نموذج Fugu Ultra يتفوق على GPT-5.5 في اختبارات 2026

تلاشت نصف الضجة التي أحاطت بـ "النماذج الرائدة" (Frontier Models) في عام 2025 بمجرد أن اختبرتها فرق العمل في مهام حقيقية على المستودعات (Repos) ومسارات عمل الوكلاء (Agent Workflows). لكن المفاجأة في منتصف عام 2026 هي ظهور نظام يعتمد على التوجيه (Router-style) يُدعى Fugu Ultra من شركة Sakana AI. يحقق هذا النظام نتائج مبهرة في اختبارات الأداء، متفوقاً في كثير من الأحيان على نماذج فردية رائدة مثل Claude Fable 5 و GPT-5.5. هذا التطور يغير مفهوم "النموذج الأفضل" تماماً. فالأمر لم يعد يتعلق بالبحث عن عقل إلكتروني خارق، بل ببناء (أو شراء) طبقة التحكم (Control Plane) المناسبة.

أبرز نتائج اختبارات 2026: نموذج Fugu Ultra يتفوق في المهام العملية المدفوعة

إذا كان عملك يتركز على هندسة البرمجيات، واستخدام الأدوات، والتنفيذ متعدد الخطوات، فمن الصعب تجاهل الأرقام التي حققها Fugu Ultra. النقطة الأبرز هنا هي اختبار SWE-Bench Pro (الخاص بإصلاح الأخطاء البرمجية على مستوى المستودع). تُظهر النتائج المنشورة حصول Fugu Ultra على 73.7، متقدماً على Claude Opus 4.8 (69.2) و GPT-5.5 (58.6). هذا الفارق كبير بما يكفي لتغيير حسابات التوظيف في مسارات فرز الأخطاء وإصلاحها (خاصة إذا كنت تقيس الإنتاجية الفعلية بدلاً من الانطباعات العامة).

يظهر النمط نفسه في التنفيذ القائم على الوكلاء (Agentic Execution). فقد سجل Fugu Ultra في اختبار TerminalBench 2.1 نتيجة 82.1 مقابل 78.2 لنموذج GPT-5.5 و 74.6 لنموذج Opus 4.8. يُترجم هذا عادةً إلى تقليل المحاولات "شبه الناجحة"، حيث يعرف الوكيل (Agent) الأوامر الصحيحة لكنه ينفذها بترتيب خاطئ، أو ينسى التحقق من حالة النظام.

تميل الكفة أيضاً لصالح Fugu Ultra في سرعة كتابة الكود ودقته، وفقاً للنتائج التي نشرتها الشركة. فقد سجل 93.2 في LiveCodeBench مقابل 89.8 لنموذج Fable 5. هذا مهم جداً إذا كان فريقك يستخدم توليد الأكواد كمسودة أولية، ويعتمد على الاختبارات أو المراجعين لاكتشاف الأخطاء. النقطة الأساسية: إذا كان مؤشر الأداء الرئيسي (KPI) الخاص بك هو "عدد طلبات السحب (PRs) القابلة للدمج مقابل كل دولار" أو "عدد المشاكل المحلولة في الساعة"، فإن الأنظمة القائمة على التنسيق (Orchestration-first) أصبحت الآن تنافس النماذج الرائدة الأحادية، بل وتتفوق عليها أحياناً.

ما هو Fugu Ultra حقاً؟ موجّه ذكي وليس نموذجاً واحداً

أفضل طريقة لفهم Fugu Ultra هي اعتباره طبقة تنسيق (Orchestration Layer). إنه نظام متعدد الوكلاء (Multi-agent) ومتعدد النماذج (Multi-model) يوجّه المهام إلى متخصصين، ويتحقق من المخرجات، ثم يدمج الإجابة النهائية خلف واجهة برمجة تطبيقات (API) واحدة. هذا الأمر مهم لأن التفوق في اختبارات الأداء قد يأتي من دقة الاختيار والتحقق، وليس فقط من الذكاء الخام للنموذج.

