مقارنة شاملة: كلود أوبس 4.8 ضد GPT-5.5 ضد جيميناي 3.5 فلاش

في ساحة سباق الذكاء الاصطناعي المحمومة، حيث تطلق الشركات العملاقة نماذج جديدة كل بضعة أسابيع، أصبح من الصعب مواكبة آخر التطورات. هذا التقرير يقدم مقارنة أشمل وأحدث ما أمكن حتى أواخر مايو 2026 بين عمالقة النماذج اللغوية، لمساعدتك على فهم أيهم الأفضل لاحتياجاتك.

جدول المقارنة الشامل: الأداء في الاختبارات المعيارية

الاختبار المعياري	كلود أوبس 4.8	كلود أوبس 4.7	GPT-5.5	جيميناي 3.5 فلاش	غروك 4.3	DeepSeek V4 Pro
SWE-Bench Pro (برمجة وكيلة)	69.2%	64.3%	58.6%	~21.4%*	~19.4%*	~18.1%*
SWE-Bench Verified (حل مشاكل حقيقية)	~83% (مقدرة)	87.6%	85.0%	82.1%	81.0%	80.6%
Terminal-Bench 2.0/2.1 (برمجة طرفية)	74.6%	66.1–69.4%	78.2–82.7%	76.2%	68.5%	65.0%
OSWorld-Verified (استخدام الحاسوب)	83.4%	82.8%	78.7%	75.0%	72.1%	70.5%
GDPval-AA (عمل معرفي/إيلو وكيل)	1890	1753	1620–1769	1656	1500–1570	1550
امتحان البشرية الأخير (باستخدام الأدوات)	57.9%	54.7%	—	—	—	—
امتحان البشرية الأخير (بدون أدوات)	49.8%	—	—	—	—	—
GPQA Diamond (علوم متقدمة)	~94% (مقدرة)	94.2%	96.0%	92.4%	90.1–91.5%	95.1%
ARC-AGI-2 (منطق مجرد)	~80% (مقدرة)	80.2%	85.0%	75.8%	76.1%	74.0%
MCP Atlas (موثوقية استخدام الأدوات)	—	77.3%	79.1%	83.6%	74.2%	71.5%
مؤشر AA للذكاء (v4.0)	~59–60 (مقدرة)	59	60	57	53	55
Finance Agent v2 (وكيل مالي)	53.9%	51.5%	—	—	—	—
LiveCodeBench (Pass@1)	—	—	~91–92% (مقدرة)	—	—	93.5%
Codeforces ELO (برمجة تنافسية)	—	~3050 (مقدرة)	3168	—	—	3206
FrontierMath (مستويات 1–3)	—	43.8%	51.7%	—	—	—
MMLU-Pro	—	—	—	—	—	87.5%
AIME 2025 (رياضيات)	—	—	95.2%	—	—	—
BrowseComp	—	79.3%	84.4%	—	—	—

* نتائج SWE-Bench Pro لكل من جيميناي 3.5 فلاش، غروك 4.3، و DeepSeek V4 Pro مأخوذة من اختبار واحد لجهة خارجية - بينما تظهر بيانات جوجل الرسمية أرقاماً مختلفة (انظر الملاحظات أدناه).

---

الأسعار ومقاييس الأداء

المعيار	كلود أوبس 4.8	كلود أوبس 4.7	GPT-5.5	جيميناي 3.5 فلاش	غروك 4.3	DeepSeek V4 Pro
سعر الإدخال (لكل مليون رمز)	$5.00	$15.00	$5.00	$1.50	$1.25–1.50	~$0.50–2.00 (مقدر)
سعر الإخراج (لكل مليون رمز)	$25.00	~$75.00 (مقدر)	$30.00	$9.00	~$6.00–8.00 (مقدر)	~$2.00–8.00 (مقدر)
سرعة الإخراج (رمز/ثانية)	~90–100 (مقدرة)	~67–78	~71	289	~159–207	~80–100 (مقدرة)
نافذة السياق (Context Window)	1 مليون	200 ألف	400 ألف	1 مليون	1 مليون	1 مليون
تاريخ الإصدار	28 مايو 2026	16 أبريل 2026	23 أبريل 2026	19 مايو 2026	30 أبريل 2026	24 أبريل 2026
الترتيب في BenchLM (مؤقت)	#2 من 119	—	#5 من 119	—	—	—

---

أبرز النتائج: من يتفوق في ماذا؟

🥇 كلود أوبس 4.8: ملك الأعمال الوكيلة والتحليل المالي

أحدث إبداعات شركة أنثروبيك يتصدر بقوة في البرمجة الوكيلة (SWE-Bench Pro) بنسبة 69.2%، والعمل المعرفي (1890 إيلو)، والتحكم بالحاسوب بنسبة 83.4%، والمنطق متعدد التخصصات (امتحان البشرية الأخير)، والتحليل المالي . يحتل المرتبة الثانية عالمياً بدرجة مركبة تبلغ 93/100 .

