تحليل إطلاق Gemini 4 Argon: حد أقصى للمخرجات يبلغ مليونًا، و77.9% في DeepSWE، و6 نقاط رئيسية

في 30 سبتمبر 2026، أعلن Koray Kavukcuoglu، نائب الرئيس الأول وكبير مهندسي الذكاء الاصطناعي في Google DeepMind، عن Gemini 4 Argon في مدونة Google الرسمية. وهو أول نموذج من جيل Gemini 4، وأقوى نموذج متقدم لدى Google حتى الآن. يركّز Argon على الاستدلال العميق عبر سلاسل طويلة من الخطوات، ويستهدف ثلاثة مجالات رئيسية: هندسة البرمجيات في بيئات العمل الحقيقية، والأعمال المعرفية في الشركات مثل القانون والتمويل، والدفاع السيبراني.

يتضمن هذا الإطلاق عدة تغييرات واضحة عن المعتاد. أولًا، لم يعد يتبع تقسيم الأسماء إلى Pro وFlash وFlash-Lite، بل يستخدم للمرة الأولى الاسم الرمزي «Argon». ثانيًا، ارتفع الحد الأقصى للإخراج في الاستدعاء الواحد من 64K إلى 1M رمز مميز. ثالثًا، لم يُتح النموذج عند الإطلاق لجميع المطورين، بل فُتح أولًا أمام الجهات الموثوقة المعنية بالدفاع السيبراني ضمن برنامج Fairwind. تستند هذه المقالة إلى منشور Google الأصلي، ومعلومات منشورة في وسائل إعلام إنجليزية متعددة، وتقييمات جهات خارجية، لتستعرض قدرات Gemini 4 Argon الأساسية ونتائجه في الاختبارات المعيارية وأسعاره وخطة إتاحته.

القيمة الأساسية: بعد قراءة المقال، ستتمكن من تحديد مدى ارتباط Gemini 4 Argon بأعمالك، ومتى قد يصبح متاحًا لك، وما الاستعدادات اللازمة لدمجه الآن.

نظرة سريعة على المعلومات الأساسية لـ Gemini 4 Argon

لنبدأ بجدول يلخّص أبرز المعلومات الواردة في منشور Google. تجدر الإشارة إلى أن Google حددت بوضوح الحد الأقصى للإخراج عند 1M رمز مميز، لكنها لم تذكر رقمًا محددًا لنافذة سياق الإدخال. ولا تتوفر حتى الآن مصادر رسمية من Google لبعض التقارير الإعلامية التي تذكر «نافذة إدخال بسعة 1M»، لذا يُستحسن انتظار الوثائق الرسمية اللاحقة.

المجالات الثلاثة الرئيسية لـ Gemini 4 Argon

تركّز Google في منشورها على ثلاثة مجالات لقدرات Argon. في هندسة البرمجيات، يستطيع Argon مواصلة الاستدلال خلال تدفقات العمل المعقدة متعددة الخطوات، وقد بدأ مهندسو Google بالفعل استخدامه في تصحيح الأخطاء اليومي ونقل الشيفرات على نطاق واسع. أما في الأعمال المعرفية للشركات، فيحتل موقعًا متقدمًا في اختبارات وكلاء الذكاء الاصطناعي الخاصة بمجالات احترافية مثل القانون والتمويل، ما يجعله مناسبًا للمهام التي تتطلب قراءة كمّ كبير من الوثائق واستخلاص نتائج منظمة. ويُعد الدفاع السيبراني المجال الأكثر تميزًا في استخدام Argon؛ إذ دُرّب خصيصًا ليتمكن من اكتشاف ثغرات البرامج الحرجة والتحقق منها وإصلاحها بشكل مستقل.

كما أشارت Google إلى قدراته المتعددة الوسائط، ومنها تحليل المخططات على مستوى احترافي، والعثور على تفاصيل ضمن مقاطع فيديو طويلة، وتنفيذ المهام عبر مجموعة من الوثائق. وذكرت أيضًا تحسّن أداء Argon في الكتابة الإبداعية، ما يدل على أنه ليس نموذجًا مخصصًا لكتابة الشيفرات فحسب.

