بطاقة عنوان مُولّدة عنوانها الرئيسي «GPT-6.2 Astra يتصدر Hospital-Bench» وعنوانها الفرعي «متوسط درجة 62.4%، وإنجاز 14 من 48 مهمة بنجاح تام»، وثلاث شارات أدلة نصها «الأعلى بين 20 نموذجًا»، و«مستشفى بسعة 320 سريرًا، و13 نظامًا، و131 أداة»، و«Claude Opus 5.5 يتصدر عمليات النجاح الكاملة بنسبة 35.4%»، فوق تذييل يشير إلى أن النتيجة نُشرت في 20 نوفمبر 2026 بواسطة مُقيّم مدعوم من YC، وأن GPT-6.2 Astra صدر في 17 نوفمبر 2026.
Guides & Insights

GPT-6.2 Astra يتصدر Hospital-Bench بنسبة 62.4%: 14 من أصل 48 مهمة دون أخطاء

الكاتب

jinhao.song

تاريخ النشر

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

تقييم شمل عشرين نموذجًا نُشر على X في 20 نوفمبر 2026 يضع GPT-6.2 Astra في المركز الأول على Hospital-bench بمتوسط درجة 62.4% ومعدل نجاح كامل 29.2% — أي أربع عشرة من أصل ثمانٍ وأربعين مهمة أُنجزت بالكامل. ويأتي Claude Fable 5.2 في المركز الثاني بنسبة 60.3%، وGemini 4 Neon ثالثًا بنسبة 59.8%، بينما يحل Claude Opus 5.5 خامسًا من حيث الدرجة بنسبة 55.6% مع تصدّره المجال كله في النجاحات الكاملة بنسبة 35.4%، أي سبعة عشر من أصل ثمانٍ وأربعين. وينهي Gemini 4 Argon في المركز التاسع بمتوسط 46.9% ومعدل نجاح 16.7%. تلك هي الأرقام. وما لا يقدّمه لك الخيط هو الأمر الذي يحدّد ما إذا كانت تعني أي شيء: اسم الشركة الناشئة التي أجرت التقييم، وصفحة منهجية يمكنك قراءتها.

يستحق ذلك الفرق تسميته قبل أي شيء آخر، لأنه يمثل الفرق بين لوحة صدارة ومعيار قياس. يصف المنشور شركة مدعومة من Y Combinator ولا يربط سوى برسمها المرفق بها؛ ومختصر الرابط يعود إلى الصورة، لا إلى ورقة بحثية أو مستودع GitHub أو صفحة نتائج. لا توجد مجموعة مهام لفحصها، ولا شيفرة تقييم لقراءتها، ولا خط أساس بشري للمقارنة به. لذا فإن كل ما أدناه هو قراءة لجدول منشور واحد والجملة المطبوعة أعلاه، وينبغي اقتباسه على هذا النحو.

لا شيء من ذلك يجعل النتيجة تمثّل إطلاقًا. أطلقت OpenAI نموذج GPT-6.2 Astra في 17 نوفمبر 2026، قبل ثلاثة أيام من نشر الخيط، وهذه لوحة مستقلة أخرى ظهر عليها النموذج منذ ذلك الحين. الجديد في 20 نوفمبر هو اللوحة نفسها — فلم تكن Hospital-bench قد ظهرت علنًا من قبل، ووجود مجموعة مكوّنة من عشرين نموذجًا مع قائمة منشورة لأفضل عشرة يمثّل قدرًا كبيرًا من الإشارات يصل في صورة واحدة. وسبب استحقاقها لقراءة متأنية بدلًا من جولة احتفال بالنصر هو أن العمودين الموجودين عليها يختلفان حول من فاز، وهذا الخلاف هو أكثر ما يفيد في الصفحة.

