GPT-6 Astra مقابل Claude وGemini وQwen وDeepSeek: من يفوز في اختبار دراجة البجع؟

ينتج GPT-6 Astra واحدًا من أكثر طيور البجع إقناعًا حتى الآن، لكن اختبار دراجة البجع يصبح أكثر إثارة عند مقارنته بـ Claude Fable 5.1 وGemini 3.8 Flash وQwen 3.8 وDeepSeek V4 وKimi K3 وGLM-5.3-Flash. إن طلبًا من سطر واحد لتوليد SVG لبجع يركب دراجة يجبر النموذج اللغوي على تحويل الكلمات إلى كود وهندسة وتشريح وعلاقات بين الكائنات ومشهد تظهر أخطاؤه فورًا.

تُظهر أحدث النتائج عدم وجود فائز واضح. يرفع GPT-6 Astra الحد الأدنى للجودة، ويمكن لـ Claude إنفاق قدر أكبر بكثير من الاستدلال لإصلاح الهندسة، ويضيف Gemini صقلًا بصريًا استثنائيًا، ويوضح Qwen مدى اقتراب النماذج المحلية، بينما يبرهن DeepSeek على مدى تأثير إعدادات الاستدلال في مخرجات النموذج الواحد. وتكشف الرسوم المتحركة لـ GLM وDeepSeek بمساعدة الأدوات أمرًا مختلفًا أيضًا: فعندما يستطيع الوكيل فحص ناتجه وتنقيحه بنفسه، لا يعود الاختبار يقيس النموذج وحده.

نتائج اختبار دراجة البجع باختصار

هذه ليست قائمة تصنيف علمية. أُجريت الاختبارات العامة في أوقات مختلفة، باستخدام واجهات برمجة تطبيقات وإعدادات استدلال وتكميمات وبيئات أدوات مختلفة — وفي بعض الحالات.

المقارنة الأكثر قابلية للدفاع عنها هي المقارنة السلوكية. هل للدراجة هيكل متماسك؟ هل تصل القدمان إلى الدواسات؟ هل يتفاعل الطائر فعلاً مع المقود؟ هل يصحح الاستدلال الإضافي هذه العلاقات، أم يضيف زخارف فحسب؟

ما الذي يقيسه اختبار Pelican Bicycle فعلياً؟

الطلب الأصلي بسيط عمداً:

أنشئ SVG لبجع يركب دراجة.

يتطلب إنتاج إجابة مقنعة عمل عدة قدرات معاً. يجب على النموذج كتابة SVG صالح، وبناء دراجة يمكن تمييزها، وتقريب تشريح البجع، ووضع الطائر في الجزء الصحيح من المشهد، وجعل الكائنات المنفصلة تتفاعل بطريقة معقولة بصرياً.

وهذا ما يجعل الاختبار مفيداً لرصد ما يلي:

• توليد شيفرة SVG والواجهات الأمامية،
• هندسة الكائنات،
• التكوين المكاني،
• الاتساق التشريحي،
• التفاعل بين الكائنات،
• اتباع التعليمات،
• وكفاءة جهد الاستدلال.

إنه لا يقيس مباشرةً الدقة الواقعية، أو الاستدلال العلمي، أو البرمجة على مستوى المستودعات، أو موثوقية الوكلاء، أو المعرفة المهنية، أو الذكاء العام.

كما أصبح سايمون ويليسُن، الذي استخدم هذا الطلب مراراً عبر أجيال النماذج، أكثر حذراً تجاهه. وهو يتعامل معه الآن أساساً باعتباره اختباراً سلوكياً سريعاً وطريقة مفيدة لمقارنة الإصدارات داخل عائلة النماذج نفسها، لا معياراً عالمياً للذكاء.

ويحذّر تحليل سايمون ويليسُن لـ Kimi K3 واختبار Pelican صراحةً من التعامل مع مخرجات Pelican الفردية باعتبارها ترتيباً جاداً للنماذج.

هذا القيد مهم لأن النماذج الحديثة أصبحت جيدة بما يكفي بحيث يؤثر الذوق البصري بصورة متزايدة في النتيجة. فعندما يحتوي كل إخراج على طائر ودراجة يمكن تمييزهما، قد تجعل غروب شمس جميل أو سلة سمك إحدى الصورتين تبدو أذكى، حتى عندما يمتلك نموذج آخر هندسة أدق.

