الأسئلة الشائعة

ما هو SWE-bench Verified ولماذا يهم؟

SWE-bench Verified هو معيار يتكون من 500 مشكلة حقيقية من GitHub تم التحقق منها بشرياً. تتلقى النماذج مستودعاً واختباراً فاشلاً — ويجب عليها إنتاج تصحيح برمجي يجعله ينجح. وهو أقرب معيار للعمل الهندسي البرمجي في العالم الواقعي. حتى منتصف 2026، يتصدر Claude Fable 5 بنسبة 95%، يليه GPT-5.5 (88.7%) و Claude Opus 4.8 (88.6%).

ماذا تعني تسميتا SR و 3P على لوحة التصدر؟

SR تعني أن النتيجة أبلغ عنها مقدم النموذج ذاتياً في بطاقة النموذج الرسمية أو التقرير الفني أو مدونة الإطلاق. 3P تعني أن النتيجة قيست بشكل مستقل بواسطة طرف ثالث مثل Artificial Analysis أو ARC Prize Foundation أو NIST/CAISI. نتائج الطرف الثالث أكثر موثوقية للمقارنات المباشرة لأنها تستخدم ظروف تقييم موحدة.

لماذا تظهر DeepSeek V4-Pro نتيجتين مختلفتين في SWE-bench؟

أبلغت DeepSeek V4-Pro ذاتياً عن 80.6% على SWE-bench Verified، لكن NIST/CAISI قاستها بشكل مستقل عند 74.0% — بفارق 6.6 نقطة. يُعزى الفرق إلى إعدادات البنية الأساسية، وبناء التعليمات النظامية، وإعدادات ميزانية الرموز. نعرض كلا الرقمين على لوحة التصدر لتتمكن من تقييم التناقض بنفسك.

ما هو GPQA Diamond؟

GPQA Diamond هو معيار من أسئلة على مستوى الدراسات العليا في الأحياء والكيمياء والفيزياء، كتبها خبراء في المجالات بحيث لا يستطيع بحث Google الإجابة عليها. حتى يونيو 2026، يتعادل Claude Opus 4.8 و GPT-5.5 عند 93.6%، يليهما Qwen 3.7-Max (92.4%) و Claude Opus 4.6 (91.3%). خبراء بشريون حاصلون على الدكتوراه يسجلون ~65% على نفس الأسئلة.

أي نموذج ذكاء اصطناعي هو الأفضل لمهام البرمجة في FlowHunt؟

للبرمجة الواقعية على غرار GitHub (SWE-bench Verified)، يتصدر Claude Fable 5 بنسبة 95% و GPT-5.5 بنسبة 88.7%. للبرمجة التنافسية (LiveCodeBench)، يتصدر DeepSeek V4-Pro بنسبة 93.5%. للبرمجة العاملة متعددة اللغات (SWE-bench Pro)، يتصدر Qwen 3.7-Max بنسبة 60.6%. جميع النماذج الموسومة 'في FlowHunt' متاحة مباشرة في المنصة.

ما هو ARC-AGI-2 ومن يتصدره؟

ARC-AGI-2 هو معيار لمهام التعرف على الأنماط البصرية الجديدة التي لا يمكن حلها بحفظ بيانات التدريب، تم التحقق منه بشكل مستقل من قبل ARC Prize Foundation. حتى يونيو 2026، يتصدر Claude Opus 4.6 بنسبة 69.17% (معتمد من طرف ثالث)، يليه Claude Sonnet 4.6 (58.3%). المستوى البشري الأساسي هو ~60%.

ما هو مؤشر الذكاء الاصطناعي من Artificial Analysis (AA)؟

مؤشر الذكاء الاصطناعي من Artificial Analysis هو نتيجة مركبة مستقلة لم يبلغ عنها أي مقدم ذاتياً. القادة الحاليون: Claude Opus 4.8 (61.4 نقطة)، GPT-5.5 (60.2 نقطة)، Claude Opus 4.7 (57.3 نقطة)، Qwen 3.7-Max (56.6 نقطة)، DeepSeek V4-Pro (52 نقطة). هذه النتائج قابلة للمقارنة مباشرة لأنها قيست تحت ظروف متطابقة.

ما الفرق بين النماذج مفتوحة الأوزان والنماذج المغلقة؟

النماذج مفتوحة الأوزان تنشر أوزانها المدربة للاستضافة الذاتية. النماذج المغلقة متاحة عبر API فقط. النماذج الحدودية مفتوحة الأوزان في هذه اللوحة تشمل DeepSeek V4-Pro (49B/1.6T MoE) و MiniMax M3 و Nemotron 3 Ultra (55B/550B MoE) و Mistral Large 3 (41B/675B MoE) وجميع إصدارات Meta Llama 4. النماذج مفتوحة الأوزان توفر خصوصية البيانات والتخصيص وعدم وجود تكاليف لكل رمز.

كم مرة يتم تحديث لوحة التصدر هذه؟

يتم تحديث لوحة التصدر عند نشر نتائج معيارية جديدة مهمة أو التحقق منها بشكل مستقل. النتائج محدثة حتى 12 يونيو 2026. كل نتيجة موسومة بـ SR (مبلغ عنها ذاتياً) أو 3P (طرف ثالث) لتعرف المصدر دائماً. كل نموذج لديه أيضاً صفحته الخاصة مع تحليل أعمق للمعايير.