امروز، جمعه ۲ مرداد (۲۴ ژوئیه ۲۰۲۶)، آنتروپیک رسماً Claude Opus 5 رو معرفی کرد. این چهارمین مدلیه که آنتروپیک توی کمتر از دو ماه منتشر میکنه — بعد از Mythos 5، Fable 5، و Sonnet 5 که همه توی ژوئن اومده بودن. ولی نکته‌ای که Opus 5 رو از بقیه متمایز میکنه اینه که آنتروپیک این بار داستان رو حول محور «هوش خام» نچیده؛ حول محور اقتصاد مصرف روزانه چیده.

پیام اصلی: نزدیک به Fable 5، با نصف قیمت

آنتروپیک خودش Opus 5 رو این‌طور توصیف کرده: مدلی متفکر و proactive که به هوش Fable 5 —قوی‌ترین مدل فعلی آنتروپیک— نزدیک میشه، اون‌هم با نصف هزینه. این جمله رو باید دقیق خوند: آنتروپیک ادعا نکرده Opus 5 از Fable 5 جلو زده. Fable همچنان مدل مرجع برای پروژه‌های سنگین و کارهایی که قراره روزها بدون دخالت انسان به‌صورت خودکار ادامه پیدا کنن باقی می‌مونه. Opus 5 برای یک رده‌ی متفاوت ساخته شده: کارهای روزمره‌ای که حجمشون بالاست ولی نیازی به سقف مطلق هوش ندارن.

قیمت هم دقیقاً همینو نشون میده: $5 روی هر میلیون توکن ورودی و $25 روی خروجی، یعنی دقیقاً همون قیمت Opus 4.8. آنتروپیک مدل قوی‌تری داده بدون این‌که قیمت رو تغییر بده، به‌جای این‌که مثل قبل با هر نسخه‌ی جدید قیمت رو ببره بالا.

چرا این تغییر مسیر مهمه

طبق گزارش‌های چند رسانه از جمله Fortune، این جابه‌جایی به یک نگرانی واقعی توی بازار برمیگرده: مشتری‌های سازمانی این چند ماه از هزینه‌ی بالای مدل‌های frontier، مخصوصاً Fable 5، گله داشتن. Fable روی بعضی کارها burn rate بالایی داشت، یعنی برای رسیدن به یک جواب توکن زیادی مصرف میکرد، و همین باعث میشد بودجه‌ی تخصیص‌داده‌شده زودتر از موعد تموم بشه. Opus 5 دقیقاً جواب همین مشکله.

برای همین آنتروپیک روی Opus 5 یک قابلیت effort گذاشته: تنظیمی که بهت اجازه میده بین سرعت/هزینه و عمق استدلال مدل جابه‌جا بشی. اگه کار ساده و تکراریه، effort رو پایین میاری و توکن کمتری خرج میشه؛ اگه کار پیچیده‌ست، effort رو بالا میبری. این دقیقاً همون فلسفه‌ای‌یه که این چند وقت پشت Gemini 3.6 Flash هم دیدیم: به‌جای این‌که مدل رو یک بلوک یکپارچه در نظر بگیری، هزینه رو بر اساس واقعی‌بودن نیاز تنظیم میکنی.

جایگاه Opus 5 توی خانواده‌ی Claude

Opus 5 حالا مدل پیش‌فرض روی Claude Max شده و قوی‌ترین مدل در دسترس روی Claude Pro. یعنی برای اکثر کاربرهای پولی، این مدلیه که پیش‌فرض باهاش کار میکنن، نه Fable 5. آنتروپیک گفته Opus 5 نسبت به نسل قبل با رفت‌وبرگشت کمتری کار رو تموم میکنه — کار خودش رو راستی‌آزمایی میکنه و بدون دخالت اضافه از خطا برمیگرده، که برای کسی که داره روی workflow های agentic کار میکنه (دقیقاً مثل چیزی که ما با Hermes Agent دنبالش هستیم) نکته‌ی قابل توجهیه.