ما الذي يقيسه Hospital-bench فعليًا

سطر المنهجية في الرسم البياني جملة واحدة: «قياس مدى جودة تشغيل وكلاء الذكاء الاصطناعي للعمليات الإدارية في مستشفى بسعة 320 سريرًا عبر 13 نظامًا متصلًا». وتضيف سلسلة المنشورات تفاصيل أكثر قليلًا. يُمنح الوكلاء 131 أداة موزعة على تلك الأنظمة الثلاثة عشر و48 مهمة مستمدة من المكاتب الخلفية للمستشفى لا من جانبه السريري — تصاريح مسبقة، ومطالبات مرفوضة، وطلبات سجلات. لا تشخيص، ولا فرز، ولا تصوير. العمل الذي يُقاس هو العمل الذي يولّد الأوراق التي يدير بها المستشفى أعماله، والمعارك المتعلقة بدورة الإيرادات التي يخسرها.

إن اختيار هذا المجال يفسّر شكل لوحة الصدارة أكثر مما يفسّره أي ادعاء حول الذكاء العام. فإدارة المستشفيات مشكلة اختيار أدوات قبل أن تكون مشكلة استدلال. والموافقة المسبقة هي استعلام مقابل قواعد قائمة الأدوية الخاصة بجهة الدفع، ثم نموذج، ثم تقديم، ثم متابعة، ثم استئناف، وكل خطوة من هذه الخطوات تعيش في نظام مختلف بواجهة مختلفة. ومع توفر 131 أداة و48 مهمة متعددة الخطوات، على الوكيل أن يسترجع المجموعة الفرعية الصحيحة، ويحافظ على استقامة حالة الملف عبر الجولات، ويتجنب الفشل المحدد الذي يحدد هذا العمل: إنجاز إحدى عشرة خطوة بشكل صحيح ثم التقديم إلى قائمة الانتظار الخاطئة. إن تقييمًا مبنيًا بهذه الطريقة سيفصل بين النماذج على أساس الموثوقية قبل أن يفصل بينها على أساس البراعة بوقت طويل، وهو بالضبط ما يظهره العمودان.

وهذا يعني أيضًا أن النتائج غير قابلة للنقل إلى أي شيء آخر. النموذج الذي يتصدّر Hospital-bench قد أثبت شيئًا عن سير العمل الإداري المرتكز على الأدوات على نطاق واسع، ولا شيء على الإطلاق عن قدرته على كتابة التعليمات البرمجية أو اجتياز اختبار قانوني أو إجراء محادثة. اقرأ لوحة الصدارة على أنها بيان عن وكلاء يشغّلون سطحًا واسعًا من الأدوات وفق قواعد إجرائية. هذه فئة تقييم حقيقية ولا تحظى بتغطية كافية، وهي أضيق من «تشغيل مستشفى».

اللوحة كما نُشرت، من الأعلى إلى الأسفل

إليك قائمة العشرة الأوائل المنشورة كاملة، متوسط الدرجة أولاً ونسبة النجاح الكامل ثانياً:

• GPT-6.2 Astra — متوسط 62.4%، ونسبة نجاح 29.2% (14 من 48)

• Claude Fable 5.2 — متوسط 60.3%، نجاح 29.2% (14 من 48)

• Gemini 4 Neon — متوسط 59.8%، نجاح 31.3% (15 من 48)

• GPT-6.2 Sol — المتوسط 57.6%، نسبة النجاح 25.0% (12 من 48)

• كلود أوبوس 5.5 — متوسط 55.6%، نجاح 35.4% (17 من 48)

• Muse Wonder — متوسط 53.6%، نسبة نجاح 27.1% (13 من 48)

• GPT-6.1 Sol — 50.0% متوسط، 12.5% نجاح (6 من 48)

• Claude Sonnet 5.5 — بمتوسط 47.7%، ونسبة اجتياز 29.2% (14 من 48)

• Gemini 4 Argon — متوسط 46.9%، نسبة النجاح 16.7% (8 من 48)

• GPT-6 Astra — متوسط 46.7%، نسبة الاجتياز 8.3% (4 من 48)

