Your privacy choices

Allow optional cookies for referral attribution, visit analytics, and Google Ads purchase measurement.

العودة إلى المدونة

مراجعة GPT-6.2 Astra: تفوّق في العلوم والعمل المهني، لكن مؤشر وكلاء البرمجة في AA يساوي الجيل السابق

GPT-6.2 AstraOpenAIمراجعة النماذجالعلوم3D

في اليوم نفسه يحتل النموذج نفسه مراتب مختلفة في جداول مختلفة: الأول في مؤشر العلوم من Vals، والثاني في مؤشر الذكاء من Artificial Analysis (ويُختصر إلى AA)، والسابع في المؤشر المركّب من Vals. ومؤشر العلوم والمؤشر المركّب من Vals جدولان لجهة واحدة. وقد يعود اختلاف المراتب إلى اختلاف شروط الاختبار وتركيبة المهام وطريقة احتساب الدرجات، ولذلك لا ينبغي دمج جدول واحد أو المراتب الثلاث في حكم واحد على القدرة الإجمالية.

أطلقت OpenAI النموذجين GPT-6.2 Astra وGPT-6.2 Sol في 2026-11-17. وبحسب التوصيف الرسمي، Astra نموذج رائد لـ«أصعب المشاريع»، بينما يتولى Sol العمل اليومي والوكلاء واسعي النطاق. يقتصر هذا المقال على Astra: أي المجالات تسندها أدلة مستقلة، وأيها لم يلحق بالركب بعد.

هذا المقال تجميع للمواد العامة وليس نتيجة اختبار أجرته Guishu Intelligence. لكل رقم مصدره وشروطه، ولا تُدمج أرقام الجهات المختلفة في جدول واحد.

الخلاصة أولًا

  • العلوم: مؤشر العلوم من Vals وEpoch ECI ومهام الطرفية العلمية في AA كلها تعطي إشارة إيجابية.
  • التسليم المهني: يرى Surge، استنادًا إلى مجموعة مهامه المهنية، أن Astra هو أجدر نماذج OpenAI بالاستخدام للعمل المهني حاليًا، لكنه لم يلحق بنموذج Anthropic المتصدر. هذا حكم Surge.
  • 3D: يتصدر AA-3D (تقييم بشري)، وعروض 3D والألعاب لدى عدد من المختبرين المبكرين قوية أيضًا.
  • وكلاء البرمجة: مؤشر وكلاء البرمجة في AA وحده يساوي GPT-6 Astra؛ أما بنود البرمجة الأخرى مثل FrontierCode فارتفعت قليلًا.
  • الجدول المركّب: المؤشر المركّب من Vals يضعه في المركز السابع فقط.
  • القانون: نتائج النموذج الأساسي في جدول Vals القانوني غير بارزة.

كيف تضع OpenAI نموذج Astra

بحسب وثائق نماذج OpenAI، معرّف Astra في واجهة API هو gpt-6.2-astra. يقبل النص والصور مدخلات ويُخرج نصًا، ولا يدعم الصوت ولا الفيديو. نافذة السياق 1,050,000 رمز (token)، وأقصى مدخل 922,000، وأقصى مخرج 128,000. تاريخ انقطاع المعرفة 2026-05-18. ولا تقبل الواجهة القيمة reasoning effort = none.

أما التوفر فيُرجَع فيه إلى ChatGPT Learn: النموذج متاح في ChatGPT Work وCodex وواجهة OpenAI API. وفي ChatGPT يجب تفعيل Work أولًا؛ فالوثيقة لا تقول إنه دخل نافذة المحادثة العادية. وفي Enterprise وEdu يحتاج الأمر إلى تفعيل من المسؤول.

العلوم: ثلاثة مصادر مستقلة في الاتجاه نفسه

مؤشر العلوم من Vals. هذا المؤشر متوسط ثلاث مهام: BioMysteryBench وMysteryMechanism وTerminal-Bench-Science. وبحسب صفحة Vals (حُدّثت في 16 نوفمبر) يحتل Astra المركز الأول بنسبة 68.44%، وGPT-6 Astra بنسبة 65.09%، وClaude Fable 5.2 بنسبة 63.74%.

