Beam 1.0 مقابل MathForm 8B: أخطاء أحد النموذجين يكتشفها مُصرِّف

اطلب من MathForm 8B أن يصوغ مبرهنة، وتكون الإجابة إما عبارة Lean 4 تُصرَّف أو عبارة لا تُصرَّف. اطلب من Beam 1.0 أن يصلح خطأً برمجياً، وتكون الإجابة فرقاً برمجياً يعمل أو فرقاً لا يعمل، والمسافة بين هذين الأمرين هي الفرق كله بين هذين النموذجين. MathForm 8B هو نموذج الصياغة الصورية الآلية من OpenBMB بعدد معلمات يبلغ 8.19 مليار، مبني على Qwen3-8B من Alibaba ومدرَّب على FormalVerse، وهي مجموعة من نحو 367,000 مثال Lean 4 مُتحقَّق منه، عبر ضبط دقيق خاضع للإشراف تليه عملية تعلم معزز على تصريف Lean والتغذية الراجعة للاتساق الدلالي؛ وقد نُشر في 14 أغسطس 2026 بموجب Apache 2.0. Beam 1.0 هو نموذج Reflection لخليط الخبراء المتناثر بعدد معلمات يبلغ 501.3 مليار مع 23.4 مليار معلمة نشطة لكل رمز، أُعلن عنه في 5 أكتوبر 2026 وصدر على شكل أوزان قابلة للتنزيل في 16 أكتوبر 2026، أيضاً بموجب Apache 2.0. نسبة الحجم هي 61 إلى واحد، وهي أقل رقم إثارة للاهتمام في الصفحة.

المثير للاهتمام هو أن MathForm 8B يُنتج مخرجات يمكن لآلة أن تحكم فيها دون الوثوق بأي أحد، بينما Beam 1.0 لا يفعل ذلك. وكل ما يلي يترتب على ذلك.

ما يُطلب من كل نموذج إنتاجه

لدى MathForm 8B عقد إخراج واحد. فهو يتلقى عبارة رياضية مكتوبة بالنثر العادي ويعيد عبارة Lean 4 — ترويسة، ومبرهنة مسماة، والفرضيات، والهدف. وقد بُني خط أنابيب التدريب حول هذا الشكل: استرجاع معرفة Mathlib لتأصيل العبارة في التعريفات الموجودة، والترجمة البرمجية والتحقق الدلالي لرفض المرشحات السيئة، والتحسين التكراري لإصلاحها، ثم إعادة بناء المسارات لتحويل الأمثلة الناجية إلى بيانات تدريب. تذكر الورقة أن النموذج يحقق في المتوسط 88.06% في Pass@8 تحت فحص الصياغة و72.37% تحت فحص الاتساق عبر ستة معايير تقييم. تلك أرقام OpenBMB، لم يُعِد إنتاجها أحد آخر، وهي مرجّحة نحو المجموعات الأسهل في التقييم — لكنها أرقام تخص مهمة لها إجابة صحيحة.

ليس لدى Beam 1.0 عقد من هذا القبيل. إنه نموذج عام: تصف بطاقته قالب الدردشة، وتنسيق الإرسال على نمط Harmony مع قناتَي التحليل والنهائي، وستة مستويات من جهد الاستدلال تُقابِل ميزانيات رموز تبلغ 8 و32 و64 و128 و256 و512، واصطلاحًا لاستدعاء الأدوات تُعلَن فيه الدوال بوصفها TypeScript مسطّحًا وتُستدعى داخل أجسام XML. تشمل تقييماته البرمجة الوكيلية (SWE-bench Verified 81.6% على BF16، وTerminal Bench v2.1 80.1، وSWE Bench Pro v1 66.1، وDeepSWE v1.1 43.3)، والاستدلال (GPQA Diamond 90.6، وAIME 2026 97.7، وLiveCodeBench 88.3)، واستخدام الأدوات (MCP Atlas 80.8)، والقدرة العامة (LongBench v2 67.5، وIFBench 79.6). كل رقم منها هو من Reflection نفسها. أما ما إذا كانت الشيفرة التي يكتبها *صحيحة* فيُثبَت عبر تشغيلها، أو مراجعتها، أو شحنها واكتشاف ذلك.

إذن: إخفاقات أحد النموذجين تُعلن عن نفسها بنفسها. أما إخفاقات النموذج الآخر فهي إخفاقات برمجية عادية تظهر لاحقًا، أثناء المراجعة أو في بيئة الإنتاج، وتبدو مثل أي خلل آخر واجهته من قبل.

المعايير المرجعية لا تتداخل، وهذا هو الاستنتاج

ضع مجموعتي التقييم جنبًا إلى جنب، فلا يكاد يوجد شيء لطرحه.

• ما الذي يُقيَّم عليه Beam 1.0 — حلّ المشكلات على مستوى المستودعات، ومهام الطرفية، والبرمجة التنافسية، وأسئلة العلوم بمستوى الدراسات العليا، وتنسيق الأدوات، والاستدعاء في السياق الطويل، واتّباع التعليمات.

