GPT-6 Luna يقرأ Slack مقابل 0.007 دولار لكل سلسلة: ما الذي يخفيه هذا الرقم

سبعة أعشار السنت. هذا ما سجّله معيار Agent Initiative Benchmark التابع لـDeepnote Research بوصفه متوسط تكلفة GPT-6 Luna للتعامل مع موقف عمل واحد داخل شركة محاكاة - قراءة الرسائل، وتحديد ما إذا كان يلزم إبلاغ أي شخص بأي شيء، والرد في القناة الصحيحة. أما Claude Fable 5.1، في المواقف الخمسين نفسها، وبالأدوات نفسها وبميزانية استجابة نفسها قدرها 180 ثانية، فقد بلغ متوسط تكلفته 3.02 دولار مقابل نتيجة أعلى بـ1.1 نقطة: 6.38 من 10 مقابل 7.50. ويصف النص الذي كتبه المعيار نفسه النموذجين بأنهما "متباعدان في السعر بمعامل 430x"، والحساب صحيح: 3.02 دولار مقسومة على 0.0070 دولار تساوي 431.

أصبح GPT-6 Luna متاحًا للعموم منذ 22 سبتمبر 2026، وانتشرت المقارنة في الخط الزمني في 13 نوفمبر كقصة عن نموذج رخيص يلحق بنموذج باهظ الثمن. لكنها قصة أكثر إثارة للاهتمام من ذلك، وأقل إطراءً للعنوان الرئيسي قليلًا. يحتوي صف Luna نفسه في ذلك الجدول على تسع تشغيلات حصلت على 10 من 10 وتسع حصلت على صفر، وسبب صعوبة شراء وكيل استباقي ليس المتوسط — بل الأصفار.

ما الذي شغّله المعيار فعليًا

مبادرة Agent Initiative ليست مجرد مجموعة أسئلة ثابتة أخرى. فقد بنت Deepnote شركة برمجيات وهمية تُدعى PageMantle — تضم 71 موظفًا و100 عميل من عملاء المؤسسات وست سنوات من السجلات المترابطة، بنحو 10 غيغابايت موزعة عبر إحدى عشرة خدمة تشمل Slack وNotion وLinear وHubSpot وStripe وPostHog وBigQuery وSnowflake — ثم أدخلت فيها اثني عشر نموذجًا من النماذج الحدودية بصفة متلصصين. حصل كل نموذج على التعليمات نفسها، والوصول نفسه إلى الأدوات، ولقطة الشركة نفسها، والميزانية الزمنية نفسها. تمثلت المهمة في قراءة رسائل Slack الجديدة وتقرير ما إذا كان ينبغي التحقيق، وأين يجيب، وما إذا كان ينبغي الإجابة أصلًا.

اللوحة صغيرة ويصعب التعامل معها عمدًا:

• خمسون موقفًا ضمن ثمانية أنواع من المهام - التحليل (8)، والتحقق (7)، والتنسيق، والشرح، والتشخيص، واتخاذ القرار، والحراسة (6 لكل منها)، والإيجاد (5).

• أربعون من الخمسين احتاجوا إلى رسالة؛ عشرة كانت فِخاخًا كان التصرف الصحيح فيها الصمت.

• قاضيان من LLM، لا يعرفان أي نموذج أنتج التشغيل، يقيّمان من 0 إلى 10 في التدخل والأدلة والنبرة وموضع الجمهور.

• كل نموذج بجهد استدلالٍ عالٍ، مع استبعاد زمن تنفيذ الأدوات من مؤقّت الـ180 ثانية.

• اثنا عشر نموذجًا من ستة مختبرات، و600 تشغيل إجمالًا، مع فترات ثقة بنسبة 95% مستمدة من إعادة المعاينة البوتسترابية للمهام.

هذا الاختيار التصميمي — أربعون حالة مساعدة مقابل عشر حالات صمت — هو سبب أن الجدول يفصل بين النماذج بطريقة لا يفعلها أي اختبار محادثة قط. معظم ما يفعله وكيل دائم التشغيل طوال اليوم هو أن يقرر ألا يتكلم، ولا يكاد أي تقييم عام يقيس ذلك.

