بطاقة عنوان مُولّدة عنوانها الرئيسي 'GPT-6.2 Astra Tops Blueprint-Bench 2' وعنوانها الفرعي 'the human line is twelve apartments' وتعليق نصي يقول '0.614 against a 0.586 human baseline'. توجد أدناه بطاقتان مستديرتا الزوايا: البطاقة اليسرى موسومة 'GPT-6.2 Astra' وتضم الصفوف 'Blueprint-Bench 2: 0.614' و'rank 1 on the board' و'3D scene reconstruction'؛ والبطاقة اليمنى موسومة 'human baseline' وتضم '0.586' و'measured on 12 apartments' و'of 50 in the benchmark'. شعار OrcaRouter مركّب في الزاوية السفلية اليمنى.
Guides & Insights

GPT-6.2 Astra يتصدر Blueprint-Bench 2: خط البشر هو اثنتا عشرة شقة

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

تحرز GPT-6.2 Astra نتيجة 0.614 في Blueprint-Bench 2. وخط الأساس البشري على اللوحة نفسها هو 0.586. هذه أفضلية حقيقية، وهي أيضًا 0.028 من نقطة مقيسة مقابل رقم بشري حسبته Andon Labs من اثنتي عشرة شقة. نُشرت النتيجة على صفحة التقييم الخاصة بـ Andon في 20 نوفمبر 2026، وضخّمها صباح اليوم نفسه Greg Brockman، الذي صاغها بقوله إن GPT-6.2 Astra «تتجاوز خط الأساس البشري في معيار الفهم المادي ثلاثي الأبعاد». يحتاج كل شطر من تلك الجملة إلى شيء من التخفيف، وهذا المقال يتناول أي الأجزاء تصمد. تشغل GPT-6.2 Astra وGPT-6.2 Sol وGemini 4 Carbon المراكز الأربعة الأولى على لوحة Andon، وهذا يهم القارئ الذي يقرر ما يطلقه على الأمر أكثر مما يهمه مركز العنوان الرئيسي.

المعيار نفسه ليس جديدًا. فـ Blueprint-Bench 2 موجود على موقع Andon Labs منذ مايو 2026، وقد ظل يجمع النماذج لستة أشهر؛ ما تغيّر في 20 نوفمبر هو أن نموذجًا تجاوز أخيرًا خط الأداء البشري بفارق يتجاوز هامش الخطأ الخاص به. لذا فهذا ليس إطلاق معيار ولا إطلاق نموذج — فقد أطلقت OpenAI نموذج GPT-6.2 Astra في 17 نوفمبر 2026، أي قبل ثلاثة أيام من ظهور النتيجة. إنها نتيجة تهبط على لوحة قائمة، والسؤال المثير ليس ما إذا كان الرقم حقيقيًا، بل ما الذي يقيسه الرقم، لأن عبارة «الفهم المادي ثلاثي الأبعاد» تقوم بعمل أكبر في التغريدة مما يقوم به التقييم في منهجيته الخاصة.

ما قاسته Andon Labs فعليًا

يمنح Blueprint-Bench 2 وكيلاً خمسين شقة، واحدة تلو الأخرى. ولكل شقة، ينظر الوكيل في نحو عشرين صورة فوتوغرافية للتصميم الداخلي وعليه أن يرسم مخطط طابق ثنائي الأبعاد: الغرف، وأي الغرف تتصل بأي منها، وأحجامها النسبية. ويحمل الوكلاء لوحة ملاحظات دائمة بين الشقق، بحيث يستطيع النموذج تدوين ما تعلمه عن التخطيطات النموذجية — أين يقع الممر عادةً، وماذا يعني إطار باب في زاوية — واستخدامه في الشقة التالية. وتلك اللوحة هي جزء التصميم الذي يجعل هذا تقييم وكيل لا اختبار رؤية، وهي السبب في أن الدرجات تفصل النماذج المتقدمة عن النماذج المتوسطة المستوى بصفاء أكبر مما يفعل معيار قائم على صورة واحدة.

