GPT-5.6 يحقق رقمًا قياسيًا جديدًا في اختبار Agents' Last Exam (2026)

[أليكس]: أهلاً بكم من جديد في البودكاست الذكي من نيردو، حيث نأخذ فضولكم ونمرره عبر شبكة عصبية—عدة مرات للتأكيد.

[جيمي]: أنا جيمي، المتحمسة المقيمة لسؤال "لحظة، ماذا يعني هذا؟".

[أليكس]: وأنا أليكس، جاركم الودود الذي يشرح كل ما يخص الذكاء الاصطناعي. اليوم، سنغوص في شيء هز عالم الوكلاء الذكيين—لقد حقق GPT-5.6 من OpenAI للتو أعلى نتيجة في "Agents' Last Exam". نعم، هذا شيء حقيقي، ولا، ليس هذا هو الاختبار المفاجئ الذي نسيتِ المذاكرة له.

[جيمي]: صراحةً، لا أزال أعاني من كوابيس بسبب الاختبارات المفاجئة. لكن هذا يبدو أكثر رعباً—"Agents' Last Exam" يوحي وكأنه مواجهة مع "الوحش الأخير" في لعبة ما. ما هو في الحقيقة؟

[أليكس]: [يضحك] يبدو الأمر مشؤوماً، أليس كذلك؟ لكن Agents' Last Exam—أو ALE باختصار—هو مقياس أداء ابتكره مركز الذكاء اللامركزي المسؤول في جامعة UC Berkeley، أو RDI. بدلاً من الاختبارات البسيطة، يسحب ALE أعمالاً مهنية حقيقية من أكثر من 300 ممارس فعلي في أماكن مثل MIT وStanford وGoldman Sachs—تعرفين، مجرد مجموعة عادية من يوم الثلاثاء.

[جيمي]: إذاً، ليس الاختبار التقليدي من نوع "هل يستطيع هذا الوكيل حل سودوكو؟"، بل أقرب إلى "هل يمكنه القيام بضرائبي بينما يقوم بتصحيح الأكواد وتحرير فيديو؟".

[أليكس]: بالضبط! هذه مهام استغرقت من البشر أياماً أو حتى أسابيع. يغطي ALE 55 صناعة مختلفة—التمويل، القانون، الرياضيات الحاسوبية، الإعلام، وعلوم الحياة. إنه ليس مقياساً بسيطاً؛ إنه دوري المحترفين.

[جيمي]: حسناً، ولكن كيف يقيمون هؤلاء الوكلاء الذكيين فعلياً؟ لا يمكنك ببساطة إلقاء نظرة سريعة على تقرير مالي معقد وتقول "إيه، يبدو صحيحاً تقريباً".

[أليكس]: سؤال رائع. يستخدمون ما يسمى بنظام "البوابة والدرجة" (gate-and-score). لكل مهمة، يعمل الوكيل في جهاز افتراضي مغلق مع جميع الملفات والبرامج الحقيقية. أولاً، يجب أن يجتاز "بوابة ثنائية"، مثل "هل تمت معالجة الملف بدون أخطاء؟". إذا فشل، تنتهي اللعبة—صفر نقاط. إذا نجح، يتم تقييمه، غالباً باستخدام سكربتات تقارن مخرجاته بمخرجات الخبير البشري، وصولاً إلى أدق التفاصيل.

[جيمي]: إذاً، لا رحمة في التقييم. لا توجد "درجة للمحاولة" إذا اقترب من الحل.

[أليكس]: أبداً. وهنا المفاجأة—هذه ليست وظائف قصيرة. بعضها يستغرق ساعات، وبعضها أياماً. معظم المقاييس الأخرى تشبه سباقات السرعة؛ أما ALE فهو ماراثون.

[جيمي]: إذاً ماذا فعل GPT-5.6 تحديداً ليكون مميزاً إلى هذا الحد؟

[أليكس]: في 9 يوليو، حقق GPT-5.6 من OpenAI، وتحديداً نسخة "Sol" مع إعداد XHigh-reasoning، نتيجة 53.6 من 100 في ALE—وهذا رقم قياسي جديد. وتمكن من تحقيق معدل "نجاح كامل" بنسبة 30.6% عبر 152 مهمة عامة. وللسياق، قبل ذلك، كانت أفضل نتيجة حققها أي نموذج هي حوالي 25%.

[جيمي]: لحظة، 30.6%؟ هذه... ليست حتى درجة "مقبول" في المدرسة. هل يجب أن نكون منبهرين؟

[أليكس]: [يضحك] أفهم ما تقولينه. إنه ليس مثالياً، ولكن عندما تدركين مدى صعوبة هذه المهام—وأن حتى أحدث الوكلاء يحصلون بانتظام على 80% في مقاييس مثل Terminal-Bench، ثم يهبطون إلى 20 أو 30% في ALE—ستجدين أنها قفزة كبيرة فعلاً. ALE مصمم لكشف ما لا تستطيع الوكلاء فعله، وليس فقط ما يمكنهم فعله.

[جيمي]: إذاً ALE يشبه اختبار "العالم الحقيقي"، ومعظم الوكلاء يكتشفون أن الحياة أصعب بكثير من مسائل التدريب.

