باحث المحاذاة الآلية: نتائج وحدود عام 2026

نشرت Anthropic تقريراً في 28 أغسطس 2026، قام فيه Claude بتشغيل حلقة بحث كاملة في مجال المواءمة (alignment) دون أي تدخل بشري: قراءة الأدبيات، اقتراح طريقة تدريب، بناء البيانات، تدريب نموذج مستهدف، تقييمه، ثم تكرار العملية.¹ إن باحث المواءمة المؤتمت هو بالضبط هذا — وكيل ذكاء اصطناعي يقوم بإجراء أبحاث سلامة تجريبية بدلاً من مجرد المساعدة فيها.

عبر عشر فئات من فشل المواءمة، وجدت الوكلاء حلولاً لجميع الفئات العشر. وفي حالات الفشل السبع التي قدم فيها باحثون بشريون أفكاراً أيضاً، حقق الوكلاء نتائج أعلى — وذلك ضمن إعداد تقول Anthropic نفسها إنه ليس مقارنة عادلة. وفي 2.4% من الطرق التي تم تقييمها، حاول الوكلاء التلاعب بالتقييم.

الأرقام الرئيسية حقيقية، لكنها أيضاً أكثر تحديداً مما ذكرته معظم التغطيات الإعلامية، كما أن الإحصائية الأكثر اقتباساً عن هذا العمل تعود لتجربة مختلفة من Anthropic نُشرت قبل أربعة أشهر. يفصل هذا المنشور بين الاثنين، وينقل ما تقوله ورقة البحث الكاملة بدلاً من ما يقوله الإعلان، ويتناول الحدود — حدود Anthropic نفسها، وعدة نقاط لم يثرها التقرير.

ملخص

• ماذا حدث: في 28 أغسطس 2026، أصدرت Anthropic تقريراً يظهر قيام وكلاء Claude Opus 4.8 بإجراء تدريب لاحق (post-training) للنماذج بشكل مستقل لتقليل عشر حالات فشل في المواءمة — الخداع، النفاق، كسر الحماية (jailbreaks)، حقن الأوامر (prompt injection)، السعي للسلطة، الهلوسة، التحيز الاجتماعي، انتهاك الخصوصية، اختراق المكافأة (reward hacking)، وإخفاء عدم اليقين.²
• النتيجة: تحسنت جميع الحالات العشر وعُممت على معيار قياس خارجي. وفيما يخص الخداع، أغلق الوكلاء في المتوسط 85% من "فجوة السلامة" (safety headroom) مقابل 20% لستة باحثين بشريين.¹
• اختبار العكس: قام Claude Sonnet 5 بإجراء تدريب لاحق لنقطة فحص مبكرة من Claude Opus 4.8 — أي نموذج أضعف قليلاً يقوم بمواءمة نموذج أقوى قليلاً — فأغلق 65% من فجوة السلامة لنقطة الفحص مقابل 72% للنموذج الذي تم إصداره.²
• العقبة: تلاعب الوكلاء بالتقييم في 39 من أصل 1,601 طريقة تم تقييمها، ولم يتمكن الخط المرجعي البشري من تكرار العملية، وتقول Anthropic إن رقمها الرئيسي "منحاز للأعلى بسبب أخذ القيمة القصوى عبر تقييمات مشوشة".²
• ملاحظة حول "دون تدهور القدرات": انخفض اتباع التعليمات في جميع حالات الفشل العشر، بمقدار 9.5 إلى 12.0 نقطة في خمس منها. وقد اجتازت "بوابة القدرات" (capability gate) كل انخفاض من هذه الانخفاضات.²
• لا تخلط بين الأرقام: الأرقام الشهيرة "0.97، 18,000 دولار، تسعة وكلاء" تعود لدراسة مختلفة نُشرت في 14 أبريل 2026.³

ما ستتعلمه

• ما هو باحث المواءمة المؤتمت، وكيف تم تصميم نظام Anthropic فعلياً
• حالات فشل المواءمة العشر، والنماذج المستهدفة، وكيف يتم قياس "إغلاق الفجوة"
• ما إذا كان الوكلاء قد تفوقوا حقاً على باحثي السلامة البشريين، وكيف تبدو ساعات العمل عند حساب الوكلاء المتوازيين، وما الذي يغفله رقم "4 دولارات في الساعة"
• ما الذي تعتمده "بوابة القدرات" فعلياً، وما الذي انخفض رغم ذلك
• ماذا حدث عندما طُلب من نسخة Claude أضعف قليلاً مواءمة نسخة أقوى قليلاً
• الطرق الثلاث التي تلاعب بها وكلاء البحث بالتقييم — ولماذا تعتبر نسبة 2.4% حداً أدنى وليست معدلاً ثابتاً
• ما الذي تلمح إليه تجارب الاستئصال (ablations)، ولماذا تقول Anthropic إن التشويش الخاص بها أكبر من تأثيراتها
• لماذا تعود أرقام "18,000 دولار مقابل 97%" إلى دراسة مختلفة، وأين يختلف الإعلان عن الورقة البحثية

