benchrكيف يعمل التحقق هنا
سؤالان يُفصل بينهما عمدًا: هل يوثّقه المزوّد، وهل شغّله benchr. والثاني أصعب، ولم يجب عنه benchr بعد لأي قدرة.
تصف هذه السجلات ما يوثّقه المزوّدون رسميًا. ولم يشغّل benchr هذه القدرات بنفسه، فليس فيها نتيجة اختبار. ويعرض كل سجل صفحة المزوّد التي قُرئت وتاريخ قراءتها.
آخر تحديث للسجل: 3 سبتمبر 2026
ما الذي يُعدّ دليلاً هنا
ستة أشياء مختلفة تُسمّى «تحقّقًا». قراءة صفحة المزوّد ليست تشغيلًا للقدرة، وجلب رابط ليس إعادة إنتاج لنتيجة. وكل تشغيلة أدناه تقول أيّها هي.
- شغّله benchr
- شغّل benchr القدرة بنفسه وسجّل ما عاد به. هذا النوع وحده يمكن أن يمنح علامة «متحقَّق من benchr».
- تشغيل معياري
- نفّذ benchr اختباراً معيارياً منشوراً وفق بروتوكول معلن، وأبلغ بالنتيجة التي حصل عليها هو لا التي نشرها غيره.
- فحص انحدار
- أُعيد تشغيل قدرة كانت تعمل، لمعرفة إن كانت ما زالت تعمل. القيمة في المقارنة لا في النتيجة المفردة.
- فحص واقعة
- اختُبرت واقعة بعينها ينشرها benchr مقابل الواقع: رابط جُلب، أو عدد قُرئ من واجهة، أو ملف فُتح. تحسم واقعة ولا ترقّي قدرة أبداً.
- قراءة توثيق
- قُرئت صفحة المزوّد نفسه وسُجّل ما تقوله، مع الرابط والتاريخ. هذه قراءة لا اختبار، ويقول benchr ذلك حيثما ظهرت.
- قرأه إنسان
- نظر إنسان وكوّن حكماً. مفيد، وهو أضعف ما في هذه الصفحة: لا يُعاد إنتاجه، وقد يراه غيره على نحو آخر.
أين يقف التحقق اليوم
لم تُقبل أي تشغيلة تحقق بعد، فلا تحمل أي قدرة وسم «متحقَّق من Benchr». وكل السجلات البالغة 20 تقف عند «لم يختبره benchr» على محور الاختبار.
7 تشغيلات أدناه ذاتية التقرير: أنتجتها الجلسة الآلية نفسها التي تصون هذا المستودع، وهذا يجعلها نقطة بداية لا دليلًا. ومع ذلك تُنشر كاملة، لأن تشغيلة محتجزة لا يستطيع أحد قراءتها لا تفترق عن لا شيء.
BVR-20260903-SCREENSHOT-01شغّله benchrقيد المراجعة
الموضوع rebuild-a-ui-from-a-screenshot
تختبر قدرة. وهذا النوع وحده يمكن أن ينتج وسم Benchr.
- ما توقّعته
- إعادة إنتاج بنية الكتل والنص الظاهر بدقّة تكفي لتجاوز حدّ الصدفة في مقارنة آليّة.
- ما حدث
- تشابه البنية 1.000؛ استرجاع النص 30 من 30 كتلة، منها أربعة أرقام في الجدول وعناوين البطاقات الأربعة كلها.
ما لم تستطع اختباره
- المحتوى كان محجوباً، أما أسلوب الوسم فلا. كان المختبِر يعرف أن المولّد ينتج غلافاً وعناوين وشبكة بطاقات وجدولاً، فهذا يقيس دقّة النقل عن صورة لا الاستنتاج الأعمى لإطار مجهول.
- الهدف مستند ساكن نظيف بمساحة عرض واحدة وخطّ مقروء. ولا يقول شيئاً عن واجهات المنتجات الكثيفة، ولا عن حالات المرور والخطأ، ولا عن السلوك المتجاوب.
- بذرة واحدة وتجربة واحدة. نسبة دقّة منشورة تحتاج بذوراً كثيرة، ولا يُدّعى ذلك هنا.
BVR-20260903-BROWSER-01شغّله benchrقيد المراجعة
الموضوع control-a-real-browser
تختبر قدرة. وهذا النوع وحده يمكن أن ينتج وسم Benchr.
- ما توقّعته
- يُعثَر على عنصر التحكّم دون تزويد المختبِر بمحدِّد، ويُضبَط عبر مرجع عنصر، وتعكس شجرة الصفحة قائمة مصفّاة.
