لا تنسوا أهلنا من صالح الدعاء,اللهم إنّا استودعناك اياهم، اللهم كُن عوناً لهم، اللهم انصرهم واحفظهم. 🇵🇸 🇸🇩
أهلًا وسهلًا بكم في ثالث عدد مميز من سلسلة Engineering Radar من النشرة الأسبوعية لاقرأ-تِك 🚀
سواء كنت مهندس برمجيات مبتدئ أو محترف، فنشرتنا هتساعدك على مواكبة أحدث تطورات عالم البرمجة بمواضيع جديدة كل أسبوع، هتلاقى كمان محتوى عملي بيشمل أفضل الممارسات، ونصائح مفيدة، وترشيحات لمقالات مختارة من اقرأ-تِك.
أخبار الـ AI اتراكمت علينا لأن شهر أغسطس وسبتمبر كان فيه الكثير من المفاجأت فقولنا نرجعلكم بعدد ثالث من Engineering Radar وفيه أهم الأخبار ونشوف ازاي نستفيد منها كمبرمجين, فيلا بينا!
🌟 مواضيع النشرة لهذا الأسبوع 🌟
The Powerful Stealth AI Model Ox Alpha
Anthropic Launches Claude Fable 5.1
OpenAI Launches GPT-6 Astra
The Powerful Stealth AI Model ‘Ox Alpha’
تخيل تستخدم موديل AI على مشروعك، وتكتشف بعد أسبوع إنك كنت بتختبره لصالح شركة من أكبر شركات الـAI أصلًا، من غير ما تعرف.
ده تقريبًا اللي حصل مع Ox Alpha.
في 20 أغسطس ظهر موديل جديد على OpenRouter وOpenCode باسم Ox Alpha، من غير أي إعلان رسمي عن الشركة اللي وراه. الموديل جذب انتباه المطورين بسرعة بسبب أدائه والمواصفات اللي قدمها: نافذة سياق تصل إلى مليون Token، قدرات قوية في الـreasoning والـcoding، دعم للـmultimodal input، وإتاحة شبه مجانية للاستخدام.
طبيعي جدًا إن مجتمع الـAI يبدأ يحاول يعرف: مين ورا Ox Alpha؟
ومع الاستخدام بدأت تظهر بصمات تقنية مثيرة للاهتمام. الـtokenizer كان مطابقًا لـGLM 5.3، والـvideo encoder تصرف بنفس طريقة GLM5V، وحتى بعض أكواد الأخطاء التي ترجعها الـAPI كانت تشير إلى نفس البنية التحتية الخاصة بـZ.ai. وقتها بدأت فرضية أن Z.ai هي الشركة وراء Ox Alpha لكن لم يكن هناك تأكيد رسمي.
وفي 26 أغسطس أعلنت Z.ai الحقيقة: Ox Alpha كان في الأساس GLM 5.3 Flash يتم اختباره بشكل stealth قبل إطلاقه رسميًا.
والجزء المثير هنا أن التجربة لم تكن مجرد beta صغيرة؛ Ox Alpha خدم أكثر من 44 تريليون Token لأكثر من 500 ألف مستخدم، عبر أكثر من 13 مليون session، ووصل في إحدى المراحل إلى أكثر من 10% من إجمالي استخدام OpenCode.
بمعنى آخر، Z.ai كانت بتجمع feedback من استخدام حقيقي وعلى نطاق ضخم، بينما معظم المستخدمين لا يعرفون أصلًا من يقف وراء الموديل.
وهي دي فكرة ال Stealth Models بشكل عام ال AI Lab ينزل النموذج الجديد اللي حابب يختبره بشكل مجهول و بتكلفة استخدام رخيصة جدًا أو مجانية بحيث يجمع بيانات ويدرب الموديل علي نطاق واسع من المستخدمين ويشوف رد فعل الناس عليه من غير تحيز، كانت النتائج جيدة بيتم الإعلان عنه رسميًا ودا اللي حصل في حالة OX Alpha و لو الأداء كان ضعيف ال Lab بيسحب النموذج من غير أضرار على سمعته.
طيب، إيه اللي يميز GLM 5.3 Flash؟
الموديل مبني كـ Mixture-of-Experts، بإجمالي 320 مليار Parameter، لكن 18 مليار فقط بتكون active لكل Token. وهو ما يساعد على تقليل تكلفة الـinference مقارنةً بما قد تتوقعه من موديل بهذا الحجم.