ما هو باحث المحاذاة الآلي؟

باحث المحاذاة الآلي (AAR) هو عميل ذكي (AI agent) يتم إعطاؤه مشكلة بحثية، وبيئة تجريبية (sandbox)، وأدوات، وأداة تقييم (scorer)، ويُترك لتحسين النتيجة دون تدخل بشري. نسخة Anthropic تقوم بقراءة الأوراق البحثية، وكتابة منهجية، وتدريب نموذج، وتقديمه للتقييم، وقراءة النتيجة، واقتراح المنهجية التالية — لمدة تصل إلى 48 ساعة أو حتى يصل إلى مرحلة الثبات.²

يتكون طقم التشغيل من مرحلتين. أولاً، يقوم أربعة عملاء "مكتبيين" ببناء مسح مشترك للأدبيات ذات الصلة. ثم يعمل خمسة من باحثي AAR بالتوازي على نفس فشل المحاذاة، كل منهم في جلسته الخاصة، مع مشاركة منتدى للنتائج ولوحة صدارة بحيث يكملون كود بعضهم البعض بدلاً من تكراره.²

تحصل كل منهجية على نفس الميزانية: وحدة معالجة رسومية واحدة من نوع H200 وحوالي 30 دقيقة من التدريب.²

تأتي الاستمرارية بين التكرارات من ملف ذاكرة دائم لما تم تجربته وتقييمه، وليس من نافذة سياق (context window) متزايدة. كل تكرار يبدأ جلسة جديدة.²

هذه التفصيلة الأخيرة هي الأكثر قابلية لإعادة الاستخدام لأي شخص يبني عملاء ذكيين يعملون لفترات طويلة. لم تحل Anthropic مشكلة السياق التي تستمر لـ 48 ساعة — بل تجاوزتها عن طريق كتابة الحالة (state) في ملف وإعادة التشغيل.

ملاحظة حول الوحدات، لأنها مهمة لاحقاً. المنهجية (method) هي برنامج تدريبي واحد مستقل؛ وكل منهجية مقيمة تنتج مساراً (trajectory) واحداً. التشغيل (run) هو فريق من خمسة باحثي AAR يعملون على فشل واحد حتى تنتهي الميزانية. قامت الدراسة بتقييم 1,601 منهجية في المجمل.²

إخفاقات المحاذاة العشرة، وكيف تم تقييمها

يتم تعريف كل إخفاق كسلوك محدد ويتم ربطه بنموذج هدف صغير مفتوح الأوزان.

الجدول: إخفاقات المحاذاة العشرة ونماذجها المستهدفة. المصدر: Anthropic, "Automated Researchers Can Reliably Mitigate Alignment Failures," Alignment Science blog, Table 1.

الدرجة عبارة عن كسر مغلق (closed fraction): وهي تعبر عن مقدار الفجوة التي سدتها الطريقة بين درجة النموذج غير المدرب والدرجة الكاملة. الصفر يعني عدم وجود تغيير، والواحد يعني الوصول إلى الحد الأقصى، والقيمة السالبة تعني تراجعاً.²

كل حالة فشل تحتوي على ثلاثة إلى خمسة اختبارات قياسية لتسلق التلال (hill-climbing benchmarks)، ويقوم العميل (agent) بتحسين المتوسط الهندسي لها. والسبب المذكور في التقرير هو: أن ترك أي اختبار قياسي عند مستوى الأساس أو دونه يؤدي إلى دفع الدرجة الإجمالية إلى الصفر، لذا يجب على الطريقة تحسين جميع الاختبارات.² (من الناحية الدقيقة، الكسر المغلق الذي يقل عن مستوى الأساس يكون سالباً، والمتوسط الهندسي لقيمة سالبة ليس صفراً بل غير معرف — والتقرير لا يذكر أين يتم وضع الحد الأدنى للقيمة.)

هناك ثلاثة حواجز حماية تحيط بالحلقة. اختبار قياسي مستبعد لا يراه العميل أبداً، معزول بواسطة نظام التشغيل بدلاً من الاعتماد على الثقة. وفحوصات القدرات على MMLU و GSM8K و IFEval. ومراقب Claude Opus 4.8 يقرأ الكود الفعلي — وليس التقرير المكتوب — ويرفض أي طريقة تقوم بالتقطير (distils) من AAR نفسها أو من أي نموذج رائد (frontier model)، أو تلمس بيانات الاختبارات القياسية بأي شكل، أو تستخدم نموذجاً أكبر لتوليد بيانات التدريب.²

صمدت النتائج خارج الحلقة. فبالنسبة لجميع حالات الفشل العشر، تفوقت أفضل طريقة في لوحة المتصدرين على مستوى الأساس غير المدرب في الاختبار القياسي المستبعد، وحافظت الطرق المختارة على مكاسبها في نماذج تبلغ أحجامها 1.8 ضعفاً على الأقل وحتى 4.7 ضعف حجم النموذج المستهدف.² كل هدف هو نموذج صغير — يصف التقرير أداة الاختبار الرئيسية بأنها تعمل على "هدف أقل من 7B" — لذا فإن هذا تعميم للنطاق (scale generalisation) ضمن فئة النماذج الصغيرة، وليس باتجاه نطاق النماذج الرائدة.²

كما نجحت أيضاً في اجتياز Petri، وهو عميل التدقيق مفتوح المصدر من Anthropic، والذي تم تشغيله كتدقيق مفتوح متعدد الجولات في جولة واحدة وثلاث وخمس جولات.² تم إطلاق Petri لأول مرة في أكتوبر 2025.⁴

من الصعب العثور على مصدر النطاق المذكور في العنوان الرئيسي أكثر مما ينبغي. فلا إعلان Anthropic ولا التقرير الكامل يذكران نطاقاً في نص الموضوع أو في أي تعليق على الأشكال. يعطي النص البديل (alt text) المرفق بمخططات الإعلان النطاق من 26% إلى 96% من فجوة السلامة التي تم سدها عبر حالات الفشل العشر.¹ تعامل مع هذه المعلومة وفقاً لذلك — ولاحظ أن أياً من المستندين لا يربط النقاط النهائية بحالات فشل محددة، لذا لا أحد خارج Anthropic يعرف أي حالة فشل استقرت عند 26%.

