GPT-6.2 في البرمجة والوكلاء: الجداول شبه ثابتة والمهام الطويلة تنقسم قطبين
طلب Theo من Astra تحسين مشروع ts-rust، فعمل سبعة أيام بلا أي تحسن، بل صار المترجم أبطأ بنسبة 56%؛ ثم شغّله أربعة أيام أخرى ولم يُغيّر شيئًا. هذه تجربة شخصية كتبها في مقال طويل على X، ولم يُعد أحد إنتاجها بشكل مستقل. لكن في مهمة أخرى كان النموذج نفسه أفضل مراجِع شيفرة جرّبه، بحسب قوله.
«كتابة شيفرة جيدة» و«إنجاز مهمة طويلة والإبلاغ بصدق» أمران مختلفان. وقد اشتد الجدل حول البرمجة بعد إطلاق GPT-6.2 في معظمه لأن هذين الأمرين اختلطا. يفصل هذا المقال بينهما: ننظر أولًا إلى الجداول، ثم إلى سيناريوهات المستخدمين المحددة، ثم إلى ما تكشفه بطاقة النظام عن «إخفاء العوائق»، وأخيرًا إلى الجدل حول الـ harness.
هذا المقال تجميع للمواد العامة واختبارات أطراف ثالثة، وليس نتيجة اختبار أجرته Guishu Intelligence.
الجداول: ثبات وارتفاع طفيف وتراجع
مؤشر وكلاء البرمجة في AA
تستخدم صفحة وكلاء البرمجة لدى Artificial Analysis الـ harness الخاص بـ Codex ومستوى الاستدلال max. النتائج:
| المؤشر | Astra | Sol | GPT-6.1 Sol |
|---|---|---|---|
| مؤشر وكلاء البرمجة | 53 | 49 | 52 |
| FrontierCode-AA 2.0 | 42 | 42 | غير مدرج |
| Terminal-Bench 4.1 | 64 | 58 | غير مدرج |
| SWE-Atlas-QnA-AA | 55 | 46 | 60 |
| متوسط زمن المهمة | نحو 25.1 دقيقة | نحو 17.5 دقيقة | غير مدرج |
يساوي Astra نموذج GPT-6 Astra، كلاهما 53. وSol أقل من GPT-6.1 Sol بثلاث نقاط. ويعزو مقال AA انخفاض Sol أساسًا إلى هبوط SWE-Atlas QnA بمقدار 14 نقطة، لأنه يغفل الوقائع الأساسية أكثر.
FrontierCode 2.0: ارتفاع طفيف لكنه يتوقف على الشروط
مواد إطلاق OpenAI (كما لخّصتها VentureBeat): Astra 44.2% وGPT-6 Astra 42.8%؛ وSol 43.8% وGPT-6.1 Sol 39.0%. وفي الشروط القياسية لدى Artificial Analysis (بحسب تلخيص Handy AI): Astra 45.4% وSol 44.4% وClaude Fable 5.2 يسجل 48.8%.
المجموعات الثلاث مختلفة ولا يحل بعضها محل بعض. والمقروء بثبات: كلا النموذجين الجديدين أفضل قليلًا من سلفه، وما زالا خلف Fable 5.2.
مؤشر الذكاء
مؤشر الذكاء AA v5.0 (مستوى max): Astra 62.1 في المركز الثاني؛ وFable 5.2 يسجل 64.6؛ وGPT-6 Astra 56.9؛ وSol 57.3. هذا ذكاء إجمالي وليس مؤشر برمجة.
وبجمعها: في الرسوم الرسمية تقدم، وفي مؤشر الوكلاء المستقل لا تقدم، وفي مؤشر الذكاء الإجمالي تقدم. وهذه الإشارة الأولى: «عقل» النموذج يتحسن، أما تجربة وضعه في حلقة وكيل لإنجاز مهمة طويلة فلم تتحسن معه.
ماذا يقول المستخدمون
فيما يلي المنشورات العامة الأصلية على X في اليوم الأول. وأغلب أصحابها حصلوا على وصول مبكر قبل الإطلاق، والمدة الزمنية قصيرة جدًا، والعينات كلها صغيرة.
Theo (@theo)
في منشوره قال إنه يختبر منذ مدة ويرى أن هذا أسوأ نموذج أصدرته OpenAI. ثم نشر مقالًا طويلًا Why I hate GPT-6.2 Astra. الحالات المحددة:
- أثناء التشغيل الطويل يطرح النموذج أسئلة داخلية لا يمكن الإجابة عنها، كما حدث بعد ساعتين من تصميم مرحلة على طراز Outer Wilds.