• ما الذي يُقيَّم عليه MathForm 8B — دقة الصياغة الرسمية Pass@8 في ظل مدقق نحوي وفي ظل مدقق للاتساق الدلالي، عبر ستة اختبارات رياضية معيارية، مقابل خطوط الأساس المتخصصة من 7B إلى 32B الواردة في الورقة.

• التداخل — يكاد يكون صفرًا. لا يوجد صف قاس فيه الطرف نفسه كلا النموذجين على المهمة نفسها، ولن يكون هناك، لأن أحدهما يُقاس على القدرة العامة والآخر يُقاس على تحويل واحد قابل للتحقق.

• البُعد المشترك الوحيد الموجود مفاهيميًا — ألا وهو الاستدلال — يُقاس على مجموعات مختلفة. إن درجة 90.6 التي حصل عليها Beam 1.0 على GPQA Diamond هي نتيجة اختبار علوم متعددة الخيارات. ومعدل الاتساق البالغ 72.37% لدى MathForm 8B هو فحص إضفاء الطابع الرسمي. ولا يتنبأ أحدهما بالآخر.

ولهذا فإن مقارنة الأحجام هنا ستكون مضلِّلة، لا مجرّد غير مواتية. إن Beam 1.0 يبلغ واحدًا وستين ضعف حجم النموذج، ولا يستطيع أداء مهمة MathForm 8B على الإطلاق دون أن يُدرَّب على ذلك — فعقد المخرجات ضيّق بما يكفي لدرجة أن القدرة العامة ليست بديلًا عنه. وأي نموذج عامّ بحجم 501B يُطلَب منه إنتاج مبرهنة Lean مُسمّاة بترويسة صحيحة سينتج شيئًا يبدو معقولًا لكنه خاطئ في كثير من الأحيان، وهو بالنسبة إلى مساعد إثبات أسوأ نمط فشل ممكن.

ما تحتاج إلى امتلاكه من أجل تشغيل أيٍّ منهما

MathForm 8B يرث ترخيص Qwen3-8B، الذي يسجّله Hub على أنه Apache 2.0، وهذه هي الحالة العملية له: 8.19 مليار معامل كثيف، ونموذج باللغة الإنجليزية فقط، وتضييق ميزانية التوليد لتقتصر على مخرجات Lean بدلًا من الاستدلال العام، وتنزيل بدلًا من عنقود حوسبي. أساسه، Qwen3-8B، هو ما كان القارئ سيستضيفه بنفسه لولا ذلك — نموذج 8B عام بسياق أصلي يبلغ 32K قابل للتوسيع إلى 131K ويغطي 119 لغة. يتخلى MathForm 8B عن كل ذلك تقريبًا مقابل مهارة واحدة.

يحتاج Beam 1.0 إلى مكان يستقر فيه. تعطي بطاقة النموذج 52 طبقة، و256 خبيرًا مع توجيه ثمانية لكل توكن، ومفردات من 152,000 توكن، وحدّ معرفة حتى 30 يونيو 2026، ونافذة سياق من 1,000,000 توكن. ويتوفر بثلاثة أوزان — BF16 عند 501.3B، وFP8 عند 501.3B، وNVFP4 عند 255B — إضافة إلى نموذج مسودة DFlash2 بحجم 2B لفك الترميز التخميني. لا توجد توصية لتقديم الخدمة على البطاقة، ولا يوجد سعر API منشور في أيٍّ من مواقع Reflection؛ وتُدرج صفحة Artificial Analysis الخاصة بالنموذج حقول السعر على أنها غير متاحة، وتشير إلى أنه لا يوجد API متاح للعموم. النسخة ذات الأربع بتات هي ما يجعل هذا شراءً معقولًا بدلًا من كونه افتراضيًا، وما يزال الحديث هنا عن وحدات معالجة الرسومات (GPU).

لا يوجّه OrcaRouter أيّاً من النموذجين، ولا توحي هذه الصفحة بغير ذلك. ما نوجّهه هو الطبقة المخدومة التي يقع هذان النموذجان خارجها: أكثر من 200 نموذج خلف مفتاح واحد متوافق مع OpenAI بسعر قائمة المزوّد وبهامش ربح 0%، لذا يصل أي تخفيض سعر من المورّد إلى فاتورتك في اليوم الذي يُعلَن فيه. وبالنسبة إلى فريق تكون حاجته الحقيقية نموذجاً يجيب اليوم لا نقطة تفتيش تُجمَّع غداً، فهذا هو الصف الذي لا تستطيع هذه المقارنة تقديمه.

فرق القابلية للتحقق، بعبارات بسيطة

هذا هو اللاتماثل، مصوغًا كواقع تشغيلي لا كمعيار مرجعي.

تدخل مخرجات MathForm 8B إلى خط أنابيب فيه بوابة. إما أن يقبل مترجم Lean العبارة أو يرفضها. وإما أن ينجح فحص الاتساق الدلالي أو يفشل. يمكن التخلص من المخرجات السيئة تلقائياً، ويمكن ترك النموذج في حلقة وكيل يعيد فيها المحاولة حتى يتحقق شيء ما — وهو بالضبط ما دربته عليه مرحلة RL. تكلفة الإجابة الخاطئة هي عينة مرفوضة، وليست عيباً تم شحنه. هذه خاصية نادرة حقاً في مجال الأوزان المفتوحة الحالي، ولهذا يمكن أن يكون نموذج متخصص بحجم 8B أكثر فائدة من نموذج عام أكبر منه مئة مرة داخل خط أنابيب على غرار الرياضيات الصورية.

