NVIDIA تطلق Nemotron 3 Nano Omni للمستندات الطويلة والصوت والفيديو ووكلاء الذكاء الاصطناعي

في 28 أبريل 2026 قدّمت NVIDIA نموذج Nemotron 3 Nano Omni، وهو نموذج متعدد الوسائط بسياق طويل مخصص للمستندات والصوت والفيديو وسيناريوهات الوكلاء داخل الواجهات. وتراهن الشركة على المهام العملية، بدءًا من تحليل ملفات PDF المعقدة وتسجيلات الشاشة، وصولًا إلى التعرف على الكلام والاستدلال على عدة أنواع من البيانات في وقت واحد.

ما المهام التي يغطيها؟

تقدّم NVIDIA نموذج Nemotron 3 Nano Omni على أنه ليس مجرد نموذج OCR أو نموذج VLM آخر للصور. وتصفه بأنه نظام شامل لخمس فئات من الأحمال: تحليل المستندات الواقعية، والتعرف التلقائي على الكلام، وفهم مقاطع الفيديو الطويلة المصحوبة بالصوت، والمساعدة في سيناريوهات الواجهات الرسومية (GUI)، والاستدلال العام متعدد الوسائط. والمقصود هنا ليس أمثلة توضيحية قصيرة، بل مستندات تضم جداول ومعادلات وإحالات بين الصفحات، وشرائح عرض، ولقطات شاشة، وتسجيلات شاشة مع تعليقات صوتية.

وفي سيناريو المستندات، يتعامل النموذج، بحسب الشركة، مع ملفات يتجاوز حجمها 100 صفحة، ويُفترض أن يحتفظ في الوقت نفسه بالتفاصيل الدقيقة وبالبنية العامة. أما في الصوت والفيديو فينصبّ التركيز على المواد الطويلة: الدروس التعليمية، والاجتماعات المصحوبة بشرائح، والعروض التجريبية للمنتجات، وتسجيلات الدعم الفني (support). وفي مهام الوكلاء تكتسب لقطات الشاشة وحالة الواجهة أهمية خاصة، إذ يستطيع النموذج تفسير ما يظهر على الشاشة والمساعدة في اختيار الإجراء التالي.

• عقود وتقارير ووثائق تقنية متعددة الصفحات
• تسجيلات الشاشة والدروس التعليمية المصحوبة بشرح صوتي
• التعرف على الكلام الطويل مع الضوضاء واللهجات وتعدد المتحدثين
• تحليل الواجهات الرسومية ولقطات الشاشة لسيناريوهات computer-use

ما بنية النموذج؟

تقوم البنية على العمود الفقري اللغوي Nemotron 3 Nano 30B-A3B ومشفّرين متخصصين: C-RADIOv4-H للبيانات البصرية وParakeet-TDT-0.6B للصوت. ويجري الربط بين الوسائط والنموذج اللغوي الكبير (LLM) عبر مسقِطات (projectors) خفيفة تجمع كل شيء في تسلسل موحّد من الرموز (tokens).

وداخل العمود الفقري تعتمد NVIDIA نهجًا هجينًا: 23 طبقة Mamba للسياق الطويل، و23 طبقة MoE تضم 128 خبيرًا مع توجيه top-6، إضافة إلى 6 طبقات attention للروابط الشاملة والاستدلال المعقد.

وثمة تركيز خاص على كفاءة التعامل مع البيانات البصرية الكثيفة. فبدلًا من التقسيم إلى بلاطات (tiling) المستخدم في الإصدار السابق، اعتمد النموذج دقة ديناميكية (dynamic resolution) بالنسبة الأصلية بين الأبعاد، إذ يُخصَّص للصورة الواحدة ما بين 1024 و13312 رقعة بصرية (patch). ويُستخدم في الفيديو آليتان للضغط: تدمج Conv3D كل زوج من الإطارات المتجاورة قبل تمريرها إلى ViT، بينما تُسقط EVS في مرحلة الاستدلال (inference) الرموز الثابتة وتُبقي على التغيرات الديناميكية فقط.

وفي الصوت تبرز أهمية الانتقال إلى الإدخال الأصلي (native input): فالنموذج لا يعمل مع النص المفرّغ فقط، بل مع المسار الصوتي نفسه. وقد جرى تدريبه على مقاطع تصل مدتها إلى 20 دقيقة، بينما أُعلن أن السياق الإجمالي للنموذج اللغوي الكبير يتجاوز خمس ساعات.

النتائج والإتاحة

في المعايير القياسية المنشورة، حقق Nemotron 3 Nano Omni تحسنًا ملحوظًا مقارنة بـ Nemotron Nano V2 VL، وكثيرًا ما يتفوق على Qwen3-Omni 30B-A3B. وبحسب NVIDIA، يسجّل النموذج 57,5 في MMLongBench-Doc مقابل 38,0 للإصدار السابق، و65,8 في OCRBenchV2-En، و63,6 في CharXiv reasoning. وفي مهام الواجهات الرسومية (GUI) يحقق 47,4 في OSWorld مقابل 11,0 للنموذج السابق، وفي الفيديو متعدد الوسائط يسجّل 72,2 في Video-MME و55,4 في WorldSense و74,1 في DailyOmni. أما في الصوت فتُعلن النتائج 89,4 في VoiceBench و5,95 WER في HF Open ASR، حيث تعني القيمة الأقل نتيجة أفضل.

ومن النقاط المهمة للمطورين أيضًا التكلفة والسرعة. إذ تتحدث NVIDIA عن زيادة قدرها 7,4 أضعاف في كفاءة النظام في سيناريوهات المستندات المتعددة (multi-document)، و9,2 ضعف في حالات استخدام الفيديو، مقارنة بنماذج مفتوحة أخرى متعددة الوسائط عند مستوى تفاعلية مماثل. كما تعلن الشركة عن سرعة أعلى بما يصل إلى 2,9 مرة في الاستدلال أحادي التدفق (single-stream reasoning) في المهام متعددة الوسائط.

وقد نُشرت نقاط الحفظ (checkpoints) بالفعل على Hugging Face بصيغ BF16 وFP8 وNVFP4، ما يتيح تجربة النموذج لا كإصدار بحثي فحسب، بل كأساس لخطوط معالجة تطبيقية.

ماذا يعني ذلك؟

يبدو أن NVIDIA لا تتجه إلى عرض توضيحي استعراضي آخر، بل إلى سيناريوهات مؤسسية عملية تتطلب في آن واحد قراءة مستندات طويلة وفهم الصوت ورؤية الواجهة والاحتفاظ بسياق كبير دون ارتفاع حاد في التكلفة. وإذا تأكدت المقاييس المعلنة في عمليات دمج حقيقية، فسيصبح Nemotron 3 Nano Omni مرشحًا قويًا ذا أوزان مفتوحة في مجالات الذكاء الاصطناعي للمستندات (document AI) وفهم الفيديو ووكلاء computer-use.