من منا لم ينتهِ من تركيب رف كتب مسطح التغليف ليجد برغياً إضافياً يتدحرج على الأرض، فيعرف ذلك الشعور المقلق بأن تجميع قطعة IKEA قد سار على نحو خاطئ. الآن قد توجد آلة قادرة على حسم الجدل. وفقاً لمعيار تقييم تجميع الأثاث (FAB) من Epoch AI، يستطيع نموذج GPT-6 Astra من OpenAI فحص صورة لقطعة أثاث أثناء التجميع وتحديد الموضع الذي خرج فيه التجميع عن المسار الصحيح بدقة تبلغ 80 بالمئة في هذه المهمة.
تأتي هذه النتيجة بعد نحو عشرة أشهر من تحقيق أفضل نموذج في المعيار، وهو Claude Opus 4.5، نسبة 28 بالمئة فقط. وتُعد هذه القفزة، من الفشل شبه الكامل إلى رصد الغالبية العظمى من الأخطاء المُدخلة، العنوان الأبرز في أحدث تحديث للوحة صدارة FAB.
كيف يعمل معيار تقييم تجميع الأثاث
معيار FAB عادي عن قصد، ويبدو أن هذا هو المقصود. يصوّر المعيار ثلاث قطع أثاث من IKEA أثناء التجميع، مع إدخال أخطاء متعمدة على طول الطريق. ثم تُعرض على النموذج تلك الصور إلى جانب تعليمات الشركة المصنّعة، وعليه أن يفعل أمرين في آن واحد: تحديد الخطأ بدقة ووصف ما حدث بشكل خاطئ بالكلمات.
هذا المزيج هو ما يجعل المهمة أصعب من مسألة تصنيف صور بسيطة. فلا يمكن للنموذج أن يكتفي بالإشارة إلى أن شيئاً ما يبدو غير صحيح. بل عليه أن يحدد موضع الخطأ داخل جسم مُجمّع جزئياً ثم يشرحه بوضوح كافٍ ليتمكن إنسان يقوم بالتجميع من التصرف بناءً على الوصف. ولذلك يدمج المعيار الاستدلال البصري واتباع التعليمات وتوليد اللغة في نتيجة واحدة.
وتبيّن أن الأثاث مسطح التغليف يشكّل اختبار ضغط مفيداً تحديداً لأنه ممل. فالقطع صلبة، والتعليمات مخططات، والصحة لا لبس فيها. فإما أن يكون مسار الرف مثبتاً على الوجه الخاطئ أو لا. ولا مجال كبيراً للأحكام الذاتية التي قد تشوّش التقييمات القائمة على الصور.
من 28 بالمئة إلى 80 بالمئة في عشرة أشهر
حجم التحسّن هو العنصر الأكثر إثارة في التحديث. في نوفمبر 2025، سجّل أقوى نموذج متاح أقل بكثير من ثلث المعيار. وبعد عشرة أشهر، يقترب المتصدر من النقطة التي ستكون فيها الأداة على صواب أكثر بكثير مما هي على خطأ.
- نوفمبر 2025: Claude Opus 4.5 يتصدر المجال بنسبة 28 بالمئة.
- سبتمبر 2026: نموذج GPT-6 Astra من OpenAI يصل إلى 80 بالمئة، بمتوسط نحو ثلاث دقائق لكل صورة.
- Claude Fable 5.1 عند 70 بالمئة.
- Claude Opus 5 عند 61 بالمئة.
- النماذج الصينية مفتوحة الأوزان مثل Kimi K3 متأخرة عن المتصدرين بسبعة أشهر على الأقل.
ثلاث من خمس نقاط بيانات تصف مجالاً متكتلاً في نطاق ذي دلالة بدلاً من فائز واحد منفرد. يمتلك Astra ميزة، لكن Fable 5.1 قريب بما يكفي لاحتمال تغيّر الترتيب مع الجولة التالية من الإصدارات. والفجوة الأكثر كشفاً هي تلك بين الحدود المتقدمة والمنافسين مفتوحي الأوزان، حيث يبقى Kimi K3 وأقرانه متأخرين بنحو سبعة أشهر.
لماذا انحنى المنحنى بهذا الحدة
يؤطّر المصدر الأصلي هذه المكسب كجزء من تحوّل أوسع وليس إنجازاً معزولاً. فقد كانت النماذج تفشل في مهام بصرية أبسط بكثير منذ وقت ليس ببعيد، ما يجعل نتيجة 80 بالمئة في مسألة فحص متعددة الخطوات جديرة بالملاحظة. ومع تحسّن أنظمة الرؤية واللغة في تأسيس الأوصاف على ما هو مرئي فعلاً في الصورة، أصبحت المعايير المبنية حول الأجسام المادية قابلة للمعالجة بطريقة لم تكن ممكنة سابقاً.