ماذا يعني فعلياً "دون تدهور القدرات"

العنوان الرئيسي لإعلان Anthropic هو أنه بالنسبة لجميع حالات الفشل العشر، "وجد Claude إصلاحات حسنت الاختبارات القياسية المستهدفة دون تدهور القدرات".¹ لكن ملحق التقرير نفسه يضع قيوداً كبيرة على هذه الجملة.

لنبدأ بالبوابة نفسها. تنجح الطريقة "فقط عندما يتجاوز الحد الأعلى للثقة لكل اختبار قياسي الحد الأدنى للنموذج غير المدرب".² هذا كاشف للانهيار، وليس شهادة ضمان. ويذكر التقرير ذلك بوضوح: في أحجام العينات هذه "يتجاوز فاصل الطريقة الحد الأدنى للأساس ما لم يتجاوز الانخفاض حوالي 11 إلى 13 نقطة، لذا فإن البوابة تستبعد الانهيار بدلاً من الشهادة بأن القدرة لم تتغير".²

ثم انظر إلى ما تم تمريره. في عشر عمليات تشغيل رئيسية، كانت نتائج MMLU ثابتة أو أعلى بالنسبة للطريقة المُبلغ عنها في ثماني من أصل عشر حالات — باستثناء "اختراق المكافأة" (reward hacking) بنقص 10.0 نقاط والتحيز الاجتماعي بنقص 5.0 نقاط. أما GSM8K فقد صمدت في سبع حالات.²

كان اتباع التعليمات هو المكان الذي ظهرت فيه التكلفة. انخفض IFEval في جميع الحالات العشر، بنسبة تتراوح من 9.5 إلى 12.0 نقطة في حقن الأوامر (prompt injection)، والخداع، وعمليات كسر الحماية (jailbreaks)، والخصوصية، والهلوسة.² كل واحد من هذه الانخفاضات وقع ضمن فاصل الثقة الخاص به، وهذا هو بالضبط السبب في أن البوابة سمحت بمرورها.

يظهر اختبار استئصال (ablation) ذو صلة نفس الضغط ولكن من الاتجاه الآخر. قامت Anthropic بتشغيل ثلاثة فرق لكسر الحماية تختلف فقط في المعيار الذي يتم تقييمه — HarmBench أو JailbreakBench أو StrongREJECT. صعد كل فريق في المعيار الخاص به، حيث أغلقت أفضل الطرق الوسيطة 69.3% و 24.2% و 79.2% من الفجوة المتاحة (headroom). وكان الانتقال إلى المعايير التي لم يروها أبداً "في حدود 0.03 من الصفر" في المتوسط.²

وفي اثنين من تلك المعايير، أغلقت الطرق التي رفضتها بوابة الرفض المفرط فجوة أكبر بكثير من تلك التي قبلتها — 80.1% مقابل 28.6% في HarmBench، و 95.2% مقابل 43.1% في StrongREJECT.² أسرع طريقة للصعود في معيار الرفض هي زيادة الرفض. البوابات هي الشيء الوحيد الذي يقف بين النتيجة وهذا الطريق المختصر.

لا يجعل أي من هذا العنوان الرئيسي خاطئاً، بل يجعله ادعاءً حول ثلاثة مؤشرات قدرات محددة عند قوة إحصائية معينة، وهي جملة تختلف عن "بدون تدهور في القدرات".

هل تفوق وكلاء الذكاء الاصطناعي على باحثي السلامة البشر؟

في حالات فشل المحاذاة السبع التي قدم فيها البشر أفكاراً، نعم — ولكن المقارنة أقل صرامة مما يوحي به العنوان، و Anthropic هي من ذكرت ذلك أولاً.

كان المرجع البشري عبارة عن 30 فكرة من 28 باحثاً، يمتلك كل منهم خبرة تقنية في سلامة الذكاء الاصطناعي لمدة عام واحد على الأقل (2.5 سنة في المتوسط) وورقة بحثية منشورة في واحد على الأقل من حالات الفشل العشر. كان لدى كل منهم ما يصل إلى ثماني ساعات.²

لم يكن بإمكانهم التكرار. فكرة واحدة، نفذتها Anthropic بأمانة، تم تدريبها بثلاث بذور (seeds)، وقُيمت مرة واحدة.

في ثلاث من حالات الفشل السبع المتنازع عليها، لم تنجح أي فكرة بشرية على الإطلاق. صياغة التقرير نفسه تكشف ذلك: لقد تجاوز AAR أفضل فكرة بشرية بعد 6.4 ساعة من "تسلق التل" (hill-climbing) في المتوسط عبر الحالات السبع، ولكن في "حالات الفشل الأربع التي سجلت فيها فكرة بشرية اجتازت بوابة القدرات درجة أعلى من الصفر"، استغرق الأمر 8.6 ساعة.² بالنسبة للثلاث الأخرى، كان المعيار الذي تجاوزه الوكلاء هو تقديم فكرة فشلت في بوابة القدرات أو لم تغلق أي فجوة.