🥇 GPT-5.5: عبقري المنطق والبرمجة الطرفية

نموذج أوبن إيه آي هو الأقوى في البرمجة الطرفية (Terminal-Bench) بنسبة تصل إلى 82.7%، والمنطق البصري المجرد (ARC-AGI-2) بنسبة 85%، والعلوم المتقدمة (GPQA Diamond) عند 96%، والرياضيات المتطورة (FrontierMath)، ومؤشر الذكاء AA بقيمة 60 .

🥇 جيميناي 3.5 فلاش: المفاجأة السريعة والرخيصة

يتصدر جوجل في موثوقية استخدام الأدوات (MCP Atlas) بنسبة 83.6%، مع سرعة إخراج خارقة تصل إلى ~289 رمز/ثانية، أسرع بأربعة أضعاف من أي نموذج آخر في هذه المقارنة، وكل ذلك بأقل تكلفة . نموذج مثالي للتطبيقات التي تتطلب حجماً كبيراً وسرعة فائقة.

🥇 DeepSeek V4 Pro: بطل البرمجة التنافسية الاقتصادي

يتفوق في مسابقات البرمجة بتصنيف Codeforces ELO 3206 و LiveCodeBench بنسبة 93.5%، وينافس كلود في SWE-bench Verified بنتيجة 80.6%، وكل ذلك بجزء بسيط من التكلفة . خيار لا يهزم لمن يبحث عن القيمة مقابل المال في مهام البرمجة.

🥉 غروك 4.3 و كلود أوبس 4.7

• غروك 4.3: يقدم أداءً تنافسياً في الفئة المتوسطة (مؤشر ذكاء 53، GPQA 90.1%) مع سرعة ممتازة وأسعار منخفضة جداً، لكنه يتأخر عن القادة في أغلب الاختبارات الوكيلة .
• كلود أوبس 4.7: لا يزال قوياً جداً (خاصة في SWE-bench Verified بنسبة 87.6%)، لكن خليفته الجديد 4.8 تفوق عليه في كل مقياس رئيسي تقريباً .

---

تحذيرات هامة لفهم هذه الأرقام

• مصادر الاختبارات متنوعة: الأرقام مجمعة من تقارير رسمية (أنثروبيك، أوبن إيه آي، جوجل) واختبارات مستقلة. قد ترى تفاوتاً في نفس الاختبار بسبب اختلاف منهجية القياس (مثلاً، GPT-5.5 سجل 78.2% في بطاقة نموذج جوجل مقابل 82.7% في تقرير أوبن إيه آي).
• SWE-Bench Pro مختلف عن Verified: Pro أصعب (تغييرات معمارية متعددة الملفات)، Verified أسهل (إصلاح مشاكل مفردة). لذلك كلود يقود في Pro بينما المنافسة أشد في Verified.
• DeepSeek وغروك وجيميناي فلاش أرخص بكثير في تكلفة الرمز الواحد، مما يجعلها أفضل قيمة للتطبيقات ذات الأحمال الضخمة أو الحساسة للسرعة.
• جيميناي 3.5 فلاش هو نموذج من فئة "Flash" المُحسَّنة للكفاءة، وليس منافساً مباشراً لفئة "Ultra" أو "Pro"، لكنه ينافس بقوة في العديد من الاختبارات الوكيلة مع سرعة وسعر أفضل بكثير.

---

ما يبقى غير واضح

• لا يوجد اختبار معياري موحد من جهة مستقلة واحدة يختبر جميع النماذج الستة بنفس المنهجية بالضبط. الصورة الحالية مبنية من مجموعات بيانات متداخلة لكنها ليست متطابقة.
• بيانات DeepSeek V4 Pro وغروك 4.3 في الاختبارات الوكيلة طويلة المدى أقل توفراً من الشركات الثلاث الكبرى.
• كلود أوبس 4.8 صدر للتو في 28 مايو 2026، وبالتالي بيانات التحقق المستقلة لا تزال محدودة وغالبية النتائج من تقارير الشركة المصنعة.

---

المصادر الأكثر موثوقية

1. صفحات الشركات الرسمية: أنثروبيك، أوبن إيه آي، جوجل ديب مايند - البيانات الأولية.
2. تقييم NIST CAISI لـ DeepSeek V4 Pro - تقييم حكومي مستقل .
3. تحليل جامعة ديوك لجيميناي 3.5 فلاش - تغطية أكاديمية .
4. مجمّعات خارجية: اختبارات dev.to المباشرة ، BenchLM.ai ، Artificial Analysis - مفيدة للمقارنة لكنها أقل موثوقية من المصادر الرسمية.