كما يستخدم Hybrid Attention يجمع بين Sparse وLinear Attention للتعامل بكفاءة أكبر مع الـlong context، وتم تدريبه على حوالي 30 تريليون Token متعدد الوسائط، مع إمكانية التحكم في مستوى الـreasoning بين low وhigh وmax.
ما يهم المبرمجين
أهم نقطة بالنسبة لينا مش أرقام الـbenchmarks نفسها زي ما وضحنا قبل كدا إن الأرقام لا يعتمد عليها بشكل كبير، وإنما نوع المهام التي تم تصميم الموديل من أجلها.
GLM 5.3 Flash موجه بقوة نحو الـcoding والـagentic workflows؛ وبشكل أكبر من كتابة function صغيرة ،ولكن إنك تعطيه repository كبيرة ومهمة متعددة الخطوات وتجعله يقرأ الكود، يفهم الـarchitecture، يستخدم الـtools، يشغل tests، ويستمر في العمل عبر context طويل.
وثاني أهم حاجة لأنه open-weight بترخيص MIT، وبالتالي تستطيع استخدام الأوزان وتعديلها وFine-tune الموديل وتشغيله على infrastructure خاصة بك، بدل أن تكون مقيدًا بالكامل بـAPI مغلقة.
وثالث أهم حاجة إنك حتي لو هتستخدم ال API فهو رخيص جدًا مقارنة بأسعار ناس كدا🤷♀️
ومن هنا أعتقد أن Ox Alpha يستحق اهتمامنا فعلًا ونشوف هل يقدر يضيف قيمة في شغلنا اليومي ولا لأ.. ممكن استخدامه كـcoding agent، أو كـbackend لمهام تحتاج إلى context ضخم، أو داخل بيئة خاصة عندما تكون خصوصية الكود والبيانات مهمة.
Anthropic Launches Claude Fable 5.1
Anthropic أطلقت Claude Fable 5.1، موديل جديد أقوى من اللي قبله و أنتو عارفين بقية القصة؛ مش هنعيد كل كلام التسويق بتاعهم إنهم بيحاولو يغيروا الطريقة اللي بنستخدم بيها الـAI في البرمجة من “مساعد يكتب كود” إلى Agent قادر ياخد مهمة كبيرة ويشتغل عليها لساعات من غير ما يحتاج متابعة مستمرة لأنه بالفعل دا ال Main Stream خلاص هنتكلم بس في أهم نقطتين
Anthropic بتصف Fable 5.1 بأنه أقوى موديل لديها حاليًا للـcoding والـknowledge work، وهو نفس الـunderlying model الموجود في Claude Mythos 5.1، لكن مع safeguards مختلفة. Mythos مخصص حاليًا لجهات مختارة تعمل في cybersecurity وlife sciences، بينما Fable 5.1 هو النسخة المتاحة بشكل عام.
بالنسبة لنا كمبرمجين أهم نقطة هي : إيه اللي Fable 5.1 بيعمله بشكل مختلف عن Opus 5 اللي إحنا متعودين عليه؟
الفرق الأساسي مش إن Fable “بيفهم الكود أحسن شوية”، وإنما في القدرة على تنفيذ مهام طويلة ومعقدة end-to-end. Anthropic صممت Fable 5.1 بحيث يقدر يتعامل مع مشروع يمتد عبر codebase كاملة، يعمل planning، يستخدم الأدوات، يكتب ويشغل tests، يراجع شغله، ويكمل من النقطة اللي وقف عندها بدل ما يتوه مع طول المهمة، وده ظاهر في نتائج ال BenchMarking بفروقات مش جذرية أوي ولكن لصالح Fable 5.1.
وده يقودنا للنقطة اللي أعتقد إنها أهم ميزة فعلية للمبرمج: Fable 5.1 أفضل عندما تكون المشكلة نفسها غير واضحة، وليس فقط عندما يكون المطلوب تنفيذ solution معروف. هو أكثر قدرة على اكتشاف root cause، والتحقق من النتائج، وإعادة ترتيب خطواته عندما يكتشف أن افتراضًا سابقًا كان خطأ.
