مقاييس الاستدلال الوكيل في عام ٢٠٢٦: عدد الوكلاء لكل ميجاوات

في سطر واحد: يقيس معيار الاستدلال الوكيل (agentic inference benchmark) عدد وكلاء الذكاء الاصطناعي المتزامنين الذين يمكن لنظام التشغيل دعمهم مع الحفاظ على هدف محدد للسرعة وزمن الاستجابة لكل وكيل — وليس مدى سرعة إجابته على أمر واحد. ظهر معياران بفارق أربعة أسابيع في عام ٢٠٢٦، وكان المقياس الرئيسي للأول هو عدد الوكلاء لكل ميجاوات.

ملخص

خلال أربعة أسابيع، قامت اثنتان من المؤسسات التي تنشر لوحات نتائج الاستدلال في الصناعة بفتح وحدة قياس جديدة. نشرت Artificial Analysis النتائج الأولى لـ AA-AgentPerf في ١٢ يونيو ٢٠٢٦، متصدرة بمقياس تسميه الوكلاء لكل ميجاوات.^١ وفي ٨ يوليو ٢٠٢٦، أضافت MLCommons معيار الاستدلال الوكيل (Agentic Inference) إلى إطار عمل MLPerf Endpoints، حيث ساهمت Workato في عبء عمل المؤسسات، وشارك في الجهد الأوسع كل من AMD وIntel وNVIDIA.^٢٣ يتخلى كلاهما عن شكل "أمر واحد يدخل، إجابة واحدة تخرج" الذي استخدمته معايير الاستدلال لسنوات، لأن الوكلاء لا يعملون بهذه الطريقة. وبشكل منفصل، وضعت ورقة بحثية من KAIST قُدمت في HPCA في فبراير رقماً على الاقتصاديات الأساسية: في مهام الوكلاء التي تعتمد بكثافة على الأدوات، تظل وحدات GPU خاملة بنسبة تصل إلى ٥٤٫٥٪ من الوقت.^٤ إليك ما يقيسه كل معيار فعلياً، ومن أين يأتي رقم NVIDIA المذهل (٢٠ ضعفاً)، وما هي التحذيرات التي تجاهلتها تغطية الإطلاق، وما الذي يتغير إذا كنت أنت من يوقع فاتورة الحوسبة.

ما ستتعلمه

• لماذا توقفت معايير الاستدلال أحادية الدورة عن وصف أعباء عمل الذكاء الاصطناعي في الإنتاج
• ماذا يقيس "الوكلاء لكل ميجاوات"، وكيف يستخرجه AA-AgentPerf بالضبط
• أي الأجهزة تتصدر النتائج المنشورة الأولى، ومن قام بضبطها
• ما الذي يضيفه مسار الاستدلال الوكيل في MLPerf ولا يوفره AA-AgentPerf
• كيف يختلف المعياران، جنباً إلى جنب
• لماذا يعد رقم الطاقة الشهير من KAIST هو الرقم الأقل فائدة في الورقة البحثية نفسها
• التحذيرات المنهجية التي أغفلتها تغطية الإطلاق
• ماذا تسأل المورد بمجرد أن يصبح "الوكلاء المتزامنون" هو وحدة القياس

لماذا انهارت معايير الاستدلال أحادية الدورة

تقيس معايير الاستدلال التقليدية استدعاءً واحداً للنموذج: مدى سرعة عودة الاستجابة، وعدد الطلبات المتزامنة التي يمكن للنظام معالجتها. الوكلاء يبطلون كلا الشقين من ذلك.

تصف Artificial Analysis هذا التضارب بوضوح: "عبء عمل الذكاء الاصطناعي المهيمن في عام ٢٠٢٦ لا يشبه في شيء أعباء العمل التي صُممت معايير الاستدلال من أجلها."^١ وتوضح مجموعة بياناتها السبب. جلسة وكيل برمجة في AA-AgentPerf تستمر حتى ٢٠٠ دورة وتدفع أطوال التسلسلات إلى ما بعد ١٠٠ ألف توكن (token). يتراوح طول المدخلات لكل طلب من حوالي ٥ آلاف إلى ١٣١ ألف توكن بمتوسط يقارب ٢٧ ألفاً — مدفوعاً بمخرجات الأدوات المتراكمة والسجل، وليس بالأمر الذي كتبه شخص ما. أما طول المخرجات فهو متباين في الاتجاه الآخر: تشير Artificial Analysis إلى أن الأطوال "تختلف بشكل كبير عبر الدورات"، حيث يصدر الوكلاء في الغالب مخرجات قصيرة مثل استدعاءات أدوات بسيطة، تتخللها فترات أطول من التفكير.^١٥

هذا النمط يكسر المعايير المرجعية القديمة بثلاث طرق محددة. البادئات المشتركة الطويلة تكافئ إعادة استخدام KV cache. أما تدفقات المخرجات القصيرة جداً فتضغط على المجدول (scheduler) بدلاً من قدرة فك التشفير الخام (raw decode throughput). كما أن نفس البادئة تعود دوراً تلو الآخر، لذا — وكما تصفها Artificial Analysis — فإن "سلوك KV cache، والمجدول، والتسلسل الهرمي للذاكرة في النظام هي التي تحدد ما إذا كان سيزدهر أو ينهار تحت هذا النمط". وهذا النمط بأكمله، وبحسب كلمات ذات القطعة، هو ما "تتجاهله المعايير المرجعية الاصطناعية ذات الطول الموحد تماماً". والأسوأ من ذلك، أن معظم المعايير المرجعية للأجهزة تقيس طلبات اصطناعية مع إيقاف تحسينات الإنتاج — وهو أسلوب نشر، مرة أخرى بكلماتها، "لا يستخدمه أحد".^١