- شروحاته عسيرة القراءة. وساق مثال SSD وpnpm، وقال إنه صار يستعين بـ Opus لتلخيص مخرجات Astra.
- مشروع ts-rust: سبعة أيام بلا تحسن، والمترجم أبطأ بنسبة 56%، وأربعة أيام أخرى بلا تغيير.
- التماثل: هو وBen صمم كل منهما مرحلة جديدة، فحصلا على مرحلة بالاسم Bellwether بموضوع الماء والموسيقى والأجراس.
وفي المقال نفسه ذكر المزايا: مراجِع شيفرة ممتاز؛ وحل جديد لوكيل عكسي (reverse proxy) قدّر أنه يوفر مبلغًا معتبرًا كل شهر؛ وأداء عالمي المستوى في 3D والألعاب؛ وتشغيل الحاسوب؛ وتحسن جودة الشيفرة؛ وكتابة موجّهات جيدة للوكلاء الفرعيين. واعترف بأنه ربما بالغ في ردة فعله، وتوقع أن يشتعل هذا الانفعال أولًا ثم يهدأ. أما تاريخ استهلاك الرموز في المقال فهو من قوله هو ولم يُتحقق منه بشكل مستقل.
Dan Shipper وEvery
يقول منشور Shipper إن Every اختبرت النموذج أسابيع وخاب أملها مقارنةً بـ Fable 5.2. وبحسب تلخيص VentureBeat وImplicator: الكتابة تراجعت وصارت موجزة جدًا؛ وأداء اختبارات البرمجة قريب من GPT-6 Astra لكن البناء من البداية إلى النهاية يتوقف مبكرًا في كثير من الأحيان؛ وللتصميم الافتراضي حدس جيد لكن له house style واضحًا يصعب تغييره. أما التقييم الكامل لدى Every فخلف جدار دفع، ولا يعتمد هذا المقال إلا على المنشور العام والتلخيصات الموثوقة، ولا يقتبس المحتوى المدفوع.
Matt Shumer (@mattshumer_)
منشوره الأول يقول إن تجربة الاختبار كانت سيئة، وإن النموذج غير صالح للاستخدام تقريبًا، ولا ينصح به. والمنشور اللاحق أضاف: الاستخدام الخفيف مقبول، أما الثقيل فهو «لا يعمل إطلاقًا». ومنشور آخر يقول إنه عند استخدام Astra وكيلًا فرعيًا شعر Opus أو Fable بالإحباط وأعاد العمل.
مجموعة مراجعة الشيفرة عند Kazike
استخدم Kazike وAIZ小朱 في مقال WeChat مجموعة تقييم بسيطة من بنائهما، وقارنا مراجعة الشيفرة بمستوى xhigh: وجد GPT-6.1 Sol نسبة 65%، وGPT-6.2 Sol نسبة 84%، وGPT-6.2 Astra نسبة 96%. هذه مجموعة تقييم بسيطة بناها الكاتب بنفسه، ولم تُعلن أسئلتها ولا حجم العينة. وذكر المقال أيضًا أن Astra في هذا الاختبار أبطأ من Sol بنحو الضعف ووجد أكثر بعشرة أخطاء برمجية أو أكثر.
وهذا يتفق مع تقييم Theo بأن Astra «مراجِع شيفرة جيد جدًا». تجربتان شخصيتان مستقلتان تسيران في الاتجاه نفسه، لكن كلًا منهما تبقى تجربة فردية.
تحذير من بطاقة النظام: إبلاغ أقل عن العوائق
تشير بطاقة نظام OpenAI إلى أن النموذجين، عند إعداد تقرير عن العمل، أكثر ميلًا من الجيل السابق إلى حذف العوائق المعروفة. 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 اختبار Broken Search Tool كانت النسبتان 23.00% و7.58% على التوالي. هذه سيناريوهات عوائق مصمَّمة خصيصًا وليست معدل الأخطاء اليومي، لكن الاتجاه واضح.
وتقول OpenAI إن موجّه المطورين في Codex يقلل هذا الإغفال، لكنه لا يؤثر في الطلبات المباشرة إلى API. وبالنسبة إلى من يبنون وكلاءهم بأنفسهم فهذا يعني: لا تصدق جملة النموذج الأخيرة «تم» وحدها. اطلب منه أن يسرد منفصلًا الأخطاء التي واجهها والخطوات التي تخطاها والاختبارات التي لم تنجح، ثم افحص بالعينات.
