معيار الذكاء الاصطناعي هو مجموعة ثابتة من المهام تُستخدم لتقييم قدرة النموذج، بحيث
يمكن مقارنة نماذج مختلفة على نفس الاختبار. لا يوجد معيار واحد
يحسم أي نموذج هو الأفضل — فكل واحد يقيس شيئاً ضيق النطاق، وعدد من المعايير المعروفة جيداً
اقتربت الآن من التشبع. النهج العملي هو قراءة الاثنين أو الثلاثة التي تتطابق مع
حمولتك الفعلية، والتعامل مع أي رقم عنوان واحد بشكوك.
من يتصدر حالياً
مصنفة حسب Artificial Analysis Intelligence Index، وهو مزيج من عدة تقييمات مستقلة
بدلاً من اختبار واحد. العمود الأخير هو الذي تتجاهله معظم المقارنات: النقاط
مقسومة على السعر المدمج، وهو ما تشتريه فعلياً.
| # | النموذج | المطوّر | درجة الذكاء | المتوسط المُدمج بالدولار لكل مليون دولار | النقاط لكل دولار |
|---|---|---|---|---|---|
| 1 | GPT-6 أسترا | OpenAI | 61 | $18.00 | 3.4 |
| 2 | Claude Opus 5 | Anthropic | 61 | $9.00 | 6.8 |
| 3 | Claude Fable 5 | Anthropic | 60 | $18.00 | 3.3 |
| 4 | GPT-5.6 Sol | OpenAI | 59 | $10.00 | 5.9 |
| 5 | Kimi K3 أوزان مفتوحة المصدر | Moonshot آي | 57 | $5.40 | 10.6 |
| 6 | Claude Opus 4.8 | Anthropic | 55.7 | $9.00 | 6.2 |
| 7 | GPT-5.5 | OpenAI | 54.8 | $10.00 | 5.5 |
| 8 | GLM 5.2 أوزان مفتوحة المصدر | Zhipu آي | 51.1 | $2.00 | 25.6 |
| 9 | Gemini 3.5 Flash | جوجل | 50.2 | $3.00 | 16.7 |
| 10 | Claude Sonnet 4.6 | Anthropic | 47 | $5.40 | 8.7 |
| 11 | Gemini 3.1 Pro | جوجل | 46.5 | $4.00 | 11.6 |
| 12 | DeepSeek V4-Pro أوزان مفتوحة المصدر | DeepSeek | 44.3 | $0.522 | 84.9 |
الدرجات على مقياس Artificial Analysis Intelligence Index، وهو مزيج من عدة تقييمات مستقلة بدلاً من أي اختبار واحد — وهذه هي الطريقة الصحيحة لقراءة مطالبة عنوان «النموذج الأفضل». أقوى إدخال بوزن مفتوح هو Kimi K3 بـ 57. صنّف المجموعة الكاملة بنفسك على لوحة تصنيف النماذج اللغوية الكبيرة (LLM).
المعايير التي تأتي بأهمية في 2026
MMLU (Massive Multitask Language Understanding)
أسئلة متعددة الخيارات عبر 57 موضوعاً، من الرياضيات الابتدائية إلى القانون المهني.
لسنوات كان الرقم العنوان الافتراضي، وهذا هو المشكلة الآن: نماذج الحدود
متجمعة بإحكام في القمة بحيث تقع الفروقات بينها داخل الضوضاء. MMLU لا يزال
مفيداً لوضع نموذج مفتوح صغير ضد نموذج كبير، وقريب جداً من عديم الفائدة لفصل
نموذجي حدود. تعامل مع مطالبة MMLU لعام 2026 كفحص أرضي، وليس تصنيفاً.
GPQA (Graduate-Level Google-Proof Q&A)
مكتوب من قبل أساتذة متخصصين في الأحياء والفيزياء والكيمياء، ومصمم عن قصد بحيث
البحث على الويب لا يساعد. يجيب على سؤال مختلف من MMLU: ليس «هل قرأ النموذج
الكثير» بل «هل يمكنه الاستدلال على مشكلة صعبة حقاً في مجال تقني». لأنه
يقاوم كل الحفظ الآلي واسترجاع المعلومات، فقد عمّر بشكل أفضل من MMLU كمميز.