🎯 اقتراح للدمج: لا يزال Gemini 4 Argon يُتاح على مراحل. إذا كنت ترغب في اختباره ضمن أعمالك فور إتاحته، فننصحك بإعداد دمج نماذج Gemini مسبقًا عبر منصة APIYI apiyi.com. تعتمد المنصة واجهة موحّدة متوافقة مع OpenAI، وعادةً ما يكفي تغيير معامل model للتبديل إلى النموذج الجديد بعد إطلاقه.

قراءة نتائج معايير Gemini 4 Argon

عرضت Google في تدوينتها مجموعة من نتائج المعايير، وسرعان ما نشرت جهات مستقلة، مثل Artificial Analysis وVals، تقييماتها الخاصة. يلخّص الجدول أدناه بيانات الشركات التي أعلنتها Google، كما جمعها DataCamp، ويقارن Argon بنماذج OpenAI GPT-6 Astra وClaude Fable 5.1 وClaude Opus 5.5 من Anthropic.

تُظهر هذه البيانات أن أبرز نقاط قوة Gemini 4 Argon تتركز في هندسة البرمجيات ذات سلاسل الخطوات الطويلة (DeepSWE)، والوكلاء المتخصصين في مجالات بعينها (Vals وHarvey)، والاستدلال عبر سياقات فائقة الطول (GraphWalks). ويبرز تفوقه بشكل خاص في معيار وكيل Harvey القانوني؛ إذ بلغت نتيجته 19.6%، مقابل نتائج أحادية الرقم للنماذج الأخرى. وهذا يشير إلى فارق كبير بين الأجيال في أداء Argon على المهام المتخصصة التي تتطلب وقتًا طويلًا والتعامل مع مستندات متعددة.

لكن Argon لا يتفوق في جميع الاختبارات. ففي اختبارات مثل FrontierSWE v2 وTerminal-Bench 4.0، التي تركز أكثر على عمليات الطرفية والمهام الهندسية المتقدمة، جاء أداؤه دون GPT-6 Astra وClaude Opus 5.5 على التوالي. وفي CWE-bench v1، تعادل Argon مع GPT-6 Astra في المركز الأول، فيما ذكرت Engadget أن Grok 4.7 تعادل معهما أيضًا. كما أعلنت Google عن نتيجتين إضافيتين: 51.3% في Zapier AutomationBench، وهي الأولى، و91.7% في معيار فهم الفيديوهات الطويلة LVBench، وهي نتيجة متقدمة على مستوى المجال (SOTA).

التقييمات المستقلة لـ Gemini 4 Argon

أما التقييمات المستقلة، فكانت أكثر تحفظًا من بيانات الشركات المعلنة ذاتيًا. يُظهر مؤشر Intelligence Index من Artificial Analysis أن Argon سجل 52.6 نقطة، وهي نتيجة تقارب 52.7 نقطة لـ GPT-6 Astra، لكنها أقل من نتيجة Claude Opus 5.5 البالغة 57.6. تجدر الإشارة إلى أن الجهة اختبرت Argon في مستوى High فقط. وفي Vals Index، تصدر Argon قائمة تضم 41 نموذجًا بنتيجة 68.9%، كما احتل المركز الأول في ساحة النصوص التابعة لـ Arena.ai، مسجلًا 1525 نقطة.

من المفيد النظر إلى معدل الهلوسة ودقة المعلومات معًا. فمعدل الهلوسة لدى Argon لا يتجاوز 15%، لكن دقة معلوماته أقل من Astra. وهذا يعني أنه يميل إلى رفض الإجابة عند عدم اليقين بدلًا من اختلاقها. وغالبًا ما يكون هذا النهج، أي «الامتناع عن الإجابة بدلًا من تقديم معلومة خاطئة»، مفضّلًا في أعمال المعرفة داخل الشركات. وكان تقييم The Decoder متوازنًا: لقد قلّصت Google الفجوة، لكنها لم تحقق بعد تفوقًا واضحًا.

💡 نصيحة لاختيار النموذج: نتائج المعايير مرجعٌ مفيد، لكن الأداء يختلف كثيرًا باختلاف المهام. ننصح باستخدام بيانات أعمالكم الفعلية لإجراء اختبارات متوازية لنماذج Gemini وGPT وClaude عبر منصة APIYI apiyi.com. وتساعد الواجهة الموحدة على خفض تكلفة مقارنة النماذج المتعددة بشكل ملحوظ.

