مقایسه مدل‌های هوش مصنوعی؛ راهنمای انتخاب GPT، Claude، Gemini و Qwen

فرض کنید قرار است یک فروشگاه اینترنتی به هوش مصنوعی مجهز شود. پاسخ‌گویی درباره شرایط ارسال، استخراج ویژگی از توضیح کالا، جست‌وجوی معنایی و نوشتن کد افزونه، چهار مسئله متفاوت‌اند. انتخاب یک مدل برای همه آن‌ها ممکن است ساده به نظر برسد، اما لزوماً بهترین نتیجه را ندارد: بعضی کارها به پاسخ کوتاه و سریع نیاز دارند، بعضی به بازیابی اطلاعات معتبر و بعضی به استدلال و بازبینی چندمرحله‌ای.

این راهنما برای همین تصمیم نوشته شده است. ابتدا تفاوت مدل، API و ابزار را روشن می‌کنیم؛ سپس خانواده‌های اصلی و نسخه‌های موجود در کاتالوگ ایران‌نت را مرور می‌کنیم و در پایان، روش ساخت یک مقایسه منصفانه را قدم‌به‌قدم پیش می‌بریم. پیشنهادهای کاربردی این مقاله، نقطه شروع ارزیابی هستند؛ هیچ جدول امتیاز ساختگی یا ادعای آزمون انجام‌نشده‌ای در آن وجود ندارد.

۱. مدل، API، چت‌بات و Agent چه فرقی دارند؟

مدل سامانه‌ای است که ورودی را پردازش می‌کند و خروجی می‌سازد؛ برای مثال متن را خلاصه می‌کند یا کد پیشنهاد می‌دهد. API مسیر برنامه‌نویسی برای استفاده از این توانایی است. چت‌بات یک محصول با رابط گفتگوست که ممکن است از یک یا چند مدل استفاده کند. Agent یا عامل هوشمند علاوه بر گفتگو، در یک برنامه کنترل‌شده ابزار انتخاب می‌کند، نتیجه ابزار را می‌خواند و کار را ادامه می‌دهد.

این تفاوت برای خرید و پیاده‌سازی مهم است. اشتراک یک ابزار چت الزاماً کلید API در اختیار برنامه شما نمی‌گذارد. داشتن کلید API هم به‌تنهایی به معنی داشتن جست‌وجوی اسناد، حافظه گفتگو، اتصال به فروشگاه یا اجازه تغییر سفارش نیست. آن قابلیت‌ها باید در محصول شما طراحی شوند. در یک دستیار فروش، مدل می‌تواند نیاز مشتری را تفسیر کند؛ قیمت و موجودی باید از سامانه فروش خوانده شوند.

یک رابط یکپارچه، مدیریت اتصال و انتخاب مدل را ساده‌تر می‌کند. IranNet AI API برای دسترسی به مدل‌های مختلف از یک API و مدیریت متمرکز مصرف و صورتحساب معرفی شده است. یکپارچگی رابط را با یکسان‌بودن قابلیت تمام مدل‌ها اشتباه نگیرید: پارامترها، نوع ورودی و شناسه مجاز هر مدل باید جداگانه بررسی شوند.

۲. معیارهای انتخاب مدل؛ قبل از نگاه‌کردن به برند

کیفیت در کار واقعی

از مدل نپرسید «آیا فارسی بلدی؟». یک پیام واقعی با نیم‌فاصله، غلط تایپی، نام محصول و محدودیت پاسخ به آن بدهید. در کار استخراج، مشخص کنید چند فیلد درست استخراج شده؛ در پشتیبانی، بررسی کنید آیا پاسخ با سیاست فروشگاه مطابقت دارد؛ در کدنویسی، اجرای تست و درستی تغییر را بسنجید. پاسخ خوش‌لحن ممکن است از نظر داده اشتباه باشد.

نوع ورودی و نوع خروجی

مدلی که تصویر را می‌فهمد الزاماً تصویر تولید نمی‌کند. مدلی که صوت را به متن تبدیل می‌کند الزاماً مکالمه صوتی زنده ندارد. Embedding نیز پاسخ مکالمه‌ای تولید نمی‌کند؛ نمایش عددی داده را برای جست‌وجو و مقایسه می‌سازد. انتخاب قابلیت نادرست، حتی با معروف‌ترین مدل، معماری پروژه را از ابتدا منحرف می‌کند.

ظرفیت زمینه و سقف خروجی

Context Window یا پنجره زمینه، ظرفیت متنیِ در دسترس برای پردازش درخواست است. تاریخچه گفتگو، دستورها، متن اسناد و تعریف ابزارها می‌توانند بخشی از این بودجه را مصرف کنند. سقف خروجی، محدودیت جداگانه پاسخ است. ظرفیت بزرگ تضمین نمی‌کند مدل تمام جزئیات یک سند طولانی را با دقت برابر به یاد بیاورد؛ سؤال‌های ارجاعی به ابتدا، میانه و انتهای سند را جدا امتحان کنید.

تأخیر، هزینه و قابلیت کنترل

برای پیشنهاد عنوان مقاله، چند ثانیه انتظار ممکن است پذیرفتنی باشد؛ برای تکمیل خودکار فرم، همان انتظار آزاردهنده است. زمان اولین بخش پاسخ و زمان تکمیل کل پاسخ دو شاخص متفاوت‌اند. در کنار آن‌ها هزینه ورودی، خروجی، تکرار درخواست و اصلاح انسانی را ثبت کنید. ابزار، خروجی ساختاریافته، امکان محدودکردن پاسخ و چرخه عمر نسخه نیز در انتخاب نقش دارند.

