Composer vs GPT-5-Codex — من يفوز في حرب البرمجة؟

شهدت الأشهر القليلة الماضية تصاعدًا سريعًا في الترميز الوكيل: نماذج متخصصة لا تكتفي بالإجابة على أسئلة لمرة واحدة، بل تخطط وتُحرر وتُختبر وتُكرر عبر مستودعات كاملة. اثنان من أبرز المشاركين هما ملحن، وهو نموذج ترميز منخفض الكمون تم تصميمه خصيصًا وتم تقديمه بواسطة Cursor مع إصدار Cursor 2.0، و GPT-5-Codexنسخة OpenAI المُحسّنة للوكلاء من GPT-5، المُعدّلة لسير عمل ترميز مُستدام. تُوضّح هذه النسخ معًا نقاط الضعف الجديدة في أدوات المطورين: السرعة مقابل العمق، والوعي بمساحة العمل المحلية مقابل التفكير العام، وسهولة "ترميز الاهتزاز" مقابل صرامة الهندسة.

نظرة عامة: الفروقات المباشرة

• غرض التصميم: GPT-5-Codex — تفكير عميق وفعال ومتين للجلسات الطويلة والمعقدة؛ Composer — تكرار سريع وواعٍ لمساحة العمل ومُحسَّن للسرعة.
• سطح التكامل الأساسي: GPT-5-Codex — واجهة برمجة تطبيقات المنتج/الاستجابات Codex، بيئات التطوير المتكاملة، التكاملات المؤسسية؛ Composer — محرر Cursor وواجهة المستخدم متعددة الوكلاء في Cursor.
• زمن الوصول/التكرار: يؤكد المؤلف على الدورات التي تقل عن 30 ثانية ويدعي مزايا السرعة الكبيرة؛ ويعطي GPT-5-Codex الأولوية للدقة والتشغيل المستقل لعدة ساعات عند الحاجة.

لقد اختبرت واجهة برمجة تطبيقات GPT-5-Codex النموذج المقدم من قبل كوميت ايه بي اي (موفر تجميع واجهة برمجة التطبيقات التابع لجهة خارجية، وأسعار واجهة برمجة التطبيقات الخاصة به أرخص عمومًا من الأسعار الرسمية)، لخص تجربتي في استخدام نموذج Composer الخاص بـ Cursor 2.0، وقارن بين الاثنين في أبعاد مختلفة للحكم على توليد التعليمات البرمجية.

ما هو Composer و GPT-5-Codex

ما هو GPT-5-Codex وما هي المشاكل التي يهدف إلى حلها؟

GPT-5-Codex من OpenAI هي نسخة مُخصصة من GPT-5، تُشير OpenAI إلى أنها مُحسّنة لسيناريوهات الترميز الوكيل: إجراء الاختبارات، وتعديلات الكود على نطاق المستودع، والتكرار تلقائيًا حتى اجتياز الاختبارات. يُركز هذا على إمكانيات واسعة النطاق في العديد من المهام الهندسية - التفكير العميق لعمليات إعادة الهيكلة المعقدة، والعمليات "الوكيلة" طويلة المدى (حيث يُمكن للنموذج قضاء دقائق إلى ساعات في التفكير والاختبار)، وأداء أقوى على معايير قياسية مُصممة لتعكس مشاكل هندسية واقعية.

ما هو Composer وما هي المشاكل التي يهدف إلى حلها؟

Composer هو أول نموذج برمجة أصلي من Cursor، ظهر مع Cursor 2.0. يصف Cursor Composer بأنه نموذج رائد، مُركّز على العميل، مُصمّم لتوفير زمن انتقال منخفض وتكرار سريع داخل سير عمل المطورين: تخطيط فروق الملفات المتعددة، وتطبيق البحث الدلالي على مستوى المستودع، وإكمال معظم المهام في أقل من 30 ثانية. تم تدريبه مع إمكانية الوصول إلى الأدوات في الحلقة (البحث، التحرير، تسخير الاختبار) ليكون فعالاً في المهام الهندسية العملية، وللتقليل من احتكاك دورات الاستجابة المتكررة في البرمجة اليومية. يُصنّف Cursor Composer كنموذج مُحسّن لسرعة المطورين وحلقات التغذية الراجعة الفورية.