The Hospital-bench leaderboard graphic attached to the 20 November 2026 X thread, headed 'Hospital-bench' with the methodology line 'Measuring how well AI agents run the administrative operations of a 320-bed hospital across 13 connected systems', labelled 'Top 10 of 20 models' with columns 'Mean score' and 'Pass rate'. Rows read GPT-6.2 Astra 62.4% / 29.2%, Claude Fable 5.2 60.3% / 29.2%, Gemini 4 Neon 59.8% / 31.3%, GPT-6.2 Sol 57.6% / 25.0%, Claude Opus 5.5 55.6% / 35.4%, Muse Wonder 53.6% / 27.1%, GPT-6.1 Sol 50.0% / 12.5%, Claude Sonnet 5.5 47.7% / 29.2%, Gemini 4 Argon 46.9% / 16.7% and GPT-6 Astra 46.7% / 8.3%, on an axis running 0% to 100%.

ثمت حقيقتان بنيويتان عن تلك القائمة قبل أي تفسير. الأولى أن الميدان يضم عشرين نموذجًا ولا يُعرض منه سوى عشرة، لذا فالنصف الأدنى غير مرئي — وفي مجال يكون فيه معدل النجاح هو العمود الجدير بالاهتمام، فإن النماذج التي تفشل في كل شيء هي التي كانت ستخبرك بمدى صعوبة الحد الأدنى. والثانية أن المدى الكامل من الأول إلى العاشر هو 15.7 نقطة في متوسط الدرجات. وفي اختبار قياسي من ثمانٍ وأربعين مهمة لا توجد له بيانات تباين منشورة، لا يُعد ذلك قمة واسعة. بل هو تجمّع فيه متصدّر.

الترتيب الجيلي هو أنقى إشارة في الجدول وأقلّها احتمالًا أن يكون أثرًا عارضًا. يسجّل GPT-6.2 Astra نسبة 62.4%، أي أعلى بـ15.7 نقطة من GPT-6 Astra عند 46.7%، ويرتفع معدل الاجتياز من 8.3% إلى 29.2% — قفزة بمقدار 3.5 أضعاف في المهام المكتملة دون أخطاء. ويسجّل GPT-6.2 Sol نسبة 57.6%، أي أعلى بـ7.6 نقاط من GPT-6.1 Sol عند 50.0%، مع تضاعف معدل اجتيازه من 12.5% إلى 25.0%. ومهما كان المعيار يقيس، فهو يقيس شيئًا تغيّر بين الأجيال، في كلا خطي OpenAI، بالاتجاه نفسه، وبمقدار يتجاوز بكثير هامش خطأ التقريب.

لماذا يُعد عمود معدل النجاح أكثر أهمية

متوسط الدرجة هو المتوسط عبر جميع المهام الثماني والأربعين مع احتساب الدرجات الجزئية. معدل النجاح هو نسبة المهام التي أنجزها الوكيل بالكامل. هذان قياسان مختلفان لشيئين مختلفين، والفجوة بينهما على هذه اللوحة هائلة: يحقق GPT-6.2 Astra متوسطًا قدره 62.4% لكنه يُكمل 29.2% من المهام، ما يعني أن المهمة المتوسطة تُقيَّم بنحو الثلثين صحيحة بينما يجري إكمال أقل من واحدة من كل ثلاث. هذه هي السمة المميزة لوكيل يُصيب معظم سير العمل ثم يخسره عند خطوة ما.

في معظم المعايير المرجعية، يكون هذا التمييز أكاديميًا. أما في إدارة المستشفيات، فهو المنتج بأكمله. طلب تفويض مسبق يُقدَّم بالرموز الصحيحة إلى طابور دافعين خاطئ يحصل على درجة جيدة في الائتمان الجزئي ويُنتج مطالبة مرفوضة. وطلب سجلات يجمع مجموعة الوثائق الصحيحة ويغفل قيد سجل الإفصاح يُعدّ مخالفة في مجال الامتثال. صُممت المهام في هذا المجال بحيث تكون الخطوة الأخيرة هي المهمة، ما يعني أن عمود معدل النجاح أقرب إلى مقياس لمدى إمكانية الوثوق بالوكيل في سير العمل مما هو متوسط الدرجة، وهو العمود الذي لم يقتبسه أحد تقريبًا.

