ARC-AGI-3 في 2026: هيكل الوكيل هو من يحدد النتيجة

نموذج واحد. اختبار واحد. نتيجتان: 7.8% و38.3%.

لم يتغيّر شيء في أوزان النموذج بين التجربتين. ما تغيّر هو الكود المحيط به — الحلقة التي تُغذّيه بالملاحظات، وتحتفظ بتاريخه، وتقرّر ماذا تحذف حين يطول السياق. هذا الكود هو ما نسمّيه الهيكل (harness)، واتضح هذا الأسبوع أنه يساوي نحو خمسة أضعاف نتيجة النموذج نفسه.

إذا كنت تبني وكلاء ذكاء اصطناعي، فهذا أنفع ما حدث في مجال قياس الأداء منذ أشهر.

الاختبار الذي عجز الجميع عنه

أُطلق ARC-AGI-3 في 25 مارس 2026 من مؤسسة ARC Prize — التي شارك في تأسيسها فرانسوا شوليه ومايك كنوب. وقد اختلف عن الأجيال السابقة من ARC في نقطة جوهرية واحدة: إنه تفاعلي.

كانت المهام السابقة ألغاز شبكات ثابتة مع أزواج مدخلات ومخرجات ظاهرة. أما ARC-AGI-3 فيُلقي بالوكيل داخل بيئة لعبة بلا تعليمات، وبلا هدف معلن، وبلا قواعد موصوفة. على الوكيل أن يكتشف بنفسه ما هي البيئة، وما الذي يُعدّ تقدّمًا فيها، وكيف يصل إليه — تمامًا كما ستفعل أنت لو وُضعت أمام جهاز ألعاب لم تره من قبل وتُرك لك وحدك.

البيئات مبنية وفق مواصفات محدّدة: قابلة للحل بشريًا بالكامل، بلا معرفة مسبقة، بلا تلميحات مخفية، مع تغذية راجعة ذات معنى، وقدر من الجِدّة يمنع الحفظ عن ظهر قلب. والقدرات الأربع التي يقيسها تستحق التدوين، لأنها بالضبط الأربع التي يفشل فيها الوكلاء في الإنتاج:

1. الاستكشاف — التصرّف عمدًا بهدف جمع المعلومات.
2. بناء النموذج — تحويل الملاحظات الخام إلى نموذج للعالم قابل للتعميم.
3. تحديد الهدف — إدراك ما تبدو عليه الحالة المرغوبة دون أن يُقال لك.
4. التخطيط والتنفيذ — رسم المسار ثم تصحيحه بناءً على التغذية الراجعة.

عند الإطلاق، حلّ البشر كل البيئات. أما النماذج الرائدة فسجّلت أقل من 1%: جيميناي 3.1 Pro بنسبة 0.37%، وGPT-5.4 High بنسبة 0.26%، وكلود Opus 4.6 بنسبة 0.25%، وGrok 4.2 صفر تام. هذه ليست منطقة "يحتاج إلى تحسين" — بل قدرة لم تكن النماذج تملكها أصلًا.

ورصدت مسابقة ARC Prize 2026 أكثر من مليوني دولار لسدّ هذه الفجوة، مع جائزة كبرى مخصّصة لأول وكيل يبلغ 100%.

ثم تحرّكت الأرقام

بعد أربعة أشهر تبدو لوحة الصدارة مختلفة. بلغ كلود Opus 4.8 نسبة 1.5%. ثم سجّل كلود Opus 5 نسبة 30.2% — أي نحو عشرين ضعف Opus 4.8، وأول نتيجة توحي بأن هذه الفئة قابلة للحل فعلًا.

وسجّل GPT-5.6 Sol نسبة 7.8% على الهيكل الرسمي.

ثم نشرت OpenAI مقالًا تقول فيه إن الـ 7.8% لم تكن قياسًا لـ GPT-5.6 Sol من الأساس.

معضلة 7.8% مقابل 38.3%

ادعاء OpenAI محدّد، وهو — على غير عادة الخلافات حول الاختبارات — ميكانيكي لا خطابي. فالهيكل الرسمي لـ ARC-AGI-3 كان يفعل أمرين كارثيين بالنسبة للطريقة التي بُني بها GPT-5.6 Sol:

كان يتخلّص من الاستدلال بعد كل حركة. احتفظ الهيكل بسجل ما فعله النموذج، لكنه أسقط الاستدلال الخاص الذي يشرح لماذا فعله. فصار النموذج يرى "حرّكتُ المكعّب البنفسجي" دون أن يحتفظ بالفرضية التي جعلت تحريكه يستحق التجربة.