ببساطة: إذا تمكن الموجّه (Router) من اكتشاف "فشل اختباري غير مستقر" وإرساله إلى نموذج متخصص في تصحيح الأخطاء، ثم التحقق من النتيجة باستخدام نموذج ثانٍ، فإنه سيتفوق حتماً على نموذج فردي أقوى يحاول مرة واحدة ثم ينتقل للمهمة التالية.

هذا يغير أيضاً من طبيعة الأخطاء. فالنموذج الفردي يميل إلى الفشل بنمط ثابت. بينما يفشل نظام التنسيق (Orchestrator) في نقاط الربط: مثل التوجيه الخاطئ، أو المبالغة في التحقق (مما يجعله بطيئاً جداً)، أو دمج إجابات جزئية متعارضة.

المكسب الخفي هنا تشغيلي بحت: التنسيق يمنح فريقك طبقة تحكم (Control Plane) لضمان الجودة. بدلاً من أن تأمل أن يتصرف نموذج واحد بشكل صحيح، يمكنك تشكيل هذا السلوك باستخدام سياسات التوجيه، وبوابات التقييم، وقيود الأدوات. لهذا السبب، تُصنف هذه الفئة كبنية تحتية لـ "توجيه الذكاء الاصطناعي (AI Router)" وليس كـ "نموذج أساسي جديد".

حقيقة اختبارات الأداء: التفوق على Fable 5 صحيح أحياناً وخاطئ أحياناً أخرى

القراء الذين يبحثون عن "تفوق Sakana Fugu Ultra على Fable 5" يريدون عادةً إجابة قاطعة. لكن الحقيقة في عام 2026 هي: الأمر يعتمد على المقارنة المنشورة التي تثق بها.

في بيئات الاختبار الخاصة بـ Sakana، تشير التقارير غالباً إلى تفوق Fugu Ultra في حوالي 10 من أصل 11 اختباراً. الاستثناء المتكرر هو اختبار MRCRv2 (استرجاع السياق الطويل)، حيث يميل GPT-5.5 إلى الصدارة. لكن في التقارير المباشرة التي تستخدم مجموعة أصغر من المقارنات، يظهر Fable 5 أحياناً في المقدمة في نفس الاختبارات التي يهتم بها الناس أكثر من غيرها.

على سبيل المثال، أظهرت إحدى المقارنات المنشورة حصول Fable 5 على 86.0 مقابل 73.7 لـ Fugu Ultra في اختبار SWE-Bench Pro. وفي اختبار Humanity's Last Exam، سجل Fable 5 نتيجة 53.3 مقابل 50.0 لـ Fugu Ultra. لهذا السبب، تقع فرق العمل في فخ العناوين الرنانة مثل "نموذج X يتفوق على نموذج Y". فالاختلافات البسيطة في بيئة الاختبار، واختيار المستودعات، وصلاحيات الأدوات، ومهل التنفيذ (Timeouts)، وسياسة تسجيل النقاط يمكن أن تقلب الترتيب رأساً على عقب.

القراءة الأفضل لمؤشرات عام 2026 هي: Fugu Ultra يقع في نفس الفئة مع Fable 5 و GPT-5.5 عبر العديد من الاختبارات. ويمكن أن يكون أفضل في مسارات العمل الهندسية وتلك القائمة على الوكلاء، وذلك عندما يتناسب التوجيه والتحقق مع طبيعة المهمة.

المقياس الحقيقي للعائد على الاستثمار: النجاح عند الدمج (pass@merge) وليس عند التوجيه (pass@prompt)

لا تزال الاختبارات التي تشبه "سؤال وجواب من محاولة واحدة" مهمة، لكنها ليست المكان الذي تُنفق فيه الشركات معظم أموالها. العائد على الاستثمار (ROI) في عام 2026 تهيمن عليه المهام التي تتطلب من النموذج التخطيط، والتنفيذ، والتحقق، وتصحيح الأخطاء (لأن بيئة الإنتاج الفعلي معقدة بطبيعتها).

النموذج الذهني المفيد هنا هو pass@merge: وهو احتمالية وصول التغيير الذي أجراه النموذج إلى بيئة الإنتاج بأقل تدخل بشري ممكن. يرتبط اختبار SWE-Bench Pro بهذا المقياس لأنه يفرض سياق المستودع، والاختبارات، وتعديلات الكود الواقعية. ويرتبط TerminalBench به أيضاً لأنه يفرض تنفيذاً يعتمد على حالة النظام (Stateful Execution).

