يسجل سجل إصدارات OpenAI إطلاق GPT‑6.1 Sol في 29 سبتمبر 2026. تتابع الإصدارات يثير اهتمامي كمطور، لكنه يعيد أيضًا سؤالًا عمليًا: ما الذي ينبغي اختباره قبل إدخال نموذج جديد إلى سير عمل عربي؟ أرى أن الإجابة تبدأ بعينة تمثل المهمة الفعلية، ثم مقارنة يمكن تفسير نتائجها.
مجموعة صغيرة تشبه العمل الحقيقي
أقترح تجهيز ملفات تجريبية مصرح باستخدامها، تشمل خطابًا عربيًا، وجدولًا، ومستندًا ممسوحًا، ومرفقات تتعارض في معلومة محددة. تُزال البيانات الشخصية غير اللازمة، وتكتب الإجابات المرجعية قبل تشغيل المقارنة. وجود مرجع يمنع الانبهار بصياغة تبدو واثقة بينما تفوتها معلومة أساسية.
ولا تكفي الملفات السهلة وحدها. من المفيد إدراج سؤال لا تجيب عنه المصادر، واسم يتشابه مع اسم آخر، وتاريخين يشيران إلى حدثين مختلفين. هذه الحالات تختبر قدرة النموذج على الفصل بين الحقائق، وعلى التصريح بنقص المعلومات بدل إكمال النص بتخمين مناسب لغويًا.
معيار القبول يتبع المهمة
إذا كانت المهمة استخراج بيانات، أنظر إلى صحة الحقول وحفظ الأرقام كما وردت. وإذا كانت إعداد ملخص، أراجع ما إذا حُفظت الاستثناءات والقرارات والمسؤوليات. أما توليد كود فيحتاج إلى تشغيل وفحص مناسبين، لأن جودة الشرح لا تثبت صحة البرنامج.
- دقة النتيجة وصلتها بالمصدر المرفق.
- سلامة الأسماء والأرقام والمصطلحات العربية.
- القدرة على إعلان عدم كفاية الأدلة.
- زمن التنفيذ وكلفته ووقت المراجعة البشرية.
أقترح تكرار الحالات المهمة أكثر من مرة وبالإعدادات نفسها عند المقارنة. كما أسجل اسم النموذج وإصداره وتاريخ الاختبار وطريقة تجهيز الملفات. من دون هذه المعلومات يصعب تفسير سبب اختلاف النتيجة لاحقًا، أو معرفة ما إذا كان التحسن من النموذج أو من تغيير البيانات.
اختيار قابل للمراجعة
قد يكون نموذج مناسبًا للمسودات السريعة وآخر أنسب للتحليل المعقد. لذلك أفضّل ربط الاختيار بنوع المهمة ومستوى المراجعة المطلوب. فلا أبحث عن «أفضل نموذج» بإطلاق، بل عن الأنسب لكل مهمة بشروط مراجعة واضحة.
في التطبيقات المهنية، أجد أن أفضل قرار هو الذي يمكن شرحه: هذه مجموعة الحالات، وهذه الأخطاء التي ظهرت، وهذا أثرها، وهذه شروط الاستخدام. الإعلان الحديث يمنحنا مرشحًا جديدًا للاختبار، بينما تحدد الأدلة المحلية مدى ملاءمته للخدمة.