إذا سبق لك أن شاهدت وكيل ذكاء اصطناعي يستهلك ميزانيتك بسرعة لتنفيذ مهمة كان يفترض أن تكون بسيطة، فستلفت انتباهك قدرات GPT-5.6. إذ يغيّر هذا النموذج طريقة بناء الشركات الناشئة لوكلاء الذكاء الاصطناعي، من خلال تقديم أداء بمستوى النماذج الرائدة بتكلفة أقل بكثير، من دون إجبار الفرق على إعادة بناء كل ما أعدّته مسبقًا.

فكيف يبدو ذلك عمليًا؟ في هذا المقال، نستعرض كيفية استخدام فرق حقيقية لـ GPT-5.6 في بيئات الإنتاج. وسنتناول اختيار النماذج بذكاء أكبر، وأدوات API الجديدة، ومستويات توفير التكاليف التي تستحق اهتمام فرق الشؤون المالية.

تجربة أفضل مباشرةً من البداية

يعرف كل من سبق له العمل مع نماذج الذكاء الاصطناعي هذا الإحباط: فالمهام الأطول تميل إلى استهلاك عدد أكبر من الرموز، وسرعان ما تتراكم التكاليف. وقد سعى كل جيل من النماذج منذ GPT-5 إلى معالجة ذلك من خلال تنفيذ المهام الطويلة باستخدام عدد أقل من الرموز. ويواصل GPT-5.6 هذا الاتجاه، والتحسن الذي يقدمه يصعب تجاهله.

والجانب اللافت هنا هو أن كفاءة التكلفة تتحسن بالفعل عند مستويات أقل من جهود الاستدلال. ففي معيار Agents’ Last Exam، تفوق GPT-5.6 Sol عند مستوى استدلال «منخفض» على GPT-5.5 عند مستوى استدلال «مرتفع»، حتى مع استخدام البنية نفسها المحيطة بالنموذج. وبعبارة أخرى، يمكنك في كثير من الحالات خفض مستوى الاستدلال والاستمرار في تحقيق نتائج أفضل.

وأوضح Izzy Miller، رئيس أبحاث الذكاء الاصطناعي في Hex، الأمر ببساطة، مشيرًا إلى أن مستوى الاستدلال المنخفض حقق أفضل النتائج لفريقه. فقد تجنب النموذج تتبع المسارات غير المفيدة، ووصل إلى الإجابات الصحيحة باستخدام عدد أقل من الرموز. وهذه النوعية من النتائج تهم كل من سئم من مشاهدة نموذج ذكاء اصطناعي يبالغ في التفكير في مشكلة بسيطة ومباشرة.

اختيار النماذج بذكاء أكبر يوفر التكاليف

 لفترة طويلة، كان الافتراض الآمن هو أنك تحتاج إلى النموذج الرائد عند أقصى مستوى من الاستدلال لأي مهمة طويلة ومعقدة. وإذا سبق لك اتخاذ هذا الخيار، فأنت تعرف مدى سرعة تراكم التكاليف. لكن هذا الافتراض لم يعد صحيحًا. ومع زيادة القدرة الحاسوبية أثناء وقت الاختبار، أصبحت نماذج Luna وTerra الأصغر قادرة الآن على مجاراة أداء GPT-5.4 وGPT-5.5، بجزء بسيط من التكلفة.

ووجد فريق الهندسة في Hypha أن Luna يحافظ على معظم دقة GPT-5.5 في استخراج المعلومات، بتكلفة تبلغ نحو واحد على ثمانية عشر من تكلفته. وهذا ليس مجرد توفير هامشي، بل يجعل فهم المستندات بجودة عالية في متناول عدد أكبر بكثير من سير العمل مقارنةً بالسابق.

ويجعل معيار BrowseComp هذا التحول أكثر وضوحًا. فمنذ ثلاثة أشهر، سجل GPT-5.5 نحو 84% في هذا المعيار القائم على البحث، بتكلفة تجاوزت 33 دولارًا. وعند الإطلاق، حقق GPT-5.6 Luna النتيجة نفسها تقريبًا مقابل نحو 1.33 دولار. وقد انخفضت الأسعار أكثر منذ ذلك الحين.

