يحقق Grok 4.20 من xAI نتائج لافتة في اختبارات الاستدلال العلمي، متفوقًا في الفيزياء والكيمياء والرياضيات. يستعرض هذا المقال أرقام الاختبارات المعيارية الفعلية، وأداءه في مسائل علمية واقعية، وأوجه قصوره، ومقارنته بكل من GPT 5 Pro وClaude Opus 4.7 وDeepSeek R1 وGemini 3 Pro.
أصبح سباق الاستدلال العلمي أكثر تنافسية بكثير. Grok 4.20 Science Reasoning: How Good Is It هو السؤال الذي يطرحه الجميع في أوساط الذكاء الاصطناعي بعد أن سجّل أحدث نموذج من xAI نتائج لافتة في اختبارات الفيزياء والكيمياء والاستدلال الرياضي. إذا كنت تتابع النماذج المتقدمة، فأنت تعرف أن توليد النصوص الخام أمر سهل. أما الاستدلال العلمي الحقيقي فهو المحك الذي يثبت فيه هذه النماذج قيمتها أو تنهار بشكل واضح.
يتناول هذا المقال بعمق ما يقدمه Grok 4.20 فعليًا في السياقات العلمية، وأين تكون أرقامه مبهرة حقًا، وأين تبدأ الثغرات في الظهور عندما تدفعه إلى أقصى حدوده.
Grok 4.20 هو أحدث إصدار من سلسلة نماذج xAI اللغوية الكبيرة المركّزة على الاستدلال. يبني على أساس نموذج Grok 4 الأصلي، لكنه يتضمن تحسينات كبيرة على مسار سلسلة التفكير، خصوصًا في مهام الاستدلال العلمي متعدد الخطوات.
فبينما اعتمدت إصدارات Grok السابقة بشكل كبير على الاتساع في المحادثة، خضع Grok 4.20 لضبط خاص بمجموعات بيانات حل المسائل العلمية. ويُذكر أن مسار التدريب شمل مجموعات مختارة من مسائل STEM، مستمدة من الرياضيات بمستوى الأولمبياد، ومسائل الفيزياء على مستوى الدراسات العليا، وأسئلة تركيب الكيمياء العضوية.
بنت xAI نموذج Grok 4.20 حول وضع التفكير الموسّع، الذي يتيح للنموذج العمل على مسائل الاستدلال متعددة الخطوات قبل تقديم الإجابة النهائية. وهذا مشابه في الفكرة لما تراه في DeepSeek R1 وClaude Opus 4.7، لكن xAI تزعم أن تطبيقها يشغّل عددًا أكبر بكثير من توكنات الاستدلال بالتوازي، وهو ما يساعد في المسائل المعقدة توافقيًا.
الفرق الجوهري عن إصدارات Grok السابقة هو طريقة تعامل النموذج مع الغموض في الأوامر العلمية. فبدلًا من الالتزام فورًا بالإجابة الأرجح إحصائيًا، يولّد Grok 4.20 داخليًا فروعًا متعددة من الفرضيات، ويقيّم كل فرع في ضوء مجموعة من القيود الخاصة بالمجال قبل أن يحسم ردّه.
يشير رقم الإصدار نفسه إلى تغييرات معمارية ذات معنى، وليس مجرد جولة ضبط دقيق. وبحسب الإفصاحات التقنية لـ xAI، قدّم Grok 4.20 نموذج مكافأة معدّلًا مصمَّمًا خصيصًا للدقة العلمية، ما يقلل الميل إلى إنتاج شروحات علمية طليقة الصياغة لكنها خاطئة من حيث الحقائق، وهي مشكلة أثقلت كاهل الإصدارات السابقة.
هذا مهم لأن كثيرًا من النماذج اللغوية الكبيرة تسجّل نتائج ضعيفة في اختبارات العلوم ليس لأنها تفتقر إلى المعرفة، بل لأن نماذج المكافأة لديها لا تعاقب بما يكفي الإجابات الخاطئة الواثقة والمكتوبة بإتقان.
الأرقام هي المكان الذي يقدّم فيه Grok 4.20 حجته بأقوى صورة. فعبر أطر تقييم موحّدة متعددة، يحتل بثبات موقعًا في القمة أو قريبًا منها في لوحة صدارة النماذج المتقدمة لمهام الاستدلال في STEM.
💡 سياق الاختبار المعياري: تعكس هذه النتائج الأداء على مجموعات مسائل مختارة. وقد يختلف استدلال العلوم في الواقع اختلافًا كبيرًا عن أداء الاختبارات المعيارية، خصوصًا في المسائل الجديدة أو متعددة التخصصات.