كان يستخدم البتر المتدحرج. ما إن يتجاوز الحوار نحو 175,000 محرف حتى يُحذف أقدم محتوى نهائيًا. وفي اختبار جوهره تراكم المعرفة عن بيئة مجهولة عبر عشرات الخطوات، فإن حذف أقدم الملاحظات يعني حذف الملاحظات التي كلّف الحصول عليها أكبر جهد.

والنتيجة، بوصف OpenAI، نموذج "ظلّ يدور حول الأفعال المفردة وعجز عن البناء على ما تعلّمه سلفًا".

أعادت OpenAI بناء الهيكل بإعدادين متوفّرين أصلًا في واجهة Responses API — الاستدلال المُحتفَظ به والضغط — ثم أعادت تشغيل مجموعة المهام العامة. فقفزت النتيجة من 13.3% إلى 38.3%، باستهلاك أقل بنحو ستة أضعاف من رموز المخرجات لكل لعبة. وفي إحدى البيئات اجتاز النموذج المستويات الستة كاملة، بينما لم يجتز أي نموذج رائد على لوحة الصدارة العامة المستوى الأول.

رموز أقل و نتيجة أعلى بخمسة أضعاف. هذا شكل الإصلاح الحقيقي، لا شكل الالتفاف.

ماذا يفعل الإعدادان فعليًا

الاستدلال المُحتفَظ به

نماذج الاستدلال تنتج سلسلة تفكير خاصة لا تُعاد إليك. وفي حلقة عديمة الحالة تعتمد على chat completions، يتبخّر هذا الاستدلال لحظة انتهاء الاستجابة — وتبدأ الخطوة التالية من النص الظاهر فقط.

أما واجهة Responses API فتحتفظ به. تمرّر معرّف الاستجابة السابقة، فيُنقل استدلال النموذج السابق إلى الخطوة التالية، مشفّرًا ومخفيًا عن العميل لكنه متاح للنموذج.

الفرق بين الحلقتين ليس فرقًا في الأسلوب:

# بلا حالة: الاستدلال يُحذف في كل خطوة
history = []
for step in range(max_steps):
    history.append({"role": "user", "content": observe(env)})
    response = client.responses.create(
        model="gpt-5.6-sol",
        input=history[-WINDOW:],   # البتر المتدحرج يُسقط أقدم الخطوات
    )
    act(env, response.output_text)

# بحالة: الاستدلال يستمر عبر الخطوات
previous_id = None
for step in range(max_steps):
    response = client.responses.create(
        model="gpt-5.6-sol",
        input=[{"role": "user", "content": observe(env)}],
        previous_response_id=previous_id,   # الاستدلال السابق ينتقل معك
        store=True,
    )
    previous_id = response.id
    act(env, response.output_text)

لاحظ أن الحلقة الثانية تمرّر الملاحظة الجديدة فقط في كل خطوة. السلسلة تُحفظ على الخادم.

الضغط

البتر يحذف، أما الضغط فيُلخّص. حين يقترب السياق من حدّه، يُنتج النموذج عنصر ضغط — تمثيلًا مشفّرًا وموفّرًا للرموز للحالة والاستدلال السابقين، يحلّ محل التاريخ الخام بدل إسقاطه.

والتفصيل المهم أن النماذج الحديثة مُدرَّبة على إنتاج هذه العناصر. فهي ليست موجّه تلخيص مُركّبًا من الخارج، بل عملية أصيلة متوافقة مع طريقة تمثيل النموذج لحالته داخليًا.

# للتوضيح — راجع مرجع Responses API الحالي للتواقيع الدقيقة
if response.usage.total_tokens > COMPACT_THRESHOLD:
    compacted = client.responses.compact(response_id=response.id)
    previous_id = compacted.id

هذا هو الدرس نفسه الذي تناولناه في أسطورة المليون رمز: سقف الأداة، لا النافذة المُعلنة، هو ما يعيش وكيلك داخله — وطريقة فرض هذا السقف هي ما يحدّد إن كانت الجلسات الطويلة تراكم المعرفة أم تُسرّبها.

الخط الفاصل بين إعداد مشروع وغشّ

الاعتراض البديهي: إذا جاء كل مختبر بهيكله الخاص، فإن لوحة الصدارة تقيس ميزانيات الهندسة لا النماذج.

موقف ARC Prize أن الصفوف الأساسية في لوحة الصدارة ينبغي أن تكون "نموذج + إعدادات استدلال"، لا هياكل كاملة على غرار Codex أو Claude Code، وأن المقارنة تتطلّب منهجية واحدة عبر كل المزوّدين. ورسم شوليه الخط بدقة أكبر: الهياكل "المصمّمة خصيصًا لحل الاختبار" ممنوعة، بينما "إعدادات الواجهة العامة المتاحة لكل المستخدمين" مسموحة — بشرط الإفصاح الشفاف عن الإعدادات والتكلفة.