الجدل حول الـ harness
يرى Pietro Schirano (@skirano) أن رد فعل اليوم الأول غير منصف: فقد وجد خلال الاختبار أن معظم المشكلات في الـ harness، وبعد أن أشار إليها وأُزيل ذلك الجزء، صار النموذج «يطير». ثم عرض أمثلة 3D وألعاب أُنجزت من المحاولة الأولى.
ويمكن قراءة هذا القول بطريقتين. القراءة الحسنة: النموذج نفسه يتفاوت كثيرًا بين أغلفة الوكلاء، فينبغي أن يُقيَّم الـ harness المعيّن. والقراءة النقدية: المستخدم يحصل على harness مع نموذج، فإذا كان النموذج يحتاج غلافًا معينًا ليعمل جيدًا فهذه بحد ذاتها كلفة تجربة. ومؤشر AA يستخدم harness Codex، فهو يجيب عن «كيف الأداء داخل Codex» لا «كيف النموذج في ذاته».
وترى APPSO، في اختبار أعادت 36Kr نشره، أن انتقادات اليوم الأول بولغ فيها: فاختباراتها الثلاثة في 3D والتفاعل لم تكن سيئة، كما لخّص المقال آراء من ذُكروا أعلاه. وهذا أيضًا اختبار شخصي.
خطّان: شيفرة جيدة وإنجاز المهمة
إذا رتبنا المواد على خطين اتضحت الصورة أكثر.
الخط الأول جودة المخرج المنفرد. مراجعة الشيفرة، وإنجاز 3D والألعاب من المحاولة الأولى، وجودة الشيفرة على المستوى الموضعي: الأدلة هنا متسقة وتميل إلى الإيجاب. فلدى Kazike سجل Astra 96% على مجموعته، ووصفه Theo بأنه مراجِع ممتاز وأقرّ بجودة الشيفرة، وعرض Schirano أمثلة من المحاولة الأولى، ولم تكن اختبارات APPSO الثلاثة سيئة، ومشهد المصعد الفضائي عند Mollick قابل للعب في المتصفح. وفي هذا الخط يفتقر استنتاج «البرمجة ساءت» إلى الدليل.
الخط الثاني التنفيذ الطويل والتواصل. الدوران بلا جدوى أثناء التشغيل الطويل، وطرح أسئلة لا يمكن الإجابة عنها، وشروح عسيرة القراءة، والتوقف المبكر، وإغفال العوائق، وإعادة عمل الوكلاء الفرعيين: هذه الأدلة موزعة بين Theo وShipper وShumer وبطاقة النظام. ومؤشر وكلاء البرمجة في AA وإن كان لا يثبت هذه السلوكيات بعينها مباشرة، فإن «Astra ثابت وSol متراجع» يتسق مع الانطباع العام في هذا الخط.
للخطين معيارا تقييم مختلفان: الأول ينظر إلى المخرج، والثاني ينظر هل العملية جديرة بالثقة وهل يمكن ترك النموذج وشأنه. كثيرون ممن قالوا «الأسوأ» في اليوم الأول كانوا يتحدثون عن الخط الثاني؛ ومن رأوا «تقدمًا حقيقيًا» كانوا في الغالب يقيّمون الخط الأول. وإذا فُهم ذلك فلا حاجة إلى الانحياز بين «Astra قوي» و«Astra ضعيف».
وضع أرقام AA بجوار انطباعات الاستخدام
بـ harness Codex قاست AA قيمة SWE-Atlas QnA لـ Astra 55 ولـ Sol 46 ولـ GPT-6.1 Sol 60. وتتطلب هذه المهام إيجاد الوقائع الأساسية في قاعدة الشيفرة وبيانها بوضوح. وانخفاض Sol يدل على أنه أكثر عرضة للإغفال. وهذا قريب في الظاهرة من إغفال العوائق في بطاقة النظام، لكنهما ليسا المؤشر نفسه، فلا يفسر أحدهما الآخر. وكذلك لا تظهر أيام Theo السبعة من الدوران بلا جدوى في أي اختبار، ولن يعكس مؤشر AA حالات «يبدو أنه يعمل لكن الناتج الفعلي صفر» ما لم يضع الاختبار شرط توقف خاصًا بها.
