تشبّع معايير تقييم الذكاء الاصطناعي بات مشكلة حقيقية لمن يختار نموذجاً

توقفت معايير تقييم الذكاء الاصطناعي المتقدمة عن إخبارنا بالكثير. بلغ MMLU نسبة 93% للنماذج الأعلى، وتجاوز HellaSwag 95%، كما بلغ GPQA Diamond — الاختبار المصمم خصيصاً لمقاومة الحفظ — نسبة 94.3%. أما GSM8K، الذي كان يوماً بوابة استدلال رياضي مهمة، فقد بات محلولاً بالفعل. عندما يتجمع كل مختبر جدي عند نقطة أو نقطتين من السقف، تتوقف لوحة الصدارة عن قياس القدرة وتبدأ بقياس الضجيج.

قال مؤشر الذكاء الاصطناعي 2026 الصادر عن جامعة ستانفورد بوضوح: التقييمات المصممة لتبقى صعبة لسنوات أصبحت الآن تتشبّع في غضون أشهر. ليس لأن النماذج أصبحت أذكى بشكل كبير بين عشية وضحاها — بل لأن المعايير كانت محدودة، وكانت المختبرات المتقدمة لديها سنوات للتحسين في مواجهتها، أحياناً من خلال التلوث، وأحياناً من خلال مكاسب قدرة حقيقية استقرت عند سقف مناسب بالصدفة.

عندما لا تعني نسبة 100% ما كانت تعنيه سابقاً

يأتي أوضح دليل على انهيار التشبّع كمؤشر من أبحاث الأمن، لا من عروض التسويق. وجدت دراسة حديثة حول قدرة الهروب من بيئة الحوسبة المعزولة (sandbox) أن Mythos Preview، الذي أُعلن عنه في 7 أبريل 2026، نجح في محاولة واحدة على الأقل عبر 100% من العينات المختبرة. أما Cybench، معيار أقدم وأصعب في نفس المجال، فقد استغرق نحو 18 شهراً من التحسن التدريجي للنماذج للوصول إلى منطقة مماثلة. المعيار الأحدث لم يصبح أسهل — بل حُلّ على الفور تقريباً، وهذا يشير إلى أن فئة النماذج تجاوزت عتبة قدرة أسرع من قدرة أي شخص على بناء اختبارات لتتبعها.

هذا مهم لأن فرق المشتريات والمشترين المؤسسيين وحتى المنظمين ما زالوا يعتمدون على نتائج المعايير كاختصار لـ«النموذج الأفضل». عند سقف التشبّع، فارق نقطتين بين نموذجين متقدمين هو ضجيج إحصائي، لا فارق قدرة حقيقي. التعامل معه كعامل حاسم هو خطأ منهجي.

المعايير التي ما زالت تعمل — ولماذا هي مكلفة

تبقى Humanity's Last Exam المعيار الرئيسي غير المتشبّع لصعوبة المجال، والتفاوت في النتائج المعلنة يروي قصته الخاصة: حوالي 35% في إعداد تقييم واحد، وحوالي 45% في آخر، و53.1% عندما تُمنح النماذج إمكانية استخدام الأدوات. هذا التفاوت ليس قياساً مهلهلاً — بل يعكس مدى حساسية المعايير الصعبة حقاً لشروط التقييم، وهي الخاصية التي فقدتها المعايير المتشبّعة تماماً.

كانت استجابة المجال بناء اختبارات أضيق وأكثر تكلفة. يستخدم معيار حديث 198 سؤالاً في الأحياء والفيزياء والكيمياء كتبها خبراء بمستوى الدكتوراه خصيصاً لمقاومة البحث عبر محركات البحث أو مطابقة الأنماط. هذه الاختبارات أصعب بناءً، وأصعب توسعاً، وأصعب حفاظاً على سريتها — لكنها أيضاً أصعب في التحايل عليها، وهذا هو الهدف الكامل.

يبقى التلوث مصدر قلق قائم حتى في الاختبارات الأحدث. تحمل بعض النتائج المعلنة علامات صريحة: مُعلنة ذاتياً وغير مُتحقق منها بشكل مستقل، أو مُعلّمة لاحتمال تلوث بيانات التدريب في نموذج معين. أصبحت نتيجة معيار بلا عملية تحقق معلنة وتدقيق تلوث أقرب إلى دعوى من بائع بدلاً من قياس مستقل.

فجوة النشر هي القصة الحقيقية

الرقم الأكثر أهمية لأي من يشتري أنظمة الذكاء الاصطناعي فعلياً ليس نتيجة المعيار — بل الفجوة بين نتائج المختبر والأداء في بيئة الإنتاج. وجدت أبحاث حديثة حول الأنظمة الوكيلية المؤسسية فجوة 37% بين نتائج معايير المختبر والأداء الفعلي عند النشر. توجد هذه الفجوة لأن المعايير تختبر مهاماً ضيقة ومحددة جيداً في ظروف مضبوطة، بينما تُدخل بيئات الإنتاج تعليمات غامضة وبيانات غير منظمة وسلاسل أدوات متعددة الخطوات ومدخلات خصومية لا تلتقطها أي مجموعة اختبار ثابتة.

يعزز هذا النتيجة الأخرى: تُفشل النماذج المتقدمة، بحسب التقارير، حوالي محاولة من كل ثلاث محاولات في بعض سير العمل الوكيلي في بيئة الإنتاج، وتزداد صعوبة تدقيق هذا الفشل مع تزايد طول سلاسل الاستدلال خلف كل قرار وقلة قابليتها للتفسير. يمكن لنموذج أن يحقق نتيجة معيار 94% ويفشل مع ذلك في ثلث المحاولات عند أداء المهمة الفعلية المطلوبة.

ما يعنيه هذا لمن يختار نموذجاً فعلياً

تنتج عن هذا ثلاثة تحولات عملية. أولاً، أوقف استخدام ترتيب لوحة الصدارة كعامل حاسم بين نماذج متقدمة تحقق نتائج متقاربة — فتلك الفجوة ضجيج، لا إشارة. ثانياً، أعطِ وزناً أكبر للمعايير الصعبة غير المتشبّعة (اختبارات على غرار Humanity's Last Exam، تقييمات ضيقة كتبها خبراء) مقارنة بالمعايير العامة المتشبّعة، وتحقق مما إذا كانت النتائج موثقة بشكل مستقل أو معلنة ذاتياً. ثالثاً، والأهم: شغّل تجربتك الخاصة على توزيع مهامك الفعلي قبل الالتزام. فجوة نشر متوسطة بنسبة 37% تعني أن الرقم المنشور هو، في أفضل الأحوال، تقدير تقريبي — لا ضمانة.

بالنسبة للمشترين المؤسسيين، هذا يدعم أيضاً إدخال تدقيق فجوة النشر كخطوة معيارية في تقييم البائعين، لا كفكرة لاحقة. اسأل البائعين مباشرة عن الفارق بين معاييرهم ونتائج الإنتاج على مهام مشابهة لمهامك، واعتبر الرفض أو الرد بـ«لا نتتبع ذلك» علامة تحذير بذاتها. عصر لوحة الصدارة في اختيار النماذج ينتهي، ليس لأن المعايير أصبحت أسوأ، بل لأن النماذج أصبحت جيدة بما يكفي لجعل المعايير غير ذات صلة عند الحد الهامشي — والبديل الموثوق الوحيد هو الاختبار في مواجهة واقعك الخاص.