دو تغییر جانبی که کمتر دیده شد

همراه با Opus 5، آنتروپیک دو تغییر دیگه هم روی پلتفرمش اعمال کرده که شاید برای دولوپرها حتی مهم‌تر از خود مدل باشه:

اول، امکان تغییر ابزارهای در دسترس مدل وسط یک مکالمه، بدون این‌که prompt cache باطل بشه. تا قبل از این، اگه توی یک کانورسیشن میخواستی لیست ابزارها رو عوض کنی، کش مکالمه از بین می‌رفت و هزینه‌ی پردازش دوباره بالا می‌رفت. حالا این محدودیت برداشته شده.

دوم، قابلیت fallback خودکار روی API. اگه یک درخواست توسط کلاسیفایرهای ایمنی روی Opus 5 یا Fable 5 پرچم بخوره، به‌جای این‌که درخواست رد بشه، میتونی تنظیم کنی که به‌صورت خودکار به بهترین مدل جایگزین در دسترس هدایت بشه. این یعنی کمتر پیش میاد یک اپلیکیشن production به‌خاطر یک ریجکشن مقطعی از کار بیفته.

زمینه‌ی رقابتی

این عرضه توی بحبوحه‌ی یک رقابت شدید بین‌المللی اتفاق افتاده. طبق گزارش BigGo Finance، چند روز قبل از Opus 5، مدل Kimi K3 معرفی شده بود، و علی‌بابا هم Qwen 3.8 Max Preview رو با ۲.۴ تریلیون پارامتر رونمایی کرده. Z.AI هم از GLM 5.5 —با بیش از یک تریلیون پارامتر و context window یک میلیون توکنی— برای عرضه در آگوست خبر داده. نکته‌ی مهم این مدل‌های چینی اینه که اغلب به‌صورت open-weight منتشر میشن، یعنی هرکسی میتونه دانلودشون کنه و شخصی‌سازی کنه؛ چیزی که آنتروپیک و OpenAI معمولاً ازش پرهیز میکنن.

جمع‌بندی: باید سوییچ کنیم؟

اگه الان روی Opus 4.8 کار میکنی، مهاجرت به Opus 5 هزینه‌ی اضافه‌ای نداره چون قیمت‌گذاری عوض نشده، و طبق ادعای آنتروپیک کیفیت بالاتر رفته. اگه پروژه‌ای داری که واقعاً به سقف مطلق هوش نیاز داره —مثل کاری که قراره روزها بدون نظارت جلو بره— همچنان باید سراغ Fable 5 بری. ولی برای اکثر کارهای روزمره، از تولید محتوا گرفته تا کدنویسی و اتوماسیون، Opus 5 دقیقاً همون رده‌ایه که آنتروپیک میخواد بشه پیش‌فرض همه: قوی به اندازه‌ی کافی، ولی نه به قیمتی که مجبورت کنه هر درخواست رو دو بار فکر کنی.

چند وقتیه منتظر Gemini 3.5 Pro هستیم. گوگل توی رویداد I/O امسال قول داده بود این مدل رو «ماه بعد» عرضه کنه، ولی آن ماه گذشت، ماه بعدی هم گذشت، و به‌جاش این هفته سه مدل دیگه اومد که هیچ‌کدومشون Pro نبودن: Gemini 3.6 Flash، Gemini 3.5 Flash-Lite، و یک مدل عجیب به اسم Gemini 3.5 Flash Cyber. به نظرم خود همین انتخاب —این‌که گوگل ترجیح داده مدل‌های سبک‌تر رو زودتر بفرسته و flagship رو بذاره بپزه— داستانی به همون اندازه‌ی خود مدل‌ها جالبه.

چرا Pro دیر شده

طبق گزارش‌هایی که این چند هفته منتشر شده، Gemini 3.5 Pro توی تست‌های داخلی گوگل روی بنچمارک‌های کدنویسی اون‌طور که باید عمل نکرده و تیم مهندسی مجبور شده دوباره برگرده سراغ retraining. گوگل رسماً تأیید کرده که مدل الان دست چند پارتنر و چند نهاد دولتیه برای تست، ولی تاریخ دقیقی برای عرضه‌ی عمومی نداده. این یعنی حداقل فعلاً، اگه دنبال جایگزین GPT یا Claude توی رده‌ی سنگین‌وزن گوگل بودی، باید صبر کنی.