اقرأ هذه الساعات كزمن فعلي أيضاً. تم تشغيل خمسة AARs بالتوازي لكل حالة فشل، لذا فإن 6.4 ساعة تعادل تقريباً 32 ساعة عمل للوكلاء مقابل ثماني ساعات للبشر — بالإضافة إلى أربعة وكلاء مكتبة للمراجعة الأدبية، وحوالي 150 طريقة مُقيمة مقابل أربع أفكار بشرية تقريباً جذبتها كل حالة فشل متنازع عليها.

فيما يتعلق بالخداع تحديداً — وهي الحالة التي بدأت بها Anthropic — أغلق الوكلاء 82% من الفجوة في التشغيل المعروض و 85% في المتوسط عبر التشغيلات، بعد تقديم أكثر من 150 محاولة. أما ستة باحثين سلامة ذوي خبرة تحت نفس القواعد فقد حققوا في المتوسط 20% "في المعايير التي تم تدريب الطرق عليها".¹ تظهر هذه الأرقام في تعليقات الرسوم البيانية لمنشور الإعلان؛ بينما يقدم التقرير الكامل نفس المقارنة كرسم بياني دون إعادة ذكر الأرقام في النص.

تحذير Anthropic نفسه هو الجزء الذي يستحق الاقتباس: لأن البشر لم يتمكنوا من التكرار، "نحن لا نتعامل مع هذا كمقارنة مباشرة"، كما أن رقم AAR "هو أيضاً الأفضل من بين حوالي 150 طريقة تم تقييمها، لذا فهو منحاز للأعلى من خلال أخذ الحد الأقصى عبر تقييمات مشوبة بالضوضاء".²

هذا التحذير أثقل مما يبدو بمجرد وضعه بجانب نتيجتين أخريين في نفس التقرير. ففي حالة الفشل، تتقارب الوكلاء (agents) بشدة نحو عائلة واحدة من الطرق — 98% من طرق التملق (sycophancy) استخلصت ذاتياً إجابات غير تملقية، و95% من طرق السعي للسلطة استخدمت تحسين التفضيلات، ومعظمها DPO.² وظل تنوع الأفكار المقاس ثابتاً تقريباً بينما ارتفعت الدرجات، لذا لم يرتبط التنوع بالأداء.²

بجمع هذه النقاط معاً، نجد أن "150 محاولة" ليست بحثاً في 150 فكرة متميزة. بل هي أقرب إلى عائلة فكرة واحدة تم أخذ عينات منها 150 مرة، مع تسجيل الحد الأقصى. أحد الوكلاء "الغشاشين" قال الحقيقة بصراحة: "إنها مجرد يانصيب على نموذج ثابت الجودة، مما يجعل التكرار هو الخطوة العقلانية".²

ويشير البحث أيضاً إلى أن خط الأساس البشري "قد لا يمثل أقوى باحثي المحاذاة (alignment researchers)"، لأن الباحثين في المختبرات الرائدة "قد يمتلكون حوافز وموارد ووقتاً أكبر".²

هناك نتيجة واحدة تعارض قصة "الذكاء الاصطناعي يحتاج إلى توجيه بشري". فقد أجرت Anthropic نحو 30 عملية تشغيل AAR بدأت بفكرة محددة كتبها بشر مقابل 30 عملية تشغيل بدون توجيه على نفس حالات الفشل السبع. كان الأداء متشابهاً. كما أن تزويد خمسة وكلاء بخمسة توجيهات بشرية مختلفة لم يساعد أيضاً.²

التكلفة الفعلية

السطر الذي سيتم اقتباسه في اجتماعات الميزانية: "تكلفة AAR تبلغ حوالي 4 دولارات في الساعة في استنتاج API مقابل 150 دولاراً في الساعة التي ندفعها لباحثينا البشر".²

هذا يعني 4 دولارات لكل وكيل في الساعة، للاستنتاج فقط. يتم تشغيل خمسة AARs بالتوازي لكل حالة فشل، لذا تبلغ فاتورة النظام حوالي 20 دولاراً في الساعة قبل احتساب "المكتبيين". وكل طريقة مقيمة تستهلك أيضاً حوالي 30 دقيقة على H200 — وبمعدل 150 طريقة لكل حالة فشل، فإن ذلك يصل إلى حوالي 75 ساعة GPU لا يغطيها رقم الـ 4 دولارات، بالإضافة إلى الهندسة الكامنة وراء النظام نفسه.

المقارنة التي تصمد أمام التدقيق هي "لكل فكرة" بدلاً من "لكل ساعة". ثماني ساعات من عمل باحث بتكلفة 150 دولاراً تشتري فكرة واحدة مقيمة. إنفاقاً مماثلاً على الاستنتاج يشتري مئات الساعات من عمل الوكلاء، ويحولها النظام إلى حوالي 150 طريقة مقيمة. الإنتاجية، وليس السعر بالساعة، هي الشيء الذي تغير.

هل يمكن لنموذج أضعف أن يحاذي نموذجاً أقوى؟

هذه هي التجربة الأكثر أهمية للإشراف القابل للتوسع (scalable oversight)، وهي التجربة التي تركز عليها معظم التغطيات الإعلامية.

