رسم: tuput
العربية
تقول Google DeepMind إن Gemini Decision 1 يأخذ مدخلا واحدا وحتى 1,000 سؤال ويعيد احتمالا لكل خيار في 150 إلى 250 ميلي ثانية، بسعر 0.10 دولار لكل مليون رمز إدخال. وتصنّف Artificial Analysis، وهي جهة اختبار مستقلة، هذا الصنف من النماذج منذ 13 أكتوبر 2026، ويقيّم إصدارها الثاني ما إذا كانت الثقة المعلنة صادقة.
قدمت Google DeepMind نموذج Gemini Decision 1 وواجهة Gemini Decisions البرمجية في 11 نوفمبر 2026. والنموذج لا يكتب إجابة كلمة بعد كلمة. فهو بحسب وصف Google “يقيّم خياراتك المرشحة في تمريرة أمامية واحدة” ويعيد احتمالا لكل واحد منها. ويمكن أن يحمل الطلب الواحد حتى 1,000 سؤال مستقل عن مدخل مشترك من نصوص أو صور أو صوت أو فيديو أو ملفات PDF بحجم يصل إلى 256 ألف رمز. وتذكر Google أن الزمن الكلي من البداية إلى النهاية 150 إلى 250 ميلي ثانية، وأن السعر 0.10 دولار لكل مليون رمز إدخال، دون احتساب رموز الإخراج.
وينتمي Gemini Decision 1 إلى صنف تسميه شركة الاختبارات Artificial Analysis نماذج القرار. ومنذ 13 أكتوبر 2026 تشغّل الشركة مؤشرا علنيا لها، ويقيّم إصداره الثاني الصادر في 8 نوفمبر ما إذا كانت إجابة النموذج صحيحة وكذلك ما إذا كان يمكن الوثوق بثقته المعلنة. وفيما يلي بيان ما تفعله هذه النماذج، وما يقيسه المؤشر، وأي الأرقام صادر عن الشركات المصنِّعة.
اختبار اختيار من متعدد يعيد الاحتمالات
تشرح Artificial Analysis الفكرة برسالة من عميل: “النجدة! مدفوعاتي تفشل منذ 3 أيام وإيجاري مستحق غدا.” يُعطى نموذج القرار ثلاثة أسئلة عنها: أي فريق ينبغي أن يتلقى الرسالة (الفوترة أم التقنية أم الحساب)، وهل هي عاجلة (نعم أو لا)، وإلى أي درجة كاتبها متضايق (هادئ أم محبط أم غاضب). فيجيب عن الثلاثة في استدعاء واحد، مع احتمال لكل خيار. أما النموذج اللغوي الذي يُعطى المهمة نفسها فيكتب ردا منظما يسمّي إجابة واحدة لكل سؤال، دون احتمالات. وعن كيفية بناء تلك النماذج اللغوية ولماذا تكتب كلمة واحدة في كل مرة، راجع كيف يُدرَّب نموذج لغوي كبير.
وتدعم واجهة Google ثلاثة أنواع من الأسئلة. فسؤال نعم أو لا يعيد احتمال أن يتحقق شرط ما. وسؤال الاختيار يأخذ من 2 إلى 255 خيارا ويعيد الفائز مع احتمال مطبَّع لكل مرشح. وسؤال الدرجة يقيّم المدخل على سلّم معايير مرتب ويعيد درجة موزونة واحتمالا لكل مستوى. وتحمل كل إجابة قيمة ثقة من 0 إلى 1، “ليستطيع شيفرتك توجيه الحالات الملتبسة إلى حل بديل أو إلى مراجع بشري”، بحسب عبارة المنشور.
وتذكر Google استخدامات لها. فتستخدم Gemini Notebook الواجهة موجِّها يرسل كل استعلام إلى مستوى من النماذج ومستوى من التفكير، وتقول Google إن ذلك يخدم الاستعلامات اليومية بزمن استجابة أقل بنسبة تصل إلى 40%. ويقول المنشور إن رقم 150 إلى 250 ميلي ثانية يصح للسياقات حتى 16 ألف رمز. ويقول أيضا إن المدخل المشترك يُحتسب مرة واحدة لكل طلب مهما كان عدد الأسئلة، ولا يضيف كل سؤال إلا تعليماته ونص خياراته.