نطاق النموذج وسلوك وقت التشغيل

• ملحن: مُحسّن لتفاعلات سريعة ومُركزة على المُحرّر، مع اتساق بين الملفات المتعددة. يُمكّن تكامل Cursor على مستوى المنصة Composer من الاطلاع على المزيد من محتويات المستودع والمشاركة في تنسيق وكلاء متعددين (مثلاً، وكيلان من Composer مقابل آخرين)، وهو ما يُشير Cursor إلى أنه يُقلل من التبعيات المفقودة بين الملفات.
• GPT-5-Codex: مُحسّنة لاستدلال أعمق وأطوال متغيرة. تُعلن OpenAI عن قدرة النموذج على استبدال الحوسبة/الوقت باستدلال أعمق عند الضرورة - ويقال إنها تتراوح بين ثوانٍ للمهام الخفيفة وساعات لعمليات التشغيل المستقلة المكثفة - مما يُتيح إعادة هيكلة أكثر شمولاً وتصحيح أخطاء موجه بالاختبار.

الإصدار المختصر: Composer = Cursor's in-IDE، نموذج الترميز المدرك لمساحة العمل؛ GPT-5-Codex = متغير GPT-5 المتخصص من OpenAI للهندسة البرمجية، والمتاح عبر Responses/Codex.

كيف تتم مقارنة Composer و GPT-5-Codex من حيث السرعة؟

ماذا ادعى البائعون؟

يُصنّف Cursor Composer كمبرمج رائد: تُبرز الأرقام المنشورة معدل إنتاجية التوليد المُقاس بالرموز في الثانية، بالإضافة إلى مزاعم بسرعته في إكمال التفاعلات بما يتراوح بين 2 و4 أضعاف مقارنةً بالنماذج الرائدة في بيئة Cursor الداخلية. تُشير تقارير مستقلة (من الصحافة والمختبرين الأوائل) إلى أن Composer يُنتج شيفرةً بسرعة تتراوح بين 200 و250 رمزًا في الثانية في بيئة Cursor، ويُكمل دورات الترميز التفاعلية النموذجية في أقل من 30 ثانية في كثير من الحالات.

لا يتم وضع GPT-5-Codex من OpenAI كتجربة زمن انتقال؛ فهو يعطي الأولوية للمتانة والتفكير العميق - وفي أحمال عمل التفكير العالي القابلة للمقارنة - يمكن أن يكون أبطأ عند استخدامه في أحجام سياق أعلى، وفقًا لتقارير المجتمع وخيوط المشكلات.

كيف قمنا بقياس السرعة (المنهجية)

لإنتاج مقارنة عادلة للسرعة، يجب عليك التحكم في نوع المهمة (الإكمالات القصيرة مقابل الاستدلال الطويل)، والبيئة (زمن وصول الشبكة، والتكامل المحلي مقابل التكامل السحابي) وقياس كليهما الوقت المستغرق لتحقيق أول نتيجة مفيدة و ساعة حائط من طرف إلى طرف (بما في ذلك أي خطوات تنفيذ اختبار أو تجميع). النقاط الرئيسية:

• المهام المختارة - إنشاء مقتطف صغير (تنفيذ نقطة نهاية واجهة برمجة التطبيقات)، مهمة متوسطة (إعادة تصميم ملف واحد وتحديث الواردات)، مهمة كبيرة (تنفيذ ميزة عبر ثلاثة ملفات، تحديث الاختبارات).
• المقاييس — الوقت المستغرق حتى ظهور الرمز الأول، والوقت المستغرق حتى ظهور أول فرق مفيد (الوقت حتى إصدار التصحيح المرشح)، والوقت الإجمالي بما في ذلك تنفيذ الاختبار والتحقق منه.
• التكرار — يتم تشغيل كل مهمة بمعدل 10 مرات، ويتم استخدام المتوسط ​​لتقليل ضوضاء الشبكة.
• البيئة - تم أخذ القياسات من جهاز مطور في طوكيو (لتعكس زمن الوصول في العالم الحقيقي) مع رابط مستقر بسرعة 100/10 ميجابايت في الثانية؛ وسوف تختلف النتائج إقليميًا.

فيما يلي نسخة قابلة للتكرار تسخير السرعة لـ GPT-5-Codex (واجهة برمجة تطبيقات الاستجابات) ووصف لكيفية قياس Composer (داخل Cursor).

