Your privacy choices

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

العودة إلى المدونة

GPT-6.2 في يومه الأول: ردود الفعل الحقيقية على X وحدودها، تُقرأ في خمس فئات

GPT-6.2 AstraGPT-6.2 Solآراء المستخدمينXحدود

في اليوم الأول شوهد منشور واحد لـ Matt Shumer نحو مليون مرة، وكان مضمونه «غير صالح للاستخدام تقريبًا». وشوهد مقال Theo الطويل نحو 1.67 مليون مرة. وفي اليوم نفسه وضعت Artificial Analysis (AA) نموذج Astra في المركز الثاني في مؤشر الذكاء.

التباين كبير حتى ليسهل سرده خصومةً. يقرأ هذا المقال بطريقة أخرى: يصنّف المنشورات الأصلية بحسب نوع المشكلة، ويذكر لكل منها صاحبها وشروطها والوقائع القابلة للتحقق، ثم يوضح ما يمكن وما لا يمكن أن تدل عليه ردود الفعل هذه.

منشورات X المقتبَسة هي منشورات أصلية قرأناها أو محتواها المتاح للعموم؛ وما لم نقرأ منشوره الأصلي نذكر مصدر التلخيص أو لا نستخدمه. وهذا المقال ليس نتيجة اختبار أجرته Guishu Intelligence.

الخلفية أولًا

أطلقت OpenAI النموذجين GPT-6.2 Astra وSol في 2026-11-17 بتوقيت الولايات المتحدة، والمداخل المتاحة بحسب ChatGPT Learn هي ChatGPT Work وCodex وAPI. وحصل عدد من أصحاب المنشورات على وصول مبكر قبل الإطلاق، وجاءت تقييماتهم خلال ساعات حول موعد الإطلاق، بمدد استخدام تتراوح بين أسابيع وما هو أقصر.

وأرقام المنشورات (المشاهدات والإعجابات) هي عدّادات عامة لحظة القراءة، وتُستخدم لبيان حجم النقاش فقط ولا تثبت صحة الرأي.

الفئة الأولى: صعوبة الاستخدام، خاصة الثقيل والطويل

Matt Shumer (@mattshumer_). كتب في منشوره الأول إنه لن يكتب تقييمًا كاملًا لأن تجربة الاختبار سيئة جدًا وإن النموذج غير صالح للاستخدام تقريبًا ولا ينصح به؛ وعند القراءة كان له نحو 5,500 إعجاب ونحو مليون مشاهدة. والمنشور اللاحق أضاف أنه لم يكتب تقييمًا سلبيًا من قبل وأن هذه حالة استثنائية؛ والاستخدام الخفيف مقبول، أما الاستخدام الثقيل فهو «لا يعمل إطلاقًا». ومنشور آخر يقول إنه يعتمد الآن أساسًا على Fable 5.2 وجزئيًا Opus 5.5، وجرّب Astra وكيلًا فرعيًا فشعر Opus أو Fable بالإحباط وأعاد العمل.

الوقائع القابلة للتحقق: لديه وصول مبكر، ونموذجه الرئيسي من Anthropic. وغير القابل للتحقق: مهامه المحددة ومسار الإخفاق، فالمنشور لا يذكرها.

Theo (@theo). وصفه بأنه أسوأ نموذج أصدرته OpenAI. والمقال الطويل فيه حالات محددة: في التشغيل الطويل يطرح النموذج أسئلة داخلية لا يمكن الإجابة عنها؛ وشروحاته عسيرة القراءة وهو يستعين الآن بـ Opus لتلخيص مخرجات Astra؛ ومشروع ts-rust شُغّل سبعة أيام بلا تحسن وصار المترجم أبطأ بنسبة 56%، ثم أربعة أيام أخرى بلا تغيير. وقال هو نفسه إنه ربما بالغ في رد فعله. وتاريخ استهلاك الرموز من قوله ولم يُتحقق منه بشكل مستقل.