هو أيضًا العمود الأقل دعمًا إحصائيًا. ثمانٍ وأربعون مهمة تشكّل مقامًا صغيرًا. تمثل المهمة الواحدة 2.08 نقطة مئوية من معدل النجاح، لذا فإن الفرق بين Claude Fable 5.2 وGPT-6.2 Astra — وكلاهما عند 29.2%، وكلاهما عند أربع عشرة مهمة — هو صفر، والفرق بين Gemini 4 Neon عند خمس عشرة مهمة والنموذجين المتصدرين عند أربع عشرة مهمة هو مهمة واحدة. لا يفصل بين ثلاثة نماذج سوى مهمة واحدة من أصل ثمانٍ وأربعين. تعامل مع النماذج الثلاثة الأولى على أنها متعادلة في الإكمال، ولا تفصل بينها إلا في المتوسط، حيث تبلغ الفجوتان 2.1 و0.5 نقطة وهما هشّتان بالقدر نفسه.

Opus 5.5 يتصدّر حيث يهم الأمر

كلود أوبوس 5.5 هو النموذج الذي صُمم الجدول لإبرازه. يحتل المركز الخامس في متوسط الدرجات بنسبة 55.6% — متأخرًا 6.8 نقاط عن المتصدر، وهذا ليس فارقًا ضئيلًا — والمركز الأول في الاجتيازات الكاملة بنسبة 35.4%، أي سبعة عشر من أصل ثمانية وأربعين، بفارق ثلاث مهام عن النموذج التالي. لا يوجد نموذج آخر على اللوحة يعكس ترتيبه بهذا الشكل. كلود سونيت 5.5 يفعل ذلك بشكل طفيف، إذ يحتل المركز الثامن في الدرجات والثالث مناصفةً في الاجتيازات. وجيميني 4 أرغون يفعل العكس، فيحتل المركز التاسع في الدرجات والتاسع في الاجتيازات، وهو ما يتسم بالاتساق على الأقل.

ثلاث مهام ليست هامشًا كبيرًا، ويجدر قول ذلك بصراحة: سبعة عشر مقابل أربعة عشر من أصل ثمانية وأربعين هو فرق يمكن لمهمة واحدة غامضة أن تمحوه، ولا يُنشر أي مجال ثقة. لكن الاتجاه متسق بين نموذجي Anthropic الموجودين على لوحة الصدارة، ويشير إلى مقايضة حقيقية. يبدو أن Opus 5.5 يستهلك دورات أكثر واستدعاءات أدوات أكثر لكل مهمة للوصول إلى حالة مكتملة، ما يرفع معدل إتمامه ويحدّ من متوسطه. ويصل Astra إلى متوسط أعلى مع عمليات إنهاء نظيفة أقل. إذا كنت تشتري وكيلًا لسير عمل يكون فيه طلب نصف مكتمل أسوأ من طلب بطيء، فإن النموذج صاحب المركز الخامس هو الشراء الأفضل، ولن يخبرك أي ترتيب حسب متوسط الدرجات بذلك.

ثمة قراءة ثانية أقل إطراءً للمعيار. إذ يمكن لنموذج أن يرفع معدل نجاحه بالامتناع عن محاولة مهام يُرجَّح أن يفشل فيها، أو بالإنهاء المبكر بإجابة جزئية يعدّها المُقيّم كاملة. ومن دون المخرجات على مستوى المهمة — التي لا ينشرها الخيط — لا سبيل للتمييز بين "ينهي قدرًا أكبر مما يبدأه" و"ينهي قدرًا أقل مما يُعطى". يدعم الجدول القراءة الأولى. لكنه لا يستطيع استبعاد الثانية.

