نتيجة Claude Opus 4.5 في SWE-bench تتجاوز 80%
جعلت نتيجة Claude Opus 4.5 في SWE-bench، التي أُعلنت عند إطلاق Anthropic للنموذج في 24 نوفمبر 2025، منه أول نموذج يتجاوز 80% في SWE-bench Verified، وهو معيار موثوق في البرمجة. حددت Anthropic سعره بـ 5/25 دولارًا لكل مليون رمز، ووجّهته إلى البرمجة والوكلاء واستخدام الحاسوب. وتفيد الشركات التي جرّبته مبكرًا بإنجاز المهام نفسها برموز وأخطاء أقل، ما يخفض تكلفة كل عمل منجز.
لماذا ترددت الشركات في استخدام نماذج Opus
كان العائق هو السعر. ففي تعليقات نشرتها Anthropic مع الإطلاق، قال أحد العملاء الذين جرّبوا النموذج مبكرًا، وهو الرئيس التنفيذي جيف وانغ، إن نماذج Opus كانت دائمًا "الأفضل فعلًا" لكنها كانت باهظة التكلفة في الماضي.
والعائق الثاني هو الذاكرة. يحتاج الوكلاء إلى استكشاف قواعد الشيفرة والوثائق الكبيرة وتذكّر التفاصيل الصحيحة، وكانت المحادثات الطويلة في تطبيقات Claude تتوقف عند امتلاء نافذة سياق النموذج.
ماذا أطلقت Anthropic في 24 نوفمبر 2025
أطلقت Anthropic نموذج Claude Opus 4.5، آخر نماذج سلسلة 4.5 بعد Sonnet 4.5 في سبتمبر وHaiku 4.5 في أكتوبر. وكان نموذج Opus السابق، Claude Opus 4.1، قد صدر في أغسطس. حددت Anthropic سعره بـ 5/25 دولارًا لكل مليون رمز، وأتاحته في تطبيقاتها وواجهتها البرمجية وعلى المنصات السحابية الثلاث الكبرى. وذكرت CNBC أنه النموذج الافتراضي لخطط Pro وMax وEnterprise.
ومع النموذج وسّعت Anthropic منتجين كانا في مرحلة تجريبية. أصبح Claude for Chrome متاحًا لكل مستخدمي Max، وClaude for Excel لمستخدمي Max وTeam وEnterprise. كما وصل Claude Code إلى تطبيق سطح المكتب.
كيف يتعامل النموذج مع عمل الوكلاء الطويل
صُمم Opus 4.5 لمهام الوكلاء التي يقود فيها نموذج واحد وتتبعه نماذج أخرى. ويصف موقع TechCrunch تهيئات يعمل فيها Opus وكيلًا قائدًا يوجّه مجموعة من الوكلاء الفرعيين المبنيين على Haiku، وهو ما يعتمد على الذاكرة العاملة.
غيّرت Anthropic طريقة إدارة النموذج للذاكرة في السياقات الطويلة. وفي تطبيقات Claude أتاح ذلك "محادثة لا تنتهي" للمستخدمين المدفوعين: عندما تصل المحادثة إلى حد نافذة السياق، يضغط النموذج ذاكرته بدل أن يتوقف.
"معرفة التفاصيل الصحيحة التي يجب تذكّرها مهمة جدًا، وتكمّل وجود نافذة سياق أطول." — ديان نا بين، رئيسة إدارة المنتج للأبحاث في Anthropic
ماذا تُظهر نتيجة Claude Opus 4.5 في SWE-bench واختبارات العملاء
في المعايير، ذكر TechCrunch أن Opus 4.5 أول نموذج يتجاوز 80% في SWE-bench Verified، وهو اختبار برمجة موثوق. وقالت CNBC إنه تفوق على Gemini 3 Pro من Google وGPT-5.1 من OpenAI في هذا الاختبار. وتقول Anthropic إنه يتصدر في 7 من 8 لغات برمجة في SWE-bench Multilingual، ويتقدم بنسبة 10.6% على Sonnet 4.5 في Aider Polyglot، ويحقق أرباحًا أكثر بنسبة 29% في Vending-Bench.
كما أعطت Anthropic النموذج اختبارها المنزلي لمرشحي هندسة الأداء. وخلال الحد الزمني البالغ 2 ساعة، سجّل Opus 4.5 درجة أعلى من أي مرشح بشري سبق أن خضع له.