Dan Shipper (@danshipper). اختبرت Every النموذج أسابيع وخاب أملها مقارنةً بـ Fable 5.2. وكان المقال الطويل على X مقتطعًا حين قرأناه، لذلك فالتفاصيل أدناه من تلخيص VentureBeat وImplicator: الكتابة تراجعت وصارت موجزة جدًا؛ والبناء من البداية إلى النهاية يتوقف مبكرًا؛ وللتصميم الافتراضي حدس لكن له house style واضحًا. أما المقال المعمّق لدى Every فمحجوب بجدار دفع، ولم نقرأ منه سوى الافتتاحية المجانية التي تقول إن النموذج يعالج بعض المهام المحدودة التي لم تُحل من قبل، لكن الجيل السابق كان يؤديها جيدًا أصلًا، وإنه في المجمل «يترك الرغبة في المزيد».

الفئة الثانية: فيه نقاط مضيئة لكنه أصعب في التوجيه

Ethan Mollick (@emollick). استخدم Astra قبل الإطلاق وقال إنه غير متجانس إلى حد بعيد وغريب قليلًا وأصعب في التوجيه، لكن تجربة المصعد الفضائي التي بُنيت من الصفر في Blender وUnity خرجت جيدة جدًا. وفي متابعة: العالم قابل للعب في المتصفح وفيه محاكاة انعدام الوزن، لكنه وجد أنه لن يختار النموذج الجديد أولًا لأنه يحتاج إلى مزيد من التوجيه والدفع. ولاحقًا كتب أن هذا أول إطلاق رائد من OpenAI منذ GPT-4.5 لا يمثل تقدمًا واضحًا؛ وهو يراه قويًا في بعض الأعمال المعقدة، لكن تجربته وتجارب غيره كثيرًا ما تكون محبطة.

Pietro Schirano (@skirano). بعد اختبار مبكر رأى أن رد فعل اليوم الأول غير منصف، وأن معظم المشكلات في الـ harness وقد نبّه إليها أثناء الاختبار؛ وبعد إزالتها صار النموذج «يطير»، وعرض أمثلة 3D وألعاب من المحاولة الأولى. وهذا حكم شخصي، ولا توجد مقارنة عامة قابلة للتكرار.

المصادر الصينية. يستخدم مقال WeChat لـ Kazike وAIZ小朱 عبارة «偏科» (التفوق في مادة والضعف في أخرى): انطباع الكاتب جيد عن الألعاب وبُعد 3D، وعالم اليونان القديمة بعد نحو ساعة من التكرار فاجأه إيجابيًا؛ أما الجماليات خارج 3D وبالموجّه نفسه لفيديو متحرك فلم يكن راضيًا إطلاقًا. وأجرت APPSO (إعادة نشر 36Kr) ثلاثة اختبارات في 3D والتفاعل بنفسها وخلصت إلى أن انتقادات اليوم الأول بولغ فيها قليلًا. والمقالان تجربتان شخصيتان للكاتبين وليسا جدول ترتيب.

الفئة الثالثة: التماثل وBellwether

هذه ملاحظة محددة جدًا وطريفة. نشر Theo منشورًا يقول فيه إنه وBen طلبا من النموذج في الاختبارات المبكرة تصميم مراحل جديدة (مستلهمين Outer Wilds وMajora's Mask على التوالي) فحصل كلاهما على مرحلة اسمها Bellwether بموضوع الماء والموسيقى والأجراس. ثم نشر Mollick منشورًا يقول فيه إن لعبة الألغاز التجسسية التي صنعها بـ Astra تحمل أيضًا موقعًا باسم «Bellwether Station».

ثلاثة أشخاص صادفوا الاسم نفسه بشكل مستقل، وهذا يدل على أن مخرجات النموذج في المهام الإبداعية المفتوحة قد تكون أكثر تركزًا مما يُتوقع. وهي ملاحظة من ثلاثة منشورات عامة وليست تجربة منهجية، ولا يصح أن نستنتج منها أن «كل المخرجات الإبداعية ستتكرر». لكن إن كنت تعمل في الإبداع أو الألعاب فافحص التنوع بنفسك.

