أطلقت شركة التحليل الاصطناعي المعيارية الإصدار 5 من مؤشر الذكاء الخاص بها، واصفة إياه بأكبر ترقية لتصنيف النماذج المركبة منذ ظهور الإصدار 4 لأول مرة في يناير. التغيير الرئيسي: لأول مرة، تم بناء 60 بالمائة من المؤشر على التقييمات باستخدام مجموعات اختبار خاصة أو إجابات معلقة - وهي استجابة مباشرة لمشاكل التلوث القياسية التي أدت إلى تآكل الثقة في لوحات المتصدرين العامة.

يصل التعديل الوزاري بحكم واضح في الأعلى. يتصدر Claude Opus 5.5 (كحد أقصى) مؤشر v5 عند 58، متقدمًا على GPT-6 Astra (كحد أقصى) عند 57 وGPT-6.1 Sol (كحد أقصى) عند 55. وتحتل Anthropic وOpenAI معًا المراكز الخمسة الأولى، يليها Gemini 4 Argon من Google (مرتفع) عند 50. لمزيد من السياق حول هذه القصة، راجع أخبار الذكاء الاصطناعي.

ما الذي تغير في الإصدار 5

يتم تنظيم مؤشر v5 في أربع فئات متساوية الوزن - العمل المعرفي، والبرمجة، والعلوم والعامة - تبلغ قيمة كل منها 25 بالمائة. هناك معياران جديدان تمامًا، وثلاثة منهم حصلوا على ترقيات رئيسية:

  • FrontierCode 2.0 (جديد). معيار Cognition الخاص الذي يضم 132 مهمة ترميز في العالم الحقيقي في مستودعات مفتوحة المصدر، ويتم تصنيفها بناءً على ما إذا كان مشرف المستودع سيدمج بالفعل تغيير الوكيل. تظل المهام خاصة لتجنب التلوث، ويقوم التحليل الاصطناعي بتشغيل كل مهمة ثلاث مرات باستخدام أداة الركاب.
  • Terminal-Bench-Science (جديد). سبعون مهمة بحثية علمية يتم تنفيذها في بيئة طرفية، حيث تمر المهمة فقط في حالة اجتياز كل اختبار من اختباراتها.
  • HLE-Diamond (تمت ترقيته). نسخة منقحة مكونة من 1000 سؤال من الاختبار الأخير للإنسانية من مركز سلامة الذكاء الاصطناعي ومقياس الذكاء الاصطناعي، مقسمة بالتساوي بين أسئلة الاستدلال والمعرفة، لتحل محل اختبار HLE الأصلي.
  • AA-Omniscience v1.1 (تمت ترقيته). مجموعة بيانات منقحة للمعرفة والهلوسة مع إزالة الأسئلة المشبعة والعامة.
  • المجموعة الفرعية الصعبة CritPt v2 (تمت ترقيتها). مجموعة فرعية صعبة خاصة مكونة من 40 سؤالًا لمعيار الفيزياء على مستوى البحث، تمت مراجعتها من قبل مؤلفيها وتشغيلها مع تنفيذ التعليمات البرمجية.

اختفى من الفهرس: الناتج المحلي الإجمالي (GDVal)-AA v2.1، وSciCode، وAA-LCR v1.1. أطلق التحليل الاصطناعي أيضًا مؤشر التقدم المصاحب الإصدار 1، والذي يتتبع قدرة النموذج بمرور الوقت على مقياس واحد مستمر.

كلود أوبوس 5.5 يتولى زمام المبادرة بشكل عام

يتصدر Claude Opus 5.5 (الحد الأقصى) ثلاثة من التقييمات الفردية التسعة: FrontierCode 2.0 بنسبة 46 بالمائة، وHLE-Diamond بنسبة 68 بالمائة، وAA-Omniscience v1.1 بنسبة 48. ولا يوجد نموذج واحد يتصدر كل شيء - خمسة نماذج أخرى تتصدر المعايير الستة المتبقية.

يتقدم GPT-6 Astra (max) على Terminal-Bench-Science بنسبة 63 بالمائة والمجموعة الفرعية الصلبة CritPt v2 بنسبة 72 بالمائة، مما يؤكد قوة OpenAI في العمل العلمي طويل الأفق. يتصدر Claude Sonnet 5.5 AA-Briefcase في 1812 Elo، ويتقدم Kimi's K3.1 Pro على Terminal-Bench 4.0 بنسبة 67 بالمائة، ويتقدم Gemini 4 Argon على AutomationBench-AA بنسبة 78 بالمائة، ويتصدر Muse Wonder Full إجمالي الناتج المحلي بنسبة 33 بالمائة.

