الانتقال إلى المحتوى الرئيسي

​
تكافؤ السلوك الوكيلي لـ GPT-5.4 / Codex في OpenClaw

كان OpenClaw يعمل بالفعل بشكل جيد مع النماذج الرائدة التي تستخدم الأدوات، لكن نماذج GPT-5.4 والنماذج على نمط Codex كانت لا تزال دون المستوى في بعض الجوانب العملية:
  • يمكنها التوقف بعد التخطيط بدلًا من تنفيذ العمل
  • يمكنها استخدام مخططات أدوات OpenAI/Codex الصارمة بشكل غير صحيح
  • يمكنها طلب /elevated full حتى عندما يكون الوصول الكامل مستحيلًا
  • يمكنها فقدان حالة المهام طويلة التشغيل أثناء إعادة التشغيل أو Compaction
  • كانت ادعاءات التكافؤ مع Claude Opus 4.6 تستند إلى روايات متفرقة بدلًا من سيناريوهات قابلة للتكرار
يعالج برنامج التكافؤ هذا هذه الفجوات في أربع شرائح قابلة للمراجعة.

​
ما الذي تغيّر

​
PR A: تنفيذ strict-agentic

تضيف هذه الشريحة عقد تنفيذ strict-agentic اختياريًا لتشغيلات Pi GPT-5 المضمنة. عند تفعيله، يتوقف OpenClaw عن قبول الأدوار التي تكتفي بالخطة على أنها إكمال “جيد بما يكفي”. فإذا اكتفى النموذج بقول ما ينوي فعله ولم يستخدم الأدوات فعليًا أو يحرز تقدمًا، يعيد OpenClaw المحاولة مع توجيه ينص على “نفّذ الآن”، ثم يفشل بشكل مغلق مع حالة حظر صريحة بدلًا من إنهاء المهمة بصمت. ويحسن هذا تجربة GPT-5.4 أكثر ما يكون في:
  • متابعات قصيرة من نوع “حسنًا افعلها”
  • مهام البرمجة التي تكون فيها الخطوة الأولى واضحة
  • التدفقات التي يجب أن تكون فيها update_plan لتتبع التقدم بدلًا من نص حشو

​
PR B: الصدق وقت التشغيل

تجعل هذه الشريحة OpenClaw يقول الحقيقة بشأن أمرين:
  • لماذا فشل استدعاء provider/وقت التشغيل
  • وما إذا كان /elevated full متاحًا فعليًا
وهذا يعني أن GPT-5.4 يحصل على إشارات أفضل من وقت التشغيل بشأن نقص النطاق، وفشل تحديث المصادقة، وأخطاء مصادقة HTML 403، ومشكلات الوكيل، وأخطاء DNS أو انتهاء المهلة، وأوضاع الوصول الكامل المحظورة. ويصبح احتمال أن يختلق النموذج علاجًا خاطئًا أو يستمر في طلب وضع أذونات لا يمكن لوقت التشغيل توفيره أقل.

​
PR C: صحة التنفيذ

تحسن هذه الشريحة نوعين من الصحة:
  • توافق مخطط الأدوات OpenAI/Codex المملوك للـ provider
  • وإظهار قابلية الملاحظة لإعادة التشغيل واستمرارية المهام الطويلة
يقلل عمل توافق الأدوات من احتكاك المخطط عند تسجيل أدوات OpenAI/Codex الصارمة، خصوصًا حول الأدوات من دون معلمات وتوقعات الجذر الصارمة للكائنات. أما عمل إعادة التشغيل/الاستمرارية فيجعل المهام طويلة التشغيل أكثر قابلية للملاحظة، بحيث تصبح الحالات المتوقفة مؤقتًا، والمحظورة، والمتروكة مرئية بدلًا من أن تختفي داخل نص فشل عام.

