Meta AI تطلق EUPE: عائلة من مشفرات الرؤية بحجم أقل من 100 مليون معلمة

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ٨ أبريل ٢٠٢٦

أعلنت شركة Meta AI عن إطلاق Efficient Universal Perception Encoder (EUPE)، وهو مشفر رؤية جديد يهدف إلى معالجة مجموعة متنوعة من المهام البصرية بكفاءة، مع الحفاظ على حجم صغير يقل عن 100 مليون معلمة. يمثل هذا الابتكار خطوة كبيرة في مجال الذكاء الاصطناعي، حيث يُعتبر نموذج EUPE حلاً فعالاً للمشكلات المرتبطة بتطبيقات الذكاء الاصطناعي على الأجهزة المحمولة مثل الهواتف الذكية ونظارات الواقع المعزز.

التحديات في نماذج الرؤية التقليدية

تواجه نماذج الرؤية التقليدية عدة تحديات، أهمها أنها غالباً ما تكون ضخمة الحجم. فعندما يتم تقليص هذه النماذج لتناسب الأجهزة المحمولة، تفقد الكثير من قدراتها الأساسية التي تجعلها مفيدة. عادةً ما تتفوق النماذج المتخصصة في مهام معينة مثل تصنيف الصور أو تقسيم المشاهد، لكنها تعاني في أداء المهام الأخرى.

مقاربة Meta AI الجديدة: EUPE

تقدم Meta AI نموذج EUPE كحل لمشكلة التخصص. يقوم هذا النموذج بتوحيد المعرفة من نماذج متعددة متخصصة في مجالات مختلفة، بدلاً من الحاجة إلى نموذج ضخم واحد. يعتمد تصميم EUPE على مبدأ "توسيع النموذج أولاً ثم تقليصه"، مما يسمح له بمعالجة المهام المختلفة بكفاءة.

آلية عمل EUPE

يتكون نموذج EUPE من ثلاث مراحل رئيسية:

1. التعليم المتعدد المعلمين: يتم تدريب نموذج وسيط كبير بما يكفي لاستيعاب المعرفة من النماذج المتخصصة المتعددة.
2. التعليم الثابت الدقة للطالب الكفء: يتم تدريب النموذج الكفء على دقة ثابتة، مما يسمح له بالتعلم بكفاءة أكبر.
3. التحسين متعدد الدقة: يتم ضبط النموذج لتحسين أدائه عبر دقة متعددة، مما يساعده على التكيف مع أنواع مختلفة من المهام.

بيانات التدريب والتعلم العميق

استخدمت جميع المراحل الثلاث مجموعة بيانات DINOv3، التي تضم تغطية متوازنة لمفاهيم مرئية من الويب، إلى جانب مجموعات بيانات عامة عالية الجودة مثل ImageNet-1k. وقد أثبتت الدراسات أن مجموعة بيانات LVD-1689M أظهرت أداءً أفضل مقارنةً بمجموعات البيانات الأخرى، مما يعكس أهمية جودة البيانات في تدريب النماذج.

نتائج التجارب والتحديات المستقبلية

على الرغم من أن EUPE يعد تقدمًا كبيرًا، إلا أن نتائج التجارب أظهرت أن ليس كل النماذج التعليمية تتحد بشكل جيد. على سبيل المثال، إضافة نموذج SigLIP2-G إلى مجموعة النماذج التعليمية أثرت سلبًا على أداء OCR. هذا يشير إلى أهمية اختيار النماذج التعليمية بعناية لضمان تحقيق أفضل أداء.

يمثل EUPE خطوة مهمة نحو تمكين الذكاء الاصطناعي من العمل بكفاءة على الأجهزة المحمولة، مما يفتح آفاقًا جديدة لتطبيقات ثورية في مجالات مثل التصنيف البصري، والفهم اللغوي، والتنبؤ الكثيف.