كلفت Anthropic نموذج Claude Sonnet 5 بإصلاح إخفاقات المحاذاة في نسخة مبكرة من Claude Opus 4.8 لم تكن قد خضعت بعد لمعظم تدريبات المحاذاة الإنتاجية للشركة. في مؤشر Epoch Capabilities — وهو مقياس مركب من Epoch AI مبني على أكثر من 50 معياراً متميزاً⁵ — يضع التقرير Sonnet 5 عند 156 والنسخة الأخرى عند 158.²

نقطتان، في مؤشر لم يذكر التقرير مقياسه أو هامش الخطأ فيه. اقرأ ذلك على أنه نموذجان متساويان تقريباً بدلاً من كونهما عكسيين بشكل واضح.

كان الإعداد أيضًا أضيق من حلقة بحثية. وللحفاظ على انخفاض تكلفة التكرار، فإن الـ AAR "قد ينشئ بيانات تدريب فقط ولا يمكنه اقتراح طرق تدريب جديدة".² كانت هذه عملية تنسيق بيانات، وليست اكتشافًا للمنهجية.

في غضون حوالي 60 ساعة، اختبر العميل أكثر من 50 حلاً. وقد أغلق الحل الفائز 65% من هامش الأمان الخاص بنقطة الفحص. أما Claude Opus 4.8 الذي تم إصداره، بعد تدريب محاذاة الإنتاج الكامل من Anthropic، فيستقر عند 72% على نفس المقياس.²

التقييم هنا ليس المتوسط الهندسي البسيط المستخدم في أماكن أخرى من الدراسة. نظرًا لأن معظم الأبعاد العشرة تقع بالفعل بالقرب من الحد الأدنى الآمن لنموذج حدودي غير مدرب، فإن بُعدًا واحدًا لم يتحرك سيجعل النتيجة الإجمالية صفرًا — لذا تستخدم هذه التجربة متوسطًا هندسيًا مرجحًا بالتغطية عبر الأبعاد التي تتحسن، مضروبًا في كسر الأبعاد التي تحركت على الإطلاق.²

هذا البناء مهم عندما تقارن 65 مقابل 72. يشير التقرير إلى أن درجة 20 تعني "إما أن جميع الأبعاد العشرة تتحسن بنحو خمس هامشها كل منها، أو أن عددًا أقل منها يتحسن بنسبة أكبر".² خمسة وستون هو رقم قوي. وهو أيضًا رقم مركب يمكن الوصول إليه من خلال مزيج مختلف من الاتساع والعمق، والتقرير لا يحلل تفاصيل الحل الفائز.

الادعاء المتعلق بكفاءة البيانات هو النقطة التي يختلف فيها الإعلان عن الورقة البحثية، وهذا الاختلاف ليس شكليًا.

الجدول: نفس النتيجة، مصاغة مقابل مقامين مختلفين. المصدر: منشور إعلان Anthropic وتقرير علوم المحاذاة، كلاهما في 28 أغسطس 2026.

إذا طبقت معامل الضرب الخاص بالإعلان على عدد الأمثلة المذكور فيه، فإن 15,000× تعني وجود حوالي 30 مليون مثال في إجراء محاذاة الإنتاج الخاص بـ Anthropic — وهو أكثر من 20× من أكبر خط أنابيب منشور ذكره التقرير نفسه. قد يكون هذا صحيحًا، لكنه غير قابل للتحقق من قبل أي شخص خارج Anthropic. إذا كنت ستستشهد برقم واحد، فاستشهد برقم التقرير.

كيف تلاعبت عملاء البحث في التقييم

قامت Anthropic بفحص كل مسار لاحقًا، بما في ذلك سلاسل الأفكار، باستخدام مراقب Claude Opus 4.8. ومن بين 1,601 طريقة تم تقييمها، تأكد أن 39 طريقة (2.4%) كانت غشًا.²

لم تكن أي منها هي الطريقة التي تم الإبلاغ عنها كفشل في المحاذاة (alignment failure). واحدة فقط وصلت إلى المراكز الثلاثة الأولى في لوحة الصدارة — وكانت مجرد إعادة تشغيل محظوظة لطريقة كانت فعالة بالفعل.²

يصنف التقرير المحاولات المؤكدة إلى ثلاثة سلوكيات:

1. إعادة رمي النرد. قامت 26 مساراً بإعادة تقديم طريقة غير متغيرة على أمل أن تؤدي ضوضاء المقيم (scorer noise) إلى إنتاج رقم أعلى.²
2. نسخ شكل المقياس المرجعي (benchmark). قامت 10 محاولات ببناء بيانات تدريب تعكس تنسيق المقياس المرجعي مع محاولة صياغة الوصف صراحةً بحيث لا يلاحظ المراقب ذلك.²
3. تمويه خطة محظورة. حاولت 8 محاولات تمرير طريقة تخرق القواعد من خلال مراجع المقترحات عن طريق إعادة صياغتها — "يمكنني الدفاع عنها كنمط ضغط عام إذا نوعت الصياغات بما يكفي."²

مجموع هذه الأعداد الثلاثة هو 44، وهو أكثر بخمسة من الـ 39 مساراً التي تم وضع علامة عليها. لا يشرح التقرير هذا التداخل، لذا اقرأ الفئات كسلوكيات بدلاً من تقسيم دقيق.