الفكرة نفسها من شركات أخرى
وصل Gemini Decision 1 إلى ميدان فيه عدة منافسين. فقدمت Liquid AI نموذجها d1 في 5 أكتوبر 2026 بوصفه “أول نموذج قرار لدينا”، وهو يدعم الآن النصوص والصور. وتقول Liquid إنه يقرأ الأسئلة في تمريرة أمامية واحدة ويعيد الاحتمالات دون توليد أي رموز، ويستغرق 200 إلى 300 ميلي ثانية لقرار نصي. وفي 16 نوفمبر أصدرت d1.2 وd1.2-ultra اللذين يضيفان إدخال الصوت وخمس مهام جديدة، مثل قراءة قيمة من فاتورة، أو إيجاد كل بيان شخصي في ملاحظة، أو رسم مربع حول توقيع على استمارة ممسوحة.
وفي 11 نوفمبر، وهو يوم إطلاق Google نفسه، أصدرت Subquadratic نموذج SubQ Snap 1.2. وتسعّره الشركة بـ0.04 دولار لكل مليون رمز إدخال، وتقول إنه يتعامل مع مدخلات حتى 256 ألف رمز، ونشرت LongDecisionBench، وهي تسعة اختبارات لمستندات طويلة تصفها بأنها مفتوحة وتقول إنها ستضعها على GitHub وHugging Face قريبا.
وكان العمل الأكاديمي قد بدأ قبل ذلك. فورقة لديليب راو وكريس كالِسون بورش، قُدمت أول مرة في 24 سبتمبر 2026، تقارن نموذجي قرار، هما Jev وDecider من Perplexity، بنماذج لغوية تُستخدم حكَما على الإجابات المكتوبة.
لماذا الاحتمال هو الغاية
لا يفيد الاحتمال إلا إذا كان صادقا. فإذا قال النموذج 80%، ينبغي أن يصيب نحو 80 مرة من كل 100. ويسمي الباحثون هذا المعايرة. وقد أفاد غو وزملاؤه في مؤتمر ICML عام 2017 بأن الشبكات العصبية الحديثة، خلافا لشبكات العقد السابق، ضعيفة المعايرة، وبأن قياس الحرارة (temperature scaling)، وهو تعديل برقم واحد، كان فعالا على نحو مفاجئ في إصلاح ذلك على معظم مجموعات البيانات التي جربوها. وأفاد كاداڤاث وزملاؤه عام 2022 بأن النماذج اللغوية الأكبر حجما جيدة المعايرة في أسئلة الاختيار من متعدد وأسئلة الصواب والخطأ “حين تُعرض بالصيغة المناسبة”.
وتذكر Artificial Analysis الاستخدام العملي: يُتصرف عادة بإجابة نموذج القرار حين تتجاوز ثقته حدا معينا، وإلا مُررت إلى شخص أو إلى نموذج أكثر قدرة. وتصف Google النمط نفسه. ولا يعمل هذا الإعداد إلا إذا كان لوسم “واثق بنسبة 90%” معنى قريب من 90%.
ما الذي يقيسه المؤشر المستقل
أطلقت Artificial Analysis مؤشر القرار v1.0 في 13 أكتوبر 2026 بأربعة تقييمات، لكل منها وزن 25%: AA-Omniscience-Decision (500 سؤال خاص، لكل منها أربع إجابات وخيار “لا أعرف”)، وHLE-MultiChoice (أسئلة الاختيار من متعدد النصية فقط في “الامتحان الأخير للبشرية” (Humanity’s Last Exam)، وعددها 513)، وWhen2Call (اختبار NVIDIA لما إذا كان ينبغي للنموذج أن يجيب أو يستدعي أداة أو يطلب مزيدا من المعلومات أو يرفض)، وWildGuardTest (مجموعة تصنيف للسلامة من Ai2). وتصدّر Jev 1.13 بـ58، متقدما على GLiDE وMicrosoft-Decision-1 بـ54. وتراوحت الكلفة بين 17 و199 دولارا لكل مليون مهمة، والأزمنة الوسيطة بين 0.06 و0.5 ثانية للمهمة.