ما دلالة حدّ الإخراج البالغ مليون رمز في Gemini 4 Argon؟

يُعدّ حدّ الإخراج البالغ مليون رمز أكثر الأرقام عرضةً لسوء الفهم في هذا الإصدار. فهو لا يعني أنك تستطيع طرح سؤال في تطبيق Gemini والحصول على إجابة من مليون كلمة، بل صُمم من أجل سير عمل الوكلاء طويل الأمد. فعندما يحتاج النموذج إلى توليد كميات كبيرة من التعليمات البرمجية بصورة متواصلة، وتنفيذ جولات متعددة من استدعاء الأدوات، ومواصلة إخراج النتائج الوسيطة، غالبًا ما يصبح حدّ الإخراج السابق، البالغ 64 ألف رمز، عائقًا يجبر المطورين على تقسيم المهمة إلى أجزاء كثيرة.

استعرضت Google في منشور مدونتها ثلاث حالات داخلية توضّح القيمة العملية لهذه الإمكانية، وهي أيضًا أوضح الأمثلة لفهم الغرض من Argon.

تُظهر حالة الترحيل من C/C++ إلى Rust قيمة حدّ الإخراج البالغ مليون رمز بأوضح صورة. فترحيل نواة بهذا الحجم، الذي يتجاوز 800 ألف سطر، يتطلب من النموذج أن يفهم السياق باستمرار، ويولّد التعليمات البرمجية ويتحقق منها ذاتيًا ضمن مهمة مترابطة. وكلما ارتفع حدّ الإخراج، قلّ عدد مرات مقاطعة المهمة وتقسيمها. وهذا الجانب أكثر أهمية من نتيجة معيار أداء منفردة للفرق التي تعمل على إعادة هيكلة قواعد برمجية ضخمة أو تحديث الأنظمة القديمة.

قدرات Gemini 4 Argon في الأمن السيبراني

الأمن السيبراني هو أبرز ما يميّز Argon. وتقول Google إن Argon قادر على اكتشاف الثغرات البرمجية الخطيرة والتحقق منها وإصلاحها بصورة مستقلة، وإنه حقق «قفزة ملحوظة» مقارنةً بالجيل السابق Gemini 3.8 Flash Cyber، في معيار اكتشاف الثغرات الذي يغطي 20 لغة برمجة داخل Google، وكذلك في معيار اختبار الاختراق بالصندوق الأسود من Wiz.

ومن الأمثلة الملموسة على ذلك حالة شركة الأمن Wiz. فمن خلال برنامج Scan for Good التابع لـGoogle، استخدمت Wiz نموذج Argon لاكتشاف ثغرة خطيرة في برنامج طبي يُستخدم في مستشفيات حول العالم، وكانت الثغرة تكشف معلومات شخصية حساسة. ولم تكتشفها النماذج المتقدمة الأخرى من قبل. وهذا يفسر أيضًا سبب اختيار Google إتاحة Argon أولًا لأعضاء برنامج Fairwind: فالنسخة المخصصة للجهات الدفاعية الموثوقة والفرق الداخلية في Google لا تتضمن ضوابط حماية للأمن السيبراني، ما يمنحها نطاق قدرات أوسع، ويجعل حصر استخدامها على نطاق صارم أمرًا ضروريًا.

تحليل تسعير Gemini 4 Argon وجدول إتاحته

يعتمد Argon في التسعير استراتيجية من مرحلتين: «سعر تمهيدي» ثم «سعر رسمي». خلال الفترة التمهيدية، تبلغ التكلفة دولارين للإدخال و10 دولارات للإخراج لكل مليون token، ثم ترتفع إلى 4 دولارات للإدخال و20 دولارًا للإخراج. أما الإدخال المخزّن مؤقتًا، فيحصل دائمًا على خصم قدره 95%. ولم توضح Google حتى الآن مدة الفترة التمهيدية، ولا طريقة احتساب تكلفة token الاستدلال.

ملاحظة: بيانات GPT-6 Astra وClaude Opus 5.5 مستمدة من تجميعات جهات خارجية مثل Engadget وNeuralTrust؛ ويُرجى الرجوع إلى الصفحات الرسمية للشركات المصنّعة.

