Relay-Bench: حتى GPT-5.5 حققت 43,3% فقط في اختبار الاستدلال متعدد المجالات

نشر باحثون في يوليو 2026 على arXiv معيار Relay-Bench، الذي يختبر قدرة النماذج اللغوية على حل مهام مترابطة من مجالات معرفية مختلفة في طلب واحد. وحققت GPT-5.5 في وضع xHigh، وهي الأفضل بين النماذج المختبرة، 43,3% فقط، أي أن أقوى نظام لم يتمكن من إنجاز even نصف المهام.

ما الذي يقيسه Relay-Bench

يقيّم Relay-Bench ما إذا كان النموذج قادرًا على الإمساك بعدة مجالات استدلال داخل موجّه واحد. تتألف مجموعة الاختبار بالكامل من مهام مركّبة: تُدمج عدة مهام فرعية أحادية المجال في سلسلة واحدة، ولا يمكن حلها بالاستدلال في مجال واحد فقط. تحتوي كل مهمة على ما بين 2 و13 مهمة فرعية، وتبقى نصية بالكامل، فلا حاجة إلى مدخلات أو مخرجات متعددة الوسائط، مما يسهّل إعادة إنتاج الاختبار على أي نموذج.

يصف المؤلفون المعيار بأنه «غير مشبع» (unsaturated): لا يزال أمام النماذج الحالية مجال واسع للتحسن، والسقف بعيد، ولا يمكن بلوغه بتحديث واحد. وهذا ما يميّز Relay-Bench عن كثير من الاختبارات القديمة، التي وصلت فيها النماذج الأولى منذ زمن إلى 90–100% وتوقفت عن التمايز فيما بينها.

• تتصدر الترتيب GPT-5.5 (xHigh) بنتيجة 43,3%
• كل مهمة مدمجة من 2 إلى 13 مهمة فرعية مترابطة
• المجالات: الاستدلال البصري، والبرمجة، والرياضيات، واستخراج المعلومات (البحث على الويب)، وحل المسائل، والمعرفة العامة، وتحليل البيانات
• الصيغة نصية فقط، دون صور في المدخلات أو المخرجات
• يُسمح للنماذج بتنفيذ الشيفرة والبحث على الويب واستخدام أي أدوات

لماذا لم تتجاوز حتى GPT-5.5 نسبة 43%

تم تعقيد المهام عمدًا، ولذلك تأتي النتائج منخفضة حتى لدى أقوى النماذج. وبحسب وصف المعيار على arXiv، تُضاف إلى السلاسل الأساسية طبقات تعقيد عبر ترميز الموجّه (prompt encoding) والتضخيم المتعمّد للسياق (context bloat)، فعلى النموذج تصفية الضجيج وعدم فقدان الخيط الرابط بين المجالات. ولا توجد قيود خارج إطار تشغيل النموذج (model harness): يشجّع المؤلفون صراحةً على استخدام تنفيذ الشيفرة والبحث على الويب وكل الأدوات المتاحة، ومع ذلك يبقى حاجز 43,3% غير مقهور.

المشكلة الأساسية هي الانتقال بين المجالات. فقد يحل النموذج بثقة مهمة فرعية في الرياضيات وأخرى في البرمجة كل على حدة، لكنه يتعثر حين يجب نقل ناتج إحدى المهام الفرعية إلى التالية ضمن سلسلة استدلال واحدة. ومن هذا «التتابع» (relay) جاء اسم المعيار.

«معيار غير مشبع وشامل ونصي، يقيس قدرة النماذج اللغوية الكبيرة على تنفيذ مجموعة مهام من مجالات مختلفة في موجّه واحد» — من وصف

Relay-Bench على arXiv.

ما الفرق بينه وبين الاختبارات المعتادة

لا يختبر Relay-Bench المهارات المنفردة، بل اجتماعها في مهمة واحدة. تقيس المعايير الكلاسيكية البرمجة أو الرياضيات أو المعرفة العامة كلًّا على حدة، أما هنا فتتشابك سبعة مجالات في سلسلة واحدة، ويؤدي الإخفاق في أي حلقة إلى إفشال المهمة كلها. وهذه الصيغة أقرب إلى سيناريوهات العمل الواقعية، حيث يحتاج الوكيل (agent) إلى البحث عن البيانات على الويب والحساب وكتابة الشيفرة ضمن تكليف واحد.

ماذا يعني ذلك

يكشف Relay-Bench الفجوة بين المهارات الضيقة للنماذج والاستدلال المتكامل: فالنماذج اللغوية الكبيرة قادرة على التعامل مع كل مجال على حدة، لكنها لا تستطيع بعد ربطها في سلسلة طويلة متعددة المجالات. ومجال التحسن واسع جدًا: فالمسافة من 43,3% إلى السقف لا تزال بعيدة، وستضع هذه الاختبارات «غير المشبعة» تحديدًا المعيار للأجيال القادمة من النماذج والأنظمة الوكيلية.

الأسئلة الشائعة

ما هو Relay-Bench؟

Relay-Bench معيار نصي قُدّم على arXiv في يوليو 2026. يختبر كيفية حل النماذج اللغوية لمهام مركّبة من سبعة مجالات (البرمجة والرياضيات والبحث على الويب وتحليل البيانات وغيرها)، مجمّعة في سلسلة واحدة داخل موجّه واحد.

أي نموذج حقق أفضل نتيجة؟

حققت GPT-5.5 في وضع xHigh أفضل نتيجة: 43,3%. هذا يعني أن أقوى نموذج جرى اختباره حل أقل من نصف المهام، وأن المعيار يظل «غير مشبع» وبعيدًا عن السقف.