LMArena ولوحات صدارة نماذج اللغة الكبيرة: ثلاثة مساطر، ثلاثة أسئلة مختلفة

في 19 فبراير 2026، نشرت Artificial Analysis مقالاً بعنوان "Gemini 3.1 Pro Preview: القائد الجديد في الذكاء الاصطناعي". وقد تصدّر ستة من أصل عشرة تقييمات، وكان متقدماً بأربع نقاط على Claude Opus 4.6. افتح صفحة النموذج نفسه اليوم، وستجد الرقم 30، في المرتبة 69 من أصل 200. لم تغيّر Google شيئاً. الذي تغيّر هو المسطرة: في 19 سبتمبر 2026، عدّلت Artificial Analysis مؤشر الذكاء الخاص بها إلى v4.3.2، وأوقفت Terminal-Bench 2.1 لصالح Terminal-Bench 4.0، واستبدلت tau3-Banking بـ AutomationBench-AA، وأعادت تثبيت مقياس GDPval-AA Elo. متصدّر فبراير أصبح متوسط الترتيب في سبتمبر لأن أداة القياس تحرّكت من تحته.

تلك الحلقة الواحدة هي الحجة الكاملة على تعلّم قراءة لوحات التصنيف هذه قراءةً صحيحة. فـ Claude Opus 5.5 وClaude Fable 5.1، وKimi K3.1 Pro وMiniMax M3.1 Flash، وكل نموذج بينهما، تُقيَّم وفق ثلاثة أشياء متعارضة على الأقل في آنٍ واحد، وعمليات البحث التي تجلب الناس إلى هنا — lmarena، وllm ranking، و«أي نموذج هو الأفضل فعلاً» — تفترض وجود إجابة واحدة. لكن هناك ثلاث إجابات، وكل واحدة منها تجيب عن سؤال مختلف.

ثلاثة أنواع من لوحات النتائج، وثلاثة أسئلة مختلفة

كل رقم تراه على لوحة المتصدرين ينتمي إلى واحدة من ثلاث عائلات، والعائلة هي التي تحدد ما يمكن للرقم أن يخبرك به وما لا يمكنه.

ساحة الجمهور. تعرض LMArena مخرجين مجهولين من نموذجين لمطالبة واحدة، ويختار شخص فائزًا، ثم تُجمَّع الأصوات في تقييم. وهي تقيس التفضيل في ظروف عمياء على مطالبات لم يخترها أحد مسبقًا. تكمن قوتها في أن لا مورّد يشغّل أداة التقييم ولا أحد ينتقي الأسئلة يدويًا. ويكمن ضعفها في أن المصوّت يكافئ الإجابات الطليقة الواثقة حسنة التنسيق، وأن مطالبة كتبها متطوع ليست عبء عملك. يعني تقييم الساحة المرتفع أن الناس يميلون إلى تفضيل المخرج؛ لكنه لا يعني أن المخرج صحيح.

المؤشر المركّب.تُجري Artificial Analysis مجموعة ثابتة من التقييمات وتدمجها في مؤشر ذكاء واحد (Intelligence Index)، إلى جانب مقاييس منفصلة للسرعة وزمن الاستجابة والسعر والتكلفة لكل مهمة مكتملة. وهذا هو الأكثر فائدة بين الثلاثة عند وضع القائمة المختصرة، لأن إطار الاختبار واحد لكل نموذج، ولأن الأعمدة المحيطة تتيح لك الموازنة بين الجودة والتكلفة. ويكمن ضعفه في أن المؤشر المركّب يتضمّن خيارات تحريرية: أي التقييمات تُحتسب، وكيف تُوزن، وما يحدث عند إيقاف أحدها. ومراجعة v4.3.2 تجسّد هذا الضعف تمامًا.

