أعلن تحالف EvalEval يوم 22 سبتمبر أن معهد أمن الذكاء الاصطناعي البريطاني (UK AISI) بدأ استخدام بنيته التحتية لنشر نتائج التقييم بشكل مفتوح، بهدف جعل علم تقييم النماذج أكثر قابلية لإعادة الإنتاج والتحقّق.
المشكلة التي يعالجها
مع تسارع نشر الذكاء الاصطناعي، أصبحت التقييمات مصدرًا أساسيًا للأدلة على أداء النماذج. لكن النتائج تُنشر بصيغ ومنصّات مختلفة، وغالبًا دون معلومات كافية لإعادة إنتاجها، وإعادة تشغيل التقييمات نفسها قد تكون مكلفة جدًّا. رقمان متشابهان على المعيار نفسه قد يكونان نتاج ظروف مختلفة تمامًا.
لذلك طوّر التحالف مخطّطًا موحّدًا للإبلاغ باسم Every Eval Ever، ومنصّة مفتوحة باسم Evaluation Cards تجمع النتائج مع المعلومات اللازمة لتفسيرها في بنية واحدة.
ماذا نشر المعهد؟
يتضمّن الإصدار نتائج موثّقة مع السياق والإعدادات لخمسة معايير:
- HealthBench
- FrontierMath
- Humanity’s Last Exam
- SWE-Bench Pro
- Terminal-Bench 2.0
وتغطّي النتائج ستة نماذج: Claude Opus 4 و4.5 و4.6، وGPT-5 و5.2 و5.4، إضافة إلى تقييمين سيبرانيين على مجموعة نماذج مختلفة جزئيًا. وترافق البيانات ورقة المعهد البحثية «كيف تشكّل حوسبة الاستدلال تقييم النماذج اللغوية المتقدّمة»، التي تدرس كيف يتغيّر الأداء بحسب حجم الحوسبة المستخدمة وقت الاستدلال وبروتوكول التقييم.
ومن أمثلة ذلك: على اختبار Humanity’s Last Exam، عندما حصلت النماذج على تغذية راجعة بصحّة إجابتها بعد كل محاولة، استمرّت في حلّ مسائل إضافية كلّما زاد عدد الرموز المستخدمة.
خلفية التعاون
بدأ التعاون بين المعهد والتحالف في ورشة عمل مشتركة على هامش مؤتمر NeurIPS 2025، وساهمت ملاحظات المعهد في تشكيل مخطّط Every Eval Ever. ويأتي ذلك امتدادًا لأعمال المعهد مثل OptStop لتقييم أكثر كفاءة، وHiBayES لتقييم أكثر دقّة إحصائيًا.
ليه ده مهم؟
عندما تعلن شركة أن نموذجها «يتصدّر» معيارًا ما، نادرًا ما نعرف إعدادات التقييم بالتفصيل. نشر جهة حكومية لنتائجها مع إعداداتها الكاملة يوفّر نقاط مرجعية محايدة لمقارنة ادّعاءات الشركات، ويوضّح إلى أي حدّ تتغيّر النتائج بتغيّر طريقة القياس.
المصادر: Hugging Face — 2026-09-22
