تباين نتائج المعايير على GPT-6 Astra يكشف سباق ذكاء اصطناعي أكثر تعقيداً

يصل GPT-6 Astra بأرقام قوية وبطاقات تقييم متضاربة وقصة أوضح عن الكفاءة

يُستقبل GPT-6 Astra من OpenAI بطريقة متناقضة على نحو غير معتاد: إذ يضعه أحد مجمعات المعايير في الصدارة بوضوح بين النماذج، بينما يقول آخر إنه لا يتجاوز في المحصلة مستوى سلفه، كما أن اختباراً رائداً للاستدلال يوحي بنوع مختلف تماماً من الاختراق. والنتيجة هي لقطة كاشفة لسباق الذكاء الاصطناعي الحالي، حيث تعتمد الإجابة عن سؤال “أي نموذج هو الأفضل؟” بشكل متزايد على ما يتم قياسه، وكمية الحوسبة اللازمة للوصول إلى هناك.

وفقاً لملخص The Decoder للتقييمات المنشورة حديثاً، تجمع Epoch AI أكثر من 50 معياراً في درجة ECI الخاصة بها وتضع GPT-6 Astra في المركز الأول برصيد 169 نقطة، متقدماً على 267 نموذجاً. أما Artificial Analysis، فتمنح Astra 61 نقطة في مؤشر Intelligence Index الخاص بها، وهو نفس رصيد سلفه Sol تماماً، وأقل من Claude Fable 5.1 من Anthropic الذي حصل على 66 نقطة. هذا الخلاف ليس هامشاً منهجياً صغيراً؛ بل يمس جوهر كيفية تفسير الصناعة للتقدم الحدّي حالياً.

بالنسبة للقراء الذين يحاولون فهم هذا الانقسام، أبسط تفسير هو أن مجموعات المعايير هذه تركز على أشياء مختلفة. فقد يكافئ مقياس مركب واسع التحسينات المتسقة عبر مجموعة كبيرة من المهام، بينما قد يعاقب آخر الأداء الأضعف بشكل أشد في مجالات محددة مثل استرجاع المعرفة أو البرمجة أو فهم السياق الطويل. ولذلك يمكن للنموذج نفسه أن يبدو قائداً حاسماً في إطار، وخطوة جانبية فقط في إطار آخر.

قد تكون الكفاءة هي الإشارة الأهم

الادعاء الأبرز في التقرير المرفق لا يتعلق فقط بترتيب الدرجات الخام، بل بالكفاءة. يقول The Decoder إن Astra يستخدم نحو ثلث خطوات الحوسبة التي يستخدمها Sol فقط، وخُمس ما يستخدمه Opus 5. وفي مهام البرمجة، أفاد Artificial Analysis بأن Astra حقق مستوى Claude Fable 5 مع تكلفة تقل عن النصف لكل مهمة. مثل هذه النتيجة مهمة لأن المنافسة الحدية لم تعد تتعلق فقط بالوصول إلى أفضل إجابة، بل بمدى الاقتصاد الذي يستطيع به النموذج الوصول إليها.

ويتضح هذا التباين أكثر في ملف التسعير الخاص بالنموذج. فبحسب التقارير، تفرض OpenAI على Astra سعراً أعلى بمقدار مرتين ونصف لكل وحدة نص مُعالَج مقارنةً بـ Sol، ما يجعل المهمة الواحدة أغلى بنحو 75% مما كانت عليه من قبل. وعلى ظاهر الأمر، يبدو ذلك زيادة كبيرة في التكلفة. لكن رواية The Decoder تشير إلى أن تقشف Astra في الحوسبة يغيّر المقارنة تبعاً للمنافس. فمقارنة بسلفه، يبدو Astra أكثر كلفة. أما أمام النماذج المنافسة التي تستهلك حوسبة أكبر بكثير، فقد يظل أكثر كفاءة نسبياً في بعض أحمال العمل.

عملياً، هذا هو التوتر الجديد في سوق الحدود. يمكن أن يكون النموذج أكثر تكلفة على مستوى واجهة البرمجة، ومع ذلك يحسن القيمة إذا أنجز العمل بخطوات استدلال أقل، أو باستهلاك أقل للرموز، أو بمعدلات نجاح أفضل في المهام عالية القيمة. وبالنسبة للمطورين ومشتري الشركات، من المرجح أن تكون هذه المفاضلات أهم من أي موقع واحد على لوحة الصدارة.

