أفضل وكيل برمجة يتحكم بالروبوت في 77% من المهام، لكنه لا ينجح إلا في 30% عند الاعتماد على المستشعرات وحدها
يكتب وكلاء البرمجة مثل Codex شيفرات برمجية بثقة، لأن بإمكانهم فحص أي متغير وإعادة تشغيل البرنامج. أما مع الروبوت فلا يمكن التراجع عن سقوط قطعة. قدّم معيار Embodied First Exam (EFE) لهؤلاء الوكلاء 1156 مهمة على 47 روبوتًا مُحاكى. وحلّ أفضل وكيل، GPT-6 Astra في Codex CLI، 77% من المهام الصعبة عند توفر الوصول إلى حالة المحاكي وإمكانية إعادة الضبط دون حد، لكنه لم يحل سوى 30% عند الاعتماد على المستشعرات وحدها مع عدد محدود من عمليات إعادة الضبط. الخلاصة: يحتاج الأمر إلى طبقة تشغيل تضمن التعافي الآمن.
معالج بواسطة الذكاء الاصطناعي من TG: @gonzo_ML (gonzo-обзоры ML статей)؛ بتحرير Hamidun News
يكتب وكلاء البرمجة مثل Codex أو Claude Code البرامج ويصلحونها بثقة، ومن الطبيعي أن يرغب المرء في أن يوكل إليهم التحكم بروبوت فيزيائي. لكن المطوّر في البرنامج يستطيع فحص أي متغير، وإذا تعطل شيء فبإمكانه ببساطة إعادة تشغيل العملية. أما مع الروبوت فلا يمكن التراجع عن سقوط قطعة، ولا يرى الروبوت إلا ما تعرضه عليه مستشعراته الخاصة.
وقد قاس معيار Embodied First Exam (EFE) الجديد ثمن هذا الفارق: فأفضل وكيل بين من جرى اختبارهم، GPT-6 Astra في CLI Codex من OpenAI، يحل 77% من المهام الصعبة عندما تتوفر له حالة المحاكي كاملة وعمليات إعادة ضبط بلا حد، ولا يحل سوى 30% من المهام نفسها عندما لا تبقى له سوى المستشعرات المدمجة وعدد محدود من عمليات إعادة الضبط. أي بانخفاض قدره 47 نقطة مئوية.
ما الذي جرى اختباره
EFE معيار مُحاوَى في حاويات (containerized) يضم 1156 مهمة على 47 روبوتًا مُحاكى. يُؤخذ الوكلاء كما هم، دون أي تخصيص للروبوتات، ويُتاح لهم ثلاثة مسارات: إصدار الأوامر للروبوت مباشرة، أو كتابة وحدة تحكم له، أو تدريب سياسة تحكم. وقورنت المهام الصعبة نفسها في وضعين: «وضع المطوّر» و«وضع الروبوت الحقيقي».
عمل على الدراسة فريق كبير بقيادة Manling Li، ومن بين المؤلفين المشاركين فاي-فاي لي، وبيتر أبيل، وإريك شينغ، وداون سونغ. وقد نُشرت شيفرة المعيار على GitHub، فيمكن تشغيل وكيلك الخاص عليه بنفسك.
أين ينهار أداء الوكيل
تخيّل أنك تُدخل قابسًا في مقبس كهربائي. في وضع المطوّر، لديك كاميرا من الأعلى، وإحداثيات دقيقة لجميع الأجسام، وزر «تراجع» بلا قيود. أما في وضع الروبوت الحقيقي، فلا ترى إلا بعيني الذراع نفسها، والمحاولات قليلة، لأن شيئًا ما قد يسقط أو يتحرك بعد كل إخفاق. وهذا هو الفارق بين الوضعين في EFE.
في الوضع الأول، يتعامل GPT-6 Astra بنجاح مع 77% من المهام الصعبة المتقابلة. وفي الثاني، مع 30%. ويربط المؤلفون ذلك في المقام الأول بالمراحل التي تتطلب تلامسًا دقيقًا: فللعثور على القوة والوضعية الصحيحتين يلزم عدد من التجارب والأخطاء. وحين تكون المحاولات قليلة والخطأ لا رجعة فيه، لا يستطيع الوكيل اتباع عادته في «كتابة الشيفرة وتشغيلها ثم تصحيحها»، كما يفعل مع البرمجيات.
والفكرة الرئيسية أن امتيازات البرمجة المعتادة (رؤية كاملة للحالة وإعادة تشغيل رخيصة) مُضمَّنة ضمنيًا في طريقة عمل الوكلاء. أما العالم الفيزيائي فيسلبهم إياها.
ماذا نفعل عمليًا
يعدّ كاتب التحليل في قناة gonzo_ML أن أطر التشغيل (harnesses) للروبوتات الفيزيائية أحد الموضوعات الكبرى المقبلة. والاستنتاج من EFE هو فعلًا أن نموذجًا قويًا واحدًا لا يكفي. المطلوب طبقة تقرر أي الإجراءات آمنة، وتتحقق من النتيجة عبر المستشعرات، وتعيد النظام إلى حالة العمل بعد الإخفاق.
