GPT-5.6 يحقق رقمًا قياسيًا جديدًا في الاختبار الأخير للوكلاء (2026)

الوكيل الذي يحقق نتيجة 82% في أحد الاختبارات المرجعية قد تنخفض نتيجته إلى 25% في اختبار آخر — نفس النموذج، في نفس الأسبوع، ولكن بحكم مختلف تماماً حول ما إذا كان بإمكانه فعلياً القيام بالمهمة. هذه الفجوة هي السبب الرئيسي لوجود Agents' Last Exam (ALE)، وفي 9 يوليو 2026، حقق نموذج OpenAI الجديد GPT‑5.6 Sol أعلى درجة سجلها أي نموذج حتى الآن.¹ الرقم حقيقي، وكذلك السبب الذي يجعل الجميع لا يقرأه على أن "الوكلاء يمكنهم الآن القيام بعمل حقيقي".

في سطر واحد: حقق نموذج GPT‑5.6 Sol من OpenAI، الذي صدر في 9 يوليو 2026، رقماً قياسياً جديداً في Agents' Last Exam — وهو اختبار مرجعي من UC Berkeley RDI مبني على مشاريع مهنية حقيقية عبر 55 صناعة — حيث سجل 53.6/100 مع معدل نجاح كامل بنسبة 30.6% تحت تكوين Codex-harness و XHigh-reasoning، متفوقاً على Claude Fable 5، الذي تعقدت نتيجته بسبب نظام أمان قام بهدوء بتحويل حوالي ثلث مهام الاختبار إلى نموذج أضعف.¹²³

ملخص

• ماذا حدث: أصبحت عائلة GPT‑5.6 من OpenAI (Sol, Terra, Luna) متاحة بشكل عام في 9 يوليو 2026، وجعلت OpenAI من Agents' Last Exam الاختبار المرجعي الخارجي الرئيسي لها. حقق تكوين Codex-harness و XHigh-reasoning الخاص بـ Sol رقماً قياسياً جديداً: متوسط درجة 53.6/100 ومعدل نجاح كامل بنسبة 30.6% في التقسيم العام المكون من 152 مهمة.¹²
• ما هو ALE: اختبار مرجعي صممه مركز الذكاء اللامركزي المسؤول بجامعة UC Berkeley (Berkeley RDI) من مشاريع حقيقية أنجزها بالفعل أكثر من 300 مهني متخصص — ليست مهاماً تجريبية — تشمل 55 صناعة غير مادية، ويتم تقييمها بواسطة سكربتات حتمية بدلاً من حكم LLM.³⁴
• لماذا تنهار الدرجات: الوكلاء الذين يحققون 80%+ في اختبارات مثل Terminal-Bench يسقطون عادةً إلى نطاق 20-30% في ALE. قبل GPT-5.6، كان أعلى معدل نجاح كامل مسجل حوالي 25%؛ وتعود ثلاثة أرباع حالات الفشل إلى عدم فهم الوكلاء للمهمة، وليس إلى استدعاءات أدوات معطلة.²⁴
• الرقم الذي تذكره OpenAI بطريقتين: يدرج جدول المقارنة الخاص بـ OpenAI درجة Sol في ALE على أنها 52.7، بينما يشير النص المصاحب إلى "رقم قياسي جديد قدره 53.6" — وهو تناقض في صفحة OpenAI نفسها يهم أكثر مما ينبغي، لأن التفوق بمقدار 13.1 نقطة الذي تعلنه OpenAI على Claude Fable 5 لا يتحقق حسابياً إلا مقابل رقم 53.6.¹
• تعقيدات Claude: في ALE تحديداً، قامت مصنفات الأمان الخاصة بـ Claude Fable 5 بتحويل حوالي 35% من المهام — معظمها أعمال في علوم الحياة والبيولوجيا التي تم تصنيفها كـ "أمن سيبراني أو بيولوجيا" — إلى نموذج Claude Opus 4.8 الأضعف في منتصف المهمة. في المهام الـ 101 التي لم يتم لمسها، كاد Fable 5 أن يطابق GPT-5.5؛ أما في الـ 51 مهمة المتأثرة، فقد تتبع أداء Opus 4.8 بدقة تقريباً.⁵⁶
• الصورة الأكبر: حتى الرقم القياسي الجديد — 30.6% نجاح كامل — يعني أن GPT-5.6 Sol لا يزال يفشل في حوالي 7 من كل 10 مهام مهنية حقيقية في الاختبار. ويبلغ متوسط معدل النجاح الكامل في أصعب مستوى من ALE حوالي 2.6% عبر جميع الأنظمة المختبرة.⁴