۳. خانواده OpenAI؛ GPT، مدل‌های کدنویسی و مدل‌های تخصصی

OpenAI یک خانواده واحد با قابلیت ثابت نیست. در فهرست رسمی، مدل‌های متن و کد در کنار مدل‌های تخصصی تصویر، صوت و Embedding آمده‌اند. راهنمای انتخاب آن، GPT-6 Astra را برای کارهای دشوار و GPT-6 Luna را برای وظایف متمرکز و پرتعداد جای‌گذاری می‌کند. این جای‌گذاری سازنده، نقطه شروع است و جای مقایسه فارسی یا آزمون برنامه شما را نمی‌گیرد. [۱]

در کاتالوگ مورد بررسی، نام‌هایی مانند GPT-6-Luna، GPT-6-Astra، GPT-5.6-Luna، GPT-5.6-Terra، GPT-5.6-Sol، GPT-5.4، GPT-5.2، GPT-4.1 و GPT-4o دیده می‌شوند. نام‌های Mini، Nano، Pro یا Codex را شناسه نسخه بدانید؛ از یک پسوند به‌تنهایی، قیمت، سرعت یا پشتیبانی ابزار را نتیجه نگیرید. نسخه Codex را نیز با یک محیط توسعه کامل یا اشتراک ابزار کدنویسی یکسان ندانید.

برای دسته‌بندی هزاران پیام کوتاه، یک مدل کم‌هزینه را در برابر گزینه قوی‌تر بسنجید: اگر هر دو حداقل دقت شما را می‌گیرند، تفاوت هزینه مهم می‌شود. برای تحلیل باگ چندفایلی، هزینه اشتباه و زمان اصلاح اهمیت بیشتری دارد. در هر دو حالت، مدل را با ورودی یکسان و خروجی مورد انتظار مشخص امتحان کنید. جزئیات GPT-OSS-20B و GPT-OSS-120B نیز باید با کارت همان نسخه سنجیده شود؛ عدد پارامتر، امتیاز قطعی کیفیت نیست.

۴. Claude؛ تفاوت Haiku، Sonnet، Opus و Fable

Anthropic در مستندات فعلی، Haiku را برای کارهای پرتعداد و حساس به تأخیر، Sonnet را برای توازن سرعت و توانایی، Opus را برای کارهای کدنویسی و دانشی طولانی و Fable را برای استدلال دشوار و فعالیت‌های عامل‌محور معرفی می‌کند. این توصیف درباره خط محصول سازنده است؛ ظرفیت و قابلیت نسخه قابل استفاده شما باید از قرارداد همان سرویس خوانده شود. [۲]

نسخه‌های Claude-Sonnet-4.6، Claude-Sonnet-4.5، Claude-Haiku-4.5، Claude-Opus-4.6 و نسخه‌های ۵ و ۵.۵ در فایل کاتالوگ حضور دارند. انتخاب نسخه قدیمی یا جدید را صرفاً براساس نام انجام ندهید. اگر پرامپت شما با یک نسخه تنظیم شده، جابه‌جایی نسخه ممکن است طول پاسخ، نحوه پیروی از دستور یا انتخاب ابزار را تغییر دهد. مجموعه آزمون ثابت، معیار سالم‌تری از چند پاسخ خوشایند است.

در مقایسه برای بازبینی سند، یک متن با ادعاهای متناقض بسازید و از مدل بخواهید تناقض را با ارجاع به بند نشان دهد. در بازبینی کد، یک ایراد واقعی و چند بخش سالم در اختیارش بگذارید تا علاوه بر کشف خطا، نرخ هشدار اشتباه را هم ببینید. بازبین پرحرفی که بخش سالم را بی‌دلیل بازنویسی می‌کند، می‌تواند هزینه نگهداری را افزایش دهد.

۵. Gemini؛ Pro، Flash و مدل‌های چندرسانه‌ای

فهرست رسمی Gemini شامل مدل‌های عمومی و مدل‌های تخصصی تصویر، صوت و Embedding است. Flash و Flash-Lite در این مجموعه با تمرکزهای متفاوت بر سرعت و هزینه عرضه می‌شوند؛ مدل‌های تصویر و صوت نیز قرارداد مستقل دارند. وجود واژه Gemini در نام دو مدل به معنی ورودی، خروجی یا API یکسان نیست. [۳]

در کاتالوگ ایران‌نت، نمونه‌هایی مانند Gemini-2.5-Pro، Gemini-2.5-Flash، Gemini-2.5-Flash-lite، Gemini-3.1-Pro-Preview، Gemini-3.5-Flash-Lite و Gemini-Nano-Banana-2.1 ثبت شده‌اند. عبارت Preview بخشی از نام بعضی نسخه‌هاست؛ آن را با وضعیت کل سرویس ایران‌نت اشتباه نگیرید. نسخه، تاریخ بازنشستگی و مدل جایگزین را هنگام شروع پروژه بررسی کنید؛ وجود نام در یک کاتالوگ به‌تنهایی تعهد دسترسی دائمی نیست.

برای پروژه‌ای که قرار است تصویر رسید یا اسکرین‌شات بخواند، از یک تصویر تمیز نتیجه‌گیری نکنید. نمونه کم‌نور، فونت کوچک، جدول چندستونی و متن فارسی را نیز در آزمون بگذارید. اگر هدف تولید تصویر است، خوانایی نوشته، سازگاری اصلاحات متوالی و رعایت نسبت تصویر را بسنجید. این معیارها با معیار خلاصه‌سازی متن متفاوت‌اند و نباید در یک امتیاز عمومی پنهان شوند.

۶. Qwen؛ مدل عمومی را از Qwen Coder جدا کنید

Qwen خانواده‌ای از مدل‌های Alibaba است. معرفی رسمی Qwen3-Coder-480B-A35B-Instruct بر کدنویسی و کار عامل‌محور تمرکز دارد و میان تعداد کل پارامترها و پارامترهای فعال تفاوت می‌گذارد. در معماری MoE، همه پارامترها در هر مرحله به یک شکل فعال نیستند؛ بنابراین مقایسه دو مدل فقط با عدد B روی نام، روش معتبری برای تخمین کیفیت یا هزینه اجرا نیست. [۴]

Qwen-3.8-Flash، Qwen-3.8-Max، Qwen3.5-35B-A3B، Qwen3-30B-A3B، Qwen-3.8-27b و Qwen3-Coder-480b-A35B-Instruct در فایل مورد بررسی آمده‌اند. شرح قابلیت نسخه Coder را به نسخه عمومی منتقل نکنید. برای ساخت API فروشگاه، یک آزمون عملی می‌تواند اصلاح اعتبارسنجی شماره تماس، حفظ قرارداد پاسخ و افزودن تست ورودی نامعتبر باشد.