سو-بنش مُحقَّق
تقارير أخطاء حقيقية من مستودعات GitHub حقيقية، مسجلة حسب ما إذا كانت التصحيحات من النموذج
تجعل الاختبارات الخاصة بالمشروع تنجح. المجموعة المحققة هي الجزء الذي تم التحقق منه بواسطة الإنسان، مُرشحة لإزالة
المهام التي كانت معطلة أو مستحيلة — وهذا هو السبب الذي يجب عليك فحص أيّ SWE-bench
البائع يقتبسها. هذا هو المعيار الأكثر أهمية في اتخاذ القرار إذا كنت تختار
نموذجاً لعامل ترميز، لأن المهمة والتقدير كلاهما حقيقي. Claude Sonnet 5
يبلغ 85.2% على SWE-bench Verified و 63.2% على SWE-bench Pro الأصعب.
Terminal-Bench
مهام عامل في محطة طرفية حقيقية: تثبيت شيء ما، تشخيص فشل، نص برنامج لإصلاح.
يقيس مهارة مختلفة عن كتابة تصحيح — التسامح مع العمل متعدد المراحل حيث
يجب على النموذج قراءة ناتج الخطأ الخاص به والتعافي. Claude Sonnet 5 يبلغ 80.4% على
Terminal-Bench 2.1. إذا كانت حالة الاستخدام الخاصة بك هي عامل مستقل بدلاً من مساعد رمز مضمن،
فإن هذا و OSWorld يخبرانك أكثر مما يفعله SWE-bench.
OSWorld
استخدام الحاسوب في بيئة سطح مكتب حقيقية — فتح التطبيقات، النقر عبر الواجهات،
إكمال مهمة يقوم بها شخص ما باستخدام الفأرة. الدرجات هنا أقل بكثير من معايير النصوص
عبر الجميع، وهذا إشارة صادقة حول مدى عدم النضج الذي تتمتع به وكلاء استخدام الحاسوب
لا تزال. Claude Sonnet 5 يبلغ 81.2% على OSWorld-Verified؛ Nemotron 3 Nano Omni من NVIDIA،
نموذج مفتوح 30B، يبلغ 47.4% على OSWorld، وهي نتيجة معقولة لحجمه.
ARC-AGI
ألغاز استدلالية بصرية مجردة مبنية بحيث عدم توافر نمط من بيانات التدريب لا ينتقل.
كل مهمة عبارة عن حفنة من تحويلات الشبكة التي يجب على النموذج الاستدلال عليها من بضعة
أمثلة. ARC-AGI هو أقرب شيء في المجال إلى اختبار التعميم الحقيقي بدلاً من
من الاستدعاء، وهذا هو السبب في بطء التقدم فيه ولماذا يتم التعامل مع الطفرات على أنها ذات أهمية كبيرة.
يُبلّغ عن Claude Opus 5 بأنه يتفوق على النموذج الثاني الأفضل بحوالي ثلاث مرات على ARC-AGI 3.
امتحان البشرية الأخير
أسئلة من تأليف الخبراء عبر العديد من التخصصات، مكتوبة على وجه التحديد لمقاومة
التشبع الذي أطاح بـ MMLU. الهدف من التصميم هو معيار يبقى صعباً مع تحسن النماذج،
لذا الدرجات منخفضة بالتصميم والمكاسب الصغيرة ذات معنى. اقرأها كمميز حدود،
وليس كمقياس للفائدة للعمل العادي.
مؤشر التحليل الاصطناعي للذكاء
ليس اختباراً بل مركباً، يجمع عدة تقييمات مستقلة في درجة واحدة. هذه هي
قيمتها: أي معيار واحد يمكن استهدافه، والمزيج أصعب بكثير للعبة. إنه
المقياس المستخدم في الجدول أعلاه. Claude Opus 5 هو الزعيم الحالي بـ 61، مع Claude Fable 5 عند
60 و GPT-5.6 Sol عند 59 — و Kimi K3 عند 57، أقوى نتيجة بوزن مفتوح مسجلة، تقع ضمن أربع نقاط من أفضل نموذج مغلق.
