كيف تقرأ اختبارات أداء الذكاء الاصطناعي دون أن تُخدع

لا يكاد يصدر نموذج ذكاء اصطناعي جديد اليوم إلا ومعه جدول من نتائج اختبارات الأداء (Benchmarks). هذه الأرقام مفيدة، لكن بشرط أن تعرف ماذا يقيس كل اختبار، ومن أجراه، وبأي إعدادات. إذا قرأتها بهذه الطريقة ستعرف أي النماذج يستحق التجربة. وإذا قرأتها على عجل فقد تدفع أكثر مقابل نموذج لا يفيد عملك أكثر من غيره.

الإجابة المختصرة:

• اعرف أولًا من أجرى الاختبار. الأرقام التي تعلنها الشركة نفسها ادعاءات، ولوحات التصنيف المستقلة وسيلة للتحقق منها.
• لا تقارن إلا بين نتائج متطابقة الظروف: نفس إصدار الاختبار، ونفس المجموعة الفرعية، ونفس مستوى التفكير، ونفس الأدوات المتاحة.
• اعتبر الفرق بين نقطة ونقطتين تعادلًا، ما لم يعرض المصدر هوامش ثقة تقول غير ذلك.
• استخدم الاختبار الأقرب إلى عملك لتصفية الخيارات، ثم جرّب النماذج المتبقية على مهامك أنت.

تجد أحدث النتائج في صفحة اختبارات الأداء عندنا، وهذا الدليل يشرح كيف تقرؤها.

ماذا تقيس الاختبارات الشائعة؟

معظم الاختبارات التي تتصدر الإعلانات تنتمي إلى عائلات قليلة: البرمجة ومهام الوكلاء، والمعرفة المتخصصة، واستخدام الحاسوب، والعمل المهني، وتفضيلات البشر. الجدول التالي يلخص كل اختبار وأين تقع الخدعة فيه.

أرقام الشركة أم أرقام مستقلة؟

كل رقم تقريبًا في منشور الإطلاق تجريه الشركة التي تبيع النموذج أو تختاره. هذا لا يجعله كاذبًا، لكنه يبقى ادعاءً. مثال واضح: تعلن xAI أن Grok 4.7 حقق 37.6% في Terminal-Bench 4.0 بإعداد xHigh، بينما رقم Artificial Analysis المستقل للاختبار نفسه في حدود 26%.

جداول الشركات تضم أيضًا نتائج المنافسين، وهذه لا تُقاس دائمًا بالطريقة نفسها. جدول Google الخاص بـGemini 4 Argon (77.9% في DeepSWE v1.1 بحسب Google) أخذ أرقام المنافسين جزئيًا من لوحات تصنيف وبطاقات أنظمة. وجدول Anthropic يضع Claude Opus 5.5 عند 66.4% في Terminal-Bench 4.0 مقابل 57.9% لـGPT-6 Astra، بينما يقول نص الصفحة نفسها إن Opus 5.5 «يعادل» Astra، دون تفسير لهذا التناقض. والنماذج مفتوحة الأوزان ليست استثناءً: نتيجة Gemma 4 في GPQA Diamond وهي 84.3% (نسخة 31B) رقم من بطاقة Google ولم يُعِد أحد إنتاجه بشكل مستقل.

القاعدة العملية: إذا كان رقم الشركة سيؤثر في قرارك، فابحث عن الاختبار نفسه في لوحة تصنيف مستقلة، واعتبر الفجوة الكبيرة بين الرقمين علامة تحذير.

إعدادات تغيّر النتيجة

النموذج الواحد قد يسجل أرقامًا مختلفة جدًا حسب طريقة تشغيله. ابحث عن التفاصيل الصغيرة بجوار كل رقم:

• مستوى التفكير (Reasoning effort). أرقام Opus 5.5 من Anthropic معلنة عند أقصى مستوى. وتعلن OpenAI أن GPT-6.1 Sol حقق 75.2% في DeepSWE v1.1 بمستوى high. المستوى الأعلى يستهلك عادةً رموزًا ووقتًا أكثر، فقد لا تحصل على النتيجة نفسها بالإعدادات الافتراضية.
• استخدام الأدوات. في Humanity’s Last Exam سجل Opus 5.5 نسبة 67.7% وClaude Fable 5.1 نسبة 65.0%، والرقمان «مع الأدوات» وبإعلان Anthropic. النتيجة دون أدوات للنموذج نفسه رقم آخر.
• البيئة المحيطة (Harness). بطاقة Qwen3.8-27B تذكر أن عدة اختبارات أُجريت عبر بيئة Claude Code. البرنامج الذي يغلّف النموذج جزء من النتيجة.
• الإصدار والمجموعة الفرعية. يعلن Opus 5.5 نسبة 81.8% في OSWorld 2.1 (جزئي)، ويعلن Claude Haiku 5.5 نسبة 72.4% في المجموعة غير المتصلة من OSWorld 2.1، ويعلن GPT-6.1 Sol نسبة 71.4% في مجموعة OSWorld 2.0 غير المتصلة بأقصى مستوى. هذه ثلاثة إعدادات مختلفة، وليست ترتيبًا واحدًا.