ما ستتعلمه

• ما الذي يقيسه Agents' Last Exam فعلياً، وكيف يتم تقييمه
• لماذا تنهار نفس الوكلاء التي تتفوق في اختبارات أخرى في هذا الاختبار
• المسار الكامل: فوز GPT-5.5 "المفاجئ" في يونيو، ورقم GPT-5.6 القياسي في يوليو
• لماذا لا تعتبر درجة Claude Fable 5 في ALE قراءة دقيقة لقدرات النموذج
• ما الذي يجب (وما لا يجب) أن يخبرك به معدل نجاح كامل بنسبة 30.6% بشأن نشر الوكلاء

ما هو Agents' Last Exam؟

Agents' Last Exam هو اختبار مرجعي صممه مركز الذكاء اللامركزي المسؤول بجامعة UC Berkeley (Berkeley RDI)، بالتعاون مع مؤسسة RDI، لاختبار ما إذا كان بإمكان وكلاء الذكاء الاصطناعي إكمال نوع العمل الطويل وذو القيمة الاقتصادية التي يتقاضى المهنيون أجراً فعلياً للقيام بها.³ نشر المشروع، الذي قاده باحثون من بينهم Yiyou Sun و Dawn Song، منهجيتهم في ورقة بحثية في يونيو 2026 ويديرون الآن لوحة صدارة عامة ومباشرة.⁴⁷

مبدأ التصميم غير تقليدي: كل مهمة بدأت كمشروع حقيقي لشخص ما. ساهم أكثر من 300 ممارس — من انتماءات أكاديمية مثل MIT و Harvard و Stanford إلى جانب شركاء صناعيين بما في ذلك Goldman Sachs و JPMorgan و Morgan Stanley و Adobe — بأعمال سابقة استغرقت منهم تاريخياً أياماً أو أسابيع لإنهائها، كاملة بملفات الإدخال الأصلية والبرامج التي استخدموها للقيام بذلك.³⁴

تم تنظيم هذه المشاريع في تصنيف مبني على O*NET/SOC 2018، وهو نظام تصنيف المهن الخاص بالحكومة الأمريكية، وتم تصفيتها إلى 55 مجالاً فرعياً تشمل التمويل والقانون والوسائط المرئية والرياضيات الحاسوبية وعلوم الحياة وغيرها.⁴ وحتى هذا الشهر، جمع المشروع أكثر من 1,500 مهمة للوصول إلى الهدف النهائي وهو 5,000 مهمة.³

التقييم هو الخيار غير التقليدي الآخر. تعمل كل مهمة في جهاز افتراضي معزول مع ملفات إدخال للقراءة فقط، وبرامج مثبتة مسبقاً، ومجلد مخرجات، ومجلد مرجعي مخفي يحتوي على التسليم الأصلي للخبير.⁴ تستخدم معظم المهام ما تسميه الورقة نمط "البوابة والدرجة" (gate-and-score): حيث يجب اجتياز شرط مسبق ثنائي أولاً — مثل أن يتم تحليل ملف دون خطأ، أو ألا يصطدم جزء ثلاثي الأبعاد برأس التفريز — وفشل هذه البوابة يجعل الدرجة صفراً بغض النظر عن التقدم الجزئي.⁴