يقارن التقييم مخطط الاتصال الخاص بالنموذج بالحقيقة المرجعية، بأوزان موزعة على ستة مقاييس فرعية: تشابه Jaccard على الاتصالات بين الغرف بوزن 50%، وتشابه الدرجة بوزن 20%، وكثافة الرسم البياني بوزن 10%، وعدد الغرف بوزن 10%، وعدد الأبواب بوزن 5%، والاتجاه بوزن 5%. وتُطابَق المخططات وفق تماثل D4، لذا فإن مخططًا مُدوَّرًا أو معكوسًا لا يزال يُحتسب، وتُطبَّع النتيجة المركبة بحيث تُقابل قيمة خط الأساس العشوائي 0 ويُقابل المخطط المثالي 1. وزن 50% على Jaccard يلخّص المعيار كاملًا في سطر واحد: يقول تقرير Andon نفسه إن كل نموذج يصيب عدد الغرف تقريبًا، بنسبة نحو 90%، وإن العامل المميّز هو ما إذا كان النموذج قادرًا على استنتاج أي الغرف تفتح على أي. عدّ الغرف من الصور الفوتوغرافية سهل. أما إعادة بناء الطوبولوجيا من جولة تفقّد فليست كذلك.

يترتب على ذلك التصميم نتيجتان. أولًا، المخرجات هي مخطط ثنائي الأبعاد وليست نموذجًا ثلاثي الأبعاد — فالاستدلال المكاني ثلاثي الأبعاد بمعنى أن على الوكيل أن يستنتج تخطيط الطابق من سلسلة من المشاهدات المتداخلة، لكن لا شيء في التقييم يكافئ إعادة البناء الصحيحة لارتفاع السقف أو الحجم أو الأثاث. ثانيًا، الدرجة هي رقم تشابه مخططات وليس نسبة دقة. فالدرجة 0.614 لا تعني أن النموذج أصاب في 61% من الشقق؛ بل تعني أن مخططات الاتصال الخاصة به تقع عند 61.4% من المسافة بين العشوائي والكامل في ظل ذلك الترجيح.

الـ0.028 التي تفصل نموذجًا عن شخص

إليك صدارة اللوحة كما كانت عليه في 20 نوفمبر 2026، مع أشرطة الخطأ المعياري التي يرسمها Andon على مخططه، مأخوذة من الرقم المنشور:

• GPT-6.2 Astra — 0.614، المرتبة 1، هامش الخطأ يقارب 0.601 إلى 0.627

• Gemini 4 Carbon — 0.586، بالمرتبة الثانية بالتساوي، وهامش الخطأ نحو 0.571 إلى 0.601

• خط الأساس البشري — 0.586، المرتبة 2 بالتساوي، تم اختباره على 12 شقة، لم تُنشر أي فترة ثقة

• GPT-6.2 Sol — 0.570، المرتبة 4، هامش الخطأ نحو 0.558 إلى 0.584

• Claude Fable 5.2 — 0.566، المرتبة 5

• Gemini 4 Argon — 0.544، المرتبة 6

• Claude Opus 5.5 — 0.512، المرتبة 7

• GPT-6 Astra — 0.497، المرتبة 8

A screenshot of Andon Labs' Blueprint-Bench 2 evaluation page. The top half explains that agents convert roughly twenty interior photographs of each apartment into a 2D floor plan across fifty apartments, with the normalisation note that random maps to 0 and perfect to 1 and that error bars are standard error, above a connectivity-similarity chart. The leaderboard below lists GPT-6.2 Astra at 0.614 in first place, then Gemini 4 Carbon and a Human baseline both at 0.586, GPT-6.2 Sol at 0.570 and Claude Fable 5.2 at 0.566, continuing down through GPT-6 Astra at 0.497 to Claude Haiku 5.5 at 0.330.