وودا ظهر في تجارب الشركات، Datadog قالت إنه نجح في تشخيص أعقد production incidents لديهم، وPlaid اختبرته على تغيير امتد عبر أكثر من 8 services وثلاثة codebases، وتمكن من تتبع الـworkflow كاملًا من الـservice call حتى الـfunctions والـdatabase rows.
طيب وال Pricing ؟
سعر Fable 5.1 هو $10 لكل مليون input tokens و$50 لكل مليون output tokens، وهو نفس سعر Fable 5. الجديد والمهم هو أن cache reads أصبحت $0.25 لكل مليون Token، أي أقل بـ75%. بس من هذا التغيير
Anthropic بتقدر أن التكلفة الإجمالية تنخفض بحوالي 25% في الاستخدامات العادية، وقد تصل إلى حوالي 45% في الـhighly-agentic workloads التي تعيد استخدام كميات كبيرة من الـcontext..
الخلاصة
Opus 5 لا يزال موديل قوي جدًا ومصمم للاستخدام اليومي ومعظم الناس بتميل لاستخدامه، بينما Fable 5.1 موجه أكثر للمهام اللي تستفيد من frontier-level intelligence + long-running autonomy.
بالتالي، لو أنت بتستخدم Claude كـdaily coding assistant عشان تعمل refactoring صغير، تكتب function، تصلح bug واضح، أو تسأل عن implementation، مش لازم كل حاجة تتحول إلى Fable.
لكن لو المهمة على مشروع كبير من نوع : “افهم الـarchitecture دي، دور على سبب المشكلة، عدّل عدة أجزاء في المشروع، اكتب tests، شغّلها، راجع النتائج، وكمل لحد ما توصل لحل production-ready”، فهنا Fable 5.1 هو النوع من الـupgrade اللي ممكن يفرق فعلًا.
🚀 OpenAI Launches GPT-6 Astra
OpenAI أعلنت عن GPT-6 Astra باعتباره أحسن موديلاتها أداءًا، مع تركيز واضح على software engineering، computer use، browsing، cybersecurity، والـprofessional work.
والأرقام التي أعلنتها الشركة ملفتة جدًا: Astra حقق 98% في FrontierMath Tier 4، و99.9% في ARC-AGI-3، و100% في ExploitBench، كما أصبح أقوى بكثير في التعامل مع الكمبيوتر والمتصفح، وهي قدرات مهمة لأن الموديل لم يعد يعمل فقط داخل نافذة chat، وإنما يستطيع تنفيذ سلسلة من الأفعال داخل بيئة عمل حقيقية.
وأهم حاجة شوفناها في الإعلان إن فيه تغييرات واضحة في طريقة شغل الـcoding agents نفسها اتغيرت.
أهم المميزات:
أقوى في الـagentic coding، مش بس code generation. OpenAI بتقول إن Astra بيحتاج iterations أقل عشان يوصل لكود قريب من production quality، وبيتحسن بشكل ملحوظ مع زيادة الـeffort لأنه يعمل verification أكتر، browser testing أكتر، ويميل لتشغيل الكود فعليًا بدل مجرد تعديل files بشكل مباشر. ده معناه إن القيمة الأكبر هتظهر في مهام زي feature كاملة، debugging طويل، refactoring، migrations، واختبارات E2E، مش في autocomplete أو snippet صغير.
أقوى في computer use والـbrowser workflows. الموديل يقدر يبني موقع، يشغله، يتفاعل مع الـUI، ويعمل frontend QA بشكل أكثر استقلالية. OpenAI بتقول إن الأداء على OSWorld 2.0 وصل إلى 72.6% مقابل 65.7% لـGPT-5.6 Sol، وبوقت أقل بحوالي 47% في المحاكاة المذكورة. وده مهم لأن الـcoding agent الحديث لم يعد بس يكتب code؛ هو بيحتاج يفتح التطبيق ويختبره زي المستخدم.
أحسن في التعامل مع التعليمات المتغيرة. من مشاكل الـagents الحالية إنك لو عدلت requirement في نص المهمة، أحيانًا الموديل ينسى الهدف الأساسي أو يتعامل مع التعديل كأنه task جديدة. Astra متدرب بشكل أفضل على الحفاظ على الهدف الأصلي، دمج requirement جديد، والإجابة على side questions من غير ما يضيع السياق العام. دي نقطة مهمة جدًا في الشغل الحقيقي لأن الـrequirements نادرًا ما تفضل ثابتة.
