MRMP Bench· بنچمارک فارسی مدل‌های هوش مصنوعی

کدوم مدل هوش مصنوعی واقعاً بهتره؟

همه مدل‌ها از یه آزمون ثابت فارسی رد میشن: ۲۰ سؤال کارنامه و ۸ ساخت تعاملی، از بازی و سنتور تا تقویم شمسی و برج آزادی سه‌بعدی. نمره رو کد، یه مرورگر خودکار و یه هیئت داوری سه‌نفره میدن. ساخته‌ها رو همین‌جا خودتون امتحان کنید.

۱۳مدل منتشرشده
۲۰سؤال کارنامه · ۴۰ امتیاز
۸ساخت تعاملی · ۶۰ امتیاز
۳داور از سه شرکت

01قهرمان فعلی

Anthropic: Claude Opus 5.5

S
۹۸٫۵۹از ۱۰۰
کارنامه ۳۹ / ۴۰ویترین ۵۹٫۵۹ / ۶۰
۱۲۳۴۵۶۷۸۹۱۰۱۱۱۲۱۳۱۴۱۵۱۶۱۷۱۸۱۹۲۰
برج آزادی سه‌بعدی ساخته Anthropic: Claude Opus 5.5

02رده‌بندی

نمره هر مدل میانگین اجراهاشه (مدلی که هنوز یه اجرا داره «موقت»ه) · هزینه = پولی که خود مدل برای کل آزمون گرفت، بدون داوری
#مدلرتبهنمره MRMPکارنامهویتریننظر محسنهزینه جواب‌هاسرعت
01Anthropic: Claude Opus 5.5
anthropic/claude-opus-5.5
S
۹۸٫۵۹
بین ۹۷٫۱۷ و ۱۰۰
۳۹ / ۴۰۵۹٫۵۹ / ۶۰–۱٬۳۸۱٬۶۰۰ تومان
۵٫۱۲ دلار
۱۳۷ توکن/ث
02OpenAI: GPT-6.1 Sol
openai/gpt-6.1-sol
S
۹۴٫۴۲
بین ۹۲٫۷۱ و ۹۶٫۱۳
۳۸ / ۴۰۵۶٫۴۲ / ۶۰–۲۷۲٬۳۰۰ تومان
۱٫۰۱ دلار
۵۹ توکن/ث
03SpaceXAI: Grok 4.7
x-ai/grok-4.7
S
۹۴٫۱۳موقت
۳۶ / ۴۰۵۸٫۱۳ / ۶۰–۹۱۶٬۶۰۰ تومان
۳٫۴۰ دلار
۱۳۴ توکن/ث
04Google: Gemini 3.8 Flash
google/gemini-3.8-flash
S
۹۳٫۰۳
بین ۹۲٫۸۳ و ۹۳٫۲۳
۳۶ / ۴۰۵۷٫۰۳ / ۶۰–۲۰۱٬۹۰۰ تومان
۷۴٫۸ سنت
۱۷۹ توکن/ث
05Google: Gemini 4 Argon
google/gemini-4-argon
S
۹۰٫۸۵
بین ۸۹٫۲۳ و ۹۲٫۴۶
۳۳ / ۴۰۵۷٫۸۵ / ۶۰–۳۵۹٬۶۰۰ تومان
۱٫۳۳ دلار
۸۵ توکن/ث
06OpenAI: GPT-6 Luna
openai/gpt-6-luna
S
۹۰٫۱۵
بین ۸۹٫۶۱ و ۹۰٫۶۹
۳۵ / ۴۰۵۵٫۱۵ / ۶۰–۱۵٬۲۰۰ تومان
۵٫۶ سنت
۱۵۵ توکن/ث
07MoonshotAI: Kimi K3
moonshotai/kimi-k3
A
۸۳٫۰۶موقت
۳۶ / ۴۰۴۷٫۰۶ / ۶۰–۹۱۰٬۴۰۰ تومان
۳٫۳۷ دلار
۱۲۲ توکن/ث
08DeepSeek V4 Pro 0813
deepseek/deepseek-v4-pro-0813
B
۷۹٫۸۷موقت
۲۸ / ۴۰۵۱٫۸۷ / ۶۰–۴۵٬۴۰۰ تومان
۱۶٫۸ سنت
۱۷۶ توکن/ث
09Qwen3.8 Max (0902)
qwen/qwen3.8-max-0902
B
۷۷٫۷۵موقت
۳۶ / ۴۰۴۱٫۷۵ / ۶۰–۸۱۸٬۵۰۰ تومان
۳٫۰۳ دلار
۵۴ توکن/ث
10DeepSeek V4 Flash 0423
deepseek/deepseek-v4-flash
B
۶۸٫۷۸
بین ۶۲٫۰۲ و ۷۶٫۴
۲۶ / ۴۰۴۲٫۷۸ / ۶۰–۶٬۳۰۰ تومان
۲٫۳ سنت
۱۱۲ توکن/ث
11Anthropic: Claude Sonnet 5.5
anthropic/claude-sonnet-5.5
C
۶۳٫۵۵موقت
۳۴ / ۴۰۲۹٫۵۵ / ۶۰–۱٬۰۸۴٬۰۰۰ تومان
۴٫۰۲ دلار
۲۰۲ توکن/ث
12Z.ai: GLM 5.3 FlashX
z-ai/glm-5.3-flashx
C
۶۲٫۹موقت
۳۴ / ۴۰۲۸٫۹ / ۶۰–۱۸۶٬۰۰۰ تومان
۶۸٫۹ سنت
۲۵۸ توکن/ث
13Qwen3.8 Flash
qwen/qwen3.8-flash
C
۵۴٫۳۴
بین ۵۲٫۹۶ و ۵۵٫۷۱
۲۹ / ۴۰۲۵٫۳۴ / ۶۰–۸۵٬۴۰۰ تومان
۳۱٫۶ سنت
۷۲ توکن/ث