وحيثما يكون الفحص الحتمي ممكناً، يستخدم ALE فحصاً حتمياً بدلاً من طلب نموذج آخر للحكم على ما إذا كانت المخرجات "تبدو صحيحة". يتم تحديد سقف لعمليات التشغيل بخمس ساعات وتكلف كل عملية تقييم من 3 إلى 10 دولارات.⁴

لماذا تنهار الدرجات: ALE مقابل كل شيء آخر

كان مبتكرو المعيار أنفسهم صريحين بشأن سبب أهمية هذا الأمر. فبالمقارنة مع Terminal-Bench و SWE-bench-Pro، يعتبر ALE أشمل (يغطي 40 من أصل 55 نطاقاً فرعياً صناعياً، مقابل 6 و 5 على التوالي)، وأطول مدى (الوقت الذي يستغرقه البشر للإكمال يتراوح من ساعات إلى أسابيع، وليس دقائق)، وأصعب — فقبل GPT-5.6، كان أفضل معدل نجاح كامل مسجل على ALE حوالي 25%، مقارنة بـ 82.0% على Terminal-Bench و 59.1% على SWE-bench-Pro لنفس الفئة من الأنظمة.²

هذا الانهيار ليس قصة عن أدوات تعطلت في منتصف التشغيل. فعندما صنّف فريق ALE الإخفاقات، تبين أن نحو ثلاثة أرباعها تعود إلى عدم فهم الوكلاء (agents) للمجال أو اختيار النهج الخاطئ — وليس إلى سيناريوهات تعطلت أو ملفات مفقودة.⁴

أحد الأعراض الملموسة: حوالي ثلث مهام ALE العامة تمنح الوكيل برمجيات GUI احترافية (أدوات CAD من فئة SolidWorks، أو DaVinci Resolve، وما شابه)، وعادة ما يرفض الوكلاء استخدامها، وبدلاً من ذلك يرتجلون سيناريوهات terminal مؤقتة تقارب — ولكن لا تكرر — ما قد يفعله خبير في هذا المجال فعلياً.⁴ وفي أصعب مستوى من مجموعة المهام الكاملة، يبلغ متوسط معدل النجاح الكامل عبر تركيبات النماذج والبيئات المختبرة 2.6% فقط.⁴

فوز GPT-5.5 في يونيو على Claude Fable 5 — والمفاجأة

قبل وجود GPT-5.6، شهدت قائمة متصدري ALE أول مفاجأة لها. ففي يونيو 2026، نشرت Berkeley RDI مقارنة تفاعلية تشغل Codex (GPT-5.5)، و Claude Code (Fable 5)، و Cursor (Composer 2.5) عبر مجموعة مهام المعيار.⁵ وكانت النتيجة الإجمالية: تصدر GPT-5.5 بمعدل نجاح كامل بلغ 24.0%، متفوقاً بفارق بسيط على Claude Fable 5 الذي حقق 22.0% — وهو ما تم تداوله على نطاق واسع في ذلك الوقت كمفاجأة، حيث كان Claude هو المفضل قبل البدء.⁶

المفاجأة، الموثقة مباشرة على موقع ALE، هي أن درجة Claude Fable 5 ليست قياساً دقيقاً لـ Fable 5 وحده. فـ Fable 5 هو الإصدار العام من Anthropic المحمي بضوابط السلامة لنموذجه الأكثر قدرة من فئة "Mythos" — أما Claude Mythos 5، النسخة غير المقيدة، فلم تكن قابلة للاختبار بشكل مستقل وظلت مقتصرة على الشركاء المعتمدين.⁸

تقوم مصنفات Anthropic بفحص كل طلب يصل إلى Fable 5، وفي ALE تحديداً، تم تصنيف حوالي 35% من المهام على أنها "أمن سيبراني أو بيولوجيا" وتم تحويلها بصمت في منتصف المهمة إلى Claude Opus 4.8 الأضعف — وكانت هذه المهام في الغالب مهام جينوميات وسريرية وعلوم فيزيائية حميدة التقطها الفلتر جنباً إلى جنب مع أي شيء حساس حقاً.⁵⁸ وقد تسببت كل واحدة من مهام العلوم الحياتية الـ 19 في المعيار في تفعيل هذا التحويل.⁵