​
PR D: حزمة التكافؤ

تضيف هذه الشريحة أول حزمة تكافؤ من qa-lab بحيث يمكن تمرين GPT-5.4 وOpus 4.6 عبر السيناريوهات نفسها ومقارنتهما باستخدام أدلة مشتركة. حزمة التكافؤ هي طبقة الإثبات. وهي لا تغيّر سلوك وقت التشغيل بحد ذاتها. بعد أن يصبح لديك ملفا qa-suite-summary.json، أنشئ مقارنة بوابة الإصدار باستخدام: 
pnpm openclaw qa parity-report \
  --repo-root . \
  --candidate-summary .artifacts/qa-e2e/gpt54/qa-suite-summary.json \
  --baseline-summary .artifacts/qa-e2e/opus46/qa-suite-summary.json \
  --output-dir .artifacts/qa-e2e/parity
يكتب هذا الأمر:
  • تقرير Markdown قابلًا للقراءة البشرية
  • وقرارًا بصيغة JSON قابلة للقراءة آليًا
  • ونتيجة بوابة pass / fail صريحة

​
لماذا يحسن هذا GPT-5.4 عمليًا

قبل هذا العمل، كان GPT-5.4 على OpenClaw قد يبدو أقل سلوكًا وكيليًا من Opus في جلسات البرمجة الفعلية لأن وقت التشغيل كان يتسامح مع سلوكيات تضر بنماذج نمط GPT-5 بشكل خاص:
  • أدوار تقتصر على التعليق
  • احتكاك مخطط الأدوات
  • تغذية راجعة غامضة حول الأذونات
  • تعطل صامت في إعادة التشغيل أو Compaction
الهدف ليس جعل GPT-5.4 يقلّد Opus. بل الهدف هو منح GPT-5.4 عقد وقت تشغيل يكافئ التقدم الحقيقي، ويوفر دلالات أنظف للأدوات والأذونات، ويحوّل أوضاع الفشل إلى حالات صريحة قابلة للقراءة آليًا وبشريًا. وهذا يغيّر تجربة المستخدم من:
  • “كان لدى النموذج خطة جيدة لكنه توقف”
إلى:
  • “إما أن النموذج نفّذ، أو أن OpenClaw أظهر السبب الدقيق لعدم قدرته على التنفيذ”

​
قبل هذا البرنامج وبعده لمستخدمي GPT-5.4

قبل هذا البرنامجبعد PR A-D
كان بإمكان GPT-5.4 التوقف بعد خطة معقولة من دون اتخاذ خطوة الأداة التاليةPR A يحوّل “الخطة فقط” إلى “نفّذ الآن أو أظهر حالة حظر”
كانت مخططات الأدوات الصارمة قد ترفض الأدوات الخالية من المعلمات أو الأدوات ذات الشكل OpenAI/Codex بطرق مربكةPR C يجعل تسجيل الأدوات واستدعاءها من النوع المملوك للـ provider أكثر قابلية للتنبؤ
كانت توجيهات /elevated full قد تكون غامضة أو خاطئة في أوقات التشغيل المحظورةPR B يمنح GPT-5.4 والمستخدم تلميحات صادقة عن وقت التشغيل والأذونات
كانت إخفاقات إعادة التشغيل أو Compaction قد توحي بأن المهمة اختفت بصمتPR C يُظهر بوضوح نتائج التوقف المؤقت، والحظر، والهجر، وعدم صلاحية إعادة التشغيل
كانت عبارة “GPT-5.4 أسوأ من Opus” في الغالب مجرد رواياتPR D يحوّل ذلك إلى حزمة السيناريوهات نفسها، والمقاييس نفسها، وبوابة نجاح/فشل صارمة

​
البنية

​
تدفق الإصدار

​
حزمة السيناريوهات

تغطي حزمة التكافؤ للموجة الأولى حاليًا خمسة سيناريوهات:

​
approval-turn-tool-followthrough

يتحقق من أن النموذج لا يتوقف عند “سأفعل ذلك” بعد موافقة قصيرة. بل يجب أن يتخذ أول إجراء ملموس في الدور نفسه.

