ما وراء الدرجة الكاملة: سجلات التفكير تعيد إحياء اختبارات الذكاء الاصطناعي المشبعة

تصل اختبارات قياس الذكاء الاصطناعي سريعاً إلى نقطة الاختناق حين تحقق النماذج المتنافسة درجات شبه كاملة، فتفقد المؤشرات قدرتها على التمييز بين الأنظمة وتتعطل معها قرارات تقييم السلامة وسياسات النماذج المتقدمة. غير أن ورقة بحثية جديدة نشرها باحثون بقيادة موريو هامادا وجيهيوك يون عبر أرخايف بيّنت أن استنفاد درجات الدقة لا يعني نهاية الفائدة، إذ تحتفظ سجلات الحل الكاملة، التي توثق الخطوات التفصيلية التي اتبعها كل نموذج لإنجاز المهمة، بإشارات غنية تقيس القدرات الحقيقية حتى بعد تشبع النتائج الرقمية النهائية.

أجرى الفريق البحثي، الذي ضم ماتيو ميغلياريني وجاستن أوليف وماغدا دوبوا، محاكاة تاريخية لتشبع الاختبارات بالاعتماد على إصدارات سابقة من النماذج والمعايير، واختبروا بروتوكولات تعتمد حصراً على نصوص المهام المحلولة بشكل صحيح للتنبؤ بأداء النماذج في اختبارات لاحقة غير مشبعة. قارنت الدراسة ثلاثة مسارات لاستخلاص الإشارات: التحكيم بالمقارنة الزوجية بين سجلات النماذج، والتقييم المطلق لكل سجل منفرد، والتنبؤ القائم على الخصائص المحددة والتضمينات الإحصائية. أظهرت النتائج أن التحكيم الزوجي تفوق بوضوح على كافة الأساليب، مقلصاً الخطأ التنبؤي بمقدار 5.3 أضعاف مقارنة بالاعتماد التقليدي على درجات الاختبارات المشبعة.

كشف التحليل التجريبي أن المعلومات الدالة على كفاءة النماذج لا تتوزع بالتساوي داخل النصوص، بل تتركز في قنوات محددة تتصدرها مسارات الاستدلال وسلاسل التفكير واستدعاء الأدوات والبرمجيات الخارجية. لكن هذه الآلية تحمل ثغرة منهجية رصدها الباحثون بدقة: القدرة التنبؤية للبروتوكولات لا تصمد دائماً أمام التحولات البنيوية الكبرى في تصميم النماذج. سجلت التجربة إخفاقاً صريحاً في تقدير كفاءة نماذج التفكير والاستدلال الأولى التي ظهرت في مطلع عام 2025، حيث قللت السجلات من قدراتها الحقيقية نتيجة اختلاف نمط المعالجة عن النماذج السابقة. يعني ذلك أن استخراج القيمة الكامنة من الاختبارات المشبعة يتطلب أدوات فحص مرنة تراعي التبدل المعماري للأنظمة ولا تعامل النصوص بوصفها قالباً ثابتاً.

يحمل هذا الكشف تأثيراً مباشراً على فرق الهندسة وتقييم التقنية في مصارف الخليج والمؤسسات الحكومية والشركات التقنية في مصر والشام. تواجه جهات المشتريات الإقليمية مأزقاً متكرراً حين تتساوى عروض المزودين العالميين بنسب نجاح تلامس مئة بالمئة في الاختبارات المرجعية العامة، مما يدفع الفرق أحياناً إلى استنزاف ميزانيات ضخمة لبناء اختبارات محلية معقدة من الصفر. الاستفادة العملية هنا تكمن في تحويل بوصلة الفحص من نسبة الدقة المجردة إلى تحليل سجلات التنفيذ نفسها؛ فمقارنة عدد مرات استدعاء الأدوات وطريقة ترتيب خطوات التفكير يكشف النماذج الأكثر كفاءة وأقل هدراً لموارد الحوسبة دون انتظار دورات اختبار جديدة.

إذا كنت تقود فريقاً تقنياً أو تشرف على تقييم نماذج العمليات داخل مؤسستك، فإن خطوتك المقبلة لا تتطلب بالضرورة التخلي عن معايير القياس التي أوشكت على التشبع، بل فحص ما وراء النتيجة النهائية. السجلات التي تهملها لوحات المتابعة التقليدية تختزن الفوارق الحقيقية في الكفاءة والسلامة التشغيلية، شريطة أن تبني بروتوكول تحكيم زوجي يقيس طريقة التفكير والتنفيذ، مع الحذر من تطبيق المعايير القديمة ذاتها على أي بنية نموذجية مستحدثة.