قمنا بتشغيل GLM 5.2 مقابل Claude Opus 4.8 على مهام مُصممة لاكتشاف الفجوة. ووجدنا واحدة، ولكن ليس حيث توقعنا.

Built for Speed: ~10ms Latency, Even Under Load
Blazingly fast way to build, track and deploy your models!
- Handles 350+ RPS on just 1 vCPU — no tuning needed
- Production-ready with full enterprise support
ظل GLM 5.2، وهو النموذج مفتوح الوزن من Z.ai، يتسلق قوائم تصنيف الاختبارات المرجعية منذ إصداره، حيث صنفته التقييمات المستقلة من Artificial Analysis على أنه أكثر نموذج لغوي متاح بشكل مفتوح قدرةً في السوق. والسؤال البديهي لأي شخص يبني عليه هو: ما حجم القدرات التي تتخلى عنها عند الانتقال من نموذج مغلق في صدارة التكنولوجيا إلى أفضل نموذج حالي مفتوح الوزن؟
أغلب التغطيات حتى الآن تجيب عن هذا السؤال عبر الاستشهاد بالاختبارات المرجعية. أردنا الإجابة عنه من خلال تشغيل مهامنا الخاصة، عبر AI Gateway الخاص بنا، وتقييم كلا النموذجين مقابل معيار التقييم نفسه. إليك ما وجدناه.
الإعداد
قمنا بإنشاء مجموعة تتكون من 10 مهام مقسمة إلى ثلاث مستويات، تم تشغيلها عبر TrueFoundry AI Gateway مقابل Claude Opus 4.8 و GLM 5.2:
- المهام الأساسية (4): مشكلات بسيطة متعمدة، ذات وظيفة واحدة أو استدعاء أداة واحدة. هذه اختبار للحد الأدنى، وليست اختبارًا حقيقيًا للقدرة.
- المهام الصعبة (4): مُصممة حول النقاط التي تظهر فيها الاختبارات المرجعية العامة مثل SWE-Bench Pro و Agents' Last Exam انفصالاً حقيقيًا بين النماذج. التفكير المنطقي عبر ملفات متعددة، واستخدام الأدوات متعدد الخطوات والتفرعات، وادعاء "واضح" ولكنه خاطئ بشكل خفي لاكتشافه، ومواصفات غير محددة بوضوح لرؤية ما إذا كان النموذج سيسأل أم يخمن.
- مهام السياق الطويل (2): استرجاع "إبرة في كومة قش" والتفكير المنطقي للربط بين المراجع عبر مستندات حقيقية في الملكية العامة، تتراوح تقريبًا بين 290 ألف إلى أكثر من مليون token اعتمادًا على محلل النصوص (tokenizer) الخاص بأي نموذج يقوم بالعد (المزيد عن هذا الاختلاف أدناه).
تم تقييم كل استجابة وفقًا لمعايير نجاح/فشل صريحة كتبناها قبل أن يرى أي من النموذجين أي توجيه (prompt).
النتيجة 1: تكافؤ الجودة، بما في ذلك المهام الصعبة
عبر جميع المهام الـ 8 المصاغة جيدًا، حقق كلا النموذجين 40 من أصل 40.
ويتضمن ذلك المهام التي بُنيت خصيصًا للفصل بينهما. في任務 محرك الخصم متعدد الملفات، طبق كلا النموذجين منطق أفضل خصم بشكل صحيح وكتب كلاهما اختبارًا أدى الحساب بشكل صحيح في حالة غير بديهية حقًا (طلب بقيمة 120 دولارًا حيث يبدو الخصم بنسبة 10 بالمائة والخصم المباشر بقيمة 15 دولارًا متشابهين ولكن ينتهيان إلى 108 دولارات مقابل 105 دولارات). في任務 الوكيل المتفرع، رفض كلا النموذجين التخمين بشكل صحيح عندما أدى البحث عن "رئيس الشراكات" إلى إرجاع شخصين مختلفين بدورين مختلفين، وطلب كلاهما التوضيح قبل المتابعة. في فخ التفكير المنطقي، وهو خطأ خفي في الوسائط الافتراضية القابلة للتغيير (mutable-default-argument) خلف ادعاء جرى التحقق منه ولكنه خاطئ حول مفتاح ذاكرة التخزين المؤقت، اكتشفه كلا النموذجين، ووضّحا سبب حدوثه، وقدّما إصلاحًا صحيحًا.