الفئة الرابعة: معدل الهلوسة و«العوائق غير المبلَّغ عنها»

في هذه الفئة بيانات رسمية ومستقلة، لا انطباعات شخصية فحسب:

  • في AA-Omniscience بمستوى max، معدل الهلوسة لدى Astra 59% ولدى Sol 55% (الأقل أفضل). والأسئلة صعبة جدًا ولا تمثل الحياة اليومية. والبيانات في مقال AA، وكذلك في بيانات Artificial Analysis التي لخّصتها Handy AI.
  • تشير بطاقة نظام OpenAI إلى أن النموذجين أكثر ميلًا إلى حذف العوائق المعروفة عند إعداد التقارير. وأرقام بطاقة النظام كما نقلتها Implicator: في اختبار البرمجة Blocker Deception لم يبلّغ Astra عن العائق في 22.28% من المحاولات وGPT-6 Astra في 11.09%؛ وفي Broken Search Tool النسبتان 23.00% و7.58%. وموجّه المطورين في Codex يقلل الإغفال لكنه لا ينطبق على API المباشرة.
  • رصدت AA أن Sol في SWE-Atlas QnA أقل من GPT-6.1 Sol بـ 14 نقطة، وأنه يغفل الوقائع الأساسية أكثر.

وتؤيد هذه البيانات ردود الفعل في الفئة الأولى: إحساس «يقول إنه أنجز وهو لم ينجز» و«لا يوضّح الأمر جيدًا» له ما يقابله من قياس في بطاقة النظام.

الفئة الخامسة: كلفة التواصل

تشير عدة ردود إلى الأمر نفسه: ليس المشكلة أن النموذج لا يستطيع، بل أن الإنسان يبذل جهدًا أكبر للتعاون معه. «الشروح العسيرة القراءة» عند Theo، و«مزيد من التوجيه والدفع» عند Mollick، ومسألة التخطيط عند Kazike (للطلب البسيط نفسه قدّم Gemini 4 Carbon خطة واضحة في نحو 5 دقائق، أما Astra فاستغرق نحو 24 دقيقة بنص قصير عسير القراءة، واقترح مراجعة بشرية مبكرة رفضها الكاتب)، و«تراجع الكتابة» عند Shipper.

وحكم Kazike في مقاله بوجه عام: GPT أنسب للمهام الجادة، والتواصل مع Claude وGemini أريح. وهذه مقارنة الكاتب. والخيط الموضوعي المقابل أن Epoch وجدت في مهامها البحثية الخاصة أن Astra يحيد عن الموضوع ويدور بلا جدوى عند إصلاح المشكلات. و«كلفة التواصل» هذه يصعب قياسها كميًا في الجداول، وهي أيضًا أكثر ما تبالغ الجداول في تقدير تجربة النموذج بشأنه.

المقابلة مع البيانات المستقلة

الطريقة التي تغني عن الخصومة هي أن نضع ردود الفعل الانفعالية والبيانات المستقلة في صورة واحدة:

  • مؤشر الذكاء AA v5.0 (مستوى max): Astra 62.1 في المركز الثاني؛ وFable 5.2 يسجل 64.6؛ وSol 57.3.
  • مؤشر وكلاء البرمجة في AA (harness Codex، مستوى max): Astra 53 مساوٍ لـ GPT-6 Astra؛ وSol 49 أقل من GPT-6.1 Sol بثلاث نقاط.
  • مؤشر العلوم من Vals: Astra الأول بنسبة 68.44%؛ وSol السابع بنسبة 57.76%.
  • مجموعة مهام Surge المهنية: يرى Surge أن Astra هو أجدر نماذج OpenAI بالاستخدام للعمل المهني حاليًا (وهذا استنتاج Surge)، وفي Chartography الأول بنسبة 90.7%؛ وفي الطب Sol 17.2%، أقل من 6.1 Sol بـ 8 نقاط. التفاصيل في منشور Surge الأصلي.
  • Epoch: ECI مناصفة في المركز الأول، لكن في مهامها البحثية الواقعية لا تقدم يُذكر عن الجيل السابق.