Gemini 3.6 Flash: جایگزین workhorse قبلی

این مدل قراره جانشین 3.5 Flash بشه، و نکته‌ای که واقعاً به چشم میاد کارایی تُکنه. گوگل میگه روی Artificial Analysis Index، این مدل تقریباً ۱۷ درصد کمتر از 3.5 Flash توکن خروجی مصرف می‌کنه، و برای کارهای چندمرحله‌ای هم تعداد reasoning step و tool call کمتری لازم داره. این برای کسی که داره agent میسازه خیلی مهمه، چون هزینه‌ی واقعی یک agent معمولاً از تعداد round-trip ها میاد، نه فقط از قیمت هر توکن.

قیمت‌گذاری هم جالبه: ورودی همون $1.50 روی هر میلیون توکن مونده، ولی خروجی از $9 به $7.50 اومده پایین. یعنی گوگل مدل جدید و به‌ظاهر قوی‌تر رو ارزون‌تر از قبلی عرضه کرده، که کار غیرمعمولیه — معمولاً نسخه‌ی جدید گرون‌تر میشه.

از نظر کدنویسی هم گوگل ادعا میکنه 3.6 Flash خطاهای کمتری توی edit کد تولید میکنه و execution loop کمتری داره، یعنی کمتر پیش میاد مدل بین چند راه‌حل اشتباه گیر کنه و دور بزنه. روی DeepSWE عدد ۴۹ درصد رو اعلام کرده که نسبت به نسخه‌ی قبلی جهش قابل توجهیه.

Gemini 3.5 Flash-Lite: برای حجم بالا

اگه پروژه‌ات نیاز به throughput بالا داره — مثلاً ترجمه‌ی حجم زیادی متن، یا پردازش batch اسناد — این مدل برای همین ساخته شده. قیمتش $0.30 روی ورودی و $2.50 روی خروجیه، یعنی از نسخه‌ی قبلی (3.1 Flash-Lite) کمی گرون‌تر شده، ولی گوگل میگه کیفیتش قابل مقایسه نیست. روی Terminal-Bench 2.1 عدد ۵۴ درصد در مقابل ۳۱ درصد نسخه‌ی قبلی گزارش شده که فاصله‌ی زیادیه. روی long-context هم (GDM-MRCR v2) از ۶۰ درصد به ۷۲ درصد رسیده.

نکته‌ای که به نظرم برای کار خودمون توی این بلاگ مهمه: اگه داری pipeline ترجمه یا پردازش متن فارسی میسازی و هزینه برات مهمه، این مدل دقیقاً همون‌جاییه که باید نگاهش کنی. برای کارهایی که Pro واقعی لازم نیست ولی حجم بالاست، معمولاً Flash-Lite گزینه‌ی منطقی‌تریه تا این‌که بخوای برای هر درخواست پول یک مدل سنگین رو بدی.

Gemini 3.5 Flash Cyber: تخصصی و محدود

این یکی جالب‌ترین معرفیه، چون هدفش عمومی نیست. مدلی fine-tune شده روی پایه‌ی Flash، مخصوص پیدا کردن و patch کردن آسیب‌پذیری‌های امنیتی کد. فعلاً فقط در اختیار دولت‌ها و پارتنرهای منتخب گوگل قرار میگیره، نه توسعه‌دهنده‌ی عادی. این حرکت رو خیلی‌ها به رقابت گوگل با آنتروپیک در حوزه‌ی امنیت کد مرتبط میدونن، جایی که آنتروپیک با مدل‌های سری Mythos یک قدم جلوتر بوده.

