مئة دولار: 10 مهام على Opus 5.5 max أو 2 500 على GPT-6 Luna

تحولت قوائم أسعار النماذج منذ وقت طويل إلى أحجية. يبدو سعر مليون توكن مفهومًا، إلى أن يتضح أن أحد النماذج «يفكر» مدة أطول بعشر مرات من نموذج آخر، وأن وضع reasoning يغير الفاتورة بمرتبة كاملة. واقترحت Artificial Analysis مقياسًا أكثر إنصافًا: كم مهمة من Intelligence Index يمكن إنجازها بميزانية ثابتة قدرها 100 دولار؟

ماذا أظهرت الأرقام

مجموعة المهام متنوعة وتضم أنماطًا مختلفة، من الاستدلال إلى السيناريوهات العملية. وكانت النتيجة كالتالي:

• Opus 5.5 عند مستوى reasoning المتوسط: 40 مهمة.
• Opus 5.5 عند المستوى الأقصى: 10 مهام.
• DeepSeek V4.1 Flash 1017 عند المستوى الأقصى: 166 مهمة.
• GPT-6 Luna عند المستوى المتوسط: 2 500 مهمة.

وبقسمة الميزانية، تبلغ التكلفة نحو 2.50 دولار للمهمة مع Opus 5.5 medium، ونحو 10 دولارات مع النموذج نفسه في وضع max، وحوالي 0.60 دولار مع DeepSeek، ونحو 4 سنتات مع Luna. هذه تقديراتنا استنادًا إلى بيانات المنشور وليست أسعارًا رسمية. لكن ترتيب الحجم واضح: الفارق بين الخيار الأعلى والأدنى تكلفة يبلغ 250 ضعفًا.

الدرس الأهم: الوضع أهم من النموذج

انتبهوا إلى السطرين الخاصين بـ Opus. إنه النموذج نفسه، لكن الانتقال من medium إلى max يجعل كل مهمة أغلى أربع مرات. توكنات «التفكير» تكلف مالًا، وكلما زاد تعقيد الإعداد ارتفع استهلاكها. تضبط فرق كثيرة المستوى الأقصى افتراضيًا «لضمان موثوقية أكبر»، ثم تفاجأ بالفاتورة.

تخيلوا خدمة دعم يتولى فيها الذكاء الاصطناعي معالجة 20 000 طلب شهريًا. مع Luna، ستبلغ التكلفة نحو 800 دولار عند احتسابها وفق سعر المهمة في الاختبار المعياري. أما مع Opus 5.5 medium فستصل إلى نحو 50 000 دولار، ومع max إلى قرابة 200 000 دولار. قد تكون الطلبات الفعلية أبسط أو أعقد من مهام المؤشر، ولذلك تظل الأرقام تقديرية. لكن حجمها يوضح لماذا لا يمكن اختيار النموذج والوضع بالحدس.

ما الذي ينبغي فعله بهذه النتائج

أولًا: احسبوا تكلفة المهمة التي حُلّت، لا تكلفة التوكن. مرروا 50–100 حالة حقيقية لديكم عبر نموذجين أو ثلاثة نماذج وأوضاع، وسجلوا التكلفة ونسبة النجاح. فسعر الإجابة الناجحة، لا سعر الاستدعاء، هو ما يحدد اقتصاديات المنتج.

ثانيًا: ابنوا نظام توجيه. أسندوا الطلبات البسيطة — التصنيف واستخراج الحقول والإجابات القصيرة — إلى نماذج منخفضة التكلفة مثل Luna أو DeepSeek Flash. وصعّدوا الحالات الصعبة التي يخطئ فيها النموذج الرخيص إلى Opus 5.5، ولا تفعّلوا مستوى reasoning مرتفعًا إلا هناك. غالبًا ما يخفض هذا التصميم الفاتورة عدة أضعاف من دون خسارة تُذكر في الجودة.

ثالثًا: احتفظوا بوضع reasoning في ملف الإعدادات لا داخل الكود. عندها يمكن تغييره وفق أنواع المهام ونتائج القياسات.

القيود

يفتقر المنشور إلى المعلومة الأهم: كم مهمة من هذه المهام حلها كل نموذج بصورة صحيحة. ميزانية 100 دولار تُظهر تكلفة المحاولات، لا الجودة. والنموذج الرخيص الذي يفشل في نصف المهام يكون في الواقع أغلى مما يبدو. كذلك، لا يطابق مزيج مهام Intelligence Index بالضرورة عبء العمل لديكم؛ ففي السيناريوهات القائمة على الوكلاء، مع سلاسل طويلة من الاستدعاءات، قد تختلف الأرقام كثيرًا. ولم تُنشر البيانات حتى الآن إلا في تغريدة من دون منهجية مفصلة، لذلك ينبغي التعامل معها باعتبارها مؤشرًا إرشاديًا لا حكمًا نهائيًا.

الخلاصة بسيطة. انتهى العصر الذي كان يكفي فيه اختيار النموذج «الأذكى». الفائز اليوم هو من يعرف كيف يختار النموذج ومستوى reasoning المناسبين لكل مهمة، ويعرف تكلفة الإجابة الصحيحة الواحدة.