تفشل الوكلاء (Agents) عندما لا تتحقق من المخرجات، أو لا تفحص الملفات، أو لا تلاحظ خطأً في أحد الأوامر. بينما يمكن لأنظمة التنسيق (Orchestrators) تعيين أدوار "مُنفّذ" و"مُدقّق"، مما يرفع مستوى الأداء حتى لو لم يكن أي نموذج فردي داخل النظام هو الأفضل في فئته.

ما يغفل عنه الكثيرون: هذا هو المكان الذي ستظهر فيه الموجة القادمة من التلاعب باختبارات الأداء. يمكن لأي نظام تضخيم نتائجه من خلال التحفظ الشديد، أو المبالغة في التحقق، أو استهلاك المزيد من الرموز (Tokens). قد يكون هذا مجدياً، ولكن فقط إذا بقيت التكلفة وزمن الاستجابة (Latency) ضمن اتفاقية مستوى الخدمة (SLA) الخاصة بك.

التكلفة وزمن الاستجابة: التنسيق قد يرفع الدقة لكنه يستنزف الميزانية

تشير إحدى مقارنات الأسعار المذكورة إلى أن تكلفة Fugu Ultra تبلغ 0.51 دولار مقابل 0.31 دولار لـ Opus 4.8 و 0.26 دولار لـ GPT-5.5 (لكل وحدة كما ورد في التقرير). حتى لو لم تكن مؤسستك تدفع هذه الأسعار بالضبط، فإن الاتجاه العام واضح: أنظمة التنسيق غالباً ما تكون أكثر تكلفة.

السبب هنا هيكلي. فعملية التوجيه تستهلك رموزاً (Tokens) إضافية. والتحقق يتطلب استدعاءات (Calls) إضافية. وعملية الدمج تضيف مرحلة أخرى. وإذا اختار الموجّه (Router) المسار الأكثر أماناً، فقد يستدعي متخصصين أو ثلاثة لتنفيذ طلب مستخدم واحد.

إليك كيف من المحتمل أن ينقسم تبني هذه التقنيات في عام 2026:

مسارات العمل عالية القيمة (مثل الاستجابة للطوارئ، والفرز الأمني، والأخطاء المؤثرة على الإيرادات) ستتحمل عادةً تكلفة أعلى لكل مهمة إذا كان ذلك يقلل من وقت الإصلاح. أما مسارات العمل عالية الحجم (مثل مسودات دعم العملاء، وتوليد المحتوى، والأسئلة والأجوبة الأساسية) فستستمر في الاعتماد على نماذج فردية أرخص، ربما مع توجيه خفيف فقط عندما تكون نسبة الثقة منخفضة.

الخطوة العملية هي حساب التكلفة بناءً على النتائج. إذا كان نظام التنسيق يوفر 20 دقيقة من وقت المهندس لكل مشكلة، فإن فاتورة الرموز (Tokens) الأعلى قد تظل الخيار الأرخص في النهاية.

ما ستنسخه الشركات في 2026: "طبقات التحكم في النماذج" تصبح المعيار الأساسي

التوقع الأهم ليس بقاء Fugu Ultra في الصدارة. بل أن تصبح هذه البنية المعمارية (Architecture) هي الوضع الطبيعي.

بحلول أواخر عام 2026، ستتعامل العديد من فرق العمل مع النماذج الأساسية كقوة حوسبة قابلة للتبديل. وسيكون الفارق الحقيقي هو الطبقة التي تقرر:

• أي نموذج يتولى أي مهمة.
• ما هي الأدوات المسموح باستخدامها.
• ما الذي يجب التحقق منه.
• ما الذي يتم تخزينه مؤقتاً (Cached).
• ما الذي يتم تسجيله لأغراض التدقيق (Audit).