صف لونا، بالكامل

حلّ GPT-6 Luna في المركز السابع من أصل اثني عشر بنتيجة 6.38. أرسل رسالة في 38 من أصل 40 حالة تطلبت ذلك، وهو معدل نجاح أفضل من 37 لدى Claude Sonnet 5.5، وقد فعل ذلك خلال 50 ثانية باستخدام 13.7 استدعاء أداة. تكلفته لكل مهمة، 0.0070 دولار، هي الأدنى في المجال بفارق يقارب أربعة أضعاف مقارنةً بـ 0.026 دولار لـ DeepSeek V4.1 Flash، وبفارق ستين ضعفًا مقارنةً بـ 0.42 دولار لـ Claude Sonnet 5.5.

العمود المهم هو العمود الذي تُسمّيه Deepnote «Tens / zeros». سجّل GPT-6 Astra، صاحب أعلى نتيجة عند 8.97، 26 تشغيلًا مثاليًا وصفرين. وسجّل Claude Opus 5.5 أربعة عشر وصفرين. وسجّلت Luna تسعة وتسعة. في معيار تقييم يعني فيه الصفر أن الوكيل إما لم يتحدث عندما كان ينبغي عليه ذلك، أو تحدث في موقف كان قد أساء فهمه، كان تشغيل واحد من كل خمسة لدى Luna مهدورًا، مقابل واحد من كل خمسة وعشرين لدى النموذجين الأعلى منها. وعند حساب المتوسط على خمسين مهمة، يبدو الوكيل الذي يكون ممتازًا نصف الوقت وغائبًا في النصف الآخر وكأنه B-minus. أما عند نشره أمام Slack لفريق حقيقي، فيبدو كزميل إما لامع أو صامت، ولا أحد يستطيع التنبؤ بأيهما.

العنوان البارز 430x، مع إظهار الحساب

الرقم حقيقي، وهو أيضًا أكثر صياغة مواتية متاحة، لسببين يستحقان القول بهما صراحةً.

أولًا، Claude Fable 5.1 ليس نموذج Anthropic الحالي. بل Claude Fable 5.2 هو كذلك، وقد سجّل 8.17 على المعيار نفسه بتكلفة 1.87 دولارًا للمهمة. وبالمقارنة بالخلف، فإن GPT-6 Luna أرخص 267 مرة ويتخلف بـ1.79 نقطة. هذه جملة أقل قابلية للاقتباس وأكثر صلة بالقرار، لأن لا أحد يختار نموذجًا هذا الأسبوع يختار Fable 5.1 إلا إذا كان لديه سبب.

ثانياً، فجوة الـ1.1 نقطة هي تقدير نقطي على خمسين مهمة. وتوضّح Deepnote صراحةً أن عدة نماذج في منتصف جدولها تقع داخل فترات متداخلة - فهي تذكر Claude Sonnet 5.5 وGPT-6 Luna وDeepSeek V4.1 Flash وMistral Large 4 وClaude Haiku 5.5 كمجموعة تتفاوت ضمن 0.6 نقطة من بعضها - وتخطط لمجموعة مهام أكبر في إصدار مستقبلي. والقراءة الصادقة لثنائية Luna مقابل Fable 5.1 هي أن فجوة السعر مقيسة إلى ثلاثة أرقام معنوية، بينما فجوة الجودة مقيسة إلى رقم معنوي واحد تقريباً. وأي شخص يقتبس "متأخراً بـ1.1 نقطة فقط" وكأن العلامة العشرية ذات معنى فإنه يقتبس الفاصل، لا الدرجة.