وينطبق ذلك على الإصدارات: يعلن Gemini 3.8 Flash نسبة 89.4% في Terminal-Bench 2.1، ويعلن Gemini 4 Argon نسبة 57.4% في Terminal-bench 4.0. لا يخبرك هذا أيهما أقوى، لأن الاختبارين مختلفان.

لماذا لا يعني فرق نقطتين شيئًا في الغالب؟

الاختبار عينة محدودة من الأسئلة، والنتائج تتحرك بين تشغيل وآخر ومع تغيّر صياغة الطلب أو البيئة. في GDPval-AA v2.1 تعلن Anthropic الرقم 1846 لـOpus 5.5 والرقم 1844 لـClaude Sonnet 5.5. فرق بهذا الحجم لا يصلح وحده أساسًا لأي قرار.

لوحات الساحات توضح ذلك جيدًا. في ساحة تحويل النص إلى كلام على Artificial Analysis يأتي Eleven v4 Turbo عند 1330±18 (المركز الأول) وEleven v4 عند 1328±17 (المركز الثاني). الهامشان متداخلان، فالترتيب عمليًا تعادل. وفي توليد الصور يحتل GPT Image 2.5 Sunburst (1217) وFlare (1209) المركزين الأول والثاني، وهو فرق أقل أهمية بكثير من سعر الصورة أو الأسلوب الذي تحتاجه.

حين تتقارب النماذج إلى هذا الحد، احسم الاختيار بالسعر والسرعة ونافذة السياق (Context window) والتوفر في بلدك والأدوات التي تستخدمها أصلًا. مقارناتنا مثل Claude Opus 5.5 مقابل GPT-6.1 Sol وGPT-6 Astra مقابل Gemini 4 Argon تضع هذه العوامل جنبًا إلى جنب.

كيف تختبر النماذج على مهامك أنت؟

الاختبارات العامة تصنع قائمة مختصرة، ومهامك أنت تحسم القرار. اختبار صغير وأمين يحتاج إلى بضع ساعات:

1. اجمع من 10 إلى 30 مهمة حقيقية من عملك: رسائل وتقارير أخطاء ومستندات وأسئلة فعلية، ومعها بعض المهام الصعبة.
2. اكتب شكل الإجابة الجيدة قبل التشغيل، حتى لا تحكم بالانطباع.
3. استخدم الطلب والملفات والإعدادات نفسها مع كل نموذج، وسجّل مستوى التفكير والأدوات المسموح بها.
4. أخفِ أسماء النماذج عند المقارنة، أو اطلب من زميل أن يقيّم دون أن يعرف المصدر.
5. شغّل كل مهمة مرتين على الأقل، وإذا نجح النموذج مرة وفشل مرة فاعتبره غير موثوق.
6. سجّل التكلفة والوقت لكل مهمة، فالنموذج الأضعف قليلًا والأرخص كثيرًا قد يكون الخيار الأفضل.
7. أعد الاختبار حين تحدّث الشركة نموذجها أو تغيّر إعداداته الافتراضية.

في البرمجة، اختبر داخل الأداة التي ستعمل بها فعلًا، وصفحة أفضل أدوات الذكاء الاصطناعي للبرمجة تعرض الخيارات الرئيسية.

أخطاء شائعة

• مقارنة نتائج من إصدارات مختلفة للاختبار نفسه.
• تجاهل مستوى التفكير أو الأدوات المكتوبة بجوار الرقم.
• قراءة رقم المنافس في جدول الشركة كأن الشركة قاسته بالظروف نفسها.
• التعامل مع المركزين الأول والثاني كأنهما مختلفان رغم تداخل الهامشين.
• اختيار نموذج بناءً على GPQA Diamond أو HLE بينما عملك كتابة أو دعم عملاء أو برمجة.
• الاستغناء عن اختبارك الخاص لأن لوحة تصنيف «حسمت» الأمر.

الخلاصة

اختبارات الأداء تضيّق الخيارات ولا تختار عنك. اعرف من أجرى الاختبار وبأي إعدادات وعلى أي إصدار، وتجاهل الفروق الصغيرة، ودع اختبارًا قصيرًا على مهامك يحسم القرار. راجع الأرقام الحديثة في صفحة اختبارات الأداء قبل أن تلتزم باشتراك.