يُعد اختبار Graduate-Level Google-Proof Q&A (GPQA) من أصعب اختبارات استدلال العلوم المتاحة. يتكون من أسئلة مصممة لتكون صعبة حتى على الخبراء في المجال، وتغطي الأحياء والكيمياء والفيزياء على مستوى الدراسات العليا.
يسجّل Grok 4.20 نتائج في النطاق 88-91% على GPQA Diamond، وهو الجزء الأصعب من الاختبار. للمقارنة:
| النموذج | نتيجة GPQA Diamond |
|---|---|
| Grok 4.20 | ~89% |
| GPT 5 Pro | ~87% |
| Claude Opus 4.7 | ~86% |
| DeepSeek R1 | ~83% |
| Gemini 3 Pro | ~84% |
في اختبار Humanity's Last Exam (HLE)، وهو اختبار متعدد المجالات يغطي مسائل بالغة الصعوبة في الرياضيات والعلوم والعلوم الإنسانية، يسجّل Grok 4.20 نتيجة تقارب 75-78%، وهو ما يضعه في المقدمة على نحو يتفوق فيه على تقريبًا كل نموذج آخر متاح للعموم.
في مسائل AIME (American Invitational Mathematics Examination)، يحقق Grok 4.20 نتائج قريبة من الكمال في مجموعتي AIME I وAIME II من السنوات الأخيرة. وهذا هو المستوى الرياضي الذي يفصل بين طلاب الثانوية المتفوقين وغيرهم، وحل هذه المسائل يتطلب استدلالًا رمزيًا حقيقيًا، لا مطابقة للأنماط.
أداء الفيزياء قوي بشكل خاص في الميكانيكا الكلاسيكية والكهرومغناطيسية، إذ يستطيع النموذج العمل على مسائل القوى والمجالات والطاقة متعددة الخطوات بدقة ثابتة. أما ميكانيكا الكم والفيزياء الإحصائية فيتراجع فيهما الأداء نوعًا ما، ويعكس ذلك على الأرجح الغموض الجوهري والتعقيد التفسيري في هذين المجالين.
أبرز نتائج الاختبارات المعيارية في الرياضيات والفيزياء:
تمثل الكيمياء والأحياء تحديًا من نوع مختلف عن الرياضيات البحتة. فهذان المجالان يتطلبان من النموذج دمج المعرفة الواقعية بسلوك الجزيئات وآليات التفاعل والعمليات البيولوجية مع الاستدلال المنطقي. وغالبًا ما تبدو الأخطاء في هذه المجالات معقولة، لأن مهارات اللغة لدى النموذج قد تغطي الثغرات في الفهم الكيميائي أو البيولوجي الأساسي.
تُعد مسائل التخليق في الكيمياء العضوية معيارًا كلاسيكيًا لجودة الاستدلال العلمي. يحتاج النموذج إلى التعرف على المواد الابتدائية، وتحديد مسارات التفاعل الصحيحة، وتطبيق معرفة الكواشف، والتنبؤ بالنواتج، مع مراعاة الكيمياء الفراغية وظروف التفاعل.
يؤدي Grok 4.20 أداءً جيدًا في مسائل المناهج القياسية للكيمياء العضوية، إذ يحقق نحو 78% من الدقة في أسئلة التخليق على مستوى البكالوريوس. أما في مسائل تخطيط التخليق الكلي على مستوى الدراسات العليا، فينخفض الأداء إلى نحو 52-58%. ومع ذلك فهذه النتيجة لا تزال أفضل بكثير من معظم النماذج عامة الغرض، لكنها تكشف السقف الذي تصل إليه أنظمة الاستدلال الذكي الحالية عندما تتطلب المسائل حدسًا عميقًا في المجال.
💡 نمط لافت: يميل Grok 4.20 إلى الأداء بشكل أفضل في أسئلة آليات التفاعل، حيث توجد قواعد منطقية تُتّبع، مقارنةً بتخطيط التخليق الذي يلعب فيه الإبداع والحدس دورًا كبيرًا. ويتسق هذا مع صورة نموذج يستدل جيدًا، لكنه ما زال يفتقر إلى الحدس الكيميائي المتكوّن لدى الكيميائي ذي الخبرة.
في علم الأحياء الجزيئي، يُظهر Grok 4.20 أداءً قويًا في أسئلة التعبير الجيني، والمسائل المفاهيمية لطي البروتينات، وأسئلة آلية CRISPR. أما موطن ضعفه فيظهر في تفسير الأبحاث المتطورة، خصوصًا عندما يُطلب منه تقييم بيانات تجريبية متناقضة من الأدبيات الحديثة.