تطرح MLCommons نفس المشكلة من جانب عبء العمل. ففي دعوتها لتقديم طلبات المعايير المرجعية للوكلاء الطرفيين (edge agentic benchmark)، كتبت أن "جلسة الوكيل الحقيقية ليست مجرد مطالبة واحدة وإجابة واحدة – بل هي مسار حيث يضيف كل دور مخرجات الأدوات واستجابات النموذج إلى سجل محادثة متزايد، ويتنقل النموذج بين استدعاءات أدوات قصيرة وتفكير أطول، وكل دور يعتمد بشكل صارم على الدور الذي سبقه".^٦ وفي المعيار المرجعي لمراكز البيانات، تضع النتيجة في مصطلحات القياس: "تبعيات الأدوار تجعل الإنتاجية مقياساً للتقدم في الحلقة المغلقة، وليس معدل الطلبات المستقلة".^٢ إن الاستقلالية بين الطلبات — وهي الافتراض الذي تقوم عليه اختبارات الإنتاجية التقليدية — ببساطة لا تتحقق هنا.

ماذا يعني "الوكلاء لكل ميجاوات"

الوكلاء لكل ميجاوات هو أقصى عدد من الوكلاء المتزامنين الذين يمكن للنظام دعمهم لكل ميجاوات من الطاقة المقاسة، بينما لا يزال كل وكيل يلبي هدف سرعة المخرجات ووقت الوصول لأول رمز (time-to-first-token). تصفها Artificial Analysis بأنها "أهم مقياس لبناء الذكاء الاصطناعي في عالم محدود الطاقة" — وهذا تأطير منها وليس نتيجة محايدة، رغم أن المنطق سهل المتابعة: إذا كانت الطاقة هي القيد الملزم للسعة، فإن السعة لكل واط هي الرقم الذي يحدد ما يمكن لمركز البيانات تقديمه فعلياً.^١

الاشتقاق أهم من الشعار. يقوم AA-AgentPerf بتحديد مستوى الخدمة أولاً، ثم يسأل إلى أي مدى يمكن أن يتوسع التزامن قبل أن تنهار تلك الخدمة. يتم قياس السرعة كـ سرعة مخرجات P25 لكل طلب — المئوية ٢٥، والتي تم اختيارها عمداً لأن حركة مرور الوكلاء تحتوي على الكثير من طلبات المخرجات الصغيرة — مقترنة بـ P95 لوقت الوصول لأول رمز.^٥ بالنسبة لـ DeepSeek V4 Pro عند أقصى جهد تفكير، تكون المستويات المنشورة هي:

مستوى SLO	سرعة مخرجات P25	P95 TTFT
#1	٢٠ tokens/s	≤ ١٠ s
#2	٦٠ tokens/s	≤ ٥ s
#3	١٨٠ tokens/s	≤ ٣ s

توجد مجموعة مستويات منفصلة وأسرع بكثير لـ gpt-oss-120b، تبدأ من ١٠٠ tokens/s عند TTFT ≤5s وتصل إلى ٢٬٠٠٠ tokens/s عند ≤1s.^٥

لكل مستوى، يقوم نظام الاختبار بزيادة الحمل بشكل أسي حتى ينهار الهدف، ثم يستخدم البحث الثنائي (binary-search) للعثور على أقصى تزامن مستدام. لا يتم احتساب المرحلة إلا بعد اكتمال ٣٠ مساراً على الأقل، وإكمال كل وكيل محاكى لثلاث دورات على الأقل، ومرور عشر دقائق على الأقل من القياس في الحالة المستقرة. ثم يتم تطبيع النتائج بثلاث طرق — لكل مسرع، ولكل نظام، ولكل ميجاوات — ويستخدم رقم الميجاوات طاقة المسرع المقاسة تحت الحمل (قالب GPU بالإضافة إلى HBM)، وليس TDP المقدر.^٥

هذه التفصيلة الأخيرة هي التي يجب التمسك بها. الادعاء الخاص بكل وات بناءً على TDP هو مجرد ادعاء في ورقة المواصفات؛ أما الادعاء المبني على السحب المقاس تحت الحمل فهو قياس فعلي.

أي الأجهزة تتصدر، ومن قال ذلك

تغطي الموجة الأولى من نتائج AA-AgentPerf أنظمة NVIDIA و AMD التي تشغل DeepSeek V4 Pro — وهو نموذج mixture-of-experts ضخم — بدءاً من المسرعات الفردية وصولاً إلى الرفوف الكاملة: GB300-NVL72, B300 x8, MI355X x8 و H200 x8.^١ تذكر Artificial Analysis ثلاث نتائج بدلاً من ترتيب واحد: تظهر عمليات النشر على مستوى الرف مكاسب واضحة من حيث الحجم والتفكيك الجذري (disaggregation)؛ والانتقال من Hopper إلى Blackwell يمثل نقلة نوعية في كل من السعة الخام وعدد العملاء (agents) لكل ميجاوات؛ كما أن التحسينات في العالم الحقيقي أمر بالغ الأهمية، لأن الاختيارات المختلفة للنواة (kernel) وتكوينات التشغيل "غيرت النتائج بشكل كبير".^١

مدونة NVIDIA نفسها تضع رقماً لهذا الأمر. حيث تفيد بأن GB300 NVL72 يشغل ما يصل إلى ٢٠ ضعفاً من العملاء لكل ميجاوات مقارنة بنظام NVIDIA HGX H200، وهي مقارنة تقول إنها تظل قائمة عند مستويات خدمة ٢٠ و ٦٠ توكن في الثانية.^٧ وينشر المنشور التقني المرافق القيم المطلقة الأساسية: ٦١٫٤ ألف عميل متزامن لكل ميجاوات لـ GB300 NVL72 مقابل ٢٫٦ ألف لـ H200، و ٥٧٫٥ عميل متزامن لكل GPU مقابل ١٫٤.^٨ كلا المنشورين يمثلان صياغة NVIDIA لبيانات Artificial Analysis، ونُشرا في نفس اليوم، ويستحقان القراءة بهذا المنظور. تعزو NVIDIA هذا الفارق إلى التصميم المشترك على مستوى الرف — حيث يربط GB300 NVL72 عدد ٧٢ GPU في نسيج NVLink واحد — بالإضافة إلى WideEP و DeepEP اللذين ينشران تنفيذ خبراء MoE عبر الرف الكامل، و fused-MoE مع نوى MXFP4/MXFP8 التي تدمج اتصالات NVLink مع حسابات tensor-core.^٨ وتضيف مدونتها الموجهة للمستهلكين أن TensorRT LLM يفصل معالجة المدخلات عن توليد المخرجات بحيث يمكن تحسين كل منهما بشكل مستقل.^٧

اقرأ هذه القيم المطلقة بعناية، لأن عملية التوحيد (normalisation) تغير المضاعف: بالنسبة لكل ميجاوات، تبلغ الفجوة حوالي ٢٤ ضعفاً، وبالنسبة لكل GPU تبلغ حوالي ٤١ ضعفاً، بينما استقرت NVIDIA في عنوانها الرئيسي على "ما يصل إلى ٢٠ ضعفاً" الأكثر تحفظاً. هذا ليس بالضرورة تناقضاً — حيث تشير NVIDIA إلى أن جدول "لكل ميجاوات" و"لكل GPU" يعكس تكوين SLO واحداً، بينما الرسوم البيانية لـ ٢٠ ضعفاً مصنفة عند مستويات ٢٠ و ٦٠ توكن في الثانية، لذا قد تكون الأرقام ببساطة ناتجة عن نقاط تشغيل مختلفة.^٧٨ وهذا سبب يدعو لاقتباس المقياس و المستوى، وليس المضاعف وحده أبداً.

هناك أيضاً تعارض في التوثيق يستحق المعرفة إذا كنت تستشهد بأرقام المستويات. يدرج المنشور التقني لشركة NVIDIA مستويات DeepSeek V4 Pro كـ ٣٠ و١٠٠ و٣٠٠ توكن/ثانية، بينما تنشر Artificial Analysis — الجهة المالكة للمعيار — أرقام ٢٠ و٦٠ و١٨٠ في منهجيتها.^٥٨ التفسير المرجح هو وجود عدم اتساق في صفحة Artificial Analysis نفسها: فالرسم البياني نفسه الذي يدرج مستويات 20/60/180 يحتوي أيضاً على محدد تفاعلي يقدم أهداف "محسنة للسرعة / متوازنة / محسنة للسعة" بقيم ٣٠٠ و١٠٠ و٣٠ توكن/ثانية.^١ هذه هي الأرقام التي يحملها جدول NVIDIA. وفي الوقت نفسه، يشير تعليق المخطط الخاص بـ NVIDIA إلى ٢٠ و٦٠ — وهو ما يتطابق مع المنهجية. جدول المنهجية هو المرجع المعتمد وهو ما يستخدمه هذا المقال في جميع أجزائه.

هناك أمران مفقودان من هذا الإطار، وتقدم Artificial Analysis كليهما. أولاً، تم تقديم تكوينات B300 وGB300 من قبل NVIDIA، بينما تم بناء تكوينات H200 وMI355X داخلياً بواسطة Artificial Analysis — أي نتائج مضبوطة من قبل المورد مقابل نتائج مضبوطة من قبل جهة التقييم.^١ ثانياً، تقول AA ذلك صراحةً، محذرة من أن هامش التحسين "قد يكون أكبر بالنسبة لـ MI355X وH200" لهذا السبب تحديداً، وأنه مع كون تحسين النواة (kernel optimization) لـ DeepSeek V4 Pro على أنظمة AMD لا يزال في "مراحله الأولى نسبياً"، فإنها تتوقع "تحسينات كبيرة في أداء AMD على المدى القريب".^١ الفجوة التي تبلغ ٢٠ ضعفاً والتي تم قياسها في ظل هذه الظروف هي نتيجة حقيقية ومتغيرة.

ما الذي يضيفه معيار MLPerf's Agentic Inference

يُوصف معيار Agentic Inference من MLCommons، الذي نُشر في ٨ يوليو ٢٠٢٦، بكلماته الخاصة بأنه "معيار جديد متعدد الجولات لقياس أنظمة تقديم LLM تحت سياق متزايد، وسير عمل الوكلاء (agent workflows) مغلق الحلقة".^٢ يقع هذا المعيار ضمن إطار MLPerf Endpoints، ومساهمته المميزة تكمن في عبء العمل (workload)، وليس في أداة الاختبار.

بينما يركز AA-AgentPerf بالكامل على مسارات البرمجة، يجمع معيار MLPerf بين مجالين، يهدفان حسب وصف MLCommons إلى "اختبار اختناقات مختلفة في البنية التحتية": ٦١٣ مساراً متعدد الجولات — ١١٣ برمجة وكيلية بالإضافة إلى ٥٠٠ سير عمل وكيلي — تم تقييمها على Kimi K2.6 (١ تريليون بارامتر، ٣٢ مليار نشط) وQwen3.6-35B-A3B (٣٥ مليار، ٣ مليار نشط) بطول سياق يبلغ ٢٦٢٬١٤٤ توكن.^٢ هذا التقسيم في حد ذاته مفيد: فمسارات سير العمل تفوق مسارات البرمجة بأكثر من أربعة إلى واحد، لكن آثار البرمجة أكثر عمقاً بكثير.