[أليكس]: أصبتِ تماماً. معظم الإخفاقات لا تأتي من أكواد معطلة، بل من عدم فهم الوكلاء للوظيفة أو اتخاذ قرارات غريبة. مثلاً، يتم إعطاؤهم برامج مهنية—مثل SolidWorks أو DaVinci Resolve—ثم يحاولون "اختراق" الأمر بسكربتات عشوائية في Terminal. الأمر يشبه إعطاء شيف مطبخاً فاخراً ثم مشاهدته وهو يحاول تسخين نودلز في الميكروويف.

[جيمي]: [تضحك] لقد فعلت ذلك من قبل. إذاً، هل كان GPT-5.6 متفوقاً بمراحل على المنافسين، أم أن هناك تفاصيل أخرى في القصة؟

[أليكس]: هناك دائماً تفاصيل أخرى. المنافس الرئيسي هنا كان Claude Fable 5 من Anthropic. لكن نتائج Claude كانت مشتتة بسبب أنظمة الأمان الخاصة به. حوالي ثلث المهام—خاصة في علوم الحياة والبيولوجيا—تم تحويلها إلى نموذج أضعف، وهو Claude Opus 4.8، كلما شعر النظام أن الأمور قد تصبح محفوفة بالمخاطر.

[جيمي]: لحظة، إذاً Fable 5 لم يحاول حتى القيام بتلك المهام الصعبة؟ أليس هذا مثل إرسال حارس الاحتياط لتنفيذ ركلات الترجيح؟

[أليكس]: هذا تشبيه دقيق جداً! بالنسبة لـ 101 مهمة التي نفذها Fable 5 فعلياً، فقد كاد أن يطابق نتائج GPT-5.5 السابقة. لكن في الـ 51 مهمة التي تم تحويلها، كان أداؤه مثل Opus 4.8، وهو تراجع واضح. لذا، الأرقام الرئيسية التي تقارن GPT-5.6 وClaude Fable 5 ليست مقارنة عادلة تماماً.

[جيمي]: سمعت أيضاً أن OpenAI نفسها لم تستطع الاستقرار على درجة واحدة. ما القصة في ذلك؟

[أليكس]: [يضحك] نعم، هذه تفصيلة ممتعة. صفحة الإطلاق الرسمية تذكر رقمين: 52.7 و53.6. الرقم الأعلى يطابق "Codex المدعوم بـ GPT-5.6 Sol" مع XHigh reasoning—وهو الإعداد الذي حقق الرقم القياسي. أما الرقم الأقل فربما كان مجرد إعداد مختلف. حتى OpenAI لا تستطيع مقاومة القليل من الارتباك في لوحة النتائج.

[جيمي]: كلاسيكي جداً. يشبه الأمر عندما يخبرك هاتفك أن لديك "ساعة واحدة متبقية" من البطارية، ثم ينطفئ بعد 10 دقائق. لا تثق أبداً في الأرقام على ظاهرها!

[أليكس]: بالضبط. والعبرة هنا هي أنه حتى مع الأرقام القياسية، لا يزال GPT-5.6 يفشل في 7 من أصل 10 مهام حقيقية في ALE. أما المهام الأكثر صعوبة؟ فإن متوسط معدل النجاح هو 2.6% فقط. لذا، الوكلاء الذكيون ليسوا مستعدين تماماً لتولي وظيفتك—بعد.

[جيمي]: أخبار جيدة بالنسبة لمدفوعات إيجاري. ولكن بجدية، ماذا يعني كل هذا بالنسبة لنشر الوكلاء في العالم الحقيقي؟ هل يجب على الشركات أن تكون متحمسة أم حذرة؟

[أليكس]: تفاؤل حذر. يظهر ALE أن الوكلاء يتحسنون في الوظائف المعقدة في العالم الحقيقي، ولكن لا يزال هناك طريق طويل أمامنا. مقاييس مثل Terminal-Bench تجعل الوكلاء يبدون كعباقرة، لكن ALE يذكرنا بمدى أهمية السياق، والفروق الدقيقة، والمعرفة المتخصصة. إذا كان عملك معقداً مثل مهام ALE هذه، فلا تطرد فريقك الآن.

[جيمي]: إذاً، باختصار: GPT-5.6 حقق رقماً قياسياً جديداً، لكن العالم الحقيقي لا يزال هو المنتصر. وكما هو الحال دائماً، لوحة الصدارة هي مجرد لقطة سريعة—وليست الصورة الكاملة.

[أليكس]: وصف دقيق. إذا أردتم القصة الكاملة، اطلعوا على لوحة صدارة ALE العامة وتعمقوا في المنهجية. إنها نظرة رائعة على ما يمكن—وما لا يمكن—للذكاء الاصطناعي فعله عندما تزال "عجلات التدريب" المساعدة.

[جيمي]: وإذا كنتم تبنون أي شيء باستخدام الوكلاء الذكيين، تذكروا: اختبروهم في أشياء أكثر من مجرد المهام السهلة. أو كما تقول جدتي: "لا تثق في شيف لا يعرف سوى كيفية غلي الماء".

[أليكس]: كلمات حكيمة، يا جدة جيمي. هذا كل شيء لليوم في البودكاست الذكي من نيردو. شكراً لمتابعتكم ومشاركتنا هذا الشغف التقني!

[جيمي]: لا تنسوا الاشتراك، والمشاركة، وأخبرونا من هو الوكيل الذي ستثقون به في مشروعكم الجماعي القادم—إن وجد.

[أليكس]: حتى المرة القادمة، اجعلوا أوامركم ذكية ومقاييسكم صادقة. [تتلاشى موسيقى الخاتمة]