كيف كان أداء GPT-6 Astra في اختبار Pelican Bicycle؟

أهم نتيجة لـ GPT-6 Astra ليست ببساطة أن المستوى الأقصى يبدو مبهراً، بل أن المستوى المنخفض ينتج بالفعل Pelican أقوى بكثير من عائلة GPT-5.6 السابقة.

اختبر ويليسُن Astra بمستويات الاستدلال المنخفض والمتوسط والعالي وXHigh والأقصى. وارتفع عدد رموز الإخراج الذي سجله من 1,906 عند المستوى المنخفض إلى 12,638 عند المستوى الأقصى.

كانت أقوى ملاحظات ويليسُن أن Astra بمستوى الاستدلال المنخفض بدت أفضل من أي Sol Pelican من GPT-5.6 كان قد أنشأه بأي مستوى استدلال. وهذا يجعل الأمر أقل ارتباطًا بالاستدلال الأقصى وأكثر ارتباطًا بزيادة جيلية في القدرة البصرية الأساسية على البرمجة.

تصبح الدراجة أكثر ترابطًا، ويصبح البجع مدمجًا بوضوح مع المركبة، ويحتاج المشاهد إلى قدر أقل من التفسير لفهم المشهد بأكمله.

لكن المهمة لم تُحلّ بإتقان بعد. فدون مستوى Max، لم يضع Astra الساقين على جانبي هيكل الدراجة بشكل موثوق.

ولهذا تحديدًا يظل هذا المعيار السخيف مفيدًا. فقد يمنح الناتج المصقول انطباعًا فوريًا بالكفاءة، بينما تكشف علاقة صغيرة مثل موضع الساقين ما إذا كان المشهد متسقًا من الناحية البنيوية.

يبدو أن Astra يفهم التكوين بشكل أفضل، لكن اختبار Pelican لا يمكنه إثبات أنه يحافظ على نموذج فيزيائي شبيه بالبشر لركوب الدراجة.

ظهر Astra أيضًا في العرض التوضيحي للمطورين من OpenAI

يتضمن عرض المطورين التقديمي لـ GPT-6 Astra من OpenAI مرجعًا آخر إلى Pelican، أثناء استعراض قدرات أكثر ثراءً في التوليد البصري وثلاثي الأبعاد. هذه ليست الجولة نفسها المضبوطة لـ SVG، لذا ينبغي التعامل معها كدليل إضافي لا كجزء من المقارنة.

مثال بصري إضافي من GPT-6 Astra من عرض المطورين التقديمي لشركة OpenAI. لا ينبغي مقارنته مباشرة بشبكة SVG المضبوطة.

Claude Fable 5.1: هل يؤدي المزيد من التفكير إلى إنتاج Pelican أفضل؟

يثبت Claude Fable 5.1 أن المزيد من الاستدلال يمكن أن يحسّن العلاقات الهندسية، لكنه يوضح أيضًا مدى سرعة تضخم تكلفة مهمة بصرية بسيطة.

أكمل Low وMedium المهمة في نحو 23 ثانية، وبلغت تكلفة كل منهما نحو عشرة سنتات. أما High فاستغرق نحو 29.6 ثانية.

ثم تغيّر المنحنى بشكل كبير.

تحسّن نتيجة Max التفاصيل المهمة. فقد وُضعت الساقان بوضوح على جانبي هيكل الدراجة، وتصل القدمان إلى الدواسات، ويصل أحد الجناحين إلى المقود، كما حظيت هندسة الدراجة باهتمام أكبر بكثير وأكثر تعمدًا.

يكشف مسار الاستدلال الكثير، لأن Fable أعاد النظر بنشاط في أجزاء من الرسم. فقد لاحظ مشكلات في هندسة الشوكة الأمامية، وأعاد التفكير في موضع الخوذة حول المنقار، وتحقق مرارًا مما إذا كانت العناصر الزخرفية ستتداخل مع بقية المشهد.

وهذا يمنحنا رابطًا مرئيًا نادرًا بين المزيد من الاستدلال والعمل الفني الأكثر اتساقًا من الداخل.

لكن فارق التكلفة هائل.

السؤال المفيد ليس ما إذا كان Max أفضل، بل ما إذا كان Pelican الذي يستغرق نحو 14 دقيقة يستحق تكلفة تزيد على 30 ضعف تكلفة Low.

