يتقاسم SubQ Snap 1.1 المركز الأول في Decision Index عبر تعلّم الامتناع

أحدث طراز يتصدّرArtificial Analysis Decision Index v1.0 ليس هو النموذج الذي يحصل على أكبر عدد من الإجابات الصحيحة. SubQ Snap 1.1، الذي أطلقته Subquadratic في 22 أكتوبر 2026، سجّل 65 وتعادل مع d1-ultra وElephant 9B على المركز الأول. Jev 1.14 يحلّ في المركز 57. اقرأ التفاصيل الدقيقة أسفل المؤشر، وستجد أن سبب التعادل ليس الدقة الخام على الإطلاق: يضع تقرير Artificial Analysis دقة Snap 1.1 عند 20%، مقابل 32% لـ d1-ultra و12% لـ Elephant 9B. وما يفعله Snap 1.1 أفضل من كليهما هو رفض الإجابة.

هذه نتيجة هندسية حقيقية، لا حيلة في القياس المرجعي، لكنها تغيّر مَن ينبغي أن يهتم. نموذج القرار ليس نموذج محادثة. فهو يتلقى مستنداً ومجموعة ثابتة من الإجابات المسموح بها — التوجيه إلى هذا الطابور أو ذاك، استدعاء هذه الأداة أو رفضها، نعم أو لا أو التصعيد — ويعيد خياراً مرفقاً باحتمال معاير. كانت حجة Subquadratic منذ إطلاق النسخة التجريبية قبل عشرة أيام هي أن عبء العمل هذا يستحق بنية خاصة به بدلاً من نموذج لغوي كبير عام يستهلك رموز الإخراج لينتج كلمة «refund». الإصدار 1.1 هو أول إصدار يصبح فيه ادعاء المعايرة محدداً بما يكفي للتحقق منه.

ما الذي تغيّر فعليًا بين Snap 1.0 و1.1

هذا إصدار ما بعد التدريب، وليس نموذجًا جديدًا. إن العمود الفقري Subquadratic Sparse Attention، ونافذة الـ384 ألف رمز، ومسار الإدخال النصي والصوري كلها دون تغيير عن Snap 1.0، الذي أُطلق في 12 أكتوبر بسعر 0.05 دولار لكل مليون رمز إدخال. ما تغيّر هو سلوك النموذج عندما يكون غير متأكد: تقول الشركة المورّدة إن 1.1 يضيف معايرة صريحة لعدم اليقين ويقطّر الاستدلال متعدد الخطوات في تمريرة أمامية واحدة، بدلًا من توليد سلسلة أفكار ثم الحسم بإجابة.

الأرقام التي يوردها Subquadratic عن هذا التغيير محددة بشكل غير معتاد، وهذا أمر جيد ويستحق التدقيق. انخفض خطأ المعايرة المتوقع على معايير الاحتمالات المحجوزة من 0.108 إلى 0.014. وانخفضت الأخطاء الواثقة على الأسئلة غير القابلة للإجابة من 294 من أصل 600 إلى 57 من أصل 600 — وهو انخفاض بنسبة 81% الذي لا تزال تغطية الإطلاق تقتبسه. وانخفضت الهلوسات المفرطة الثقة على المدخلات خارج التوزيع من 99.3% إلى 12.5%. وارتفع التوافق مع قاعدة قرار مثلى حسب بايز من 83% إلى 90%. وفي مجموعة اختبارات المؤسسات ذات المعايير الـ16 لدى البائع، يتفوق 1.1 بمتوسط 7.2 نقطة على Jev 1.14 مع فاصل ثقة 95% من 6.5 إلى 7.8، بفوز في 12 وتعادل في 3 وخسارة في 1، ويتفوق بمتوسط 5.5 نقطة على Snap 1.0.

كل ذلك مُبلَّغ عنه من المورّد. لم ينشر أحد خارج Subquadratic تشغيلًا للإصدار 1.1 بعد؛ أما المستودعات المستقلة الموجودة فقد اختبرت النموذج التجريبي، وهي تُناقَش لاحقًا أدناه.

كيف يتعادل نموذج بدقة 20% على المركز الأول

لا يقيّم مؤشر القرار الدقة بمعزل عن غيرها، بل يقيّم نتيجة قرار يُتخذ في ظل عدم اليقين، مما يعني أن الامتناع عن الإجابة عن سؤال لا يستطيع النموذج الإجابة عنه ذو قيمة أكبر من تخمين واثق — وأكثر بكثير قيمةً من تخمين واثق خاطئ. تُفيد Artificial Analysis بأن معدل عدم الهلوسة لدى Snap 1.1، أي مدى تكرار قوله «لا أعرف» عن أسئلة لم يستطع الإجابة عنها إجابة صحيحة، يبلغ 86%. أما Elephant 9B فأعلى عند 93%، وd1-ultra أقل بشكل طفيف عند 85%. ودقة Snap 1.1 البالغة 20% هي الوسط ضمن هذا الثلاثي، ودرجة مؤشره مطابقة لكليهما.