​
model-switch-tool-continuity

يتحقق من أن العمل الذي يستخدم الأدوات يظل مترابطًا عبر حدود تبديل النموذج/وقت التشغيل بدلًا من أن يعيد الضبط إلى تعليق أو يفقد سياق التنفيذ.

​
source-docs-discovery-report

يتحقق من أن النموذج يمكنه قراءة المصدر والوثائق، وتركيب النتائج، ومواصلة المهمة بشكل وكيلي بدلًا من إنتاج ملخص سطحي ثم التوقف مبكرًا.

​
image-understanding-attachment

يتحقق من أن المهام متعددة الأنماط التي تتضمن مرفقات تبقى قابلة للتنفيذ ولا تنهار إلى سرد غامض.

​
compaction-retry-mutating-tool

يتحقق من أن المهمة التي تتضمن كتابة تغييرية حقيقية تبقي عدم أمان إعادة التشغيل صريحًا بدلًا من أن تبدو آمنة لإعادة التشغيل بهدوء إذا خضعت العملية لـ Compaction أو إعادة محاولة أو فقدت حالة الرد تحت الضغط.

​
مصفوفة السيناريوهات

السيناريوما الذي يختبرهسلوك GPT-5.4 الجيدإشارة الفشل
approval-turn-tool-followthroughأدوار الموافقة القصيرة بعد خطةيبدأ أول إجراء أداة ملموس فورًا بدلًا من إعادة صياغة النيةمتابعة بالخطة فقط، أو من دون نشاط أداة، أو دور محظور من دون مانع حقيقي
model-switch-tool-continuityتبديل وقت التشغيل/النموذج أثناء استخدام الأدواتيحافظ على سياق المهمة ويواصل العمل بشكل مترابطيعيد الضبط إلى تعليق، أو يفقد سياق الأداة، أو يتوقف بعد التبديل
source-docs-discovery-reportقراءة المصدر + التركيب + الإجراءيعثر على المصادر، ويستخدم الأدوات، وينتج تقريرًا مفيدًا من دون تعطلملخص سطحي، أو غياب عمل الأدوات، أو توقف في دور غير مكتمل
image-understanding-attachmentعمل وكيلي مدفوع بالمرفقاتيفسر المرفق، ويربطه بالأدوات، ويواصل المهمةسرد غامض، أو تجاهل للمرفق، أو غياب إجراء تالٍ ملموس
compaction-retry-mutating-toolعمل تغييري تحت ضغط Compactionينفذ كتابة حقيقية ويبقي عدم أمان إعادة التشغيل صريحًا بعد الأثر الجانبيتحدث كتابة تغييرية لكن يتم الإيحاء بأمان إعادة التشغيل أو يكون غائبًا أو متناقضًا

​
بوابة الإصدار

لا يمكن اعتبار GPT-5.4 مكافئًا أو أفضل إلا عندما يجتاز وقت التشغيل المدمج حزمة التكافؤ وانحدارات الصدق في وقت التشغيل في الوقت نفسه. النتائج المطلوبة:
  • لا يوجد تعطل عند الخطة فقط عندما يكون إجراء الأداة التالي واضحًا
  • لا يوجد إكمال زائف من دون تنفيذ حقيقي
  • لا توجد توجيهات خاطئة لـ /elevated full
  • لا يوجد هجر صامت بسبب إعادة التشغيل أو Compaction
  • مقاييس حزمة التكافؤ لا تقل قوة عن خط الأساس المتفق عليه لـ Opus 4.6
بالنسبة إلى أداة الموجة الأولى، تقارن البوابة بين:
  • معدل الإكمال
  • معدل التوقف غير المقصود
  • معدل استدعاءات الأدوات الصالحة
  • عدد النجاحات الزائفة
يتم تقسيم دليل التكافؤ عمدًا على طبقتين:
  • يثبت PR D سلوك GPT-5.4 مقابل Opus 4.6 على السيناريوهات نفسها باستخدام QA-lab
  • وتثبت مجموعات PR B الحتمية صدق المصادقة والوكيل وDNS و/elevated full خارج الأداة