السرعة هي عنق الزجاجة المتبقي
هناك تحفظ مهم مرتبط بنتيجة Astra: ثلاث دقائق لكل صورة. هذا بطيء جداً للمساعدة في التجميع في الوقت الفعلي، وهو السيناريو الذي يتخيله معظم الناس أولاً. فالمساعد الذي يستغرق ثلاث دقائق لإصدار حكم ليس مفيداً عندما تكون يداك مشغولتين وتكون في منتصف الخطوة الرابعة.
ومع ذلك، يرى الباحثون في هذه القدرة حجر أساس. ويشيرون إلى أن المهارة الكامنة قد تُوجَّه في النهاية إلى مهام مثل إصلاح السيارات أو إصلاح الأجهزة، حيث يقارن النموذج صورة لنظام معطوب أو مفكك جزئياً بالوثائق ويصف العطل. تلك المجالات أكثر فوضوية من رف كتب: فالمكونات مخفية، والإضاءة متغيرة، وقد تترك الإصلاحات السابقة الجهاز في حالة غير قياسية.
كما أن السرعة، من حيث المبدأ، مشكلة أسهل في المعالجة من الدقة. فقد اتجهت تكاليف الاستدلال إلى الانخفاض واتجهت الإنتاجية إلى الارتفاع عبر أجيال النماذج المتعاقبة، لذا فإن زمن الاستجابة البالغ ثلاث دقائق اليوم يقول أكثر عن الحالة الراهنة للفن منه عن أي سقف صلب.
ما بعد الأثاث مسطح التغليف: الروبوتات البصرية
نتيجة المعيار لا تقف وحدها. فوفقاً للمصدر الأصلي، يؤدي Astra أيضاً أداءً قوياً في المهام الروبوتية البصرية، ما يشير إلى أن القدرة الكامنة نفسها، أي قراءة مشهد والاستدلال على الترتيب المادي، تنتقل إلى ما هو أبعد من الصور الثابتة للأثاث.
وهذا الارتباط مهم لأن الروبوتات كانت دائماً محدودة بالإدراك والحس السليم أكثر من محدوديتها بالمشغلات. فالروبوت الذي يستطيع النظر إلى تجميع نصف مكتمل ومقارنته بخطة وقول ما هو خطأ يقوم بشيء مشابه بنيوياً للتلاعب: فهو يبني نموذجاً داخلياً للحالة الصحيحة للجسم ويقارنه بالواقع. واكتشاف الأخطاء من هذا النوع مقدمة منطقية لتصحيح الأخطاء.
معيار مصمم ليبقى صادقاً
يكشف تصميم FAB أيضاً شيئاً عن نضوج تقييم الذكاء الاصطناعي. فبدلاً من اختبار حل الألغاز المجردة، يستعير مهمة من الحياة العادية ويُدخل أعطالاً مضبوطة، ما يجعل التقييم موضوعياً وقابلاً للتكرار. ويمكن فهرسة الأخطاء المتعمدة، لذا تكون الإجابة الصحيحة قابلة للتحقق والإجابة الخاطئة لا لبس فيها.
وثمن هذه الصرامة هو الضيق. فثلاث قطع من IKEA عيّنة صغيرة، والنجاح عليها لا يضمن النجاح على خزانة مطبخ أو دراجة. لكن كإشارة توجيهية لتقدم الاستدلال البصري، فإن المعيار واضح بشكل غير معتاد: فهو يقيس ما إذا كان النموذج يستطيع النظر إلى جسم مادي وإخبارك بما هو خطأ فيه.
ما يجب متابعته لاحقاً
ثلاثة أمور ستحدد ما إذا كانت هذه النتيجة تبدو إنجازاً محورياً أم حاشية. الأول هو ما إذا كانت ميزة Astra على Fable 5.1 وOpus 5 تتسع أم تضيق في الأشهر المقبلة. والثاني هو ما إذا كانت أزمنة الاستدلال تنخفض بما يكفي لجعل التوجيه في الوقت الفعلي ممكناً. والثالث هو ما إذا كانت مهارة اكتشاف الأخطاء تتعمم من الأثاث مسطح التغليف إلى مهام الإصلاح الأكثر فوضوية التي يفكر فيها الباحثون.
في الوقت الحالي، الخلاصة العملية متواضعة لكنها حقيقية: التقنية التي لم تكن قادرة على رصد دعامة رف مقلوبة بشكل موثوق قبل أقل من عام، يمكنها الآن تحديد الخطأ في ثماني حالات من كل عشر وشرحه. ومن جادل يوماً شريكه حول الاتجاه الصحيح لوتد خشبي قد يعتبر هذا التقدم مكسباً يستحق العناء.
هذا المقال مبني على تقرير من The Decoder. اقرأ المقال الأصلي.
Originally published on the-decoder.com
