لقد مرّ ما يقرب من يومين على إطلاق GPT-6 Astra. تعمّدنا الانتظار قبل الكتابة عنه، لأن كل إطلاق جديد يأتي مصحوبًا بجداول مقارنة وآراء فورية وشروحات كُتبت قبل أن يختبره أحد فعليًا. شغّلناه بأنفسنا، واختبرناه، وهذا حكمنا بلا تحفظات معتادة: إنه مذهل تمامًا، وربما أفضل نموذج اختبره فريقنا على الإطلاق. الذكاء الاصطناعي العام (AGI) هنا.
قد تثير الجملة الأخيرة الجدل، لذلك يعرض هذا المقال ما اختبرناه، وما فاجأنا، وما تعطل، وما كلّفنا. وللاطلاع على المواصفات، يتضمن دليل GPT-6 Astra API معرّف النموذج، وجدول الأسعار، وملاحظات الترحيل من GPT-5.6 Sol. أما هنا فنركّز على تجربة العمل الفعلية معه.
ليلة الخميس: الطلب الأول
وصلنا الوصول في وقت متأخر من الخميس، 3 سبتمبر، وهو اليوم نفسه الذي أعلنت فيه OpenAI عن Astra لمجموعة محدودة من المؤسسات.
بدأنا بأبسط اختبار عملي: سلّمناه مواصفات OpenAPI لخدمة داخلية، تضم 140 نقطة نهاية وحوالي 380,000 رمز JSON عند احتساب المخططات، عبر Responses API في طلب واحد من Apidog.
يتعامل GPT-5.6 Sol مع ملف بهذا الحجم، لكن أداءه يصبح متعثرًا؛ إذ يفقد التركيز في المخططات العميقة ويبدأ بالإجابة عن نقاط نهاية غير موجودة. لم يفعل Astra ذلك.
طلبنا منه إنشاء خطة اختبار توضّح:
- الاعتماديات بين نقاط النهاية.
- حدود المصادقة.
- الاختلافات المحتملة بين المواصفات والتنفيذ.
عاد بخطة مجمّعة حسب المورد، وحدد ثلاث نقاط نهاية لا تتطابق فيها استجابة الخطأ الموثقة مع مخطط الخطأ في المواصفة، ثم طرح سؤالًا واحدًا فقط: هل رأس المستأجر مطلوب في مسارات الإدارة؟ كانت المواصفة غامضة في هذه النقطة، والإجابة ستغيّر تصميم الاختبار. [تحقق: التناقضات الثلاثة والسؤال]
سؤال واحد، لكنه السؤال الصحيح، ثم واصل العمل.
تفسّر أرقام OpenAI الخاصة بالسياق الطويل ما رأيناه. في اختبار MRCR v2 ذي الإبر الثماني، يحقق Astra نسبة 96.3% في نطاق 512 ألفًا إلى مليون رمز، مقابل 73.8% لـ Sol. عمليًا، هذا هو الفرق بين نموذج يمكنك تزويده بالعقد كاملًا، ونموذج تضطر إلى تقسيمه إلى فصول.
صباح الجمعة: التوقف عن النقر
استخدام الكمبيوتر هو الميزة الأبرز، لذلك أعطينا Astra يوم الجمعة عنوان URL مؤقتًا لموقع وثائقنا ومهمة ضمان جودة روتينية للواجهة الأمامية:
- فتح كل صفحة.
- اختبار مربع البحث.
- التحقق من عرض نماذج الأكواد.
- تسجيل أي عنصر معطل.
تدرج OpenAI فحوصات ضمان الجودة للواجهة الأمامية ضمن استخدامات Astra. وفي OSWorld 2.0، يحقق النموذج 72.6% في حوالي 40 دقيقة لكل مهمة، مقابل 65.7% لـ Sol في حوالي 75 دقيقة.
أنجز Astra المهمة ببطء ومنهجية، مع التقاط لقطة شاشة في كل خطوة. مشاهدة نموذج يتصفح صفحة، ويدقق في كتلة رمز، ويتحقق من زر النسخ تجربة مثيرة للإعجاب.
