GDPx: قياس قدرات النماذج الحدودية في أكثر المجالات قيمة

GDPx معيار يغطي أكثر المجالات قيمة للذكاء الحدودي ويهدف إلى أفضل معيار عالمي لقياس القدرات الوكيلية العامة. يشمل تصميم الشرائح والأمن السيبراني والأحياء والتمويل والقانون والتداول الكمي والتحسين الذاتي العودي وتصميم العتاد وعلوم المواد والمواءمة وهندسة البرمجيات، ويتخلى عمدًا عن الحكومة والعقارات والتأمين. وفقًا لـGDPx، حتى أفضل نموذج يسجل 12% فقط.

النتائج ونقاط قوة النماذج

يذكر GDPx أن Opus 5.5 وGPT-6 Astra خفضا درجاتهما الإجمالية عمدًا بسبب مصنفات الأمان. تهيمن OpenAI وAnthropic على القمة، بينما تتخلف SpaceXAI وMeta والنماذج مفتوحة الأوزان. Gemini 4 Carbon النموذج الوحيد القريب من Opus وAstra. يتصدر Muse Wonder Full في الأمن السيبراني. التفاوت الحاد دال: يفوز Opus 5.5 في التداول الكمي وتصميم العتاد والشرائح؛ وGemini 4 Carbon في الأحياء وهندسة البرمجيات؛ وGPT-6 Astra في RSI وعلوم المواد. مهام التمويل والقانون صعبة لدرجة أن كل نموذج تقريبًا يسجل 0 بالضبط. تضع التكلفة مقابل الأداء Luna وDeepSeek في الطرف المنخفض، وOpus في المرتفع، وOpenAI في الوسط.

كيف يختلف GDPx عن GDPval

يرى GDPx أن GDPval، الصادر في 25 سبتمبر 2025، غير كافٍ لنماذج الحدود الحالية لأن مهامه غير تفاعلية وتقدم السياق جاهزًا. تطلب مهمة تمويلية ملف PDF حتى 15 صفحة من وصف من نحو 500 كلمة، دون بيئة واقعية. ويستشهد GDPx أيضًا بمقيّمين معياريين مشوشين، ومعايير معطوبة، وحلول ذهبية غير صحيحة، ومهام قديمة. في المقابل، تُغذى مهمة تمويلية من Living Context بعملية حقيقية: تشتري Bannock Capital نحو 62% من Haverly Snack Company مقابل $880M مع دفعة أرباح مشروطة. تحتوي البيئة على نحو 4000 ملف مجهول الهوية، وعلى الذكاء الاصطناعي التنقل في غرفة صفقات من نحو 2000 ملف. تستخدم مهام الأمن السيبراني والمواد والعتاد أيضًا بيئات واقعية.

المنهجية والشركاء

يركز GDPx على المجالات المتوقع أن يتسارع فيها الذكاء الاصطناعي أكثر خلال السنة إلى السنتين القادمتين، ويرى أن معيارًا يستند إلى حصة الناتج المحلي الإجمالي أو تصنيف المهن SOC/O*NET خطأ. تعاون مع 14 شريك بيانات متخصصًا، منهم Extrapolate في RSI وBeautiful Machines في تصميم العتاد. خضع الشركاء لضمان جودة صارم واجتازوا ضمان الجودة الآلي من المحاولة الأولى. حد الوقت الافتراضي ثماني ساعات. شُغّلت النماذج في أدوات تشغيل أصلية عند توفرها، وإلا ففي OpenCode. تستخدم المهام تقييمًا ثنائيًا أو جزئيًا، والدرجة الرئيسية pass@1 عبر ثلاث محاولات، مع ترجيح جميع المجالات بالتساوي.

تحليلات معمقة: RSI وتصميم العتاد

مهام RSI، المقدمة حصريًا من Extrapolate، تعرّف RSI كقدرة الوكيل على بناء النسخة التالية من نفسه بشكل مستقل. تعيد إحدى المهام إنشاء تصحيح خطأ في تشغيل تعلم معزز واسع النطاق حيث أدخل خطأ في أداة التشغيل رسالة عند 32K رمز؛ يتلقى الوكلاء نحو 1,000 أثر تشغيل من 21.2 مليون رمز. عبر 20 عملية تشغيل من Claude Opus 5.5 وGPT-6 Astra وGemini 4 Argon وGLM 5.3، واجهت النماذج الأربعة جميعًا صعوبة. تستخدم مهام تصميم العتاد، المقدمة حصريًا من Beautiful Machines، مواصفات ومخرجات من مشاريع مثل نظام نقل مرضى روبوتي من 7,000 مكوّن. تُشغّل العمليات في بيئات معزولة مع SOLIDWORKS وSiemens Designcenter NX وAutodesk Fusion 360 وKiCad وAMD Vivado ومجموعة Cadence، مع تقييم يجمع بين مدققات حتمية وLLM-as-a-judge.

المصادر: Semianalysis