حققت GPT-5.6 مستوى جديدًا في امتحان الوكلاء الأخير (لعام ٢٠٢٦).

[أليكس]: أهلاً بكم مرة أخرى في Nerd Level Tech البودكاست الذكي، حيث نأخذ فضولكم ونضعه في شبكة عصبية—عدة مرات للتأكد من ذلك. [جيمي]: أنا جيمي، خبيركم الدائم الذي يسأل "انتظر لحظة، ماذا يعني هذا؟". [أليكس]: وأنا أليكس، صديقكم الذي يشرح كل شيء يتعلق بالذكاء الاصطناعي. اليوم، سنتعمق في شيء هز عالم الوكلاء—GPT-5.6 من OpenAI حقق للتو أعلى نتيجة في "الامتحان الأخير للوكلاء". نعم، هذا شيء حقيقي، ولا، إنه ليس اختبارًا سريعًا نسيت أن تدرس له. [جيمي]: بصراحة، ما زلت أعاني من كوابيس حول الاختبارات السريعة. لكن يبدو هذا أكثر رعبًا—"الامتحان الأخير للوكلاء" لديه طاقة الزعيم النهائي. ما هو بالضبط؟ [أليكس]: [يضحك] يبدو مخيفًا، أليس كذلك؟ ولكن "الامتحان الأخير للوكلاء"—ALE اختصارًا—هو معيار تم إنشاؤه بواسطة مركز جامعة كاليفورنيا في بيركلي للاستخبارات اللامركزية المسؤولة، أو RDI. بدلاً من الاختبارات البسيطة، يستخدم ALE مهام حقيقية من أكثر من ٣٠٠ ممارس فعلي من أماكن مثل معهد ماساتشوستس للتكنولوجيا وستانفورد وجولدمان ساكس—مجرد مجموعة من الأشخاص العاديين في يوم الثلاثاء. [جيمي]: إذن، ليس الاختبار النموذجي "هل يمكن لهذا الوكيل حل سودوكو؟" بل بالأحرى، "هل يمكنه دفع ضرائبي أثناء تصحيح الأخطاء البرمجية وتحرير مقطع فيديو؟" [أليكس]: بالضبط! هذه مهام استغرقت من البشر أيامًا أو حتى أسابيع. يغطي ALE 55 صناعة مختلفة—المالية والقانون والرياضيات الحاسوبية والإعلام وعلوم الحياة. إنه ليس مجرد معيار بسيط؛ إنه المستوى الأعلى. [جيمي]: حسنًا، ولكن كيف يقومون بتقييم هذه الوكلاء من الذكاء الاصطناعي؟ لا يمكنك ببساطة إلقاء نظرة على تقرير مالي معقد وتقول: "حسنًا، يبدو جيدًا". [أليكس]: سؤال رائع. يستخدمون ما يسمى بنظام "البوابة والنتيجة". لكل مهمة، يعمل الوكيل في جهاز افتراضي محكم مع جميع الملفات والبرامج الحقيقية. أولاً، يجب أن يجتاز بوابة ثنائية، مثل "هل تمت معالجة الملف دون أخطاء؟" إذا فشل، فقد انتهت اللعبة—صفر نقاط. إذا نجح، فسيحصل على نتيجة، غالبًا باستخدام نصوص تقارن مخرجاته بخبير بشري، وصولاً إلى أدق التفاصيل. [جيمي]: إذن، لا يوجد تقييم متساهل. لا توجد "أ" لجهودهم إذا كانوا قريبين من النجاح. [أليكس]: لا. وهذا هو الجزء المثير—هذه ليست مهام قصيرة. بعضها يستغرق ساعات، وبعضها يستغرق أيامًا. معظم المعايير الأخرى تشبه سباقات السرعة؛ ALE هي ماراثون. [جيمي]: إذن ما الذي فعله GPT-5.6 بالضبط ليكون مميزًا جدًا؟ [أليكس]: في ٩ يوليو، حقق GPT-5.6 من OpenAI، وتحديدًا متغير "سول" مع إعداد "XHigh-reasoning"، نتيجة ٥٣٫٦ من ١٠٠ على ALE—وهي أعلى نتيجة جديدة. وتمكن من تحقيق معدل "نجاح كامل" بنسبة ٣٠٫٦٪ في ١٥٢ مهمة عامة. للمقارنة، قبل ذلك، كانت أفضل نتيجة حققها أي شخص حوالي ٢٥٪. [جيمي]: انتظر، ٣٠٫٦٪؟ هذا...ليس حتى درجة "د-" في المدرسة. هل يجب أن نكون معجبين؟ [أليكس]: [يضحك] أرى ما تقصده. إنه ليس مثاليًا، ولكن عندما تدرك مدى صعوبة هذه المهام—وحقيقة أنه حتى الوكلاء المتطورين يحصلون بانتظام على ٨٠٪ في معايير مثل Terminal-Bench، ثم ينخفضون إلى ٢٠ أو ٣٠٪ في ALE—فهو في الواقع قفزة كبيرة. تم تصميم ALE للكشف عما لا يستطيع الوكلاء فعله، وليس فقط ما يمكنهم فعله. [جيمي]: إذن ALE هو اختبار "العالم الحقيقي"، ومعظم الوكلاء يكتشفون أن الحياة أكثر صعوبة من المشاكل التدريبية. [أليكس]: أحسنت. معظم الإخفاقات لا تأتي من التعليمات البرمجية المعطلة، ولكن من عدم فهم الوكلاء للمهمة أو اتخاذ قرارات غريبة. على سبيل المثال، يتم تزويدهم ببرامج احترافية—SolidWorks وDaVinci Resolve—ثم يحاولون اختراقها باستخدام نصوص عشوائية في سطر الأوامر. إنه مثل إعطاء طاهٍ مطبخًا فاخرًا ومشاهدته وهو يحاول تسخين النودلز في الميكروويف. [جيمي]: [يضحك] لقد مررت بهذا من قبل. إذن، هل كان GPT-5.6 متقدمًا على المنافسة أم أن هناك المزيد من القصة؟ [أليكس]: هناك دائمًا المزيد. المنافس الرئيسي هنا هو Claude Fable 5 من Anthropic. ولكن نتائج Claude غير واضحة بسبب أنظمة السلامة الخاصة به. حوالي ثلث المهام—خاصة في علوم الحياة وعلم الأحياء—تمت إعادة توجيهها إلى نموذج أضعف، Claude Opus 4.8، كلما اعتقد النظام أن الأمور قد تصبح خطيرة. [جيمي]: انتظر، إذن لم يحاول Fable 5 حتى تلك المهام الأكثر صعوبة؟ أليس هذا مثل إرسال حارس المرمى الاحتياطي الخاص بك في ركلات الترجيح؟ [أليكس]: هذا تشبيه جيد! بالنسبة لـ ١٠١ مهمة حيث قام Fable 5 بتشغيلها بالفعل، فقد طابق تقريبًا نتائج GPT-5.5 السابقة. ولكن على المهام الـ ٥١ التي تمت إعادة توجيهها، فقد أدى كما لو كان Opus 4.8، وهو انخفاض واضح. لذلك، الأرقام الرئيسية التي تقارن بين GPT-5.6 وClaude Fable 5 ليست "تفاحًا إلى تفاح". [جيمي]: سمعت أيضًا أن OpenAI نفسها لم تستطع تحديد النتيجة. ما الأمر؟ [أليكس]: [يضحك] هذه تفصيلة ممتعة. تعرض صفحتهم الرسمية للإطلاق رقمين: ٥٢٫٧ و ٥٣٫٦. الرقم الأعلى يطابق "Codex الذي يعمل بالطاقة GPT-5.6 Sol" مع إعداد XHigh reasoning—وهو التكوين الذي حقق الرقم القياسي. الرقم الأدنى هو على الأرجح مجرد تكوين مختلف. حتى OpenAI لا يمكنها مقاومة القليل من الارتباك في لوحة النتائج. [جيمي]: كلاسيكي. إنه مثل عندما يقول هاتفك أن لديك "ساعة واحدة متبقية" من عمر البطارية، ولكنه ينتهي في ١٠ دقائق. لا تثق أبدًا بالأرقام على ظاهرها! [أليكس]: بالضبط. والدرس المستفاد هنا هو أنه حتى مع تحقيق أعلى النتائج، يفشل GPT-5.6 في ٧ من كل ١٠ مهام حقيقية في ALE. أصعب المهام؟ يبلغ متوسط ​​معدل النجاح ٢٫٦٪ فقط. لذلك، الوكلاء ليسوا مستعدين تمامًا لتولي وظيفتك—حتى الآن. [جيمي]: أخبار جيدة بشأن دفع إيجاري. ولكن على محمل الجد، ماذا يعني كل هذا بالنسبة لنشر الوكلاء في العالم الحقيقي؟ هل يجب أن تكون الشركات متحمسة أم حذرة؟ [أليكس]: متفائلون بحذر. يوضح ALE أن الوكلاء يتحسنون في المهام المعقدة الواقعية، ولكن لا يزال هناك طريق طويل للذهاب. تجعل المعايير مثل Terminal-Bench الوكلاء يبدون وكأنهم عباقرة، لكن ALE يذكرنا بمدى أهمية السياق والفروق الدقيقة والمعرفة المتخصصة. إذا كانت وظيفتك معقدة مثل مهام ALE هذه، فلا تقم بتسريح فريقك بعد. [جيمي]: إذن، باختصار: حقق GPT-5.6 أعلى نتيجة جديدة، لكن العالم الحقيقي لا يزال يفوز. وكما هو الحال دائمًا، فإن لوحة النتائج هي مجرد لقطة—وليست الصورة الكاملة. [أليكس]: أحسنت. إذا كنت تريد القصة الكاملة، فراجع لوحة نتائج ALE العامة واطلع على المنهجية. إنه نظرة رائعة على ما يمكن للذكاء الاصطناعي فعله—وما لا يمكنه فعله—عندما تتم إزالة العجلات التدريبية. [جيمي]: وإذا كنت تقوم ببناء أي شيء باستخدام وكلاء الذكاء الاصطناعي، فتذكر: اختبرهم على أكثر من مجرد المهام السهلة. أو كما تقول جدتي: "لا تثق في طاهٍ يعرف فقط كيفية غلي الماء". [أليكس]: كلمات حكيمة، يا جدة جيمي. هذا كل شيء لـ Nerd Level Tech البودكاست الذكي اليوم. شكرا لمتابعتكم واستمتعوا بالتحدث معنا! [جيمي]: لا تنس الاشتراك والمشاركة وإخبارنا عن الوكيل الذي تثق به في مشروعك الجماعي التالي—إذا كان هناك أي وكيل. [أليكس]: حتى المرة القادمة، حافظ على مطالباتك ذكية ومعاييرك صادقة. [تتلاشى موسيقى النهاية]