يعتمد ما إذا كانت هذه المقايضة صحيحة كليًا على تكلفة الإجابة الخاطئة عليك في المراحل اللاحقة. في موجّه تذاكر الدعم، يؤدي سوء التوجيه الواثق إلى إرسال شكوى فوترة إلى قائمة انتظار الهندسة، وينتظر العميل يومين؛ أما الامتناع فيرسلها إلى خطوة فرز بشري تكلف ثلاثين ثانية. وفي مهمة تصنيف محتوى بالجملة دون وجود بشري في الحلقة، يكون الامتناع مجرد صف غير موسوم، ويكون رقم الدقة هو ما يهم. يخبرك المؤشر بأن Snap 1.1 مصمم للحالة الأولى. ولا يخبرك بأنه أدق مصنّف يمكنك شراؤه، لأنه ليس كذلك.

خفض السعر، والمقام الذي لا يذكره أحد

التغيير الآخر في 1.1 هو السعر: 0.04 دولار لكل مليون رمز إدخال، بانخفاض 20% عن 0.05 دولار في الإصدار التجريبي، مع رموز إخراج مجانية. النصف الثاني هو الجزء الذي يعيد تشكيل الفاتورة. المصنّف المبني على نموذج توليدي يدفع مقابل الإجابة — عادةً إجابة قصيرة، لكن نماذج الاستدلال يمكن أن تنفق مئات الرموز في تقرير ما تُخرجه. لا يملك Snap أي إخراج ليدفع مقابله، لذا فإن استدعاءً يقرأ 100 ألف رمز يكلّف نحو أربعة أعشار سنت ولا شيء آخر.

يعرض Artificial Analysis الرقم نفسه لكل مهمة بدلًا من لكل رمز: نحو 30 دولارًا لكل مليون مهمة لـ Snap 1.1، مقابل 32 دولارًا لـ d1-ultra و8.4 دولارات لـ Elephant 9B. الرقم لكل مهمة هو الرقم المفيد، وهو أيضًا تذكير بأن سعر القائمة لكل رمز وسيلة ضعيفة لمقارنة نموذج قرار بأي شيء آخر. تتناسب الفاتورة مع طول الإدخال، لذا يقع استدعاء توجيه بطول 4K رمز ومراجعة عقد بطول 300K رمز في فئتين مختلفتين تمامًا من حيث التكلفة رغم تطابق السعر.

ما لا تحسمه أرقام المورّد

هناك أمران يجدر فصلهما عن منشور الإطلاق. الأول هو التشكيك. فقد شكّكت التغطية المجتمعية لإصدارات Subquadratic — بما في ذلك تقرير BlockBeats الذي انتشر تحت وصف «AI jack-of-all-trades» — في مدى قابلية مجموعة الادعاءات لإعادة الإنتاج بشكل مستقل، ولا يملك النموذج أوزانًا مفتوحة، لذا لا توجد نقطة تفتيش يمكن لشخص خارجي تشغيلها. والثاني هو أن الاختبارات المستقلة الموجودة فعلاً أُجريت على النسخة المعاينة، وليس على 1.1. وقد وجدت مقارنة قابلة لإعادة الإنتاج أجراها jcarlosrodicio أن Snap متأخر قليلاً عن Jev فيما دون 30 ألف رمز (93.9% مقابل 94.7%)، ومتأخر بفارق كبير في سجلات 360 ألف رمز (58.8% مقابل 77.1% لـ Jev عندما جرى تقسيم Jev إلى أجزاء). كما وجد معيار تقييم منفصل لهندسة البرمجيات، هو snap-vs-jev-swe، أن Snap حقق 87.5% في تحديد موقع الملفات ضمن SWE-bench Verified مقابل خط أساس عشوائي قدره 10.6%، ورصد تغيّر الإجابات في 5.0% من العناصر عندما عُكس ترتيب الخيارات.