ARC-AGI-3 يغيّر مسار النقاش

أكثر النتائج إثارة للعنوان في التقرير تأتي من ARC-AGI-3، وهو معيار بُني حول عوالم ألعاب غير مألوفة. هناك، أفيد بأن GPT-6 Astra وصل إلى 62.7%، متفوقاً كثيراً على 7.8% لـ Sol، ومتقدماً أيضاً على 30.2% لـ Opus 5. وتقول المقالة إن Astra كان، للمرة الأولى، أكثر كفاءة من الإنسان المتوسط في ذلك الاختبار. ويُوصف François Chollet، رئيس ARC Prize، بأنه قال إن وتيرة التقدم أسرع بنحو الضعف مما كان يتوقع، وأنه قدّم توقعه بشأن AGI إلى وقت أبكر.

حتى مع هذا الإطار، فإن الدرس الأوسع لا يتعلق بقدر واحد لافت بقدر ما يتعلق بنوع القدرة التي يتم مكافأتها. صُممت تقييمات نمط ARC لاختبار التجريد والتكيف بدلاً من الحفظ البسيط. ويكتسب الأداء القوي هناك وزناً رمزياً لأنه غالباً ما يُنظر إليه على أنه دليل على أن النماذج أصبحت أفضل في التعامل مع البنى غير المألوفة، لا مجرد إعادة إنتاج الأنماط التي شوهدت أثناء التدريب.

ومع ذلك، يوضح النص المرفق أيضاً أن Astra ليس أقوى بشكل متجانس في كل مكان. إذ أفادت Artificial Analysis بأن النموذج خسر نحو 80 نقطة Elo في GDPval-AA v2 وتراجع في دعم البنوك وSciCode ومهام الاستدلال ذات السياق الطويل. وهذا الملف غير المتوازن مهم؛ لأنه يشير إلى أن Astra قد يكون نظاماً أكثر تخصصاً أو أكثر تحسيناً بشكل عدواني، لا ترقية مسطحة على كل محور.

مخرجات أنظف، ومكاسب غير متساوية

قد يكون أحد التحسينات الأكثر عملية في Astra هو انخفاض معدل الهلوسة. ففي AA-Omniscience، يذكر The Decoder هبوطاً من 92% إلى 51%. وما زال هذا معدل هلوسة كبيراً، لكن حجم التغيير كافٍ ليكون مهماً تشغيلياً في سير العمل الذي تخلق فيه الادعاءات غير المدعومة مخاطر. وبالنسبة لفرق الذكاء الاصطناعي التطبيقي، قد تكون مثل هذه التخفيضات أكثر قيمة من التحرك الهامشي في لوائح الترتيب، خاصة في البحث والبرمجة ودعم القرارات التجارية حيث تتحكم الموثوقية في التبني.

كما يشير التقرير إلى أداء نادر في معيار رياضي صعب. تقول Epoch AI إن Astra كان النموذج الوحيد الذي حل اثنتين من 68 مسألة مفتوحة من FrontierMath Erdős مع براهين موثقة باستخدام Lean ضمن ميزانية 300 دولار لكل محاولة. وظهرت ثلاثة حلول إضافية في تشغيلات إضافية غير معيارية استخدمت أكثر من 220 ألف دولار من الحوسبة، لكنها لم تُحتسب في الدرجة. وهذا التحفظ بالغ الأهمية، لأنه يوضح سقف إمكانات النموذج وأهمية التقييم المقيد بالتكلفة عند المقارنة العادلة بين الأنظمة.

إطلاق نموذج يكشف حدود التفكير القائم على لوحات الصدارة

لذلك، فالصورة المبكرة لـ Astra ليست ضجيجاً تسويقياً بسيطاً ولا خيبة مباشرة. إنها دراسة حالة تشرح لماذا أصبح تقييم الذكاء الاصطناعي الحدّي أصعب من أن يُختزل في ترتيب واحد. إحدى عائلات المعايير تقول إن Astra هو المتصدر. وأخرى تقول إنه لا يعدو أن يكون متعادلاً مع سلفه إجمالاً. ومعيار للاستدلال يوحي بقفزة مهمة بشكل غير معتاد في حل المشكلات بكفاءة. وتُظهر القياسات على مستوى المهام مكاسب في اقتصاد البرمجة وانخفاض الهلوسة، لكن أيضاً تراجعات في مجالات أخرى.

هذا التعقيد هو على الأرجح القصة الحقيقية. فمع نضج النماذج، تتحرك الصناعة بعيداً عن عصر كانت فيه درجة واحدة كافية لتمثيل القدرة. ويبدو أن GPT-6 Astra نموذج تكمن أهميته في التقدم الانتقائي، خاصة حول الكفاءة وبعض أشكال الاستدلال المجرد، وليس في الهيمنة الشاملة. وبالنسبة للمشترين والباحثين والمنافسين، فإن هذا يجعله أكثر إثارة للاهتمام مما كان سيكون عليه فوز واضح، لأنه يلمح إلى أين قد يُحسم فعلاً الفصل التالي من سباق الذكاء الاصطناعي.

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