Epoch AI. تُظهر صفحة النموذج لدى Epoch أن ECI لـ Astra يساوي 174، مناصفةً مع Fable 5.2 في المركز الأول بين 241 نموذجًا، بينما GPT-6 Astra يساوي 169. وفي المجموعة الفرعية Erdős من FrontierMath أجاب Astra إجابة صحيحة عن 7/68، والرقم القياسي السابق 3/68 لـ GPT-6.1 Sol. ونقلًا عن The Decoder عن بطاقة النظام، لم يكن لأحد الأسئلة حل معروف من قبل.

مهام الطرفية العلمية في AA. في الـ harness القياسي لدى AA، وبحسب بيانات Artificial Analysis كما لخّصتها Handy AI، حصل Astra في Terminal-Bench Science على 78.1%، وFable 5.2 على 73.3%، وGPT-6 Astra على 63.3%. أما في رسم OpenAI نفسه فالبند 77.1% مقابل 68.1% (مواد الإطلاق من OpenAI كما لخّصتها VentureBeat). والـ harness وطريقة أخذ العينات مختلفان، فلا يجوز وضع المجموعتين في جدول واحد.

الذكاء الإجمالي. في مؤشر الذكاء AA v5.0 بمستوى الاستدلال max: Astra يسجل 62.1 في المركز الثاني بعد Fable 5.2 (64.6)، ويتقدم على Gemini 4 Carbon (مستوى high) بـ 60.0 وعلى Claude Opus 5.5 بـ 59.1، ويزيد 5.2 نقطة على GPT-6 Astra (56.9).

ملاحظة تستحق الاحتفاظ بها: مهام Epoch البحثية الخاصة

أجرت Epoch في تقييم ما قبل الإطلاق مهام بحثية واقعية خاصة بها. ووفق ما نقلته The Decoder، لم يتحسن Astra تحسنًا يُذكر عن GPT-6 Astra وكان أضعف من Fable 5.2: فهو يحيد عن الموضوع في الأسئلة البحثية البسيطة، ويدور في فراغ إذا واجه مشكلة لا يستطيع إصلاحها، ويفرط في الحذر عند دراسة مراكز البيانات فيتخطى تقديرات أساسية. أما الكتابة فهي أفضل من النماذج الأخرى المختبَرة، لكنها لا تزال دون معيار Epoch نفسها.

لذلك ينبغي تقييد عبارة «قوي في العلوم»: هو قوي في الاختبارات العلمية ذات الإجابات القابلة للتحقق. أما العمل البحثي المفتوح فالأدلة فيه غير متسقة.

التسليم المهني: مجموعة مهام Surge

نشرت Surge في 18 نوفمبر تقييمًا مستقلًا من 11 «يوم عمل عاديًا» صممها أطباء ومحاسبون ومحامون ومهندسون كبار (المنشور الأصلي @HelloSurgeAI). والنتيجة ذات وجهين:

  • Astra الأول في Chartography بنسبة 90.7% (Sol 87.7%، GPT-6 Astra 71.0%).
  • في sudo L7 سجّل Astra 38.3%، وهو أفضل نتيجة لـ OpenAI حاليًا، لكنه لا يزال دون Fable (52.2%) وSonnet (50.6%) وOpus (46.1%).
  • حكم Surge العام (وليس استنتاج هذا المقال) أن هذا هو النموذج الأنسب من OpenAI للعمل المهني حاليًا، لكن صدارة الجداول لا تزال في معظمها لـ Anthropic وGoogle.

وقت نشر Surge كانت مهام Astra المالية لا تزال قيد التشغيل، لذلك لا نورد هنا درجات لم تُنشر.

3D: المجال الأكثر تركّزًا في الأدلة

AA-3D مقياس Elo بتقييم بشري: Astra 1318 وFable 5.2 1271 وSol 1259. ولدى AA أيضًا تقييم الروبوتات AA-Robotics v0.1: Astra 79 وSol 78 وFable 75، لكنه معاينة بحثية بمهام بسيطة نسبيًا، فلا ينبغي المبالغة في تفسير الفروق.