ورقة المورّد.مواد الإطلاق من المختبر الذي بنى النموذج. إنها أغنى مصدر — مئات الصفوف، وأحدث المعايير، والتكوينات التي لم يشغّلها أحد غيرهم — وهي الأقل قابلية للمقارنة، لأن كل مورّد يختار أداة الاختبار وإعداد الجهد والخصوم. جدول Claude Opus 5.5 من Anthropic يضع نموذجه متقدمًا بـ29 نقطة على GPT-5.6 Sol في Terminal-Bench 4.0؛ أما مواد Sol من OpenAI فتتصدر بـ Terminal-Bench 2.1، حيث يسجل Sol 91.9، ولا تتضمن أي صف لـ Opus 5.5 على الإطلاق، لأن Opus 5.5 لم يكن موجودًا عندما كُتبت. إن جدولًا لا يحتوي إلا على صفوف مواتية ليس دليلًا على اكتساح. إنه دليل على انتقاء الصفوف.

الصف عبارة عن تهيئة، وليس نموذجًا.

أكثر سوء فهم شائع للوحة الصدارة هو التعامل مع سطر واحد على أنه نموذج واحد. في لوحة صدارة LLM الخاصة بـ Artificial Analysis هذا الأسبوع، يظهر Claude Opus 5.5 ثلاث مرات:

• Claude Opus 5.5 بأقصى جهد مع التبديل الاحتياطي — مؤشر الذكاء 58، والتكلفة لكل مهمة 5.98 دولار، ومتوسط سرعة الإخراج 98 رمزًا في الثانية، وزمن الاستجابة 706 مللي ثانية، والزمن من البداية إلى النهاية 711 مللي ثانية.

• Claude Opus 5.5 بإعداد xhigh effort مع خيار احتياطي — مؤشر الذكاء 56، التكلفة لكل مهمة 3.46 دولار، السرعة 82 رمزًا في الثانية، زمن الاستجابة 119 مللي ثانية، ومن البداية إلى النهاية 125 مللي ثانية.

• Claude Sonnet 5.5 بأقصى جهد — 56، 5.46 دولارًا، 141 رمزًا في الثانية، 427 مللي ثانية.

تفصل نقطتان في المؤشر بين الصفين الأولين. كما يفصل بينهما خفض بنسبة 42% في التكلفة لكل مهمة وفرق في زمن الاستجابة يبلغ ستة أضعاف. لم يتغير شيء في النموذج؛ بل تغيّر إعداد الجهد. لذلك فإن أي حجة من قبيل «النموذج X يسجّل أعلى من النموذج Y» تظل ناقصة حتى تذكر التكوين، ولهذا لا ينبغي لرقم مقارنة مباشرة واحد أن يحسم قرار شراء بمفرده.

تنطبق القاعدة نفسها على جهد الاستدلال داخل مواد البائع الخاصة. وتشير Anthropic في حاشية إلى أن تشغيل Claude Opus 5.5 على Terminal-Bench استخدم جهد xhigh بدلاً من الافتراضي، وأنه عند الجهد الافتراضي المتوسط يضيق تفوق FrontierCode على GPT-5.6 Sol من فجوة بارزة إلى سبع نقاط. كلا الرقمين صحيح. لكن واحدًا فقط منهما يصف ما ستحصل عليه إذا لم تضبط المعامل.

فخ الإصدار، الذي يفسّر معظم المقارنات السيئة

تُعاد أسماء المعايير نفسها عبر الأجيال، ولا تنتقل الأرقام بينها. ثلاثة أمثلة من تغطية هذا الشهر تكفي لإظهار الشكل.

• Terminal-Bench 2.1 مقابل 4.0 — تُفيد بطاقة Google الخاصة بـ Gemini 3.5 Flash-Lite بتحقيق 54.0% على Terminal-Bench 2.1؛ في حين تسجّل Artificial Analysis، عند تشغيلها الإصدار 4.0، نسبة 1%. كلتا النتيجتين صحيحتان، والاقتباس بأيّ منهما دون ذكر الإصدار يُضلّل على نحوٍ يُجمّل صورة النموذج الذي تفضّله.

• OSWorld-Verified مقابل OSWorld 2.0 — تُبلغ Anthropic عن نسبة 85.0% لـ Claude Mythos 5 على OSWorld-Verified. بينما تستشهد الشركات الأخرى بنتائج في نطاق الستينيات على OSWorld 2.0. ووضع هذه النتائج في عمود واحد ليس مقارنةً بين النماذج.