وبالنسبة إلى الفرق التي تبني روبوتات على أساس وكلاء LLM، تنتج عن ذلك بضع قواعد بسيطة:
- لا تقيّموا الوكيل في محاكاة بحالة كاملة فقط: فهذا المقياس يبالغ كثيرًا في تقدير الفرص الحقيقية (77% مقابل 30% في EFE)؛
- ضمّنوا التعافي الآمن والتراجع في التصميم، ولا تعتمدوا على إعادة التشغيل؛
- اختبروا بشكل منفصل المراحل التي تتطلب تلامسًا دقيقًا، فهناك يتراجع النجاح أكثر من أي مكان آخر؛
- اعتبروا عدد المحاولات المتاحة جزءًا من شروط المهمة: فكلما قلّت عمليات إعادة الضبط، انخفضت النتيجة.
القيود
ينبّه المؤلفون إلى أن جميع التقييمات في المعيار مأخوذة من محاولات منفردة وفي المحاكاة فقط. ولا يزال التباين بين عمليات التشغيل المختلفة مجهولًا، كما أن الانتقال إلى أذرع روبوتية حقيقية سيضيف صعوباته الخاصة: الاحتكاك، وضجيج المستشعرات، وتآكل القطع. لذلك فإن نسبة 30% ليست توقعًا لأداء روبوت حقيقي، بل مؤشر على مدى الضرر الذي يلحقه وضع «المستشعرات فقط مع عمليات إعادة ضبط محدودة» بوكيل يؤدي أداءً ممتازًا في وضع المطوّر.
الدرس العملي لمديري المنتجات والمؤسسين: إذا كنتم تعدون بـ«وكيل يتحكم بالعتاد»، فاختبروه في ظروف أقرب ما تكون إلى ظروف التشغيل الفعلي. فالفجوة البالغة 47 نقطة مئوية بين المحاكاة المريحة والمستشعرات الحقيقية هي المنطقة التي يتحدد فيها اليوم ما إذا كان منتج كهذا سيعمل.
- 18 نوفمبر 2026AWS تدمج Dynamo في HyperPod: نموذج Qwen3-235B يولّد 207 رموز/ثانية لكل GPU بدلاً من 101
- 18 نوفمبر 2026نموذج Jev الجديد يستجيب في 150 مللي ثانية مقابل 1,89 ثانية لدى GPT-6 Astra
- 18 نوفمبر 2026جنسن هوانغ يستقيل من منصب الرئيس التنفيذي لـ NVIDIA، والشركة تفقد أكثر من $1 تريليون من قيمتها السوقية
- 18 نوفمبر 2026Moonshot AI تحوّل Kimi من البرمجة إلى العلوم: تحليل الجينات في 90 دقيقة بدلًا من 4 ساعات
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الذي جرى اختباره؟
EFE معيار مُحاوَى في حاويات (containerized) يضم 1156 مهمة على 47 روبوتًا مُحاكى. يُؤخذ الوكلاء كما هم، دون أي تخصيص للروبوتات، ويُتاح لهم ثلاثة مسارات: إصدار الأوامر للروبوت مباشرة، أو كتابة وحدة تحكم له، أو تدريب سياسة تحكم. وقورنت المهام الصعبة نفسها في وضعين: «وضع المطوّر» و«وضع الروبوت الحقيقي». عمل على الدراسة فريق كبير بقيادة Manling Li، ومن بين المؤلفين المشاركين فاي-فاي لي، وبيتر أبيل، وإريك شينغ، وداون سونغ. وقد نُشرت شيفرة المعيار على GitHub، فيمكن تشغيل وكيلك الخاص عليه بنفسك.
ما أبرز التفاصيل حول أين ينهار أداء الوكيل؟
تخيّل أنك تُدخل قابسًا في مقبس كهربائي. في وضع المطوّر، لديك كاميرا من الأعلى، وإحداثيات دقيقة لجميع الأجسام، وزر «تراجع» بلا قيود. أما في وضع الروبوت الحقيقي، فلا ترى إلا بعيني الذراع نفسها، والمحاولات قليلة، لأن شيئًا ما قد يسقط أو يتحرك بعد كل إخفاق. وهذا هو الفارق بين الوضعين في EFE. في الوضع الأول، يتعامل GPT-6 Astra بنجاح مع 77% من المهام الصعبة المتقابلة. وفي الثاني، مع 30%.
ما أبرز التفاصيل حول ماذا نفعل عمليًا؟
يعدّ كاتب التحليل في قناة gonzo_ML أن أطر التشغيل (harnesses) للروبوتات الفيزيائية أحد الموضوعات الكبرى المقبلة. والاستنتاج من EFE هو فعلًا أن نموذجًا قويًا واحدًا لا يكفي. المطلوب طبقة تقرر أي الإجراءات آمنة، وتتحقق من النتيجة عبر المستشعرات، وتعيد النظام إلى حالة العمل بعد الإخفاق.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.