چهارم هزینه‌ی خروجی و نصف تعداد گام.

اگر ایجنت یا خودکارسازی با حجم بالا اجرا می‌کنید، این خبر واقعاً برای شماست و همین هفته که سهمیه دوبرابر است، بهترین وقت آزمایش. اگر کاربر عادی چت هستید، فعلاً چیزی برایتان عوض نشده — این مدل هنوز به چت عمومی نیامده.

و در هر دو حالت، دو چیز را فراموش نکنید: تله‌ی دویست هزار توکن که می‌تواند صورت‌حساب را دو برابر کند، و اینکه هیچ‌کدام از این نمره‌ها درباره‌ی فارسی چیزی نمی‌گوید. آن یکی را باید خودتان با کار واقعی خودتان بسنجید. برای همین آزمون، نارنگی چند مدل را کنار هم دارد و مقایسه را ساده می‌کند.

برای ادامه:

• کلاد اوپوس ۵: چه چیزی عوض شد
• GPT-5.6 و مدل‌های تازه‌ی اوپن‌ای‌آی
• مقایسه‌ی واقعی مدل‌ها برای کاربر فارسی