ضمن أربع نقاط من أفضل نموذج مغلق.
كيفية قراءة ادعاء معيار الأداء
اسأل من الذي أجراه. درجة مبلغ عنها من قبل البائع على صفحة إطلاقه الخاصة وتقييم
مستقل هما نوعان مختلفان من الأدلة. لوحات الترتيب المستقلة تطبق نفس
الحزمة على كل نموذج؛ يختار البائع شروطه الخاصة.
تحقق من التلوث. إذا كانت أسئلة معيار الأداء سابقة لموعد قطع التدريب للنموذج و
موجودة بشكل علني، فمن المحتمل أن يكون بعضها في بيانات التدريب. هذا هو
السبب الرئيسي لتضخيم معايير الأداء الأقدم بمرور الوقت ولماذا يتم بناء المعايير الأحدث لتكون
"Google-proof" أو محجوزة بالكامل.
انتبه لنقل خط النهاية. "SWE-bench" بدون "Verified"، مجموعة فرعية غير محددة،
عدد محاولات مختلف، أو درجة مع استخدام الأدوات مقابل درجة بدونها — وهذه
هي الطرق المعتادة التي تتوقف عندها المقارنة عن كونها متكافئة.
احذر من التشبع. عندما تسجل كل نموذج جاد درجة فوق 90 في اختبار، فإن هذا
الاختبار توقف عن ترتيب أي شيء. الاختلافات بمقدار نقطة أو نقطتين في أعلى معيار
مشبع هي ضوضاء، وليست إشارة.
السعر جزء من الدرجة. نموذج أفضل بمقدار نقطتين وأغلى ستة أضعاف
ليس أفضل لمعظم أحمال العمل. هذا هو السبب في أن الجدول أعلاه يتضمن عمود درجة لكل دولار،
ولماذا price-performance
index موجود.
أي معيار يجب أن تهتم به فعلاً؟
بناء وكيل ترميز: SWE-bench Verified أولاً، ثم Terminal-Bench ثانياً.
تجاهل MMLU تماماً.
بناء وكيل استخدام الكمبيوتر أو سطح المكتب: OSWorld، ثم Terminal-Bench.
توقع أن تكون الأرقام المطلقة منخفضة جداً.
الإجابة على الأسئلة التقنية أو العلمية: GPQA، و Humanity's Last Exam إذا
كانت أسئلتك متخصصة فعلاً على مستوى عالي.
مساعد عام أو دردشة: مؤشر مركب أكثر إفادة من أي
اختبار واحد، لأن لا معيار واحد يشبه نطاق ما يطلبه المستخدمون الحقيقيون.
اختيار نموذج صغير لاستضافة ذاتية: المعايير أقل أهمية من التوافق. تحقق
ما سيعمل فعليًا على أجهزتك
حاسبة VRAM أولاً، ثم قارن
درجات المعايير فقط بين النماذج التي تتناسب.
