GLM-5.2 الصيني ينافس Opus 4.7 بسدس التكلفة: اختبار Snowflake يكشف تقارب الأداء

أبرز النقاط

• نموذج GLM-5.2 الصيني حقق نتائج متقاربة مع Opus 4.7 في اختبار برمجي واقعي بنسبة 66% مقابل 67%
• تكلفة GLM-5.2 تبلغ 4.40 دولار لكل مليون رمز مقارنة بـ 25 دولاراً لـ Opus مما يخلق ضغطاً سعرياً هائلاً
• رغم تفوق Opus في الكفاءة والدقة من المحاولة الأولى إلا أن فجوة السعر تهدد تقييمات شركات الذكاء الاصطناعي الغربية

أجرت شركة Snowflake اختباراً برمجياً واقعياً كشف أن النموذج الصيني GLM-5.2 من شركة Zhipu AI ينافس نموذج Opus 4.7 من Anthropic بأداء شبه متطابق، رغم أن تكلفته أقل بنحو ستة أضعاف. النتيجة تضع علامة استفهام كبيرة حول التقييمات المرتفعة لشركات الذكاء الاصطناعي الغربية.

كيف جرى الاختبار وماذا أظهرت النتائج؟

شمل الاختبار 103 مهمة برمجية، نُفذت كل واحدة ثلاث مرات، حيث طُلب من النموذجين كتابة كود يعمل على منصتي DuckDB وSnowflake معاً. عند منح كل نموذج ثلاث محاولات لكل مهمة، جاءت النتائج متقاربة بشكل لافت: حل GLM-5.2 نسبة 66% من المهام، بينما حل Opus 4.7 نسبة 67%.

أين يتفوق Opus وأين يتفوق GLM؟

الفارق الحقيقي يظهر في الدقة من المحاولة الأولى: حقق Opus نسبة 53.7% مقارنة بـ 47.6% فقط لـ GLM، مما يشير إلى أن مخرجات النموذج الصيني أقل اتساقاً. كما أن GLM استهلك موارد أكثر بكثير، إذ احتاج في المتوسط إلى 99 تكراراً لكل مهمة مقابل 80 لـ Opus، واستنفد 860 مليون رمز (token) مقارنة بـ 439 مليون لمنافسه الأمريكي.

لكن نقطة قوة GLM-5.2 تكمن في قدرته على التحقق من صحة الكود على كلتا المنصتين في آن واحد. وفقاً لسريدهار راماسوامي، الرئيس التنفيذي لـ Snowflake، هذه الميزة مكّنت GLM من حل مهام معينة عجز عنها Opus.

ما نقاط ضعف النموذج الصيني؟

أشار راماسوامي إلى أن GLM يعاني من الاستسلام المبكر أحياناً، ومن الهوس بالتحقق من أمور خاطئة. في إحدى المهام، أطلق GLM نحو 411 استدعاء أداة خلال 24 دقيقة، فاحصاً أعداد الصفوف والتوزيعات والقيم الفارغة وأنواع الأعمدة، ومع ذلك فشل في المحاولات الثلاث جميعها. في المقابل، حل Opus المهمة ذاتها بـ 49 استدعاء فقط خلال 9 دقائق.

كما نفى راماسوامي الادعاء بأن GLM ينتج كوداً أنظف، مؤكداً أن كثرة عمليات التحقق لا تؤدي بالضرورة إلى نتائج أصح.

فجوة الأسعار: هل تهدد فقاعة الذكاء الاصطناعي الغربية؟

الأرقام الأكثر إثارة في هذا الاختبار ليست تقنية بل اقتصادية. يكلف GLM-5.2 نحو 1.40 دولار لكل مليون رمز إدخال و4.40 دولار لكل مليون رمز إخراج بحسب قائمة أسعار Zhipu الرسمية، بل إن بعض الموزعين الخارجيين يقدمون أسعاراً أقل من ذلك.

• GLM-5.2: إدخال 1.40$ — إخراج 4.40$ لكل مليون رمز
• Claude Opus 4.7: إدخال 5$ — إخراج 25$ لكل مليون رمز
• GPT-5.5: إدخال 5$ — إخراج 30$ لكل مليون رمز
• GPT-5.4: إدخال 2.50$ — إخراج 15$ لكل مليون رمز

صحيح أن استهلاك GLM الأعلى للرموز يقلص جزئياً من ميزته السعرية، لكن الضغط على Anthropic وOpenAI حقيقي ومباشر، وتحديداً في البرمجة التي تراهن عليها الشركتان كحالة استخدام رئيسية. إذا أبطأ هذا الضغط نمو الإيرادات — أو الأسوأ: أنقصها — فإن سوق الذكاء الاصطناعي المنتفخة ستواجه اختباراً حقيقياً.

ماذا يعني هذا لتقييمات OpenAI وAnthropic؟

تقييمات هاتين الشركتين مبنية على افتراض استمرار النمو السريع للإيرادات. هذه التقييمات مرتبطة بمليارات الدولارات المستثمرة في بنية الذكاء الاصطناعي التحتية، من مراكز البيانات إلى طلبيات الرقائق. نموذج صيني يقدم أداءً مقارباً بسدس السعر يضع هذه الرهانات موضع تساؤل جدي.

رغم ذلك، أبدى فريق Snowflake حماساً تجاه GLM-5.2 ورغبة في إتاحته للعملاء، مما يشير إلى أن السوق قد يتجه نحو تعددية أكبر في مزودي النماذج بدلاً من هيمنة اللاعبين الغربيين.

الأسئلة الشائعة

ما الفرق في الأداء بين GLM-5.2 وOpus 4.7؟

في اختبار Snowflake البرمجي، حل GLM-5.2 نسبة 66% من المهام مقابل 67% لـ Opus 4.7 مع ثلاث محاولات، لكن Opus يتفوق في الدقة من المحاولة الأولى بنسبة 53.7% مقابل 47.6% ويستهلك موارد أقل.

كم تبلغ تكلفة GLM-5.2 مقارنة بنماذج الذكاء الاصطناعي الغربية؟

يكلف GLM-5.2 نحو 4.40 دولار لكل مليون رمز إخراج، بينما يكلف Opus 4.7 نحو 25 دولاراً وGPT-5.5 نحو 30 دولاراً لنفس الكمية، أي فارق يصل إلى 6-7 أضعاف.

هل نموذج GLM-5.2 أفضل من Claude Opus؟

ليس بالضرورة. Opus أكثر كفاءة واتساقاً ويحتاج محاولات ورموز أقل، لكن GLM ينافسه في النتيجة النهائية بتكلفة أقل بكثير، مما يجعله خياراً جذاباً للمهام التي لا تتطلب دقة من المحاولة الأولى.

ما تأثير هذه المنافسة على سوق الذكاء الاصطناعي؟

تخلق ضغطاً سعرياً كبيراً على شركات مثل OpenAI وAnthropic، خاصة في مجال البرمجة الذي تراهن عليه كحالة استخدام رئيسية، مما قد يؤثر على تقييماتها المرتفعة.