تسخير السرعة (Node.js) — GPT-5-Codex (واجهة برمجة تطبيقات الاستجابات):

// node speed_harness_gpt5_codex.js
// Requires: node16+, npm install node-fetch
import fetch from "node-fetch";
import { performance } from "perf_hooks";

const API_KEY = process.env.OPENAI_API_KEY; // set your key
const ENDPOINT = "https://api.openai.com/v1/responses"; // OpenAI Responses API
const MODEL = "gpt-5-codex";

async function runPrompt(prompt) {
  const start = performance.now();
  const body = {
    model: MODEL,
    input: prompt,
    // small length to simulate short interactive tasks
    max_output_tokens: 256,
  };

  const resp = await fetch(ENDPOINT, {
    method: "POST",
    headers: {
      "Authorization": `Bearer ${API_KEY}`,
      "Content-Type": "application/json"
    },
    body: JSON.stringify(body)
  });
  const json = await resp.json();
  const elapsed = performance.now() - start;
  return { elapsed, output: json };
}

(async () => {
  const prompt = "Implement a Node.js Express route POST /signup that validates email and stores user in-memory with hashed password (bcrypt). Return code only.";
  const trials = 10;
  for (let i=0;i<trials;i++){
    const r = await runPrompt(prompt);
    console.log(`trial ${i+1}: ${Math.round(r.elapsed)} ms`);
  }
})();

يقيس هذا زمن انتظار الطلب من البداية إلى النهاية لـ GPT-5-Codex باستخدام واجهة برمجة التطبيقات Responses العامة (تصف مستندات OpenAI واجهة برمجة التطبيقات Responses واستخدام نموذج gpt-5-codex).

كيفية قياس سرعة Composer (المؤشر):

يعمل Composer داخل Cursor 2.0 (نسخة سطح المكتب/نسخة VS Code). لا يوفر Cursor (حتى كتابة هذه السطور) واجهة برمجة تطبيقات HTTP خارجية عامة لـ Composer تُطابق واجهة برمجة تطبيقات الاستجابات من OpenAI؛ تكمن قوة Composer في تكامل مساحة العمل ذات الحالة داخل IDEلذلك قم بقياس Composer كما يفعل المطور البشري:

1. افتح نفس المشروع داخل Cursor 2.0.
2. استخدم Composer لتشغيل نفس المطالبة كمهمة وكيل (إنشاء مسار، إعادة هيكلة، تغيير ملفات متعددة).
3. ابدأ تشغيل ساعة الإيقاف عند إرسال خطة Composer؛ وأوقفها عندما يصدر Composer الفرق الذري ويقوم بتشغيل مجموعة الاختبار (يمكن لواجهة Cursor تشغيل الاختبارات وإظهار الفرق الموحد).
4. كرر 10× واستخدم الوسيط.

تُظهر المواد المنشورة والمراجعات العملية لشركة Cursor أن Composer يكمل العديد من المهام الشائعة في أقل من 30 ثانية في الممارسة العملية؛ وهذا هدف زمن انتقال تفاعلي وليس وقت استنتاج النموذج الخام.

الوجبات الجاهزة: يهدف تصميم Composer إلى تحريرات تفاعلية سريعة داخل المحرر؛ إذا كانت أولويتك هي حلقات الترميز التفاعلية منخفضة الكمون، فإن Composer مصمم خصيصًا لهذا الاستخدام. GPT-5-Codex مُحسّن لتحقيق الدقة والتفكير الوكيل عبر جلسات أطول؛ ويمكنه استبدال وقت استجابة أطول بقليل بتخطيط أعمق. وتدعم أعداد البائعين هذا التوجه.

كيف تتم مقارنة الدقة بين Composer وGPT-5-Codex؟

ما معنى الدقة في برمجة الذكاء الاصطناعي

الدقة هنا متعددة الأوجه: صحة وظيفية (هل يتم تجميع الكود واجتياز الاختبارات) صحة دلالية (هل السلوك يتوافق مع المواصفات)، و متانة (يتعامل مع الحالات الهامشية والمخاوف الأمنية).

أرقام البائعين والصحافة

أعلنت شركة OpenAI عن أداء قوي لـ GPT-5-Codex على مجموعات البيانات التي تم التحقق منها باستخدام SWE-bench وسلطت الضوء على 74.5 نسبة النجاح٪ في معيار الترميز في العالم الحقيقي (كما ورد في التغطية الصحفية) وارتفاع ملحوظ في نجاح إعادة الهيكلة (51.3% مقابل 33.9 لـ GPT-5 الأساسي في اختبار إعادة الهيكلة الداخلي).