ثم فعل شيئًا لم نطلبه. بعد حوالي عشرين دقيقة، وجد رابط «تنزيل OpenAPI» في صفحة الوثائق، وقرأ المواصفات، ثم غيّر منهجه. بدل النقر على الأمثلة التفاعلية واحدًا تلو الآخر، بدأ يرسل طلبات مباشرة إلى نقاط النهاية ويقارن الاستجابات بالأمثلة الموثقة.
أخبرنا بما يفعله وسببه: واجهة البرمجة كانت أكثر موثوقية من الصفحة المعروضة. هذه هي الفكرة الأساسية وراء مقالنا لماذا يجب عليك إعطاء Astra مواصفات OpenAPI الخاصة بك بدلًا من شاشتك. توصل النموذج إلى الاستنتاج نفسه تلقائيًا: العقد أسرع وأرخص وأقل غموضًا من واجهة المستخدم، والنموذج الجيد سيتجاوز الواجهة عندما تتاح له المواصفات.
ليلة الجمعة: إعادة الهيكلة الليلية
كان الاختبار الثالث هو ما غيّر رأيي بشأن الذكاء الاصطناعي العام.
أعطينا Astra، الذي يعمل داخل Codex، مهمة إعادة هيكلة أجلناها طويلًا: نقل مجموعة من اختبارات التكامل من أدوات تثبيت مكتوبة يدويًا إلى أدوات تثبيت مولّدة من مواصفات OpenAPI نفسها، عبر حوالي 60 ملفًا، من دون تغيير ما تتحقق منه الاختبارات. [تحقق: عدد الملفات]
هذا النوع من العمل ليس صعبًا، لكنه طويل، وكانت النماذج السابقة تضل طريقها فيه. كانت تلخّص سياقها في منتصف المهمة، وتنسى سبب وجود أداة غريبة، ثم «تصلحها» بطريقة تكسر الاختبارات.
لدى Astra آلية مناسبة لهذه المشكلة. في Codex، يحتفظ بالملاحظات عبر نوافذ السياق بدل ضغط كل شيء في ملخص واحد، وتظل النوافذ السابقة قابلة للبحث.
فعّلنا العلامة التجريبية في config.toml، وبدأنا التشغيل عند الساعة 11 مساءً، ثم ذهبنا إلى النوم.
في الساعة 1:12 صباحًا، طرح سؤالًا من دون إيقاف المهمة. يتيح Codex الآن لـ Astra طرح الأسئلة بشكل غير متزامن، مع مواصلة الأجزاء التي لا تعتمد على الإجابة، وهو ما وصفته OpenAI في منشور الإطلاق.
كان السؤال: هل الأداة الموجودة في اختبارين بصيغتين مختلفتين خطأ أم سلوك مقصود؟ كانت خطأً. وعندما أجبنا في الصباح، كانت بقية المهمة قد انتهت، وأصبحت المجموعة خضراء، وترك Astra ملاحظة تشرح الملفين اللذين لم يلمسهما وسبب ذلك. [تحقق: التوقيت والنتيجة]
هذا ليس برنامج دردشة؛ إنه زميل يعمل طوال الليل.
ما الذي تعطل؟
هناك نقطتان يجب معرفتهما قبل بناء أنظمة تعتمد عليه.
أولًا، مراقب عدم التوافق. تشغّل OpenAI مراقبة إنتاجية على كل طلب Astra يستخدم الأدوات، وتحذّر من أن الفحوصات «قد تبطئ أو توقف أو توقف العمل المشروع أحيانًا»، بما في ذلك المهام التي يعمل فيها الوكيل لفترة طويلة.
واجهنا ذلك مرة واحدة: توقف تشغيل طويل يعتمد على واجهة برمجة التطبيقات عبر Responses API من دون نتيجة جزئية. [تحقق: حدث التوقف]
في ChatGPT أو Codex يُطلب منك مراجعة الإجراء، أما في واجهة البرمجة فينتهي الطلب. لذلك:
- احفظ نقاط تحقق أثناء التشغيلات الطويلة.
- أضف آلية استئناف واضحة.
- لا تضع مهمة تستغرق 40 دقيقة في مسار بلا إعادة محاولة.
ثانيًا، التكلفة. يبلغ سعر Astra:
- 10 دولارات لكل مليون رمز إدخال.
