ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارX: @ArtificialAnlys→ المصدر

SubQ Snap 1.2 ترتفع من 68 إلى 73 نقطة في Decision Index: تقول «لا أعرف» أكثر

يختبر تصنيف Decision Index مدى صلاحية النموذج لاتخاذ القرارات: هل يختلق إجابة، وهل يغيّر اختياره بسبب إعادة الصياغة. حصل SubQ Snap 1.2 على 73 نقطة مقابل 68 للإصدار 1.1، وبذلك تساوى مع Drex Max v1.1 وGLiDE v1.2. الدقة لم ترتفع (21% و9%): النموذج يرفض الإجابة تخمينًا بشكل أكثر، ولذلك ارتفعت نسبة الإجابات الخالية من الاختلاق من 85% إلى 89%. وبالنسبة إلى الوكلاء الذين يكلّف الخطأ معهم غاليًا، هذه ميزة.

معالج بواسطة الذكاء الاصطناعي من X: @ArtificialAnlys؛ بتحرير Hamidun News
SubQ Snap 1.2 ترتفع من 68 إلى 73 نقطة في Decision Index: تقول «لا أعرف» أكثر
المصدر: X: @ArtificialAnlys. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليX: @ArtificialAnlys ↗
رئيس التحرير
حقيقة رئيسية #1نسبة المستندات المجابة بالكامل بشكل صحيح في AA-Paperclip: من 46% إلى 62%
حقيقة رئيسية #2في أسئلة AA-Omniscience-Decision يجيب النموذج في 29% من الحالات بدلًا من 33%
حقيقة رئيسية #3السعر 0.04 دولار لكل مليون رمز إدخال، وسياق بحجم 384 ألف رمز

تخيّل وكيلًا يختار بنفسه الإجراء الذي سينفذه: الموافقة على دفعة مالية، أو الرد على عميل، أو إغلاق تذكرة. متوسط دقة النموذج هنا لا يقول الكثير. الأهم ألّا يختلق إجابة حين لا يعرف، وألّا يغيّر قراره إذا أُعيدت كتابة الخيارات نفسها بكلمات أخرى. هذه بالضبط الخصائص التي يقيّمها مختبر Artificial Analysis المستقل في تصنيف Decision Index. في الإصدار v2.1 حصل نموذج SubQ Snap 1.2 من شركة Subquadratic على 73 نقطة مقابل 68 للنموذج السابق SubQ Snap 1.1، أي بزيادة 5 نقاط، وتساوى مع متصدري تصنيف القرارات. لكن الزيادة لم تأتِ من حيث يُنتظر عادةً.

ماذا أظهر التصنيف

لدى منافسين اثنين، هما Drex Max v1.1 وGLiDE v1.2، 73 نقطة أيضًا، والفارق بينهما وبين SubQ Snap 1.2 لا يتجاوز 0.1 نقطة. عمليًا تتنافس ثلاثة نماذج على المركز الأول، ولا يمكن الاختيار بينها بالاعتماد على رقم التصنيف وحده.

لم يتغير السعر: 0.04 دولار لكل مليون رمز إدخال. وتبلغ نافذة السياق 384 ألف رمز. جاء التحسن دون زيادة في التكلفة، وهذا مهم إذا كنت تحتسب كلفة معالجة أحجام كبيرة من النصوص.

وكانت أكبر زيادة في اختبارين فرعيين هما AA-Paperclip وAA-Symmetry، بمقدار 8 نقاط في كل منهما.

من أين جاء النمو

يختبر AA-Paperclip العمل مع المستندات. تُحتسب نسبة المستندات التي أجاب عنها النموذج بشكل صحيح تمامًا، دون خطأ واحد. ارتفعت هذه النسبة لدى SubQ Snap 1.2 من 46% إلى 62%. وعند Drex Max v1.1 يبلغ هذا المؤشر 63%، وعند GLiDE v1.2 يبلغ 62%، فالنماذج الثلاثة هنا متقاربة تقريبًا.

يختبر AA-Symmetry الثبات: هل يحافظ النموذج على القرار نفسه ودرجة الثقة نفسها إذا تغيّر السؤال بطريقة لا ينبغي أن تؤثر في الإجابة. مثال: أعطيت الوكيل ثلاثة خيارات للإجراء ليختار واحدًا منها، ثم أعدت صياغة هذه الخيارات بكلمات مختلفة. النموذج الموثوق سيختار الشيء نفسه. في Decision Index v2.1 جرى تحديث هذا الاختبار إلى الإصدار 1.1: أصبحت خيارات الإجابة موجودة داخل وصف الموقف، وأُعيدت صياغتها بالمعنى نفسه. صارت المهمة أصعب، ومع ذلك حسّن SubQ Snap 1.2 نتيجته بمقدار 8 نقاط.

الحذر بدلًا من الدقة

الأكثر إثارة للاهتمام اختباران آخران هما AA-Omniscience-Decision وHLE-MultiChoice. لم تزد الإجابات الصحيحة فيهما: بقيت الدقة عند 21% و9%. لكن ارتفعت نسبة الإجابات الخالية من الاختلاق، أي الحالات التي لم يقدّم فيها النموذج إجابة خاطئة بثقة: من 85% إلى 89% في الاختبار الأول، ومن 46% إلى 55% في الثاني.