ثلاثة أمور تستحق استخراجها من تلك القائمة. الأول هو حجم الهامش، وهو 0.028 من نقطة على مقياس يكون فيه العشوائي 0 والكامل 1. الثاني أن شريط الخطأ لدى Astra لا يمتد نزولًا إلى 0.586 — إذ يبلغ أسفل نطاقه 0.601 — لذا فإن التقدم على الرقم البشري ليس داخل ضجيج النموذج نفسه. الثالث أن الرقم البشري لا يحمل أي نطاق عدم يقين على الإطلاق، لأنه حُسب على اثنتي عشرة شقة من أصل مهمة من خمسين شقة. درجة بشرية من اثنتي عشرة شقة ودرجة نموذج من خمسين ليستا القياس نفسه، وأندون صريح بشأن ذلك: تقول حاشية لوحة الصدارة "اختُبر الأساس البشري على مجموعة فرعية من 12 شقة فقط." تعامل مع 0.586 كتقدير للمكان الذي يستقر فيه الشخص، لا كخط له عرض معروف.

الشيء الآخر الذي تُظهره أشرطة الخطأ هو مدى ضيق قمة لوحة الصدارة. يلتقي الشارب السفلي لـ Astra بالشارب العلوي لـ Gemini 4 Carbon عند 0.601 بالضبط. في هذا الاختبار، لا يفصل بين المركز الأول والمركز الثاني المتعادل سوى تلامس شارب واحد، وهذا ادعاء مختلف عن «أفضل من أي ذكاء اصطناعي آخر» وأكثر قابلية للدفاع عنه. ويقيم تعليق الرسم البياني الخاص بـ Andon نفسه نوعًا من الموازنة بين الأمرين بطريقة تستحق الملاحظة: فهو يسمّي الخط البشري المتقطع «البشري (0.59)»، ثم يكتب أن GPT-6.2 Astra وGemini 4 Carbon «يتعادلان معه الآن»، رغم أن الجدول يضع Astra أعلى منه بمقدار 0.028، ويضع Carbon عليه تمامًا. الجدول هو المادة الأكثر حرصًا. أما التعليق التوضيحي فهو الذي جرى اقتباسه.

معياران، واتجاه واحد

قد يكون تجاوز لوحة واحدة لخط بشري مجرد أثر من آثار طريقة التقييم. وسبب أخذ النتيجة على محمل الجد هو أن تقييمًا ثانيًا ثلاثي الأبعاد بُني بشكل مستقل تحرّك بالاتجاه نفسه في الأسبوع نفسه. تدير Artificial Analysis تقييم AA-3D، وهو مهمة مختلفة تمامًا: إذ تعمل النماذج كوكلاء داخل بيئة اختبار معزولة دون اتصال عبر Stirrup، وتحوّل موجزًا مكتوبًا إلى مشهد تفاعلي باستخدام three.js، ويأتي التصنيف من تصويتات زوجية عمياء تجريها لجنة بشرية جرى تجنيدها — أكثر من 20,000 صوت على لوحة الصدارة الحالية — بدلًا من مقارنة بيانية.

• GPT-6.2 Astra (Max) — 1,318 إيلو، فاصل الثقة 95% من 1,286 إلى 1,349، المرتبة 1

• Claude Fable 5.2 (Max) — 1,271 Elo، المرتبة 2

• GPT-6.2 Sol (Max) — 1,259 Elo، المرتبة 3

• Claude Sonnet 5.5 (Max) — 1,204 إيلو، المركز 4

• Claude Opus 5.5 (Max) — 1,202 إيلو، المركز 5

• GPT-6 Astra (Max) — 1,168 Elo، فاصل ثقة 95% من 1,141 إلى 1,196، المرتبة 6

تختلف لوحتا التصنيف حول منتصف القائمة — إذ يحتل Claude Fable 5.2 المركز الخامس على لوحة Andon والثاني على لوحة Artificial Analysis — لكنهما تتفقان تمامًا بشأن القمة. تتصدر Astra، وSol ضمن أفضل ثلاثة، ويأتي الجيل السابق متأخرًا بنحو 150 نقطة Elo. قدّم منشور الإطلاق الخاص بـOpenAI نفسه ادعاء AA-3D في 17 نوفمبر بالأرقام الثلاثة نفسها، وتعرض اللوحة المستقلة الآن هذه الأرقام من دون تغيير، وهي حالة نادرة يكون فيها رقم مورّد ورقم طرف ثالث الرقم نفسه. وهذا لا ينطبق على رقم Blueprint-Bench: فلم تقل OpenAI شيئًا عن مخططات الطوابق، وجاءت النتيجة من Andon وحدها.

