TII تطلق Falcon Perception: نموذج بحجم 0.6B لتجزئة الكائنات والبحث عنها عبر النص

في 1 أبريل 2026 قدّمت TII نموذج Falcon Perception، وهو نموذج متعدد الوسائط مدمج بحجم 0.6 مليار معامل، قادر على العثور على الكائنات في الصورة وتجزئتها انطلاقاً من استعلام نصي عادي، ودون قائمة فئات ثابتة. وهذه إشارة مهمة للسوق: فمهام الفهم البصري التي ظلّت تُحَل طويلاً عبر خطوط معالجة معقدة من وحدات منفصلة، يمكن الآن إنجازها ببنية واحدة مشتركة، وبترخيص مفتوح ودون نموذج ضخم الحجم.

لا تزال معظم أنظمة الرؤية الحاسوبية الحديثة مبنية على تصميم معياري: مشفّر واحد يستخرج الخصائص البصرية، وكتلة أخرى تمزجها بالنص، ثم مفكّك ترميز منفصل يتنبأ بالمربعات المحيطة أو الأقنعة أو الإجابات. ينجح هذا النهج، لكنه يتوسع بصعوبة: فكل نوع جديد من الأخطاء يُعالَج عادةً بوحدة جديدة، ويبقى التفاعل بين اللغة والصورة محدوداً. أما فريق Technology Innovation Institute في أبوظبي، فيراهن في Falcon Perception على نهج early fusion: إذ تدخل الصورة والنص في تسلسل رموز (tokens) مشترك منذ الطبقة الأولى من المحوّل (Transformer).

معمارياً، النموذج عبارة عن Transformer واحد بنظام انتباه هجين. تتبادل رموز الصورة الرؤية فيما بينها في الاتجاهين، فتجمع سياقاً بصرياً عاماً، بينما تُفكّ رموز النص والرموز الخدمية بصورة سببية (causal) استناداً إلى الصورة التي سبقت معالجتها. وبالنسبة إلى كل كائن يعثر عليه، يمرّ النموذج بسلسلة قصيرة من الخطوات: يحدد أولاً إحداثيات المركز، ثم الحجم، ثم يبني قناع التجزئة. تتيح هذه الواجهة التعامل مع عدد متغير من الكائنات، من صفر إلى المئات في الصورة الواحدة، ولا تجعل توليد الأقنعة عملية مكلفة حسابياً أكثر من اللازم.

وخلف هذا الأداء إعداد جدّي للبيانات. فقد جرت التهيئة الأولية عبر التقطير (distillation) من DINOv3 وSigLIP2، لجمع خصائص بصرية محلية قوية مع ربط لغوي أفضل. ثم دُرِّب النموذج على مجموعة بيانات تضم 54 مليون صورة، و195 مليون تعبير نصي إيجابي، و488 مليون مثال من النوع hard negative. وللترميز التلقائي والانتقاء استُخدمت مجموعة نماذج تضم SAM 3 وQwen3-VL-30B وMoondream3، فيما أُحيلت الحالات المتنازع عليها إلى مراجعة يدوية. وقدّمت TII بشكل منفصل PBench، وهو معيار تشخيصي جديد يوزّع النتائج بحسب مستويات الصعوبة: من الكائنات البسيطة إلى تلميحات OCR والعلاقات المكانية والمشاهد الكثيفة التي تضم مئات النسخ من الكائنات.

من حيث المقاييس، يبدو الإصدار مقنعاً. فعلى SA-Co، أحد معايير التجزئة المفتوحة، حصل Falcon Perception على 68.0 Macro-F1 مقابل 62.3 لـ SAM 3. ويبرز التفوق خصوصاً حيث لا يكفي «التعرف على الكائن»: في السمات والأنواع الفرعية، وفي الاستعلامات التي تتضمن نصاً داخل الإطار، وفي الصياغات المكانية مثل «السيارة على اليسار» أو «النافذة الثالثة من اليسار». وعلى PBench يكون الفارق صغيراً في الكائنات البسيطة، لكنه يصل إلى 21.9 نقطة في مهام spatial، و13.4 في الاستعلامات الموجّهة بـ OCR، و15.8 في مهام relational. أما نقطة الضعف حالياً فهي معايرة الحضور (presence calibration): فبحسب مقياس MCC يتخلف النموذج عن SAM 3 بنتيجة 0.64 مقابل 0.82، أي أنه لا يزال يخطئ في الإجابة «الكائن غير موجود» بوتيرة أعلى في السيناريوهات السلبية المعقدة.

وللنموذج جانب عملي أيضاً. فقد نُشر Falcon Perception بترخيص Apache 2.0، وهو متاح على Hugging Face وGitHub، ومصمَّم لا للتجارب المخبرية فحسب، بل للتشغيل التطبيقي كذلك. ويعتمد الاستدلال على حزمة مبنية على PyTorch FlexAttention وpaged KV cache؛ وبحسب بيانات الفريق، تبلغ زمن الاستجابة النموذجي على H100 نحو 100 مللي ثانية لمرحلة prefill، ونحو 200 مللي ثانية لرفع دقة الخصائص (upsampling)، وقرابة 50 مللي ثانية لفك ترميز عدة نسخ من الكائنات. كما أظهرت TII أن وصفة early fusion نفسها تنتقل إلى OCR: فنموذج Falcon OCR المرافق بحجم 0.3 مليار معامل سجّل 80.3 على olmOCR و88.64 على OmniDocBench.

والخلاصة الرئيسية هنا ليست أن TII أصدرت نموذج رؤية ولغة مدمجاً آخر. الأهم أن Falcon Perception يبرهن على جدوى نهج أبسط وأكثر تكاملاً في الفهم البصري: بنية واحدة، وحزمة مشتركة واحدة، وحلول ترقيعية أقل بين اللغة والرؤية. وإذا حسّن الفريق معايرة الحضور وخفّض عدد الإنذارات الكاذبة في سيناريوهات hard negative، فقد يصبح Falcon أساساً قوياً للمساعدات الذكية والروبوتات والبحث البصري والواجهات التي يجب أن تفهم فيها الصورة بحسب نص بشري، لا بحسب قائمة فئات محددة مسبقاً.