تم تحريك Pelican الخاص بـ Claude في جولة ثانية

لم يتم إنشاء الرسوم المتحركة العامة باستخدام موجه Pelican الأصلي. فقد أخذ ويلسون ملف SVG الخاص بـ Max وأعاده إلى Fable 5.1 مع تعليمات منفصلة لتحريك العمل الحالي.

استخدمت تلك الجولة الثانية 6,121 رمزًا للإدخال و26,201 رمزًا للإخراج، وأضافت تكلفة مسجلة أخرى قدرها نحو 1.37 دولار.

بما أن الرسوم المتحركة كانت مهمة ثانية، فلا ينبغي تصنيفها مباشرةً في مقابل النتائج الثابتة ذات الطلقة الواحدة من النماذج الأخرى. لكنها تظل مفيدة لإظهار ما يحدث عندما يتعين على النموذج الحفاظ على الهندسة مع إدخال الحركة.

شاهد البجع المتحرك الأصلي من Claude Fable 5.1.

Gemini 3.8 Flash: هل تعني اللمسة البصرية المتألقة فهمًا أفضل؟

يبرز Gemini 3.8 Flash لسبب مختلف: إذ يجعل المعيار يبدو كأنه عمل توضيحي بدلًا من كونه تمرينًا هندسيًا.

تتضمن النتيجة عالية الجودة دراجة كروزر بلون أزرق مخضر، ووشاحًا أحمر منقطًا، وسلة أسماك، وممشى خشبيًا على الشاطئ، وخلفية بحرية متوهجة.

إنه جذاب فورًا.

وهذا يجعل Gemini مثالًا مفيدًا على مشكلة في المعايير البصرية: فالبشر يكافئون الأسلوب بالفطرة.

قد يبدو التكوين الأكثر صقلًا أكثر ذكاءً قبل أن نتحقق مما إذا كان إطار الدراجة يُغلق بشكل صحيح، أو ما إذا كانت القدم تصل فعلًا إلى الدواسة، أو ما إذا كان جسم البجع موضوعًا باستمرار بالنسبة إلى السرج.

الصقل البصري قدرة حقيقية، لكن الصقل البصري والاتساق الفيزيائي قدرتان مختلفتان.

مع تحسن النماذج، يقيس اختبار البجع الأمرين معًا على نحو متزايد. وهذا يجعل تصنيفات الفائزين البسيطة أقل فائدة من فحص الطرق المحددة التي ينجح بها كل نموذج أو يفشل.

Qwen 3.8 27B: هل يستطيع نموذج محلي حجمه 17 غيغابايت منافسة نماذج البجع الرائدة؟

قد يكون Qwen 3.8 27B أهم نتيجة لمستخدمي الذكاء الاصطناعي المحلي، لأن هذا لم يكن نموذجًا ضخمًا مخصصًا للسحابة فقط.

شغّل ويلسون محليًا نسخة مُكمَّمة Q4_K_M حجمها نحو 17 غيغابايت عبر LM Studio، بما في ذلك تجارب على عتاد محلي ذي ذاكرة عالية.

تتميز النتيجة بدرجة ترابط غير معتادة بالنسبة إلى نموذج يمكن حَزْمُه في ملف مُكمَّم حجمه نحو 17 غيغابايت.

للدراجة شكل الإطار المتوقع. وتظهر الساقان على جانبين متقابلين من الدراجة، وهي علاقة يصعب تحقيقها على نحو مفاجئ بالنسبة إلى العديد من النماذج. وللبجع جراب واضح، ويصل جناحه إلى المقود، كما وُضعت خطوط الحركة خلف المشهد بدلًا من اختراقه.

وصف ويلسون ذلك بأنه أفضل رسم SVG لبجع أنشأه محليًا حتى ذلك الحين.

لكن هناك مشكلة كبيرة.

أفرط Qwen 3.8 27B في التفكير بالمهمة إلى حد كبير.

استغرق النموذج نحو 21 دقيقة عند مستوى الاستدلال xhigh الافتراضي. واستخدم 22,276 رمزًا للاستدلال قبل إنتاج 3,223 رمزًا في الناتج النهائي.

عند تعطيل الاستدلال، انخفض وقت التوليد إلى ما يزيد قليلًا على دقيقتين، لكن المخرجات أصبحت أسوأ بوضوح.