هذا هو نفس المسار الذي سلكته واجهات برمجة التطبيقات (APIs) والخدمات المصغرة (Microservices). لم يعد أحد يجادل حول "أفضل قاعدة بيانات" بشكل مجرد. بل يتناقشون حول أنماط الوصول، والتخزين المؤقت، وقابلية المراقبة (Observability)، وعزل الأخطاء.

بالنسبة للقراء الذين يتابعون أنظمة الوكلاء، يتوافق هذا مع الاتجاه المذكور في مقال الذكاء الاصطناعي القائم على الوكلاء في 2026: لماذا يتفوق على روبوتات الدردشة. الوكيل (Agent) هو المنتج الفعلي، وليس النموذج الأساسي.

توقعات التوجهات: سياسات التوجيه تصبح ميزة تنافسية

تقوم معظم الفرق حالياً بالتوجيه باستخدام قواعد بسيطة: "نموذج البرمجة للأكواد، ونموذج الدردشة للمحادثات". الخطوة التالية هي التوجيه الذكي المعتمد على إشارات الأعمال: مثل خطورة المشكلة، وأهمية المستودع، وقيود الامتثال، وفئة المستخدم.

الفرق التي تتقن هذا الأمر تتعامل مع التوجيه بنفس الطريقة التي يتعامل بها مهندسو موثوقية الموقع (SRE) مع إدارة حركة البيانات (Traffic Management). يختبرون النماذج الجديدة على مهام منخفضة المخاطر، ثم يوسعون نطاق استخدامها بناءً على النتائج المقاسة. الإطار الزمني المتوقع للتبني: المتبنون الأوائل يفعلون ذلك بالفعل في 2026؛ وستبدأ فرق المنصات الرئيسية في اعتماده كمعيار قياسي خلال 6 إلى 12 شهراً.

توقعات التوجهات: ميزانيات التحقق تصبح جزءاً صريحاً من اتفاقيات مستوى الخدمة (SLAs)

يمكن لأنظمة التنسيق أن تستهلك بهدوء 3 أضعاف الرموز (Tokens) لكسب 5 نقاط إضافية في الدقة. في بيئة الإنتاج، هذا قرار يخص المنتج، وليس خياراً بحثياً.

توقع ظهور "ميزانيات تحقق" صريحة في عقود 2026 واتفاقيات مستوى الخدمة الداخلية: مثل الحد الأقصى لاستدعاءات الأدوات، والحد الأقصى لعمليات الفحص المتوازية، والحد الأقصى للوقت الفعلي (Wall-clock time)، والحد الأدنى لنسبة الثقة المطلوبة لإجراءات الدمج التلقائي (Auto-merge). الإطار الزمني المتوقع للتبني: سيصبح شائعاً في الصناعات الخاضعة للرقابة خلال 9 أشهر؛ وشائعاً في شركات البرمجيات كخدمة (SaaS) خلال 12-18 شهراً.

رأي مخالف: استرجاع السياق الطويل لا يزال يتفوق على التنسيق في الأماكن الخاطئة

السردية الشائعة هي أن "الوكلاء يحلون كل شيء". لكن الحقيقة هي: بعض المؤسسات لا تحتاج إلى وكلاء. بل تحتاج إلى ذاكرة.

الاستثناء المتكرر في نتائج Fugu Ultra هو اختبار MRCRv2 (استرجاع السياق الطويل)، حيث غالباً ما يُعتبر GPT-5.5 الأفضل. إذا كان عملك يعتمد بشكل كبير على مستندات السياسات الطويلة، أو العقود، أو نصوص الاجتماعات التي تستمر لساعات، فإن التوجيه إلى متخصصين لن يفيد كثيراً إذا كان النظام لا يستطيع استخراج التفاصيل الصحيحة من 300 صفحة بشكل موثوق.

في مثل هذه البيئات، غالباً ما تكون البنية المعمارية الأفضل هي:

• نموذج قوي في التعامل مع السياق الطويل.
• استرجاع دقيق للمعلومات (RAG) مع ذكر المصادر.
• استخدام محدود للأدوات.
• قواعد تلخيص متحفظة.