تقسيم النتائج يروي قصة مختلفة عن الرقم الإجمالي. ففي الـ 101 مهمة التي أجاب عليها Fable 5 دون تدخل، حقق درجة 22.8% — وهو ما يعادل تقريباً درجة GPT-5.5 البالغة 23.8% في نفس التقسيم. أما في الـ 51 مهمة التي قام نظام السلامة بتحويلها في منتصف المهمة، فقد حقق الهجين (Fable-5 ثم Opus-4.8) درجة 17.6%، وهو ما يطابق تقريباً درجة Opus 4.8 المستقلة البالغة 15.7%.⁵

الرسم البياني: معدلات النجاح الكامل في Agents' Last Exam لكل من Claude Fable 5 و Claude Opus 4.8 و GPT-5.5، مقسمة حسب ما إذا كان تحويل السلامة في Fable 5 قد تم تفعيله في منتصف المهمة. المصدر: Agents' Last Exam، مدونة "agent-showdown" (يونيو 2026)، agents-last-exam.org.

بكلمات أخرى: كان Fable 5 النقي قريباً من GPT-5.5 طوال الوقت — وهو تمييز ضاع في معظم تغطيات شهر يونيو، التي نقلت النتيجة الممزوجة (22.0% مقابل 24.0%) كفجوة واضحة في القدرات.⁹

هناك ملاحظة تستحق الإضافة قبل اعتبار هذا مجرد أثر لفلتر السلامة: GPT-5.5، الذي لا يملك آلية تحويل خاصة به، انخفضت درجته أيضاً إلى 17.6% في نفس تقسيم الـ 51 مهمة المتأثرة — وهي درجة مطابقة لدرجة الهجين (Fable-5 ثم Opus-4.8) هناك. وهذا يشير إلى أن المهام المتأثرة (التي كانت في الغالب أعمالاً في العلوم الحياتية والبيولوجيا) قد تكون ببساطة أصعب على كل الأنظمة المختبرة، وليست عقابية بشكل خاص لـ Fable 5.

لذا فإن الاستنتاج الأكثر أماناً هو أضيق من قول "لا توجد فجوة في القدرات": فلتر السلامة يفسر لماذا لا تعتبر الدرجة الإجمالية لـ Fable 5 قراءة دقيقة لـ Fable 5 وحده، ولكنه لا يثبت أن نسخة غير مقيدة من Fable 5 كانت ستحقق درجة أعلى بشكل ملحوظ من GPT-5.5 في تلك المهام الصعبة تحديداً — فهذا أمر مجهول حقاً، لأن Fable 5 لم يتمكن من تجربتها بنفسه.

كانت مصنفات Anthropic لا تزال نشطة عندما عاد Fable 5 للتوافر العام في 1 يوليو 2026، "مع حدود استخدام وضمانات جديدة"، بعد تعليق دام 19 يوماً بسبب أمر مراقبة صادرات أمريكي تم رفعه لاحقاً — لذا لا يوجد ما يشير إلى أن نفس الديناميكية لن تنطبق اليوم.¹⁰

GPT-5.6 يحقق رقماً قياسياً جديداً — تم الإبلاغ عنه بطريقتين مختلفتين

أصبحت عائلة GPT‑5.6 من OpenAI — Sol (الرائد)، و Terra (المتوازن)، و Luna (الأسرع/الأرخص) — متاحة بشكل عام في 9 يوليو 2026، بعد 13 يوماً من المعاينة المقيدة حكومياً التي حصرت الوصول في مجموعة صغيرة من الشركاء بموجب أمر تنفيذي سيبراني.¹¹¹