قیمت تومانی با نرخ امروز: هر دلار ۲۶۹٬۹۷۰ تومان (دلار آزاد، tgju.org، ۱۴۰۵/۸/۲۸). هزینه اصلی به دلاره و با تغییر نرخ، تومانش هم خودبه‌خود عوض میشه.

03قهرمان هر چالش

بهترین ساخت هر چالش ویترین. روی هر کارت بزنید تا ساخته همه مدل‌ها رو برای اون چالش ببینید.

04کیفیت در برابر هزینه

هر نقطه یه مدله. هرچی بالاتر و چپ‌تر (یعنی ارزون‌تر)، ارزش خریدش بیشتر. هزینه همونیه که خود مدل برای جواب دادن به کل آزمون گرفت، بدون هزینه داوری. محور هزینه لگاریتمیه.

۰۲۵۵۰۷۵۱۰۰۱ سنت۱۰ سنت۱ دلار۱۰ دلارهزینه جواب‌های مدل (گرون‌تر →)Anthropic: Claude Opus 5.5: ۹۸٫۵۹ از ۱۰۰Claude Opus 5.5OpenAI: GPT-6.1 Sol: ۹۴٫۴۲ از ۱۰۰GPT-6.1 SolSpaceXAI: Grok 4.7: ۹۴٫۱۳ از ۱۰۰Grok 4.7Google: Gemini 3.8 Flash: ۹۳٫۰۳ از ۱۰۰Gemini 3.8 FlashGoogle: Gemini 4 Argon: ۹۰٫۸۵ از ۱۰۰Gemini 4 ArgonOpenAI: GPT-6 Luna: ۹۰٫۱۵ از ۱۰۰GPT-6 LunaMoonshotAI: Kimi K3: ۸۳٫۰۶ از ۱۰۰Kimi K3DeepSeek V4 Pro 0813: ۷۹٫۸۷ از ۱۰۰DeepSeek V4 Pro 0813Qwen3.8 Max (0902): ۷۷٫۷۵ از ۱۰۰Qwen3.8 Max (0902)DeepSeek V4 Flash 0423: ۶۸٫۷۸ از ۱۰۰DeepSeek V4 Flash 0423Anthropic: Claude Sonnet 5.5: ۶۳٫۵۵ از ۱۰۰Claude Sonnet 5.5Z.ai: GLM 5.3 FlashX: ۶۲٫۹ از ۱۰۰GLM 5.3 FlashXQwen3.8 Flash: ۵۴٫۳۴ از ۱۰۰Qwen3.8 Flash

MRMP Bench چیه؟

MRMP Bench یه بنچمارک فارسی برای مقایسه مدل‌های هوش مصنوعی و مدل‌های زبانی بزرگ (LLM) است. از GPT و Claude تا Gemini و DeepSeek و Grok و Qwen، همه‌ی مدل‌ها از یه آزمون ثابت به زبان فارسی رد میشن: ۲۰ سؤال کارنامه و ۸ ساخت تعاملی.

نمره رو کد، یه مرورگر خودکار و یه هیئت داوری سه‌نفره از سه شرکت مختلف میدن، و جواب‌ها و ساخته‌های هر مدل همین‌جا منتشر میشه. اینطوری خودتون می‌بینید کدوم مدل برای کار به فارسی بهتره، چقدر خرج داره و کجا اشتباه می‌کنه.

آزمون چطور نمره میده؟

YouTube · @MrMpAI

هر مدل جدید، یه قسمت جدید

نتیجه هر مدل رو توی کانال یوتیوب جلوی دوربین بررسی می‌کنم: ساخته‌ها رو اجرا می‌کنم، با قهرمان مقایسه می‌کنم و نظر خودم رو میگم.