أصبح الإطار أضعف، وأخطأت القدمان الدواسات، ولم يعد النموذج يبذل محاولة جادة لربط الجناح بمقود الدراجة.

وهذا يخلق قصة تكاد تكون معاكسة لقصة GPT-6 Astra.

أكثر ما يثير الإعجاب في Astra هو أن وضع Low قوي بالفعل. يوضح Qwen 3.8 27B مقدار الجودة البصرية التي يمكن استخلاصها من عتاد محلي مدمج نسبيًا إذا سُمح للنموذج بقضاء وقت طويل في الاستدلال.

هذا ليس دليلًا على أن نموذجًا بحجم 17GB قد لحق بـ GPT-6 إجمالًا. بل هو دليل على أن «الصغر الكافي للتشغيل محليًا» و«القدرة على إنتاج مخرجات منظمة ومتطورة» لم يعودا متعارضين بالضرورة.

Qwen 3.8 Flash-Next: ما الذي يمكن لنموذج MoE نشط بمعاملات قدرها 6B رسمه؟

يوفر Qwen 3.8 Flash-Next نقطة بيانات ثانية للذكاء الاصطناعي المحلي، من بنية مختلفة تمامًا.

يحتوي النموذج على 125 مليار معامل إجمالًا، لكنه يفعّل نحو 6 مليارات معامل لكل رمز. ويمكن لهذا الفرق تقليل متطلبات الحوسبة، رغم أن مجموعة الأوزان الكاملة تظل أكبر بكثير من 6B.

نتيجة xhigh عبارة عن مشهد مصقول. يجلس البجع فوق دراجة حمراء، وتشغل سمكة السلة الأمامية، بينما تحافظ الدراجة نفسها على بنية يمكن تمييزها بدلًا من أن تنهار إلى أقواس وأنابيب منفصلة.

ما يجعل هذه النتيجة مثيرة للاهتمام ليس كونها أجمل من Gemini أو Astra.

المقصود هو أن نماذج MoE المتناثرة تجعل المقارنات البسيطة لعدد المعاملات أقل فائدة.

لا يتصرف نموذج بمعاملات إجمالية تبلغ 125B، مع نحو 6B من المعاملات النشطة، مثل نموذج كثيف تقليدي بحجم 6B، كما أنه لا يمتلك خصائص التخزين والذاكرة نفسها.

يوضح البجع جانب القدرة في هذه المعادلة: إذ يمكن لحوسبة نشطة منخفضة نسبيًا تنسيق مشهد منظم متطور على نحو مفاجئ.

Qwen 3.8 Max: ما الذي يتغير عندما يصبح النموذج أكبر بكثير؟

يوفر Qwen 3.8 Max مقارنة مفيدة ضمن الفئة العليا من عائلة النماذج الأوسع نفسها.

النتيجة نظيفة وسهلة التحليل. تصل الأرجل إلى منطقة الدواسات، وتحافظ الدراجة على شكل تقليدي، ويظل المشهد العام بسيطًا بما يكفي لتبقى البنية الهندسية واضحة.

لكن Qwen Max يعزز درسًا آخر من الاختبار:

لا ينبغي أن يحصل نموذج أكبر تلقائيًا على درجة أعلى لمجرد أنه أكبر.

بالنسبة إلى الذكاء الاصطناعي المحلي العملي، قد يكون Qwen 3.8 27B هو البجع الأكثر إثارة للاهتمام فعلًا، لأنه يخبرنا بشيء عن ما يمكن تشغيله على عتاد قد يقتنيه مستخدم منزلي متقدم بصورة واقعية.

يوضح Max سقفًا لقدرات النموذج. أما نتيجة 27B المحلية فتوضح التقدم في النشر.

Kimi K3: كم يحتاج بجع واحد من الاستدلال؟

أنتج Kimi K3 بجعًا آخر متماسكًا، لكن استخدامه الخفي للقدرة الحاسوبية قد يكون أكثر إثارة للاهتمام من الصورة.

لم يتجاوز الموجّه بضع كلمات، ومع ذلك استخدمت العملية المسجلة 95 رمزًا للإدخال و16,658 رمزًا للإخراج.

ومن بين رموز الإخراج هذه، كان 13,241 رمزًا رموزَ استدلال.