لم نتوقع تعادلاً هنا. تُظهر الاختبارات المرجعية المنشورة فصلًا حقيقيًا بين النماذج المغلقة في صدارة التكنولوجيا والنماذج مفتوحة الوزن في هذا النوع بالذات من المهام. في مجموعتنا المحددة، لم نَر ذلك.
النتيجة 2: GLM 5.2 أرخص بفارق ملموس
عبر المهام الـ 8 الصالحة، بلغت تكلفة Opus 4.8 الإجمالية ~0.20 دولار. بينما بلغت تكلفة GLM 5.2 ~0.05 دولار، أي أكثر بقليل من ربع السعر، متتبعًا المعدلات المنشورة لكل token ($5/$25 لكل مليون token لـ Opus مقابل $1.40/$4.40 لـ GLM 5.2). إذا كان عبء العمل لديك يعتمد على نوع المهام الموجودة في هذه المجموعة، فهذا خيار خفض تكلفة حقيقي، وليس هامشيًا.
النتيجة 3: زمن الاستجابة (Latency) هو المكان الذي تتباعد فيه النماذج حقًا، وهو ليس مضاعفًا ثابتًا
هذه هي النتيجة الأكثر إثارة للاهتمام، لأنها ليست موحدة. في مهمتين، كان GLM 5.2 أسرع من Opus. وفي أصعب مهمة تفكير منطقي، استغرق وقتًا أطول بـ 10 أضعاف.
يتتبع النمط عمق التفكير المنطقي، وليس فئة المهمة. مهام استخدام الأدوات البسيطة تصل إلى تقارب قريب أو تفضل GLM قليلاً. المهام التي تتطلب أكبر قدر من التفكير المنطقي الداخلي هي المكان الذي ترتفع فيه أزمنة استجابة GLM بشدة. إذا كنت تبني شيئًا حساسًا لزمن الاستجابة، فإن عبارة "GLM أرخص" تحتاج إلى شق ثانٍ: أرخص، مع ارتفاعات مفاجئة في زمن الاستجابة أحيانًا على أصعب طلباتك، وليس أرخص في جميع المجالات.
النتيجة 4: عقبة نشر حقيقية مع tokens التفكير المنطقي لـ GLM
هذه هي النتيجة التي لم نكن نبحث عنها. استخدمت ممرتنا الأولى عبر المجموعة ميزانية مخرجات قدرها 2048 token، مصممة حول الحجم الذي عادة ما تستغرقه إجابات Opus. لم يقترب Opus أبداً من هذا الحد الأقصى في أي مهمة. وصل GLM 5.2 إليها مرتين: مرة عند اقتطاع الإجابة في منتصف الجملة، ومرة عند إرجاع استجابة فارغة تمامًا بعد استهلاك الميزانية بأكملها.
السبب هو أسباب التفكير المنطقي لـ GLM 5.2. تُحسب tokens التفكير المنطقي الداخلي من نفس الميزانية مثل الإجابة المرئية، وفي المهام الأصعب، يمكن أن يستهلك هذا التفكير المنطقي الداخلي معظم أو كل الميزانية التي كانت ستكون سخية لنموذج بدون ذلك العبء الإضافي. أعدنا تشغيل المهمتين المتأثرتين بميزانية قدرها 8,000 token لـ GLM خصيصًا، واكتملت كلاهما بشكل صحيح، متطابقتين مع جودة Opus (انظر النتيجة 1).
الفائدة العملية: إذا كنت تقوم بالتوجيه بين النماذج عبر بوابة وتُعيد استخدام ميزانية tokens ضُبطت لنموذج واحد، فإن GLM 5.2 يحتاج إلى مساحة إضافية ملموسة لتعقيد المهام المكافئ، خاصة في الأعمال التي تتطلب تفكيرًا منطقيًا مكثفًا. إذا أخطأت في هذا، فلن تحصل على خطأ. بل ستحصل على استجابة مقتطعة أو فارغة تمامًا تبدو وكأنها فشل في النموذج بينما هي في الواقع مشكلة إعدادات.
النتيجة 5: اختبارات سياق طويل حقيقية، وفشل حقيقي لـ Opus
قمنا بإنشاء مهمتين ذات سياق طويل باستخدام مستندات حقيقية هذه المرة: استرجاع "إبرة في كومة قش" مقابل النص الكامل لرواية في الملكية العامة (تقريبًا 290 ألف إلى 420 ألف token اعتمادًا على محلل النصوص الخاص بأي نموذج يحسبها)، ومهمة المراجع المتقاطعة التي تتطلب من النموذج الجمع بين حقيقتين موضوعتين في أطراف متقابلة من أربع روايات مدمجة (تقريبًا 700 ألف token إلى أكثر من مليون بقليل، مرة أخرى اعتمادًا على محلل النصوص).