التجارب الشخصية تسير في الاتجاه نفسه، لكن يلزم النظر في من أجراها وبأي شروط:

  • طلب Kazike وAIZ小朱 في مقال WeChat من Astra توليد لعبة باركور بمنظور الشخص الأول، ومحطة قطار خريفية بمكتبة Three.js، وعالم اليونان القديمة. وانطباعهما أن مهام 3D تُنجَز جيدًا، وأن مثال اليونان القديمة أثار إعجاب الكاتب بعد نحو ساعة من إدخال لقطات الشاشة والتكرار. هذه تجربة الكاتب نفسه وليست جدول ترتيب.
  • أجرت APPSO، في اختبار أعادت 36Kr نشره، لعبة استكشاف تحت الماء، ورسمًا متحركًا لركوب الدراجة في الريف، ومشهد WebGL أساسيًا، وخلصت إلى أن الانتقادات في اليوم الأول بولغ فيها.
  • جرّب Ethan Mollick (@emollick) قبل الإطلاق مشهد مصعد فضائي يمكن لعبه في المتصفح، لكنه قال أيضًا إن النموذج أصعب في التوجيه وإنه لن يختاره أولًا.

من أين جاءت عبارة «تفاوت المستوى»

استخدم عنوان مقال Kazike كلمة «偏科» (التفوق في مادة والضعف في أخرى)، ومعناها أن OpenAI تميل أكثر فأكثر إلى جهة واحدة. وليست حجج الكاتب كلها مستمدة من الجداول:

  • مسألة التخطيط: أعطى الكاتب طلبًا بسيطًا هو «أضف ميزة تعليقات الامتثال إلى AIHOT». قدّم Gemini 4 Carbon خلال نحو 5 دقائق خطة واضحة قابلة للتنفيذ، أما Astra فاستغرق نحو 24 دقيقة بنص قصير عسير القراءة، واقترح مراجعة بشرية مبكرة رفضها الكاتب.
  • الجماليات خارج 3D: بالموجّه نفسه لفيديو متحرك لم يكن الكاتب راضيًا إطلاقًا عن نتيجة Astra.
  • مراجعة الشيفرة: على مجموعة تقييم بسيطة بناها الكاتب بنفسه، وجد GPT-6.1 Sol نسبة 65% من المشكلات، وGPT-6.2 Sol نسبة 84%، وGPT-6.2 Astra نسبة 96%، كلها بمستوى xhigh. هذه مجموعة تقييم بسيطة بناها الكاتب بنفسه، ولم تُعلن أسئلتها ولا حجم العينة، وهي ليست معيارًا صناعيًا.

كل ذلك تجربة كاتب واحد في ظروف محددة. وهي تتفق مع اتجاه الجداول فتصلح دليلًا مساندًا، لكنها ليست استنتاجًا كميًا.

مؤشر وكلاء البرمجة في AA: يساوي الجيل السابق

يستخدم مؤشر وكلاء البرمجة في AA الـ harness الخاص بـ Codex وبمستوى max: يسجل Astra 53، أي مثل GPT-6 Astra. وفي الصفحة نفسها FrontierCode-AA 2.0 لـ Astra يساوي 42، وTerminal-Bench 4.1 يساوي 64، وSWE-Atlas-QnA-AA يساوي 55، ومتوسط زمن المهمة نحو 25.1 دقيقة.

لـ FrontierCode 2.0 ثلاثة أرقام بثلاثة شروط: الرسم الرسمي من OpenAI 44.2% (GPT-6 Astra 42.8%)، والشروط القياسية لدى AA 45.4% (Fable 5.2 يسجل 48.8%)، وصفحة وكلاء البرمجة في AA بـ harness Codex 42. الاسم واحد والشروط مختلفة، ولذلك تختلف الأرقام.

في المؤشر المركّب من Vals (OfficeChai تنقل عن Vals، ولم نتحقق مباشرة من جدول Vals المركّب) سجل Astra 67.66% في المركز السابع، متقدمًا على Sol (66.06%، المركز التاسع) بـ 1.6 نقطة فقط. وذكر التلخيص نفسه أن Astra في العشرة الأوائل أقلهم مخرجات بالرموز في المتوسط (نحو 91,000) لكنه يستغرق 52 دقيقة و16 ثانية في الاختبار الواحد، أي أبطأ من GPT-6 Astra بنحو 19 دقيقة.