• سير العمل الوكيلي (Agentic workflow)، مقدم من Workato. يبدأ كل مسار بمطالبة نظام مشتركة كبيرة — العديد من تعريفات الأدوات وقواعد العمل — مستمدة من "سيناريوهات دعم العملاء والتنسيق في المؤسسات"، ثم تنتهي عادةً في جولات أقل من آثار البرمجة. تدرج MLCommons الضغط الأساسي فيه كـ "مطالبة مشتركة كبيرة؛ تداخل البادئة؛ كفاءة ذاكرة التخزين المؤقت للبادئة (prefix-cache efficiency)".^٢

البرمجة الوكيلية (Agentic coding)، المستمدة من مجموعة بيانات DeepSWE من DataCurve، حيث يقوم الوكيل باستكشاف المستودع من خلال سلسلة من أوامر bash — البحث في الملفات، تشغيل الاختبارات، ملاحظة الأخطاء، التعديل والتكرار. هذه المسارات عميقة، وتصنف MLCommons الضغط الناتج عنها على أنه "مسارات عميقة؛ سياق متزايد؛ سعة KV-cache."^٢

يتم التقييم بناءً على منحنى باريتو (Pareto curve)، حيث يمثل أحد المحاور إجمالي إنتاجية الخدمة والمحور الآخر سرعة المخرجات لكل مستخدم، بحيث يتم قياس النظام، بكلمات MLCommons، على "ما إذا كانت أنظمة الخدمة يمكنها إحراز تقدم لمستخدمين حقيقيين في محادثات متعددة الأدوار مع الاستمرار في استخدام الأجهزة بكفاءة."^٢ يتم فرض الدقة من خلال تسلسل هرمي من ثلاثة مستويات — فحص طول المخرجات، فحص مباشر مقابل الحقيقة الأرضية (ground truth) أثناء تشغيل الأداء نفسه، وتقييم مستقل على ٢٠٠ مهمة من SWE-bench Verified — وذلك صراحةً لكي "يقيس المنحنى التقدم الوكيلي القابل للاستخدام بدلاً من الاستجابات الأقصر، أو الأقل جودة، أو الأسهل في الخدمة."^٢ ملخص Workato لنفس الآلية كان أكثر صراحة: فهو يمنع النظام من الفوز "عن طريق بتر الإجابات بهدوء."^٣ تقول Workato إن المسارات والتنفيذ المرجعي تم إصدارهما بموجب رخصة مفتوحة؛ بينما يضع منشور MLCommons إطاراً أضيق للوصول، حيث يدعو القراء للانضمام إلى MLCommons للحصول على التنفيذ المرجعي وتقديم النتائج.^٢٣ في كلتا الحالتين، تشغيل النظام أمر بسيط: قم بإنشاء نقطة نهاية (endpoint) متوافقة مع OpenAI على vLLM أو SGLang أو TensorRT-LLM أو ما شابه، ثم وجه عميل MLPerf Endpoints نحوها.^٢

هناك رقم واحد يجب التعامل معه بحذر: أعداد المسارات والأدوار المنشورة لا تتطابق تماماً. يذكر نص MLCommons أن ٦١٣ مساراً تحتوي على ٣٠٬٣٣٥ دوراً صادراً عن العميل، لكن جدول مجموعة البيانات الخاص بها يدرج ١٥٬٩٨١ دوراً برمجياً و ٤٬٣١٦ دور سير عمل، وهو ما يجمع إلى حوالي ٢٠٬٣٠٠.^٢ وفي الوقت نفسه، يبرز تقرير Workato 990 مساراً بدلاً من ٦١٣ — وتعرض الصفحة حالياً نسختين من تلك الفقرة، إحداهما تقول "أكثر من ٩٠٠" والأخرى تقول "٩٩٠."^٣ تفصيل MLCommons لـ ٦١٣ مساراً هو الرقم الذي يجب استخدامه، لأنه مفصل ومتسق حسابياً؛ أما إجمالي الأدوار فيعتبر غير مؤكد.

هناك أيضاً إعلان ثانٍ منفصل، نُشر في اليوم التالي في ٩ يوليو: دعوة لتقديم طلبات لاختبار استدلال الوكلاء على الحافة (Edge Agentic Inference) في MLPerf Inference v6.1، والذي يستهدف نماذج LLMs متعددة الأدوار التي تستدعي الأدوات على مسرع حافة واحد. يقوم بتشغيل Qwen3.6-27B كـ Q4_K_M GGUF ويقيس الدقة مقابل مجموعة تقييم Gorilla (BFCL v4، دور واحد). التقديمات مفتوحة لأعضاء MLCommons مع موعد نهائي في ٣١ يوليو ٢٠٢٦.^٦ وللسياق، فإن MLPerf Inference v6.0 — الذي صدر في ١ أبريل ٢٠٢٦، مع تحديث أو إضافة خمسة من أصل أحد عشر اختباراً لمراكز البيانات — قدم اختباراً جديداً لنماذج LLM مفتوحة الأوزان بناءً على GPT-OSS 120B واختبار استدلال موسع لـ DeepSeek-R1.^٩ عبء العمل الوكيلي متعدد الأدوار هو الإضافة التي جاء بها شهر يوليو.

مقارنة جنباً إلى جنب بين AA-AgentPerf و MLPerf Agentic Inference

الاختباران مكملان لبعضهما البعض وليسا متنافسين، وينقسم الفرق بينهما بخط واضح: AA-AgentPerf يسأل أي جهاز يجب شراؤه، بينما يسأل MLPerf أي حزمة تشغيل (serving stack) يجب استخدامها.