لا يزال التنسيق مفيداً هنا، لكنه ليس المكسب الرئيسي. المكسب الحقيقي هو تقليل الاسترجاع الوهمي (Hallucination) وتحسين الدقة على مستوى الاقتباسات. الإطار الزمني المتوقع للتبني: سيظل السياق الطويل مع الاسترجاع (Retrieval) مهيمناً في القطاعات القانونية، والامتثال، والمشتريات طوال عام 2026، حتى مع توسع أنظمة الوكلاء في مجالات أخرى.

تطبيقات عملية: كيف تقيّم Fugu Ultra مقابل Fable 5 و GPT-5.5

الخطأ الشائع في التقييم خلال عام 2026 هو إجراء "مقارنة سريعة للأوامر (Prompts)" والاكتفاء بذلك. الاختبار الصحيح يجب أن يحاكي مسار عملك الفعلي في بيئة الإنتاج (بما في ذلك أدواتك، ومستودعاتك، وحالات الفشل الخاصة بك).

ابدأ بتقسيم المهام إلى ثلاث فئات:

• مهام المستودعات (Repo tasks): تنفيذ الإصلاحات، تشغيل الاختبارات، فتح طلبات السحب (PR)، شرح التغييرات (Diff).
• مهام الأدوات (Tool tasks): أوامر موجه الأوامر (Terminal)، واجهة سطر الأوامر السحابية (Cloud CLI)، استعلامات قواعد البيانات، أدلة التعامل مع الحوادث (Playbooks).
• مهام الذاكرة (Memory tasks): استرجاع السياق الطويل، أسئلة وأجوبة حول السياسات، استخراج البيانات من العقود.

ثم قِس النتائج التي تنعكس على التكلفة:

• الوقت المستغرق للوصول لأول إجابة صحيحة (بالدقائق).
• معدل خطأ الأدوات (الأوامر الفاشلة في كل محاولة).
• عبء التحقق (الاستدعاءات الإضافية لكل نتيجة ناجحة).
• حجم التعديل البشري (الأسطر التي عدّلها المراجع).
• معدل التراجع (مدى تكرار التراجع عن التغييرات).

هنا قد تبدو أنظمة التنسيق "أسوأ" من حيث زمن الاستجابة الخام (Latency)، لكنها "أفضل" من حيث وقت الدورة الكاملة (End-to-end cycle time). لإلقاء نظرة أعمق على مكانة GPT-5.5 والمجالات التي لا يزال يتفوق فيها، راجع إطلاق GPT-5.5 في 2026: متاح الآن في ChatGPT و Codex.

نظرة سريعة على اختبارات الأداء: ماذا تخبرنا الأرقام المنشورة؟

أفضل استخدام لهذه الأرقام هو اعتبارها تلميحات للتوجيه. إذا كانت المهمة تشبه SWE-Bench، فكر في استخدام التنسيق (Orchestration). وإذا كانت تشبه MRCRv2، فاجعل الأولوية لاسترجاع السياق الطويل.

دراسات حالة: كيف يبدو "النجاح" عندما يُقاس الذكاء الاصطناعي كبيئة إنتاج

حققت Netflix انخفاضاً بنسبة 30% في الحوادث المتعلقة بالبث من خلال الاستثمار في الاكتشاف الآلي للتشوهات (Anomaly Detection) وأدوات إدارة الحوادث التي تقلل من وقت التشخيص. هذا هو نفس شكل مؤشرات الأداء الرئيسية (KPIs) التي تستهدفها أنظمة النماذج اللغوية الكبيرة (LLM) القائمة على الوكلاء: إهدار دقائق أقل في خطوات التحقيق الثلاث الأولى.

أعلنت Stripe عن توفير عشرات الآلاف من ساعات عمل المهندسين سنوياً من خلال تحسين أدوات المطورين الداخلية والأتمتة. يتناسب تنسيق النماذج اللغوية الكبيرة (LLM Orchestration) مع هذا النمط عندما يقلل من عمليات تصحيح الأخطاء المتكررة والبحث في الأكواد، وليس عندما يكتب أنظمة جديدة بالكامل دون إشراف.