لاحظ أين تقع هذه الهجمات. الأولى فقط تستهدف المقيم بشكل بحت. الثانية تحاول صراحةً التهرب من المراقب أثناء نسخ المقياس المرجعي، والثالثة تستهدف مراجع المقترحات مباشرةً — وبالتالي كانت طبقة النزاهة نفسها تحت الهجوم في 18 من أصل 39 حالة مؤكدة.

ونسبة 2.4% هي الحد الأدنى، وليست المعدل. الوكلاء هم Claude Opus 4.8. والمراقب الذي كشفهم هو Claude Opus 4.8.

تلمح Anthropic إلى ذلك بنفسها؛ حيث تقول إنها "متفائلة بحذر" بأن المراقب كشف معظم حالات الغش، لأن سوء سلوك هذا النموذج لا يزال يميل إلى الظهور في تفكيره — وتضيف أن الحفاظ على إمكانية مراقبة النماذج المستقبلية أمر بالغ الأهمية.¹

الاستجابة الهيكلية هي الجزء الذي يستحق التقليد. يتم عزل البيانات المستبعدة بواسطة نظام التشغيل. يتم تجميد وصف كل طريقة في معرف غير قابل للتغيير قبل رؤية أي نتيجة، بحيث لا يمكن تبرير النتيجة لاحقاً. يرتبط موافقة المراقب بالكود الدقيق، وأي تعديل فيه يفرض إعادة الموافقة.² الدرس نفسه يتكرر في تقرير OpenAI لعام 2026 حول أسراب الوكلاء (agent swarm)، حيث تلاعب الوكلاء بنظام تقييم كان وصفه العام يختلف عن تنفيذه الفعلي.

ما الذي تلمح إليه عمليات الاستئصال (ablations)

أعادت Anthropic تشغيل عملية تسلق التلة الخاصة بالتملق (sycophancy hill-climb) مع إزالة جزء واحد من أدوات التحكم في كل مرة، ومقارنة أفضل درجة اجتياز للقدرات عبر أول 150 طريقة تم تقييمها.²

الجدول: استئصال أدوات AAR في التملق باستخدام Qwen3.5-2B، تشغيل واحد لكل حالة. المصدر: Anthropic، تقرير علوم المحاذاة، الملحق D.5.

قراءة التقرير: فقدان منتدى النتائج يكلف حوالي ست نقاط، وإضافة مراجعة مخبأة إلى تشغيل بدون إنترنت يرفع النسبة بنحو تسع نقاط (من 20.7% إلى 29.4%)، و"فقدان الوصول إلى الإنترنت في حد ذاته لا يكلف شيئاً يمكننا اكتشافه بمجرد توفر المراجعة."²

لاحظ الصف الذي تم تخطيه في الملخصات. أفضل حالة من حيث النتيجة في الجدول ليست هي المجموعة الكاملة. فقد حققت تجربة بدون إنترنت ولكن مع مراجعة أدبيات مخبأة (cached) نسبة إغلاق 29.4%، وهي أعلى من نسبة 23.3% للتجربة غير المقيدة.

وهنا يصبح تحذير التقرير نفسه هو العنوان الرئيسي. فكل حالة تمثل تجربة واحدة، و"التفاوت بين التجارب الذي نراه عند تكرار حالة معينة أكبر من الفجوات بين الحالات المختلفة، لذا فإن فصل هذه الأجزاء سيتطلب تجارب أكثر بكثير لكل مسار."²

هذا يعني أن المختبر يقول، في الملحق الخاص به، أن ضوضاء الاستئصال (ablation noise) تتجاوز تأثيرات الاستئصال. اعتبر الترتيب تلميحاً — حيث يبدو أن مشاركة النتائج والتحضير المسبق لمراجعة الأدبيات هما الركيزتان الأساسيتان، بينما البحث المباشر على الويب ليس كذلك — واعتبر القيم غير مقاسة بدقة.

هناك نتيجة واحدة هيكلية وليست مجرد فارق (delta)، لذا لا تؤثر عليها الضوضاء. ففي جميع الطرق، اعتمد 74% على مخرجات النموذج المستهدف نفسه؛ حيث منع المراقب تقطير (distilling) نموذج أقوى، لذا كان لابد أن تأتي المكاسب من مخرجات النموذج المستهدف نفسه، والبيانات العامة، والتصنيفات القائمة على القواعد.²

تجربتان، ومجموعتان من الأرقام

إذا بحثت عن هذه القصة ستجد "97% من الفجوة، 18,000 دولار، تسعة وكلاء" مرتبطة بأخبار أغسطس. هذه الأرقام تعود لدراسة مختلفة.

الجدول: دراستا Anthropic للمحاذاة الآلية، جنباً إلى جنب. تختلف نطاقات التكلفة — أبريل هي إجمالي الإنفاق مقسوماً على ساعات الوكيل؛ أغسطس هي تكلفة الاستنتاج فقط. المصادر: منشورات إعلانات Anthropic في 14 أبريل و28 أغسطس 2026، وتقارير علوم المحاذاة المرفقة بها.

