ChatGPT-5 ، پادشاه جدید هوش مصنوعی: چرا بنچمارک‌ها از رقبایش پیشی گرفته است؟

نتایج اولین بنچمارک‌های مستقل از GPT-5 نشان می‌دهد که این مدل جدید در اکثر زمینه‌ها از Gemini و Grok بهتر عمل کرده، اما آیا این برتری به اندازه ادعای OpenAI است؟

ChatGPT-5 سردمدار هوش مصنوعی ها در دنیا

دنیای هوش مصنوعی به شدت رقابتی است و مدل‌های اصلی مثل Gemini، Grok و ChatGPT در یک سطح قرار دارند، اما با نگاهی دقیق‌تر به نتایج آزمون‌ها و بنچمارک‌ها، تفاوت‌های کلیدی مشخص می‌شود. پس از ماه‌ها تبلیغ و هایپ توسط OpenAI، بالاخره GPT-5 عرضه شد و حالا نتایج بنچمارک‌های مستقل نشان می‌دهد که این مدل جدید در اکثر زمینه‌ها از رقبای خود پیشی گرفته است. اما بیایید ببینیم این برتری چقدر واقعی است.

بررسی نتایج بنچمارک‌های معتبر

شرکت‌های مختلفی که در زمینه سنجش عملکرد مدل‌های هوش مصنوعی فعالیت می‌کنند، GPT-5 را در معرض آزمون قرار داده‌اند. در ادامه، خلاصه‌ای از نتایج مهم‌ترین این بنچمارک‌ها را می‌بینیم:

• Vellum: این شرکت، مدل‌ها را در حوزه‌های مختلفی مانند استدلال (زیست‌شناسی، فیزیک، شیمی)، ریاضیات و کدنویسی بررسی می‌کند. در این بنچمارک، GPT-5 در استدلال و ریاضیات دبیرستان در جایگاه اول قرار گرفت. این مدل در توانایی کدنویسی نیز تنها با اختلاف ۰.۱ درصد، پشت سر Grok 4 قرار گرفت. با این حال، در زمینه «استدلال تطبیقی»، جایی که یک مدل باید با مفاهیم جدید سازگار شود، GPT-5 عملکرد ضعیفی داشت و در این بخش، Gemini و Claude پیشتاز بودند.
• Artificial Analysis: این پلتفرم، هوش مصنوعی را بر اساس معیارهای کلیدی مانند هوشمندی، قیمت، عملکرد و سرعت ارزیابی می‌کند. در این رتبه‌بندی، GPT-5 با اختلاف اندکی نسبت به Grok 4، در جایگاه برتر هوشمندی قرار گرفت.
• LMArena: این بنچمارک که با ترکیب تست‌های داخلی و رأی کاربران عمومی عمل می‌کند، قابلیت‌های مدل‌ها را در تولید متن، کد، تصویر و غیره می‌سنجد. GPT-5 در این آزمایش نیز در بخش‌های تولید متن، کدنویسی و پردازش ورودی‌های بصری، رتبه اول را کسب کرد.
• LiveBench: این یکی از شناخته‌شده‌ترین بنچمارک‌ها است که شامل ۲۱ وظیفه متنوع در ۷ دسته می‌شود و پاسخ‌های آن کاملاً عینی و قابل تأیید هستند. در اینجا، نسخه‌های مختلف GPT-5 سه جایگاه برتر را به خود اختصاص دادند. GPT-5 در استدلال، کدنویسی، ریاضیات و زبان، با اختلاف قابل توجهی از رقبا پیشی گرفت.
• SimpleBench: قبل از عرضه GPT-5 شایعاتی مبنی بر شکستن رکورد عملکرد انسان در این بنچمارک شنیده می‌شد. SimpleBench یک تست چند گزینه‌ای است که دانش افراد در سطح دبیرستان را در زمینه‌هایی مانند استدلال فضایی-زمانی، هوش اجتماعی و سؤالات تله‌دار می‌سنجد. میانگین عملکرد انسان در این تست ۸۳.۷٪ است، اما GPT-5 با کسب رتبه پنجم، نتوانست این رکورد را بشکند و از مدل‌هایی مانند Gemini 2.5 Pro و Grok 4 عقب ماند.

آیا GPT-5 به انتظارات پاسخ داده است؟

بر اساس نتایج اولیه، می‌توان گفت که GPT-5 در اکثر زمینه‌ها، از جمله کدنویسی، نوشتن خلاقانه و سؤالات مرتبط با سلامت، پیشرفت‌های قابل توجهی داشته و در صدر جدول قرار گرفته است. با این حال، برتری آن در بسیاری از موارد با اختلاف کمی حاصل شده و هنوز نمی‌توان آن را به عنوان یک «انقلاب صنعتی» در نظر گرفت.

نکته مهم این است که این برتری به معنای بهترین گزینه بودن GPT-5 برای تمام کارها نیست. به عنوان مثال، در بخش‌هایی مثل «استدلال تطبیقی»، مدل‌هایی مثل Gemini هنوز هم عملکرد بهتری دارند. در ماه‌های آینده، با انجام تست‌های بیشتر در زمینه‌های متنوع، تصویر کامل‌تری از عملکرد این مدل جدید در مقابل رقبا مشخص خواهد شد.