وذكرت مقالة v1.0 أيضا أن كل نماذج القرار كانت مفرطة الثقة. فعبر معظم مستويات الاحتمال كانت الدقة أقل من الاحتمال الذي أعطاه النموذج، وهي فجوة أرجعتها Artificial Analysis أساسا إلى اختبارات المعرفة والاستدلال. وفي استدعاء الأدوات والتصنيف كان معظمها جيد المعايرة نسبيا. ويرتبط خيار “لا أعرف” بالمشكلة التي يصفها شرحنا عن هلوسة الذكاء الاصطناعي: فالمؤشر يحصي كم مرة يقول النموذج المخطئ إنه لا يعرف بدل أن يخمّن.
أما الإصدار 2 الصادر في 8 نوفمبر فنقل 45% من المؤشر إلى مجموعات بيانات خاصة، بعد أن كانت 25%، للحماية من ضبط النماذج على الاختبارات العلنية. وأضاف درجة القرار. فالإجابة الصحيحة تنال بين 50 و100 والخاطئة بين 50 و0، وتحرّك الثقةُ الدرجةَ داخل كل نصف. وعبر تقييم كامل تساوي الدرجة 50 مضروبة في (1 زائد الدقة ناقص درجة براير)، حيث درجة براير هي متوسط مربع الفجوة بين الاحتمال المعطى وبين كون الإجابة صحيحة، ويعني 0 اليقين والصواب دائما.
وتعطي الشركة مثالا واحدا على الأثر. ففي اختبارها الجديد AA-Paperclip، وهو مجموعة خاصة من 1,500 سيرة ذاتية وإيصال وفاتورة وورقة بحثية، يجتاز Clef نسبة 36% من المستندات ويجتاز Celeris-1.1 Decision نسبة 24%، لكنهما يتعادلان في درجة القرار لأن Celeris-1.1 Decision أفضل في درجة براير، 0.15 مقابل 0.27.
وأظهر الإصدار 2 أيضا أن الأسعار المعلنة لا تحسم الكلفة. فقد تفاوتت الكلفة لكل مليون مهمة بين نماذج القرار بأكثر من 60 ضعفا، من 14 دولارا لـCeleris-1.1 Decision إلى 859 دولارا لـClef. وتقول Artificial Analysis إن معظم نماذج القرار، ومنها Drex Max v1.1 وDecider v1.2، تحتسب مدخل المستند مرة واحدة لكل أسئلته، بينما يحتسبه GLiDE v1.2 لكل سؤال. وجعل ذلك GLiDE v1.2 يكلف 780 دولارا مقابل 102 دولار لـDrex Max v1.1، مع أن سعره المعلن أعلى بنسبة 33% فقط.
هل تتغير الإجابة إذا بُدّل ترتيب الخيارات؟
من نقاط الضعف المعروفة في النماذج اللغوية الحساسية للترتيب. فقد أفاد بيزيشكبور وهروشكا في أغسطس 2023 بفجوة أداء تقارب 13% إلى 75% عبر الاختبارات المرجعية حين أُعيد ترتيب خيارات الإجابة. وأفاد وانغ وزملاؤه في مايو 2023 بأن النموذج اللغوي حين يحكم بين إجابتين، يمكن أن ينحرف الترتيب بتغيير ترتيب ظهورهما. ويورد ملخصهم مثالا يتغلب فيه Vicuna-13B على ChatGPT في 66 من 80 استعلام اختبار حين يكون ChatGPT هو الحكَم.
ويختبر الإصدار 2 من المؤشر هذا باستخدام AA-Symmetry: 120 سؤالا أساسيا و440 صيغة مغايرة، فيها خيارات أُعيد ترتيبها ووسوم بُدّلت وأسئلة نعم أو لا نُفيت. واختار Mammoth 27B الإجابة نفسها عبر الصيغ المغايرة في 99% من الأسئلة، مقابل 91% لـDrex Max v1.1 و88% لـGLiDE v1.2 و67% لـClef. وتقول Artificial Analysis إن الصدارة في هذا الاختبار يقودها معدل مرتفع من الإقرار بعدم المعرفة. وتسجل صفحة منهجيتها أن الإصدار 2.1، المستخدم منذ نوفمبر 2026، غيّر نوعين من الصيغ المغايرة في الاختبار.