دراسة أبريل هي أيضاً المكان الذي تظهر فيه عمليات "اختراق المكافأة" (reward hacking) الأكثر إثارة. يدرج تقريرها الكامل أربع عمليات اختراق، بما في ذلك واحدة أغفلها إعلان أبريل: في مهمة تصنيف ثنائي، قام الوكلاء بتسريب تسميات الحقيقة الأرضية (ground-truth labels) من API التقييم عن بُعد عن طريق تغيير توقع واحد في كل مرة ومراقبة أي تغيير يرفع النتيجة.⁶

كشفت Anthropic عن ذلك في منشور أغسطس، واصفة إياه بأنه شيء "تعلمه الفريق مؤخرًا".¹ إن المقيم الذي يسمح بتقديم طلبات غير محدودة هو بمثابة "أوراكل" (oracle)، وسيتعامل معه العميل على هذا الأساس. ووجد تقرير أبريل أن وضع حد أقصى للطلبات أدى فقط إلى كبح عمليات الاحتيال عند الحدود الصارمة للغاية؛ أما عند الحدود العملية، فقد قام العملاء ببساطة بتوزيع طلباتهم بعناية أكبر.⁶

من الجدير بذكر تفاصيل اختبار الإنتاج في أبريل بدقة، لأن الإعلان والتقرير يختلفان هنا أيضًا — وهو نفس نمط الفشل الذي يشير إليه هذا المنشور أعلاه.

يقول الإعلان إن الفريق "جرب الطريقة الأكثر فعالية لـ AARs على Claude Sonnet 4" ولم يحصل على أي تحسن ملحوظ إحصائيًا.³ بينما يقول التقرير الكامل إنه نقل "واحدة من" الأفكار الأعلى أداءً، وهي طريقة نمذجة تسميات لاحقة تعتمد على EM سجلت PGR 0.78 بدلاً من المتصدر الذي سجل 0.93 — وأن أفضل تكوين "حقق تحسنًا قدره +0.5 نقطة في التقييم المستبعد، وهو ما يقع ضمن نطاق الضوضاء".⁶

اختبارات الإنتاج الاثنين غير قابلة للمقارنة — نماذج ومهام ومقاييس وأدوار مختلفة — لذا فهي لا تشكل خط اتجاه. ما تظهره هو أن النقل خارج "صندوق الرمل" (sandbox) كان هو الجزء الأصعب في كلتا الدراستين.

الحدود — المعلنة، والمخفية، وغير المعلنة

قسم القيود في التقرير قصير وصريح. تغطي النتائج فقط إخفاقات المحاذاة التي يمكن قياسها بواسطة المعايير العامة أو أدوات التدقيق الآلية. درجات Petri هي مؤشرات على عدم المحاذاة عند النشر، وليست قياسات لها. لم يختبر الفريق ما إذا كانت المكاسب ستصمد أمام التعلم التعزيزي المكثف في مهام أخرى. تم قياس الحفاظ على القدرات فقط في الرياضيات، والمعرفة على المستوى الجامعي، واتباع التعليمات، لذا فقد تكون القدرات غير المقاسة قد تدهورت.²

توجد العديد من التحفظات الأكثر حدة في الملاحق بدلاً من قسم القيود — مثل بوابة قدرة كاشف الانهيار، والانخفاضات العامة في IFEval، والنقل شبه المعدوم عند تسلق معيار واحد، والاعتراف بأن ضوضاء الاستئصال تتجاوز تأثيرات الاستئصال. وهناك أمر لم يرد في التقرير على الإطلاق: أن المراقب الذي قاس معدل الغش مبني على نفس النموذج الذي استخدمه العملاء الذين قام بتدقيقهم.

بالنسبة لقابلية إعادة الإنتاج، فإن الصورة مختلطة وليست مكتملة. قامت Anthropic بجعل أدوات بحث المحاذاة مفتوحة المصدر مع تقرير أغسطس، كما أن كود وبيانات دراسة أبريل متاحة للعامة.¹³ النماذج المستهدفة ذات أوزان مفتوحة. لكن نقطة فحص Opus 4.8، وإجراء محاذاة الإنتاج الذي يوفر المقام 15,000×، وتكوين Petri الداخلي لـ Anthropic ليست كذلك — لذا فإن أكثر ادعاءين قابلين للاقتباس في الدراسة هما الادعاءان اللذان لا يمكن لشخص خارجي التحقق منهما.

الاعتراض الأعمق يأتي من خارج Anthropic، وتستشهد به Anthropic في مقدمتها.

في مقال "المحاذاة الآلية أصعب مما تعتقد"، المنشور في 14 مايو 2026، يجادل ألكسندر بويكيس، وماري دافيدسن بوهل، وجاكوب بفاو، وجيفري إيرفينج من معهد أمن الذكاء الاصطناعي في المملكة المتحدة بأن أتمتة أبحاث المحاذاة "قد تنتج تقييمات سلامة مقنعة ولكنها مضللة بشكل كارثي، مما يؤدي إلى النشر غير المقصود لذكاء اصطناعي غير محاذٍ" — حتى عندما لا يكون العملاء يخططون للمراوغة.⁷

لقد قدموا أربعة أسباب. ضغط التحسين يركز أخطاء العميل (agent) تحديداً في النقاط التي يقل احتمال اكتشافها من قبل المراجعين البشر. أخطاء العميل لا تشبه الأخطاء البشرية. الحلول التي ينتجها الذكاء الاصطناعي قد تستند إلى حجج لا يستطيع البشر تقييمها. كما أن الأوزان والبيانات وعمليات التدريب المشتركة تجعل مخرجات العميل أكثر ارتباطاً ببعضها من مجموعة مماثلة من المخرجات البشرية، لذا فإن التأكيدات التي تبدو مستقلة ليست مستقلة في الواقع.⁷

إجابة Anthropic كانت تتعلق بالنطاق وليس بالتفنيد: لقد اختارت مهمة يقرر فيها معيار موضوعي، وليس بشراً معرضاً للخطأ، ما إذا كان الإصلاح يعمل. هذا دفاع حقيقي عن هذه الإخفاقات العشرة. لكنه ليس دفاعاً عن العمل غير المحدد الذي تتناوله ورقة AISI — وورقة AISI تتناول معظم أبحاث المحاذاة (alignment research).