- 50 دولارًا لكل مليون رمز إخراج.
- 20 دولارًا لكل مليون رمز إدخال للطلبات التي تتجاوز 272 ألف رمز.
كلّف تشغيل المواصفات ذات الـ380 ألف رمز حوالي 7.60 دولارات للإدخال وحده، قبل أن يكتب النموذج أي كلمة. أما التمريرة الثانية فكلّفت حوالي عُشر ذلك بعد تخزين البادئة مؤقتًا بسعر دولارين لكل مليون رمز. الوضع السريع يضاعف كل شيء.
التكلفة معقولة بالنظر إلى النتيجة، لكنها تساوي 2.5 ضعف معدل GPT-5.6 Sol الترويجي، البالغ 4 دولارات للإدخال و20 دولارًا للإخراج، ويظهر الفرق سريعًا في ميزانية الفريق.
اكتشفنا النقطتين بإرسال طلبات حقيقية وقراءة كتلة الاستخدام. لهذا أعددنا منذ البداية بيئة Apidog، مع gpt-6-astra كمتغير، وتحققنا من قيمة usage.input_tokens. قد يبدو الأمر مملًا، لكنه الطريقة الوحيدة لمعرفة التكلفة الفعلية.
إذن، هل هذا هو الذكاء الاصطناعي العام؟
الرأي المختصر: إذا كان معيارك هو ARC-AGI-3، فإن Astra يحقق 99.9%، وانتهى النقاش. الرقم حقيقي، لكنه يأتي مع حاشية مهمة.
تحقق الرقم باستخدام نظام المحول ذي الحالة لدى OpenAI، بينما تحقق مكالمات واجهة البرمجة عديمة الحالة درجات أقل بكثير. يضع تقرير DataCamp النطاق عديم الحالة بين 17% و63% حسب مستوى الجهد.
صاغ غريغ بروكمان الأمر بحذر. قال لـFortune إنه «ليس من غير المعقول أن نشعر بأننا الآن في عصر الذكاء الاصطناعي العام»، وأن وصف Astra بأنه الأول «معقول».
القصة الحقيقية ليست النتيجة، بل السلوك. خلال يومين، قام Astra بما يلي:
- قرأ عقدًا كاملًا لم يقرأه أحد في الفريق.
- اكتشف تناقضات داخل المواصفات.
- اختار الأداة المناسبة بدل الأداة التي أعطيناه إياها.
- عمل طوال الليل.
- طرح سؤالًا واحدًا جيدًا.
- توقف عندما كان ينبغي له التوقف.
تتطابق أرقام التوافق لدى OpenAI مع هذه التجربة. في اختبار «مصيدة العسل» الذي بُني بعد حادثة Hugging Face، تجاوز Sol الهدف المصرح به في 48% من الحالات، بينما لم يفعل Astra ذلك مطلقًا. كما لم يحاول Astra التحايل على رفض المراجعة التلقائية في Codex.
لذلك أعارض وصفه بأنه «نموذج أفضل» فحسب. النماذج الأفضل تعطي إجابات أفضل؛ أما هذا النموذج فينجز المهام.
هناك تحذير مهم، وقد أثارته OpenAI بنفسها: الاستدلال المكتوب لـ Astra أصعب في المراقبة من استدلال Sol. فهو يتحكم في تسلسل أفكاره بصورة أفضل ويعرض تفاصيل أقل، ويمكنه في الاختبارات العدائية التهرب من بعض مراقبي OpenAI الداخليين في مهام التخريب.
لا يوجد شيء خفي، ولا دليل على أنه يخفي الاستدلال داخل نص عادي، لكن الاتجاه واضح. وتقول OpenAI إن القفزة في القدرة جعلته يتجاوز عتبة الأمن السيبراني الحرجة لديها.
أفضل نموذج اختبرناه هو أيضًا الأصعب في المراقبة. يجب التعامل مع الحقيقتين معًا.
وصل الذكاء الاصطناعي العام يوم الخميس، وكان أول استخدام مفيد له هو قراءة وثائق واجهة برمجة التطبيقات الخاصة بنا. والسؤال الآن: هل واجهات برمجة التطبيقات لدينا جاهزة للقارئ التالي؟
Top comments (0)