benchr
قيمة GPT-5.4 لا تظهر في محادثة قصيرة. النموذج موجّه لعمل مركّب: يقرأ مادة كبيرة، يقرر متى يستخدم أداة، ينفذ خطوة في واجهة، ثم ينتج ملفاً يحتاجه فريق بشري. لذلك لا يبدأ قرار الشراء من سؤال «هل أجوبته أفضل؟»، بل من سؤال «هل يقلل انتقال العمل بين عدة نماذج وأدوات ومراجعين؟».
اختبر المسار، لا الانطباع
قبل وضعه في المسار الرئيسي، اختر عملية حقيقية قليلة المخاطر: مراجعة طلب شراء، أو تحديث تقرير، أو إصلاح برمجي محدود. استخدم صلاحيات حساب تجريبي، واحتفظ بسجل الأدوات، وحدد النقطة التي يجب أن يتوقف عندها قبل تنفيذ أثر لا يمكن التراجع عنه. الجودة هنا تشمل سلامة الإجراء ووضوح الأثر، لا فصاحة النص النهائي فقط.
| نوع العمل | مدى الملاءمة | ما الذي تراجعه | سبب محتمل للرفض |
|---|---|---|---|
| التعامل مع موقع أو تطبيق مكتبي | مرشح قوي | اختيار الهدف الصحيح والتوقف عند خطوة التأكيد والتعافي من تغير الواجهة | عدم وجود بيئة تجريبية أو سجل كامل للحركات |
| المستندات والجداول والعروض | قوي حين تدخل الأدوات في المسار | الصيغ والمراجع والنواقص ووقت التنظيف اليدوي | الاكتفاء بالشكل الجميل وإهمال صحة المحتوى |
| تعديل مستودع برمجي | يحتاج اختباراً محلياً | الاختبارات المقبولة والانحدارات وعدد دورات الأدوات | اشتراط نتيجة SWE-bench Verified رسمية غير منشورة لهذا النموذج |
| تصنيف أو استخراج قصير ومتكرر | غالباً ليس المسار المناسب | السعر والسرعة أمام نموذج أصغر | دفع تكلفة قدرات لا تستخدمها المهمة |
كيف تُقرأ الأرقام الرسمية
تنشر OpenAI لـGPT-5.4 نتيجة 83.0% على GDPval بصيغة الفوز أو التعادل، ودرجة 57.7 على SWE-Bench Pro (Public)، و75.0% على OSWorld-Verified، و82.7% على BrowseComp، و54.6% على Toolathlon. اجتماع هذه المؤشرات يدعم صورة نموذج للعمل المهني والتصفح واستخدام الحاسوب والأدوات. لكنه لا يحوّلها إلى ضمان لبيئتك، فهي تقييمات منشورة من المزوّد بإعداداته.
والاسم هنا جزء من الدقة: SWE-Bench Pro ليس SWE-bench Verified. لا تنقل درجة 57.7 إلى عمود «Verified» في وثيقة المشتريات. أبقِ اسم الاختبار كما نشرته OpenAI، ثم أضف نتيجة مستودعك أنت بوصفها الدليل الحاسم.
بوابة عمل من ثلاث مراحل
- مهمة واجهة: نفّذ إجراءً قابلاً للعكس في حساب تجريبي، ثم غيّر موضع عنصر أو اسمه في تكرار لاحق. راقب هل يكتشف التغيير وهل يتوقف قبل الخطوة الحساسة.
- مهمة ملف: أعطه حزمة مصادر منزوعة البيانات الحساسة واطلب جدولاً أو تقريراً يلتزم بنمط مؤسستك. احسب تعديلات المراجع والصيغ والنواقص، لا عدد الكلمات.
- مهمة مستودع: استخدم خللاً محدوداً يتطلب قراءة عدة ملفات وتشغيل الاختبارات وشرح التعديل. قارن تكلفة النتيجة المقبولة ووقت المراجع بمسارك الحالي.
السياق الطويل سعة قصوى وليس وعداً بأن كل ما يوضع فيه سيُستخدم جيداً. تعرض صفحة API 1,050,000 رمز، لكن OpenAI تذكر اقتصاداً مختلفاً لما يتجاوز نافذة 272K القياسية. افصل نتائج الطلبات العادية عن الطويلة في التقرير المالي. وتوجد أمثلة الحساب في صفحة أسعار GPT-5.4.
متى تختاره ومتى تتجاوزه
| اختره عندما… | تجاوزه عندما… |
|---|---|
| يحتاج المسار نفسه إلى تحليل وأدوات وتفاعل مع واجهة وتسليم ملف قابل للمراجعة. | تنجح المهمة القصيرة الحتمية على نموذج أصغر من دون زيادة في المراجعة. |
| تستطيع عزل الصلاحيات وحفظ الأثر وفرض تأكيد قبل الخطوات الحساسة. | لا تستطيع رؤية استدعاءات الأدوات أو استعادة الحالة بعد نقرة خاطئة. |
| تحتاج نافذة كبيرة وتملك اختباراً يقيس الاستفادة منها فعلاً. | تطلب سياسة الشراء معياراً مستقلاً أو SWE-bench Verified رسمياً. |