A screenshot of the AA-3D Leaderboard from Artificial Analysis, with columns for rank, score range, model and Elo. GPT-6.2 Astra (Max) sits at rank 1 with 1318, above Claude Fable 5.2 (Max), GPT-6.2 Sol (Max), Claude Sonnet 5.5 (Max) and Claude Opus 5.5 (Max), with GPT-6 Astra (Max) further down at 1168.

التقارب هو الحجة. إن معياراً لتشابه الرسوم البيانية يُقيَّم بالكود، ومعيار Elo يُقيَّم بالتفضيل البشري الأعمى، هما تقريباً أبعد ما يمكن أن يكون عليه تقييمان لـ"القدرة المكانية"، ومع ذلك يرتبان النماذج الثلاثة نفسها بالترتيب نفسه. لكن ما لا يثبتانه هو أن أياً منهما يقيس شيئاً قد يسميه فريق روبوتات ذكاءً مكانياً، وهذا يقودنا إلى السطر الأكثر إثارة للاهتمام في جدول Andon.

لماذا حصل نموذج روبوتات على صفر

يسجّل Gemini Robotics-ER 1.6 نتيجة 0.000 في Blueprint-Bench 2 — عند خط الأساس العشوائي أو أقل منه، وقد أشار إليه Andon بعلامة نجمتين. إنه الرقم الأكثر فائدة في الصفحة. فالنموذج المصمم تحديدًا للاستدلال المكاني والجسدي، وهو النوع الذي قد تلجأ إليه إذا كانت المهمة هي «فهم فضاء مادي»، ينتج رسومًا بيانية للاتصال لا تزيد جودتها عن الصدفة. ويشير Andon إلى ذلك بنفسه: التخصص المكاني لا ينتقل إلى توليد مخططات الطوابق.

هناك أربعة نماذج أخرى أيضًا تقع عند خط الأساس العشوائي، وشكل هذا التجمع يخبرك بما يكافئه المعيار. ما يكافئه هو مهارة مركبة محددة — قراءة سلسلة من الصور الفوتوغرافية، والحفاظ على فرضية متسقة حول طابق، وإخراج خطة منسقة بصرامة يستطيع محلل نحوي تقييمها. يمكن أن يكون النموذج ممتازًا في الاستدلال حول الفضاء المادي ومع ذلك يفشل في هذا، لأن نمط الفشل عادةً هو صيغة الإخراج أو الاتساق على المدى الطويل، وليس الاستدلال المكاني. وهذا يعني أن «يتجاوز خط الأساس البشري في الفهم المادي ثلاثي الأبعاد» ملخص منصف للنتيجة وملخص سخي قليلًا للمهارة. النسخة الصادقة أضيق: فهو يعيد بناء اتصالية شقة من الصور الفوتوغرافية بدقة أكبر مما فعلت عينة بشرية من اثنتي عشرة شقة، على معيار يقيّم بنية الرسم البياني ولا شيء غيرها.

بالنسبة لأي شخص يتضمن عمله الفعلي التعامل مع مخططات الطوابق — التقاط العقارات، وتوثيق التأمين، وأعمال المرافق، ورقمنة المخططات الورقية — فإن هذا الادعاء الأضيق يظل هو المفيد، لأن بنية الرسم البياني هي بالضبط ما تحتاجه تلك سير العمل، وبالضبط ما يخطئ فيه مسار PDF-to-CAD. وبالنسبة لأي شخص يقرأه كبيان عن تنقل الروبوتات بين الغرف، فإن صف Robotics-ER هو التصحيح.

ما تكلفة شراء ذلك العميل المحتمل

يُسعّر GPT-6.2 Astra عند 8 دولارات لكل مليون رمز إدخال، و0.40 دولار للرموز المخزنة مؤقتًا، و40 دولارًا لكل مليون رمز إخراج، وهو أقل بنسبة 20% من GPT-6 Astra في كلا اتجاهي العدّاد. أما النموذج الذي يعادل الخط البشري، Gemini 4 Carbon، فيُسعّر عند 2 و10 دولارات — أي ربع سعر الإدخال لدى Astra وربع سعر الإخراج لديها. ويحتفظ GPT-6.2 Sol، الرابع على لوحة Andon عند 0.570 والثالث على AA-3D عند 1,259 إيلو، بأسعار رموز GPT-6.1 Sol بدلًا من أسعار Astra.