الرقم الذي لا يقتبسه أحد: أربعة من كل عشرة

عندما كان الصمت هو الإجابة الصحيحة، امتنع النموذج الوسيط في المجال عن التدخل ست مرات من أصل عشر. أما GPT-6 Luna فامتنع أربع مرات. وقد تدخّل في ست من الحالات العشر التي كانت السجلات تُظهر فيها بالفعل أن الأمر قد تمت معالجته — وكما تشير Deepnote، لم تكن تلك التدخلات كلامًا غير مفهوم. بل كانت دقيقة، وفي موضعها، وغير ضرورية. إن فحص الجودة الذي يقرأ الرسالة فقط لن يكتشف هذا الإخفاق أبدًا. ولن يكتشفه استبيان رضا المستخدمين أيضًا، لأن لا أحد يشتكي من أن يُقال له شيء صحيح.

المعيار يضع ثمناً لذلك على أي حال. وعبر المشاركين، كلّف التحدث في غير موضعه نحو 1.8 مرة أكثر من الصمت حين كانت هناك حاجة إلى رسالة. وبالنسبة لوكيل Slack الذي يقوم افتراضه كله على أنه يقرأ كل سلسلة، فإن نمط الفشل ليس إجابة خاطئة تُصحَّح، بل التآكل البطيء للقناة: فبمجرد أن يدرك فريق أن ثلث رسائل الروبوت ضوضاء، يتوقف عن قراءة أيٍّ منها، وتصبح قيمة الرسائل الصحيحة صفراً معها.

ثمة إخفاق ثانٍ أقل وضوحًا في التقرير. في مهمة تتعلق بالوصول إلى البيانات، عثرت لونا على السجل الذي يؤكد أن مسؤول وصول قد سلّم المهمة إلى خلف له، ثم أحالت الموظف إلى المسؤول السابق رغم ذلك. إن قراءة الدليل الصحيح واستخلاص الاستنتاج الخاطئ عيبٌ مختلف عن غياب الدليل، وهو العيب الذي يظل قائمًا بعد إصلاح جودة الاسترجاع.

لماذا يغيّر سبعة أعشار السنت التصميم، وليس الفاتورة فقط

تكلفة الرمز المميز هي الوحدة الخاطئة لهذا القرار، لأن تكلفة الوكيل الاستباقي تتناسب مع عدد الخيوط التي يلامسها، لا مع عدد الأسئلة التي يُسأل عنها. ويجسّد مخطط Deepnote الخاص هذه النقطة بشكل ملموس: 7 دولارات لكل 1000 مهمة مع GPT-6 Luna مقابل 3020 دولارًا لكل 1000 مع Claude Fable 5.1. وعند 2500 خيط شهريًا، وهو الرقم نفسه الذي يستخدمه الاختبار المرجعي مع Sol وFable 5.2، تبلغ فاتورة Luna نحو 17.50 دولارًا.

هذا الرقم صغير بما يكفي ليغيّر ما تبنيه. مقابل 3 دولارات لكل قراءة، على الوكيل الاستباقي أن يكون انتقائيًا قبل أن يبدأ — إذ يجب على أحدهم أن يقرر أي القنوات تستحق المراقبة، وهو بالضبط الحكم الذي كان يُفترض أن يصدره النموذج. مقابل أقل من سنت لكل قراءة، يمكنك مراقبة كل شيء وترك النموذج يتولى الفرز، وهي النسخة الوحيدة من المنتج التي تطابق الطرح الترويجي.

وهي تشتري أيضًا تمريرة ثانية. شغّل GPT-6 Luna على السلاسل الـ2,500 كلها بنحو 17.50 دولارًا، ودعه يحدد الخمسين التي تبدو غامضة، ثم أرسلها إلى Claude Sonnet 5.5 بتكلفة 0.42 دولار لكل واحدة: 21 دولارًا إضافية، ليصل الإجمالي إلى نحو 39 دولارًا شهريًا. أما نسخة Fable 5.1 بالكامل من التغطية نفسها فتكلف 7,550 دولارًا. وسواء كان هذا المزيج الهجين يتفوق فعليًا على Luna وحده أم لا، فذلك غير مختبَر - فقد شغّل المعيار نماذج لا أُطر تشغيل، وتقول Deepnote ذلك في قيودها - لكن الحساب هو ما يجعل التجربة ميسورة التكلفة بما يكفي لتشغيلها.