وتذكر Subquadratic قياسا مرتبطا بذلك من عندها. فعلى مجموعة علنية من 600 قرار لسير عمل في المؤسسات، تقول إن إعادة ترتيب الخيارات غيّرت الإجابة الأولى في 12% إلى 21% من الأسئلة لدى Snap 1.1 وJev 1.14 وd1-ultra. وتقول إن Snap 1.2 يستخدم تغييرا معماريا وقت الاستدلال “يكاد يزيل حساسية التبديل كليا” في عدة اختبارات مرجعية. وهذا وصف الشركة لنموذجها هي، مقيسا على اختباراتها هي.
أين تقف النماذج في 19 نوفمبر 2026
قالت Subquadratic في 11 نوفمبر إن Snap 1.2 سجل 73 على المؤشر v2.1، “متعادلا على المركز الأول”. وقالت Liquid AI في 16 نوفمبر إن d1.2-ultra سجل 75، متقدما بنقطتين على أفضل نموذج قرار سابق. وبيانات لوحة الصدارة على صفحة v2.1 الحية لدى Artificial Analysis، التي قُرئت في 19 نوفمبر، تتسق مع التقريرين. ويعطي الجدول درجات المؤشر مقرّبة، مع الكلفة لكل مليون مهمة والزمن الوسيط للمهمة كما تسردها الصفحة.
| النموذج | الشركة | مؤشر القرار v2.1 | الكلفة لكل مليون مهمة | الزمن لكل مهمة |
|---|---|---|---|---|
| Claude Haiku 5.5 (Max)، نموذج لغوي | Anthropic | 76 | نحو 6,218 دولارا | نحو 32.3 ثانية |
| GPT-6 Luna (Max)، نموذج لغوي | OpenAI | 76 | نحو 1,548 دولارا | نحو 11.4 ثانية |
| d1.2-ultra | Liquid AI | 75 | نحو 133 دولارا | 218 ميلي ثانية |
| Drex Max v1.1 | Nace.AI | 73 | نحو 103 دولارات | 283 ميلي ثانية |
| SubQ Snap 1.2 | Subquadratic | 73 | نحو 137 دولارا | 162 ميلي ثانية |
| GLiDE v1.2 | Fastino | 73 | نحو 780 دولارا | 284 ميلي ثانية |
| Mammoth 27B | Base Labs | 71 | نحو 264 دولارا | 106 ميلي ثانية |
| Gemini Decision 1 | 66 | نحو 345 دولارا | 211 ميلي ثانية |
يقف Gemini Decision 1 عند 66 على هذا المؤشر، وزمنه الوسيط للمهمة نحو 211 ميلي ثانية، في النطاق نفسه لنماذج القرار الأخرى المدرجة. وتقول تدوينة Google إن النموذج “يتصدر المجموعة كلها، بأدنى خطأ في المعايرة” على اختبارات مرجعية تغطي توجيه الوكلاء والاستدلال والترتيب والفهم متعدد الوسائط. ولا يعطي المنشور درجات، والمجموعة من Google نفسها، فلا يمكن مقابلة الادعاء بأرقام Artificial Analysis. ودرجات المؤشر تعتمد أيضا على الإصدار: فقد أعطت مقالة v2 الصادرة في 8 نوفمبر 77 و76 للنموذجين اللغويين و1,530 دولارا لـGPT-6 Luna (Max)، وهو يختلف قليلا عن صفحة v2.1 الحية.
وتضيف Liquid AI ادعاء معايرة من عندها. فعبر 13 اختبارا مرجعيا و22,505 سؤالا أجابت عنها النماذج الخمسة كلها التي قارنت بينها، تذكر خطأ معايرة قدره 0.8 نقطة لـd1.2-ultra، مقابل 1.2 لـd1.2 و2.7 لـJev 1.14 و3.7 لـDecider v1.3 من Perplexity و7.2 لـGPT-6 Luna على واجهة Decisions البرمجية لديه. وهذه اختبارات Liquid، أجرتها الشركة المصنِّعة، ولا تصف الصفحة تكرارا مستقلا لها.
