‏Grok 4.5 در برابر GPT-5.6 Sol برای کدنویسی ایجنتیک

نویسنده می‌گه کدنویسی ایجنتیک به آزمون واقعی مدل‌های مرزی تبدیل شده: نوشتن یه تابع آسونه، ولی چرخوندن یه ایجنت چندمرحله‌ای که فایل باز می‌کنه، تست اجرا می‌کنه، خروجی خطا رو می‌خونه و تکرار می‌کنه تا build پاس بشه، همون‌جاست که مدل یا خودشو ثابت می‌کنه یا از هم می‌پاشه. Grok 4.5 از xAI و GPT-5.6 Sol از OpenAI هر دو صریحاً برای همین کار ساخته شدن.

به گفته‌ی نویسنده، Grok 4.5 یه به‌روزرسانی میان‌دوره‌ست که مخصوصاً روی قابلیت اطمینان در حلقه‌های استفاده از ابزار، کم‌کردن فراخوان‌های تابعِ توهمی و حفظ عملکرد منسجم در context طولانی تنظیم شده. پنجره‌ی context‌ش ۱۳۱٬۰۷۲ توکنه و از طریق API سازگار با OpenAI در دسترسه. نکته‌ی مهمش اینه که می‌تونه عملکردشو تو ده‌ها فراخوان ابزار بدون دورشدن از تسک اصلی نگه داره، که تو workflowهای ایجنتیک خیلی مهمه چون خطاهای اولیه‌ی استدلال روی هم انباشته می‌شن. در مقابل GPT-5.6 Sol روی استنتاج عمیق و استدلال‌محور تنظیم شده و به‌صورت پیش‌فرض قبل از اقدام برنامه‌ریزی می‌کنه؛ همین فراخوان‌های هدررفته رو کم می‌کنه ولی تأخیر هر قدم رو بالا می‌بره. context‌ش ۱۲۸٬۰۰۰ توکنه و ورودی تصویری هم داره.

نویسنده روی بنچمارک‌ها تمرکز می‌کنه. تو SWE-bench Verified که استاندارد ایجنت‌های کد واقعیه و ایشوهای واقعی گیت‌هاب رو می‌ده تا مدل patch بنویسه، Grok 4.5 تو محدوده‌ی بالای ۵۰ نمره می‌گیره و GPT-5.6 Sol هم قابل‌مقایسه‌ست، به‌خصوص روی ایشوهایی که فهم بستر گسترده‌تر کدبیس رو لازم دارن؛ فاصله‌شون اون‌قدر کمه که به‌تنهایی تصمیم‌ساز نیست. تو HumanEval و MBPP هر دو نزدیک سقفن، Grok تو سرعت تکمیل کمی جلوتره و Sol تو پایبندی به docstring و درستی type annotation باثبات‌تر. تو LiveCodeBench که مسائل تازه‌ی مسابقه‌ای رو می‌ده، Grok روی مسائل الگوریتمیِ متوسط خوبه و Sol روی مسائل سختی که قبل از کدنویسی استدلال ریاضی چندمرحله‌ای می‌خوان قوی‌تره.

به گفته‌ی نویسنده جالب‌ترین بخش برای تیم‌ها استفاده‌ی ایجنتیک از ابزاره: Grok 4.5 در هر تسک فراخوان ابزار غیرضروری کمتری می‌زنه که مستقیم به هزینه‌ی کمتر و زمان تکمیل سریع‌تر ترجمه می‌شه، درحالی‌که Sol گاهی قبل از اقدام بیش‌ازحد تحقیق می‌کنه؛ بسته به نوع تسک این می‌تونه مزیت باشه (patchهای غلط کمتر) یا عیب (اجرای کندتر و گرون‌تر).

نویسنده هزینه رو هم می‌شکنه. قیمت منتشرشده حدوداً برای Grok ۳ دلار ورودی و ۱۵ دلار خروجی به‌ازای هر میلیون توکن، و برای Sol حدود ۵ و ۲۰ دلاره. برای یه تسک نمونه‌ی SWE-bench (خوندن ریپازیتوری، فهم ایشو، تولید patch و راستی‌آزمایی با تست) با مصرف میانه (۳۵ هزار توکن ورودی و ۴ هزار خروجی)، هر اجرای Grok حدود ۰٫۱۶۵ و هر اجرای Sol حدود ۰٫۲۵۵ دلار درمیاد؛ یعنی حدود ۳۵ تا ۴۰ درصد پرمیوم برای Sol، که تو مقیاس صدها یا هزاران اجرا در روز سریع جمع می‌شه. به گفته‌ی نویسنده این پرمیوم وقتی می‌ارزه که تسک‌هات تصمیم‌های معماریِ پرهزینه دارن یا به دنبال‌کردن دقیق دستور در قالب خروجی ساختاریافته نیاز داری.

نکات کلیدی:

• کدنویسی ایجنتیک، نه نوشتن تک‌تابع، آزمون واقعی این مدل‌هاست
• نمره‌ی SWE-bench Verified هر دو نزدیک هم؛ تفاوت در «نحوه‌ی» حل مسئله‌ست
• Grok سریع‌تر و با فراخوان ابزار کمتر؛ Sol محتاط‌تر و قوی‌تر روی مسائل سخت
• هزینه‌ی هر اجرا: Grok ~۰٫۱۶۵ و Sol ~۰٫۲۵۵ دلار (حدود ۳۵ تا ۴۰٪ گرون‌تر)
• پرمیوم Sol برای تصمیم‌های معماری پرریسک و خروجی ساختاریافته‌ی دقیق می‌ارزه