ما تكلفة 131 أداة لكل مهمة

يُعدّ Hospital-bench تقييمًا مكلفًا لتشغيله، ومكلفًا لتشغيله مرارًا وتكرارًا، ولا ينشر الموضوع أي رقم للتكلفة على الإطلاق. إن مئة وواحدًا وثلاثين تعريفًا للأدوات تشكّل موجه نظام كبير قبل أن يتخذ الوكيل إجراءً واحدًا؛ وثمانية وأربعين مهمة متعددة الخطوات عبر عشرين نموذجًا تمثل قدرًا كبيرًا من رموز الإدخال وكثيرًا من الجولات. وأي تكلفة لكل مهمة تحسبها من أسعار الرموز ستكون حدًا أدنى، لا تقديرًا، لأنها ستغفل الاسترجاع وإعادات المحاولة واستدعاءات الأدوات الفاشلة التي تولّدها حلقة الوكيل من تلقاء نفسها.

• متوسط الدرجة — GPT-6.2 Astra 62.4% مقابل Gemini 4 Argon 46.9%

• معدل الاجتياز الكامل — Astra 29.2% مقابل Argon 16.7%

• سعر الإدخال لكل مليون — Argon 2.00 دولار مقابل Astra 8.00 دولار

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

• الأدوات المشمولة — 131، متطابقة لكل نموذج في لوحة الصدارة

• التكلفة لكل مهمة — لا ينشرها المُقيِّم

A generated three-panel comparison card titled 'What the lead costs', with panels reading 'Mean score: Astra 62.4% vs Argon 46.9%', 'Full passes: Astra 14 of 48 vs Argon 8 of 48' and 'Price per 1M: Astra $8 in / $40 out vs Argon $2 in / $10 out', over a footer noting the evaluator publishes no cost per completed task.

اقرأ هذين الكتلتين مقابل بعضهما، والرقم المثير للاهتمام ليس فجوة المتوسط البالغة 15.5 نقطة. بل أن Argon يكلّف ربع ما يكلّفه Astra في كلا الاتجاهين، وينجز أكثر بقليل من نصف عدد المهام بشكل نظيف، ما يضع النموذجين ضمن معامل اثنين من بعضهما في التكلفة لكل مهمة مكتملة رغم فرق سعر يبلغ 4 أضعاف. هذا حكم أقرب بكثير مما توحي به لوحة الصدارة، وهو نوع الحساب الذي لا يمكنك إجراؤه إلا على عبء عملك الخاص، لأن النسبة تعتمد كليًا على عدد المرات التي تنتهي فيها مهامك مبكرًا.

هنا بالضبط تبرّر طبقة التوجيه وجودها بدلًا من أن تكون مجرّد زينة. تمرّر OrcaRouter سعر القائمة لدى المزوّد كما هو دون أي هامش ربح، لذا فإن الـ8 دولارات والـ40 دولارًا المذكورة أعلاه هي ما تدفعه لكل مليون توكن، وليست سعر مورّد تتراكم عليه هامش ربح المنصّة — ولأن التمرير يتمّ مباشرةً، فإن أي تخفيض سعري من المزوّد على أيٍّ من الطرازين يظهر في فاتورتك في اليوم نفسه الذي يُعلن فيه. وهنا يصبح التبديل التلقائي عند الفشل أهم مما هو عليه في أعباء عمل المحادثة: فحملة وكيليّة من ثمانٍ وأربعين مهمة موزّعة على 131 أداة لا بدّ أن تصطدم بحدّ للمعدّل في مكان ما، والمسار الذي ينتقل إلى الطراز الثاني بدلًا من أن يتوقّف في منتصف التشغيل يستحقّ أكثر من نقطة واحدة في متوسّط الدرجة.

يجدر القول بوضوح: إن GPT-6.2 Astra غير موجود في كتالوجنا اعتبارًا من 20 نوفمبر. نماذج O​penAI التي نقدمها هي GPT-6 Astra، الذي يسجل 46.7% و8.3% في هذا التصنيف، وخط GPT-6 Sol، حيث يسجل GPT-6.2 Sol نسبة 57.6% و25.0%. يمكن توجيه Gemini 4 Argon بسعر 2 دولار و10 دولارات. وإلى أن يتوفر Astra هنا، فإن النموذج الأقرب إلى قمة هذا الجدول في كتالوجنا هو GPT-6.2 Sol، وأرخص نموذج يتفوق على الجيل السابق من O​penAI هو Argon.