على عكس تلك المعاينة، اعتمد هذا الإطلاق على الأرقام، وكان ALE هو الرقم الأبرز: ذكر الإعلان الرسمي لـ OpenAI أن "GPT‑5.6 Sol يحقق رقماً قياسياً جديداً قدره 53.6، متفوقاً على Claude Fable 5 (الاستدلال التكيفي) بفارق 13.1 نقطة"، مع تقلص الفجوة قليلاً إلى 11.4 نقطة عند جهد استدلال متوسط وتكلفة تقديرية أقل بنحو أربع مرات.¹

إليك التفصيل الذي يستحق معرفته قبل اقتباس هذا الرقم في مكان آخر: جدول نتائج OpenAI نفسه، في نفس الصفحة، يدرج درجة Sol في ALE على أنها 52.7 — وليس 53.6.¹ هذان الرقمان غير قابلين للتبديل.

فقط رقم 53.6 هو الذي يتوافق مع فجوة "13.1 نقطة" المذكورة فوق درجة Claude Fable 5 المدرجة في الجدول وهي 40.5 (53.6 − 40.5 = 13.1؛ بينما 52.7 − 40.5 = 12.2، وهو ما لا يتطابق). وقد أكد ملخص أبحاث Berkeley RDI الصادر في 15 يوليو بشكل مستقل رقم 53.6، عازياً إياه تحديداً إلى "Codex المدعوم بـ GPT-5.6 Sol (استدلال XHigh)"، وأضاف مقياساً ثانياً بمقياس مختلف: معدل نجاح كامل بنسبة 30.6% في التقسيم العام الحالي المكون من 152 مهمة (ALE-V1).²

هذا الرقم الخاص بمعدل النجاح الكامل هو الذي يتطابق بشكل مباشر مع أرقام يونيو السابقة (24.0%/22.0%) — وهو يظهر تحركاً حقيقياً، من حوالي 25% كأفضل فئة قبل GPT-5.6 إلى 30.6% بعده.²⁴

الرسم البياني: متوسط درجات Agents' Last Exam (مقياس 0-100) حسب النموذج. المصدر: OpenAI، صفحة إطلاق "GPT-5.6"، جدول المقارنة الرسمي (9 يوليو 2026)، openai.com.

من المرجح أن الرقمين الصادرين عن OpenAI يعودان إلى الإعدادات بدلاً من كونهما خطأً صريحاً — فإدخال "GPT-5.6 Sol" البسيط في الجدول لا يحدد بيئة التشغيل (harness) أو مجهود التفكير (reasoning effort)، بينما رقم 53.6 المذكور في النص هو صراحةً "Codex المدعوم بواسطة GPT-5.6 Sol" عند مستوى تفكير XHigh.

ومن الجدير بالذكر أن نكون دقيقين بشأن اتجاه نتائج ALE هنا: فقد وجدت أبحاث هذا المقياس أن تغيير النموذج الذي يشغل العميل (agent) يؤدي إلى تغيير الدرجات بمقدار ثلاثة أضعاف تقريباً مقارنة بتغيير بيئة التشغيل المحيطة به — أي أن اختيار النموذج أهم من الهيكل التنظيمي (scaffolding)، وليس العكس.⁴

وهذا في الواقع يجادل ضد اعتبار الفجوة من 52.7 إلى 53.6 مجرد تأثير لبيئة التشغيل؛ ففرق 0.9 نقطة بسيط بما يكفي ليكون الفرق في مجهود التفكير، أو ببساطة اختلاف في مسار تقديم التقارير بين الجدول والنص، تفسيراً منطقياً بنفس القدر.

في كلتا الحالتين، هذا تذكير مفيد بأن صفحة الإطلاق الخاصة بالشركة نفسها يمكن أن تحمل رقمين مختلفين لنفس النتيجة المزعومة، وأن "درجة مقياس عملاء الذكاء الاصطناعي" نادراً ما تكون مجرد رقم واحد.

وللمقارنة، في نفس جدول المقارنة الرسمي، حقق Claude Fable 5 في الواقع نسبة تنافسية بلغت 83.1% في Terminal-Bench 2.1، مقابل 88.8% لـ Sol (و 91.9% في وضع "Ultra" متعدد العملاء) — مما يؤكد مدى اختلاف تصنيف ALE لنفس النماذج مقارنة بمقياس مبني حول مهام أقصر وأكثر تركيزاً على الكود.