مدلی که تابع را کوتاه‌تر می‌نویسد الزاماً گزینه بهتری نیست. آیا کد با نسخه PHP یا Node پروژه شما سازگار است؟ آیا به یک کتابخانه واقعاً موجود وابسته شده؟ آیا دسترسی کاربر را در سمت سرور بررسی کرده؟ پاسخ به این سؤال‌ها به تصمیم خرید کمک بیشتری می‌کند تا تعداد خطوط کد تولیدشده.

۷. DeepSeek؛ تفکیک پاسخ سریع، استدلال و ادامه ابزار

مستندات DeepSeek بین حالت‌های thinking و non-thinking و قرارداد ادامه فراخوانی ابزار تمایز می‌گذارند. حتی شیوه برگرداندن اطلاعات لازم در یک گفتگوی ابزاری می‌تواند به قالب API وابسته باشد. این مثال نشان می‌دهد «سازگار با یک سطح API» به معنی قابل جابه‌جایی‌بودن تمام پارامترهای بومی سازندگان نیست. [۵]

نام‌های DeepSeek-V4-Pro، DeepSeek-V4.1-Flash، DeepSeek-V4-Flash، DeepSeek-V3.2، DeepSeek-V3.1 و DeepSeek-R1-Distill-Qwen-32b در کاتالوگ دیده می‌شوند. مدل Distill را هم‌ارز مدل مبدأ فرض نکنید. برای سؤال دشوار، هزینه پاسخ طولانی‌تر و زمان انتظار را کنار درصد پاسخ درست ثبت کنید؛ اگر پاسخ باید یک برچسب کوتاه باشد، استدلال طولانی ممکن است ارزش افزوده متناسبی نداشته باشد.

در کاربرد فارسی، مسئله‌ای با داده ناکافی طراحی کنید و ببینید مدل به‌جای ساختن پاسخ، ابهام را تشخیص می‌دهد یا نه. برای مثال، «کدام سفارش دیرتر رسیده؟» بدون داشتن زمان تحویل نباید به یک نتیجه قطعی منجر شود. توانایی اعلام محدودیت، بخشی از کیفیت مدل در یک محصول واقعی است.

۸. Kimi؛ ارزیابی کارهای طولانی و چندمرحله‌ای

Moonshot AI خانواده Kimi را توسعه می‌دهد. منابع رسمی Kimi K2 بر کاربرد عامل‌محور و ابزار تأکید دارند و معرفی Kimi K3 نیز به کدنویسی، کار دانشی و زمینه طولانی می‌پردازد. این ویژگی‌های معرفی‌شده، مجوز اجرای خودکار عملیات در برنامه شما نیستند. [۶]

در کاتالوگ، Kimi-K3، Kimi-K2.7-Code، Kimi-K2.6 و Kimi-K2.5 حضور دارند. برای ارزیابی، کاری با سه مرحله تعریف کنید: خواندن نیاز، تولید خروجی و کنترل آن با معیار پذیرش. مثلاً مدل ابتدا ساختار یک گزارش را استخراج کند، سپس موارد ناقص را مشخص کند و در پایان فقط موارد قابل اثبات را خلاصه کند. ثبت کنید در کدام مرحله از هدف منحرف می‌شود.

برای سند بلند، حفظ کیفیت فقط به ظرفیت زمینه مربوط نیست. کیفیت بخش‌بندی سند، ترتیب منابع و روشن‌بودن سؤال نیز اثر دارد. اگر اطلاعات نامرتبط فراوان وارد کنید، هزینه بیشتری می‌پردازید، بدون آنکه لزوماً پاسخ دقیق‌تری بگیرید.

۹. GLM؛ گزینه‌ای برای بررسی در گردش‌کارهای مهندسی

Z.ai مدل GLM-5 را با تمرکز بر مهندسی عامل‌محور و کارهای طولانی معرفی کرده است. مستندات آن قابلیت‌هایی مانند فراخوانی تابع و خروجی ساختاریافته را توضیح می‌دهند؛ پشتیبانی آن قابلیت‌ها در یک اتصال مشخص باید جداگانه تأیید شود. [۷]

GLM-5.3، GLM-5.3-Flash، GLM-5.2، GLM-5.1، GLM-5، GLM-5-Code، GLM-4.7 و GLM-4.6 در فهرست ایران‌نت آمده‌اند. برای انتخاب، یک کار محدود مثل افزودن فیلتر به جدول مدیریتی را با فایل‌های واقعی و شرط حفظ صفحه‌بندی آزمایش کنید. کیفیت برنامه‌ریزی را با کیفیت نتیجه نهایی اشتباه نگیرید؛ برنامه خوب وقتی ارزش دارد که تغییر نهایی واقعاً همان مسئله را حل کند.

اگر برای یک نسخه ظرفیت معتبر در دسترس نیست، عدد نسخه دیگری را جای آن ننویسید. در این راهنما، ظرفیت نامطمئن GLM-5.3-Flash نامعلوم باقی مانده است. برای یک پروژه حساس به حجم سند، این ابهام باید پیش از انتخاب نهایی برطرف شود.

۱۰. Llama، Gemma و Mistral؛ سه خانواده متفاوت

Llama از Meta

Meta مدل‌های Llama 4 را به‌عنوان خانواده‌ای با قابلیت چندوجهی و معماری MoE معرفی می‌کند. این موضوع را نباید به تمام نسخه‌های قدیمی Llama یا هر سرویس میزبان آن تعمیم داد. Llama-4-Maverick، نسخه FP8 آن و Llama-3.3-70B-Instruct از نام‌های موجود در کاتالوگ‌اند. [۸]

اگر در آینده به اجرای اختصاصی فکر می‌کنید، علاوه بر کیفیت مدل، شرایط مجوز، حافظه مورد نیاز، تعداد کاربران هم‌زمان و هزینه عملیات را بسنجید. در مصرف API، مسئولیت شما بیشتر روی قرارداد سرویس و ارزیابی خروجی متمرکز است؛ در اجرای اختصاصی، نگهداری زیرساخت نیز به هزینه اضافه می‌شود.