چیزی که بین خط‌ها نوشته شده

گوگل همزمان با این عرضه گفته که pretraining نسل بعدی، یعنی Gemini 4، رو شروع کرده. یعنی درحالی که همه منتظر Pro هستن، تیم گوگل عملاً یک نسل جلوتر داره کار میکنه. این الگو رو قبلاً هم دیده بودیم — وقتی یک مدل میانی دیر میشه، شرکت‌ها به‌جای نگه داشتن کاربر توی خلأ، یک لایه‌ی سبک‌تر و ارزون‌تر رو زودتر میفرستن تا هم بازار رو نگه دارن هم فشار رقابتی رو کم کنن.

برای من به‌عنوان کسی که مدام بین مدل‌های مختلف API سوییچ میکنه، نکته‌ی عملی این خبر اینه: اگه الان روی 3.5 Flash کار میکنی، مهاجرت به 3.6 Flash احتمالاً بدون درد سره — قیمت پایین‌تره و بنچمارک‌ها بهتره. ولی اگه منتظر Pro بودی که یک جهش واقعی توی reasoning بدی، هنوز باید صبر کنی، و با توجه به سابقه‌ی این تأخیرها بعید نیست چند هفته‌ی دیگه هم طول بکشه.

اتریبیوت #[RouteKey] برای مدل‌های Eloquent

مشکل قدیمی، راه‌حل جدید

class Post extends Model
{
    public function getRouteKeyName()
    {
        return 'slug';
    }
}

use Illuminate\Database\Eloquent\Attributes\RouteKey;

#[RouteKey('slug')]
class Post extends Model
{
    // ...
}

قانون اعتبارسنجی base64

نحوه استفاده

$request->validate([
    'signature' => ['required', 'base64'],
]);

چرا این ویژگی مهم است؟

• رشته باید به درستی decode شود
• پس از decode و encode مجدد، باید دقیقاً همان رشته اولیه تولید شود
• این یعنی اشتباهات Padding یا کاراکترهای اضافی به راحتی شناسایی می‌شوند

اتریبیوت زمینه‌ای #[RequestAttribute]

مشکل چیست؟

public function index(Request $request)
{
    $org = $request->attributes->get('org');
    // ...
}

راه‌حل جدید

use Illuminate\Container\Attributes\RequestAttribute;

class InventoryController
{
    public function index(
        #[RequestAttribute('org')] Organization $org
    ) {
        return $this->inventoryService->getForOrg($org);
    }
}

فرمت‌های خروجی بیشتر برای کامپوننت Image

چه چیزی اضافه شده؟

• toPng()
• toGif()
• toAvif()
• toBmp()

مثال استفاده

use Illuminate\Support\Facades\Image;

Image::fromUpload($request->file('avatar'))
    ->cover(400, 400)
    ->toAvif()
    ->quality(80)
    ->store('avatars');

اصلاح باگ مهم

Application Builder قابل شخصی‌سازی

چه تغییری ایجاد شده؟

Subsplit کامپوننت Concurrency

سایر اصلاحات و بهبودها

پایگاه داده

• Callbackهای Rollback: callbackهای تراکنش‌های دیتابیس حالا به درستی فراخوانی می‌شوند (PR #60777)
• Lost Connection: یک پیام خطای جدید برای از دست دادن اتصال شناسایی شده که امکان reconnect خودکار را فراهم می‌کند (PR #60819)
• Question Marks: علامت سوال در Grammar::whereColumn() به درستی escape می‌شود (PR #60832)

لاگ و کش

• LogManager: ارسال enum به LogManager::forgetChannel() دیگر TypeError نمی‌دهد (PR #60801)
• RedisTaggedCache: متد decrement() حالا enum keys را به درستی مدیریت می‌کند (PR #60821)

رشته‌ها و Utilityها

• Str::wordWrap(): حالا رشته‌های multibyte را به درستی مدیریت می‌کند (PR #60814)

اتریبیوت‌ها و Dependency Injection

• Contextual Attribute Caching: کش کردن اتریبیوت‌های زمینه‌ای دیگر بین propertyهای یک کلاس تداخل ایجاد نمی‌کند (PR #60815)
• Concurrency Exception: پارامترهای falsey در exceptionهای concurrency حفظ می‌شوند (PR #60822)

