بث مباشر 18.11 · الدفعة 318 نوفمبر، 19:00 بتوقيت موسكو — ورشة عملية مجانية لوكلاء الذكاء الاصطناعي · الدفعة 3 تبدأ 23.11ورشة 18 نوفمبر ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارHabr AI→ المصدر

مُضمِّن pplx يجد الصفحة الممسوحة الصحيحة من المحاولة الأولى في 68% من الحالات، وEmbeddingGemma في 38%

كان مسح العقد يُحوَّل سابقًا إلى نص عبر OCR أولًا، أما الآن فيستطيع النموذج البحث عن الصفحة من صورتها مباشرة. قارن عالم البيانات من Raft Digital Solutions بين ثلاثة نماذج من هذا النوع. عند سؤال مثل «في أي عقد غرامة 0,1% في اليوم؟» يضع pplx-embed-late الصفحة الصحيحة في المرتبة الأولى في 68% من الحالات على DocVQA، بينما يفعل EmbeddingGemma-2 ذلك في 38%. ولا يضر ضغط الصفحة إلى 1 ميغابكسل بالجودة إلا قليلًا. وللمسوحات والجداول يُستحسن اختيار pplx، مع تخصيص مساحة أكبر للفهرس.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
مُضمِّن pplx يجد الصفحة الممسوحة الصحيحة من المحاولة الأولى في 68% من الحالات، وEmbeddingGemma في 38%
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
جداول التقارير المالية TAT-DQApplx بنسبة 65%، وWeMM-2B بنسبة 57,8%، وEmbeddingGemma-2 بنسبة 30,6%
حقيقة رئيسية #2رسوم الناتج المحلي الإجمالي، البحث بالرقم الدقيق: pplx بنسبة 82,4%، وWeMM-2B بنسبة 39,7%
شرائح SlideVQAWeMM-2B بنسبة 94,6%، وpplx قريب جدًا منه بنسبة 93,7%

تخيّلوا أرشيفًا يضم آلاف العقود والفواتير والتقارير. يسأل موظف: «في أي عقد غرامة التأخير 0,1% في اليوم؟»، وعلى النظام أن يعيد الصفحة المطلوبة. عادةً يُحوَّل المسح أولًا إلى نص عبر OCR، ثم يُقطَّع إلى أجزاء ويوضع في RAG.

ينجح هذا مع النص المتصل، لكن المعنى في الجداول والرسوم والمخططات يكمن في مواضع القيم لا في الكلمات. وقد اختبر عالم البيانات أرتيم من Raft Digital Solutions بديلًا آخر: مُضمِّنات متعددة الوسائط تبني متجهًا رقميًا للصفحة مباشرة من صورتها. المقياس الرئيسي في الاختبار هو hit@1، أي نسبة الأسئلة التي جاءت الصفحة الصحيحة فيها في المرتبة الأولى من النتائج.

على مسوحات DocVQA حقق أفضل نموذج، pplx-embed-late (يُسمّى في المقال pplx اختصارًا)، نسبة 68%، بينما حقق EmbeddingGemma-2 نسبة 38%. وإذا كنتم تبنون بحثًا في المستندات، فهذا مؤشر إلى النموذج الذي ينبغي تجربته أولًا.

من شارك وكيف جرى القياس

شملت المقارنة ثلاثة نماذج. يعطي WeMM-2B متجهًا واحدًا لكل صفحة بـ 2048 بعدًا، ويستطيع استقبال صورة مع نص. ويعطي EmbeddingGemma-2 متجهًا واحدًا أيضًا، لكن بـ 768 بعدًا فقط، وتشغل الصورة فيه 280 توكنًا افتراضيًا من ميزانية قدرها 8192. أما pplx-embed-late فبنيته مختلفة: متجه لكل توكن (بـ 128 بعدًا لكل منها)، وبحث وفق مخطط late interaction (MaxSim)، حيث تُحسب الصلة بين السؤال والصفحة بحسب أفضل أزواج التوكنات. ولا يدعم هذا النموذج الإدخال المختلط «صورة مع نص».

الاختبار بسيط في تصميمه: تُحوَّل جميع صفحات المجموعة إلى متجهات وتوضع في Qdrant، ويُحوَّل السؤال أيضًا إلى متجه، وتُعيد قاعدة البيانات أقرب 20 صفحة. وإذا كان للسؤال أكثر من صفحة مناسبة، تُحتسب أي منها. وحُسبت فترات الثقة 95% بطريقة البوتستراب بـ 2000 تكرار، وكان في كل تشغيل اختبار ضابط بأسئلة مُبدَّلة عشوائيًا: يجب أن يقل hit@1 فيه عن 10%، وإلا فالنموذج يخمّن دون الاعتماد على المعنى.

ماذا أظهرت النتائج حسب نوع الصفحة

يتصدر pplx في المسوحات. على DocVQA: 67,8% لـ pplx، و60,5% لـ WeMM-2B، و38% لـ EmbeddingGemma-2. وعلى المسوحات التجارية الروسية: 89% و84,6% و38,2%. وعلى المجموعة الداخلية للشركة (46 سؤالًا): 78,3% و60,9% و21,7%. وتصب جداول TAT-DQA المالية في صالح pplx كذلك: 65% مقابل 57,8% و30,6%.