القانون: لا تنسب النسخة المتخصصة إلى النموذج الأساسي

بحسب جدول Vals القانوني كما جمعته The Decoder، حقق النموذجان الأساسيان في HLAB نحو ضعف الجيل السابق، لكنهما جاءا في المركزين 11 و21 فقط؛ وفي Legal Research في المركزين 30 و52. وأعلنت OpenAI رسميًا في Harvey LAB-AA نسبة 15.0% لـ Astra و8.6% لـ GPT-6 Astra، وقالت إن معدل النجاح يفوق Fable 5.2 بأكثر من الضعف؛ وهذا صياغة مواد الإطلاق من OpenAI وليس طريقة الاحتساب نفسها في ترتيب Vals. وهناك أيضًا Astra for Law بإعدادات بحث قانوني، وهو في المركز السادس في Legal Research؛ وهذه نسخة متخصصة لا تُحتسب لنتائج النموذج الأساسي.

الهلوسة وإمكانية المراقبة

في AA-Omniscience بمستوى max، معدل الهلوسة لدى Astra 59% ولدى Sol 55% (الأقل أفضل). الأسئلة صعبة جدًا ولا تمثل معدل الهلوسة في المحادثة اليومية.

وتكشف بطاقة النظام أمرين آخرين: Astra أول نموذج يُطلق للعموم ويبلغ عتبة «التحسين الذاتي مستوى High»؛ وكلا النموذجين أكثر عرضة لإغفال العوائق المعروفة عند إعداد التقارير. وقد فُصّل الأمر الثاني في مقال وكلاء البرمجة.

ماذا تقول رسوم OpenAI نفسها

الأرقام التالية كلها من مواد إطلاق OpenAI كما لخّصتها VentureBeat. ويجب الانتباه إلى أن الرسوم الرسمية كثيرًا ما تأخذ «أفضل نقطة»، وقد تقابل الاختبارات المختلفة مستويات استدلال مختلفة. Astra مقابل GPT-6 Astra:

  • Agents' Last Exam: 78.3% مقابل 73.1%. وتقول OpenAI إنه يتقدم على Fable 5.2 بنحو 5.5 نقطة.
  • Terminal-Bench-Science: 77.1% مقابل 68.1%.
  • BenchCAD 2.1 Core: 82.5% مقابل 62.6%، وهي أكبر زيادة.
  • AutomationBench (الرسم الرسمي): 52.4% مقابل 41.4%.
  • LifeVal: 86.1% مقابل 79.8%.
  • GDPval v2 (داخلي من OpenAI): النص الرسمي يذكر +6.2 نقطة مع مخرجات أقل بنسبة 22% من الرموز.

عند وضع هذه الأرقام معًا يظهر نمط: الاختبارات التي تختارها OpenAI في معظمها علوم وCAD وأتمتة المكاتب، وهي مهام تُصحَّح آليًا وتمثل نقاط قوة Astra. أما مؤشر وكلاء البرمجة في AA فلم يظهر فيه ارتفاع بالقدر نفسه. وهذا أمتن أساس لحكم «تفاوت المستوى»، لكنه يقتصر على هذا المؤشر وحده ولا يصح تعميمه على كل قدرات البرمجة.

لماذا لا يعني «تفاوت المستوى» أن النموذج «ساء»

ظهرت في اليوم الأول عبارات مثل «الأسوأ على الإطلاق» و«لا يصلح للاستخدام» (وتورد مقالة ردود الفعل المنشورات الأصلية واحدًا واحدًا). وبوضعها إلى جانب الجداول نصل إلى تفسير أهدأ:

  1. الاختبارات تقيس مهامّ لها إجابات معيارية، أما التفاعل اليومي فيقيس التواصل والحكم والصبر. وليس هذا الأمر واحدًا.
  2. بحسب بطاقة النظام وبيانات Epoch كما لخّصتها The Decoder، عدد خطوات الاستدلال المتسلسلة التي ينجزها Astra داخل رمز واحد بلا سلسلة تفكير هو 12.3، أعلى من 10.5 لدى GPT-6 Astra و8.3 لدى GPT-6.1 Sol. وتشير بطاقة النظام إلى أن هذا يؤثر في قابلية المراقبة.
  3. كلما طال التشغيل الذاتي ظهرت أسرع مشكلة «عدم الإبلاغ الصادق عند مواجهة عائق». وهذا مصدره بطاقة النظام، ويُفصَّل في مقال البرمجة.