بلغت التكلفة المسجلة نحو 0.25 دولار لهذه العملية.

المشهد النهائي متقن: دراجة معروفة، وبجع معروف، ووضعية معقولة للراكب، وتفاصيل خلفية، وطريق، وعناصر توحي بالحركة.

لكن الأرقام تكشف شيئًا لا تكشفه الصورة.

قد تخفي نتيجة بسيطة بصريًا قدرًا هائلًا من العمل الذي ينفذه النموذج.

وهذا مهم للتطبيقات الفعلية. فقد يبدو النموذج غير مكلف عند تقييمه بناءً على نتيجة ناجحة واحدة، لكنه يصبح مكلفًا أو بطيئًا عندما يتكرر نمط الاستدلال نفسه مئات المرات ضمن سير عمل لوكيل.

بالنسبة إلى Kimi، يتحول البجع إلى اختبار لكفاءة الاستدلال بقدر ما هو اختبار للرسم.

DeepSeek V4 Pro: لماذا تبدو مستويات الاستدلال المختلفة كأنها نماذج مختلفة؟

أنتج DeepSeek V4 Pro 0813 إحدى أغرب مقارنات الاستدلال في الأرشيف.

لم تبدُ المستويات المنخفضة والمتوسطة والعالية ببساطة كنسخ مصقولة تدريجيًا من التصميم نفسه. بل بدت وكأنها تتبع استراتيجيات مرئية مختلفة.

DeepSeek V4 Pro 0813 عبر مستويات الاستدلال المنخفض والمتوسط والعالي. المصدر: اختبار DeepSeek V4 Pro من سايمون ويلسون.

الإعداد المنخفض نظيف وبسيط نسبيًا. أما المتوسط فيصبح أكثر تجريدًا بكثير: أقواس عجلات مكسورة، وخطوط فضفاضة، وشكل غريب ممدود يهيمن على التكوين. ويغيّر الإعداد العالي الاتجاه مجددًا، فيعود إلى دراجة حمراء أكثر تقليدية ويضيف سلة وراية ونوتات موسيقية.

الدرس ليس ببساطة: «الإعداد العالي أفضل».

يبدو أن جهد الاستدلال يؤثر في الاستراتيجية المرئية التي يختارها النموذج، وليس فقط في مدى حرصه على تنفيذ تكوين ثابت واحد.

وهذا يجعل DeepSeek V4 Pro تذكيرًا ممتازًا بأن لقطة شاشة واحدة أساس ضعيف جدًا للقول إن نموذجًا ما جيد أو سيئ في البرمجة المرئية.

يهمّ تباين أخذ العينات. وتهمّ إعدادات الاستدلال. وقد تكون واجهة برمجة التطبيقات أو بيئة الاختبار مهمة أيضًا. يجعل البجع هذه الاختلافات واضحة لأننا نستطيع فحص النتيجة فورًا.

DeepSeek V4 Flash: هل يمكن لمزيد من الاستدلال إصلاح دراجة هوائية معطّلة؟

يقدّم DeepSeek V4 Flash 0731 مثالاً أوضح على تأثير الاستدلال في الهندسة.

أنتج التشغيل الافتراضي دراجة مشوهة بشدة. ظهرت العجلتان على شكل قوسين غير مكتملين، وكانت أنابيب الهيكل عائمة من دون اتصال، بينما كان البجع يحوم فوق المشهد بدلاً من ركوب الدراجة بصورة مقنعة.

ثم رفع ويلسون مستوى جهد الاستدلال إلى عالٍ باستخدام المهمة الأساسية نفسها.

لقد تغيّرت النتيجة بصورة جذرية.

يتضمن الناتج عالي المستوى عجلتين مكتملتين، وهيكلاً يمكن تمييزه، ومنطقة للكرنك، وبجعاً يمسك بالمقود، وقدماً موضوعة قرب الدواسة.

لكن هذا لا يثبت أن المزيد من الاستدلال يصلح دائماً التوليد البصري.

وهذا يشير إلى أن بعض نتائج SVG السيئة هي إخفاقات في التنسيق، وليست دليلاً على أن النموذج لا يملك أي تمثيل لهندسة الدراجة على الإطلاق.

قد تكون العناصر موجودة بالفعل داخل النموذج؛ ويمكن للاستدلال الإضافي أحياناً أن يساعد في تجميعها بصورة صحيحة.