• النموذج الصحيح، الإصدار الخاطئ — يسجّل Claude Mythos 5.1 نتيجة 60.9 في Terminal-Bench 4.0 مقابل 52.0 لـ Muse Wonder، وهو الاختبار المشترك الوحيد بين هاتين العائلتين. Mythos 5 نتيجته المنشورة البالغة 88.0 هي Terminal-Bench 2.1. واستبدال جيل بآخر يُنتج فجوة قدرها 36 نقطة لا وجود لها.

العادة العملية صغيرة وتستحق التبنّي: عندما يظهر رقم دون نسخة مرجعية وإعداد جهد محدد، فتعامل معه بوصفه ادعاءً لا قياسًا.

تكلفة المهمة ليست هي السعر الموجود على البطاقة

أضافت لوحات الصدارة بهدوء العمود الأهم لإعداد الميزانية، وهو غالبًا ما يتناقض مع قائمة الأسعار. تكلّف MiniMax M3.1 Flash 0.15 دولار لكل مليون رمز إدخال و0.60 دولار للإخراج؛ بينما تكلّف Gemini 3.5 Flash-Lite 0.30 دولار و2.50 دولار — أي أربعة أضعاف في الإخراج. أما من حيث التكلفة لكل مهمة مكتملة في Intelligence Index، فإن Flash-Lite تتفوق: 0.19 دولار مقابل 0.22 دولار.

هذا الانعكاس ليس خطأً. المقياس هو عدد الرموز المستهلكة فعليًا مضروبًا في أسعار المزوّد، لذا فهو يقيس مقدار العمل الذي يبذله كل نموذج لإنجاز المهمة نفسها. استهلك MiniMax M3.1 Flash نحو 180 مليون رمز إخراج عبر المؤشر، مقابل وسيط قريب من 100 مليون للنماذج التي تتابعها Artificial Analysis: فهو مُستدِلّ مُسْهَب، والإسهاب يُحتسب في الفاتورة. في المهام التي تشتري فيها المداولة إجابة صحيحة، تكون هذه مقايضة جيدة. أما في المهام التي لم تكن الإجابة فيها موضع شك قط، فهو هدر.

هذا هو العمود الذي ينبغي تشغيله على حركة المرور الخاصة بك قبل أن تثق بأي مقارنة لكل رمز مميز، لأنه العمود الوحيد الذي يراعي حقيقة أن النماذج لا تستهلك العدد نفسه من الرموز المميزة للوصول إلى المكان نفسه.

ما لن تخبرك به لوحة الصدارة

نقطتان عمياءان تستحقان عنوانًا خاصًا بهما، لأن تجاهلهما يكلّف المال.

الامتناع.يمنح تقييم AA-Omniscience الخاص بـ Artificial Analysis نموذج MiniMax M3.1 Flash درجة 16: إذ أُجيب عن 56% من الأسئلة الواقعية بشكل صحيح، وبلغ معدل الهلوسة 93%. ولا يعني هذا الرقم الثاني أن 93% من الإجابات كانت خاطئة — بل يعني أنه من بين الردود غير الصحيحة، كانت 93% خاطئة تمامًا بدلًا من إجابات جزئية أو امتناعات. فالنموذج عادةً يجيب حين ينبغي أن يمتنع. ولا يحمل Gemini 3.5 Flash-Lite أي درجة AA-Omniscience على الإطلاق، وهذا بيانات مفقودة وليس دليلًا على سلامته.

التوفر. النتيجة عبارة عن تصريح عن لحظة معينة. أمضى Gemini 3.1 Pro سبعة أشهر في وضع المعاينة دون موعد للإتاحة العامة (GA)، واختفى من محدد النماذج في AI Studio في منتصف سبتمبر دون تفسير من المورّد، ولا يزال يحمل تصنيفًا. كان عمر Grok 4.7 يومًا واحدًا عندما حصل على 46 في المؤشر. أحد هذين رقم يخص نموذجًا يمكنك استدعاؤه الشهر المقبل؛ والآخر رقم يخص نموذجًا قد لا يكون موجودًا في الربع المقبل. لا تفرّق لوحة الصدارة بينهما.