- ما حدث
- الوصف بلغة طبيعية «search field for filtering the list» لم يُطابق شيئاً؛ أما التسمية الحرفية «Search by what you want to do» فأعادت المرجع ref_42، ومَلأه form_input بالقيمة «voice»، فنزلت السجلات الظاهرة من 15 إلى 2.
ما لم تستطع اختباره
- اختُبرت لوحة المتصفّح الخاصة بجلسة الوكيل، لا أداة browser_toolset_20260801 من Anthropic وهي ما يصفه سجل القدرة. سطحان مختلفان.
- صفحة واحدة وعنصر تحكّم واحد. لا يقيس النجاح على مواقع طرف ثالث ولا على تسجيل الدخول ولا على التطبيقات أحادية الصفحة.
- فشل الوصف بلغة طبيعية ونجحت التسمية الحرفية للوصول، ما يعني أن البحث مطابقة نصّية لا مطابقة نيّة.
- المختبِر هو من كتب الصفحة محلّ الاختبار.
BVR-20260903-WEBCITE-01شغّله benchrقيد المراجعة
الموضوع search-the-live-web-with-citations
تختبر قدرة. وهذا النوع وحده يمكن أن ينتج وسم Benchr.
- ما توقّعته
- تعود الجملتان كلتاهما، ويمكن العثور عليهما حرفياً في الصفحة المستشهَد بها.
- ما حدث
- عادتا كلتاهما وتأكّدتا حرفياً في الصفحة: جملة سعر 10 دولارات لكل 1000 عملية بحث، وجملة حقول الاستشهاد.
ما لم تستطع اختباره
- اختُبرت أداة الجلب الخاصة بجلسة الوكيل على رابط سمّاه benchr. ولا تختبر أداة web_search على خوادم Anthropic وهي تختار استعلاماتها بنفسها، وهي ما يصفه سجل القدرة.
- صفحة واحدة، ومزوّد واحد، ويوم واحد.
- تُخزَّن الردود 15 دقيقة لكل رابط، فالتكرار الفوري قد لا يكون جلباً مستقلاً.
BVR-20260903-REPO-01شغّله benchrقيد المراجعة
الموضوع work-through-a-whole-repository
تختبر قدرة. وهذا النوع وحده يمكن أن ينتج وسم Benchr.
- ما توقّعته
- يُعثَر على المولّد الذي يملك الترويسة المشتركة ويُعدَّل، ويصل التعديل إلى كل صفحة، وتبقى حزمة الاختبارات خضراء.
- ما حدث
- حُدِّد scripts/apply_product_system.py مالكاً؛ وانتشر التعديل إلى 459 صفحة؛ وبقيت الحزمة خضراء بعده.
ما لم تستطع اختباره
- مستودع واحد، ومكدّس لغوي واحد، ووكيل واحد. برهان وجود لا نسبة نجاح.
- كان للوكيل وصول إلى الصدفة وإلى اختبارات المشروع نفسه ليقيس بها عمله. ومستودع بلا حزمة اختبارات حالة أصعب جوهرياً.
- المختبِر وكاتب التعديل جلسة واحدة، فلم يراجع أحدٌ شيئاً مراجعةً مستقلة.
- يصف سجل القدرة Claude Code منتجاً؛ أما هذه التجربة فجرت على جلسة وكيل بأدوات مكافئة، لا على تثبيت نظيف.
BVR-20260904-LINKS-01فحص واقعةقيد المراجعة
الموضوع
a-95-minute-feature-shot-by-fifteen-people-in-two-weeks،a-photo-of-an-empty-lot-came-back-as-a-filmed-house،a-two-thousand-dollar-film-premiered-at-tribeca،an-agent-tuned-another-agent-until-it-stopped-failing،fifty-seven-web-demos-built-by-agents-in-one-day،maintainers-started-writing-the-rules-for-robots،no-api-to-publish-so-the-model-built-a-browser-extension،sixteen-working-viruses-designed-by-a-genome-model،the-model-installed-its-own-blender-tooling،the-web-tasks-that-stop-agents-stop-people-tooتحسم ادّعاءً منشورًا. ولا تستطيع ترقية قدرة.
- ما توقّعته
- كل رابط يستشهد به سجلٌّ في benchr ما زال يُفتَح، أو يُعرَف أنه محجوب عن الروبوتات لا أنه اختفى.
- ما حدث
- فُتح 15 من 17 برمز 200. وأعاد اثنان 403 لطلب آلي — وهما www.science.org و www.theneuron.ai — وكلاهما ناشر يحجب الروبوتات، وكلاهما قُرئ في متصفّح حقيقي حين كُتبت السجلات. ولم يختفِ شيء.
ما لم تستطع اختباره
- الرمز 200 والعنوان المطابق يثبتان أن الصفحة تُفتَح. ولا يثبتان أنها ما زالت تقول ما استشهد به benchr من أجله.