هذا جزئيًا مشكلة تتعلق بتاريخ قطع بيانات التدريب، لكنه يعكس أيضًا قيدًا حقيقيًا: محرك الاستدلال لدى النموذج يعمل بأفضل صورة عندما تكون الحقائق الأساسية راسخة ومتفقًا عليها، لا محل جدل.
لا يمكن لأي تقييم منصف لنموذج Grok 4.20 أن يتجاهل نقاط ضعفه. فنتائج الاختبارات المعيارية حقيقية، لكن أنماط الفشل حقيقية أيضًا.
ينخفض معدل الهلوسة لدى Grok 4.20 بشكل كبير في مجالات STEM الأساسية مقارنة بالإصدارات السابقة. لكن عند الانتقال إلى مجالات متخصصة متعددة التخصصات، مثل علم الأحياء الفلكية، أو الجيوكيمياء، أو الفروع الدقيقة لعلم المواد، ترتفع درجات الثقة بينما تنخفض الدقة. ويميل النموذج إلى بناء تفسيرات معقولة الصياغة لظواهر لا تتوفر لديه بيانات موثوقة عنها.
وهذا إشكالي بشكل خاص في السياقات العلمية، لأن إجابة خاطئة واثقة وطليقة يمكن أن تُضلل المستخدمين الذين ليسوا خبراء في المجال. فإذا كنت تستخدم Grok 4.20 في الفيزياء الراسخة أو الكيمياء السائدة، فأنت في منطقة آمنة. أما المجالات الدقيقة فتتطلب التحقق.
يمتلك Grok 4.20 نافذة سياق كبيرة، لكن أداءه في مهام الاستدلال العلمي متعدد الوثائق يتراجع في الأجزاء الأخيرة من السياقات الطويلة. فعندما يُطلب منه تلخيص معلومات من عدة أوراق بحثية طويلة في الوقت نفسه، تنخفض دقة إجاباته في أسئلة الدمج بشكل ملحوظ مقارنة بالمهام المعتمدة على وثيقة واحدة.
هذا قيد معروف لدى معظم النماذج المتقدمة، لكنه يستحق الإشارة لأن مهام البحث العلمي تتطلب غالبًا هذا النوع بالتحديد من التلخيص المتقاطع بين الوثائق.
المقياس الحقيقي لنموذج Grok 4.20 هو كيف يقف أمام أفضل النماذج المتاحة الآن. الساحة المتقدمة مزدحمة بنماذج استدلال قادرة فعلًا، والفروق بين الصفوف الأولى أضيق مما توحي به الحملات التسويقية.
يمثل GPT 5 Pro أكثر منافسي xAI مباشرة في فئة الاستدلال الراقية. وفي معظم اختبارات العلوم، يحافظ Grok 4.20 على تقدم طفيف، يتراوح عادةً بين 2 و4 نقاط مئوية في GPQA Diamond. غير أن GPT 5 Pro يتفوق في الغالب على Grok 4.20 في المهام التي تتطلب دمج الاستدلال الرياضي مع فهم اللغة الطبيعية، مثل تفسير الأبحاث المنشورة ونقدها.
يُعد Claude Opus 4.7 أقوى منافس في مهام الاستدلال التي تتطلب تأملًا متعدد الخطوات ممتدًا. فتطبيق التفكير الموسّع لدى Anthropic ينتج مسارات استدلال أكثر منهجية من Grok 4.20، وهذا قد يكون ميزة في المسائل التي يتفوق فيها التحليل البطيء والدقيق على الاستدلال السريع.
بالنسبة لمعظم مهام الاستدلال العلمي العملية، تكون الفجوة بين هذه النماذج الثلاثة صغيرة إلى حد أن عوامل السرعة والتكلفة والتكامل كثيرًا ما تكون أهم من الدقة الخام.
يظل DeepSeek R1 خيارًا مفتوح الأوزان قويًا بشكل لافت. فنتائجه في GPQA Diamond تتأخر عن Grok 4.20 بنحو 6 نقاط مئوية، لكن الفجوة في الرياضيات أضيق، إذ ينتج DeepSeek R1 مسارات حلول منظمة للغاية وقابلة للتحقق، يجد كثير من الباحثين أنها أسهل في الوثوق بها. كما أن الطبيعة مفتوحة الأوزان لهذا النموذج تجعله قابلًا للتشغيل في بيئات لا تصلح فيها النماذج المعتمدة على واجهات API، مثل Grok 4.20.