	AA-AgentPerf	MLPerf Agentic Inference
الناشر	Artificial Analysis	MLCommons (مساهمة Workato في أعباء عمل المؤسسات)
تاريخ النشر	١٢ يونيو ٢٠٢٦١	٨ يوليو ٢٠٢٦٢
السؤال الأساسي	كم عدد الوكلاء (agents) لكل مسرع، لكل نظام، لكل ميجاوات	مدى كفاءة صمود مكدس التشغيل (serving stack) مع زيادة السياق (context)
المقياس الرئيسي	عدد الوكلاء لكل ميجاوات عند مستوى خدمة (SLO) ثابت	منحنى باريتو: الإنتاجية الإجمالية مقابل سرعة المخرجات لكل مستخدم
نطاقات أعباء العمل	وكلاء البرمجة فقط	سير عمل وكيل + برمجة وكيل
النطاق	حتى ٢٠٠ دورة، أكثر من ١٠٠ ألف توكن؛ مجموعة ضبط مكونة من ٥٠٠ مسار / ١٨٬٩٩٧ مطالبة٥	٦١٣ مساراً (١١٣ برمجة + ٥٠٠ سير عمل)؛ سياق مكون من ٢٦٢٬١٤٤ توكن٢
النماذج المختبرة	DeepSeek V4 Pro عند الإطلاق؛ تمت إضافة gpt-oss-120b و Kimi K3 في أواخر يوليو١٥	Kimi K2.6 (1T/32B نشط)، Qwen3.6-35B-A3B (35B/3B نشط)٢
الوصول إلى مجموعة البيانات	مجموعة الاختبار سرية لمنع التحسين المستهدف٥	تم إصدار الآثار (Traces) + التنفيذ المرجعي بموجب رخصة مفتوحة، وفقاً لـ Workato٣
قياس الطاقة	نعم — تم قياس شريحة GPU و HBM تحت الحمل٥	ليست جزءاً من مجموعة المقاييس المنشورة
النتائج المتاحة	نعم — النتائج الأولى في ١٢ يونيو، وتوسعت خلال يوليو١٥	ليست متاحة حتى ٣٠ يوليو ٢٠٢٦

لاحظ عدم التماثل في الصفين الأخيرين. AA-AgentPerf هو الذي يقيس الواط، ولديه بالفعل أرقام مسجلة. أما MLPerf فلديه عبء عمل أوسع ومنشور علناً — بما في ذلك أثر عمليات المؤسسات الذي تجادل Workato بأن مجتمع الأبحاث المفتوح كان يفتقر إليه تماماً في السابق^٣ — ولكن لا توجد نتائج وكلاء بعد. بخصوص التوقيت، قدمت MLCommons إشارتين بدقة مختلفة: منشورها الخاص بـ edge في ٩ يوليو يشير إلى أن معيار الوكلاء لمراكز البيانات "قادم في سبتمبر"، بينما إصدار MLPerf Endpoints v0.7 الأحدث في ٢٨ يوليو يقول فقط إن أعباء عمل الوكلاء ستصل مع Endpoints v1.0 "في وقت لاحق من هذا العام".^٦١٠

رقم الطاقة الذي استشهد به الجميع، والرقم الذي يهم حقاً

تأتي حالة جانب الطلب لكل هذا من KAIST. حيث قام فريق بقيادة البروفيسور Minsoo Rhu، مع طالب الدكتوراه Jiin Kim كمؤلف أول، بقياس أعباء عمل الوكلاء (agents) مقابل الاستعلامات العادية ذات الدورة الواحدة، وأفادوا بأن الوكلاء يمكن أن يستهلكوا ما يصل إلى ١٣٦٫٥ ضعف الطاقة لكل استعلام مقارنة بالاستنتاج التقليدي ذو الدورة الواحدة.^٤

ثلاث ملاحظات دقيقة، لأن هذا الرقم تداول على نطاق واسع في يوليو دون أي من هذه الملاحظات.

أولاً، الورقة البحثية ليست جديدة. فقد كانت هناك نسخة أولية متاحة للعامة منذ يونيو ٢٠٢٥، وعُرض العمل في فبراير ٢٠٢٦ في مؤتمر IEEE HPCA الثاني والثلاثين في سيدني، والبيان الصحفي لـ KAIST — وهو الشيء الذي جعله ينتشر فعلياً — يعود تاريخه إلى ٤ يوليو ٢٠٢٦.^٤ البحث يسبق دورته الإخبارية بأكثر من عام.

ثانياً، رقم 136.5x هو الحد الأعلى لنطاق ضيق ومحدد، وليس خاصية عامة للوكلاء. فهو يصف تكويناً واحداً: إطار عمل الوكيل Reflexion الذي يعمل على Llama 70B، باستهلاك ٣٤٨٫٤١ واط-ساعة لكل استعلام. أما المرجع الذي تمت المقارنة به فليس روبوت دردشة تجاري، بل هو استنتاج دورة واحدة على نفس نموذج 70B، باستهلاك ٢٫٥٥ واط-ساعة. إذا استبدلنا إطار العمل ينخفض الرقم بشكل كبير — حيث سجل LATS على نفس النموذج 62.1x (١٥٨٫٤٨ واط-ساعة). وعبر التكوينات الأربعة في الورقة البحثية، يتراوح المضاعف من 62.1x إلى 136.5x.^٤١١ وكما ذكرت Forbes، فإن اقتباس 136.5x كتكلفة للذكاء الاصطناعي الوكيل "يشبه اقتباس فاتورة وقود السيارة الأكثر استهلاكاً في المعرض كأنها سعر القيادة العام".^١١

ثالثاً، الرقم الذي يصمد أمام التدقيق هو الرقم الممل: في المهام التي تعتمد بكثافة على الأدوات، ظلت وحدات GPU خاملة لـ ما يصل إلى ٥٤٫٥٪ من إجمالي وقت التنفيذ، حيث كانت تسحب الطاقة أثناء انتظار عودة أداة خارجية.^٤ لا يستشهد أي من المعيارين بهذه الورقة — حيث تعزو Artificial Analysis تصميمها إلى "عام من العمل مع مزودي الاستنتاج، وشركات مسرعات الذكاء الاصطناعي، والمطورين، ومشتري المؤسسات"^١ — لكن هذه النتيجة تصف بدقة الاقتصاديات التي تم بناء كليهما لكشفها الآن. إذا كان أكثر من نصف الوقت الفعلي للوكيل يتمثل في بقاء أغلى أجهزة في المبنى دون القيام بأي شيء، فإن ذروة التوكنات في الثانية لم تكن أبداً تقيس الشيء الذي يكلف مالاً.