في مهمة الاسترجاع الأبسط، وجد كلا النموذجين الحقيقة المدرجة بشكل صحيح. ذهب Opus إلى أبعد من ذلك وحدد بالضبط أين تم إدراج الحقيقة في النص، وهو ما يمثل إظهارًا قويًا حقيقيًا للوعي بالسياق. ولكننا طلبنا اقتباس الحقيقة بمفردها، ووضّح Opus بدلاً من مجرد اقتباسها. أجاب GLM بالحقيقة نفسها فقط، لا شيء غير ذلك، وهي الاستجابة الأكثر حرفية وصحة لما تم طلبه.
في مهمة المراجع المتقاطعة الأصعب، فشل Opus 4.8 تمامًا. ليس إجابة خاطئة: بل خطأ جسيم، لأن المستند تم تحليله إلى أكثر من مليون token بقليل تحت محلل النصوص الخاص بـ Anthropic، مما تجاوز نافذة السياق لـ Opus 4.8 بنسبة 4 بالمائة تقريبًا. أكمل GLM 5.2 المهمة نفسها بشكل صحيح، والسبب يستحق الإشارة إليه بمفرده: المستند المتطابق تم تحليله إلى حوالي 718,000 token تحت محلل النصوص الخاص بـ Z.ai، أي أقل بنسبة 31 بالمائة تقريبًا من tokens التي عدّها محلل النصوص لـ Anthropic لنفس النثر الإنكليزي تمامًا (وبشكل مكافئ، عدّ محلل النصوص لـ Anthropic حوالي 45 بالمائة tokens أكثر من Z.ai للنص المتطابق).
هذا ليس اختلافًا في القدرة. إنه تذكير بأن أعداد tokens ليست قابلة للنقل عبر محللات النصوص، والمستند المريح في حجمه داخل نافذة سياق نموذج ما يمكن أن يتجاوز سياق نموذج آخر لنفس المحتوى دون تنبيه. إذا كنت تبني اختبار سياق طويل، أو تحدد حجم توجيه إنتاجي حقيقي، مقابل أكثر من نموذج واحد، تحقق من عدد محلل النصوص الحقيقي لكل نموذج بدلاً من التقدير من عدد الكلمات أو عدد الأحرف. الهامش الذي يبدو آمنًا لنموذج ما قد يكون فشلاً جسيمًا لنموذج آخر.
تتدرج التكلفة مع طول السياق بطريقة يسهل الاستهانة بها حتى ترى الرقم. استعلام "الإبرة في كومة قش" المنفرد إلى Opus تكلف ~2.09 دولار بمفرده، وهو أكثر من إجمالي التكلفة للمستويات الأساسية والصعبة المكونة من 8 مهام مجتمعة (~0.20 دولار إجمالاً، من النتيجة 2). نفس الاستعلام إلى GLM تكلف ~0.40 دولار. عبر كلا مهمتي السياق الطويل، كان إجمالي GLM ~1.41 دولار مقابل ~2.09 دولار لـ Opus لاستدعاء ناجح واحد (فشل الاستدعاء الثاني تمامًا ولم يتم فرض رسوم عليه). إذا كان عبء العمل لديك يتضمن مستندات طويلة بانتظام، فإن الفرق في تكلفة لكل token بين النماذج يتضاعف بسرعة، متجاوزًا بكثير ما قد توحي به مقارنة تكلفة المهام الأساسية.
النتيجة 6: خطأ سابق يستحق الذكر على أي حال
استخدمت محاولة سابقة لبناء هذه المجموعة نصًا بديلاً بدلاً من المستندات الحقيقية لمهمتي السياق الطويل بالخطأ، وردود فعل النموذجين على هذه المدخلات المعطوبة تستحق الملاحظة حتى لو تم إصلاح الخطأ منذ ذلك الحين. Opus، عند إعطائه فقط وصفًا بين قوسين لما سيحتويه المستند، قال ذلك مباشرة في كلا المرتين ورفض التعامل مع المثال الافتراضي كاسترجاع حقيقي. بينما أجاب GLM إما من النص النموذجي دون الإشارة إلى عدم وجود مستند حقيقي، أو، في النسخة الأصعب، قام بتأليف مستند كامل من الصفر وأجاب بثقة بناءً على المحتوى الذي اخترعه.