هذا هو نفس الدرس الذي نبهت إليه نيرد ليفل تك عندما أُفيد بأن GPT-5.4 تفوق على البشر في استخدام الكمبيوتر: درجة مقياس واحدة في العناوين الرئيسية نادراً ما تحكي القصة الكاملة لما يمكن للعميل فعله حقاً.¹

ماذا يعني هذا إذا كنت تقوم بالبناء أو الشراء

تعامل مع أي رقم منفرد من ALE — سواء كان 53.6، أو 52.7، أو 30.6%، أو غير ذلك — كحد أدنى من المعقولية، وليس كقرار شراء. إليك بعض الاستنتاجات العملية بناءً على كيفية عمل هذا المقياس في الواقع:

• تحقق من المقياس الذي تقرأه. "متوسط الدرجة" (0-100، نقاط جزئية) و"معدل النجاح الكامل" (% من المهام التي تم حلها بالكامل) هما مقياسان مختلفان يقيسان أشياء مختلفة، والموردون لا يوضحون دائماً أيهما يقتبسون.
• اسأل عن بيئة التشغيل التي أنتجت الرقم. يمكن لـ "GPT-5.6 Sol" و "Codex الذي يشغل GPT-5.6 Sol عند تفكير XHigh" أن يحققا درجات مختلفة بشكل ملموس في نفس المقياس. الهيكل التنظيمي حول النموذج ليس مجرد ملاحظة هامشية.
• ضع في اعتبارك أنظمة التراجع القائمة على السلامة في أي مقارنة مع Claude Fable 5. الدرجة المركبة التي تدمج نموذجاً مع نظام تراجع أضعف ليست هي نفسها قياس القدرات الصافي — وهذا لا يتم الكشف عنه افتراضياً في معظم ملخصات المقاييس الثانوية.
• اعتمد على فئة "المدى القريب" (Near-Term) أكثر من الفئة الأصعب للتخطيط القريب. تظهر المهام العامة الأسهل في ALE بالفعل كفاءة جزئية حقيقية؛ أما الفئة الأصعب فهي أقرب إلى علامة فارقة في الأبحاث منها إلى إشارة صالحة للنشر الفعلي.⁴

• اختبر على سير عملك الخاص قبل تغيير النماذج. المقياس المبني من مشاريع حقيقية لـ 300 محترف هو بديل أفضل بكثير لسؤال "هل سيحل هذا جزءاً من الوظيفة" من معظم مقاييس العملاء — ولكنه لا يزال ليس وظيفتك، ولا بياناتك، ولا أدواتك.

الخلاصة

تعد درجة GPT-5.6 Sol في Agents' Last Exam رقماً قياسياً حقيقياً، و OpenAI محقة في أن إكمال المهام طويلة المدى — وليس درجة التفكير الثابتة — هو المكان الذي تنجح أو تفشل فيه منتجات العملاء فعلياً في بيئة الإنتاج.

لكن هذا الرقم القياسي نفسه يأتي مع علامة استفهام في صفحة إطلاق OpenAI (52.7 مقابل 53.6)، والنموذج الذي تتم مقارنته به يحمل علامة أكبر: فأداء Claude Fable 5 في هذا المقياس تحديداً لا ينفصل عن مصنفات السلامة الخاصة بـ Anthropic، والتي قامت بهدوء بتحويل حوالي ثلث عبء العمل إلى نموذج أضعف.

لا يجعل أي من ذلك نتيجة GPT-5.6 Sol أقل واقعية. لكنه يعني أن أحد أصعب اختبارات قياس أداء وكلاء الذكاء الاصطناعي حتى الآن لا يزال يخبرنا في الغالب بمدى المسافة المتبقية للوصول — معدل نجاح كامل بنسبة 30.6% في أعمال مهنية حقيقية، وليس احتمالاً بنسبة 30.6% بأن المهمة قد أُنجزت.