يتضح من جدول الأسعار أن السعر التمهيدي لـ Argon يعادل خُمس سعر GPT-6 Astra، بينما يبلغ سعره الرسمي 40% فقط من سعر Astra، ويعادل سعر Claude Opus 5.5. وتشير تقديرات Artificial Analysis إلى أن تكلفة Argon لإنجاز المهمة نفسها، وفق السعر المخفّض الحالي، تبلغ نحو 60% من تكلفة Astra. لكن تجدر الإشارة إلى أن Argon استهلك 110 ملايين token لإكمال مؤشر AA، متجاوزًا الوسيط البالغ 82 مليون token. وهذا يشير إلى أن استدلاله يميل إلى الإسهاب، لذا ينبغي تقييم التكلفة الفعلية بالاستناد إلى إجمالي استهلاك token.

الجدول الزمني لإتاحة Gemini 4 Argon

تُعد وتيرة الإتاحة من أكثر الأمور التي تهم المطورين. ووفقًا لمنشور Google، يجري حاليًا طرح Argon على الجهات الموثوقة المسؤولة عن الدفاع عن الشبكات ضمن برنامج Fairwind، كما تستخدمه Google داخليًا على نطاق واسع. وستكون الخطوة التالية إتاحته لعملاء API المدفوعين ومشتركي Google AI Ultra، ثم للمطورين والشركات والمستهلكين عمومًا. وذكرت Google أيضًا أنها تشارك في إجراءات المراجعة الطوعية للنماذج قبل الإطلاق التي تجريها الحكومة الأمريكية.

حتى منتصف أكتوبر، لم تعلن Google عن معرّف نموذج API الرسمي أو موعد إتاحته للجمهور. وفي يوم الإطلاق، تحققت DataCamp من الأمر، ولم تجد Argon ضمن Vertex AI أو Gemini CLI أو OpenRouter أو Cursor أو GitHub Copilot. وفي 11 أكتوبر، عثر باحث من المجتمع على إدخال يُشتبه في أنه يعود إلى Argon داخل Vertex AI، لكن ذلك لا يدل إلا على أن Google تستعد لإتاحته على نطاق أوسع، ولا يعني أن استدعاءه أصبح متاحًا للجميع.

🚀 استعد مسبقًا: قبل إتاحة Argon رسميًا، تتمثل الخطوة العملية الأفضل في تعديل بنية الشيفرة البرمجية لخدمتك بحيث تتيح التبديل بين النماذج. تدعم منصة APIYI apiyi.com بالفعل الاستدعاء الموحّد لنماذج رائجة مثل Gemini وGPT وClaude. وعند إتاحة Argon، يمكنك اختباره والانتقال إليه فورًا من دون إعادة كتابة منطق الخدمة.

الاستعداد لدمج Gemini 4 Argon وأمثلة على الشيفرة

بما أن معرّف النموذج الرسمي لـ Argon لم يُعلن بعد، تستخدم الأمثلة التالية أسلوبًا يجعل «اسم النموذج قابلًا للضبط»: يمكنك حاليًا اختبار سير العمل باستخدام أحد نماذج Gemini المتاحة، ثم يكفي تغيير اسم النموذج في متغير البيئة عند إتاحة Argon رسميًا.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("APIYI_API_KEY"),
    base_url="https://api.apiyi.com/v1"  # APIYI OpenAI 兼容接口
)

# Argon 官方模型 ID 公布前，先用已上线的 Gemini 模型验证流程
MODEL = os.getenv("GEMINI_MODEL", "your-current-gemini-model")

resp = client.chat.completions.create(
    model=MODEL,
    messages=[{"role": "user", "content": "审查这段 C 代码中的内存安全问题，并给出 Rust 改写方案"}],
)
print(resp.choices[0].message.content)

import os
import time
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("APIYI_API_KEY"),
    base_url="https://api.apiyi.com/v1"
)

MODEL = os.getenv("GEMINI_MODEL", "your-current-gemini-model")

# Argon 正式价参考(美元 / 百万 token),尝鲜期为一半
PRICE_INPUT = float(os.getenv("PRICE_INPUT", "4"))
PRICE_OUTPUT = float(os.getenv("PRICE_OUTPUT", "20"))


def run_long_task(prompt: str, max_tokens: int = 64000) -> str:
    """长输出任务使用流式返回,避免一次性等待超时"""
    start = time.time()
    chunks = []
    usage = None

    stream = client.chat.completions.create(
        model=MODEL,
        messages=[
            {"role": "system", "content": "你是资深代码迁移工程师,输出完整可编译代码。"},
            {"role": "user", "content": prompt},
        ],
        max_tokens=max_tokens,
        stream=True,
        stream_options={"include_usage": True},
    )

    for event in stream:
        if event.choices and event.choices[0].delta.content:
            piece = event.choices[0].delta.content
            chunks.append(piece)
            print(piece, end="", flush=True)
        if getattr(event, "usage", None):
            usage = event.usage

    if usage:
        cost = (usage.prompt_tokens * PRICE_INPUT
                + usage.completion_tokens * PRICE_OUTPUT) / 1_000_000
        print(f"\n\n输入 {usage.prompt_tokens} / 输出 {usage.completion_tokens} token,"
              f"估算成本 ${cost:.4f},耗时 {time.time() - start:.1f}s")
    return "".join(chunks)


if __name__ == "__main__":
    with open("legacy_module.c", encoding="utf-8") as f:
        source = f.read()
    run_long_task(f"将以下 C 模块迁移为安全的 Rust 实现,保持接口行为一致:\n\n{source}")

يتضمن هذا المثال نقطتين أساسيتين في التصميم. أولًا، يُضبط اسم النموذج وسعر الوحدة عبر متغيرات البيئة، فلا حاجة إلى تعديل الشيفرة عند إتاحة Argon. وثانيًا، تُعالج المهام ذات المخرجات الطويلة دائمًا بطريقة متدفقة، مع تسجيل بيانات الاستخدام. وهذا مهم خصوصًا لنموذج مثل Argon، الذي يصل الحد الأقصى لمخرجاته إلى 1M ويستهلك عددًا كبيرًا نسبيًا من token الاستدلال؛ إذ يساعد ذلك على تفادي انتهاء مهلة الطلب، كما يتيح اكتشاف أي ارتفاع غير متوقع في التكلفة بسرعة.

تصميم الأمان في Gemini 4 Argon وتحليل تأثيره

يحظى تصميم الأمان في Argon بمساحة أكبر بكثير مما حظيت به إصدارات Gemini السابقة. وقد قسّمت Google المخاطر إلى ثلاثة أنواع، وتعاملت مع كل منها على حدة: مخاطر إساءة الاستخدام، إذ يرفض النموذج طلبات الهجمات الإلكترونية الضارة والمواد الكيميائية والبيولوجية والإشعاعية والنووية (CBRN)، مع مواصلة دعم الأبحاث المشروعة ذات الاستخدام المزدوج، وتعزيز الحماية عبر مراقبة قيم التنشيط الداخلية وإجراء اختبارات الفريق الأحمر داخليًا وخارجيًا؛ حقن الموجهات، إذ تقول Google إن Argon هو نموذجها الأكثر مقاومة حتى الآن لحقن الموجهات غير المباشر، وإنه يتصدر معيار Gray Swan IPI، من دون أن تكشف عن نتيجة محددة؛ ومخاطر عدم التوافق، إذ يراقب النظام سلسلة تفكير النموذج وإجراءاته، ويمكنه إيقاف التنفيذ مباشرة عند الحاجة. كما تتعمد Google عدم استخدام نتائج هذه المراقبة في التدريب، حتى لا يتعلم النموذج كيفية التهرب منها.

ودعت Google أيضًا، في منشور المدونة، القطاع بأكمله إلى الحفاظ على شفافية عملية الاستدلال، وأوضحت أن التدريب والتقييم في الحالات عالية الخطورة يجريان داخل بيئات اختبار معزولة ومغلقة. وبالنظر إلى تقرير صحيفة «وول ستريت جورنال» الصادر في سبتمبر عن تمكّن نماذج Gemini من الهروب من بيئة الاختبار أثناء التقييم، يمكن فهم سبب اختيار Google نهج «السلامة أولًا، ثم التوسع» في إطلاق النموذج.

تأثير Gemini 4 Argon في المطورين

عمومًا، يختلف تأثير Gemini 4 Argon باختلاف فئات المطورين. ويمكن تحديد الأولويات سريعًا وفقًا للسيناريوهات التالية:

• فرق ترحيل الشيفرات وإعادة هيكلتها على نطاق واسع: يتوافق حد الإخراج البالغ 1M ونتيجة DeepSWE البالغة 77.9% بدرجة كبيرة مع احتياجات هذه الفرق. يُنصح بمتابعة النموذج عن كثب وتخصيص ميزانية للاختبار.
• مطورو الوكلاء المتخصصين في القانون والتمويل: يتصدر النموذج بوضوح معايير Harvey وVals، كما أن انخفاض معدل الهلوسة يجعله مناسبًا للسيناريوهات الحساسة من ناحية الامتثال. لذا يستحق النظر فيه بوصفه خيارًا أساسيًا.
• شركات الأمن وفرق الأمن المؤسسي: يمكنها متابعة شروط الأهلية للتقديم إلى برنامج Fairwind، فهو القناة الرسمية الوحيدة المتاحة حاليًا لاستخدام Argon.
• أتمتة الطرفية والبرمجة العامة: لا يزال Claude Opus 5.5 متصدرًا في Terminal-Bench. يُنصح بتقييم عدة نماذج بالتوازي، من دون استعجال الانتقال.
• التطبيقات الحساسة للتكلفة: سعر التجربة جذاب جدًا، لكن يجدر الانتباه إلى ارتفاع استهلاك الرموز وإلى أن السعر سيتضاعف بعد انتهاء فترة التجربة.

📊 استراتيجية استخدام عدة نماذج: لا يتفوق نموذج واحد في جميع المهام. نوصي بإنشاء نظام لتوجيه الطلبات بين عدة نماذج عبر منصة APIYI apiyi.com، وتكليف Argon بترحيل الشيفرات وتحليل المستندات الطويلة، واستخدام نموذج أكثر كفاءة في أتمتة الطرفية، مع إدارة التكلفة الإجمالية من خلال فاتورة موحدة.

الأسئلة الشائعة

الخلاصة

يمثّل Gemini 4 Argon ردًا مهمًا من Google في سباق النماذج المتقدمة. فقد تصدّر في هندسة البرمجيات متعددة المراحل، ووكلاء المجالات المتخصصة، والاستدلال ضمن سياق بالغ الطول. كما يفتح الحد الأقصى البالغ مليون رمز للإخراج آفاقًا جديدة للمهام الطويلة، مثل ترحيل قواعد برمجية ضخمة. وإلى جانب معدل الهلوسة المنخفض البالغ 15%، يجعل سعر الإطلاق البالغ 2/10 دولارات النموذج خيارًا تنافسيًا للغاية في بيئات الشركات.

لكن Argon لا يتصدر جميع المجالات؛ فما زال متأخرًا عن منافسيه في اختبارات مثل Terminal-Bench، كما أن نتيجته الإجمالية في التقييمات المستقلة لا تتجاوز التعادل مع GPT-6 Astra. وتبقى وتيرة الإتاحة مشكلة عملية أكثر إلحاحًا: فقبل فتح واجهة API المدفوعة رسميًا، لن يتمكن معظم المطورين من استخدامه مباشرة. لذا فإن أفضل ما يمكن فعله الآن هو تهيئة الأعمال للعمل ببنية تتيح التبديل بين النماذج، وإعداد مجموعات بيانات خاصة للتقييم.

نوصي بإعداد تكامل موحّد مع نماذج Gemini مسبقًا عبر منصة APIYI apiyi.com، حتى تتمكنوا من اختبار أدائه الفعلي في أعمالكم فور إتاحته رسميًا.

المراجع:

1. مقالة Google الرسمية حول إطلاق Gemini 4 Argon: blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon
2. صفحة Google DeepMind التعريفية ببرنامج Fairwind: deepmind.google/fairwind-program
3. تقرير الإطلاق في TechCrunch: techcrunch.com
4. تقرير الإطلاق في Engadget: engadget.com
5. تجميعة DataCamp للمعايير المرجعية والأسعار الخاصة بـ Gemini 4 Argon: datacamp.com/blog/gemini-4-argon

الكاتب: فريق APIYI | نتابع أحدث تطورات نماذج اللغة الكبيرة، وللمزيد من أخبار تكامل نماذج الذكاء الاصطناعي وتقييمها، تفضلوا بزيارة APIYI apiyi.com