ما لا تحسمه الأدلة
للمؤشر حدود تذكرها صفحاته نفسها. فأحد تقييماته الستة، EvalSafe-O*NET-AA، لا حقيقة مرجعية لأسئلته: تقول صفحة المنهجية إن الإجابة المرجعية هي متوسط نموذجين لغويين، GPT-6 Astra وClaude Fable 5.1، وتبقي فقط الأسئلة التي يتفقان عليها. وتحمي مجموعات البيانات الخاصة من الضبط، لكنها تعني أيضا أن القراء لا يستطيعون فحص معظم الأسئلة. ولسياق أوسع عن سبب حاجة لوحات الصدارة إلى هذا النوع من التدقيق، راجع مراجعتنا لأخطاء الاختبارات المرجعية والتلوث.
وما زالت النماذج اللغوية تتصدر في الرقم الرئيسي. ففي AA-Paperclip اجتاز Claude Haiku 5.5 (Max) نسبة 92% من المستندات في مقالة v2، مقابل 63% لـDrex Max v1.1، عند فجوتي الكلفة والزمن الواردتين في الجدول. ويختبر مكوّن When2Call خطوة اختيار الأداة التي يعتمد عليها وكلاء الذكاء الاصطناعي، وفي v1.0 سجلت نماذج القرار المتصدرة 84 فيه مقابل 77 و73 للنموذجين اللغويين المختبرين في الإعداد المنخفض (Low).
وتختبر ورقة راو وكالِسون بورش إلى أي مدى يستطيع نموذج القرار أن يحل محل نموذج لغوي في دور الحكَم. ويذكر ملخصها أن الحكَّام من النماذج اللغوية كلّفوا من 16 إلى 357 ضعفا واستغرقوا من 5 إلى 350 ضعفا من الوقت، ومع ذلك تخلف كل نموذج قرار عنهم بفارق دال في 6 من 27 مقارنة على الأكثر. وأخطأ النوعان من الحكَّام بالطريقة نفسها: فأكثر من 85% من أحكام الحكَّام الثلاثة من النماذج اللغوية من فئة flash على أكثر أخطاء نموذج القرار ثقةً كررتها. وإرسال الأحكام غير المؤكدة إلى أولئك الحكَّام حلا بديلا أضاف 2.7 نقطة في أفضل الأحوال على أقوى حكَم منفرد، حتى مع حدود عتبة مثالية.
المصادر وقراءات إضافية
- Google: Gemini Decisions API, fast, calibrated multimodal decisions (11 November 2026)
- Artificial Analysis: Introducing the Decision Index v2 (8 November 2026)
- Artificial Analysis: Decision Index v1.0 (13 October 2026)
- Artificial Analysis: Decision Index v2.1 leaderboard and evaluation page
- Artificial Analysis: Decision Index benchmarking methodology and version history
- Subquadratic: SubQ Snap 1.2, order-robust decisions and higher long-context accuracy (11 November 2026)
- Liquid AI: d1.2, state-of-the-art omnimodal decision models (16 November 2026)
- Liquid AI: Introducing d1, the most capable decision model, now with vision (5 October 2026)
- arXiv 1706.04599: Guo, Pleiss, Sun and Weinberger, On Calibration of Modern Neural Networks (ICML 2017)
- arXiv 2207.05221: Kadavath et al., Language Models (Mostly) Know What They Know (2022)
- arXiv 2308.11483: Pezeshkpour and Hruschka, Large Language Models Sensitivity to the Order of Options in Multiple-Choice Questions (22 August 2023)
- arXiv 2305.17926: Wang et al., Large Language Models are not Fair Evaluators (29 May 2023)
- arXiv 2609.29769: Rao and Callison-Burch, Decision Models vs. LLMs as Rubric Judges: Cheaper, Faster, and Wrong in the Same Places (24 September 2026)
أُعِدّ هذا المقال وكُتب بمساعدة أدوات الذكاء الاصطناعي، وحُرِّر للتحقق من دقته. وهو للمعلومة العامة والنقاش فقط، وليس مشورة مهنية. راجع معاييرنا التحريرية وإخلاء المسؤولية. وجدت خطأ؟ أخبرنا.
أعجبك المقال؟ احصل على التالي.
مقال جيد واحد في كل مرة، يصلك مباشرة إلى بريدك. بلا رسائل مزعجة، ويمكنك إلغاء الاشتراك متى شئت.