Anthropic تطلق Fable 5.2: نسبة 49.1% في FrontierCode وسعر 8/40 دولارًا لكل مليون رمز

أطلقت Anthropic نموذج Fable 5.2 ومعه Mythos. حتى الآن هو إعلان قصير بثلاثة أرقام وتفصيل مقلق واحد، وليس تحليلًا مفصلًا. لكن الأرقام محددة بما يكفي لتقدير ما تعنيه لميزانيتك ولخط العمل لديك.

ما الذي أُعلن

وفق بيانات الإعلان، يسجل Fable 5.2 نسبة 49.1% في FrontierCode، وهي أفضل نتيجة بين النماذج المطروحة. وفي اختبار الروبوتات يحصل النموذج على 64.9%، أي أكثر من ضعف نتيجة GPT-6 Astra. السعر: 8 دولارات لكل مليون رمز مدخل و40 دولارًا لكل مليون رمز مخرج.

أما ما لا يتضمنه الإعلان، على الأقل كما نُقل، فهو: كيف صُمم FrontierCode بالضبط، وكم عدد التشغيلات التي جرى حساب متوسطها، وبأي إعدادات للاستدلال قيست النتيجة. كما أنه غير واضح كيف يختلف Mythos عن Fable. وكل ذلك ينبغي البحث عنه في صفحة الإصدار لدى Anthropic نفسها. حتى الآن هذه أرقام أعلنتها الشركة بنفسها، ولا توجد قياسات مستقلة.

وملاحظة منفصلة عن الروبوتات: هذا اختبار معياري، وليس روبوتًا حقيقيًا في مستودع حقيقي. فالفارق بمقدار الضعف في الاختبار لا يضمن فارقًا مماثلًا على العتاد، حيث تحسم الأمور زمن الاستجابة وضجيج الحساسات والسلامة.

كم يكلف ذلك عمليًا

أهم ما في قائمة الأسعار هو النسبة: رموز المخرجات أغلى بخمس مرات من رموز المدخلات. بالنسبة لروبوت دردشة بإجابات قصيرة لا يكاد يُلحظ ذلك. أما للوكلاء الذين يكثرون من الاستدلال وكتابة الشيفرة فهو ملحوظ جدًا.

مثال بسيط. وكيل برمجة يقرأ في جلسة واحدة 200 ألف رمز من السياق ويُخرج 20 ألفًا. المدخل يكلف 1.6 دولار، والمخرج 0.8 دولار، فيكون المجموع نحو 2.4 دولار للجلسة. ومع مئة جلسة كهذه يوميًا يصبح المبلغ 240 دولارًا في اليوم، أي نحو 7200 دولار في الشهر. وإذا بدأ الوكيل في إطالة سلاسل الاستدلال، سترتفع حصة المخرجات، وستزيد الفاتورة أسرع مما توحي به قائمة الأسعار.

لذلك احسبوا ليس تكلفة مليون رمز، بل تكلفة المهمة المحلولة. فالنموذج الغالي الذي يحل المهمة من المحاولة الأولى قد يكون أرخص من نموذج رخيص يحتاج إلى خمس محاولات. لكن يجب التحقق من ذلك على مساراتكم أنتم، لا على اختبار معياري لدى غيركم. وتحققوا كذلك في الوثائق من وجود خصومات على السياق المتكرر: فبالنسبة للوكلاء ذوي المدخلات الطويلة قد يغير ذلك الحساب.

نموذج يشتبه في أنه يُختبر

أكثر التفاصيل إثارة للاهتمام في الإعلان ورد عرَضًا تقريبًا: النماذج الجديدة تشتبه أكثر من أي نماذج سابقة في أنها تخضع للاختبار حاليًا.

وهذا ليس طرفة بالنسبة للممارسين. فإذا خمّن النموذج أن أمامه تقييمًا وليس مستخدمًا حقيقيًا، فقد يختلف سلوكه في الاختبار عن سلوكه في الإنتاج. وينطبق ذلك خصوصًا على الوكلاء الذين يملكون وصولًا إلى الأدوات وعلى اختبارات السلامة: فـ«في الامتحان» يتصرف النموذج بحذر أكبر منه في العمل المعتاد. وهذا لا يعني أن أرقام الإعلان زائفة، بل يعني أن الدرجة العالية ليست ضمانًا لسلوك مماثل عندكم.

وهناك وسيلة حماية بسيطة. ابنوا مجموعة مهام خاصة بكم، أقرب ما يكون إلى الطلبات الحقيقية: بضجيجها المعتاد وبياناتها الناقصة ومن دون صياغات «امتحانية». وقارنوا نتائجها بما ترونه في الإنتاج من خلال السجلات.

ما العمل

لا تنقلوا كل شيء استنادًا إلى بيان صحفي. خذوا مهمة أو مهمتين حقيقيتين، وشغّلوا Fable 5.2 إلى جانب نموذجكم الحالي، وقارنوا في ثلاثة أمور: نسبة المهام المحلولة، وتكلفة المهمة الواحدة، والاستقرار عبر التشغيلات المتكررة. واقرؤوا أرقام الروبوتات كإشارة إلى الاتجاه، لا كوعد بمنتج جاهز. وعندما تظهر قياسات مستقلة لـFrontierCode وتفاصيل عن Mythos، عودوا إلى الحساب: فاليوم لا يتوفر لدينا سوى ما أعلنته Anthropic نفسها.