Qwen 3.6 Plus يتفوق على DeepSeek V4 Pro في اختبار battle test الروسي ويحقق جدوى اقتصادية أفضل

حمل اختبار battle test الأخير لست نماذج LLM صدرت في أبريل، على المحتوى الروسي، نتيجة غير متوقعة: النموذج الرائد الجديد DeepSeek V4 Pro لم يتصدر الترتيب. فقد تفوق عليه Qwen 3.6 Plus، الذي صدر قبله وتكلفته أقل.

من تصدّر الترتيب

توقع الجميع من DeepSeek V4 Pro نتيجة بمستوى Tier S، أي أكثر من 95 نقطة من أصل 100. وكانت التوقعات منطقية: النموذج كبير وحديث، وسجّل نتائج قوية في AIME وSWE-bench، ويركز على بنية قائمة على الاستدلال (reasoning). لكنه حصل في الاختبار العملي على المحتوى الروسي على 89 نقطة. وهي نتيجة مرتفعة، لكنها ليست ما يُنتظر عادةً من إصدار يطمح إلى مكانة النموذج الرائد في هذا السوق تحديدًا.

وتبدو المقارنة داخل عائلة DeepSeek نفسها أكثر إثارة للاهتمام. فنسخة Flash حصلت على 83 نقطة، أي أنها تأخرت عن Pro بـ 6 نقاط فقط. وفي المقابل، أعطى التشغيل المتكرر لـ Qwen 3.6 Plus، الذي صدر قبل ذلك بـ 22 يومًا، 92 نقطة. والنتيجة أن النموذج الأقدم تفوق على أحدث إصدارات DeepSeek، لا في جودة النص فحسب، بل في الفائدة الإجمالية للمهام الفعلية باللغة الروسية.

السعر مقابل الجودة

المفاجأة الكبرى لا تكمن في النقاط وحدها، بل في الجانب الاقتصادي أيضًا. فإذا كان Pro يتفوق على Flash بعدة نقاط فقط ويكلف أكثر منه بـ 13 مرة، فلم يعد القرار في بيئة الإنتاج بديهيًا. وبالنسبة إلى الفرق التي تنتج كميات كبيرة من المحتوى، يتحول هذا الفارق سريعًا إلى بند ملحوظ في المصروفات. وفي هذا السيناريو لا يهم الرقم القياسي المطلق في الاختبار، بل مقدار النتيجة المفيدة التي يقدمها النموذج عن كل دولار يُنفق.

ويركز صاحب المقارنة في المنهجية المحدّثة على هذه النقطة تحديدًا، ويقترح تقييم النماذج عبر مؤشر score-per-dollar. ويغيّر هذا النهج الاستنتاجات أكثر مما يفعل الترتيب المعتاد بالنقاط الخام. فقد يتأخر النموذج قليلًا في الجودة، لكنه يربح في الاستخدام الفعلي بفضل السعر والسرعة وسلوك أكثر قابلية للتنبؤ في الإجابات الطويلة. وبالنسبة إلى غرف التحرير وفرق المنتجات، فهذا أنفع بكثير من دفع ثمن الخيار الأغلى دون تمحيص.

• DeepSeek V4 Pro — 89 نقطة، مع توقع الوصول إلى Tier S
• DeepSeek Flash — 83 نقطة واقتصاديات أخف بوضوح
• Qwen 3.6 Plus — 92 نقطة وصدارة المقارنة
• الفارق بين Pro وFlash — 6 نقاط مقابل فارق سعر يبلغ 13 ضعفًا
• المؤشر الأهم للاختيار — ليس score وحده، بل score-per-dollar أيضًا

لماذا لم ينقذ الاستدلال النموذج

من أبرز الفرضيات بعد الاختبار أن التحسين لأداء الاستدلال (reasoning) لا يضمن نتيجة قوية في الكتابة السردية (narrative). فمقاييس مثل AIME وSWE-bench تُظهر جيدًا قدرات النموذج في الرياضيات والبرمجة والاستدلال المنظم، لكنها أقل قدرة على التنبؤ بجودة كتابته لنص حي ومترابط ومقنع بالروسية. فمهام المحتوى تتطلب الإيقاع ودقة الصياغة وحسّ البنية والتعامل مع دقائق اللغة، لا مجرد القدرة على تفكيك المسألة إلى خطوات صحيحة.

وفي هذا السياق لا تبدو تحديثات المنهجية إجراءً شكليًا، بل محاولة لتقريب الاختبار من بيئة الإنتاج بصدق أكبر. ومن بين التغييرات ضبط max_tokens، وإعادة اختبار مدفوعة (re-test)، وتقييم أكثر صرامة للقيمة العملية للإجابة. وبعبارة أخرى، لم تعد المقارنة بين نماذج «ذكية» فحسب، بل بين نماذج يجب أن تحل مهمة تحريرية محددة بثبات ضمن ميزانية معينة. وفي ظل هذه الشروط تحديدًا اتضح أن حداثة الإصدار لم تعد في ذاتها ميزة.

ماذا يعني ذلك

لم يعد سوق LLM يشبه سباقًا قوامه «الأحدث هو الأفضل». ففي مهام المحتوى الناطق بالروسية، لا يفوز النموذج الأعلى ضجيجًا، بل الذي يحافظ على جودة النص بصورة أفضل ويحقق عائدًا في بيئة الإنتاج. وهذه إشارة للفرق بأن تعيد فحص النماذج الرائدة الحديثة على سيناريوهاتها الخاصة بدلًا من اختيارها استنادًا إلى عناوين benchmark وحدها.