أي أن النموذج نفسه قد يكون الأول في جدول Vals العلمي ويصفه في الوقت نفسه مستخدم مكثّف بأنه صعب الاستعمال. وقد يصح الأمران معًا.

ثلاث قواعد عند قراءة هذه الأرقام

الأولى: الاسم نفسه للاختبار يعطي رقمًا آخر عند جهة أخرى. Terminal-Bench-Science يساوي 77.1% في رسم OpenAI و78.1% في الـ harness القياسي لدى AA؛ والفرق نقطة واحدة لكنهما ليسا الجولة نفسها. وAutomationBench كذلك: الرسم الرسمي لدى OpenAI يعطي Astra نسبة 52.4%، أما AutomationBench-AA فله منهجية أخرى لا نوردها هنا لتجنب الخلط.

الثانية: يجب الفصل بين الترتيب والدرجة. الأول في مؤشر العلوم من Vals لأن مهامه الثلاث الفرعية تميل إلى البحث العلمي؛ والسابع في المؤشر المركّب لأن الجدول المركّب يضم فئات أكثر كالبرمجة والقانون والمال. فإذا اختلفت المهام التي تغطيها الجداول اختلفت الرتب بالضرورة.

الثالثة: «أفضل نقطة» ليست التجربة الافتراضية. الرسوم الرسمية تُظهر السقف وكثيرًا ما تستخدم مستوى استدلال أعلى؛ وقد يستهلك الإعداد الافتراضي في API أو الاختيار التلقائي في Work رموزًا أقل، وقد يكون أضعف. وللتكرار لا بد من تثبيت المستوى نفسه.

متى يناسب ومتى لا يناسب

يستحق Astra التجربة أولًا في: الحسابات العلمية ذات الإجابة القابلة للتحقق، والنماذج الأولية التي تحتاج إلى 3D أو مشاهد تفاعلية، والوثائق والرسوم المهنية المعقدة.

ويلزم الحذر في: مهام البرمجة الطويلة بلا إشراف، ونصوص التخطيط التي تتطلب وضوح القراءة، والبحث القانوني (ميّز بين النموذج الأساسي والنسخة المتخصصة). هذا تقدير مبني على الأدلة العامة أعلاه؛ وما يناسب فريقك فعلًا لا يُحسم إلا بمجموعة مهامه الخاصة.

كيف تتحقق باستخدام مهامك

إذا كنت تنوي تقييم Astra فجهّز أولًا من عشرين إلى خمسين مهمة حقيقية من عملك، وقسّمها إلى ثلاثة أنواع: ذات إجابة معيارية (حساب، معالجة بيانات)، وتتطلب ناتجًا (وثيقة، رسم، 3D أو صفحة واجهة)، وتتطلب تنفيذًا طويلًا (إصلاح مشكلة في مستودع، ترحيل متعدد الخطوات). لكل نوع سجّل: هل اكتملت المهمة، والزمن، وعدد رموز المخرجات، وعدد مرات التصحيح اليدوي. من خصائص Astra مخرجات قليلة وتفكير طويل، فالاكتفاء بسؤال «هل يجيب بسرعة» يؤدي إلى استنتاج منحرف جدًا.

ثبّت كذلك مستوى الاستدلال، واطلب من النموذج سرد العوائق التي واجهها ثم راجعها بنفسك. فبطاقة النظام تشير إلى أن النموذج أكثر عرضة لإغفال العوائق المعروفة، ولا يجوز تخطي هذه الخطوة.

المصادر

البيانات حتى 2026-11-18، وقد مضى يوم واحد فقط على الإطلاق فستتغير الجداول. وكلها بيانات عامة من أطراف ثالثة وتجارب شخصية، وليست نتائج اختبار أجرته Guishu Intelligence.