فماذا يعني ذلك إذا كنت تبني منتجًا حقيقيًا؟ أصبحت النماذج الأصغر ضمن عائلة 5.6 خيارًا قويًا لأعباء العمل ذات الحجم الكبير، والمهام الحساسة لزمن الاستجابة، والخطوات المتكررة التي تظهر باستمرار في سير عمل الوكلاء الذكية. تخيل شركة ناشئة في مجال التقنية القانونية تعمل على تحليل مذكرات مكتوبة بخط اليد؛ فلم تعد بحاجة إلى نموذج رائد لكل خطوة. إذ يمكن لـ Terra أو Luna التعامل مع استخراج المعلومات وخفض التكاليف بشكل كبير، مما يتيح تخصيص الميزانية للأجزاء التي تحتاج فعلًا إلى قدرات استدلال أكثر تقدمًا.

تطوير واجهة Responses API لوكلاء أكثر ذكاءً

إلى جانب مكاسب الأداء هذه، تدعم ثلاثة تحديثات معمارية جديدة الآن وكلاءً أكثر كفاءة. ويمكن النظر إليها باعتبارها التغييرات التي تحدث في الخلفية وتجعل كل ما سبق ممكنًا:

• إعادة استخدام العمل: يمكن أن يستمر الاستدلال عبر جولات النموذج المختلفة. كما تعمل آلية الضغط الأصلية (compaction) على ضغط المحادثات الطويلة، بحيث يحافظ الوكلاء على ترابطهم دون الحاجة إلى إعادة بناء السياق السابق من الصفر في كل مرة.
• تقسيم المهام بالتوازي: تتيح آلية تنسيق الوكلاء المتعددين الأصلية (multi-agent orchestration) لعدة وكلاء التعامل مع مهام متوازية في الوقت نفسه، مما يسرّع إنجاز الأعمال المعقدة بشكل كبير.
• نقل المهام الحتمية إلى التعليمات البرمجية: تعمل ميزة الاستدعاء البرمجي للأدوات (Programmatic Tool Calling) على تصفية مخرجات الأدوات وتنظيمها خارج نافذة سياق النموذج، مما يوفر الرموز اللازمة لعمليات اتخاذ القرار التي تتطلب فعلًا قدرات استدلال.

وتنتج هذه التحديثات مجتمعة نتائج يصعب المبالغة في أهميتها. ففي معيار ARC-AGI-3، سجل GPT-5.6 Sol نسبة 13.3% باستخدام بيئة اختبار قياسية. وبعد تفعيل الاستدلال المحتفظ به وآلية الضغط، ارتفعت النتيجة إلى 38.3%، مع استخدام نحو ستة أضعاف أقل من رموز المخرجات. ولم تكن هناك حاجة إلى إجراء أي تغييرات على النموذج، بل كان المطلوب فقط استخدام ما هو متاح بطريقة أكثر ذكاءً.

الاستدعاء البرمجي للأدوات عمليًا

إذا سبق لك بناء وكيل ذكاء اصطناعي، فأنت تعرف مدى الإزعاج عند مشاهدته وهو يستدعي قدراته الاستدلالية لتنفيذ كل خطوة وسيطة مملة، حتى في المهام الروتينية مثل تصفية 100 ملف حسب التاريخ. ويشبه ذلك استخدام آلة حاسبة للتأكد مرة أخرى من أن 2+2 يساوي 4.

وتعالج ميزة الاستدعاء البرمجي للأدوات هذه المشكلة. إذ يمكن لـ GPT-5.6 الآن كتابة تعليمات JavaScript لتنسيق استخدام الأدوات، وتنفيذ استدعاءات متوازية، ومعالجة النتائج خارج نافذة السياق الخاصة به. وهذا يتيح للنموذج التركيز بالكامل على عمليات الاستدلال التي تتطلب فعلًا قدرات ذكية.