- ناشران يحجبان الطلبات الآلية، فحياة صفحتيهما مؤكَّدة من جلسة المتصفّح التي سجّلتهما، لا من هذه التجربة.
BVR-20260904-SHOWCASE-01فحص واقعةقيد المراجعة
الموضوع
fifty-seven-web-demos-built-by-agents-in-one-dayتحسم ادّعاءً منشورًا. ولا تستطيع ترقية قدرة.
- ما توقّعته
- يقول المعرض إن كل قطعة فيه «ملف HTML واحد بلا اعتماديات». وصفحةٌ تدّعي ذلك ينبغي ألّا تحمّل هي نفسها أي سكربت أو ورقة أنماط أو صورة خارجية.
- ما حدث
- الفهرس مستند واحد حجمه 4,508,215 بايت، بصفر سكربت خارجي وصفر ورقة أنماط خارجية وصفر صورة خارجية. ورابطه الوحيد عنوان data:. والأعداد المذكورة في الصفحة 57 عرضاً، ولا تذكر الصفحة عدد المجموعات.
ما لم تستطع اختباره
- لم يستطع benchr الوصول إلى 57 ملف عرض منفصلاً: العروض داخل مستند الفهرس الواحد، فنصف الادعاء الخاص بالملف لكل عرض غير مفحوص.
- لا شيء هنا يختبر مَن بنى العروض ولا كيف ولا كم استغرق. يبقى ذلك رواية المعرض عن نفسه.
BVR-20260904-REPOS-01فحص واقعةقيد المراجعة
الموضوع
openclaw-outgrew-the-encyclopaedia-entry-about-itتحسم ادّعاءً منشورًا. ولا تستطيع ترقية قدرة.
- ما توقّعته
- تُقرأ أعداد النجوم وتواريخ الإنشاء من واجهة المستودعات البرمجية لا من مدخلة موسوعة كانت محدَّثة قبل أشهر.
- ما حدث
- المستودع openclaw/openclaw: 388,822 نجمة، و81,662 تفريعة، أُنشئ في 2025-11-24. والمستودع anthropics/claude-code: 144,021 نجمة، أُنشئ في 2025-02-22.
ما لم تستطع اختباره
- عدد النجوم يقيس الانتباه في يوم واحد، لا الجودة ولا التبنّي ولا الاستخدام.
- الواجهة غير موثَّقة الهوية، فالأرقام هي ما قدّمه GitHub لهذا الجهاز في تلك اللحظة.
مصمَّمة ولم تُشغَّل
كُتبت كاملة قبل أن يمكن تشغيلها، فلا يُقرر شيء في الاختبار بعد معرفة النتيجة. ولا واحدة منها دليل، ولا ترقّي شيئاً.
BVP-20260905-JSON-01مصمَّمة ولم تُشغَّللا تتوفّر بيانات اعتماد لواجهة برمجية في هذه البيئة.
الموضوع guarantee-the-json-shape
- الادعاء
- الرد المقيَّد بمخطط JSON إمّا أن يطابق المخطط وإمّا ألّا يعيد كائناً أصلاً. ولا يعيد أبداً كائناً سليم البنية بقيمة تعداد مخترعة.
- ما الذي يُعدّ نجاحاً
- عبر 60 نداءً، لا يحمل أي رد قيمة تعداد خارج الأربع. والتذاكر الخمس غير المغطّاة تعيد notApplicable أو لا تعيد كائناً. والرد الذي يخترع فئة خامسة إخفاق. والرد الذي لا يعيد شيئاً نجاحٌ لهذا الادعاء، ويُسجَّل حدّاً منفصلاً.
- ما يحكم فيه إنسان
- يقرأ إنسانٌ التذاكر الخمس غير المغطّاة ويؤكّد أن أياً من القيم الأربع لا ينطبق عليها حقاً. فالاختبار كله قائم على هذا الحكم، ولو حكم فيه نموذجٌ لصحّح ورقته بنفسه.
الأدلة التي يجب أن تنتجها
- code-result: أجسام الطلبات والردود للنداءات الستين كلها، بعد إزالة بيانات الاعتماد
- benchr-measurement: عدد الردود لكل نتيجة، في جدول
- المخطط حرفياً، ليتمكّن شخص آخر من إرسال المخطط نفسه
ما لم تستطع اختباره
- نموذج واحد، وإصدار واحد من الواجهة، وشكل مخطط واحد. ولا يقول شيئاً عن المخططات المتداخلة ولا عن مزوّدين آخرين.
- الرفض والقطع عند حدّ التوكنات كلاهما لا يعيد كائناً. ولا تستطيع هذه التجربة التمييز بينهما دون سبب التوقّف، فهي تسجّل سبب التوقّف في كل نداء.