ما الذي قد يغير هذه القراءة؟

أربعة أمور، تقريبًا بترتيب مقدار ما قد تغيّر به الصورة. الأول صفحة منهجية. فمعيار تقييم ينشر مجموعة مهامه، وقواعد تسجيله، وسجلات تشغيله يمكن الجدال معه؛ أما معيار ينشر صورة العشرة الأوائل فلا يمكن. الجملة الواحدة الواردة فوق الجدول تؤدي عملًا هائلًا، وكل ادعاء في هذا المقال محدود بها.

الثاني هو النماذج العشرة الغائبة. جرى تقييم عشرين نموذجًا وعُرض عشرة، وفي مجال تضخّم فيه الدرجة الجزئية المتوسطَ، فإن النماذج في القاع هي التي تعاير المهمة. إذا كان النموذج الحادي عشر عند متوسط 45% ونسبة نجاح 6%، فإن لوحة النتائج تعكس تباينًا. وإذا كان عند 44% و2%، فإن اللوحة جرف، والنماذج العشرة الأولى هي الوحيدة القادرة على أداء العمل أصلًا.

الثالث هو خط أساس بشري. لا تنشر Hospital-bench أي رقم بشري، وبدون ذلك لا توجد إجابة عن السؤال الوحيد الذي يهم المشتري فعلاً، وهو ما إذا كان إكمال 35.4% جيدًا. أخصائي الفوترة الطبية الذي يملك الأدوات الـ131 والمهام الثماني والأربعين نفسها سيمنح الجدول مقياسًا. أما الجدول فلا يملك أي مقياس.

الرابع هو تشغيل ثانٍ. عمر النموذج أربعة أيام، والتقييم حملة واحدة، والاختبارات المعيارية الوكيلية ذات سلاسل الأدوات الطويلة فيها تباين بين التشغيلات أكبر مما في التقييمات أحادية المحاولة — وهو تحديدًا التباين الذي لا يستطيع فارق 2.1 نقطة بين الأول والثاني استيعابه. إذا جاء Astra وFable 5.2 بالترتيب نفسه ثلاث مرات، فالتفوق حقيقي. أما مرة واحدة، فهو مجرد إدخال في لوحة الصدارة.

ما يظل صامدًا أمام التحفظات الأربعة كلها أضيق من تأطير السلسلة وأكثر فائدة من الرفض التام. إن GPT-6.2 Astra هو أفضل نموذج نُشر على معيار إداري وكيلي يضم عشرين نموذجًا، بفارق يقع داخل هامش الضوضاء في الإكمال وخارجه في المتوسط. القفزة الجيلية هي الجزء العصي على التفسير — 15.7 نقطة في متوسط الدرجة وتحسّن بمقدار 3.5 أضعاف في الإكمالات النظيفة مقارنةً بـ GPT-6 Astra، على لوحة تصنيف لا سبب لديها لتفضيل مورّد بعينه. هذه نتيجة حقيقية حول العمل الإداري المستند إلى الأدوات، نشرها مقيّم لا يستطيع أحد التحقق منه بعد، بعد أربعة أيام من إطلاق النموذج. وينبغي أن يُقال شطرا تلك الجملة في نفس واحد.

A generated single-column scoreboard titled 'Hospital-bench, top of the board' with six rows reading 'GPT-6.2 Astra 62.4% mean / 29.2% pass', 'Claude Fable 5.2 60.3% / 29.2%', 'Gemini 4 Neon 59.8% / 31.3%', 'GPT-6.2 Sol 57.6% / 25.0%', 'Claude Opus 5.5 55.6% / 35.4%' and 'Gemini 4 Argon 46.9% / 16.7%', with column headers 'Mean score' and 'Pass rate' and the footer '48 tasks, 20 models evaluated, top 10 published'.

مقارنات في هذه المقالة2

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