GPT-6.1 Terra لوكلاء المتصفح: الحسابات لكل خطوة التي تقف وراء 74.2%

عرض OpenAI الترويجي لـ GPT-6.1 Terra ليس أنه أذكى، بل أنه يستطيع التعامل مع شاشة — تعبئة نموذج، وقراءة رسم فني، والنقر خلال تطبيق — وأن يفعل ذلك بتكلفة منخفضة وسرعة. المعيار الذي يدعم هذا الادعاء هو OSWorld 2.1، حيث يحقق Terra نتيجة 74.2% عند أقصى جهد استدلال، ضمن 1.7 نقطة من GPT-6.1 Sol عند xhigh و1.6 نقطة من GPT-6 Astra. غير أن الرقم المهم بالنسبة للوكيل ليس درجة المهمة، بل الموثوقية لكل خطوة التي توحي بها تلك الدرجة، لأن الوكلاء يفشلون على مستوى الخطوات، لا على مستوى المهام.

يفكّ هذا المقال نسبة 74.2% بالتفصيل: ما الذي يقيسه OSWorld، وما يعنيه ذلك لكل خطوة، وما تكلفة مهمة من عشرين خطوة، وأين تنكسر الحلقة، والضوابط التي تمنع وكيلًا بدقة 74% من أن يتحول إلى حادثة بدقة 0%.

ما تقوله لوحة النتائج

• GPT-6.1 Terra — 74.2% على OSWorld 2.1 بأقصى جهد.

• GPT-6.1 Sol — 75.9% عند xhigh.

• GPT-6 Astra — 75.8%.

• Claude Opus 5.5 — 81.8%.

• Claude Sonnet 5.5 — 80.1%.

• Kimi K3.1 Pro — 79.6%.

ثمة ثلاث قراءات يجدر الفصل بينها. داخل عائلة GPT-6، لا تكاد تفصل Terra عن أشقائها الأغلى ثمناً إلا بفرق تقريب مهمل — ففارق السعر لا يشتري شيئاً يُذكر في أتمتة سطح المكتب. وعبر البائعين، تتخلف العائلة بأكملها عن Anthropic بست إلى سبع نقاط. أما ادعاء Terra الخاص المرتبط بالبائع — القريب من مستوى GPT-6 Astra عند medium في Agents’ Last Exam، بعُشر سعر الرمز الواحد — فهو ادعاء على مستوى المهمة يدعمه رقم OSWorld إلى حد كبير.

من درجة المهمة إلى موثوقية كل خطوة

تُقيَّم مهام OSWorld بالنجاح أو الفشل بعد سلسلة من الإجراءات. إذا استغرقت المهمة نحو عشرين خطوة وأنجزت Terra 74.2% من المهام من البداية إلى النهاية، فإن معدل النجاح الضمني لكل خطوة هو الجذر العشرون لـ 0.742 — أي نحو 98.5%. هذا توضيح حسابي وليس قياسًا: فبعض المهام أقصر، وبعضها أطول، والإخفاقات ليست مستقلة. لكنه يضبط المقياس على نحو صحيح. النموذج الذي يبدو وكأنه نموذج بنسبة 74% هو في الحقيقة نموذج بمعدل 98.5% لكل خطوة، وهذا الفارق هو مجال تصميم الوكلاء.

أجرِ الحساب بالاتجاه المعاكس لسير عمل من خمسين خطوة. ووفق المعدل نفسه لكل خطوة، ينخفض النجاح من البداية إلى النهاية إلى نحو 47%. وعند ثمانين خطوة يصبح 30%. لا تتغير درجة المهمة؛ بل يتغير سير العمل، ولهذا فإن «جيدًا بما يكفي للوكيل» يعتمد كليًا على المدة التي يعمل فيها الوكيل دون إشراف.

ما تكلفة مهمة ما

افترض 3,000 رمز إدخال لكل خطوة — لقطة شاشة بالإضافة إلى حالة المهمة وسجل الإجراءات — و150 رمز إخراج للإجراء، على مدى عشرين خطوة.

• لكل مهمة: 60,000 إدخال بسعر 1 دولار لكل مليون هو 0.06 دولار؛ 3,000 إخراج بسعر 5 دولارات لكل مليون هو 0.015 دولار. الإجمالي 0.075 دولار.

• بمعدل إعادة محاولة 30%: حوالي 0.0975 دولار لكل مهمة ناجحة، أو 98 دولارًا لكل ألف مهمة.

• نفس عبء العمل على GPT-6.1 Sol بسعر $2/$10: $0.15 لكل مهمة، و$195 لكل ألف.

• على GPT-6 Astra بسعر $10/$50: $0.75 لكل مهمة، $975 لكل ألف.

• على Claude Opus 5.5 بسعر $4/$20: $0.30 لكل مهمة، و$390 لكل ألف.

افتراضات الرموز (tokens) أهم من نسبة السعر. تهيمن لقطات الشاشة على تكلفة الإدخال، وحجم لقطة الشاشة خيار: ملف PNG كامل بدقة 1440×900 يستهلك رموزًا أكثر بكثير من منطقة اهتمام مقصوصة. ويمكن لخط معالجة يرسل لقطة شاشة مقصوصة واحدة لكل خطوة بدلًا من سطح المكتب بأكمله أن يخفض رموز الإدخال إلى النصف، ما يخفض تكلفة كل مهمة إلى النصف ويغيّر الترتيب مقابل النماذج الأكثر دقة.