• Blueprint-Bench 2 — Gemini 4 Carbon 0.586 مقابل GPT-6.2 Astra 0.614

• سعر الإدخال لكل 1M — Carbon $2.00 مقابل Astra $8.00

• سعر الإخراج لكل مليون — Carbon $10.00 مقابل Astra $40.00

• AA-3D Elo — Carbon غير مدرج في اللوحة مقابل Astra 1,318، الترتيب 1

• أين يقف كل منهما — Carbon يعادل الخط البشري بينما Astra يتجاوزه بمقدار 0.028

A generated single-column scoreboard titled 'GPT-6.2 Astra — the scoreboard' with six rows reading 'Blueprint-Bench 2: 0.614, rank 1', 'Human baseline: 0.586 on 12 apartments', 'Error bar: 0.601 to 0.627', 'AA-3D Elo: 1,318, rank 1', 'AA-3D vs GPT-6 Astra: +150 Elo' and 'Price per 1M: $8 in / $40 out', over a footer reading 'Blueprint-Bench 2 figures per Andon Labs; AA-3D per Artificial Analysis; pricing per OpenAI.' The OrcaRouter logo is composited in the bottom-right corner.

اقرأ ذلك كسؤال عن التسعير وستجد أن الإجابة غير مريحة للطراز الرائد. في المعيار الوحيد الذي يظهر فيه كلا الطرازين، يمنحك خُمس السعر تعادلًا مع الأساس البشري ومسافة شعرة عن المركز الأول. لا تستند حجة Astra لتسعيرها إلى مخططات الطوابق؛ بل تستند إلى تقييمات العمل الاحترافي في منشور إطلاق OpenAI، حيث إنه النموذج ذو نافذة سياق بسعة 1,050,000 رمزًا والنتائج الرائدة في Agents' Last Exam وTerminal-Bench-Science. إذا كان عبء عملك هو صور الشقق ومخططات الاتصال، فمن الصعب تبرير فرق السعر من لوحة النتائج هذه وحدها. وإذا كان عبء عملك مجموعة طويلة من الوثائق القانونية أو العلمية، فهذا المعيار لا يقدم أي دلالة على ذلك، لا سلبًا ولا إيجابًا.

تحذير آخر بشأن التكلفة: لا تنشر Andon ولا Artificial Analysis رقمًا لتكلفة المهمة الواحدة لـ Blueprint-Bench 2، وهذا الاختبار حساس للغاية لذلك. خمسون شقة بنحو عشرين صورة لكل منها تمثّل عددًا كبيرًا من رموز الإدخال قبل أن يكتب النموذج غرفة واحدة، والنموذج الذي يبلغ الدرجة نفسها في المخطط بعدد أكبر من دورات حلقة المفكرة يكلّف أكثر لكل شقة مما يوحي به سعر الرموز لديه. لا تقرأ أسعار الرموز أعلاه على أنها فاتورة لكل شقة؛ فهي ليست كذلك.

ما الذي يتركه هذا بالنسبة لقرار التوجيه

النسخة العملية من كل هذا هي أن سؤال "أي نموذج للعمل المكاني" أصبح للتو سؤالًا بين نموذجين مع فارق سعري، وطبقة التوجيه هي حيث يُحسم هذا الفارق. Gemini 4 Carbon مدرج في كتالوج OrcaRouter بسعر القائمة مع تمرير هامش ربح نسبته 0%، وهو ما يعني أن مبلغَي $2 و$10 المذكورين أعلاه هما ما تدفعه فعليًا لكل مليون رمز، بدلًا من سعر مورّد يضاف إليه هامش ربح منصة. وهذا يهم هنا تحديدًا لأن فجوة التكلفة بين المركز الأول والمركز الثاني المتعادل في هذا الجدول تبلغ 4x، وفجوة بمقدار 4x هي النوع الذي تريد قياسه على مخططاتك الخاصة قبل أن تعتمد أيًا منهما كمعيار.