​
مصفوفة الهدف إلى الدليل

عنصر بوابة الإكمالPR المسؤولمصدر الدليلإشارة النجاح
لم يعد GPT-5.4 يتعطل بعد التخطيطPR Aapproval-turn-tool-followthrough بالإضافة إلى مجموعات وقت التشغيل في PR Aتؤدي أدوار الموافقة إلى عمل حقيقي أو حالة حظر صريحة
لم يعد GPT-5.4 يزيّف التقدم أو إكمال الأداة الزائفPR A + PR Dنتائج سيناريوهات تقرير التكافؤ وعدد النجاحات الزائفةلا توجد نتائج نجاح مشبوهة ولا إكمال يقتصر على التعليق
لم يعد GPT-5.4 يقدم توجيهًا خاطئًا لـ /elevated fullPR Bمجموعات الصدق الحتميةتبقى أسباب الحظر وتلميحات الوصول الكامل دقيقة بالنسبة لوقت التشغيل
تبقى إخفاقات إعادة التشغيل/الاستمرارية صريحةPR C + PR Dمجموعات دورة الحياة/إعادة التشغيل في PR C بالإضافة إلى compaction-retry-mutating-toolيبقي العمل التغييري عدم أمان إعادة التشغيل صريحًا بدلًا من اختفائه بصمت
يطابق GPT-5.4 أو يتفوق على Opus 4.6 في المقاييس المتفق عليهاPR Dqa-agentic-parity-report.md وqa-agentic-parity-summary.jsonتغطية السيناريوهات نفسها وعدم وجود انحدار في الإكمال أو سلوك التوقف أو الاستخدام الصحيح للأدوات

​
كيفية قراءة قرار التكافؤ

استخدم القرار الموجود في qa-agentic-parity-summary.json باعتباره القرار النهائي القابل للقراءة آليًا لحزمة التكافؤ في الموجة الأولى.
  • تعني pass أن GPT-5.4 غطى السيناريوهات نفسها التي غطاها Opus 4.6 ولم يتراجع في المقاييس التجميعية المتفق عليها.
  • تعني fail أن بوابة صارمة واحدة على الأقل قد تعثرت: إكمال أضعف، أو توقفات غير مقصودة أسوأ، أو استخدام أضعف صالح للأدوات، أو أي حالة نجاح زائف، أو عدم تطابق في تغطية السيناريوهات.
  • لا تُعد “shared/base CI issue” بحد ذاتها نتيجة تكافؤ. فإذا منعت ضوضاء CI خارج PR D تشغيلًا ما، فيجب أن ينتظر القرار تنفيذًا نظيفًا لوقت تشغيل مدمج بدلًا من استنتاجه من سجلات تعود إلى مرحلة الفرع.
  • لا تزال دقة المصادقة والوكيل وDNS و/elevated full تأتي من المجموعات الحتمية في PR B، لذا فإن ادعاء الإصدار النهائي يحتاج إلى الأمرين معًا: قرار تكافؤ ناجح من PR D وتغطية صدق خضراء من PR B.

​
من الذي ينبغي أن يفعّل strict-agentic

استخدم strict-agentic عندما:
  • يُتوقع من الوكيل أن يتصرف فورًا عندما تكون الخطوة التالية واضحة
  • تكون GPT-5.4 أو النماذج من عائلة Codex هي وقت التشغيل الأساسي
  • تفضّل الحالات المحظورة الصريحة على الردود “المفيدة” التي تقتصر على إعادة التلخيص
أبقِ العقد الافتراضي عندما:
  • تريد السلوك الحالي الأكثر مرونة
  • لا تستخدم نماذج من عائلة GPT-5
  • تختبر prompts بدلًا من فرض وقت التشغيل

​
ذو صلة