يتمتع Gemini 3 Pro من Google باستدلال علمي متعدد الوسائط قوي، خصوصًا عندما تتضمن المسائل مخططات أو صور بنى جزيئية أو رسومًا بيانية تجريبية. أما في الاستدلال العلمي النصي البحت، فهو يقع أدنى قليلًا من Grok 4.20 في معظم الاختبارات المعيارية، لكن قدرته على الاستدلال عبر البيانات العلمية المرئية ميزة لا يضاهيها Grok 4.20 بالكامل.
| نوع المهمة | أفضل نموذج |
|---|---|
| أسئلة وأجوبة STEM على مستوى الدراسات العليا | Grok 4.20 |
| مسائل أولمبياد الرياضيات | Grok 4.20، GPT 5 Pro |
| الاستدلال متعدد الخطوات الممتد | Claude Opus 4.7 |
| استدلال العلوم متعدد الوسائط | Gemini 3 Pro |
| استدلال العلوم مفتوح الأوزان | DeepSeek R1 |
| استدلال سريع وفعّال من حيث التكلفة | GPT 5 |
يستضيف PicassoIA نموذج Grok 4 مباشرة إلى جانب مجموعة كاملة من نماذج الصفوف الأولى المنافسة، ما يجعل اختبار هذه النماذج ومقارنتها على مسائلك العلمية الخاصة أمرًا سهلًا. إليك كيفية البدء.
الخطوة 1. انتقل إلى picassoia.com/en/collection/large-language-models/xai-grok-4 وافتح صفحة نموذج Grok 4.
الخطوة 2. في حقل الأمر النصي، أدخل سؤالك العلمي. للحصول على أفضل النتائج في مسائل الاستدلال المعقدة، صغ الأسئلة بقيود صريحة. على سبيل المثال: "حُلّ مسألة التخليق التالية في الكيمياء العضوية خطوة بخطوة، مع عرض كل آلية تفاعل" بدلًا من الأسئلة المفتوحة.
الخطوة 3. فعّل وضع التفكير الموسّع إن كان متاحًا. فهذا يتيح لنموذج Grok 4 العمل على الاستدلال متعدد الخطوات قبل تقديم إجابته، ما يحسّن الأداء بشكل ملحوظ في مسائل العلوم الصعبة.
الخطوة 4. تحقّق من الإجابات عالية المخاطر عبر مقارنتها. في المهام البحثية الحرجة، شغّل السؤال نفسه عبر Claude Opus 4.7 أو GPT 5 Pro وقارن مسارات الاستدلال. غالبًا ما تكشف الاختلافات بين النماذج النقاط الحقيقية للصعوبة في المسألة.
الخطوة 5. في الاشتقاقات الرياضية، اطلب من النموذج عرض جميع الخطوات الوسيطة. يتحسن أداء Grok 4 في مسائل الرياضيات عندما يستدل بصوت مسموع بدلًا من القفز إلى الإجابات النهائية.
💡 نصيحة متقدمة: يتيح لك PicassoIA التبديل بين Grok 4 وDeepSeek R1 وClaude Opus 4.7 وGemini 3 Pro ضمن الواجهة نفسها، لتجري مقارنات جنبًا إلى جنب دون الحاجة إلى إدارة حسابات أو اشتراكات متعددة.
يستحق Grok 4.20 سمعته في استدلال العلوم. فأرقام الاختبارات المعيارية من بين الأفضل في المجال، وأداؤه في الكيمياء والفيزياء مبهر فعلًا لنموذج عام الغرض، وعمل xAI على معايرة نموذج المكافأة يؤتي ثماره في تقليل الهلوسة الواثقة. لكنه ليس خاليًا من الأخطاء: فمشكلة الهلوسة في الموضوعات الدقيقة حقيقية، والمنافسة من Claude Opus 4.7 وGPT 5 Pro وDeepSeek R1 شديدة إلى حد أن لا نموذج واحد يهيمن على كل حالات الاستخدام.
أصدق إجابة عن مدى جودة Grok 4.20 في استدلال العلوم هي التالية: إنه من الأفضل أو الثاني في معظم أنواع مسائل STEM، وليس بديلًا عن الخبرة في المجال، وأذكى طريقة لاستخدامه هي إلى جانب نماذج متقدمة أخرى، لا منفردًا.
إذا أردت اختبار هذه الادعاءات بنفسك، يتيح لك PicassoIA الوصول المباشر إلى Grok 4 وDeepSeek R1 وClaude Opus 4.7 وGPT 5 Pro وGemini 3 Pro وعشرات أخرى في مكان واحد. أدخل أصعب أسئلتك العلمية، وشاهد أي نموذج يقدم النتيجة فعلًا.
اختر لغتك
