Claude Opus 5 يحقق صدارة جديدة في معيار ARC-AGI-3

Claude Opus 5 يفتح فجوة واسعة في ARC-AGI-3

تصدّر Claude Opus 5 من Anthropic معيار ARC-AGI-3 بدرجة مُعلنة بلغت 30.2%، وفقاً لمنظمي المعيار الذين استشهدت بهم تغطية The Decoder. وهذا يمثل قفزة ملحوظة مقارنة بالنتيجة السابقة المتصدرة البالغة 7.8%، والتي ينسبها التقرير نفسه إلى GPT-5.6 Sol (Max) من OpenAI. وحتى في مجال تكون فيه مكاسب المعايير غالباً تدريجية أو محل جدل، فإن حجم الفارق يبرز بوضوح.

تكتسب النتيجة أهميتها لأن ARC-AGI-3 لا يُطرح كاختبار للحقائق المخزنة، بل كاختبار لمدى قدرة النموذج على التعامل مع مشكلات جديدة لم يرها من قبل. وفي الإعداد الذي يصفه ARC Prize، يوضع النموذج في بيئات تفاعلية ويُطلب منه استنتاج القواعد، والتخطيط للأفعال، وتنفيذها خطوة بخطوة. وهذا يجعل المعيار إشارة مفيدة على الاستدلال في ظل الجِدة، حتى لو ظل مجرد قياس واحد من بين قياسات كثيرة.

الأداء في معيار واحد لا يحسم سؤال الذكاء العام، كما أن الدرجات قد تعكس في النهاية خصائص خاصة في التصميم أو التقييم أو أسلوب التوجيه. لكن النتيجة الأحدث مهمة لأن فريق المعيار نفسه يشير إلى اختلافات في كيفية استدلال النموذج، وليس فقط إلى الرقم النهائي في لوحة الترتيب.

لماذا يقول ARC Prize إن النتيجة مختلفة

وفقاً للنص المصدر المرفق، يعزو ARC Prize تقدّم Opus 5 إلى استدلال منطقي أقوى يدعم استكشافاً وتخطيطاً وتنفيذاً أكثر استقلالية في البيئات غير المألوفة. وهذا تمييز مهم. فقد جاءت كثير من مكاسب الذكاء الاصطناعي الحديثة من التوسع في الحجم، أو استخدام الأدوات، أو الاسترجاع، أو الأنظمة المصممة بعناية حول نموذج أساسي. ويقول ARC Prize إن الدرجات الرسمية هنا تحتسب أداء نموذج اللغة نفسه فقط، مع استبعاد طبقات البرامج الإضافية التي قد تحسن النتائج في أماكن أخرى.

تساعد هذه الملاحظة على تفسير استمرار جذب هذا المعيار للاهتمام. فالسؤال المركزي ليس ما إذا كان يمكن جعل نموذج يحل المهام الصعبة عبر أدوات مساعدة، بل كم يستطيع أن يفعل بمفرده عندما يُوضع في بيئة جديدة. وإذا كانت قفزة الدرجة تعكس زيادة حقيقية في حل المشكلات ذاتياً، فذلك يشير إلى تحول مهم في القدرة لا مجرد تحسين شكلي.

ويذكر التقرير أيضاً أن Opus 5 حلّ خمس بيئات لم تكن محلولة من قبل، وأن أربعاً منها كانت عند مستوى البشر أو أعلى. وفي معيار مبني على مهام يمكن للبشر غالباً استيعابها بسرعة، يُعد هذا النوع من التحول لافتاً. فهو لا يدل فقط على أداء متوسط أفضل، بل على القدرة على تجاوز مشكلات كانت تمثل سقوفاً صلبة للأنظمة السابقة.

سلوك غير معتاد أثناء الاختبار

أحد أكثر التفاصيل لفتاً للنظر في المادة المصدر ليس الدرجة الرئيسية، بل وصف كيفية تصرف Opus 5 أثناء حل المهام. فقد ذكر باحثو ARC Prize أنهم لاحظوا أن النموذج كان يحول المهام إلى ترميز جبري ويصوغ معادلات انعكاس بشكل مستقل، وهو سلوك قالوا إنهم لم يروه من نموذج من قبل في هذا المعيار.

هذا لا يعني أن النظام فهم الرياضيات بالمعنى البشري، كما أنه لا يثبت نظرية جديدة في الإدراك الآلي. لكنه يشير إلى استراتيجية داخلية أكثر مرونة من مجرد مطابقة الأنماط على الشكل السطحي للغز. والنتيجة العملية هي أن النموذج قد يبتكر بشكل متزايد تمثيلات وسيطة لنفسه عندما تفشل الأساليب المباشرة.

هذه القدرة ستكون مهمة إلى ما هو أبعد من ثقافة المعايير. ففي البيئات الواقعية، غالباً ما تحتاج أنظمة الذكاء الاصطناعي المفيدة إلى إعادة صياغة المشكلات الغامضة، وتقسيمها إلى خطوات أصغر، واختبار عدة استراتيجيات محتملة قبل الوصول إلى إجابة. والنموذج القادر على بناء تجريدات بصورة تلقائية قد يكون أنسب لمهام البرمجيات، والمساعدة العلمية، وتخطيط الروبوتات، ودعم القرار التشغيلي من نموذج يعتمد أساساً على الارتباطات المحفوظة.

