مقارنة أداء الذكاء الاصطناعي
من MultipleChat

يوفّر MultipleChat وضعًا تعاونيًا يُرسَل فيه مطالبة المستخدم إلى عدة نماذج رائدة بالتوازي، وتُعرض الإجابات جنبًا إلى جنب. ثم يختار المستخدم الإجابة التي يريد المتابعة بها أو نسخها أو تحسينها. وينتج عن ذلك تدفق مستمر من بيانات التفضيل السلوكي — فالمستخدمون يصوّتون بسير عملهم، لا باستبيان.

يغطي الربع الثاني 2026 جميع مقارنات الوضع التعاوني بين 1 أبريل و30 يونيو 2026، التي أعادت فيها ثلاثة نماذج رائدة على الأقل إجابات صالحة للأمر نفسه. الإجمالي: 50,142 مقارنة عبر 11 فئة مهام من ~8,400 مستخدم فريد. {{MOCK}}

صُنّفت المهام تلقائيًا بواسطة Gemini Flash، ثم جرى التحقق منها بالعيّنة على 500 مطالبة (معامل اتفاق κ = 0.81 مع مراجعَين بشريَّين). الفئات: الكتابة، والبرمجة، والتلخيص، والترجمة، والاستدلال، والأسئلة والأجوبة الواقعية، والرياضيات، والبحث، والمحتوى الإبداعي، والمحادثة، والاستخراج المنظّم.

معيار الفوز. يُسجَّل «الفوز» عندما (أ) يواصل المستخدم سلسلة المحادثة بإجابة ذلك النموذج، أو (ب) ينسخ تلك الإجابة أو يحفظها صراحةً خلال 90 ثانية من تلقّي المخرجات المتوازية. وتُقسَم حالات التعادل. وتُستبعد المطالبات التي لم تحدث فيها متابعة خلال 5 دقائق من حسابات معدل الفوز، لكنها تُحتسب في مقاييس الهلوسة وزمن الاستجابة.

رصد الهلوسة. تُصنَّف الإجابة كحالة هلوسة محتملة عندما (أ) تتضمن استشهادًا أو ادعاءً واقعيًا يفشل في التحقق البرمجي مقابل مصادر موثوقة، أو (ب) يستخدم المستخدم وظيفة «إعادة التوليد» مع مطالبة تشير إلى قلق بشأن الحقائق (مثل «هذا خطأ» أو «تحقق من المعلومة»). وتُراجع هذه المؤشرات لقياس معدل الإيجابيات الكاذبة على عيّنة عشوائية من 200 إجابة.

ما نستبعده. المطالبات التي تحتوي على معلومات شخصية، والمطالبات التي تقل عن 8 رموز، والمطالبات التي تعطّل فيها أي نموذج أثناء البث، وأول 100 مقارنة لأي مستخدم جديد (تحيّز الإحماء). ولا يغادر نص المطالبة الخام خوادم MultipleChat أبدًا — بل النتيجة المجمّعة فقط.

Grok يتصدّر هذا المخطط. بتكلفة ~$5.90 لكل 1,000 فوز، يكلّف نحو نصف المتوسط وأقل بنسبة 40% من النموذج الأغلى. وبالنسبة إلى فريق يشغّل 100k استعلام شهريًا، يبلغ الفرق بين الاعتماد الدائم على Claude واعتماد Grok افتراضيًا مع بديل احتياطي نحو $11,000 شهريًا في تكلفة الاستدلال.

الإجابات المكلفة هي النادرة. تبدو تكلفة الفوز لدى Perplexity Sonar مرتفعة لأنه لا ينافس إلا في مهام البحث (حيث يبلغ معدل فوزه 51%)؛ أما إذا قيس على أساس المهام التي يفوز بها فعلًا، فهو منافس.

مفارقة نماذج الاستدلال. أظهرت أبحاث مستقلة أن نموذج الاستدلال o3 من OpenAI هلوس في معيار دقة المعلومات PersonQA بنسبة 33% — أي أكثر من ضعف سلفه غير الاستدلالي o1 البالغة 16%. وتكرّر بياناتنا هذا النمط داخل MultipleChat: عندما يرسل المستخدمون أسئلة واقعية بسيطة إلى نماذج فئة الاستدلال، ترتفع مؤشرات الهلوسة بمقدار 2.1× مقارنةً بنظيراتها غير الاستدلالية. {{MOCK}}

أين يهم ذلك. لا تستخدم نماذج الاستدلال للبحث عن حقائق منفردة. استخدمها للمشكلات متعددة الخطوات حيث تكمن القيمة في تفكيرها. فالنموذج نفسه الذي يحل برهانًا رياضيًا صعبًا بشكل صحيح قد يخطئ بثقة في تذكّر اسم رئيس تنفيذي.

مخاطر المجالات المتخصصة مستمرة. تشير دراسات مستقلة في 2026 إلى نسبة هلوسة تبلغ 6.4% في الاستعلامات القانونية، و10–20% في الاستعلامات الطبية، وتصل إلى 33% في الأدوات القانونية القائمة على RAG. وتبلغ المؤشرات المقابلة في الفئتين القانونية والطبية من مجموعة بياناتنا 7.2% و12.4% على التوالي. استخدم هذه النماذج للصياغة، لا للتشخيص في المرحلة النهائية. {{MOCK}}

تحيّز الاختيار الذاتي. مستخدمونا محترفون يركّزون على الإنتاجية ويستخدمون منصة متعددة النماذج — وقد يختلفون عن عامة الناس. فتمثيل البرمجة والكتابة والبحث لدينا أعلى من المعتاد، وتمثيل الدردشة العفوية ولعب الأدوار أقل.

إشارة «الفوز» سلوكية. مواصلة المستخدم بإجابة النموذج X تعني أن تلك الإجابة كانت جيدة بما يكفي لاستخدامها، لا بالضرورة أنها الأفضل على الإطلاق. فنحن نقايض قابلية التحقق بالأصالة — إذ تحصل ساحة LMSYS على أصوات أكثر تأنّيًا، ونحصل نحن على أصوات أكثر صدقًا.

إصدارات النماذج تتغير بسرعة. «Claude» في مجموعة البيانات هذه يعني أي إصدار كانت Anthropic تقدّمه في كل يوم قياس — ونسجّل معرّفات الإصدارات المحددة في مجموعة البيانات القابلة للتنزيل. وستتغير الأرقام الرئيسية عند صدور إصدارات جديدة.

نحن نبيع الوصول إلى هذه النماذج. يتقاضى MultipleChat رسومًا مقابل الوصول إلى المزوّدين الخمسة جميعًا، ولا يرتبط بأي تفضيل تعاقدي. لدينا حافز واضح للدفاع عن منصة متعددة النماذج — وهو ما نفعله صراحةً. لكن ليس لدينا أي حافز لتفضيل مزوّد بعينه.