يشير إصدار Cursor إلى أن Composer يتميز غالبًا بتحرير ملفات متعددة وحساس للسياق، حيث يكون تكامل المحرر ووضوح المستودع أمرًا بالغ الأهمية. بعد أن أظهرت اختباراتي أن Composer أنتج عددًا أقل من أخطاء التبعيات المفقودة أثناء عمليات إعادة هيكلة الملفات المتعددة، وحقق نتائج أعلى في اختبارات المراجعة العمياء لبعض أحمال العمل متعددة الملفات. كما تساعدني ميزات زمن الوصول والوكيل المتوازي في Composer على تحسين سرعة التكرار.

اختبار الدقة المستقل (الطريقة الموصى بها)

يستخدم الاختبار العادل مزيجًا من:

• اختبارات الوحدة:إطعام نفس المستودع ومجموعة الاختبار لكلا النموذجين؛ إنشاء التعليمات البرمجية، وتشغيل الاختبارات.
• اختبارات إعادة الهيكلة:توفير وظيفة فوضوية بشكل مقصود وطلب من النموذج إعادة هيكلة وإضافة الاختبارات.
• التفتيش الأمني: قم بتشغيل التحليل الثابت وأدوات SAST على الكود الناتج (على سبيل المثال، Bandit، وESLint، وsemgrep).
• مراجعة بشرية:تقييمات مراجعة الكود من قبل مهندسين ذوي خبرة فيما يتعلق بإمكانية الصيانة وأفضل الممارسات.

مثال: تسخير الاختبار الآلي (Python) - تشغيل التعليمات البرمجية المولدة واختبارات الوحدة

# python3 run_generated_code.py

# This is a simplified harness: it writes model output to file, runs pytest, captures results.
import subprocess, tempfile, os, textwrap

def write_file(path, content):
    with open(path, "w") as f:
        f.write(content)

# Suppose `generated_code` is the string returned from model

generated_code = """
# sample module

def add(a,b):
    return a + b
"""

tests = """
# test_sample.py

from sample import add
def test_add():
    assert add(2,3) == 5
"""

with tempfile.TemporaryDirectory() as d:
    write_file(os.path.join(d, "sample.py"), generated_code)
    write_file(os.path.join(d, "test_sample.py"), tests)
    r = subprocess.run(, cwd=d, capture_output=True, text=True, timeout=30)
    print("pytest returncode:", r.returncode)
    print(r.stdout)
    print(r.stderr)

استخدم هذا النمط للتحقق تلقائيًا من صحة مخرجات النموذج وظيفيًا (اجتياز الاختبارات). لمهام إعادة الهيكلة، شغّل الحزمة على المستودع الأصلي بالإضافة إلى اختلافات النموذج، وقارن معدلات اجتياز الاختبارات وتغييرات التغطية.

الوجبات الجاهزة: في مجموعات معايير الأداء الخام، يُظهر GPT-5-Codex أرقامًا ممتازة وقدرة فائقة على إعادة الهيكلة. في سير عمل إصلاح وتحرير ملفات متعددة في العالم الحقيقي، يُمكن لإدراك Composer لمساحة العمل أن يُحقق قبولًا عمليًا أعلى وأخطاء "ميكانيكية" أقل (مثل عمليات الاستيراد المفقودة وأسماء الملفات الخاطئة). لتحقيق أقصى دقة وظيفية في المهام الخوارزمية أحادية الملف، يُعد GPT-5-Codex خيارًا قويًا؛ أما بالنسبة للتغييرات متعددة الملفات والحساسة للاتفاقيات داخل بيئة التطوير المتكاملة، فغالبًا ما يتألق Composer.

Composer مقابل GPT-5: كيف تتم مقارنتهما من حيث جودة الكود؟

ما الذي يعد جودة؟

تشمل الجودة سهولة القراءة، والتسمية، والتوثيق، وتغطية الاختبارات، واستخدام الأنماط الاصطلاحية، والسلامة الأمنية. تُقاس الجودة تلقائيًا (باستخدام أدوات التحقق من الأخطاء، ومقاييس التعقيد)، ونوعيًا (باستخدام المراجعة البشرية).

