Voyage AI تعلّم البحث فهم الفيديو: أدق من Google بنسبة 4,65% وأرخص بست مرات
أطلقت Voyage AI نموذج voyage-multimodal-3.5، وهو يحوّل النصوص ولقطات الشاشة وملفات PDF، وأصبح يحوّل الفيديو أيضًا، إلى متجهات رقمية، بحيث يعثر استعلام نصي واحد على المقطع المطلوب، مثل لحظة في مكالمة جماعية جرى فيها الحديث عن الموعد النهائي. وعلى ثلاث مجموعات بيانات للفيديو، يعثر النموذج على المقطع المطلوب بدقة تفوق Google Multimodal Embedding 001 بنسبة 4,65%، وتبلغ تكلفة معالجة المقطع بدقة 512×512 نحو سدس تكلفته لدى Google تقريبًا. وبالنسبة للبحث في المحاضرات والتسجيلات، فهذا يعني نموذجًا واحدًا بدلًا من منظومة تجمع بين التعرّف على الكلام وفهرس للإطارات.
معالج بواسطة الذكاء الاصطناعي من Voyage AI؛ بتحرير Hamidun News
تخيّل أن لديك مئة تسجيل لمكالمات جماعية مع شرائح عرض، وتريد العثور على اللحظة التي نوقش فيها تأجيل الموعد النهائي. البحث النصي المعتاد لا يفيد هنا: نصف المعلومات موجود في الإطارات لا في الكلمات. أطلقت Voyage AI نموذج voyage-multimodal-3.5 الذي يحوّل النصوص والصور والفيديو إلى متجهات (مجموعات من الأرقام يُعثر بها على ما يتشابه في المعنى). وعلى ثلاث مجموعات اختبار للفيديو، يعثر النموذج على المطلوب بدقة تفوق نموذج التضمين Google Multimodal Embedding 001 بنسبة 4,65% وفق مقياس NDCG@10، وتبلغ تكلفة المقطع الواحد بدقة 512×512 بكسل نحو سدس تكلفته تقريبًا. ويوضح مقياس NDCG@10 مدى ارتفاع النتائج المناسبة فعلًا ضمن أفضل عشر نتائج.
ماذا يستطيع النموذج
كان الإصدار السابق يفهم النصوص والصور معًا في آن واحد: لقطات الشاشة وملفات PDF والجداول والرسوم البيانية والشرائح. أما الإصدار الجديد فيضيف إطارات الفيديو. يُقدَّم الفيديو بوصفه سلسلة مرتبة من الإطارات، ويُحتسب كل 1120 بكسل رمزًا (token) واحدًا، وأقصى سياق يبلغ 32 ألف رمز. وتصف Voyage النموذج بأنه أول نموذج تضمين للفيديو على المستوى الصناعي يدعم Matryoshka: يمكن تقصير المتجه من 2048 إلى 1024 أو 512 أو 256 بُعدًا، وبذلك توفّر مساحة في الفهرس.
وهناك تفصيل معماري أيضًا. النماذج على غرار CLIP، ومنها نماذج Cohere متعددة الوسائط السابقة، تمرّر النصوص والصور عبر «برجين» مستقلين. وينشأ عن ذلك انحياز معروف: الاستعلام النصي يعثر على نص غريب عنه بسهولة أكبر مما يعثر على صورة مناسبة، لأن المتجهات النصية أقرب إلى بعضها. أما Voyage فتمرّر جميع أنواع البيانات عبر محوّل (transformer) مشترك واحد. وبحسب ما تعلنه الشركة، يعكس التشابه في الفضاء المشترك حينئذ المعنى لا صيغة الملف.
أرقام الاختبارات
اختبرت Voyage النموذج على 18 مجموعة بيانات متعددة الوسائط: 15 مجموعة للبحث في المستندات على هيئة صور، و3 مجموعات للبحث في الفيديو. كان الاستعلام نصيًا في كل الحالات، وكان المطلوب العثور على شكل أو صورة أو نص أو لقطة شاشة لمستند أو مزيج منها. وفي كل مهمة أُخذت أفضل النماذج المتاحة وقتها. ومن كل استعلام اختيرت 10 نتائج وفق التشابه الجيبي (cosine similarity).
- على الفيديو: أدق من Google Multimodal Embedding 001 بنسبة 4,65%، وأرخص بنحو 6 مرات للمقطع بدقة 512×512.
- على المستندات: أدق من Cohere Embed v4 بنسبة 4,56% وفق نتائج 15 مجموعة بيانات.
- على النص الصرف (38 مجموعة بيانات من ستة مجالات: القانون والمالية والمراسلات والبرمجة والويب والوثائق التقنية): يتخلف عن النموذج النصي الرائد voyage-3-large بنسبة 0,29% فقط، لكنه أرخص بمقدار 0,06 دولار لكل مليون رمز.