لماذا تفوّق DeepSeek V4 Flash ذات مرة على V4 Pro في مطالبة البجع نفسها

أنتجت مقارنة سابقة لـ DeepSeek V4 نتيجة أخرى غير بديهية.

المصدر: مقارنة سايمون ويلسون لـ DeepSeek V4.

قدّم إصدار Flash دراجة ممتازة وفق معايير اختبار البجع: هيكل يمكن تمييزه، وسلسلة ظاهرة، وعاكس ضوئي، وجناحان يصلان إلى المقود، وقدمان على الدواسات.

احتفظ نموذج Pro بدراجة معقولة، لكنه أنشأ بجعة أغرب بكثير بجسم ضخم وتشريح غير متسق.

لا ينبغي تفسير ذلك على أنه دليل على أن Flash أذكى عموماً من Pro.

وهو يوضح أمراً أضيق نطاقاً وأكثر فائدة:

لا يضمن حجم النموذج وسمعته في الاختبارات المعيارية أفضل مخرجات من مطالبة واحدة للترميز البصري العشوائي.

GLM-5.3-Flash مقابل DeepSeek V4 Flash: ماذا يحدث عندما تحصل النماذج على أدوات؟

يقدّم GLM-5.3-Flash نوعاً مختلفاً من تجارب البجع.

استخدمت مقارنة مجتمعية بيئة وكيل بدلاً من الاختبار البسيط ذي السطر الواحد. وشُغّل كل من GLM-5.3-Flash وإعداد تجريبي للرؤية DeepSeek V4 Flash باستخدام OpenCode وTrellis وChrome MCP والاستدلال الأقصى.

طلبت التعليمات من النماذج إنشاء صفحة HTML كاملة تتضمن رسماً متحركاً ثنائي الأبعاد بصيغة SVG، وأخبرتها صراحةً بالتعامل مع المهمة على أنها منافسة.

وهذا يغيّر ما يجري قياسه.

لم يعد النموذج يكتفي بإنتاج ملف SVG واحد من مطالبة واحدة. بل يمكنه قضاء وقت أطول، واستخدام الأدوات، وفحص بيئة المتصفح، والتصرف بصورة أقرب إلى وكيل برمجي.

البجع المتحرك GLM-5.3-Flash

رسوم GLM-5.3-Flash المتحركة المُنتجة باستخدام OpenCode وTrellis وChrome MCP والاستدلال الأقصى. المصدر: المقارنة الأصلية في المجتمع.

نتيجة GLM أكثر طموحًا بكثير من صور البجع الثابتة أعلاه. فهي تتضمن مشهدًا كاملًا، ومكونات دراجة محددة بوضوح، وحركة، ودواسات، وعرضًا أكثر ثراءً على مستوى الصفحة.

فضّل المعلّقون في المجتمع عمومًا نتيجة GLM، وأشار العديد منهم إلى اكتمال عمل الدواسات والرسوم المتحركة بدرجة أكبر.

لا تزال هناك أخطاء واضحة. تبدو بعض حركات القدم ميكانيكية وغير طبيعية، كما أن إضافة المزيد من الرسوم المتحركة تخلق فرصًا إضافية لاختلال العلاقات.

وهذا يخلق تمييزًا مفيدًا:

النتيجة الغنية بالميزات ليست تلقائيًا نتيجة أكثر صحة من الناحية الفيزيائية.

البجع المتحرك باستخدام رؤية DeepSeek V4 Flash

تجربة الرؤية DeepSeek V4 Flash المُنشأة ضمن بيئة الأدوات نفسها. المصدر: منهجية اختبار المجتمع ومناقشته.

يتخذ إصدار DeepSeek نهجًا مختلفًا، إذ يستخدم تكوينًا لغروب الشمس وعرضًا متجاوبًا أكثر نظافة.

فضّل أفراد المجتمع عمومًا الاكتمال الميكانيكي لـ GLM، مع منح DeepSeek تقديرًا للتكوين البصري والعرض على الأجهزة المحمولة.

والأهم من ذلك أن كلتا النتيجتين توضحان مدى سرعة تغير معنى معيار للذكاء الاصطناعي بمجرد إدخال الأدوات.

النظام قيد الاختبار الآن هو:

• النموذج الأساسي،
• إعدادات الاستدلال،
• بيئة الوكيل،
• أدوات المتصفح،
• الملاحظات البصرية،
• وقت التنفيذ،
• واستراتيجية التكرار.