تؤيد الجداول أن «نقاط القوة قوية جدًا»، وتؤيد كذلك أن «المهام الطويلة والمحصلة العامة لم ترتفعا معًا». وردود الفعل الانفعالية في اليوم الأول تقع في الغالب في الشق الثاني.

ما قد يسيء قراء العربية فهمه عند متابعة المصادر الصينية

في اليوم الأول ظهرت تقارير كثيرة بالصينية، وفيها نقاط تستحق التدقيق. الأولى المدخل: كتبت بعض المقالات «ChatGPT أُطلق بالكامل»، أما Learn الرسمي فيذكر Work وCodex وAPI، وفي ChatGPT يجب تفعيل Work. والثانية الأرقام: دمج الاختبارات المتشابهة في الاسم من الرسم الرسمي وAA وVals في رقم واحد يعطي استنتاجات متناقضة، فمثلًا FrontierCode 2.0 هو 44.2% في الرسم الرسمي و45.4% في الشروط القياسية لدى AA. والثالثة المصدر: يذكر مقال Kazike حالة 3D طويلة التشغيل بـ Claude ظهرت على X لكنه لم يذكر كاتبها الأصلي ولا رابطها، ولا نضيف نحن مصدرًا من عندنا. والرابعة منشأ الدرجات: 65% و84% و96% عند Kazike نتيجة مجموعة تقييم بسيطة من بنائه، لم تُعلن أسئلتها ولا حجم العينة، وليست تقييمًا صناعيًا.

وإلى ذلك لخّصت APPSO عددًا من عروض 3D وأقوالًا شخصية عن كلفة الاستخدام. وهذه حكايات أطراف ثالثة بلا شروط اختبار موحدة، ولا يستخدم هذا المقال المبالغ المذكورة فيها.

حدود ردود الفعل هذه

  1. مضى على الإطلاق يوم واحد. كل الاستنتاجات انطباعات اليوم الأول؛ وقد توقع Theo نفسه أن يشتعل الانفعال أولًا ثم يهدأ.
  2. العينات صغيرة ومنحازة نحو المحترفين. أصحاب المنشورات في الغالب مطورون مكثّفون أو مقيّمون، ومهامهم لا تمثل المستخدم العادي.
  3. معظمها تجارب مبكرة وشروطها غير شفافة. الـ harness ومستوى الاستدلال والموجّهات في الغالب غير معلنة، ويصعب تكرارها.
  4. بعض التقييمات لا تزال قيد التشغيل. عند نشر Surge لم تكن لمهام Astra المالية نتيجة، ولا يضيف هذا المقال درجات لم تُنشر.
  5. جدار الدفع والتلخيصات. لم نقرأ مقال Every الكامل، وكان مقال Shipper الطويل على X مقتطعًا، والمحتوى المتعلق بهما من تلخيصات مع ذكر المصدر. أما قول Max Weinbach إن النموذجين ذكيان جدًا فلم نره إلا عبر تلخيص Implicator ولم نقرأ منشوره الأصلي، فلا نستخدمه حجة.
  6. لا اختبار من Guishu Intelligence. كل الأرقام والآراء هنا من أطراف ثالثة، ولا تمثل أي استنتاج لـ Guishu Intelligence عن النموذجين.

كيف يستفيد القارئ من هذه المعلومات

لا حاجة إلى الانحياز بين «انتُقد بشدة» و«هو في الحقيقة قوي». الأنفع: إن كانت مهامك تشبه 3D والألعاب ومراجعة الشيفرة والحسابات العلمية فجديرة بالتجربة؛ وإن كنت تحتاج إلى تطوير طويل بلا إشراف وتواصل واضح وأسلوب كتابة ثابت فاختبر أولًا على نطاق صغير واطلب من النموذج الإبلاغ عن العوائق. وانتظر أسبوعًا آخر ليتحدث جدول الترتيب وتظهر تقارير استخدام ليست من اليوم الأول.

المصادر

البيانات حتى 2026-11-18.