ثمة نقطة تستحق الانتباه. ففي ملخص الإعلان تُذكر أفضلية النموذج على Cohere بنسبة 4,56%، بينما يرد في قسم المستندات رقم 2,26%. ويُرجَّح أن السبب اختلاف طرق التجميع، لكن الخلاصة واحدة: التفوق على Cohere قائم لكنه متواضع. أما الفارق عن Google في المستندات فأكبر بكثير: 30,57%. غير أن Voyage تشير إلى أن متوسط نتيجة Google هناك يبلغ 51,78%، وأنه قُرِّب في الرسم البياني إلى 65% لأغراض الإيضاح. وفي الفيديو لا توجد مقارنة إلا مع Google. وجميع القياسات أجرتها Voyage نفسها.
كيف يُستخدم عمليًا
تقدّم الشركة للفيديو ثلاث قواعد. أولًا، قسّم التسجيلات الطويلة إلى مشاهد بحيث يصف كل متجه حلقة واحدة متماسكة. ثانيًا، اجعل حدود المقاطع تتوافق مع وقفات النص المفرَّغ من الكلام، كي يحتوي كل مقطع على فكرة مكتملة. ثالثًا، إذا لم يتسع المشهد في 32 ألف رمز، فخفّض الدقة أو معدل الإطارات. وتتوفر في حزمة voyageai أداة Video.from_path لتحضير المقطع.
ويوفّر التكميم (quantization) وسيلة أخرى لتوفير التكلفة: تتوفر الأعداد ذات 32 بتًا، والأعداد الصحيحة ذات 8 بتات بإشارة وبدون إشارة، والصيغة الثنائية، مع انخفاض ضئيل جدًا في الجودة. وبالنسبة لفهرس يضم ملايين مشاهد الفيديو، فهذا توفير مباشر في الذاكرة.
لمن يفيد هذا: للفرق التي تبحث في الدورات التدريبية ومقاطع العرض التوضيحي والمكالمات الجماعية المصحوبة بشرائح والمسوحات الضوئية للعقود. كان عليها سابقًا تفريغ الكلام وفهرسة الإطارات على حدة ثم دمج النتائج. أما الآن فيمكن تجربة فهرس واحد موحّد. أول 200 مليون رمز و150 مليار بكسل مجانية، لذا يمكن بناء نموذج أولي على بياناتك دون تكلفة. وقبل الانتقال، شغّل النموذج على مجموعة استعلاماتك الخاصة: فاختبارات الشركة المطوّرة لا تغني عن التحقق على بيانات حقيقية.
- 21 نوفمبر 2026نموذج MIRA العصبي يرسم Rocket League بسرعة 20 إطارًا في الثانية، لكن زمن الاستجابة يصل إلى 460 مللي ثانية
- 21 نوفمبر 2026غوغل تبني نسخة مغلقة من الإنترنت تضم بنوكًا وهمية لتدريب وكلاء الذكاء الاصطناعي في Chrome
- 21 نوفمبر 2026اختبار MLPerf يشهد لأول مرة مشاركة Nvidia Rubin وTPU Ironwood: 153 نظامًا
- 21 نوفمبر 2026Google تفتح الطلب المسبق على نظارات Gemini الذكية بسعر يبدأ من 395 دولارًا — والبيع اعتبارًا من 10 ديسمبر
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ماذا يستطيع النموذج؟
كان الإصدار السابق يفهم النصوص والصور معًا في آن واحد: لقطات الشاشة وملفات PDF والجداول والرسوم البيانية والشرائح. أما الإصدار الجديد فيضيف إطارات الفيديو. يُقدَّم الفيديو بوصفه سلسلة مرتبة من الإطارات، ويُحتسب كل 1120 بكسل رمزًا (token) واحدًا، وأقصى سياق يبلغ 32 ألف رمز. وتصف Voyage النموذج بأنه أول نموذج تضمين للفيديو على المستوى الصناعي يدعم Matryoshka: يمكن تقصير المتجه من 2048 إلى 1024 أو 512 أو 256 بُعدًا، وبذلك توفّر مساحة في الفهرس. وهناك تفصيل معماري أيضًا.
ما أبرز التفاصيل حول أرقام الاختبارات؟
اختبرت Voyage النموذج على 18 مجموعة بيانات متعددة الوسائط: 15 مجموعة للبحث في المستندات على هيئة صور، و3 مجموعات للبحث في الفيديو. كان الاستعلام نصيًا في كل الحالات، وكان المطلوب العثور على شكل أو صورة أو نص أو لقطة شاشة لمستند أو مزيج منها. وفي كل مهمة أُخذت أفضل النماذج المتاحة وقتها. ومن كل استعلام اختيرت 10 نتائج وفق التشابه الجيبي (cosine similarity). على الفيديو: أدق من Google Multimodal Embedding 001 بنسبة 4,65%، وأرخص بنحو 6 مرات للمقطع بدقة 512×512.
ما أبرز التفاصيل حول كيف يُستخدم عمليًا؟
تقدّم الشركة للفيديو ثلاث قواعد. أولًا، قسّم التسجيلات الطويلة إلى مشاهد بحيث يصف كل متجه حلقة واحدة متماسكة. ثانيًا، اجعل حدود المقاطع تتوافق مع وقفات النص المفرَّغ من الكلام، كي يحتوي كل مقطع على فكرة مكتملة. ثالثًا، إذا لم يتسع المشهد في 32 ألف رمز، فخفّض الدقة أو معدل الإطارات. وتتوفر في حزمة voyageai أداة Video.from_path لتحضير المقطع.
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.