جوجل ديب مايند تقدم Vision Banana: نموذج لتوليد الصور يتفوق على الأنظمة المتخصصة

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ٢٥ أبريل ٢٠٢٦

أعلنت جوجل ديب مايند عن إطلاق نموذج جديد يدعى Vision Banana، وهو نموذج موحد لتوليد الصور يتميز بقدرته على تجاوز الأنظمة المتخصصة في المهام البصرية مثل SAM 3 وDepth Anything V3 في مجالات تقسيم الصور وتقدير العمق. ورغم أن المجتمع العلمي في مجال الرؤية الحاسوبية قد اعتاد على فصل النماذج التوليدية عن النماذج التمييزية، فإن البحث الجديد يثبت أن التدريب على توليد الصور يمكن أن يكون له تأثير كبير على الفهم البصري.

فهم جديد للرؤية الحاسوبية

في ورقة بحثية صدرت في 22 أبريل 2026 بعنوان "توليد الصور كمتعلم رؤية عام"، قدم الباحثون في جوجل ديب مايند Vision Banana كنموذج موحد يتفوق أو يعادل الأنظمة المتخصصة في مجموعة واسعة من المهام مثل تقسيم الصور الدلالي، تقسيم الصور الفردية، تقدير العمق، وتقدير اتجاهات السطح. ويستند هذا النموذج إلى نموذج توليد الصور الرائد لدى جوجل، Nano Banana Pro.

التدريب على توليد الصور وتأثيره

تشير الدراسة إلى أن التدريب الأساسي على توليد الصور يلعب دورًا أساسيًا مشابهًا لتدريب نماذج اللغة الكبيرة. من خلال إجراء عملية تنقيح على النموذج الأساسي، تم دمج بيانات المهام البصرية بنسب منخفضة، مما ساعد في إنشاء Vision Banana. الفكرة الأساسية هي أن توليد الصور الواقعية يتطلب من النموذج فهم الهندسة والدلالات والعمق والعلاقات بين الكائنات.

كيفية عمل Vision Banana

بدلاً من إضافة رؤوس فك تشفير متخصصة أو وحدات انحدار لكل مهمة، يتم تحديد جميع مخرجات المهام البصرية كصور RGB. يتم تدريب النموذج على إنتاج تصورات تتبع مخططات لونية دقيقة، مما يسمح بإعادة تحليل الصور الناتجة إلى مخرجات كمية لتقييم المعايير. من خلال هذه الاستراتيجية، يمكن للنموذج أن يدعم مجموعة متنوعة من المهام بنموذج موحد واحد.

نتائج تبرز تفوق Vision Banana

أظهرت نتائج Vision Banana عبر مجموعة من المعايير تفوقًا ملحوظًا، حيث سجلت الموديل في تقسيم الصور الدلالي على مجموعة Cityscapes نتيجة mIoU قدرها 0.699، متفوقة على SAM 3 التي بلغت 0.652. كما تفوقت في تقدير العمق القياسي، محققة نتيجة δ1 قدرها 0.929، مقارنة بـ 0.918 لنموذج Depth Anything V3.

الإمكانيات الجديدة في تقدير العمق

يعمل Vision Banana على تقدير العمق دون الحاجة إلى أي معلمات كاميرا أو بيانات عمق حقيقية. يستخدم النموذج تحويلًا بيجكتيفيًا يربط قيم العمق غير المحدودة بألوان RGB، مما يمكنه من استنتاج المقياس المطلق اعتمادًا على الإشارات البصرية والمعرفة العامة المدمجة أثناء مرحلة التدريب.

استنتاجات رئيسية

تؤكد هذه الدراسات أن التدريب على توليد الصور يمكن أن يفتح آفاقًا جديدة في فهم الرؤية، مما يسمح للنماذج بتحقيق نتائج متفوقة دون الحاجة إلى بنية متخصصة. Vision Banana يمثل خطوة كبيرة نحو تطوير نماذج أكثر مرونة وكفاءة في معالجة المهام البصرية المتعددة.