وصلت أدوات السباكة قبل ثلاثة أسابيع.

القراءة الرخيصة لكل استدعاء ليست سوى نصف ما يحتاجه وكيل يعمل باستمرار؛ النصف الآخر هو طريقة رخيصة لطرح سؤال محدّد. في 22 أكتوبر 2026، أخرجت O​penAI واجهة Decisions API من النسخة التجريبية، وGPT-6 Luna هو النموذج الوحيد الذي تدعمه. تُرجع نقطة النهاية إجابات محدّدة النوع بدلًا من نصوص سردية - احتمال أن يكون شرط ما صحيحًا، أو اختيارًا من قائمة ثابتة، أو درجة مقابل مستويات مرتّبة - وتقول O​penAI إنها أسرع بنحو عشر مرات من طرح السؤال نفسه على النموذج عبر Responses API.

بالنسبة لمراقب Slack، هذا هو الشكل الصحيح. «هل تتعارض هذه السلسلة مع تاريخ الإصدار المذكور في الرسالة المثبّتة؟» هو محمول، وليس فقرة. رفع إصدار التوفر العام الحد الأقصى إلى 400 سؤال لكل طلب، وأضاف التخزين المؤقت للمطالبات للسياق المشترك، وسمح بالصور داخل تعليمات كل سؤال، وقبل البيانات المهيكلة مباشرةً عبر input_json جزء محتوى. يمكن لنداء واحد الآن تقييم يوم كامل من نشاط القناة مقابل مجموعة أدلة ثابتة بدلاً من رسالة واحدة في كل مرة.

من المفيد معرفة ذلك قبل أن تصمم بناءً عليه: ينطبق التخزين المؤقت الجديد على الأدلة المشتركة التي ترسلها، وليس على قائمة أسعار Luna، كما تظل حدود النموذج نفسها سارية - نافذة سياق بحجم 1,050,000 رمز، وحد أقصى للإدخال يبلغ 922,000، وإخراج 128,000، وتاريخ قطع معرفة هو 18 مايو 2026. لا يعمل استدعاء الدوال في Chat Completions إلا عندما يكون جهد الاستدلال مضبوطًا على none؛ وأي شيء يتضمن أدوات مدمجة يجب أن يمر عبر Responses API.

حيث يتوقف الدليل

إن المعيار المرجعي صريح بشكل غير معتاد بشأن حدوده الخاصة، وهذه الحدود تهم أي شخص على وشك وضع نموذج أمام فريق حقيقي.

• خمسون مهمة، إذ تضم بعض الفئات خمس إلى ثماني مهام فقط، لذا فإن التصنيفات داخل كل فئة تُعدّ اتجاهات لا ترتيبات.

• لقطة ثابتة للشركة لا يرد زملاء الفريق فيها أبدًا، وتقيس مساهمة واحدة بدلًا من شهر من السياق المتراكم.

• مستوى جهد واحد. شُغِّل كل نموذج على الإعداد «مرتفع»؛ ولم تُختبَر الإعدادات الأقل ولا الأعلى، كما أن الإعداد الافتراضي لـ Luna هو «متوسط» وليس «مرتفع».

• Slack فقط. البريد الإلكتروني والمستندات وأي إجراء يتجاوز إرسال رسالة خارج النطاق.

• تكاليف تاريخية، وليست أسعارًا لحظية. أرقام كل مهمة هي ملاحظات من التشغيل، لذا فإن تغيّر سعر البائع يغيّرها.

• لم يُختبَر أي راوتر. وتُصرّح Deepnote بوضوح أن نصيحتها بشأن التوجيه هي توصية تصميمية مستنبطة من نتائج النماذج.

