Zhipu AI تطلق نموذج GLM-OCR لتحليل الوثائق واستخراج المعلومات

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ١٥ مارس ٢٠٢٦

في خطوة جديدة نحو تحسين تقنيات التعرف الضوئي على الحروف (OCR)، قدمت شركة Zhipu AI نموذجها الجديد GLM-OCR، وهو نموذج متعدد الوسائط يحتوي على 0.9 مليار معلمة. يهدف هذا النموذج إلى معالجة تحديات تحليل الوثائق واستخراج المعلومات الأساسية (KIE) بشكل أكثر كفاءة.

التحديات التي تواجه التعرف الضوئي على الحروف

تظل تقنية التعرف الضوئي على الحروف (OCR) واحدة من أصعب المشاكل الهندسية، حيث يكافح العديد من الأنظمة التقليدية لتقديم أداء جيد عند التعامل مع مستندات تحتوي على تخطيطات مختلطة، جداول، صيغ، وحقول منظمة. يعتمد GLM-OCR على نموذج هيكلي يجمع بين مشفّر بصري CogViT ومعالج لغوي GLM، مما يسهل عليه التعامل مع هذه التحديات بشكل أفضل.

تصميم معماري مدمج لتحسين الأداء

يعتمد GLM-OCR على تقنية توقع متعدد الرموز (MTP)، حيث يقوم النموذج بتوقع عدة رموز في كل خطوة بدلاً من رمز واحد، مما يزيد من كفاءة الأداء. في المتوسط، ينتج النموذج 5.2 رموز لكل خطوة خلال عملية الاستدلال، مما يوفر تحسيناً بنسبة حوالي 50% في الإنتاجية.

عملية تحليل تخطيط الوثائق

يتضمن GLM-OCR عملية تحليل ثنائية المراحل. المرحلة الأولى تستخدم PP-DocLayout-V3 لتحليل التخطيط، حيث يتم الكشف عن المناطق المنظمة في الصفحة. في المرحلة الثانية، يتم التعرف على المحتوى في تلك المناطق بشكل متوازي. هذه الطريقة تزيد من كفاءة النظام وتجعله أكثر قدرة على التعامل مع الوثائق المعقدة.

استخراج المعلومات الأساسية (KIE)

يوفر GLM-OCR مسارات إخراج مختلفة لتعامل مع المهام ذات الصلة. بالنسبة لتحليل الوثائق، يستخدم النموذج اكتشاف التخطيط ومعالجة المناطق لإنتاج مخرجات منظمة مثل Markdown وJSON. بينما في حالة استخراج المعلومات الأساسية (KIE)، يتم تغذية الصورة الكاملة للمستند إلى النموذج مع تعليمات المهمة، ليقوم مباشرةً بإنتاج JSON يحتوي على الحقول المستخرجة.

نتائج التجارب والمعايير

أظهرت نتائج التجارب أن GLM-OCR يقدم أداءً قوياً في عدة مهام وثائقية. سجل نموذج GLM-OCR نتائج تتراوح بين 94.6 إلى 96.5 في مجموعة من المعايير مثل OmniDocBench وOCRBench. ومع ذلك، يجب توخي الحذر عند تفسير هذه النتائج، حيث أن GLM-OCR لم يتفوق في جميع الفئات، مما يعني أنه ليس النموذج الأفضل في كل شيء.

تفاصيل النشر والتطبيقات العملية

يدعم GLM-OCR عدة منصات مثل vLLM وSGLang، ويمكن تحسينه من خلال LLaMA-Factory. كما أن النموذج مصمم ليكون قابلاً للنشر، حيث يتم تسعير واجهة برمجة التطبيقات الخاصة به بمعدل 0.2 يوان لكل مليون رمز، وهو ما يشير إلى إمكانية استخدامه في التطبيقات التجارية.

الخلاصة

يمثل GLM-OCR خطوة متقدمة نحو تحسين تقنيات التعرف الضوئي على الحروف من خلال تقديم نموذج مدمج يتسم بالكفاءة وسرعة الأداء. بفضل هيكله الفريد وتقنياته المتطورة، يعد GLM-OCR نموذجًا واعدًا في مجال تحليل الوثائق واستخراج المعلومات.