إن وصف النتيجة ببساطة بأنها «GLM مقابل DeepSeek» يخفي الكثير مما أسهم فعليًا في إنتاج العمل.

لماذا لا ينبغي أن يتشارك البجع المُنشأ في محاولة واحدة والرسوم المتحركة بمساعدة وكيل في تصنيف واحد

هذا التمييز مهم بما يكفي لتوضيحه صراحةً.

يمكن القول إن الرسوم المتحركة القوية بمساعدة وكيل أكثر صلة بسير عمل البرمجة الحديث من ملف SVG يُنشأ في محاولة واحدة.

لكنه اختبار مختلف.

إذا حصل GPT-6 Astra على استجابة واحدة، بينما يتلقى GLM عشرين دقيقة ومتصفحًا وملاحظات بصرية، فلا يمكننا أن نزعم بمسؤولية أن الرسوم المتحركة النهائية تثبت أن GLM أفضل في الاختبار الأصلي.

ما يثبته ذلك هو أن النماذج تصبح أكثر قدرة بكثير عندما توضع داخل أنظمة يمكنها فحص عملها وتنفيذه ومراجعته ذاتيًا.

أي نموذج ذكاء اصطناعي فاز فعلًا في اختبار البجع والدراجة؟

لا يوجد فائز واحد يمكن الدفاع عنه علميًا، لكن النتائج الحالية تكشف بالفعل عن عدة نماذج بارزة في فئاتها.

إذا كان السؤال ببساطة هو أي نموذج حالي ينتج أقوى نسخة من البجع دفعة واحدة مع أقل قدر من الاستدلال، فمن الصعب تجاهل GPT-6 Astra.

إذا كان السؤال هو أي نتيجة تُعد الأكثر إثارة للدهشة بالنسبة إلى عتاد يمكن وضعه فعليًا على مكتب وتشغيله محليًا، فإن Qwen 3.8 27B يصبح أهم بكثير.

إذا انتقل الاختبار من التوليد لمرة واحدة إلى سير عمل وكيل برمجي مزود بأدوات وتكرار، فإن GLM-5.3-Flash يوضح مدى اختلاف السقف الذي يمكن بلوغه.

هذه ثلاثة أسئلة مختلفة، ولهذا تحديدًا سيخفي فائز عددي واحد أكثر مما سيفسر.

هل تفهم نماذج الذكاء الاصطناعي هذه فعلًا ما ترسمه؟

لا يستطيع اختبار دراجة البجع إثبات وجود فهم فيزيائي حقيقي.

قد يُنشئ النموذج دراجة تبدو صحيحة لأن تدريبه زوّده بتمثيلات قوية للدراجات والطيور وشفرة SVG والتكوينات البصرية الشائعة.

ويُعد التنسيق الناجح بين هذه التمثيلات دليلًا على كفاءة مكانية مفيدة.

فهذا لا يثبت أن النموذج يفهم التوازن أو الجاذبية أو الحمل الميكانيكي أو حركة الدواسات أو التنقل بالطريقة نفسها التي يفهمها بها الإنسان.

وتوضح الإخفاقات المتبقية ذلك بجلاء خاص.

يمكن لـ Astra إنشاء دراجة جذابة مع الاستمرار في وضع الساقين كلتيهما بشكل غير صحيح حول الإطار. وقد تكشف العجلات المتحركة في Claude مشكلات الحركة التي كانت خفية في ملف SVG الثابت. ويمكن لـ Qwen أن ينفق 22,000 رمز استدلال في بناء مشهد تنتجه نماذج أخرى بسرعة أكبر بكثير. ويمكن لـ DeepSeek إنتاج دراجة معطوبة عند مستوى استدلال، ودراجة متماسكة عند مستوى آخر.

تزداد براعة هذه النماذج في إنشاء هياكل بصرية انطلاقًا من اللغة.

يعتمد وصف ذلك بأنه «فهم» على مستوى التمثيل الداخلي الذي نطلبه من الكلمة.

لماذا تُعد النماذج الصينية المفتوحة الجزء الأكثر إثارة للاهتمام في هذا الاختبار

قد لا يكون التغيير الأهم منذ الإصدارات السابقة من اختبار البجع هو أن GPT-6 ينتج طائرًا أفضل.