هذا خط قابل للدفاع عنه، والدليل على أهميته مقلق. ففي اختبارات ARC Prize نفسها، دفع هيكلٌ مُصمَّم على بيئات عامة محدّدة نموذج Opus 4.6 إلى 97.1% في بيئة واحدة و0% في أخرى. المكاسب الآتية من الضبط الخاص بالمهمة لا تُعمَّم إطلاقًا. أما المكاسب الآتية من عدم رمي ذاكرة النموذج فيُفترض أنها تُعمَّم.

الاستدلال المُحتفَظ به والضغط ميزتان موثّقتان ومتاحتان للجميع بضغطة إعداد. وهما أقرب إلى "كنّا نشغّل النموذج بطريقة خاطئة" منهما إلى "ضبطنا الأمور من أجل الاختبار". لكن الحادثة تترك مشكلة حقيقية: اختبار يقصد قياس النماذج يقيس عمليًا "النموذج + الهيكل"، ولا وجود لهيكل محايد. كل خيار — سياسة البتر، واستمرار الاستدلال، ومخطط الأدوات، ومنطق إعادة المحاولة — هو إصبع على الميزان لصالح أحدهم.

انقسم نقاش Hacker News كما هو متوقّع بين "اختراق حقيقي" و"تحسين مصطنع للنتيجة". والفريقان يصفان الحقيقة ذاتها من جهتين مختلفتين.

ما الذي تأخذه إلى وكلائك

أيًّا كان رأيك في لوحة الصدارة، فالدرس الهندسي ينتقل مباشرة:

• لا تدع نافذة متدحرجة تحذف الحالة بصمت. إذا كانت حلقة وكيلك تبتر عند عتبة محارف أو رموز، فأنت تحذف أصعب ما اكتسبه وكيلك أولًا. لخّص أو اضغط بدلًا من ذلك. هذا أعلى تغيير مردودًا في معظم حلقات الوكلاء.
• احتفظ بالاستدلال عبر الخطوات إن كان مزوّدك يدعم ذلك. الوكيل الذي ينسى لماذا فعل شيئًا يعيد استنتاجه — بصورة أسوأ — في كل خطوة. هذا هو نمط الفشل المسمّى "الدوران حول الأفعال المفردة"، وهو يكلّفك رموزًا ويعطيك مخرجات أضعف.
• قِس هيكلك لا نموذجك فقط. قبل تغيير النموذج بسبب نتائج ضعيفة، أعد تشغيل المهمة نفسها مع تفعيل استمرار الاستدلال والضغط. في بعض الحلقات هناك فارق خمسة أضعاف متاح مجانًا. وتجد تفاصيل أعمق في هندسة الهيكل لوكلاء الإنتاج.
• تعامل مع أرقام الاختبارات المنشورة كأرقام مشروطة بالهيكل. النتيجة ادعاء عن تهيئة معيّنة. وحين يقتبس مزوّد رقمًا، فالسؤال المفيد هو: أي حلقة أنتجته؟ وهو الشك نفسه الذي طبّقناه على اختبارات البرمجة المعطوبة.
• السياق الأطول ليس الحل. تفوّق الضغط على البتر مع استهلاك أقل بستة أضعاف. المكسب جاء من الاحتفاظ بالأشياء الصحيحة، لا من الاحتفاظ بالمزيد. هذه هي هندسة السياق، لا شراء السعة.

الخلاصة المزعجة

صُمّم ARC-AGI-3 لاختبار قدرة الوكيل على استكشاف عالم مجهول وبناء نموذج له والتصرّف وفقه على مدى طويل. واتضح أن جزءًا كبيرًا مما بدا قدرة مفقودة كان في الحقيقة ذاكرة مفقودة — رمتها السباكة الواقعة بين النموذج والبيئة.

هذا يستدعي تفاؤلًا أكبر قليلًا تجاه النماذج الرائدة، وثقة أقل بكثير في حلقة وكيلك أنت. فمعظم الوكلاء في الإنتاج اليوم يبترون ولا يضغطون، ويبدأون كل خطوة من نصّ جُرّد من الاستدلال.

إن كنت تُحمّل النموذج المسؤولية، فافحص الهيكل أولًا. إصلاحه أرخص، وهذا الشهر كان يساوي ثلاثين نقطة.

المصادر: ARC Prize — ARC-AGI-3، OpenAI — كيف ضاعف إعدادان نتائجنا ثلاث مرات، The Decoder، دليل الضغط في OpenAI