بيدو تطلق نموذج Qianfan-OCR للذكاء الاصطناعي بمعمارية موحدة

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ١٩ مارس ٢٠٢٦

أعلنت فريق Qianfan في بيدو عن إطلاق نموذج Qianfan-OCR، وهو نموذج متكامل بقدرة 4 مليارات معلمة، يهدف إلى توحيد معالجة الوثائق وتحليل التخطيط وفهم الوثائق ضمن بنية واحدة تجمع بين الرؤية واللغة. يختلف نموذج Qianfan-OCR عن أنظمة التعرف الضوئي التقليدية التي تعتمد على مراحل متعددة، حيث يقوم بتحويل الصور مباشرة إلى تنسيق Markdown ويدعم المهام المستندة إلى التعليمات مثل استخراج الجداول والإجابة على الأسئلة المتعلقة بالوثائق.

معمارية ومواصفات تقنية لنموذج Qianfan-OCR

يستفيد نموذج Qianfan-OCR من معمارية الجسور متعددة الوسائط من إطار عمل Qianfan-VL. يتكون النظام من ثلاثة مكونات رئيسية:

• مشفر الرؤية (Qianfan-ViT): يعتمد تصميمًا يدعم أي دقة، حيث يقوم بتقسيم الصور إلى قطع بحجم 448 × 448 بكسل، ويدعم المدخلات ذات الدقة المتغيرة حتى 4K، مما ينتج عنه ما يصل إلى 4096 رمز بصري لكل صورة للحفاظ على الدقة المكانية للنصوص الصغيرة والنصوص الكثيفة.
• محول عبر الوسائط: عبارة عن شبكة عصبية خفيفة ذات طبقتين مع تنشيط GELU، تقوم بتمثيل الميزات البصرية في فضاء تضمين نموذج اللغة.
• نموذج اللغة (Qwen3-4B): نموذج بقدرة 4.0 مليار معلمة مع 36 طبقة ونافذة سياق أصلية بمساحة 32K. يستخدم النموذج تقنية Grouped-Query Attention (GQA) لتقليل استخدام ذاكرة التخزين المؤقت بنسبة 4 مرات.

آلية التخطيط كفكرة

تُعتبر آلية التخطيط كفكرة من الميزات الرئيسية للنموذج، حيث يتم تفعيل مرحلة تفكير اختيارية بواسطة رموز . خلال هذه المرحلة، يقوم النموذج بإنشاء تمثيلات هيكلية للتخطيط، بما في ذلك حدود المربعات وأنواع العناصر وترتيب القراءة، قبل إنتاج الناتج النهائي. تستعيد هذه العملية قدرات تحليل التخطيط الصريحة (تحديد موقع العناصر وتصنيف الأنواع) التي غالبًا ما تضيع في النماذج المتكاملة.

أداء النموذج ونتائج التقييم

تم تقييم نموذج Qianfan-OCR مقابل أنظمة OCR المتخصصة والنماذج العامة للرؤية واللغة. فيما يتعلق بمعالجة الوثائق، حصل النموذج على المركز الأول بين النماذج المتكاملة في العديد من المعايير الرئيسية:

• OmniDocBench v1.5: حقق درجة 93.12، متفوقًا على DeepSeek-OCR-v2 (91.09) وGemini-3 Pro (90.33).
• OlmOCR Bench: سجل 79.8، متصدراً فئة النماذج المتكاملة.
• OCRBench: حقق درجة 880، محتلاً المرتبة الأولى بين جميع النماذج المختبرة.

في تقييمات استخراج المعلومات الرئيسية (KIE) العامة، حقق Qianfan-OCR أعلى متوسط درجة (87.9)، متفوقًا على نماذج أكبر بكثير.

كفاءة النشر والاستدلال

تم قياس كفاءة الاستدلال بوحدات الصفحات في الثانية (PPS) باستخدام وحدة معالجة الرسومات NVIDIA A100. باستخدام تكميم W8A8، حقق Qianfan-OCR 1.024 PPS، مما يوفر سرعة تصل إلى 2x مقارنةً بقاعدة W16A16 مع فقد دقة ضئيل. على عكس أنظمة الأنابيب التي تعتمد على تحليل التخطيط القائم على وحدة المعالجة المركزية، يعد Qianfan-OCR مركزًا على GPU، مما يتجنب تأخيرات المعالجة بين المراحل ويسمح باستدلال فعال على دفعات كبيرة.

يمثل نموذج Qianfan-OCR تقدمًا كبيرًا في مجال معالجة الوثائق، حيث يجمع بين دقة الرؤية والقدرة على فهم النصوص بطريقة متكاملة، مما يجعله خيارًا مثاليًا للعديد من التطبيقات في عالم الذكاء الاصطناعي.