دستورات و Pipeline

• Serve Command: پارس کردن پورت host در دستور serve اصلاح شده است (PR #60828)
• Pipeline Hub: یک undefined index در Pipeline\Hub::pipe() برطرف شده است (PR #60802)

Jobها و Queue

• InvalidPayloadException: پیام‌های این exception حالا نام job و queue را شامل می‌شوند که دیباگ را آسان‌تر می‌کند (PR #60799)

مقایسه با نسخه‌های قبلی

• Developer Experience: اتریبیوت‌های جدید مثل #[RouteKey] و #[RequestAttribute] کد را خواناتر و نگهداری آن را آسان‌تر می‌کنند
• Validation: اضافه شدن قانون base64 نشان می‌دهد که لاراول به نیازهای واقعی توسعه‌دهندگان گوش می‌دهد
• Image Processing: پشتیبانی از فرمت‌های مدرن مثل AVIF نشان‌دهنده به‌روز بودن لاراول با استانداردهای وب است

مزایا و معایب به‌روزرسانی

• کاهش کد boilerplate با اتریبیوت‌های جدید
• اعتبارسنجی دقیق‌تر با قانون base64
• انعطاف‌پذیری بیشتر در پردازش تصاویر
• دیباگ آسان‌تر با پیام‌های خطای بهتر

• این یک نسخه مینور است و تغییرات breaking change ندارد
• برای استفاده از ویژگی‌های جدید، باید PHP 8.1 یا بالاتر داشته باشید (به دلیل استفاده از Attributes)

جمع‌بندی نهایی و نگاه شخصی

سوالات متداول

حجم داده‌ها: صحبت از ترابایت نیست، صحبت از اگزابایت است

راز اول: سیستم فایل توزیع‌شده (Google Colossus)

راز دوم: جادوی فشرده‌سازی و کدک‌های ویدیویی

• H.264: قدیمی‌تر اما با سازگاری بالا برای دستگاه‌های قدیمی.
• VP9: کدک متن‌باز توسعه‌یافته توسط گوگل که فشرده‌سازی بهتری نسبت به H.264 دارد.
• AV1: جدیدترین و کارآمدترین کدک. AV1 می‌تواند حجم ویدیو را تا ۳۰ درصد بیشتر از VP9 بدون افت کیفیت محسوس کاهش دهد. این یعنی صرفه‌جویی عظیم در پهنای باند و فضای ذخیره‌سازی.

راز سوم: چگونه همه کیفیت‌ها را همزمان دارد؟ (Transcoding و ABR)

راز چهارم: نقش حیاتی CDN در تحویل سریع

مقایسه یوتیوب با هاستینگ ویدیوی سنتی

مزایا و چالش‌های این معماری عظیم

• پایداری فوق‌العاده: خرابی یک دیتاسنتر کل سرویس را از کار نمی‌اندازد.
• تجربه کاربری یکپارچه: تغییر خودکار کیفیت بر اساس سرعت شبکه، بدون نیاز به توقف ویدیو.
• بهینه‌سازی منابع: استفاده از کدک‌هایی مثل AV1 هزینه‌های پهنای باند گوگل را به شدت کاهش می‌دهد.

• مصرف انرژی بالا: ترنس‌کدینگ و نگهداری دیتاسنترها در این مقیاس، مصرف برق بسیار بالایی دارد.
• هزینه محاسباتی سنگین: پردازش ویدیو برای تولید چندین کیفیت و فرمت، نیازمند سخت‌افزارهای گران‌قیمت و تخصصی است.
• پیچیدگی نگهداری: مدیریت هماهنگی بین میلیون‌ها سرور و تریلیون‌ها فایل کوچک، یکی از سخت‌ترین چالش‌های مهندسی نرم‌افزار در جهان است.

جمع‌بندی نهایی و نگاه شخصی

سوالات متداول