BRIA تطلق RMBG-3.0: يزيل الخلفية في 6 ثوانٍ ويتفوق على BiRefNet في 75.9% من المواجهات
أطلقت BRIA AI النموذج RMBG-3.0 لإزالة الخلفية، وهو يفهم ما يظهر في الإطار: شخصًا كان أم شعارًا على عبوة أم ظلًّا على الأرض. لذلك تُنظَّف الشبكات المعدنية وأسلاك عجلات الدراجة من الخلفية، ولا تختفي النصوص الصغيرة على المنتجات. وتستغرق معالجة الصورة بدقتها الكاملة نحو 6 ثوانٍ على بطاقة NVIDIA L40S. وفي كتالوجات المنتجات، من المنطق تمرير أصعب الصور عبره.
معالج بواسطة الذكاء الاصطناعي من TG: @cgevent (Метаверсище и ИИще)؛ بتحرير Hamidun News
تبدو إزالة الخلفية آليًا مشكلة محلولة، إلى أن تظهر صورة صعبة: سياج شبكي، أو دراجة بأسلاك عجلات، أو صورة جماعية، أو علبة بنص صغير على الملصق. في مثل هذه المواضع تترك أدوات القص المعتادة بقايا من الخلفية في الفراغات، أو تمحو النص الدقيق. أطلقت شركة BRIA AI النموذج RMBG-3.0، وهو الجيل الثالث من نموذجها لإزالة الخلفية، ويقوم أولًا بـ«فهم» ما هو مصوَّر في الإطار، ثم يقصّ. يستغرق نحو 6 ثوانٍ لمعالجة الصورة بدقتها الكاملة على بطاقة NVIDIA L40S واحدة، وقد احتل المرتبة الأولى في اختبار أعمى على 234 صورة صعبة بمتوسط ترتيب 1.51 (كلما اقترب الرقم من الواحد، زادت المرات التي كان فيها النموذج الأفضل).
ما الذي تغيّر تحت الغطاء
كانت النماذج السابقة أدوات تجزئة (segmentation): تبحث عن الحد الفاصل بين الجسم والخلفية وتقصّ على طول الحدود. أما RMBG-3.0 فهو أول نموذج يُبنى على أساس توليدي هو Fibo 2.0، أي على نموذج قادر على إنشاء الصور، ولذلك يفهم بنية المشهد على نحو أفضل. ثم خضع هذا الأساس لعملية تقطير (distillation): جرى ضغط النموذج الكبير إلى نسخة أخف تحتاج إلى 4 خطوات فقط بدلًا من عشرات الخطوات. كما يجري الاستدلال (inference) دون CFG، وهو وضع يتطلب في النماذج التوليدية عادةً حسابات إضافية في كل خطوة.
وبما أن النموذج يفهم دلالات المشهد، فإنه، بحسب وصف BRIA، يُبقي على جميع الأشخاص في الصور الجماعية، ولا يقطع الأطراف الباهتة بفعل الحركة، ويُبقي الشعارات الصغيرة والملصقات على المنتجات في مكانها، وينظّف الفراغات في الشبكات وبين أسلاك عجلات الدراجة، ويستبعد الظلال الساقطة.
ماذا أظهر الاختبار الأعمى
في المقارنة العمياء على 234 صورة صعبة، حلّ RMBG-3.0 في المرتبة الأولى. وهذه نسب فوز الحل الجديد في المقارنات الثنائية:
- على Photoroom — 55.1%؛
- على remove.bg من Canva — 59.4%؛
- على الإصدار السابق RMBG-2.0 — 60.9%؛
- على Ideogram — 65.6%؛
- على النموذج المفتوح BiRefNet — 75.9%.
الفارق عن الخدمات التجارية أقل منه عن النماذج المفتوحة. فأمام Photoroom يزيد التفوق قليلًا فقط على نصف الحالات، وهو أقرب إلى أفضلية طفيفة منه إلى تفوق كاسح. في المقابل يتجاوز النموذج الجديد الإصدار السابق RMBG-2.0 بفارق أوضح، وهذه حجة لمن لا يزال يعتمد الجيل السابق.
ماذا نفعل عمليًا
نُشرت الأوزان على Hugging Face (briaai/RMBG-3.0)، وهناك عرض تجريبي على الإنترنت عبر remove-bg.bria.ai، ويمكن تشغيل النموذج دون خادم خاص عبر fal.ai. بهذه الطريقة يمكن أولًا اختباره على صورك الإشكالية، ثم تقرير ما إذا كنت بحاجة إلى بنية تحتية خاصة.