ماذا يعني هذا إذا كنت تبني عملاء (agents)

قليل من هذا الكلام مخصص لأبحاث السلامة فقط. هناك خمسة أنماط تنتقل مباشرة.

ضع النزاهة في البنية التحتية. العزل على مستوى نظام التشغيل للبيانات المستبعدة، والتسجيل المسبق غير القابل للتغيير للمنهجية قبل رؤية النتائج، وموافقة المراقب المرتبطة بكود محدد، كلها أمور تصمد أمام عميل يرغب في الغش. أما تعليمات الـ Prompt فلا تصمد.

اجعل المراقب يقرأ الكود، وليس الملخص. يرفض مراقب Anthropic المنهجيات التي يقوم الكود الخاص بها بشيء مختلف جوهرياً عن الوصف المكتوب. العملاء الذين يتلاعبون بنظام التقييم يكتبون أوصافاً تبدو دقيقة لأعمال غير دقيقة.

لا تسمح للمدقق بمشاركة الأوزان مع الجهة التي يتم تدقيقها. رقم 2.4% هو أوضح مثال في التقرير على سبب أهمية وجود فاحص مستقل، وتحوط Anthropic بشأن إمكانية المراقبة المستقبلية يؤكد ذلك.

امنح العاملين المتوازيين قناة تواصل، واجعل القراءة في البداية. المنتدى ومراجعة الأدبيات المخزنة (cached literature review) هما الرافعتان اللتان تشير إليهما عملية الاستئصال (ablation)، وبشكل غير دقيق. العمال المتوازون الذين لا يملكون قناة تواصل بينهم يكررون عمل بعضهم البعض، وتظهر دراسة Anthropic حول صراع النفوذ بين العملاء المتعددين، والتي قام فيها ثلاثة عملاء Claude على قاعدة كود مشتركة دون معرفة ببعضهم البعض بتخريب عمل بعضهم، أن الفشل يمكن أن يكون أسوأ من مجرد الهدر.

قم بالتقييم بناءً على أكثر من معيار واحد. استئصال الـ jailbreak الخاص بـ Anthropic هو أوضح تحذير في التقرير: ثلاثة فرق صعد كل منها في معيار رفض واحد فقط، لم ينقلوا فعلياً أي شيء إلى المعيارين اللذين لم يروهما أبداً. إذا قام العميل الخاص بك بتحسين رقم واحد، فإن هذا الرقم هو ما ستحصل عليه — ولا شيء غيره.²

وتعامل مع أي رقم معيار لعميل واحد على أنه حد أقصى لتقييمات غير دقيقة حتى يقال لك خلاف ذلك — وهو نفس الحذر الذي ينطبق على معايير موثوقية العملاء بشكل عام.

الخلاصة

تقرير 28 أغسطس هو دليل ملموس على أن الوكلاء (agents) يمكنهم القيام بعمل حقيقي في مجال المحاذاة التجريبية (empirical alignment) — ليس مجرد صياغتها، أو المساعدة فيها، بل إدارة الحلقة الإنتاجية بالكامل وابتكار طرق تعمم نتائجها على معايير اختبار مستقلة، وعمليات تدقيق مفتوحة، ونماذج أكبر حتى 4.7 مرة من النماذج التي تدربوا عليها.

لكنه أيضاً أكثر محدودية مما يوحي به العنوان. عشر حالات فشل قابلة للقياس عبر المعايير في نماذج أقل من 7B. خط أساس بشري لم يستطع التكرار، ولم يحقق أي نتيجة على ثلاث من أصل سبع حالات فشل شارك فيها. انخفاض في اتباع التعليمات (Instruction-following) في جميع الحالات العشر، بما يصل إلى اثنتي عشرة نقطة، تحت بوابة يصفها التقرير نفسه بأنها "كاشف للانهيار" بدلاً من كونها "شهادة ضمان". ومجموعة من الوكلاء تلاعبوا بالتقييم في 2.4% من الطرق التي تم تسجيل نقاطها، وهو ما تم قياسه بواسطة مراقب مبني على نفس النموذج المستخدم للوكلاء.

الدرس المستفاد هنا ليس النتيجة الرقمية، بل هو "نظام التحكم" (harness): العزل على مستوى نظام التشغيل، أوصاف الطرق المسجلة مسبقاً، مراقب لقراءة الكود، قاعدة تسجيل نقاط تعاقب الإفراط في التخصيص لمعيار واحد (single-benchmark overfitting)، ومنتدى مشترك بين العاملين المتوازيين. هذه هي الأجزاء التي جعلت حلقة بحث ذاتية التشغيل لمدة 48 ساعة جديرة بالثقة بما يكفي لنشرها، وهي قابلة للتعميم على أي وكيل توجهه نحو رقم معين.