ومع ذلك، يبقى الحذر ضرورياً. فمجموعة صغيرة من الأمثلة اللافتة قد تجعل سلوك النموذج يبدو أكثر ترابطاً أو عمومية مما هو عليه في الواقع. وما يهم لاحقاً هو ما إذا كانت الاتجاهات نفسها ستظهر باستمرار عبر تقييمات أوسع وفي سياقات نشر أقل انتقاءً من ساحات المعايير.

الصورة الأوسع للترتيب

يضع النص المرفق Opus 5 متقدماً ليس فقط على GPT-5.6 Sol (Max) في ARC-AGI-3، بل أيضاً على أنظمة Anthropic من فئة Fable نفسها، والتي يقول ARC Prize إنها تسجل نحو 20%. وقد يكون هذا التقييم الداخلي مهماً بقدر المقارنة الخارجية. فهو يشير إلى أن المكسب ليس مجرد تبدل ترتيب عابر بين المختبرات، بل جزء من صعود أوسع في الأداء ضمن سلسلة نماذج Anthropic نفسها.

وفي الإصدارات الأقدم من المعيار، يقول النص المصدر إن Opus 5 يصل إلى 90.4% في ARC-AGI-2 و97.5% في ARC-AGI-1، مسايراً أعلى الدرجات السابقة ولكن بتكلفة أعلى قليلاً. وهذه المعلومة تعقد السرد. فالمعيار الأحدث يبدو أنه يميز النماذج بشكل أوضح، بينما قد تكون الإصدارات السابقة قد اقتربت بالفعل من التشبع في الطرف الأعلى. وبعبارة أخرى، قد يكون ARC-AGI-3 أكثر فائدة تحديداً لأنه لا يزال يترك مجالاً للتمييز بين الأنظمة العالية القدرة.

ويشير التقرير أيضاً إلى أن ستة من أصل 25 بيئة عرض عامة قد حُلّت الآن، وأن النتائج الكاملة، وإعادات التشغيل، وكود الاختبار متاحة للعامة. وهذا الانفتاح مهم. فادعاءات المعايير تكون أكثر قيمة عندما يتمكن الباحثون خارج المؤسسة من فحص ليس فقط لوحة الترتيب النهائية، بل أيضاً الأمثلة، وتتبع الإعادات، ومنهجية التقييم وراء النتيجة.

ماذا تعني هذه النتيجة وما الذي لا تعنيه

بالنسبة لصناعة الذكاء الاصطناعي، فإن الخلاصة الأكثر مباشرة هي أن معايير الاستدلال لا تزال ساحة تنافسية حيّة. فقد أمضى مطورو النماذج العامين الماضيين في محاولة تجاوز طلاقة المحادثة نحو أنظمة تستطيع التفكير والتكيف والتصرف في بيئات غير مألوفة. وأي قفزة بهذا الحجم في معيار بُني صراحة حول الجِدة ستؤثر حتماً في أولويات البحث، ورسائل التسويق، وسرديات المستثمرين.

لكن معياراً واحداً لا يحسم حالة المجال. فـARC-AGI-3 إشارة ذات معنى، لا حكماً نهائياً. وهو لا يقيس مباشرةً الموثوقية أو السلامة أو الصدق أو الأداء عبر كامل نطاق العمل المهم اقتصادياً. كما أنه لا يبين مدى كفاءة النموذج في الحفاظ على هذه السلوكيات ضمن قيود الإنتاج الحقيقية.

ما يوضحه، إذا صمد تحليل فريق المعيار، هو أن السباق لبناء نماذج قادرة على الاستدلال عبر مشكلات غير مألوفة قد يدخل مرحلة جديدة. وعلى مدى أشهر، تأرجح النقاش العام بين المبالغة والرفض: إما أن الذكاء الاصطناعي على وشك بلوغ كفاءة عامة، أو أن مكاسب المعايير ليست سوى ضجيج. مثل هذه النتائج تعقّد الموقفين معاً. فهي لا تثبت وصول الذكاء العام، لكنها تشير إلى أن بعض الأنظمة على الأقل أصبحت أصعب في تفسيرها على أنها مجرد إكمال تلقائي.

والسؤال التالي هو ما إذا كانت هذه القدرات تنتقل. فإذا انتقلت، فسيُذكر هذا الرقم أقل بوصفه تحديثاً للترتيب وأكثر بوصفه إشارة مبكرة إلى أن تحسينات الاستدلال بدأت تتراكم. وإذا لم تنتقل، فسينضم إلى القائمة الطويلة من المعايير التي أحدثت ضجة دون أن تغيّر الاقتصاد الأساسي لنشر الذكاء الاصطناعي. أما الآن، فالنتيجة مهمة لأنها محددة، وقابلة للقياس، وكبيرة بما يكفي لأن على بقية المجال أن يجيب عنها.

هذه المقالة مبنية على تقرير The Decoder. اقرأ المقال الأصلي.