لا تتعارض تلك النتائج مع 1.1 — فالعمل على المعايرة هو بالضبط نوع التغيير الذي من شأنه أن يغيّرها — لكنها ليست دليلًا لصالحه أيضًا. وثمة أيضًا تضارب داخلي طفيف في الأرقام المنشورة: إذ تستشهد تغطية الإطلاق بدرجة When2Call مقدارها 96.2، بينما تسجّل النسخة الخاصة بـ Subquadratic من الاختيار من متعدد المصحّح حسب الصدفة لنفس المعيار 91.0. يمكن أن يكون كلاهما صحيحًا بالنسبة إلى صيغ مهام مختلفة؛ وعلى المشتري الذي يقارن 96.2 برقم أحد المنافسين أن يعرف أي نسخة يملك.

أين ينكسر

يُعدّ عمود الخسارة في مجموعة الاختبارات الـ16 الخاصة بالبائع نفسه مفيدًا للاستدلال. تأتي PhishNChips، وهي مجموعة لكشف التصيّد، متأخرةً بـ22 نقطة عن Jev 1.14، وتعزو Subquadratic ذلك إلى معايرة العتبة لا إلى جودة الترتيب — إذ إن ROC-AUC متقارب عند 0.91 مقابل 0.92. وهذه مشكلة قابلة للإصلاح لفريق مستعد لضبط عتبة ما، ومشكلة غير قابلة للإصلاح لفريق أراد حلًا جاهزًا للاستخدام المباشر. والمجال الفرعي للمعرفة والاستدلال هو الوحيد من بين خمسة مجالات يتقدم فيه Jev تقدّمًا صريحًا، بنتيجة 55.1 مقابل 50.9. أما Snap 1.1 فهو الأقوى حيث تكون مجموعة الإجابات صريحة والأدلة موجودة في المستند: الأدوات والأتمتة (85.3 مقابل 74.6)، والاسترجاع والتصنيف (67.0 مقابل 63.1)، وفهم اللغة (71.6 مقابل 63.3).

من الذي يجب أن يتحرك، ومن الذي يجب أن ينتظر؟

انتقل إذا كان قرارك قرار توجيه أو اختيار أداة أو تصعيد أو صلة تُتخذ بشأن مستندات طويلة، وكانت إجابة خاطئة واثقة تكلّف أكثر من التصعيد. نافذة 384K هي السبب التشغيلي: تمريرة واحدة على عقد كامل أو سلسلة تذاكر أو حزمة سجلات، دون طبقة تقسيم لبناءها ودون خط أنابيب استرجاع للحفاظ على تزامنه. الفرق التي تشغّل المعاينة بالفعل لديها أوضح حالة، لأن السعر انخفض والمعايرة تحسّنت دون تغيير API.

انتظر إذا كنت بحاجة إلى نص مُولّد، أو إذا كانت دقة 20% على مزيج الأسئلة في الاختبار المعياري أقل من الحد الأدنى المقبول لديك، أو إذا كنت بحاجة إلى زمن استجابة أقل من 100 مللي ثانية في مسار حرج — فلا تنشر Subquadratic أي رقم لزمن الاستجابة للإصدار 1.1، وقد قدّر قياس طرف ثالث للنسخة التجريبية استدعاءً بـ8K توكن بنحو 0.75 ثانية. انتظر أيضًا إذا كنت بحاجة إلى استضافة ذاتية: لا توجد أوزان.

ملاحظة عملية واحدة حول موضع هذا في بنية النظام. تُقدَّم SubQ Snap 1.1 عبر واجهة API ووحدة التحكم الخاصة بـ Subquadratic؛ وهي ليست ضمن كتالوج OrcaRouter، ولن ندّعي غير ذلك. ما نوفّره فعلاً هو الطبقة الكامنة خلف القرار: فعندما يقرّر Snap استخدام نموذج، فإن ذلك النموذج هو أحد أكثر من 200 نموذج يمكن الوصول إليها عبر مفتاح واحد لدى OrcaRouter، بسعر قائمة المزوّد دون أي هامش ربح (0%) ومع تحويل تلقائي عند الفشل بين المزوّدين. تفشل طبقة القرار وطبقة التنفيذ بشكل مستقل، ومن المفيد ألا تكون كلتاهما خلف المورّد نفسه.

السؤال المفتوح ليس ما إذا كانت أرقام المعايرة في الإصدار 1.1 حقيقية — فهي محددة بما يكفي كي تُدقَّق — بل ما إذا كانت ستصمد أمام إطار اختبار مختلف. لقد غيّرت صياغة التوجيه الدقة بمقدار 11 إلى 14 نقطة في معايير Snap العامة، وهو فارق أكبر من الفجوة بين أي نموذجين على المؤشر. وأي تحسّن في المعايرة لا يصمد إلا في ظل قالب التوجيه الخاص بالمورّد سيكون أمرًا أصغر بكثير مما يوحي به الإطلاق.