اعتبارًا من 20 نوفمبر، لا يتوفر GPT-6.2 Astra في كتالوجنا؛ إن نماذج OpenAI التي نقدمها هي GPT-6 Astra، الذي يسجل 0.497 في هذه اللوحة، وخط GPT-6 Sol. يجدر قول ذلك بصراحة بدلًا من الإيحاء بخلافه، لأنه يغيّر التوصية: إلى أن يصبح Astra قابلًا للتوجيه هنا، فإن النموذج في كتالوجنا الذي يعادل خط الأساس البشري هو Carbon، ويقع GPT-6 Astra على المفتاح نفسه إذا أردت نمط مخرجات OpenAI مقابل 10 دولارات و50 دولارًا. عندما يستقر نموذج ومنافسه الأرخص على نقطة نهاية واحدة، فإن اختبار A/B على شققك الخاصة يتطلب تغيير مفتاح API بدلًا من عقد ثانٍ، ويعني التحويل عند الفشل أن حد المعدل على أحدهما لا يوقف الدفعة.

ما الذي قد يغير هذه القراءة؟

ثلاثة أمور، مرتبة بحسب مقدار ما يمكنها أن تغيّر به مسار القصة. الأول هو خط أساس بشري أوسع. اثنتا عشرة شقة عينة صغيرة لمهمة من خمسين شقة، ونشر أندون فترة على الرقم البشري من شأنه أن يحسم ما إذا كان 0.586 خطًا أم لطخة — إذا تبيّن أن النطاق البشري يمتد من 0.55 إلى 0.62، فإن تقدّم Astra حقيقي، لكن تعادل Carbon ليس كذلك، ويُعاد ترتيب قمة لوحة الصدارة بالكامل. الثاني هو تشغيل ثانٍ لـ GPT-6.2 Astra على اللوحة نفسها. عمر النموذج ثلاثة أيام؛ وأرقام أندون تأتي من حملة واحدة، والاختبارات المعيارية التي تتضمن حلقة دفتر ملاحظات وأفقًا من خمسين شقة فيها تباين بين التشغيلات أكبر مما في تقييم بمرور واحد، وهو ما تشير إليه أشرطة الخطأ المعياري ضمنًا لكنها لا تستطيع استيعابه بالكامل.

الثالث هو الصفحة نفسها. لا يزال قسم «النتائج الرئيسية» لدى Andon يسمّي GPT 5.5 وGemini 3.1 Pro وClaude Opus 4.7 النماذج الثلاثة الأولى، وكان ذلك صحيحًا في مايو 2026 ولم يُحدَّث مع اكتمال الجدول. كما لا تزال كتاباتهم حول الاستدلال المكاني تستشهد بـGemini 3.1 Pro وGPT 5.5 وهما يعالجان شققًا فردية. لوحة الصدارة محدثة؛ أما النص المحيط بها فهو لقطة من ستة أشهر مضت. اقرأ الجدول، لا قسم النتائج، واقرأ أشرطة الخطأ في المخطط بدلًا من التعليق الذي يقول إن نموذجين يتعادلان عند خطٍّ يتجاوزه أحدهما بشكل قابل للقياس.

لا شيء من ذلك يجعل النتيجة خاطئة. إن GPT-6.2 Astra هو أفضل نموذج في كلا التقييمين المستقلين ثلاثيي الأبعاد المنشورين هذا الأسبوع، بفارق يتجاوز هامش الخطأ الخاص به في أحدهما، وبفارق 47 نقطة Elo في الآخر، حيث لا تزال فترتا الثقة 95% متداخلتين. وهو أول نموذج يعلو على نحو ذي دلالة فوق تقدير بشري في معيار قياس يعمل منذ مايو. الادعاء أصغر من التغريدة وأمتن من تسريب، وهو الشكل المناسب لنتيجة وصلت بعد ثلاثة أيام من وصول النموذج.

مقارنات في هذه المقالة2

مستخرج من هذه المقالة · المعايير: Artificial Analysis · يُحدَّث يوميًا