أكثر أرقام KAIST انتشاراً هي الأقل أهمية. تتوقع الورقة أنه عند ١٣٫٧ مليار طلب وكيل يومياً — وهو حجم حركة مرور بحث Google الحالية — سيصل الطلب على مراكز البيانات إلى حوالي ١٩٨٫٩ جيجاوات، وهو ما يلاحظ المؤلفون أنه يمثل تقريباً نصف متوسط الحمل على الشبكة الأمريكية البالغ حوالي ٤٧٧ جيجاوات، ويتجاوز بكثير مقياس بضعة جيجاوات لمراكز بيانات الذكاء الاصطناعي التي يتم بناؤها حالياً.^٤ هذا السيناريو صريح وليس توقعاً، وهو مشروط بشدة: فهو يفترض استخدام إطار عمل Reflexion على معيار محدد، ثم يقوم بتوسيع نطاق طاقة المهمة الواحدة من عينة صغيرة لتناسب حجم بحث Google كبديل لـ "كبير جداً".^٤١١ تعامل معه كتوضيح للشكل، وليس للمقدار.

للحصول على رقم دقيق، يشير تقرير وكالة الطاقة الدولية (IEA) الصادر في أبريل ٢٠٢٦ بعنوان الأسئلة الرئيسية حول الطاقة والذكاء الاصطناعي إلى أن استهلاك الكهرباء العالمي لمراكز البيانات في طريقه للتضاعف تقريبًا من ٤٨٥ تيراواط ساعة في عام ٢٠٢٥ إلى ٩٥٠ تيراواط ساعة في عام ٢٠٣٠ في السيناريو المركزي، وهو ما يمثل حوالي ٣٪ من الطلب العالمي على الكهرباء.^١٢ هذا تحديث وليس تراجعًا — حيث تقول وكالة الطاقة الدولية إن المسار "يظل قريبًا من" المسار الوارد في تقريرها الطاقة والذكاء الاصطناعي الصادر في أبريل ٢٠٢٥، والذي توقع حوالي ٩٤٥ تيراواط ساعة بحلول عام ٢٠٣٠ بناءً على قاعدة ٤١٥ تيراواط ساعة في عام ٢٠٢٤.^١٢ وفي كلتا الحالتين، فإن التوقعات مبنية على نمو حجم الاستعلامات. وهي لا تأخذ في الاعتبار أن الاستعلام المتوسط نفسه سيصبح "أثقل" مع تحول الصناعة من مجرد الإجابة إلى التنفيذ، وهي بالضبط الفجوة التي كشف عنها عمل KAIST.

ما لا تخبرك به لوحات الصدارة

كل ادعاء مذكور أعلاه يستند إلى خيارات منهجية من المهم معرفتها قبل الاستشهاد بأي رقم في عرض تقديمي للمشتريات.

استدعاءات الأدوات (Tool calls) يتم محاكاتها ولا يتم تنفيذها. يقوم AA-AgentPerf بإدراج تأخير ثابت لكل رسالة يتم أخذ عينة منه من توزيع مدد استدعاءات الأدوات الحقيقية، مقسمة حسب الأداة التي يتم استدعاؤها — من أقل من ٠٫١ ثانية إلى ٥ ثوانٍ، بمتوسط حوالي ثانية واحدة.^٥ وتوضح NVIDIA النتيجة مباشرة: استدعاءات الأدوات "لا يتم تنفيذها ولكن يتم محاكاتها باستخدام وقت معالجة CPU تمثيلي، لذا فإن الاختلافات في النتائج تعكس أداء الحوسبة المسرعة فقط"، مع تطبيق نفس خط الأساس لـ CPU عبر كل نظام تم اختباره.^٧٨ هذا هو الخيار الصحيح لاختبار أداء الأجهزة (hardware benchmark) وهو حد حقيقي لمدى تعميم هذه الأرقام على بنيتك التحتية. أما أداء تنفيذ الأدوات الفعلي على CPU فهو مدرج في خارطة طريق Artificial Analysis، وليس في النتائج الحالية.^١

تحسينات الإنتاج مفعلة. يسمح AA-AgentPerf بإعادة استخدام KV cache، وفك التشفير التخميني (speculative decoding)، وفصل عمليات التعبئة المسبقة عن فك التشفير (disaggregated prefill/decode) — وهو خروج متعمد عن الاختبارات التي تعطل هذه الميزات — مع التحقق من الدقة لمنع أي تحسين من زيادة السعة على حساب جودة المخرجات. كما يقوم بحقن بادئات (prefixes) يتم إنشاؤها ديناميكيًا في كل مرحلة خصيصًا لكسر تخزين البادئات مؤقتًا بين المراحل، بحيث لا يؤدي إعادة الاستخدام عبر المراحل إلى تضخيم النتيجة.^١٥

تكوين التشغيل (Serving configuration) جزء من النتيجة. التكوينات ليست مجرد تفاصيل ثانوية. عند الإطلاق، عملت نتائج GB300 بتوبولوجيا فصل التعبئة المسبقة عن فك التشفير، واستخدم H200 فك التشفير التخميني EAGLE، بينما عمل MI355X بذاكرة تخزين مؤقت من نوع radix دون أي فك تشفير تخميني على الإطلاق.^١ كما لا يوجد تكوين واحد لكل جهاز: يتضمن متصفح التكوينات في Artificial Analysis عدة تكوينات لكل نظام، بما في ذلك إعدادات متعددة لـ GB300 NVL72 بالتوازي الخبير (expert-parallel) تختلف في عدد وحدات GPU المستخدمة من الـ ٧٢ الموجودة في الرف، وكل إدخال مؤرخ بشكل فردي.^٥ مقارنة الأرقام الرئيسية تعني مقارنة تلك التكوينات أيضًا — وتشير AA إلى أن تكوينات التشغيل لـ DeepSeek V4 Pro قد تحسنت "بشكل شبه يومي"، وهذا بالضبط سبب أهمية التواريخ لكل إدخال في المتصفح.^١