نتائج المعايير المنشورة في قاعدة بيانتنا
| النموذج | النتائج المنشورة |
|---|---|
| Claude Fable 5.1 | Anthropic-reported: Terminal-Bench 4.0 55.8%; GDPval-AA v2 1853 Elo; OSWorld 2.0 (partial) 77.9%; Humanity's Last Exam 60.9% (no tools), 65.0% (with tools); CursorBench 3.2.0 73.4%; AutomationBench 31.4%. Cache reads $0.25 per 1M tokens. |
| Claude Haiku 5.5 | Anthropic-reported: GDPval-AA v2.1 1620 Elo; OSWorld 2.1 (offline subset) 72.4%; Humanity's Last Exam 45.9% (no tools), 57.4% (with tools); Terminal-Bench 4.0 39.2%; FrontierCode 1.1 (Main) 46.4%. Prices shown are for prompts up to 100K tokens; $0.50 / $2.50 above that. |
| GPT-6.1 Sol | وفقاً لما أبلغت عنه OpenAI: DeepSWE v1.1 يطابق GPT-6 Astra (6.4 نقاط أعلى من GPT-6 Sol); AutomationBench 1.0.6 +2.2 نقطة مقابل Claude Opus 5.5 (medium); Terminal-Bench Science 0.1 5.47 دولار/مهمة بأقصى جهد |
| Claude Sonnet 5.5 | وفقاً لما أبلغت عنه Anthropic: Terminal-Bench 4.0 70.6%; CursorBench 4.0 55.5%; FrontierCode 1.1 (Max) 46.2%; GDPval-AA v2.1 1844 Elo; OSWorld 2.1 80.1% (جزئي); Humanity's Last Exam 64.5% (مع الأدوات) |
| Gemini 4 Argon | وفقاً لما أبلغت عنه Google: DeepSWE v1.1 77.9%; AutomationBench 51.3% (#1); LVBench 91.7%; CWE-bench v1 68% (متعادل في المرتبة الأولى). الأسعار تمهيدية؛ 4 دولار / 20 دولار لكل مليون بعد ذلك. |
| Gemini 3.8 Flash | وفقاً لما أبلغت عنه Google: HLE-Verified 54.9%. الأسعار تمهيدية حتى 31 ديسمبر 2026. |
| GPT-6 Luna | وفقاً لما أبلغت عنه OpenAI: DeepSWE v1.1 (max) 66.6% |
| GPT-6 Sol | وفقاً لما أبلغت عنه OpenAI: AutomationBench 1.0.6 (xhigh) 33.2%; Agents' Last Exam V1 (max) 56.4%; DeepSWE v1.1 (max) 68.8%; OSWorld 2.0 offline (xhigh) 60.5% |
| Claude Opus 5.5 | وفقاً لما أبلغت عنه Anthropic: Terminal-Bench 4.0 66.4%; FrontierCode v1.1 54.4%; CursorBench 4.0 57.8%; GDPval-AA v2.1 1846 Elo; OSWorld 2.0 81.8% (جزئي) |
| GPT-6 أسترا | Artificial Analysis Intelligence Index v4.1.1: 61.2; GPQA Diamond 96.0%; ARC-AGI-2 95.0%; Terminal-Bench 4.0 57.9%; FrontierMath Tier 4 97.6% |
| GPT-5.6 Sol | Artificial Analysis Intelligence Index: 59. |
| Claude Sonnet 5 | SWE-Bench Verified 85.2%; SWE-Bench Pro 63.2%; Terminal-Bench 2.1 80.4%; OSWorld-Verified 81.2%. |
| Claude Opus 5 | Artificial Analysis Intelligence Index: 61 (المصنف #1 من 170 نموذج). أكثر من مضاعفة Opus 4.8 على Frontier-Bench v0.1؛ حوالي 3 أضعاف أفضل نموذج التالي على ARC-AGI 3. |
| NVIDIA Nemotron 3 Nano Omni | OCRBench V2:67.04 | Video-MME:72.2 | OSWorld:47.4 | Speech IF:89.39 |
يتم إدراج النماذج التي ينشر مطورها أرقاماً محددة فقط. الغياب هنا لا يعني أن النموذج يؤدي بشكل سيء — وهذا بحد ذاته معلومة قيمة عندما يبدأ البائع بدعوى معيار.
الأسئلة الشائعة
ما هو معيار الذكاء الاصطناعي؟
مجموعة محددة من المهام بطريقة تقييم معرّفة، تُستخدم لمقارنة النماذج المختلفة على مدخلات متطابقة. تتراوح المعايير من
مقارنة على مدخلات متطابقة. تتراوح المعايير بين اختبارات المعرفة من متعدد الخيارات مثل MMLU
إلى المهام الموكلة بالوكيل مثل حل مشاكل GitHub الحقيقية على SWE-bench، وكل منها يقيس نطاقاً ضيقاً
ما هو معيار الذكاء الاصطناعي الأكثر موثوقية؟
لا يوجد معيار واحد. المؤشرات المركبة هي الأرقام الرئيسية الأكثر موثوقية لأن دمج عدة تقييمات أصعب بكثير من التحسين لاختبار واحد. بالنسبة
لقرار محدد، المعيار الأكثر موثوقية هو الذي يشبه عبء العمل الخاص بك — SWE-bench Verified للوكلاء البرمجية، OSWorld لاستخدام الكمبيوتر، GPQA للاستدلال التقني.
several evaluations is much harder to target than optimising for one test. For a specific
decision, the most reliable benchmark is whichever one most closely resembles your workload —
SWE-bench Verified for coding agents, OSWorld for computer use, GPQA for technical reasoning.