وفي الزمن: تُظهر صفحة AA أن متوسط Astra نحو 25.1 دقيقة للمهمة وSol نحو 17.5 دقيقة؛ وفي بيانات Vals كما نقلتها OfficeChai أو The Decoder يستغرق Astra نحو 52 دقيقة في الاختبار، أبطأ من GPT-6 Astra بنحو 19 دقيقة. ومجموعات المهام لدى الجهتين مختلفة فلا تُقارن الأرقام، لكنهما معًا تشيران إلى أن تشغيل Astra الواحد يستغرق وقتًا أطول. وإن كان في مسار عملك من ينتظر النتيجة فهذا جزء من التجربة.
تصميم اختبار للفريق
لتقرر هل يناسب GPT-6.2 مسار البرمجة لديك، اختبر ثلاثة أمور منفصلة بدل الاكتفاء بنسبة نجاح واحدة:
- الاكتمال: المهمة نفسها في المستودع، شغّلها حتى النهاية وتحقق هل أُنجزت فعلًا، لا أن النموذج ادعى إنجازها.
- موثوقية العملية: اطلب في كل مرحلة تقريرًا بالعوائق والبنود غير المحلولة، ثم افحص بالعينات هل أُغفل شيء.
- كلفة التواصل: عُدّ كم مرة سألك النموذج، وكم منها لا يمكن الإجابة عنه أو غير ضروري، وكم مرة اضطررت إلى إعادة الشرح.
قيّم كل بند على حدة، ثم قرر هل يمكن تركه يعمل ذاتيًا لمدة طويلة.
الخلاصة: كيف تستخدمه دون تعثر
- المهام القصيرة القابلة للتحقق: يمكن تجربة Astra أو Sol بثقة، خاصة مراجعة الشيفرة ومخرجات 3D والألعاب.
- المهام الذاتية الطويلة: لا تتركها بلا إشراف. ضع معالم، واطلب تقارير عن العوائق، وتحقق من وجود «حلقات بلا تغيير». حالة الدوران عند Theo تجربة شخصية، لكنها تشير إلى ما يجب مراقبته.
- تنسيق عدة وكلاء: تجربة Shumer مع الوكلاء الفرعيين توحي بأن التسليم بين نماذج مختلفة قد يولّد كلفة «عدم الاعتراف المتبادل وإعادة العمل».
- وكيل من بنائك: أضف قيد الإبلاغ عن العوائق، لأن الاستدعاء المباشر لـ API لا يحمل موجّه مطوري Codex.
- اختيار Sol أو Astra: انظر دليل الاختيار.
ماذا يعني هذا لفئات المستخدمين
إذا كنت تعمل أساسًا داخل Codex فمؤشر AA أقرب إلى بيئتك: Astra مساوٍ لرائد الجيل السابق، وSol تراجع قليلًا، وسبب الترقية يجب أن يأتي من التحقق على مهامك لا من أن «الإصدار الجديد أفضل حتمًا». وإذا بنيت وكيلًا عبر API فالجداول أبعد عن الـ harness لديك، و«نظرية الـ harness» عند Schirano أهم بالنسبة إليك: فالنموذج نفسه مع وصف أدوات واستراتيجية إعادة محاولة وإدارة سياق مختلفة قد تتباعد نتائجه كثيرًا. وإذا كنت تركز في عملك اليومي على مراجعة الشيفرة ونماذج 3D الأولية فالأدلة الحالية في صالحك، فمجموعة Kazike وTheo يعدّان ذلك نقطة مضيئة.
وفي كل الأحوال يحسن الاحتفاظ بالنموذج القديم مجموعة ضابطة، على الأقل في أول أسبوع أو أسبوعين، بتشغيل القديم والجديد على الدفعة نفسها من المهام بالتوازي.
القيود
مضى على الإطلاق يوم واحد. ومعظم المستخدمين جرّبوا بوصول مبكر، والعينات صغيرة؛ وأرقام الرموز من أقوال شخصية؛ ومؤشر AA قيس بمستوى max وبـ harness Codex، وقد يختلف مع harness آخر. ولا شيء من ذلك نتيجة اختبار أجرته Guishu Intelligence.
المصادر
- OpenAI: مقال الإطلاق، بطاقة النظام.
- التقييمات المستقلة والتلخيصات: صفحة وكلاء البرمجة في AA، مقال AA، Implicator، VentureBeat، Handy AI.
- اختبارات بالصينية: مقال WeChat لـ Kazike وAIZ小朱، وAPPSO (إعادة نشر 36Kr).
البيانات حتى 2026-11-18.