السبب هو الامتناع عن الإجابة. في AA-Omniscience-Decision يُقدم النموذج الآن على الإجابة عن 29% من الأسئلة، بعد أن كانت النسبة 33%. فهو يعترف بأنه لا يعرف بشكل أكثر، ويقدّم تخمينات خاطئة بشكل أقل. ويُحتسب هذا في التصنيف تحسّنًا، لأن الإجابة المختلقة تُعاقَب بشدة أكبر من الرفض الصريح.

ماذا يفعل الممارس بهذا

أولًا، انظر مما تتكوّن الزيادة. النقاط الخمس لا تعني أن النموذج صار أذكى: جزء ملحوظ من التحسن مرتبط بالحذر. وفي السيناريوهات التي يكون فيها الخطأ مكلفًا (المالية، والطب، والمستندات القانونية، والإجراءات التلقائية للوكيل) هذا أمر جيد. أما إذا كنت تحتاج إلى أي إجابة عن كل طلب، فسيعيقك الحذر الزائد.

ثانيًا، افحص نسبة الرفض على بياناتك الخاصة. إذا كان النموذج يجيب عن 29% من الأسئلة بدلًا من 33%، فسيتغير سلوك المنتج. يجب أن تكون الواجهة قادرة على التعامل مع «لا أعرف»: بتحويل السؤال إلى إنسان أو إلى نموذج آخر.

ثالثًا، عند تساوي النقاط قارن السعر والسرعة وطول السياق. بسعر 0.04 دولار لكل مليون رمز إدخال ونافذة بحجم 384 ألف رمز، يبدو SubQ Snap 1.2 خيارًا معقولًا للمعالجة الواسعة للمستندات الطويلة.

القيود: هذه معايير اختبار من محلل مستقل واحد، وقد جرى تحديث اختبار الثبات مؤخرًا، ولذلك لا يمكن مقارنة الأرقام مباشرة مع الإصدارات السابقة من المؤشر. وقد تختلف النتائج في مهمة حقيقية. قبل الانتقال إلى الإصدار الجديد، شغّل مجموعة الأمثلة الخاصة بك.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ماذا أظهر التصنيف؟

لدى منافسين اثنين، هما Drex Max v1.1 وGLiDE v1.2، 73 نقطة أيضًا، والفارق بينهما وبين SubQ Snap 1.2 لا يتجاوز 0.1 نقطة. عمليًا تتنافس ثلاثة نماذج على المركز الأول، ولا يمكن الاختيار بينها بالاعتماد على رقم التصنيف وحده. لم يتغير السعر: 0.04 دولار لكل مليون رمز إدخال. وتبلغ نافذة السياق 384 ألف رمز. جاء التحسن دون زيادة في التكلفة، وهذا مهم إذا كنت تحتسب كلفة معالجة أحجام كبيرة من النصوص. وكانت أكبر زيادة في اختبارين فرعيين هما AA-Paperclip وAA-Symmetry، بمقدار 8 نقاط في كل منهما.

ما أبرز التفاصيل حول من أين جاء النمو؟

يختبر AA-Paperclip العمل مع المستندات. تُحتسب نسبة المستندات التي أجاب عنها النموذج بشكل صحيح تمامًا، دون خطأ واحد. ارتفعت هذه النسبة لدى SubQ Snap 1.2 من 46% إلى 62%. وعند Drex Max v1.1 يبلغ هذا المؤشر 63%، وعند GLiDE v1.2 يبلغ 62%، فالنماذج الثلاثة هنا متقاربة تقريبًا. يختبر AA-Symmetry الثبات: هل يحافظ النموذج على القرار نفسه ودرجة الثقة نفسها إذا تغيّر السؤال بطريقة لا ينبغي أن تؤثر في الإجابة. مثال: أعطيت الوكيل ثلاثة خيارات للإجراء ليختار واحدًا منها، ثم أعدت صياغة هذه الخيارات بكلمات مختلفة.

ما أبرز التفاصيل حول الحذر بدلًا من الدقة؟

الأكثر إثارة للاهتمام اختباران آخران هما AA-Omniscience-Decision وHLE-MultiChoice. لم تزد الإجابات الصحيحة فيهما: بقيت الدقة عند 21% و9%. لكن ارتفعت نسبة الإجابات الخالية من الاختلاق، أي الحالات التي لم يقدّم فيها النموذج إجابة خاطئة بثقة: من 85% إلى 89% في الاختبار الأول، ومن 46% إلى 55% في الثاني. السبب هو الامتناع عن الإجابة. في AA-Omniscience-Decision يُقدم النموذج الآن على الإجابة عن 29% من الأسئلة، بعد أن كانت النسبة 33%. فهو يعترف بأنه لا يعرف بشكل أكثر، ويقدّم تخمينات خاطئة بشكل أقل.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…