BVP-20260905-CACHE-01مصمَّمة ولم تُشغَّللا تتوفّر بيانات اعتماد لواجهة برمجية في هذه البيئة.
الموضوع cache-a-prompt-to-cut-the-bill
- الادعاء
- البادئة المعلَّمة قابلةً للتخزين والمتروكة كما هي بايتاً ببايت تُقرأ من التخزين في النداء الثاني ضمن عمر المدخلة، ويبلّغ الرد بذلك، فيصير التوفير قابلاً للفحص لا مفترضاً.
- ما الذي يُعدّ نجاحاً
- يبلّغ النداء الأول بإنشاء تخزين أكبر من صفر وقراءة تخزين صفراً. وتبلّغ النداءات من 2 إلى 10 بقراءة أكبر من صفر. ويبلّغ النداء بعد عشر دقائق بقراءة صفر، فتظهر المدخلة وقد انتهت. أما ذراع الضبط فتبلّغ صفراً في الحقلين طوال الوقت. ولا يُدّعى شيء عن حجم التوفير خارج أعداد التوكنات التي يعيدها الرد نفسه.
- ما يحكم فيه إنسان
- يؤكّد إنسانٌ أن البادئة كانت متطابقة بايتاً ببايت بين النداءات. فحرف واحد متغيّر يفسّر قراءةً صفريّة، ولولا ذلك لبدا الأمر إخفاقاً للقدرة.
الأدلة التي يجب أن تنتجها
- benchr-measurement: حقول توكنات التخزين الأربعة لكل نداء، في جدول
- code-result: باني الطلب، ليمكن فحص تطابق البادئة بايتاً ببايت
ما لم تستطع اختباره
- البادئة الأقصر من حدّ التخزين الأدنى تُخزَّن صامتةً وتبلّغ بأصفار، فحُدِّد حجم المستند فوق الحد الموثَّق عمداً.
- هذا يقيس الآلية لا الفاتورة. وقيمة التخزين تعتمد على حِمل عمل لا تملكه هذه التجربة.
بروتوكول التحقق في benchr
سبع خطوات، وتبطل التشغيلة إذا غابت أي منها عن السجل.
- صُغ الادعاء جملةً واحدة قابلة للاختبار قبل تشغيل أي شيء، كي لا يُعاد تفسيره بعد النتيجة.
- سمِّ الموضوع بدقة: النموذج وإصداره، والسطح أو الواجهة، وإصدار ذلك السطح.
- سجّل البيئة: نظام التشغيل، وظروف الشبكة، وكل ما قد يجعل النتيجة محلّية لا عامة.
- سجّل المدخلات والتعليمة أو الموجّه حرفيًا، فالموجّه المُعاد صياغته ليس دليلًا.
- سجّل الإعدادات السارية، بما فيها ما تُرك على قيمته الافتراضية.
- سجّل المخرجات المرصودة والنتيجة. ويُنشر الجزئي والإخفاق كما يُنشر النجاح.
- سجّل الأدلة ووصفة إعادة الإنتاج، ثم اذكر حدود التشغيلة، بدءًا بما لم تختبره.
محور التوثيق
- التوثيقموثّق رسميًايصفه توثيق المزوّد الرسمي الحالي، وقد قرأ benchr تلك الصفحة في التاريخ المعروض.
- التوثيقموثّق جزئيًايوثّق المزوّد الآلية دون النتيجة، أو يوثّقها ضمن حدود معلنة فقط.
- التوثيققيد الإيقافأعلن المزوّد السحب أو أغلق الوصول الجديد أو حدّد تاريخ تقاعد.
- التوثيقيحتاج إعادة فحصلم يُعَد قراءة التوثيق داخل نافذة الفحص. يُحتسب آليًا ولا يُضبط يدويًا.
- التوثيقغير موثّقلا مصدر رسمي يصفه. تصل الإرسالات إلى هنا حتى يوجد مصدر.
محور الاختبار
- الاختبارمتحقَّق من Benchrشغّله benchr وأعاد إنتاج النتيجة. وكل تشغيلة منشورة بنموذجها وسطحها ومدخلاتها وإعداداتها وبيئتها ومخرجاتها وأدلتها.
- الاختبارأُعيد إنتاجه جزئيًانجحت تشغيلة لـbenchr ضمن ظروف أضيق من الادعاء.
- الاختباريحتاج إعادة اختبارآخر تشغيلة ناجحة أقدم من نافذة إعادة الاختبار، أو تغيّرت إحدى تبعياتها.
- الاختبارمتوقّفأخفقت تشغيلة لـbenchr. وتُنشر التشغيلة إلى جانب السجل.
- الاختبارلم يختبره benchrلم يشغّله benchr. وهذا هو الوضع الافتراضي الصادق، ومنه يبدأ كل سجل.