الاختلافات الملحوظة

• GPT-5-Codex: يتميز بقدرته على إنتاج أنماط اصطلاحية عند طلبه صراحةً؛ ويتميز بوضوح خوارزمياته، ويمكنه إنتاج مجموعات اختبارات شاملة عند الطلب. تتضمن أدوات Codex من OpenAI سجلات اختبار/تقارير وتنفيذ متكاملة.
• ملحنمُحسَّنٌ لمراعاة نمط المستودع واتفاقياته تلقائيًا؛ يستطيع Composer متابعة أنماط المشاريع الحالية وتنسيق التحديثات على ملفات متعددة (إعادة تسمية/إعادة هيكلة، واستيراد التحديثات). يوفر صيانةً ممتازةً عند الطلب للمشاريع الكبيرة.

أمثلة على فحوصات جودة الكود التي يمكنك تشغيلها

1. لينترز — ESLint / pylint
2. تعقيد — الرادون / تعقيد الرقائق 8
3. أمن — semgrep / Bandit
4. تغطية الاختبار — قم بتشغيل coverage.py أو vitest/nyc لـ JS

أتمتة هذه الفحوصات بعد تطبيق تصحيح النموذج لقياس التحسينات أو التراجعات. مثال على تسلسل الأوامر (مستودع جافا سكريبت):

# after applying model patch

npm ci
npm test
npx eslint src/
npx semgrep --config=auto .

المراجعة البشرية وأفضل الممارسات

عمليًا، تتطلب النماذج تعليماتٍ لاتباع أفضل الممارسات: طلب سلاسل توثيق، أو تعليقات على الأنواع، أو تثبيت التبعيات، أو أنماط محددة (مثل async/await). يُعدّ GPT-5-Codex ممتازًا عند تزويده بتعليمات صريحة؛ بينما يستفيد Composer من سياق المستودع الضمني. استخدم نهجًا مُركّبًا: وجّه النموذج صراحةً، ودع Composer يُطبّق نمط المشروع إذا كنت داخل Cursor.

التوصية: بالنسبة لأعمال الهندسة متعددة الملفات داخل IDE، يفضل استخدام Composer؛ بالنسبة لأنابيب الأنابيب الخارجية أو مهام البحث أو أتمتة سلسلة الأدوات حيث يمكنك استدعاء واجهة برمجة التطبيقات وتوفير سياق كبير، يعد GPT-5-Codex خيارًا قويًا.

خيارات التكامل والنشر

يأتي Composer كجزء من Cursor 2.0، وهو مُدمج في مُحرر Cursor وواجهة المستخدم. يُركز نهج Cursor على مستوى تحكم واحد للبائع، يُشغّل Composer جنبًا إلى جنب مع نماذج أخرى، مما يسمح للمستخدمين بتشغيل نماذج متعددة على نفس المُوجّه ومقارنة النتائج داخل المُحرر. ()

يتم دمج GPT-5-Codex ضمن عروض Codex من OpenAI وسلسلة منتجات ChatGPT، مع توفره عبر فئات ChatGPT المدفوعة وواجهة برمجة التطبيقات (API)، مما يوفر قيمة أفضل مقابل المال من خلال منصات خارجية مثل CometAPI. كما تعمل OpenAI على دمج Codex في أدوات المطورين وسير عمل شركاء السحابة (على سبيل المثال، تكامل Visual Studio Code/GitHub Copilot).

إلى أين قد يدفع Composer و GPT-5-Codex الصناعة في المرحلة التالية؟

الآثار على المدى القصير

• دورات تكرار أسرع: تعمل النماذج المضمنة في المحرر مثل Composer على تقليل الاحتكاك في الإصلاحات الصغيرة وتوليد العلاقات العامة.
• تزايد التوقعات بشأن التحقق: إن التركيز الذي توليه Codex على الاختبارات والسجلات والقدرة المستقلة سوف يدفع البائعين إلى توفير التحقق الجاهز بشكل أقوى للكود المنتج بواسطة النموذج.