تحتوي نتائج HLE-Diamond على تفاصيل مهمة: النماذج الرائدة تسجل نتائج أفضل بكثير في الاستدلال مقارنة بالمعرفة. حصل كل من Claude Opus 5.5 وGPT-6 Astra على 78% في أسئلة الاستدلال، لكنهما انخفضا إلى 58 و50% على التوالي في المعرفة - وهو دليل على أنه حتى الأنظمة الحدودية لا تزال تهذي أو تفتقر إلى الحقائق في كثير من الأحيان أكثر مما تشير إليه درجاتها في الاستدلال.

فجوة الأوزان المفتوحة تتضاعف ثلاث مرات

النتيجة الأكثر واقعية بالنسبة لنظام الأوزان المفتوحة: تضاعفت الفجوة بين أفضل نموذج مفتوح والنموذج الرائد ثلاث مرات، حيث اتسعت من 3 نقاط في الإصدار 4.3 إلى 12 نقطة في الإصدار 5.

يعد Kimi's K3.1 Pro هو الطراز الأعلى للأوزان المفتوحة بعمر 46 عامًا - لكن أوزانه لم يتم إصدارها بعد. من بين النماذج ذات الأوزان التي تم إصدارها، يتقدم DeepSeek's V4.1 Flash 1017 (كحد أقصى) و Z.ai's GLM-5.3 (كحد أقصى) عند 32، بفارق 26 نقطة كاملة خلف كلود أوبوس 5.5 وتحت كلود هايكو 5.5 (كحد أقصى) عند 36.

الفجوة أوسع في أصعب المعايير الوكلاءية. على HLE-Diamond، سجل Kimi K3.1 Pro 37 بالمائة مقابل 68 بالمائة لـ Opus 5.5؛ في Terminal-Bench-Science، 34 بالمائة مقابل 63 بالمائة لـ GPT-6 Astra. سجلت معظم نماذج الأوزان المفتوحة أقل من 10 بالمائة في المعيار العلمي.

يختلف سعر المهمة بمقدار ثلاثة عشر ضعفًا

وتظل التكلفة متغيرا حاسما. من بين النماذج العشرة الأعلى نقاطًا، يعد GPT-6.1 Terra (الحد الأقصى) هو الأرخص بسعر 0.96 دولارًا لكل مهمة مؤشر الذكاء، في حين أن Claude Fable 5.1 (الحد الأقصى) هو الأغلى بسعر 13.04 دولارًا - أي بفارق يزيد عن 13 ضعفًا.

يمكن القول إن قصة الكفاءة هي أكثر الوجبات الجاهزة عملية للإصدار v5: يسجل GPT-6.1 Sol (الحد الأقصى) نقاطًا ضمن 4 نقاط من Claude Opus 5.5 بينما يكلف حوالي ثُمن التكلفة لكل مهمة، عند 1.27 دولارًا مقابل 10.04 دولارات لـ Opus. يقع GPT-6 Astra (الحد الأقصى) بينهما بسعر 6.24 دولارًا.

أهمية المعايير الخاصة

يعكس التحول نحو مجموعات التقييم الخاصة مشكلة على مستوى الصناعة: تتسرب المعايير العامة إلى بيانات التدريب وتتشبع، مما يجعل من المستحيل الثقة في مكاسب لوحة الصدارة. باستخدام FrontierCode 2.0، يتم تصنيف المهام بناءً على ما إذا كان المشرف سيدمج التغيير - مع تسجيل أي فشل في التحقق من الحظر صفرًا - وتظل قائمة المهام خاصة.

وهذا يجعل الإصدار 5 واحدًا من أصعب المعايير في اللعبة، وحكمه يحمل وزنًا: تقود Anthropic وOpenAI الحدود، وإعدادات الجهد مهمة أكثر من أي وقت مضى، ونماذج الأوزان المفتوحة لديها أرضية جدية للتعافي من المهام الوكيلة التي تحدد بشكل متزايد عمل الذكاء الاصطناعي في العالم الحقيقي.

---

ابق على اطلاع بأخبار الذكاء الاصطناعي

آخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →