L3: التدقيق اللغوي العربي مقابل
26 إعدادًا من النماذج اللغوية الكبيرة

احتلّ L3، محرك Lisan اللغوي، المرتبة الأولى في كل مقياس رئيسي في هذا التقييم: دقة رصد المقاطع بحدودها الدقيقة، والاستدعاء، وF1، وF0.5، ودقة التصحيح الحرفية وبعد التطبيع، والتطابق التام للجملة، وROUGE-1 وROUGE-L. وبلغ على F0.5 نسبة 80.29%، بفارق 35.61 نقطة عن Claude Fable 5.1 الذي بلغ 44.68%. مقيس.

وقد تغيّر المنافس الأقوى بتغيّر المقياس، وهو أمر يستحق أن يُقال بوضوح. فكان Claude Fable 5.1 التالي في الدقة وفي F0.5. وكان Claude Opus 5 التالي في F1 بنسبة 34.58% مقابل 74.66% لـ L3. وكان GPT-5.6 Sol التالي في الاستدعاء بنسبة 41.08% مقابل 66.85%. ولم يحلّ أي إعداد من النماذج اللغوية الكبيرة ثانيًا في كل المقاييس.

مهمتان لا مهمة واحدة

التدقيق اللغوي قراران متتابعان. على النظام أن يحدد أولًا موضع الخطأ في النص، ثم يقرر ما الذي يضعه مكانه. ونحن نقيس المهمتين كلًّا على حدة، لأن نظامًا ما قد يجيد إحداهما ويقصّر في الأخرى.

يُقاس الرصد على المقاطع بحدودها الدقيقة. فكل تعديل مرجعي يشغل مقطعًا من الجملة الأصلية محددًا بمواضع الحروف، ولا يحصل النظام على نقطة رصد إلا إذا غيّر ذلك المقطع نفسه بالضبط. أما تغيير كلمة مجاورة، أو نصف الكلمة الصحيحة، فيُحسب فواتًا وإنذارًا كاذبًا في آن واحد. وتُعامَل الإضافات مواضعَ صفرية العرض، وقد يُعدّ تغيير علامة الترقيم مقطعًا مستقلًا.

ولا يُقاس التصحيح إلا حيث نجح الرصد. فمن بين المقاطع التي حددها النظام تحديدًا صحيحًا، نسأل: كم بديلًا منها طابق مرجع الخبير اللغوي، حرفًا بحرف أولًا، ثم بعد التطبيع العربي. ولهذا تبقى دقة التصحيح رقمًا مشروطًا، ونصرّح بذلك حيثما ورد.

المقياس الرئيسي هو F0.5، الذي يجمع بين الدقة والاستدعاء مع ترجيح الدقة. ففي التدقيق المؤسسي، يكلّف التغيير غير الضروري عادةً أكثر مما يكلّف التعديل الفائت: إذ لا بد من مراجعته ورفضه، وربما التراجع عنه يدويًا. ويعبّر F0.5 عن هذا التفاوت. ونورد إلى جانبه F1 والدقة والاستدعاء، حتى لا يُطلب من أحد أن يقبل هذا الترجيح دون دليل.

الدقة والاستدعاء

L3 هو النظام الوحيد الذي يجمع بين دقة تتجاوز 80% واستدعاء يتجاوز 60% على هذا المعيار. فدقته البالغة 84.54% تعني أن معظم التغييرات التي اقترحها وقعت على مقطع غيّره الخبير اللغوي أيضًا. واستدعاؤه البالغ 66.85% يعني أنه أصاب أغلب التعديلات المرجعية وفاته باقيها. مقيس.

وتقصّر النماذج اللغوية الكبيرة بطريقتين مختلفتين. فكان Claude Fable 5.1 الأدق بنسبة 64.21%، لكنه لم يجد سوى 20.15% من التعديلات المرجعية: غيّر قليلًا، وكان ما غيّره صائبًا في الغالب. وأصاب GPT-5.6 Sol أكبر حصة من التعديلات المرجعية بين النماذج بنسبة 41.08%، لكن بدقة 25.03%، أي إن معظم تغييراته لم تكن مسوّغة. وتتجمع معظم الإعدادات الأخرى في الزاوية السفلى اليسرى من المخطط، متقاربةً على المحورين.

هذا الشكل هو الحجة العملية لاعتماد F0.5 بدلًا من عدّ التصحيحات الخام. فالنظام الحذر ذو الدقة العالية والاستدعاء المنخفض يترك الأخطاء في الوثيقة. والنظام المندفع ذو الملامح المعاكسة يملأ قائمة المراجعة بتغييرات يضطر المحرر إلى رفضها. ويكافئ المعيار النظام القادر على الأمرين معًا، ونظام واحد فعل ذلك.

جودة التصحيح بعد الرصد

متى حدد L3 مقطعًا تحديدًا صحيحًا، طابق بديله المرجع حرفًا بحرف في 89.79% من الحالات، وفي 96.38% منها بعد التطبيع العربي. ويزيل التطبيع التشكيل والتطويل، ويوحّد صور الألف والهمزة والتاء المربوطة، حتى لا يُحكم على اقتراح صحيح بالخطأ بسبب حركة زائدة أو ناقصة. مقيس.

هذه الأرقام مشروطة، والتحفظ هنا ليس مجرد إجراء شكلي. فقد بلغ Claude Fable 5.1 نسبة 89.07% حرفيًا و94.54% بعد التطبيع، بفارق 1.84 نقطة خلف L3 في النسبة المطبّعة. غير أن هذه النسب لا تنطبق إلا على المقاطع التي رصدها، وهي جزء صغير من التعديلات المرجعية. فالنظام الذي يغيّر قليلًا ويحسن ما يغيّره قد يسجّل دقة مشروطة عالية وهو يترك معظم الأخطاء في مكانها. تخبرك دقة التصحيح بمدى الثقة في اقتراح مقبول؛ ويخبرك الاستدعاء بمقدار ما بلغه النظام من الوثيقة. ولا يغني أحد الرقمين عن الآخر.

الدقة على مستوى الجملة كاملة

تصف مقاييس المقاطع التعديلات، أما المحررون فيتسلمون جملًا. ويطرح التطابق التام للجملة السؤال من طرف إلى طرف: بعد أن ينتهي النظام، هل الجملة كلها مطابقة لما كان الخبير اللغوي سيكتبه؟ اجتاز L3 هذا الحد في 55.96% من الجمل، أي ضعف نسبة Claude Fable 5.1 البالغة 27.98%. مقيس.

والمقياس صارم بحكم تصميمه. فحركة زائدة واحدة، أو نقطة ناقصة واحدة، أو خطأ واحد لم يُمسّ، يُسقط الجملة كلها، ولهذا تقع كل النسب هنا دون نسب التصحيح المشروطة أعلاه بكثير. وهو ملخص مفيد لسلسلة المعالجة كاملة، لا معدل خطأ، ولا يحل محل التحليل على مستوى المقاطع.

الأمانة للمرجع

يقيس ROUGE مقدار ما يبقى من الجملة المرجعية في المخرج، أيًا كان ما يقوله تقييم التعديلات. وتعني القيم العالية أن النظام صحح النص من غير أن يعيد كتابته. سجّل L3 نسبة 98.84% على ROUGE-1 F1 و98.83% على ROUGE-L F1، متقدمًا على Claude Fable 5.1 بفارق 2.28 و2.29 نقطة. مقيس.

وهنا تفصيلان مهمان. يبدأ المحور من 95 لأن كل نظام في العشرة الأوائل يتجاوزه؛ فعلى محور كامل تبدو العلامات متطابقة، أما مخطط أعمدة مقطوع المحور فيبالغ. كما أن قيمتي ROUGE-1 وROUGE-L لدى L3 تكادان تتطابقان، ونقرأ ذلك على أنه احتفاظ بمفردات المرجع وبترتيبها معًا: يغيّر المحرك الخطأ ويترك بنية الجملة على حالها. ويروي مقياس التداخل المجموعي القديم، المحتفظ به للتتبع لا مقياسًا رئيسيًا، القصة نفسها بنسبة 91.45% مقابل 88.93%.

كيف تبدو التصحيحات

تصف الأرقام المعيار، وتُظهره الجمل. البطاقات أدناه مأخوذة من صفوف المعيار، وتعرض النص الأصلي، ومرجع الخبير اللغوي، ومخرج L3، ومخرجات عدد من إعدادات النماذج اللغوية الكبيرة، كما وردت حرفيًا. تأتي الأخطاء الصريحة أولًا. أما البطاقتان الأخيرتان فموسومتان بعبارة «معيار تحريري»: الجملة الأصلية سليمة نحويًا، والمرجع يطبّق الاصطلاح التحريري الذي التزمه الخبير اللغوي، وقد طُلب من النماذج ألا تعيد الصياغة. تُظهر هذه الصفوف ما تفعله الطبقة التحريرية في المحرك، لا إخفاق النماذج في النحو، وتصرّح التعليقات بذلك.

وثمة تنبيه، من باب الأمانة، يسري على البطاقات كلها. قدّم كل نظام مخرجًا واحدًا لكل جملة، وقدّم L3 اقتراحه الأول فقط، وكانت النماذج مقيدة بتعليمات صارمة. وحيثما طابق نموذج المرجع، تقول البطاقة ذلك.

السرعة

عالج L3 52.28 رمزًا موحدًا من المخرج في الثانية، بمعدل 1.041 ثانية للجملة المقيسة زمنيًا. وحلّ ثانيًا. فقد كان Qwen 3.8 27B على Groq أسرع، بمعدل 66.98 رمزًا في الثانية و0.828 ثانية للجملة، وهو يحتل الصف الأول من المخطط. وجاء Claude Haiku 4.5 ثالثًا بمعدل 33.43. أما Claude Fable 5.1، أقوى النماذج في الجودة، فعمل بمعدل 15.07 رمزًا في الثانية و3.585 ثانية للجملة. مقيس.

معدل المعالجة هنا هو معدل الخدمة. فلكل مخرج مصحح صالح، طبّقنا مجزّئ Lisan، وجمعنا عدد الرموز الموحدة، وقسمناه على زمن الطلب الفعلي من طرف إلى طرف، فيشمل الرقم عبء الطلب ومعالجة التعليمات لكل الأنظمة على السواء. وهو ليس سرعة فك الترميز، وليس المعدل المشبع بالدفعات المستخدم في قياس الطاقة أدناه؛ فالرقمان يصفان ظرفي تشغيل مختلفين ولا ينبغي مقارنتهما.

ولا يسير معدل المعالجة والجودة معًا بين الأنظمة المقارَنة. فقد حلّ Qwen 3.8 27B على Groq، أسرع الإعدادات، أخيرًا في مقياس التداخل المجموعي القديم بنسبة 75.81%. وعلى الطرف الآخر، بلغ متوسط Gemini 3 Flash 22.399 ثانية للجملة.

الطاقة

قسنا L3 مباشرة على مسرّع NVIDIA A10 بسعة 24 غيغابايت: نسبة استغلال للمسرّع لا تقل عن 95%، وإحماء لمدة 30 ثانية، وحالة مستقرة لمدة 10 دقائق، وأخذ عينات القدرة بتردد 1 هرتز. وبلغ متوسط قدرة وحدة معالجة الرسوميات نحو 100 واط عند نحو 2,000 رمز في الثانية، أي 0.05 جول للرمز، أو نحو 0.000014 كيلوواط ساعة لكل 1,000 رمز. مقيس، على نطاق المسرّع.

يستثني هذا الرقم طاقة المضيف والتبريد والشبكات والتخزين وعبء المنشأة. ولمقارنة المثل بالمثل نضربه في ثلاثة، وهو معامل يقرّب حاصل ضرب 1.5 لفعالية استخدام الطاقة في 1.3 للتكرار والموثوقية في 1.5 لما تبقى من أعباء الخدمة والشبكة الكهربائية، فينتج تقدير للمنظومة الكاملة قدره 0.000042 كيلوواط ساعة لكل 1,000 رمز.

أما أرقام النماذج اللغوية الكبيرة فتقديرات مستشهد بها لا قياسات، لأن مزودي الواجهات البرمجية لا يتيحون قياسات للطاقة. فإفصاح Google عن 0.24 واط ساعة لطلب نصي وسيط في Gemini Apps، بافتراض 200 رمز، يعطي 0.0012 كيلوواط ساعة لكل 1,000 رمز، وهو رقم للمنظومة الكاملة أصلًا. وقيم IFP School لكل استعلام، وهي 0.61 واط ساعة لـ GPT-4o-mini و7.4 واط ساعة لـ GPT-5 medium و14.1 واط ساعة لـ GPT-5 high عند 300 رمز، بعد تحويلها خطيًا إلى مقياس 1,000 رمز وضربها في معامل الثلاثة أضعاف نفسه، تعطي 0.0061 و0.074 و0.141 كيلوواط ساعة. وعلى هذا الأساس يقل تقدير المنظومة الكاملة لـ L3 عن القيم المرجعية بنحو 29 إلى 3,357 مرة. وقد رُبطت النماذج المختبرة التي لا رقم منشورًا لها بهذه القيم المرجعية بحسب فئة القدرة على سبيل التقدير الافتراضي؛ وذلك الربط مقارنة، لا قياس لأي نموذج بعينه.

والنتيجة حساسة لمعامل العبء، ولذلك نعرض النطاق لا نقطة الوسط وحدها. فعند الضعفين يكون تقدير L3 هو 0.000028 كيلوواط ساعة، ويكون التفوق على أكثر القيم المرجعية تحفظًا، وهو Gemini Apps، 42.9 مرة. وعند أربعة أضعاف يكون 0.000056 كيلوواط ساعة و21.4 مرة. وعبر هذا النطاق كله يظل L3 أكفأ في الطاقة من أدنى القيم المرجعية بما لا يقل عن 21 مرة. ومقارنة Gemini Apps هي التي ندافع عنها أولًا، لأنها تستند إلى إفصاح من المزود نفسه لا إلى تقدير طرف ثالث.

المنهجية

الأنظمة الخاضعة للاختبار

يضم ميدان المقارنة 26 إعدادًا من النماذج اللغوية الكبيرة من ستة مزودين، إلى جانب L3. وشُغّل GPT-6 Astra بإعدادي استدلال، ولا تحمل ملاحق التقرير إلا صفًا واحدًا له. وفيما يلي التجميع كما ورد في التقرير:

• Lisan: L3، محرك Lisan اللغوي، مقيّمًا على اقتراحه الأول فقط.
• Anthropic: Claude Opus 5، Claude Sonnet 5، Claude Haiku 4.5، Claude Fable 5.1.
• OpenAI: GPT-6 Astra، GPT-5.6 Sol، GPT-5.6 Terra، GPT-5.6 Luna، GPT-5.1 (medium reasoning)، GPT-5.4 (high reasoning)، GPT-4o-mini، gpt-oss-120b (على Groq).
• Google: Gemini 2.5 Flash، Gemini 3.1 Pro (إصدار معاينة)، Gemini 3.5 Flash-Lite، Gemini 3.8 Flash، Gemini 3 Flash (إصدار معاينة)، Gemma 3 27B (على Bedrock).
• DeepSeek: DeepSeek V4 Flash، DeepSeek V4 Pro.
• Meta: Llama 3.1 70B (على Bedrock)، Llama 3.3 70B، Llama 4 Maverick.
• Alibaba Qwen: Qwen 3.6 27B وQwen 3.8 27B، كلاهما على Groq.

تلقّى كل إعداد الجمل نفسها، والتعليمات نفسها، وقاعدة المخرج الواحد نفسها، والمقيّم نفسه.

الأدلة

القيود

النتائج الكاملة

النتائج الكاملة، تاريخ التقييم 9 سبتمبر 2026 · الإصدار 1.0. نسب فقط؛ لا تُنشر أعداد المقاطع ولا إجمالي الثواني. انظر المنهجية.

الاستشهاد بهذا التقرير

يُرجى الاستشهاد بالتقرير بعنوانه الأصلي، وهو يختلف عن عنوان هذه الصفحة (تبقى الصيغة بالإنجليزية لتوحيد الاستشهاد):

دقّق نصوصك بنفسك

المعيار معيارنا؛ أما وثائقك فهي الاختبار الذي يهم. محرر WriteX مجاني في البداية، ويمكن للمؤسسات تشغيل L3 على بنيتها التحتية ضمن مشروع تجريبي، وتُرسل أسئلة المنهجية إلى support@lisan.com.