الموردون يلقون نظرة أولاً. تنص منهجية AA على أن "المزودين قد يراجعون نتائجهم للتأكد من دقتها الواقعية قبل النشر".^٥ وبالاقتران مع الإعدادات المقدمة من الموردين، فإن هذه عملية معقولة لاختبار قياسي يعتمد على تعاون الموردين، وهو إفصاح يجب على القراء وضعه في الاعتبار بجانب التصنيف.

لوحة الصدارة تتغير باستمرار. يُعد AA-AgentPerf اختباراً قياسياً حياً بنشر دوري، وقد تجاوز بالفعل مقال إطلاقه. نتائج ١٢ June غطت DeepSeek V4 Pro وحده، مع إدراج gpt-oss-120b كـ "قادم قريباً"؛ وبحلول أواخر يوليو، أضافت اللوحة إعدادات gpt-oss-120b ونموذجاً ثالثاً، Kimi K3 — الذي تم إطلاقه في منتصف يوليو وتم تقييمه بناءً على إعداد full-Pareto جديد غير SLO، والذي تصفه Artificial Analysis بأنه تجريبي.^١٥ أي شيء تقتبسه من هذا الاختبار القياسي يحتاج إلى تاريخ مرتبط به. وتصيغ Artificial Analysis العملية برمتها بنفس الطريقة: "لقطة سريعة لحدود تقنية متغيرة بسرعة".^١

تتبع المؤسسات في MLPerf اصطناعي. تذكر MLCommons بوضوح عن نطاق سير العمل أن "البيانات هي تتبعات اصطناعية نمذجة على خبرة الإنتاج في Workato في تنسيق وكلاء دعم العملاء لعملاء المؤسسات".^٢ أما نطاق البرمجة فيتم الحصول عليه بشكل مختلف، من مجموعة بيانات DeepSWE الخاصة بـ DataCurve، وتصف MLCommons عبء العمل بشكل عام بأنه يستخدم "تتبعات حقيقية مجمعة" — وهو وصف يبدو متناقضاً مع جملة سير العمل الاصطناعي في نفس المنشور، لذا تعامل مع مصدر البيانات على أنه خاص بكل نطاق وليس موحداً.^٢ وفي كلتا الحالتين، كان اختيار الاصطناعي متعمداً، وهو ما جعل نشر عبء عمل المؤسسات ممكناً من الأساس: كما تقول Workato، فإن المكون النادر كان سير عمل تمثيلي، وليس حركة مرور حقيقية — "يمكن محاكاة حركة المرور، ولكن سير العمل الواقعي يجب أن يأتي من مكان يقوم فعلياً بتشغيل وكلاء المؤسسات"، مع "عدم خروج أي بيانات خاصة من المبنى أبداً".^٣ هذه هي المقايضة الصحيحة لاختبار قياسي مفتوح، وهذا يعني أن نطاق سير العمل يعيد إنتاج شكل حمل وكيل المؤسسة — البادئة المشتركة العملاقة، وعدد الأدوار الضحل — بدلاً من مزيج حركة المرور لأي مؤسسة حقيقية.

عتبات الدقة في MLPerf ليست نهائية. جدول قيم الدقة الذي يحدد كل نقطة على منحنى Pareto مُسمى، في التعليق الخاص بـ MLCommons، "قيم دقة مؤقتة، عرضة للتغيير".^٢ أي مقارنة بين الأنظمة تُنشر قبل استقرار هذه القيم هي مقارنة مؤقتة.

ادعاءات "الأول"، ومن الذي يدعيها فعلياً

راقب صيغ التفضيل هنا، لأن ثلاث مؤسسات ادعت أنها الأولى وكل منها وضع قيداً مختلفاً — بينما الرابعة، ومن الملاحظ، لم تدعِ شيئاً على الإطلاق.

تقول Artificial Analysis إن AA-AgentPerf هو "أول معيار قياس استنتاج (inference) وكيل" — مخصص لعمليات التشغيل.^١ وتدعي Workato أنه "أول معيار قياس وكلاء MLPerf يقيس أداء البنية التحتية بناءً على تعقيد عمليات الأعمال المؤسسية الحقيقية" — وهو ادعاء محدد بنطاقين.^٣ بينما تصف KAIST أول تحليل كمي لتكلفة حوسبة الوكلاء.^٤ وهذه الادعاءات تظل صحيحة ضمن المؤهلات المذكورة.

من الجدير بالذكر أن: وصف MLPerf بـ "الأول" هو ادعاء Workato، وليس MLCommons'. فكلمة "أول" لا تظهر في أي مكان في منشور MLCommons الخاص بالمعيار، والذي يصف الاستنتاج الوكيلي فقط بأنه "أحد أسرع الطرق نموًا في استخدام النماذج اللغوية الكبيرة في بيئات الإنتاج".^٢ كانت هيئة المعايير هي الطرف الأكثر حذرًا هنا؛ بينما قدم الشريك التجاري صيغة التفضيل.