هذه نتيجة متميزة حول السلوك تحت المدخلات المعطوبة، منفصلة عن أرقام السياق الطويل الحقيقية أعلاه، وهي تستحق الأخذ بعين الاعتبار نظرًا لأن ملاحظات الإصدار الخاصة بـ Z.ai لـ GLM 5.2 كشفت عن سلوك اختراق مكافآت (reward-hacking) أثناء التدريب أكثر من الإصدار السابق، بما في ذلك قراءة ملفات التقييم المحمية وسحب الحلول المرجعية لتضخيم الدرجات. النموذج المستعد لإنشاء محتوى يبدو معقولاً رداً على توجيه معطوب يستحق المراقبة قبل أن توجهه إلى مدخلات إنتاجية حقيقية قد تكون غير صالحة أو غير مكتملة أحيانًا.
ماذا يعني هذا إذا كنت تختار بينهما
في المهام التي تتسع داخل نوافذ السياق لكلا النموذجين، لا توجد فجوة في الجودة بمجرد أن يحصل GLM 5.2 على مساحة كافية من tokens. المكان الوحيد الذي ظهرت فيه فجوة حقيقية لم يكن جودة التفكير المنطقي، بل كان سعة السياق: المستند الطويل نفسه الذي تعامل معه GLM 5.2 دون مشكلة تسبب في فشل جسيم لـ Opus 4.8، لأسباب تتعلق بمحلل النصوص وليس لأسباب تتعلق بالذكاء. يتلخص القرار في أربعة أشياء لا تتعلق بالقدرة الخام في مهمة نموذجية:
- التكلفة. يبلغ سعر GLM 5.2 تقريبًا ربع سعر Opus 4.8 للعمل المكافئ، في هذه المجموعة.
- إمكانية التنبؤ بزمن الاستجابة. زمن الاستجابة لـ GLM 5.2 ليس مضاعفًا ثابتًا. يمكن أن يكون أسرع من Opus في المهام البسيطة وأبطأ بدرجة كاملة (10 أضعاف) في مهام التفكير المنطقي الصعبة. إذا كان لمنتجك متطلبات صارمة لزمن الاستجابة، فإن هذا التباين يهم أكثر من المتوسط.
- صحة الإعدادات. إذا كنت تقوم بالتوجيه عبر النماذج من خلال بوابة، قم بجدولة مساحة إضافية ملموسة لـ tokens المخرجات لـ GLM 5.2 مقارنة بـ Opus، خاصة لأعباء العمل التي تتطلب تفكيرًا منطقيًا مكثفًا، وإلا فإنك تخاطر باقتطاع صامت بدون خطأ لاكتشافه.
- تحديد حجم السياق عبر محللات النصوص. إذا كان عبء العمل لديك يقترب من الحد الأقصى لسياق أي من النموذجين، تحقق من عدد tokens الحقيقي تحت محلل النصوص الخاص بكل نموذج بدلاً من التقدير من عدد الكلمات أو الأحرف. المستند نفسه يمكن أن يناسب نموذجًا باريحية ويؤدي إلى فشل جسيم في نموذج آخر.
قراءات ذات صلة
- التوجيه مفتوح الوزن بمقياس واسع: GLM-5.1 مقابل Claude Opus 4.7 على TrueFoundry AI Gateway — إصدار سابق من نفس هذه المقارنة، مع موجه قائم على المصنف يدمج كلا النموذجين
- الاستضافة الذاتية للنماذج مفتوحة الوزن خلف AI Gateway — للفرق التي تفكر في تشغيل GLM 5.2 أو نماذج مماثلة على البنية التحتية الخاصة بها بدلاً من API مستضيف
- اعتبارات التكلفة عند استخدام AI Gateway — نظرة أوسع على خيارات التكلفة المذكورة في النتيجة 2 والنتيجة 5
- Kimi K2.6: العملاق مفتوح المصدر الذي يعيد تشغيل الذكاء الاصطناعي القائم على الوكلاء — نموذج آخر مفتوح الوزن يستحق إخضاعه لنفس النوع من الاختبارات
كلا النموذجين في هذه المقارنة، وكل شيء آخر قد ترغب في اختباره مقابلهما، يمكن الوصول إليه عبر API واحد متوافق مع OpenAI في TrueFoundry AI Gateway. تعرف على كيفية توصيل نموذج والبدء في المقارنة.
TrueFoundry AI Gateway delivers ~3–4 ms latency, handles 350+ RPS on 1 vCPU, scales horizontally with ease, and is production-ready, while LiteLLM suffers from high latency, struggles beyond moderate RPS, lacks built-in scaling, and is best for light or prototype workloads.






