ووجد فريق الذكاء الاصطناعي التطبيقي في Rogo أن GPT-5.6، عند استخدام ميزة الاستدعاء البرمجي للأدوات، حقق نتائج مطابقة لمعايير التقييم الخاصة بهم، مع استخدام رموز إدخال أقل بنسبة 21%. وكما أوضح الفريق، فإن هذا يمثل الفرق بين وكيل يستطيع التحدث عن الأبحاث المالية ووكيل قادر بالفعل على تنفيذها.

تنسيق الوكلاء المتعددين للمهام المعقدة

تكون بعض المشكلات كبيرة جدًا بحيث يصعب على وكيل واحد التعامل معها بكفاءة بمفرده، وإذا حاولت القيام بذلك، فمن المحتمل أنك شعرت بالتباطؤ. وبالنسبة إلى المهام المعقدة التي يمكن تنفيذها بالتوازي، فإن تقسيمها بين عدة وكلاء يعزز السرعة والجودة معًا. إذ يفوض وكيل رئيسي المهام إلى وكلاء فرعيين، ويعمل كل منهم بشكل مستقل، ثم تُجمع النتائج وتُدمج في النهاية.

ويمكن للفرق تفعيل هذه الإمكانية من خلال تمكين وضع الوكلاء المتعددين في Responses API. وهي الآلية نفسها التي تقف وراء إعداد القدرة  ultraفي ChatGPT.

وأشار مؤسس Quadrillion إلى أن GPT-5.6 Sol أظهر تحسنًا واضحًا مقارنةً بـ GPT-5.5 في مهام البحث المفتوحة، وأنه أنهى المهام بسرعة أكبر من جميع النماذج الأخرى التي خضعت للاختبار تقريبًا. وخاض فريق Obvious تجربة مماثلة، موضحًا أن GPT-5.6 تعامل مع ستة مواصفات في الوقت نفسه، من خلال الكتابة والبناء ومناقشة كل منها، من دون أن يفقد مستوى الجودة في أي مرحلة.

وحتى مع امتلاك GPT-5.6 قدرة جيدة على تحديد الوقت المناسب لإطلاق وكلاء فرعيين، يظل النموذج قابلًا للتوجيه. ويمكن للفرق تحديد الوقت الذي تستحق فيه عملية تنسيق الوكلاء المتعددين التكلفة الإضافية للرموز، بما يحافظ على الكفاءة ويجنب الإفراط في استخدامها.

تحسينات التخزين المؤقت للمطالبات

حتى التفاصيل الصغيرة مهمة أيضًا. فقد شهد التخزين المؤقت للمطالبات (Prompt Caching) تحسينات عبر عائلة النماذج، إذ أصبح وقت الاحتفاظ بالبيانات المخزنة مؤقتًا (TTL) يمتد الآن لمدة لا تقل عن 30 دقيقة، كما يمكن تحديد نقاط التخزين المؤقت بشكل حتمي داخل نافذة سياق النموذج. وساعدت هذه التغييرات معًا الشركات الناشئة على تحسين معدلات الاستفادة من التخزين المؤقت بشكل ملحوظ، وهو نوع من التحسينات الهادئة التي تتراكم فوائدها عبر آلاف الطلبات.

الخلاصة

بدءًا من اختيار النماذج بذكاء أكبر ووصولًا إلى الاستدعاء البرمجي للأدوات، يمنح GPT-5.6 الشركات الناشئة طرقًا عملية ومختبرة لبناء وكلاء أسرع وأقل تكلفة وأكثر قدرة. وإذا كنت قد أجلت نشر وكلاء الذكاء الاصطناعي لأن التكاليف لم تكن منطقية بالنسبة لك، فقد تكون هذه اللحظة التي تغير المعادلة. ومع بدء المزيد من الفرق في استخدام هذه الأدوات في بيئات الإنتاج، تواصل الفجوة بين تجربة وكلاء الذكاء الاصطناعي وتشغيلهم فعليًا على نطاق واسع في التقلص.

مقالات ذات صلة

عرض الكل