ثمة توتر أيضًا بين ذلك الجدول وقياسات السرعة المستقلة. فقد سجّلت Deepnote زمن Luna عند 50 ثانية لكل موقف عند الجهد العالي. أما Artificial Analysis، عند تشغيله بأقصى جهد، فقد قاس زمن الوصول إلى أول رمز إجابة بـ79.33 ثانية - وهو أسوأ بترتيب من حيث الحجم من الوسيط لفئة سعره. يمكن أن يكون كلا الرقمين صحيحًا، لأنهما يقيسان أشياء مختلفة عند إعدادات مختلفة، لكن اقترانهما بمثابة تحذير: إن زمن الاستجابة المدرَك لوكيل يعمل دائمًا يُحدَّد عبر مقبض الجهد، ورفعه لملاحقة الأصفار يكلّف ثوانٍ قبل أن يكلّف دولارات.

نشر قارئ بهذا السعر

النسخة العملية من هذا المعيار هي خطّ معالجة من مستويين، وهي السبب في أن فجوة السعر تهم أكثر من فجوة الدرجات. يقوم GPT-6 Luna عند جهد منخفض أو متوسط بالقراءة - كل سلسلة، وكل قناة، والقرارات المكتوبة عبر Decisions API. ويؤدي حدّ معيّن على تلك القرارات إلى تصعيد الحالات الغامضة إلى نموذج أقوى. ثم يتعامل النموذج المكلف مع عشرات السلاسل شهريًا بدلًا من الآلاف، وتتوقف تكلفته عن كونها بندًا في الميزانية.

يكون تشغيل تلك السلسلة أسهل عندما تكون كلتا الطبقتين خلف مفتاح واحد. يعرض OrcaRouter النماذج GPT-6 Luna وClaude Sonnet 5.5 وClaude Fable 5.2 وأكثر من 200 نموذج آخر عبر نقطة نهاية واحدة متوافقة مع OpenAI، بهامش ربح 0% - يُمرَّر سعر قائمة المزوّد كما هو، لذا يصل تخفيض سعر المورّد إلى جانبنا في اليوم نفسه بدلًا من انتظار قيام الموزّع بإعادة التسعير. تجمع DSL التوجيه الطبقات في استدعاء واحد (تمريرة أولى رخيصة، والتصعيد عند تحقق شرط)، ويُبقي التبديل التلقائي عند الفشل المراقبَ حيًّا إذا تدهورت خدمة أحد المزوّدين، ويتيح دمج النماذج لفريق من النماذج أن يجيب معًا عندما يكون تصنيف واحد بالغ الأهمية بحيث لا يُوثق به بنموذج واحد. لا يغيّر أي من ذلك الأرقام أعلاه؛ بل يزيل فقط عمل التكامل بينها.

ما الذي من شأنه أن يحرّك هذا الرقم؟

هناك أمران من شأنهما أن يجعلا هذا المقال عتيقًا: خليفة GPT-6 Luna، أو تشغيل ثانٍ مستقل للمقياس نفسه بمجموعة مهام أكبر. الأول مسألة مرتبطة بتقويم OpenAI. والثاني موعود به بالفعل - تقول Deepnote إن لوحة من 50 مهمة ستُستبدل بعينة أكبر في الإصدار التالي، ويوضح مؤلفوها أن الجدول الحالي ينبغي قراءته كقياس أولي لا كترتيب.

حتى ذلك الحين، فإن الاستنتاج القابل للدفاع عنه أضيق من نسخة الجدول الزمني وأكثر فائدة. إن GPT-6 Luna هو أول نموذج رخيص بما يكفي كي يستطيع وكيل استباقي تحمّل تكلفة أن يكون مخطئًا بشأن ما إذا كان ينبغي أن ينظر، وهذه عتبة حقيقية - الفرق بين منتج يأخذ عينات من شركته وآخر يقرؤها. وهو ليس موثوقًا بعد بما يكفي ليكون مخطئًا بشأن ما إذا كان ينبغي أن يتحدث. إن درجة الصمت البالغة أربعة من عشرة هي الجزء من الجدول الذي ينبغي التصميم حوله: أبقِ القراءة رخيصة، وأبقِ الكتابة مقيّدة، وضع النموذج المكلف حيث يُتخذ قرار المقاطعة فعليًا.