Gemma از Google

Gemma با Gemini یکی نیست. Google، Gemma را خانواده‌ای از مدل‌های باز با امکان استفاده در محیط‌ها و سخت‌افزارهای مختلف معرفی می‌کند. مدل‌های عمومی و گونه‌های تخصصی آن نیز باید جداگانه شناخته شوند. در کاتالوگ، Gemma-4-31B-IT، Gemma-4-26B-A4B-IT و Gemma-3-27B آمده‌اند. [۹]

برای کاربرد محدود سازمانی، کیفیت استخراج یک فرم مشخص را بسنجید. اگر مدل کوچک‌تر همان معیار پذیرش را پاس می‌کند، انتخاب گزینه بزرگ‌تر فقط به دلیل شهرت توجیه ندارد. در مقابل، برای خطایی با هزینه بالا، صرفه‌جویی اندک در هر درخواست ممکن است با یک بازبینی انسانی از بین برود.

Mistral

Mistral مجموعه‌ای از مدل‌های عمومی و تخصصی، با شرایط عرضه متفاوت دارد. وجود Mistral-Nemo در کاتالوگ به معنی دسترسی به همه مدل‌های دیگر این شرکت نیست. برای هر انتخاب، نام نسخه و کارت همان مدل را مبنا قرار دهید. [۱۰] در پروژه چندزبانه، متن فارسی را در کنار متن انگلیسیِ واقعی همان کسب‌وکار تست کنید؛ امتیاز کلی چندزبانه، کیفیت اصطلاحات تخصصی شما را تضمین نمی‌کند.

۱۱. MiniMax و MiMo؛ گزینه‌های دیگر را با همان معیار بسنجید

MiniMax در معرفی M2.5 بر کدنویسی، استفاده از ابزار و کارهای چندمرحله‌ای تأکید دارد. نسخه‌های MiniMax-M2.5 و MiniMax-M2.7 در فایل کاتالوگ ثبت شده‌اند. ادعاهای بنچمارک سازنده را می‌توان برای تشکیل فهرست اولیه استفاده کرد، اما تا وقتی همان آزمون را با محیط و تنظیمات خود تکرار نکرده‌اید، آن عدد نتیجه پروژه شما نیست. [۱۱]

در MiMo، راهنمای رسمی Xiaomi میان MiMo-V2.5 و MiMo-V2.5-Pro از نظر نوع کاربرد و ورودی تمایز می‌گذارد. در کاتالوگ ایران‌نت این نام‌ها با املای Mimo-V2.5 و Mimo-V2.5-Pro آمده‌اند؛ نام نمایشی را به‌طور خودکار به شناسه API تبدیل نکنید. [۱۲] آزمون مفید برای این خانواده‌ها، یک تغییر کامل ولی کوچک است: فهم درخواست، اصلاح کد، اجرای آزمون و گزارش محدودیت‌ها.

برای مقایسه منصفانه، به همه گزینه‌ها زمان، ابزار و زمینه مشابه بدهید. اگر یک مدل اجازه جست‌وجو و اجرای تست دارد ولی مدل دیگر فقط متن مسئله را می‌بیند، مقایسه شما در واقع مقایسه دو سیستم متفاوت است.

۱۲. Embedding، صوت و تصویر؛ مدل درست برای خروجی درست

Embedding متن یا داده را به بردار عددی تبدیل می‌کند. از آن می‌توان در جست‌وجوی معنایی، گروه‌بندی و بازیابی استفاده کرد؛ پاسخ نهاییِ خواندنی معمولاً مرحله دیگری است. نام‌هایی مانند Embedding-3-Small، Embedding-3-Large و Gemini-embedding-001 در کاتالوگ‌اند. تعویض مدل Embedding ممکن است نیاز به بازسازی بردارهای اسناد داشته باشد؛ بردارهای تولیدشده توسط دو مدل را بدون بررسی سازگاری در یک فضای مشترک مقایسه نکنید. [۱۳]

BGE-M3 از BAAI برای بازیابی چندزبانه معرفی شده و در کارت رسمی آن شیوه‌های dense، sparse و multi-vector توضیح داده شده‌اند. اینکه یک سرویس کدام خروجی را ارائه می‌کند، مسئله جداگانه‌ای است. [۱۴] برای جست‌وجوی فارسی، اختلاف «ی/ي»، «ک/ك»، نیم‌فاصله، کد کالا و نام تجاری را در مجموعه آزمون داشته باشید. سؤال دارای شناسه دقیق ممکن است با جست‌وجوی واژگانی بهتر حل شود؛ روش ترکیبی را نیز ارزیابی کنید.

Whisper-1 و GPT-4o-Transcribe برای حوزه تبدیل گفتار به متن نام‌های شناخته‌شده‌ای هستند. [۱۵] برای انتخاب، فقط یک فایل صدای واضح را ملاک نگذارید: نام اشخاص، عدد، مکث، صدای محیط و گفتگوی چندنفره را بررسی کنید. تشخیص گوینده، زمان‌بندی واژه‌ها و پردازش زنده قابلیت‌های جداگانه‌اند. در کاتالوگ فعلی، این دو رکورد با واحد دقیقه قیمت‌گذاری شده‌اند؛ تقسیم نرخ آن‌ها بر یک میلیون توکن اشتباه است.

مدل‌های تصویر مانند GPT-Image-1 و گونه‌های تصویری Gemini را با معیار تولید یا ویرایش تصویر بسنجید: ترکیب‌بندی، حفظ سوژه در اصلاح بعدی، خوانایی متن و انطباق با خواسته. تعرفه بعضی قراردادهای تصویری ممکن است توکنی و بعضی بر اساس تصویر یا واحد دیگری باشد؛ واحد همان سرویس را بخوانید. در این مقاله هیچ endpoint تصویری یا صوتیِ تأییدنشده‌ای برای ایران‌نت فرض نشده است.