أكثر تحفظًا في حدود الصلاحيات. OpenAI بتقول إنها اختبرت موقف يكون فيه الهدف صعب أو مستحيل، وشافت هل الموديل يتجاوز الـauthorized scope عشان ينجز المهمة. في eval مذكور بالإعلان، GPT-5.6 Sol تجاوز النطاق المسموح في 48% من الحالات بدون production safeguards، بينما Astra سجل 0%. ده مهم للـagents اللي عندها shell، browser، GitHub، cloud access، أو deployment permissions
إدارة الـcontext الطويلة اتغيرت بشكل مهم. بدل الاعتماد فقط على compaction اللي بيلخص المحادثة لما الـcontext يخلص، Codex مع Astra يقدر يحتفظ بـnotes عبر نوافذ context مختلفة، وكمان يعمل search في الـcontext القديم نفسه عشان يرجع requirement أو test result أو tool output قديم. دي نقطة مهمة جدًا في الـlarge refactors والـdebugging sessions الطويلة لأن الـagent أقل عرضة إنه “ينسى” ليه حل سابق فشل.
طيب وال Pricing ؟
سعر Astra في الـOpenAI API هو $10 لكل مليون input tokens و$50 لكل مليون output tokens، مع cached input بسعر $1 لكل مليون token. وإذا تجاوز الـinput في الطلب 272K Token، تتضاعف تكلفة الـinput والـcache وتزيد تكلفة الـoutput إلى 1.5×، لذلك استخدامه مع context ضخم يحتاج إلى حساب التكلفة بتركيز.
فلازال مكلف زي Fable و الاستخدامات يفضل تكون محسوبة من جهتك كمبرمج.
معظمنا بيعتمد منذ فترة علي Claude و Opus بالتحديد ولكن من فترة قريبة ابتدينا نشوف تحول نحول Codex وأظن هذا التحول ممكن يزيد مع وجود Astra حاليًا. والسبب أن أكبر تطور في Astra مش أنه يكتب كودًا أفضل منك أو حتى أفضل من Opus، وإنما أنه بيخلي المهمة التي تقدر تفوضها للـAI أكبر وتطلع بجودة كبيرة؛ مع تدخلك أنت للتوجيه والمراجعة والقرارات المهمة في أوقات أقل.
بفضل الله أصبح متاح حالياَ دعمنا من خلال الرعاة والشراكات وفعلنا الـ Sponsorship, بنرحب بجميع الشراكات مع المؤسسات والشركات وأصحاب الأعمال لبناء مجتمع عربي يشجع على القراءة والتعلم ومشاركة التجارب والخبرات العملية في هندسة البرمجيات.
دورك كشريك أو راعي هيكون محوري في دعم المحتوى وتوسيع نطاق تأثيره. فانضم لرحلتنا وكن جزءًا من صناعة مستقبل التكنولوجيا في المنطقة 🚀
تقدروا تشوفوا التفاصيل كاملة من هنا والـ Analytics بتاعتنا من خلال اقرأ-تِك والنشرة الأسبوعية 👇
رؤيتنا هي إثراء المحتوى التقني العربي وجعل التعلم من خلال القراءة أمتع، وذلك من خلال إثراء المحتوى التقني باللغة العربية وتشجيع المبرمجين على القراءة بلغتهم الأم والتفكير أيضًا بها.
لذلك اتحنا الفرصة أمام الجميع للمساهمة ومساعدتنا في نشر واثراء المحتوى التقني باللغة العربية, من خلال كتابة المقالات التقنية في مختلف مجالات هندسة البرمجيات.
وجب التنويه أنه لن يتم نشر كافة الأعمال التي تصل إلينا، وإنما سيتم الانتقاء منها ما يحقق هدفنا بإثراء المحتوى التقني العربي، ولذلك قد تُطلب بعض التعديلات من الكاتب قبل النشر.
لمعرفة المزيد بخصوص :
💬 المعايير العامة لكتابة ونشر المقالات
⚡️ كيفية الإرسال
🔥 التزامات اقرأ-تِك تجاه الكتاب
يمكنكم قراءة كافة التفاصيل من هنا 👇