لا تمتلك مخرجات Beam 1.0 بوابة كهذه. يمكن لجدول التقييم أن يخبرك بعدد المرات التي حلّ فيها مشكلة GitHub على SWE-bench، لكنه لا يستطيع أن يخبرك ما إذا كانت الرقعة التي يكتبها لمستودعك صحيحة، لأن ذلك سؤال يخص اختباراتك. بطاقة النموذج محددة بشكل غير معتاد بشأن التنسيق السلكي، وصامتة بشكل غير معتاد بشأن مسألة الدقة، وهذا وصف منصف للمكان الذي يقف فيه المجال: فالأدوات المحيطة بنماذج البرمجة الوكيلية جيدة في تنفيذ الشيفرة، وسيئة في التصديق عليها.

إذا كان لمجالك مدقق — نظام أنواع، أو مساعد إثبات، أو مخطط، أو محاكي — فإن المتخصص الموجه نحو ذلك المدقق غالبًا ما يكون التنزيل الأعلى مردودًا. وإذا لم يكن كذلك، فأنت تشتري القدرة وتتحمل تكلفة التقييم بنفسك، والنموذج العام الأكبر هو الذي يمنحك المزيد منها.

الاختيار بينهما

اختر MathForm 8B إذا كان العمل هو الصياغة الشكلية ولا شيء غير ذلك — تحويل مدونة من النثر الرياضي إلى Lean 4 يقبله مساعد إثبات، على نطاق لا يستطيع فيه الإنسان التحقق من كل واحد منها. إن بصمة الـ8.19 مليار معلمة، وشروط Apache 2.0، وشكل المخرجات الضيّق كلها مزايا هناك. لا تختره لأي غرض آخر: فهو لا يدردش، ولا يكتب نثرًا يستحق الإطلاق، ولا يتعامل مع 119 لغة كما يفعل نموذجه الأساسي، وليس لديه قدرة موثقة خارج التحويل الواحد الذي دُرب عليه.

اختر Beam 1.0إذا كان العمل من النوع الوكيلي العام — حلّ المشكلات في المستودعات الكبيرة، وتشغيل الأدوات، وتنفيذ خطط طويلة متعددة الخطوات — وإذا كنت تملك العتاد أو شريك خدمة لنموذج 501B MoE. إن سياق الـ 1M رمز، وجدول التقييم المنشور، ونقطة التحقق رباعية البتات، كلها موجهة نحو عبء العمل ذلك. خصّص ميزانية لرموز الاستدلال: فالقالب لا يحتوي على مفتاح إيقاف، والافتراضي في الخدمة هو مستوى الجهد الأقصى، وتجريد استدلال الأدوار السابقة موثّق بأنه يضر بالمخرجات.

اختر كليهما إذا كنت تبني خط الأنابيب الذي تتناوله هذه المقالة حقًا. النمط المنطقي هو نموذج عام يقوم بالعمل الغامض ومتخصص قابل للتحقق يقوم بالجزء الذي فيه بوابة — والدوران يفشلان بطرق مختلفة، وهذا هو السبب الوحيد الذي يجعل امتلاكهما معًا جديرًا بالاهتمام.

أين ستبدو هذه المقارنة مختلفة بعد ثلاثة أشهر؟

صفان مفقودان وكلاهما قابل للتأريخ. الأول تقييم مستقل لأوزان Beam 1.0، وقد أصبح ممكنًا في 16 أكتوبر 2026 ولم يحدث بعد؛ وكل رقم تنسبه هذه الصفحة إلى Reflection لا يزال أحادي المصدر. والثاني هو سعر Beam. إن نموذجًا يضم جدول تقييم بـ 501 مليار معلمة وليس له تعرفة قائمة على الاستهلاك هو نموذج لا تستطيع معظم الفرق وضع ميزانية له، وإلى أن تنشر Reflection أو أحد شركاء تقديم الخدمة سعرًا، فإن المقارنة الصادقة في التكلفة بين هذين هي تنزيل مقابل استئجار لم يُحدَّد له سعر بعد.

فجوة MathForm 8B مختلفة ولن تُغلق بالانتظار. أرقامها المُعلنة — 88.06% في فحص الصياغة و72.37% في الاتساق — هي أرقام مورّد على مهمة لها مُدقِّق، والتدقيق هو المنتج؛ فأي شخص يملك النموذج وتثبيت Lean يمكنه قياسها بنفسه، وهذا أكثر مما يمكن قوله عن معظم الأرقام في هذه الصفحة. هذا ما يشتريه عقد ضيق.

لا شيء من ذلك افتراضي: تم جمع إخفاقات الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات مثل هذا في OrcaRouter AI Incident Archive، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة النزاع الخاصة به.