۱۳. مقایسه عملی برای چهار پروژه رایج

پشتیبان فروشگاه فارسی

ابتدا ۳۰ سؤال بسازید: پرسش‌های ساده، پرسش نیازمند اطلاعات سفارش، درخواست خارج از سیاست و سؤال بدون پاسخ. مدل باید از منبع درست استفاده کند و در نبود اطلاعات، پاسخ قطعی نسازد. یک گزینه اقتصادی، یک گزینه میانی و یک گزینه قوی‌تر را روی همین مجموعه بسنجید. هزینه پاسخ پذیرفته‌شده را حساب کنید، نه فقط هزینه یک فراخوانی موفق HTTP.

استخراج اطلاعات از پیام یا سند

فیلدهای الزامی و اختیاری را از قبل تعیین کنید. برای «شماره سفارش» نبود مقدار با عدد صفر فرق دارد. مدل را با متن دارای دو شماره متفاوت امتحان کنید و معیار انتخاب شماره درست را روشن بنویسید. اگر خروجی قرار است وارد دیتابیس شود، نوع داده و مجوز عملیات در سرور کنترل شوند. مقاله آموزش API و خروجی ساختاریافته این مسیر را به کد و قرارداد قابل اجرا تبدیل می‌کند.

تولید و اصلاح کد

از مدل بخواهید یک مسئله محدود را حل کند، نه اینکه در اولین پیام کل پروژه را بازنویسی کند. تعداد فایل‌های تغییرکرده، تست‌های لازم، رفتار قبلی و امکان برگشت را معیار قرار دهید. راهنمای وایب‌کدینگ از نیاز تا تحویل نشان می‌دهد چگونه از خروجی سریع به تغییر قابل اتکا برسید.

پایگاه دانش سازمانی

مسئله را به بازیابی و پاسخ‌سازی تقسیم کنید. اگر سند درست به مدل نرسیده باشد، تعویض مدل پاسخ‌دهنده همیشه مشکل را حل نمی‌کند. آزمون بازیابی باید نشان دهد سند مرجع در نتایج اولیه وجود دارد یا نه؛ آزمون پاسخ باید نشان دهد پاسخ واقعاً از همان سند پشتیبانی می‌شود. این تفکیک، محل هزینه و خطا را روشن می‌کند.

۱۴. هزینه واقعی API را چگونه مقایسه کنیم؟

برای مدل توکنی، یک برآورد پایه از جمع هزینه ورودی و خروجی به دست می‌آید. تعداد درخواست ماهانه، طول تاریخچه، پاسخ‌های طولانی و دفعات تلاش مجدد می‌توانند هزینه واقعی را تغییر دهند. تعداد کلمه معیار قطعی توکن نیست؛ برای فارسی نیز یک نسبت ثابت و همیشگی فرض نکنید.

هزینه پایه = (توکن ورودی ÷ واحد تعرفه × نرخ ورودی)
           + (توکن خروجی ÷ واحد تعرفه × نرخ خروجی)

مثال صرفاً آموزشی: اگر نرخ فرضی ورودی ۱۰۰٬۰۰۰ و خروجی ۴۰۰٬۰۰۰ ریال به‌ازای یک میلیون توکن باشد، درخواست ۲٬۰۰۰ توکن ورودی و ۵۰۰ توکن خروجی، ۴۰۰ ریال مصرف پایه دارد. ده هزار درخواست مشابه، چهار میلیون ریال می‌شود. این اعداد تعرفه هیچ مدل مشخصی نیستند؛ هدف، نشان‌دادن روش محاسبه است.

اکنون دو مدل فرضی را مقایسه کنید: مدل الف در هر فراخوانی ارزان‌تر است، اما برای رسیدن به پاسخ پذیرفتنی دو بار تکرار و یک بازبینی لازم دارد. مدل ب گران‌تر است، اما بار اول پاسخ قابل استفاده می‌دهد. با اضافه‌کردن زمان انسان، ممکن است انتخاب اقتصادی تغییر کند. برای تصمیم، نرخ خطا و بازکاری را کنار تعرفه بنویسید.

۱۵. یک ارزیابی کوچک اما قابل دفاع بسازید

1. کار را تعریف کنید. «خلاصه‌سازی بهتر» مبهم است؛ «خلاصه حداکثر پنج جمله، بدون افزودن واقعیت و با حفظ سه عدد مهم» قابل سنجش است.
2. نمونه‌ها را جدا کنید. یک بخش برای اصلاح پرامپت و بخش دیگری برای ارزیابی نهایی داشته باشید؛ همه تصمیم‌ها را روی همان چند مثال آموزشی نگیرید.
3. شرایط را ثبت کنید. نسخه مدل، تاریخ، پرامپت، ابزارها، پارامترها و داده ورودی باید معلوم باشند.
4. پاسخ‌ها را کور بررسی کنید. هنگام امتیازدادن، نام مدل را پنهان کنید تا شهرت برند روی قضاوت اثر نگذارد.
5. هزینه و تأخیر را با خطا جمع کنید. میانگین به‌تنهایی کافی نیست؛ درخواست‌های کند و ناموفق را حذف نکنید.
6. با تغییر نسخه دوباره بسنجید. جایگزینی مدل را مثل تغییر یک وابستگی مهم نرم‌افزار مدیریت کنید.

اگر پروژه به طراحی چت‌بات، بازیابی اسناد یا اتصال به CRM نیاز دارد، انتخاب مدل فقط یک بخش از کار است. خدمات هوش مصنوعی و اتوماسیون ایران‌نت مسیر بررسی و اجرای این کاربردهاست؛ پیش از شروع، مسئله، داده مجاز و معیار موفقیت را مشخص کنید.