وأعلن العملاء أرقامهم الخاصة، وكل رقم منها ادعاء صاحبه. فقد ذكر تعليق عن GitHub Copilot أن الاختبار المبكر خفّض استهلاك الرموز إلى النصف. وأفاد عميل آخر بانخفاض يصل إلى 65% في الرموز في مهام البرمجة الطويلة؛ ورأى آخر انخفاضًا بين 50% و75% في أخطاء استدعاء الأدوات وأخطاء البناء أو الفحص. وقال عميل في النمذجة المالية إن الدقة في تقييماته الداخلية تحسنت بنسبة 20% وارتفعت الكفاءة بنسبة 15%.
ماذا يغيّر هذا لفرق البرمجيات والمحللين
بالنسبة إلى الشركات، التغيير هو تكلفة العمل الصعب الذي ينجزه نموذج. قال عدة عملاء إن Opus 4.5 يحل المهام نفسها برموز وخطوات أقل، ما يخفض الفاتورة لكل مهمة وليس سعر الرمز فقط. وتذكر Anthropic البرمجة والوكلاء واستخدام الحاسوب نقاط قوة له، وتقول إنه أفضل بوضوح في جداول البيانات والعروض التقديمية والبحث المعمق.
وذكرت CNBC أن Anthropic ترى أن المستخدمين الرئيسيين هم مطورو البرمجيات المحترفون وعاملو المعرفة مثل المحللين الماليين والمستشارين والمحاسبين. والمنافسة قريبة: أطلقت OpenAI نموذج GPT 5.1 في 12 نوفمبر وأطلقت Google نموذج Gemini 3 في 18 نوفمبر.
أسئلة وأجوبة
ما الدرجة التي حققها Claude Opus 4.5 في SWE-bench Verified؟
ذكر TechCrunch أن Opus 4.5 أول نموذج يتجاوز 80% في SWE-bench Verified. وذكرت CNBC أنه تفوق على Gemini 3 Pro وGPT-5.1 في الاختبار نفسه.
كم يبلغ سعر Claude Opus 4.5؟
حددت Anthropic سعر الواجهة البرمجية بـ 5/25 دولارًا لكل مليون رمز. ويصل إليه المطورون عبر واجهة Claude البرمجية، وهو متاح أيضًا على المنصات السحابية الثلاث الكبرى.
لمن صُمم Claude Opus 4.5؟
بحسب CNBC، ترى Anthropic أن مستخدميها المثاليين هم مطورو البرمجيات المحترفون وعاملو المعرفة مثل المحللين الماليين والمستشارين والمحاسبين.
رؤية MOZGII
كيف كنا سنبنيه
تخبر درجة المعيار الفريق بما يستطيع النموذج فعله في مهام غيره. أما السؤال المفيد للشركة فهو كم تكلف المهمة المنجزة على عملها هي. لو أدخلنا نموذجًا مثل Opus 4.5 إلى فريق برمجيات، لبدأنا بمجموعة تذاكر حقيقية من قائمة أعمال الفريق، لكل منها الإصلاح الذي قبله مطور، وشغّلنا النموذج عليها قبل أن يلمس أي شيء حيًّا.
كنا سنعطي النموذج الأكبر التخطيط والمراجعة ونترك الخطوات الضيقة لنماذج أصغر، كما تصف Anthropic حين يقود Opus وكلاء Haiku الفرعيين. ويمر كل تغيير عبر اختبارات الفريق القائمة ومراجعة بشرية قبل الدمج. ويعمل النموذج في نسخة من الشيفرة بلا وصول إلى أنظمة الإنتاج أو الأسرار.
سيتعثر النهج في الإخفاقات الطويلة الهادئة: وكيل يواصل في مسار خاطئ ويصرف الرموز ثم يعيد تغييرًا يجتاز الاختبارات لكنه يخطئ المقصد. ضغط الذاكرة يساعد الجلسة الطويلة على الاستمرار، لكنه قد يُسقط تفصيلًا مهمًا، لذلك نسجّل ما احتفظ به الوكيل وما أسقطه.
الرقم الوحيد الذي سنراقبه هو تكلفة كل تغيير مقبول: الرموز المصروفة مقسومة على التغييرات التي دمجها مطور فعلًا. وبعد ذلك سنبني تقريرًا أسبوعيًا يقارن هذه التكلفة بين النماذج على التذاكر نفسها.
المصادر
من أين جاءت حقائق هذا الخبر.