⚖️ ذكاء اصطناعي

اختبار عملي يكشف تفاوت Gemini 4 Argon وClaude Opus 5.5: الأول أرخص والثاني أدق في المهام المعقدة

ماذا حدث؟

أجرى موقع ذا نيو ستاك مقارنة عملية بين نموذج جيمناي 4 أرجون من جوجل وكلود أوبوس 5.5 من أنثروبيك، بهدف معرفة ما إذا كانت نتائج الاختبارات الرسمية تنعكس على أعمال البرمجة الحقيقية. وجاءت التجربة بعد إعلان جوجل تفوق أرجون على أوبوس في 14 من أصل 18 اختباراً، مع تقديمه بسعر ترويجي يقارب نصف تكلفة منافسه في بعض فئات الاستخدام.

بدأ الاختبار بمراجعة مشروع برمجي والبحث عن 14 مشكلة محددة، وتمكن النموذجان من اكتشاف المشكلات كلها دون إنذارات خاطئة، ثم إصلاحها مع المحافظة على نجاح الاختبارات البرمجية. لكن الفارق ظهر في المهام الأطول التي تتطلب قراءة متطلبات واسعة وربط عدد كبير من المكونات. ففي اختبار تحويل مواصفات نظام فوترة إلى تنفيذ برمجي، استوفى أرجون 11 شرطاً من أصل 80 مقابل 80 شرطاً لأوبوس، ثم حقق في اختبار متابعة مرتبط به 20 شرطاً من أصل 100 مقابل 100 لأوبوس.

واختبر الموقع أيضاً قدرة النموذجين على تحليل أثر تعديل برمجي في مشروع كبير عبر سياقات طويلة. وظهر أن أرجون أغفل خدمات ذات صلة أو أضاف نتائج غير صحيحة في بعض المحاولات، بينما كان أوبوس أكثر اتساقاً في معظم السيناريوهات المختبرة. وبلغت تكلفة جميع اختبارات أرجون نحو 4.98 دولارات خلال 423 ثانية، مقابل 8.75 دولارات ونحو 511 ثانية لأوبوس. ومع ذلك، فهذه نتائج مجموعة اختبارات أعدها الموقع، وليست حكماً شاملاً على جميع قدرات النموذجين.

ماذا يعني؟

تظهر المقارنة أن التفوق في الاختبارات العامة لا يضمن النتيجة الأفضل في مشروع برمجي محدد. فقد يكون النموذج مناسباً لاكتشاف الأخطاء وإصلاحها، لكنه يعاني عند تحويل متطلبات طويلة إلى تنفيذ كامل أو عند تتبع علاقات معقدة بين عشرات الملفات والخدمات. كما أن انخفاض التكلفة لا يمثل توفيراً حقيقياً إذا استدعى العمل مراجعات وإعادات تنفيذ كثيرة.

لماذا يهمك؟

إذا كنت تختار نموذجاً لمساعدتك في بناء تطبيقات إنتاجية، فمن الأفضل اختباره على مهام تمثل عملك الفعلي. قارن الالتزام بالمتطلبات ونجاح الاختبارات وعدد الأخطاء والتكلفة النهائية، وليس سعر الرموز أو ترتيب النموذج وحده. وتشير التجربة إلى أهمية وجود اختبارات قبول واضحة عندما تكون المهمة طويلة أو تؤثر في مكونات متعددة من النظام.

← كل المستجدات