ثمة بعض التحفظات. فالمنشور الأصلي لا يوضح من أجرى الاختبار تحديدًا، كما أن 234 صورة عيّنة صغيرة، ولذلك قد تختلف النتيجة على بياناتك. وينبغي قراءة شروط الترخيص للاستخدام التجاري في صفحة النموذج قبل اعتماده. وبخصوص التكلفة: 6 ثوانٍ على بطاقة L40S تتراكم في تدفق كبير إلى مبلغ ملحوظ، لذا من المعقول إبقاء الصور البسيطة ذات الخلفية أحادية اللون على أداة أسرع وأرخص.
ومن الخطط المناسبة لفريق متجر إلكتروني: جمع 50–100 صورة من أصعب الصور في تدفق العمل لديه (شبكات، وتفاصيل شفافة، وملصقات، وصور جماعية)، وتمريرها عبر RMBG-3.0 وعبر الخدمة الحالية، ثم مقارنة النتائج بالعين. وإذا كان الفارق واضحًا، فمن المنطقي توجيه الحالات الصعبة على الأقل إلى النموذج الجديد.
- 18 نوفمبر 2026بتصفير أقل من 0.05% من الأوزان: نموذج LLM كبير يتعلم مهارة جديدة بكفاءة تضاهي الضبط الدقيق
- 18 نوفمبر 2026استعادة موضع التوكن في ترانسفورمر NoPE بنسبة 99%، وفي RWKV-7 بنسبة 29–42%
- 18 نوفمبر 2026Liquid AI تطلق LiquidCodec: فك ترميز الكلام أسرع 2,9 مرة من Mimi
- 18 نوفمبر 20261000 وكيل ذكاء اصطناعي كتبوا روبوت دردشة بلا شبكة عصبية: ارتفعت نسبة الفوز من 0% إلى 26%
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الذي تغيّر تحت الغطاء؟
كانت النماذج السابقة أدوات تجزئة (segmentation): تبحث عن الحد الفاصل بين الجسم والخلفية وتقصّ على طول الحدود. أما RMBG-3.0 فهو أول نموذج يُبنى على أساس توليدي هو Fibo 2.0، أي على نموذج قادر على إنشاء الصور، ولذلك يفهم بنية المشهد على نحو أفضل. ثم خضع هذا الأساس لعملية تقطير (distillation): جرى ضغط النموذج الكبير إلى نسخة أخف تحتاج إلى 4 خطوات فقط بدلًا من عشرات الخطوات. كما يجري الاستدلال (inference) دون CFG، وهو وضع يتطلب في النماذج التوليدية عادةً حسابات إضافية في كل خطوة.
ما أبرز التفاصيل حول ماذا أظهر الاختبار الأعمى؟
في المقارنة العمياء على 234 صورة صعبة، حلّ RMBG-3.0 في المرتبة الأولى. وهذه نسب فوز الحل الجديد في المقارنات الثنائية: على Photoroom — 55.1%؛ على remove.bg من Canva — 59.4%؛ على الإصدار السابق RMBG-2.0 — 60.9%؛ على Ideogram — 65.6%؛ على النموذج المفتوح BiRefNet — 75.9%. الفارق عن الخدمات التجارية أقل منه عن النماذج المفتوحة. فأمام Photoroom يزيد التفوق قليلًا فقط على نصف الحالات، وهو أقرب إلى أفضلية طفيفة منه إلى تفوق كاسح.
ما أبرز التفاصيل حول ماذا نفعل عمليًا؟
نُشرت الأوزان على Hugging Face (briaai/RMBG-3.0)، وهناك عرض تجريبي على الإنترنت عبر remove-bg.bria.ai، ويمكن تشغيل النموذج دون خادم خاص عبر fal.ai. بهذه الطريقة يمكن أولًا اختباره على صورك الإشكالية، ثم تقرير ما إذا كنت بحاجة إلى بنية تحتية خاصة. ثمة بعض التحفظات. فالمنشور الأصلي لا يوضح من أجرى الاختبار تحديدًا، كما أن 234 صورة عيّنة صغيرة، ولذلك قد تختلف النتيجة على بياناتك. وينبغي قراءة شروط الترخيص للاستخدام التجاري في صفحة النموذج قبل اعتماده.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.