أوبن إيه آي: نماذجنا تنجز 80.6% من مهام الحياة اليومية

الملخص

• أوبن إيه آي تطلق LifeVal لقياس قدرة نماذجها على إنجاز شؤون المستخدمين اليومية وكلاءً.
• الاختبار يغطي سبع فئات بينها الصحة والمالية الشخصية والخدمات الحكومية، ومهامه غير منشورة.
• النتيجة ارتفعت من 49.3% إلى 80.6% خلال تسعة أشهر، بحسب قياس الشركة لنماذجها وحدها.

خبر

ارتفعت نتيجة نماذج أوبن إيه آي في إنجاز مهام الحياة اليومية من 49.3% مع GPT-5.2 إلى 80.6% مع GPT-6 Astra، وفق تقييم داخلي جديد أعلنته الشركة في 2 نوفمبر باسم LifeVal. ينفذ النموذج المهام وكيلاً يتصفح الويب ويستخدم الحاسوب والتطبيقات المتصلة. والتقييم لا يشمل أي نموذج من شركة أخرى.

تفصيل

• ما يقيسه: يقيس LifeVal قدرة النماذج على إنجاز مسؤوليات يومية بدل حل أسئلة البرمجة أو الامتحانات. تنفذ النماذج المهام بتصفح الويب واستخدام الحاسوب والموصلات التي تربطها بتطبيقات المستخدم، أي أن المطلوب إتمام العمل نفسه، لا وصف خطواته أو اقتراحها على المستخدم.
• الفئات السبع: تتوزع المهام على رعاية الآخرين، والصحة، والتعليم، وإدارة شؤون المنزل، والمالية الشخصية، والتسوق، والوصول إلى الخدمات الحكومية. وهي فئات تتصل مباشرة بالوقت الذي يقضيه الناس في أعمال إدارية وعائلية متكررة خارج ساعات العمل.
• مصدر المهام: بنت الشركة قائمة المهام من المسح الأميركي لاستخدام الوقت، ومن دراسة استخدام الوقت متعددة الجنسيات، ومن مسح أجرته على 3,995 مشاركاً تصفهم بأنهم ممثلون ديموغرافياً. سُئل المشاركون في المسح عن المجالات التي يريدون فيها مساعدة مساعد شخصي أكثر من غيرها.
• تطور النتائج: سجّل GPT-5.2، الصادر في ديسمبر 2025، نسبة 49.3%. ثم قفز GPT-5.4 إلى 73.0% في مارس، وبلغ GPT-5.5 نسبة 77.4% في أبريل، وGPT-5.6 نسبة 80.0% في يوليو. أما GPT-6 Astra، الصادر في سبتمبر، فسجّل 80.6%، أي زيادة 0.6 نقطة مئوية فقط على سابقه.
• أمثلة المهام: اختارت الشركة أمثلة بنتائج مرتفعة: تسجيل طفل في روضة بعد انتقال العائلة إلى مدينة جديدة 93.1%، وتنسيق متطوعين قبل فيضان 98.0%، وإيجاد منزل جديد لعائلة 100%، ومشاهدة مباراة مع جدة عن بعد 96.3%، وإعداد وجبات لوالد شُخّص حديثاً بالسكري 90.4%.
• طريقة الاحتساب: تعتمد النتيجة على متوسط المكافأة، وهو مقياس غير مرجّح يجمع أداء النموذج في كل مهمة ثم يوازن بين المهام بالتساوي. ولم تنشر الشركة قواعد التقييم التفصيلية التي تحدد متى تُعد المهمة منجزة، ولا طريقة معايرة المقيّم الذي يمنح المكافأة.
• الإتاحة: مجموعة المهام غير منشورة، ولا توجد لوحة صدارة عامة، ما يعني أن الجهات الخارجية لا تستطيع تشغيل الاختبار على نماذج أخرى أو التحقق من نتائجه بنفسها. ويقتصر التقييم في صيغته الحالية على نماذج أوبن إيه آي دون أي نموذج منافس.
• هدف الشركة: تقول أوبن إيه آي إنها استخدمت التقييم لتتبع أداء نماذجها في المهام اليومية خلال العام الماضي ودفعه إلى الأمام. وكتبت في إعلانها: "To be a truly helpful personal assistant, ChatGPT should be able to take actions that actually get things done."

المصدر: أوبن إيه آي