أفادت Shopify باستخدام الذكاء الاصطناعي لزيادة كفاءة وكلاء الدعم، حيث أدت الأتمتة الداخلية إلى تحسين سرعة حل الطلبات الشائعة. هنا غالباً ما تتفوق النماذج الأرخص، ما لم يتطلب مسار العمل استخدام أدوات والتحقق عبر أنظمة متعددة.

القاسم المشترك هنا هو القياس. فهذه المكاسب تأتي من تتبع المقاييس التشغيلية، وليس من اختيار "النموذج الأذكى" مرة واحدة في السنة.

مصادر تستحق القراءة حول نقاش اختبارات الأداء (لا توجد روابط خارجية في هذا المقال)

تشمل التغطية والتحليلات المشار إليها في هذا المقال تقارير وملخصات من: VentureBeat (نظرة عامة على البنية المعمارية)، و Gigazine (تغطية تصميم الوكلاء المتعددين)، والعديد من ملخصات ومراجعات اختبارات الأداء التي تقارن بين Fugu Ultra، و Fable 5، و GPT-5.5. عند تقييم أي ادعاء، أعطِ الأولوية للمصادر التي تفصح عن تفاصيل بيئة الاختبار وعدد المحاولات المسموحة.

خطوتك القادمة

ابدأ من هنا (خطوتك الأولى)

قم بإجراء اختبار داخلي يضم 20 مهمة: 10 مهام لإصلاح أخطاء المستودع، و 5 مسارات عمل لموجه الأوامر/الأدوات، و 5 مهام لاسترجاع السياق الطويل. وقم بتقييمها بناءً على مقياس النجاح عند الدمج (pass@merge) والوقت المستغرق للوصول لأول إجابة صحيحة.

مكاسب سريعة (تأثير فوري)

• أضف قاعدة توجيه في بوابة الذكاء الاصطناعي (AI Gateway) الخاصة بك: أرسل المهام على مستوى المستودع إلى نظام منسّق (Orchestrated System)، واحتفظ بأسئلة وأجوبة بسيطة على نموذج فردي أرخص لمدة 7 أيام، ثم قارن التكلفة الإجمالية لكل تذكرة تم حلها.
• حدد ميزانية للتحقق: ضع حداً أقصى لتشغيل الوكيل عند محاولتين (2) لإعادة استخدام الأداة واستدعاء واحد (1) للتحقق المتقاطع، ثم تتبع عدد المرات التي يمنع فيها هذا الحد الوصول إلى نتيجة صحيحة.

تعمق أكثر (لمن يريد المزيد)

• ابنِ بيئة تقييم تعيد تشغيل مشكلات GitHub الحقيقية وتذاكر الحوادث أسبوعياً، وانشر لوحة نتائج للفريق الهندسي تتضمن زمن الاستجابة، والتكلفة، ومقياس pass@merge.
• أضف "وضع التدقيق" (Audit mode) للإجراءات عالية المخاطر: اطلب سجلات الأدوات (Logs)، وملخصات التغييرات (Diffs)، ومرفقات مخرجات الاختبار قبل أن يوافق البشر على التغييرات.

موارد مفيدة

• وثائق OpenAI API - إرشادات حول اختيار النموذج، واستدعاء الأدوات، والتقييم.
• وثائق Anthropic Claude API - أنماط استخدام الأدوات وضوابط الأمان لنماذج Claude.
• SWE-bench - وصف اختبارات الأداء، ومجموعات البيانات، ومنهجية التقييم.
• وثائق LangGraph - أنماط تنسيق الوكلاء القائمة على الرسوم البيانية (Graph-based) والتنفيذ المعتمد على الحالة.

نظرة مستقبلية

المؤشر الحقيقي لعام 2026 ليس أن "Fugu Ultra هو أفضل نموذج". بل أن أنظمة التنسيق يمكنها التفوق على النماذج الرائدة الفردية في المهام التي تشبه العمل الحقيقي: المستودعات، والأدوات، والتنفيذ متعدد الخطوات. فرق العمل التي تتعامل مع النماذج كأدوات قابلة للتبديل وتستثمر في التوجيه، والتحقق، والتقييم ستتحرك بشكل أسرع بكثير من الفرق التي تستمر في الجدال حول رقم واحد في لوحة الصدارة.