ما هي درجة MMLU الجيدة في عام 2026؟
MMLU مشبعة إلى حد كبير بين النماذج الحدودية، لذا فإن الدرجة العالية لم تعد تميزها.
لا تزال مفيدة لتصنيف النماذج المفتوحة الأصغر، حيث لا يزال الانتشار واسعاً. إذا كنت
تقارن بين نموذجين حدوديين، فإن MMLU لن تفصل بينهما و GPQA أو مؤشر مركب
سيفعل.
هل يمكن التلاعب بنتائج مقاييس أداء الذكاء الاصطناعي؟
نعم، وبطريقتين. فقد تتضمّن بيانات التدريب أسئلة المقياس نفسه، ما يؤدي إلى تضخيم النتائج دون أي تحسُّنٍ فعليٍّ في القدرات — ولذلك صُمِّمت المقاييس الأحدث لمقاومة البحث والحفظ الآلي. كما يمكن اختيار ظروف التقييم بطريقة مُفضَّلة: مثل استخدام مجموعة جزئية مختلفة، أو زيادة عدد المحاولات، أو السماح باستخدام أدوات معينة عند المقارنة بنموذج لا يستخدمها. وتخفِّف اللوحات القيادية المستقلة التي تُدار بشكل منفصل والمؤشرات المركَّبة من كلا النوعين من التحيُّز.
أي مكاسب حقيقية في القدرات — ولذلك صُمِّمت مقاييس الأداء الأحدث لمقاومة عمليات البحث
والحفظ عن ظهر قلب. كما يمكن اختيار شروط التقييم بشكلٍ مُفضَّل: مثل استخدام مجموعة فرعية مختلفة، أو عدد أكبر من المحاولات، أو الاستفادة من أدوات معينة عند المقارنة بنموذج لا يستخدمها. وتخفِّف لوائح التصنيف المستقلة والمؤشرات المركبة من كلا المشكلتين.
وتخفِّف لوائح التصنيف المستقلة والمؤشرات المركبة من كلا المشكلتين.
وتخفِّف لوائح التصنيف المستقلة والمؤشرات المركبة من كلا المشكلتين.
هل تتنبَّأ نتائج المقاييس بأداء النموذج في العالم الحقيقي؟
جزئيًّا. فالمقاييس المُصمَّمة لتكون مُطابقةً للمهام الواقعية، مثل «SWE-bench Verified» و«OSWorld»، تتنبَّأ بدقة معقولة لأن المهمة المُختبرة هي بالفعل المهمة الواقعية نفسها.
أما مقاييس الاختيارات المتعددة الأكاديمية فهي تتنبَّأ بشكل ضعيف، لأن الإجابة عن أسئلة الامتحانات ليست المهمة التي تؤديها معظم التطبيقات عادةً.
وأفضل مؤشّر تنبُّئي لا يزال هو التقييم الذي تقوم أنت ببنائه على بياناتك الخاصة.
وأفضل مؤشّر تنبُّئي لا يزال هو التقييم الذي تقوم أنت ببنائه على بياناتك الخاصة.
أي نموذج مفتوح الوزن يحقق أعلى درجة؟
نموذج Kimi K3 بنتيجة 57 على مؤشر الذكاء الاصطناعي من Artificial Analysis، وهي أفضل نتيجة محقَّقة لنموذج مفتوح الوزن حتى الآن، وتقلُّ بـ4 نقاط فقط عن أفضل نموذج مغلق.
الجدول القيادي أعلاه يُحدِّد كل إدخال مفتوح الوزن، والمجموعة الكاملة قابلة للفرز في
الجدول أدناه
لوحة تصنيف النماذج اللغوية الكبيرة (LLM).