OvisOCR3: نموذج بـ 0.8 مليار معامل يقرأ الوثائق أفضل من الأنظمة المتخصصة

قدّم فريق ATH-MaaS نموذج OvisOCR3، وهو نموذج للتعرّف على الوثائق وتحليلها لا يتجاوز وزنه 0.8 مليار معامل، قادر على التعامل مع خمس مهام مختلفة في آنٍ واحد، ويتفوق في مقاييس عديدة على أنظمة متخصصة للغاية. النموذج متاح بشكل مفتوح على منصة HuggingFace.

لماذا نموذج صغير واحد بدلًا من خمسة أنظمة متخصصة؟

عادةً ما يتطلب تحليل الوثائق مجموعة كاملة من الأدوات: نظام يتعرّف على النص المطبوع، وآخر على الجداول، وثالث مخصص لاستخراج الحقول من النماذج، ورابع يصف الرسوم البيانية والصور، وخامس يدمج الجداول الممزّقة بين صفحات ملف PDF. الحفاظ على خمسة نماذج وتشغيلها أكثر تكلفة وتعقيدًا من نموذج واحد. لكن لا يمكن ببساطة دمج جميع المهام في مجموعة تدريب واحدة: فالترميز الكامل لصفحة ما يمثّل آلاف الرموز النصية (tokens)، في حين أن استخراج حقل واحد من فاتورة لا يتجاوز بضع كلمات. وإذا حُسبت خسارة التدريب رمزًا برمز، فإن المهام الطويلة «تطغى» على المهام القصيرة، ويصبح النموذج أقل كفاءة في الاستخراج الدقيق للبيانات.

حلّ المؤلفون هذه المشكلة من خلال تدريب على أربع مراحل. أولًا، خضع النموذج المستند إلى Qwen3.5-0.

8B لتدريب إضافي على 72 مليون مثال — تشمل كتبًا تعليمية وتقارير وملاحظات مكتوبة بخط اليد وصورًا لوثائق مأخوذة بالهاتف. ثم أُعيدت هيكلة مجموعة البيانات بحيث تحصل كل من المهام الخمس على نسبة متقاربة من اهتمام النموذج (16 إلى 23% من 8.8 مليون مثال لكل مهمة)، بصرف النظر عن طول الإجابة.

بعد ذلك، تدخّل خمسة «معلّمين» — نماذج مستقلة بـ 4 مليارات معامل، كل منها خبير في مجال ضيّق. نقل هؤلاء معرفتهم إلى النموذج الصغير النهائي من خلال ما يُعرف بالتقطير القائم على السياسة (on-policy distillation): يتعلّم النموذج تصحيح أخطائه الخاصة تحت إشراف المعلّم، بدلًا من إعادة إنتاج إجاباته مباشرة. وكانت المرحلة الأخيرة هي التعلّم المعزّز، حيث يحصل النموذج على مكافأة مستقلة لكل من المهام الخمس، مُصمَّمة خصيصًا لخصوصية تلك المهمة.

ما يستطيع النموذج فعله عمليًا

يغطي OvisOCR3 خمسة مجالات:

• تحليل الوثائق — يعيد بناء بنية الصفحة: النص، والصيغ الرياضية بصيغة LaTeX، والجداول بصيغة HTML، وترتيب القراءة، وتوزيع العناصر على الصورة
• التعرّف العام على النص (OCR) — عشرة أنماط مختلفة: من القراءة البسيطة للنص إلى ترجمة الكتابات، والتعرّف على الصيغ الرياضية، وتحليل الرسوم البيانية، والإجابة على الأسئلة البصرية مع الاستدلال
• استخراج المعلومات الأساسية — يستخرج الحقول من النماذج والفواتير والوثائق الطبية، سواء وفقًا لمخطط يحدده المستخدم أو بتحديد ما هو مهم في الوثيقة بشكل مستقل
• وصف الصور داخل الوثائق — يحدد الصور الفوتوغرافية والرسوم التوضيحية والرسوم البيانية ومخططات التدفق في الصفحة، ويقدّم وصفًا نصيًا موجزًا (حتى 100 كلمة)، ويبني مخطط علاقات لمخططات التدفق
• إعادة بناء الجداول الممزّقة بين الصفحات — إذا كان جدول في تقرير ما ممزّقًا بسبب الانتقال إلى صفحة جديدة، يحدد النموذج هذا الانقطاع ويدمج الأجزاء في جدول واحد متكامل

النتائج في الاختبارات

في معيار OmniDocBench v1.6، الذي يقيّم دقة التعرّف على النص والصيغ الرياضية والجداول وصحة ترتيب القراءة، حصل النموذج على 96.74 نقطة من 100 — وهي أفضل نتيجة بين جميع الأنظمة المختبرة. وفي ثلاثة اختبارات أخرى لتحليل الوثائق (PureDocBench، وReal5-OmniDocBench، وMDPBench)، تقدّم النموذج أيضًا على جميع النماذج المقارَنة.

في OCRBench v2 — اختبار يقيّم التعرّف على النص في ظروف معقدة بلغتين — احتل OvisOCR3 المركز الأول بنتيجة 65.9 نقطة في الإنجليزية و61.3 في الصينية. كما تفوّق على منافسيه في جميع اختبارات استخراج المعلومات من الوثائق الأربعة (KIE) وفي OCRBench العادي.

وفي وصف الصور داخل الوثائق، أظهر النموذج أفضل دقة في تحديد حدود الصورة والتعليق التوضيحي، بجودة قريبة من نتائج Qwen3.8-Max — وهو نموذج أكبر بكثير. وفي مهمة دمج الجداول بين الصفحات، تفوّق OvisOCR3 على منافسيه في دقة إعادة بناء الروابط بين أجزاء الجدول (CrossTabBench) وفي جودة استعادة الجداول المقطوعة (MPDocBench-Parse).

ماذا يعني هذا للمهندسين؟

الخلاصة العملية: لا حاجة للاحتفاظ بمجموعة متنوعة من خمسة نماذج مختلفة لمعالجة أنواع مختلفة من الوثائق — نموذج مُكثّف واحد بـ 0.8 مليار معامل، إذا دُرّب بالطريقة الصحيحة، يغطي كامل نطاق المهام بجودة تضاهي الأنظمة المتخصصة. وهذا يقلّل من تكاليف البنية التحتية ويبسّط عملية النشر للفرق التي تحتاج إلى معالجة تدفقات مختلطة من الوثائق: المستندات الممسوحة، والصور، والنماذج، والتقارير التي تحتوي على جداول ورسوم بيانية. ويوضّح المؤلفون بصراحة أن هذه النتيجة لم تكن ممكنة في نموذج مُكثّف دون إعادة توزيع بيانات التدريب حسب المهمة ودون التقطير من معلّمين متخصصين — فمجرد دمج مجموعات البيانات لا يكفي.