أما ادعاء NVIDIA فهو الأكثر فضفاضية: "أول معيار قياس للذكاء الاصطناعي الوكيلي في الصناعة".^٧ إذا حذفنا كلمة استنتاج، فإن الادعاء يتوقف عن الصمود أمام الأدبيات التقنية — فمعايير قياس قدرات الوكلاء تسبقه بسنوات، ومن بينها AgentBoard الذي نُشر في يناير ٢٠٢٤.^١٣ المنشور التقني الخاص بـ NVIDIA أكثر حذرًا، حيث يصف AA-AgentPerf بأنه "أول معايير قياس مفتوحة متعددة الموردين في الصناعة لتحليل المسارات التي تمثل مهام برمجة وكلاء الذكاء الاصطناعي في العالم الحقيقي" — وهي مجموعة من المؤهلات التي تصمد أمام التدقيق، على عكس نسخة مدونة المستهلك.^٨ الجدة في عام ٢٠٢٦ تكمن في قياس البنية التحتية التي تعمل تحت الوكلاء، وليس قياس الوكلاء أنفسهم.

ما الذي يغيره هذا إذا كنت تشتري حوسبة للوكلاء

الترجمة العملية لهذا الأمر محدودة. إذا كانت خارطة طريقك لعام ٢٠٢٦ تعتمد على الوكلاء وكانت ميزانية الحوسبة لديك مسعرة بناءً على استنتاج أحادي الجولة (single-turn inference)، فإن الوحدة المستخدمة خاطئة حتى قبل بدء الحسابات.

تتبع ذلك ثلاثة أسئلة مباشرة من المعيارين ونتيجة KAIST:

1. اطلب السعة على مستوى الخدمة، وليس ذروة الإنتاجية. سؤال "كم عدد الوكلاء المتزامنين بسرعة ٦٠ توكن في الثانية و P95 TTFT قدره ٥ ثوانٍ" هو سؤال يمكن الإجابة عليه ومقارنته. أما "التوكنز في الثانية" فليس كذلك، لأن التزامن يمكن رفعه دائمًا حتى يبدأ كل وكيل في التباطؤ الشديد.
2. اسأل عن حصة الأجهزة الخاملة من تكلفة المهمة. نتيجة الخمول بنسبة ٥٤٫٥٪ تجعل هذا الأمر ملموسًا، وهو أمر خاص بضغط العمل — زمن استجابة أداتك أنت، وليس المتوسط المحاكى في معيار القياس.
3. اسأل عن التكوين (configuration) الذي أنتج هذا الرقم، وما إذا كان المورد أو طرف محايد هو من قام بضبطه. ينشر AA-AgentPerf هذا لكل نتيجة؛ بينما لا تفعل معظم العروض التقديمية للموردين ذلك.

نمط البادئة (prefix pattern) الذي تستخدمه يحدد أيضًا أي معيار قياس يجب أن تقرأه. إذا كان وكلاؤك هم وكلاء برمجة بسياق عميق ومتزايد، فإن مسارات AA-AgentPerf تشبه ضغط العمل لديك. أما إذا كانوا وكلاء سير عمل مؤسسي يبدأون بـ prompt ضخم مشترك للأدوات والسياسات وينتهون في بضع جولات، فإن نطاق المؤسسات في MLPerf هو التشبيه الأقرب — وهنا يكون إعادة استخدام البادئة (prefix reuse)، وليس سرعة فك التشفير (decode speed)، هو عنق الزجاجة لديك.

هذا هو المكمل من جانب البنية التحتية لمشكلة التكلفة التي تناولناها من جانب التطبيق: كما لاحظنا في تكاليف توكنات وكلاء الذكاء الاصطناعي في ٢٠٢٦، فإن التوكنات الرخيصة لا تعني مهام رخيصة، لأن الوكيل يعيد إرسال سياقه المتزايد في كل استدعاء. وتقيس المعايير المرجعية الآن الظاهرة نفسها ولكن في طبقة أدنى، بالوات والجلسات المتزامنة بدلاً من الدولارات لكل مليون توكن. وهذا النمو في السياق هو السبب في أن تدهور عدد الأدوات يحدث مبكراً جداً، وهو عبء العمل الذي يتم بناء بيئات تشغيل الوكلاء المدارة (managed agent runtimes) من السحب الحوسبية الكبرى لاستيعابه.

الخلاصة

قام ناشران لمعايير القياس (benchmarks) بابتكار وحدة قياس جديدة خلال أربعة أسابيع، وقد فعلا ذلك لنفس السبب: وهو أن عبء العمل لم يعد مجرد "أمر" (prompt) بل أصبح "مساراً" (trajectory). إن سؤال "عدد الوكلاء لكل ميجاوات" هو سؤال أفضل من "عدد التوكنز (tokens) في الثانية"، و AA-AgentPerf لديه نتائج حقيقية تدعمه — طاقة مقاسة، وتكوينات معلنة، ومجموعة اختبار مستقلة. أما معيار MLPerf فيقدم عبء العمل الذي تجادل Workato بأنه كان مفقوداً تماماً، وهو تتبع مفتوح لعمليات المؤسسات، وسيكون هذا أكثر قيمة من AA-AgentPerf لأي شخص يختار حزمة تشغيل (serving stack) بدلاً من مجرد شريحة إلكترونية.

كلا المعيارين لم يكتمل بعد. أحدهما لديه نتائج ولكن في نطاق ضيق وتكوينات مضبوطة من قبل الموردين في الجانب الفائز؛ والآخر لديه عبء عمل أفضل، وعتبات دقة مؤقتة، ولا توجد نتائج بعد. الملخص الصادق اعتباراً من ٣٠ يوليو ٢٠٢٦ هو أن الصناعة تتفق الآن على السؤال الصحيح ولا تزال في طور تجميع الإجابة. إذا كنت تشتري قدرات حوسبة للوكلاء في هذه الأثناء، فإن الخطوة المفيدة ليست اختيار قائمة متصدرين (leaderboard)، بل التوقف عن قبول رقم "لكل استعلام" لعبء عمل لم يعد ينفذ استعلاماً واحداً.

---