أين يقع مجلسنا الخاص، ولماذا هو شيء رابع

يشغّل OrcaRouter لوحة صدارة لنماذج الذكاء الاصطناعي لا تعيد إنتاج أي مما سبق بشكل متعمد. فهي ترتّب النماذج بناءً على ما ترصده بوابتنا الخاصة — حركة المرور الإنتاجية وأصوات Battle Mode المجتمعية — وتمزج ذلك بأصوات LMArena والمعايير المستقلة وتبنّي المنظومة ضمن أوزان ثابتة ومنشورة. وتُحدَّث يوميًا، وتُدرج النماذج خلال 48 ساعة من وصولها، وتنقسم إلى عروض للنص والبرمجة والرؤية والرياضيات والاستدلال والوكلاء بدلًا من الادعاء بأن ترتيبًا واحدًا يخدم كل المهام.

يمنحها ذلك نمط فشل مختلف عن الثلاثة الأخرى، وهو أمر يستحق التصريح به بوضوح: فهي لا تستطيع ترتيب سوى النماذج التي نوجّه إليها الطلبات، لذا فإن نقاط ضعفها تجارية لا منهجية. وما تضيفه هو الإشارة الوحيدة التي لا تملكها أي من الأخريات — ما إذا كان الشيء قد أجاب فعلاً، وبأي سرعة، وبأي سعر مدمج، على حركة مرور لم تُبنَ من أجل معيار قياس.

قراءة واحد في خمس دقائق

• حدِّد إصدار المعيار وإعداد الجهد قبل أن تقرأ النتيجة. وإذا غاب أيٌّ منهما، فالرقم مجرد ادعاء.

• اقرأ عمود التكلفة لكل مهمة، لا سعر الرمز الواحد. فهما يختلفان أكثر مما يتفقان.

• تعامل مع المؤشر المركّب كقائمة مختصرة، لا كحكم نهائي. فهو إعادة ترجيح، وإعادة الترجيح تخضع للمراجعة — والمراجعة نفسها التي خفّضت ترتيب Gemini 3.1 Pro خفّضت ترتيب العشرات من النماذج التي لم يمسّها أحد.

• افصل فجوات القدرات عن فجوات الدرجات. إن سقف مخرجات قدره 65,536 رمزًا، أو نموذجًا لا يستطيع قراءة الفيديو، هو حقيقة تخص عبء عملك؛ أما نقطتان في المؤشر فليستا كذلك.

• تحقق من وقت إطلاق النموذج وما إذا كان لا يزال إصدار معاينة. التصنيف الذي يخلو من تاريخ توفر هو تصنيف لشيء قد لا يكون موجودًا عند النشر.

لوحة الصدارة هي بداية السؤال لا الإجابة عنه. والقياس الوحيد الذي يحسم الاختيار هو حركة المرور الخاصة بك على مطالباتك الخاصة — ولهذا فإن الشيء المفيد الذي يمكن أن تقدمه البوابة ليس تصنيفًا آخر، بل القدرة على تشغيل المرشحين جنبًا إلى جنب باستخدام مفتاح واحد ومقارنة الفواتير.

ملاحظة المصادر: إن حركة Gemini 3.1 Pro من فبراير إلى سبتمبر، ومحتويات المراجعة v4.3.2، والصفوف الثلاثة الخاصة بـ Claude Opus 5.5، وأرقام AA-Omniscience، وقيم التكلفة لكل مهمة، ودرجات مؤشر الذكاء تعود إلى Artificial Analysis، وقد قُرئت في 26 أكتوبر 2026. أما أرقام Terminal-Bench 2.1 و4.0، وأرقام OSWorld-Verified وOSWorld 2.0، ودرجات 60.9 و52.0 الخاصة بـ Terminal-Bench 4.0، وتقدير استهلاك الرموز لدى MiniMax، ومقارنات أوراق بيانات المورّدين، فهي مأخوذة على التوالي من المواد المنشورة الخاصة بكل من Anthropic وGoogle وMiniMax وOpenAI، وهي مُبلَّغ عنها من المورّدين ما لم تُنسب أعلاه إلى Artificial Analysis. أما وصف لوحة الصدارة لدى OrcaRouter وأوزانها ووتيرة تحديثها فهي منهجيتنا المنشورة.