متوسطة إلى طويلة المدى

• يصبح التنسيق متعدد النماذج أمرًا طبيعيًا: إن واجهة المستخدم الرسومية متعددة الوكلاء في Cursor هي تلميح مبكر إلى أن المهندسين سيتوقعون قريبًا تشغيل العديد من الوكلاء المتخصصين بالتوازي (التحقق، والأمان، وإعادة الهيكلة، وتحسين الأداء) وقبول أفضل النتائج.
• حلقات ردود الفعل CI/AI الأكثر إحكامًا: مع تحسن النماذج، ستدمج خطوط أنابيب التكامل المستمر بشكل متزايد توليد الاختبارات القائمة على النموذج واقتراحات الإصلاح الآلية - ولكن المراجعة البشرية والطرح المرحلي يظلان أمرين حاسمين.

الخاتمة

لا يُعدّ Composer وGPT-5-Codex سلاحين متطابقين في نفس سباق التسلح؛ فهما أداتان متكاملتان مُحسّنتان لأجزاء مختلفة من دورة حياة البرنامج. تكمن قيمة Composer في السرعة: تكرار سريع قائم على بيئة العمل يُبقي المطورين في حالة انسيابية. أما GPT-5-Codex، فتتمثل في العمق: استمرارية فعّالة، ودقة مُعتمدة على الاختبار، وقابلية تدقيق للتحويلات الضخمة. يكمن دليل الهندسة العملية في... تنظيم كليهما: وكلاء شبيهون بـ Composer قصيري الحلقات للتدفق اليومي، ووكلاء شبيهون بـ GPT-5-Codex للعمليات المُغلقة عالية الثقة. تشير المعايير الأولية إلى أن كليهما سيكون جزءًا من مجموعة أدوات المطورين على المدى القريب، ولن يحل أحدهما محل الآخر.

لا يوجد فائز واحد في جميع الأبعاد. تتبادل النماذج نقاط القوة:

• GPT-5-Codex: يُحسّن الأداء في معايير الدقة العميقة، والاستدلال واسع النطاق، وسير العمل المستقل الذي يستغرق ساعات طويلة. ويتألق عندما يتطلب تعقيد المهمة استدلالًا طويلًا أو تحققًا مكثفًا.
• ملحن: أداء أقوى في حالات الاستخدام المُدمجة مع المُحرر، واتساق سياقات الملفات المتعددة، وسرعة التكرار العالية داخل بيئة Cursor. يُحسّن هذا الأداء إنتاجية المطورين اليومية حيثما تكون هناك حاجة إلى تعديلات فورية ودقيقة مع مراعاة السياق.

انظر أيضا Cursor 2.0 وComposer: كيف فاجأت إعادة التفكير متعددة الوكلاء برمجة الذكاء الاصطناعي

كيف تبدأ

CometAPI هي منصة واجهات برمجة تطبيقات موحدة تجمع أكثر من 500 نموذج ذكاء اصطناعي من أبرز المزودين، مثل سلسلة GPT من OpenAI، وGemini من Google، وClaude من Anthropic، وMidjourney، وSuno، وغيرهم، في واجهة واحدة سهلة الاستخدام للمطورين. من خلال توفير مصادقة متسقة، وتنسيق الطلبات، ومعالجة الردود، تُبسط CometAPI بشكل كبير دمج قدرات الذكاء الاصطناعي في تطبيقاتك. سواء كنت تُنشئ روبوتات دردشة، أو مُولّدات صور، أو مُلحّنين موسيقيين، أو خطوط أنابيب تحليلات قائمة على البيانات، تُمكّنك CometAPI من التكرار بشكل أسرع، والتحكم في التكاليف، والاعتماد على مورد واحد فقط، كل ذلك مع الاستفادة من أحدث التطورات في منظومة الذكاء الاصطناعي.

يمكن للمطورين الوصول واجهة برمجة تطبيقات GPT-5-Codexمن خلال CometAPI، أحدث إصدار للنموذج يتم تحديثه دائمًا بالموقع الرسمي. للبدء، استكشف إمكانيات النموذج في ملعب واستشر دليل واجهة برمجة التطبيقات للحصول على تعليمات مفصلة. قبل الدخول، يُرجى التأكد من تسجيل الدخول إلى CometAPI والحصول على مفتاح API. كوميت ايه بي اي عرض سعر أقل بكثير من السعر الرسمي لمساعدتك على التكامل.

هل أنت مستعد للذهاب؟→ سجل في CometAPI اليوم !

إذا كنت تريد معرفة المزيد من النصائح والإرشادات والأخبار حول الذكاء الاصطناعي، فتابعنا على VK, X و ديسكورد!