بل إن النماذج المفتوحة والقابلة للنشر محليًا تنتج الآن نتائج كانت ستبدو، منذ وقت قريب على نحو مدهش، بمستوى النماذج الرائدة.

يمكن لـ Qwen 3.8 27B توليد بجعة متماسكة محليًا من نموذج مُكمَّم حجمه نحو 17 غيغابايت. ويجمع Qwen 3.8 Flash-Next بين سعة MoE إجمالية كبيرة وقدرة حاسوبية نشطة أقل بكثير. ويمكن لـ DeepSeek V4 Flash التعافي من نتيجة بصرية معطوبة عند تفعيل استدلال إضافي. كما يمكن لـ GLM-5.3-Flash العمل ضمن حلقة وكيل برمجي مزوّدة بمتصفح وإنتاج مخرَج متحرك متطور.

ولا يعني أيٌّ من ذلك أنها لحقت عالميًا بـ GPT-6 Astra أو Claude Fable 5.1.

وهذا يعني أن الفجوة أصبحت مرتبطة بنوع عبء العمل.

أما في أصعب مسائل الاستدلال، فلا تزال نماذج السحابة الرائدة تتمتع بميزة واضحة.

أما في التوليد المنظّم، والبرمجة، وسير العمل الخاص، والوكلاء المحليين المتزايدي التطور، فلم يعد السؤال واضحًا بالقدر نفسه.

يجسّد اختبار البجع، من دون قصد، الاتجاه نفسه الذي يحدث في الذكاء الاصطناعي المحلي: إذ تستمر القمة في التقدم، لكن مستوى القدرات المتاح خارجها يتقدم بسرعة تكاد تضاهيها.

ماذا ينبغي أن نتعلم من طيور البجع؟

والنتيجة الأوضح ليست أن ذكاءً اصطناعيًا واحدًا تعلّم أخيرًا كيف ينبغي للبجع أن يركب دراجة.

بل إن جودة خط الأساس للمخرَجات البصرية المُولَّدة بالبرمجة ترتفع بسرعة، في حين تصبح الفروق بين النماذج أكثر دقة.

يُظهر GPT-6 Astra أن التوليد البصري القوي والمنظّم يمكن أن يظهر الآن حتى عند مستوى استدلال منخفض. ويوضح Claude Fable 5.1 مقدار القدرة الحاسوبية الإضافية التي يمكن إنفاقها لإصلاح الهندسة. ويُظهر Gemini 3.8 Flash كيف يمكن للتكوين الجمالي القوي أن يؤثر في حكم البشر. ويوضح Qwen 3.8 27B ما يمكن تحقيقه من خلال نشر محلي مدمج. ويكشف Kimi K3 التكلفة الخفية للاستدلال المكثف، بينما يبرهن DeepSeek على مدى استمرار عدم استقرار التوليدات البصرية الفردية.

يضيف GLM-5.3-Flash القطعة الأخيرة: فبمجرد أن يحصل النموذج على أدوات للمتصفح، وملاحظات بصرية، وإذن بالتكرار، يبدأ الاختبار في قياس نظام ذكاء اصطناعي بدلًا من نموذج معزول.

وهذا يجعل اختبار البجع بالدراجة أقل فائدة بوصفه لوحة ترتيب، وأكثر فائدة بوصفه مجهرًا.

إنه يكشف الفرق بين:

• ونموذج يمكنه كتابة SVG صالح.
• ونموذج يمكنه الحفاظ على العلاقات المكانية.
• ونموذج يمكنه إنفاق قدر أكبر من الاستدلال لإصلاح الأخطاء.
• ونموذج محلي يمكنه الاقتراب من مخرجات تبدو بمستوى النماذج الرائدة.
• ونظام وكلاء يمكنه فحص مخرَجه وتحسينه ذاتيًا.

قد ينتج GPT-6 Astra حاليًا أحد أقوى نماذج البجع، لكن القصة الأهم هي أن Claude وGemini وQwen وDeepSeek وKimi وGLM أصبحت الآن تفشل وتنجح بطرق متزايدة التطور.

لا يزال الطائر سخيفًا. ولا يزال الاختبار غير مثالي. لكنه يظل كاشفًا على نحو مدهش بوصفه لقطة بصرية لمدى سرعة تغيّر سلوك النماذج.