أما مع الرسوم البيانية فالصورة متباينة. إذا كان السؤال عن الشكل العام، يتفوق WeMM-2B قليلًا: على ChartQA بلغت نسبته 69,1% مقابل 61,1% لـ pplx و51,4% لـ EmbeddingGemma-2. لكن حين يلزم العثور على رسم بياني بقيمة دقيقة، يتقدم pplx: على رسوم الناتج المحلي الإجمالي الاصطناعية بلغت نسبته 82,4% مقابل 39,7% لـ WeMM-2B. وفي الجداول الاصطناعية المتشابهة التي لا تختلف إلا في بضع خلايا، يجد pplx الصفحة الصحيحة في 94,7% من الحالات، بينما يجدها WeMM-2B في 37,3%.

ويبحث WeMM-2B أفضل من غيره في الإنفوغرافيك والعروض التقديمية: 85,2% على InfoVQA و94,6% على SlideVQA، وpplx قريب جدًا منه (84,6% و93,7%). أما EmbeddingGemma-2 فيأتي متأخرًا في جميع المجموعات الواقعية.

الضغط والعتاد والتحفظات

يمكن تحديد حجم الصفحة بميغابكسل واحد: عندها ينخفض عدد التوكنات، أي أجزاء الصورة التي يستقبلها النموذج، بمقدار 1,8–2,2 مرة. وعلى المسوحات لا يتغير hit@1 لدى WeMM-2B، بينما ينخفض لدى pplx على DocVQA بمقدار 2 نقطة مئوية. وعند 0,25 ميغابكسل تتراجع الجودة بوضوح لدى النموذجين.

ثمن دقة pplx هو حجم الفهرس: فالمتجه لكل توكن يشغل مساحة أكبر بكثير من متجه واحد لكل صفحة، ويجب احتساب ذلك في ميزانية التخزين وGPU. وإذا كانت الموارد محدودة والسرعة مهمة، يبقى EmbeddingGemma-2 خيارًا، لكن مع خسارة ملموسة في الجودة.

ولا يمكن مقارنة أرقام المجموعات المختلفة مباشرة، لأن مجموعات الصفحات والأسئلة تختلف بينها. وقد اختُبرت المخططات والواجهات على بيانات اصطناعية فقط، وهذا فحص للآلية لا تقييم على مستندات حقيقية. وفي المجموعة الروسية 10 صفحات مستقلة فقط، وفي المجموعة الداخلية 46 سؤالًا، ولذلك فالاستنتاجات المبنية عليهما أقل موثوقية.

الخلاصة العملية: للبحث في المسوحات والجداول ابدؤوا بـ pplx-embed-late وقدّروا حجم الفهرس مسبقًا. وللعروض التقديمية والرسوم البيانية «بحسب الشكل العام» يكفي WeMM-2B. حدّدوا حجم الصورة بـ 1 ميغابكسل وقيسوا الجودة على مستنداتكم الخاصة، فقد يختلف ترتيب النماذج عليها عنه في المجموعات العامة.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول من شارك وكيف جرى القياس؟

شملت المقارنة ثلاثة نماذج. يعطي WeMM-2B متجهًا واحدًا لكل صفحة بـ 2048 بعدًا، ويستطيع استقبال صورة مع نص. ويعطي EmbeddingGemma-2 متجهًا واحدًا أيضًا، لكن بـ 768 بعدًا فقط، وتشغل الصورة فيه 280 توكنًا افتراضيًا من ميزانية قدرها 8192. أما pplx-embed-late فبنيته مختلفة: متجه لكل توكن (بـ 128 بعدًا لكل منها)، وبحث وفق مخطط late interaction (MaxSim)، حيث تُحسب الصلة بين السؤال والصفحة بحسب أفضل أزواج التوكنات. ولا يدعم هذا النموذج الإدخال المختلط «صورة مع نص».

ما أبرز التفاصيل حول ماذا أظهرت النتائج حسب نوع الصفحة؟

يتصدر pplx في المسوحات. على DocVQA: 67,8% لـ pplx، و60,5% لـ WeMM-2B، و38% لـ EmbeddingGemma-2. وعلى المسوحات التجارية الروسية: 89% و84,6% و38,2%. وعلى المجموعة الداخلية للشركة (46 سؤالًا): 78,3% و60,9% و21,7%. وتصب جداول TAT-DQA المالية في صالح pplx كذلك: 65% مقابل 57,8% و30,6%. أما مع الرسوم البيانية فالصورة متباينة. إذا كان السؤال عن الشكل العام، يتفوق WeMM-2B قليلًا: على ChartQA بلغت نسبته 69,1% مقابل 61,1% لـ pplx و51,4% لـ EmbeddingGemma-2.

ما أبرز التفاصيل حول الضغط والعتاد والتحفظات؟

يمكن تحديد حجم الصفحة بميغابكسل واحد: عندها ينخفض عدد التوكنات، أي أجزاء الصورة التي يستقبلها النموذج، بمقدار 1,8–2,2 مرة. وعلى المسوحات لا يتغير hit@1 لدى WeMM-2B، بينما ينخفض لدى pplx على DocVQA بمقدار 2 نقطة مئوية. وعند 0,25 ميغابكسل تتراجع الجودة بوضوح لدى النموذجين. ثمن دقة pplx هو حجم الفهرس: فالمتجه لكل توكن يشغل مساحة أكبر بكثير من متجه واحد لكل صفحة، ويجب احتساب ذلك في ميزانية التخزين وGPU. وإذا كانت الموارد محدودة والسرعة مهمة، يبقى EmbeddingGemma-2 خيارًا، لكن مع خسارة ملموسة في الجودة.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…