۱۶. فهرست نسخه‌های کاتالوگ؛ اطلاعات هر مدل در یک نگاه

فهرست زیر، ۱۱۰ نام موجود در نسخه کاتالوگ مورد بررسی را به تفکیک خانواده نشان می‌دهد. ظرفیت‌ها، وضعیت و تعرفه‌ها داده کاتالوگ‌اند، نه نتیجه بنچمارک. توضیحات خانواده در بخش‌های بالا به انتخاب معیار کمک می‌کنند؛ ویژگی ثبت‌نشده برای یک نسخه، از نسخه دیگر قرض گرفته نشده است. قیمت‌ها بر اساس مصرف محاسبه می‌شوند و ممکن است با تغییر نرخ مدل‌ها به‌روزرسانی شوند.

وضعیت «در کاتالوگ» با مجوز استفاده حساب یکسان نیست. توسعه‌دهنده Xerxes-1 و بعضی مشخصات نامعلوم‌اند. برای داده نامعلوم، صفر یا قابلیت ساختگی درج نشده است. نام‌های نزدیک مانند GPT-5.1 و GPT-5-1 نیز مطابق فایل منبع، جدا باقی مانده‌اند.

پیداکردن نام یک نسخه

۱۱۰ مدل در این فهرست

OpenAI · ۴۲ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
GPT-6-Luna	۱٬۱۰۰٬۰۰۰	۴۱۰٬۰۰۰	۲٬۰۴۸٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.6-Luna	۱٬۰۰۰٬۰۰۰	۸۴۰٬۰۰۰	۵٬۰۴۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.6-Terra	۱٬۰۰۰٬۰۰۰	۸٬۴۰۰٬۰۰۰	۵۰٬۴۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.6-Sol	۱٬۰۰۰٬۰۰۰	۲۱٬۰۰۰٬۰۰۰	۱۲۶٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.2	۴۰۰٬۰۰۰	۷٬۳۵۰٬۰۰۰	۵۸٬۸۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.1-Codex-Max	۴۰۰٬۰۰۰	۵٬۲۵۰٬۰۰۰	۴۲٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.5	۴۰۰٬۰۰۰	۲۱٬۰۰۰٬۰۰۰	۱۲۶٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-OSS-20B	۱۳۱٬۰۰۰	۲۸۹٬۰۰۰	۱٬۲۶۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.4-Pro	۴۰۰٬۰۰۰	۱۲۶٬۰۰۰٬۰۰۰	۷۵۶٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5	۴۰۰٬۰۰۰	۵٬۲۵۰٬۰۰۰	۴۲٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.1	۴۰۰٬۰۰۰	۵٬۲۵۰٬۰۰۰	۴۲٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-OSS-120B	۱۳۱٬۰۰۰	۶۳۰٬۰۰۰	۲٬۵۲۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.1-Codex	۴۰۰٬۰۰۰	۵٬۲۵۰٬۰۰۰	۴۲٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.1-Chat	۴۰۰٬۰۰۰	۵٬۱۱۹٬۰۰۰	۴۰٬۹۵۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5-Pro	۴۰۰٬۰۰۰	۶۳٬۰۰۰٬۰۰۰	۵۰۴٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.2-Pro	۴۰۰٬۰۰۰	۸۸٬۲۰۰٬۰۰۰	۷۰۵٬۶۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5-Codex	۴۰۰٬۰۰۰	۵٬۲۵۰٬۰۰۰	۴۲٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
O3-Pro	۲۰۰٬۰۰۰	۸۴٬۰۰۰٬۰۰۰	۳۳۶٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.5-Pro	۴۰۰٬۰۰۰	۱۲۶٬۰۰۰٬۰۰۰	۷۵۶٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.1-Codex-Mini	۴۰۰٬۰۰۰	۱٬۰۵۰٬۰۰۰	۸٬۴۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-Image-1	اعلام نشده	۴۰٬۹۵۰٬۰۰۰	۱۶۳٬۸۰۰٬۰۰۰	۱ میلیون توکن	غیرفعال
Whisper-1	۴۴۸	۲۴٬۵۷۰٬۰۰۰	اعلام نشده	دقیقه	در کاتالوگ
GPT-5.4-Nano	۴۰۰٬۰۰۰	۸۴۰٬۰۰۰	۵٬۲۵۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-4o	۱۶۴٬۰۰۰	۱۰٬۵۰۰٬۰۰۰	۴۲٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
O3-Mini	۲۰۰٬۰۰۰	۴٬۶۲۰٬۰۰۰	۱۸٬۴۸۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.2-Codex	۴۰۰٬۰۰۰	۷٬۳۵۰٬۰۰۰	۵۸٬۸۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
O3	۲۰۰٬۰۰۰	۸٬۴۰۰٬۰۰۰	۳۳٬۶۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5-1	۴۰۰٬۰۰۰	۵٬۲۵۰٬۰۰۰	۴۲٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-6-Astra	۱٬۰۰۰٬۰۰۰	۴۲٬۰۰۰٬۰۰۰	۲۱۰٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
O4-Mini	۲۰۰٬۰۰۰	۴٬۶۲۰٬۰۰۰	۱۸٬۴۸۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5-Nano	۴۰۰٬۰۰۰	۲۱۰٬۰۰۰	۱٬۶۸۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-4o-mini	۱۲۸٬۰۰۰	۶۳۰٬۰۰۰	۲٬۵۲۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5-2	۴۰۰٬۰۰۰	۷٬۳۵۰٬۰۰۰	۵۸٬۸۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.4	۴۰۰٬۰۰۰	۱۰٬۵۰۰٬۰۰۰	۶۳٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Embedding-3-Small	۸٬۰۰۰	۸۲٬۰۰۰	۸۲٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Embedding-3-Large	۸٬۱۹۱	۵۳۲٬۰۰۰	اعلام نشده	۱ میلیون توکن	در کاتالوگ
GPT-4o-Transcribe	اعلام نشده	۱۰٬۵۰۰٬۰۰۰	اعلام نشده	دقیقه	در کاتالوگ
GPT-4.1-Mini	۱٬۰۰۰٬۰۰۰	۱٬۶۸۰٬۰۰۰	۶٬۷۲۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-4.1	۱٬۰۰۰٬۰۰۰	۸٬۴۰۰٬۰۰۰	۳۳٬۶۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5-Mini	۴۰۰٬۰۰۰	۱٬۰۵۰٬۰۰۰	۸٬۴۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-4.1-Nano	۱٬۰۰۰٬۰۰۰	۴۲۰٬۰۰۰	۱٬۶۸۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GPT-5.4-Mini	۴۰۰٬۰۰۰	۳٬۱۵۰٬۰۰۰	۱۸٬۹۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ

Kimi · ۴ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
Kimi-K3	۱٬۰۰۰٬۰۰۰	۱۲٬۶۰۰٬۰۰۰	۶۳٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Kimi-K2.7-Code	۲۶۲٬۰۰۰	۳٬۹۹۰٬۰۰۰	۱۶٬۸۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Kimi-K2.5	۲۶۲٬۰۰۰	۲٬۴۵۷٬۰۰۰	۱۲٬۲۸۵٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Kimi-K2.6	۲۶۲٬۰۰۰	۳٬۹۹۰٬۰۰۰	۱۶٬۸۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ

GLM · ۸ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
GLM-5.3	۱٬۰۰۰٬۰۰۰	۴٬۴۱۰٬۰۰۰	۱۳٬۸۶۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GLM-5.2	۱٬۰۰۰٬۰۰۰	۴٬۴۱۰٬۰۰۰	۱۳٬۸۶۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GLM-5.3-Flash	اعلام نشده	۴۷۲٬۰۰۰	۱٬۵۷۵٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GLM-5	۲۰۰٬۰۰۰	۴٬۲۰۰٬۰۰۰	۱۳٬۴۴۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GLM-5.1	۲۰۰٬۰۰۰	۵٬۸۸۰٬۰۰۰	۱۸٬۴۸۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GLM-5-Code	۲۰۰٬۰۰۰	۳٬۳۰۸٬۰۰۰	۱۳٬۷۸۱٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GLM-4.7	۲۰۰٬۰۰۰	۲٬۵۲۰٬۰۰۰	۹٬۲۴۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
GLM-4.6	۲۰۰٬۰۰۰	۲٬۵۲۰٬۰۰۰	۹٬۲۴۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ

Qwen · ۶ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
Qwen-3.8-Flash	۱٬۰۰۰٬۰۰۰	۶۱۴٬۰۰۰	۱٬۹۲۵٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Qwen-3.8-Max	۱٬۰۰۰٬۰۰۰	۸٬۱۹۰٬۰۰۰	۲۴٬۵۷۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Qwen3.5-35B-A3B	۴۰۰٬۰۰۰	۷۷۶٬۰۰۰	۸٬۹۵۸٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Qwen3-30B-A3B	۴۰٬۰۰۰	۱٬۶۰۱٬۰۰۰	۴٬۸۳۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Qwen3-Coder-480b-A35B-Instruct	۲۶۲٬۰۰۰	۱۲٬۲۸۵٬۰۰۰	۴۹٬۱۴۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Qwen-3.8-27b	۱٬۰۰۰٬۰۰۰	۵٬۰۷۶٬۰۰۰	۳۰٬۴۵۷٬۰۰۰	۱ میلیون توکن	در کاتالوگ

سایر مدل‌ها · ۱ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
Xerxes-1	۱۲۸٬۰۰۰	۶۸۲٬۰۰۰	۲٬۷۵۶٬۰۰۰	۱ میلیون توکن	در کاتالوگ

DeepSeek · ۷ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
DeepSeek-V4.1-Flash	۱٬۰۰۰٬۰۰۰	۱٬۲۲۸٬۰۰۰	۴٬۹۱۴٬۰۰۰	۱ میلیون توکن	در کاتالوگ
DeepSeek-V4-Flash	۱٬۰۰۰٬۰۰۰	۵۹۱٬۰۰۰	۱٬۱۸۱٬۰۰۰	۱ میلیون توکن	در کاتالوگ
DeepSeek-V4-Pro	۱٬۰۰۰٬۰۰۰	۷٬۳۱۱٬۰۰۰	۱۴٬۶۲۱٬۰۰۰	۱ میلیون توکن	در کاتالوگ
DeepSeek-V3.2	۱۳۰٬۰۰۰	۱٬۱۴۷٬۰۰۰	۱٬۷۲۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
DeepSeek-R1-0528-R1AI	۱۲۸٬۰۰۰	۲٬۲۳۹٬۰۰۰	۱۰٬۳۰۱٬۰۰۰	۱ میلیون توکن	در کاتالوگ
DeepSeek-V3.1	۱۲۸٬۰۰۰	۲٬۳۴۹٬۰۰۰	۷٬۰۶۱٬۰۰۰	۱ میلیون توکن	در کاتالوگ
DeepSeek-R1-Distill-Qwen-32b	۶۴٬۰۰۰	۱٬۳۴۴٬۰۰۰	۱٬۳۴۴٬۰۰۰	۱ میلیون توکن	غیرفعال

MiniMax · ۲ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
MiniMax-M2.7	۱۹۶٬۰۰۰	۱٬۲۶۰٬۰۰۰	۵٬۰۴۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
MiniMax-M2.5	۱۹۶٬۰۰۰	۱٬۲۶۰٬۰۰۰	۵٬۰۴۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ

Claude · ۱۴ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
Claude-Sonnet-4.6	۱٬۰۰۰٬۰۰۰	۱۲٬۶۰۰٬۰۰۰	۶۳٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Fable-5-1	۱٬۰۰۰٬۰۰۰	۴۰٬۹۵۰٬۰۰۰	۲۰۴٬۷۵۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Sonnet-4.5	۱٬۰۰۰٬۰۰۰	۱۲٬۲۸۵٬۰۰۰	۶۱٬۴۲۵٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Fable-5	۱٬۰۰۰٬۰۰۰	۴۲٬۰۰۰٬۰۰۰	۲۱۰٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Haiku-4.5	۲۰۰٬۰۰۰	۴٬۲۰۰٬۰۰۰	۲۱٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Opus-5	۱٬۰۰۰٬۰۰۰	۲۰٬۴۷۵٬۰۰۰	۱۰۲٬۳۷۵٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Opus-5.5	۱٬۰۰۰٬۰۰۰	۱۶٬۳۸۰٬۰۰۰	۸۱٬۹۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Sonnet-5.5	۱٬۰۰۰٬۰۰۰	۸٬۱۹۰٬۰۰۰	۴۰٬۹۵۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Haiku-5.5	۱٬۰۰۰٬۰۰۰	۴۱۰٬۰۰۰	۲٬۰۴۸٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Sonnet-5	۱٬۰۰۰٬۰۰۰	۱۲٬۲۸۵٬۰۰۰	۶۱٬۴۲۵٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Opus-4.6	۲۰۰٬۰۰۰	۲۱٬۰۰۰٬۰۰۰	۱۰۵٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Opus-4.7	۲۰۰٬۰۰۰	۲۱٬۰۰۰٬۰۰۰	۱۰۵٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Sonnet-4	۲۰۰٬۰۰۰	۲۴٬۵۷۰٬۰۰۰	۹۲٬۱۳۸٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Claude-Opus-4.5	۲۰۰٬۰۰۰	۲۰٬۴۷۵٬۰۰۰	۱۰۲٬۳۷۵٬۰۰۰	۱ میلیون توکن	در کاتالوگ

Gemini · ۱۵ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
Gemini-2.5-Pro	۱٬۰۰۰٬۰۰۰	۵٬۲۵۰٬۰۰۰	۴۲٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-3.1-Flash-Lite-Preview	۱٬۰۰۰٬۰۰۰	۱٬۰۵۰٬۰۰۰	۶٬۳۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-3.5-Flash-Lite	۱٬۰۰۰٬۰۰۰	۱٬۰۵۰٬۰۰۰	۶٬۳۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-Nano-Banana-2.1	۶۶٬۰۰۰	۶٬۱۴۲٬۰۰۰	۱۲۲٬۸۵۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-3.1-Flash-Image-Preview	۱٬۰۰۰٬۰۰۰	۲٬۱۰۰٬۰۰۰	۲۵۲٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-3-Pro-Preview-Thinking	۱٬۰۰۰٬۰۰۰	۸٬۴۰۰٬۰۰۰	۵۰٬۴۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-3-Pro-Image-Preview	۱٬۰۰۰٬۰۰۰	۸٬۴۰۰٬۰۰۰	۵۰۴٬۰۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-3.1-Pro-Preview	۱٬۰۰۰٬۰۰۰	۸٬۴۰۰٬۰۰۰	۵۰٬۴۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-3-Flash-Preview	۱٬۰۰۰٬۰۰۰	۲٬۱۰۰٬۰۰۰	۱۲٬۶۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-2.0-Flash	۱٬۰۰۰٬۰۰۰	۳٬۱۳۵٬۰۰۰	۱٬۷۹۲٬۰۰۰	۱ میلیون توکن	غیرفعال
Gemini-3-Pro-Preview	۱٬۰۰۰٬۰۰۰	۸٬۴۰۰٬۰۰۰	۵۰٬۴۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-embedding-001	۲٬۰۰۰	۶۱۴٬۰۰۰	اعلام نشده	۱ میلیون توکن	در کاتالوگ
Gemini-2.5-Flash-Image-Nano-Banana	۱٬۰۰۰٬۰۰۰	۱٬۲۶۰٬۰۰۰	۱۲۶٬۰۰۰٬۰۰۰	۱ میلیون توکن	غیرفعال
Gemini-2.5-Flash-lite	۱٬۰۰۰٬۰۰۰	۴۲۰٬۰۰۰	۱٬۶۸۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemini-2.5-Flash	۱٬۰۰۰٬۰۰۰	۱٬۲۶۰٬۰۰۰	۱۰٬۵۰۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ

Gemma · ۳ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
Gemma-4-31B-IT	۱۲۸٬۰۰۰	۸۴۰٬۰۰۰	۳٬۳۶۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemma-4-26B-A4B-IT	۱۲۸٬۰۰۰	۶۳۰٬۰۰۰	۲٬۵۲۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Gemma-3-27B	۹۶٬۰۰۰	۵۳۷٬۰۰۰	۹۵۶٬۰۰۰	۱ میلیون توکن	غیرفعال

Llama · ۴ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
Llama-4-Maverick-FP8	۱۲۸٬۰۰۰	۸۴۰٬۰۰۰	۲٬۵۲۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Llama-4-Maverick	۴۸٬۵۷۶	۴۱۳٬۰۰۰	۲٬۳۴۳٬۰۰۰	۱ میلیون توکن	غیرفعال
Llama-3.3-70B-Instruct	۱۲۸٬۰۰۰	۹۷۱٬۰۰۰	۱٬۶۸۰٬۰۰۰	۱ میلیون توکن	غیرفعال
Llama-3.3-70B-Instruct-R1AI	۱۲۸٬۰۰۰	اعلام نشده	اعلام نشده	۱ میلیون توکن	در کاتالوگ

BAAI · ۱ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
Bge-m3	۸٬۱۹۲	۵۲٬۰۰۰	اعلام نشده	۱ میلیون توکن	در کاتالوگ

MiMo · ۲ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
Mimo-V2.5	۱٬۰۰۰٬۰۰۰	۶۱۰٬۰۰۰	۱٬۲۲۰٬۰۰۰	۱ میلیون توکن	در کاتالوگ
Mimo-V2.5-Pro	۱٬۰۰۰٬۰۰۰	۱٬۸۲۶٬۰۰۰	۳٬۶۵۷٬۰۰۰	۱ میلیون توکن	در کاتالوگ

Mistral · ۱ نسخه

نام مدل	ظرفیت زمینه / توکن	ورودی / ریال	خروجی / ریال	واحد تعرفه	وضعیت
Mistral-Nemo	۱۲۸٬۰۰۰	۴۱۳٬۰۰۰	۸۲۷٬۰۰۰	۱ میلیون توکن	غیرفعال

۱۷. پرسش‌های متداول درباره انتخاب مدل