زمن الاستجابة هو المنتج

تقيس Artificial Analysis نموذج Terra عند 90.9 توكن إخراج في الثانية و133.64 ثانية حتى أول توكن في اختبار الاستدلال الخاص بها، مقابل 73.5 توكن في الثانية و284.31 ثانية لـ GPT-6.1 Sol. تأتي أرقام الكمون هذه من مهمة استدلال بأقصى جهد، لذا فهي تبالغ في تقدير التأخير لكل خطوة داخل حلقة الوكيل — لكن النسبة، التي تزيد قليلًا على الضعف، هي المؤشر الصحيح على المدة التي يفكر فيها كل نموذج قبل أن يتصرف.

في حلقة الوكيل، يتراكم زمن التفكير عشرين مرة لكل مهمة. إذا استغرق Sol أربع ثوانٍ لكل خطوة واستغرقت Terra ثانيتين، فإن مهمة من عشرين خطوة تنتهي في 40 ثانية بدلاً من 80. أفاد موظف OpenAI Victor E. Nunez أن Terra أكملت نموذج ويب أسرع بأكثر من دقيقتين من Sol؛ هذه واقعة فردية وليست اختبارًا معياريًا، لكنها من نوع الفروق التي يلاحظها المستخدمون دون أن يُقال لهم.

حيث تنكسر الحلقة

• إجراءات غير قابلة للتراجع. التقديم، الإرسال، الحذف، الدفع — أي إجراء له أثر جانبي يحتاج إلى بوابة موافقة. لا تغيّر أي درجة معيارية ذلك.

• واجهات غامضة. زرّان يحملان التسمية نفسها «متابعة» يُفشلان أي نموذج مهما بلغ ثمنه؛ والعلاج هو إحكام صياغة التوجيهات وجودة لقطات الشاشة.

• آفاق طويلة. إن حساب كل خطوة أعلاه هو الحجة الكاملة ضد العمل على آفاق طويلة دون إشراف بمعدل 98.5% لكل خطوة.

• لقطات الشاشة القديمة. الإطار الملتقط قبل تغيّر في التخطيط خاطئ، والإطار الخاطئ يُنتج نقرة خاطئة بثقة.

• حالة تمتد عبر علامات التبويب. الوكلاء المعتمدون على لقطات الشاشة يرون نافذة واحدة في كل مرة؛ وتحتاج سير العمل متعددة علامات التبويب إلى تتبع صريح للحالة خارج النموذج.

الضوابط التي تجعل 74% قابلة للإطلاق

• ضع حدًا لعدد الخطوات، لا للدولارات فقط. عشرون دولارًا ميزانية وضابط أمان في آن واحد؛ فالحلقة التي يتعذّر إنهاؤها هي أغلى نمط فشل.

• ضع بوابةً للآثار الجانبية. مرّر أي إجراء يغيّر الحالة الخارجية عبر تحقّق بشري أو فحص للسياسة.

• سجّل الإطار مع الإجراء. عندما يرتكب الوكيل خطأً، فإن الأثر المفيد الوحيد هو لقطة الشاشة التي تصرّف بناءً عليها.

• استخدم المخرجات المهيكلة لمخطط الإجراء. فالإجراء النصي الحر غير قابل للتحليل في اللحظة التي تحتاج فيها إلى اليقين تحديدًا.

• قِس لكل خطوة، لا لكل مهمة. إن تراجعًا بنسبة 2% لكل خطوة يكون غير مرئي في درجات المهام، ويضاعف معدل الفشل على مدى خمسين خطوة.

• احتفظ بنموذج ثانٍ في الخطوات الصعبة. استخدام Terra للإطارات الروتينية، ونموذج أقوى للحالات الغامضة، أرخص من Terra مع إعادة المحاولات.

ماذا أركض اليوم

GPT-6.1 Terra غير موجود في كتالوج OrcaRouter في وقت كتابة هذه السطور، لذا يجب اختبار فرع Terra مباشرةً مقابل OpenAI. مجموعة المقارنة متاحة فعليًا لدينا بهامش 0% فوق سعر قائمة المزوّد — GPT-6.1 Sol بسعر $2/$10، وGPT-6 Astra بسعر $10/$50، وClaude Opus 5.5 بسعر $4/$20، وClaude Sonnet 5.5 بسعر $2/$10، وKimi K3.1 Pro بسعر $2/$10 — كلها على مفتاح واحد مع تجاوز فشل تلقائي.

التجربة التي تستحق التنفيذ ليست “أي نموذج يحصل على أعلى الدرجات في OSWorld”، بل مجموعة مهامك الخاصة، مُقيَّمة خطوة بخطوة، مع إبقاء سياسة لقطات الشاشة ثابتة. هذا القياس هو ما يحدد ما إذا كان سعر Terra وسرعتها يستحقان فجوة 7.6 نقطة أمام Claude Opus 5.5 في المهام التي تنفذها فعليًا — وهو الرقم الوحيد الذي يمكن بناء منتج وكيل عليه.