نموذج Lion-ER-35B-A3B الصيني يفرّق بين «أعلى في الصورة» و«أعلى في الغرفة» وأوزانه مفتوحة

في الرابع من نوفمبر/تشرين الثاني أتاحت مختبرات «شيزيشان» (狮子山) التابعة لمعهد التقنيات المتقدمة في مجموعة China Merchants نموذج Lion-ER-35B-A3B بأوزان مفتوحة: نموذج بصري-لغوي دُرِّب لا على وصف الصورة، بل على فهم ما يقف أين في الغرفة وفي أي مرحلة وصلت المهمة. خمسة وثلاثون مليار معامل في مزيج من الخبراء، يُنشَّط منها نحو ثلاثة مليارات لكل رمز. الحجم ليس القصة. الفريق كتب أولاً 39 مهارة محددة ثم بحث عن البيانات التي تخدمها، بدل أن يصبّ كل ما يجده، وفي عشرة اختبارات عامة للذكاء «المُجسَّد» ارتفعت المؤشرات العشرة كلها مقابل النموذج الأساس، بمتوسط 65.29.

هذه النماذج ليست مساعدات دردشة تصف الصور. الفكرة أن تُمنح الآلة عينين بعقل: تدخل لقطات من كاميرا الروبوت مع مهمة نصية، ويخرج جواب من نوع «ما زالت المسافة إلى المقبض بعيدة»، أو «الكاميرا استدارت يساراً»، أو «هذا الصندوق هو نفسه في اللقطة السابقة».

ثلاثة أشياء يتعثّر فيها الروبوت

العالم ثلاثي الأبعاد والصورة مسطّحة. من هذه الحقيقة البسيطة ينبت معظم الفشل. تغيّر زاوية النظر يجعل الخزانة نفسها لا تشبه نفسها. وجسم تحرّك في الإطار قد لا يكون تحرّك إطلاقاً — الكاميرا هي التي تحرّكت. أما «اقترب من قطعة السوشي» و«وصل إلى قطعة السوشي» فيفصلهما سنتيمتران على الشاشة، وعليهما يتوقف أن تحين لحظة الإمساك أم لا.

أوضح مثال هو القنينة. في لقطتين متتاليتين من كاميرا الذراع الآلية تحرّكت إلى أعلى الإطار. هذا قد يعني أن القنينة رُفعت، وقد يعني أن الكاميرا مالت إلى الأسفل. والفعل المطلوب من الروبوت في الحالتين متعاكس: أن يمدّ أعلى أو أن يمدّ أخفض.

ويسمّي كاتبو الإصدار هذه الأصناف الثلاثة بالضبط: ارتباك بسبب تغيّر الزاوية، وقراءة خاطئة لحركة الكاميرا، وتقدير خاطئ لمرحلة المهمة. لا واحد منها يتعلق بالتعرّف على الأجسام. الثلاثة كلها عن المكان والزمن.

قائمة مهارات أولاً، ثم البيانات

الطريق البديهي هو جمع أكبر قدر من بيانات الروبوتات. ذهب المختبر في الاتجاه المعاكس ويكتبها صريحة: بيانات أكثر لا تعني قدرات أكثر. ومن النتائج المعروفة أن مجرد إعادة توزيع الأوزان بين المجالات داخل المجموعة نفسها يغيّر الجودة في المهام التطبيقية تغييراً ملموساً.

لذلك رُسم أولاً «مخطط القدرات»: ثمانية مجالات كبرى — الأجسام، المكان، الزمن، الفيزياء، إمكانات الاستخدام (ما يمكن فعله بالشيء فعلاً)، المهمة، السياق الاجتماعي، الأدلة. وداخلها 39 مهارة من المستوى الثاني. ولكل مثال يُسجَّل على حدة: بأي طريقة يجب أن يستدل النموذج، وما الذي يدخل إليه، وبأي شكل يأتي الجواب.

ثم تأتي «ترجمة القدرات»: يُحوَّل الشرط المجرّد إلى مهمة ملموسة — كم زاوية نظر نحتاج، وما الذي يجب أن يظهر، وأي سؤال نطرح، وما الذي يثبت الجواب. وإن كانت اللقطة لا تحمل معلومات تكفي لجواب أمين، فلا تدخل المهمة التدريب أصلاً. التخمين ليس مثالاً.

والأجوبة تُفحص عبر ثلاثة مسارات. تنظيف البيانات القديمة: ترتيب اللقطات، وإلى أي شيء تعود «هذه»، وهل تتوافق الخيارات مع المفتاح. ومهام تُبنى هندسياً حيث تكون وضعية الكاميرا والعمق موثوقين، فيُحسب الجواب من هندسة المشهد لا يُختلق. وتوليد موجّه حيث تكون المشاهدات قليلة، مع قاعدة واحدة: الجواب المولَّد لا يصبح حقيقة بذاته أبداً، بل يُراجع منفصلاً.

مجموعة الضبط النهائية: 312,380 مثالاً. ووُزّعت ميزانية التدريب حسب المهارة المحتاجة، لا حسب حجم البيانات القادمة من كل مصدر.

أما الحلقة الثانية فهي منصة تقييم تقود إنتاج البيانات: كل خطأ للنموذج يتحوّل إلى طلب أمثلة جديدة، من بركة تضم 31 مصدراً ونحو 4.3 مليون سجل، بمنطق استدلال واحد في بيئة مختلفة. ومن أمثلة الإصدار: النموذج كان يعدّ «أعلى في الصورة» مساوياً لـ«أعلى في الغرفة»، فأُضيفت في الجولة التالية مشاهد برفوف متعددة الطوابق واحتجابات وتشويه منظوري.

ماذا قالت الاختبارات

القياس بمنهج avg@4: كل مهمة تُجاب أربع مرات ويُؤخذ المتوسط. أساس المقارنة هو Qwen3.6-35B-A3B، أي النموذج نفسه حجماً ومعمارية بلا تدريب «روبوتي».

• Where2Place، أين يمكن وضع الجسم: 64.28، بزيادة 9.30 على الأساس.
• ERQA، الاختبار العام للاستدلال المُجسَّد: 64.38، بزيادة 6.19. وفي فئة المسارات يبلغ 68.18، بزيادة 12.12.
• SAT، العلاقات المكانية: 89.33.
• المتوسط المتساوي الأوزان على عشرة اختبارات: 65.29، والعشرة كلها فوق الأساس.

قائمة الاختبارات غير معتادة: Where2Place وERQA وSAT مجموعات ضيقة وحديثة، مصممة لأسئلة الروبوتات. مفيدة في بيان صحفي، وأقل مفيدة في مقارنة مع النماذج الرائدة.

أربع مهام تتعثّر فيها النماذج الأساسية

يعرض الإصدار أربعة أمثلة من مجموعات عامة، وهي أبلغ من الدرجات المجمّعة.

الأولى هي القنينة نفسها. لقطتان من كاميرا الذراع، والقنينة تصعد في الإطار، والسؤال: إلى أي جهة استدارت الكاميرا؟ النموذج الأساس أجاب صحيحاً مرة من أربع، وQwen3.6-27B ولا مرة، وLion-ER أربع مرات من أربع: الكاميرا مالت إلى الأسفل.

الثانية اختيار المسار. أربعة مسارات ملوّنة على الشاشة، والمهمة نزع الشاحن من المقبس ونقله إلى اليمين. وقع النموذجان الأساسيان على قوس بنفسجي طويل يمتد بجمال نحو الهدف لكنه لا يلمس الشاحن أبداً. أما Lion-ER فاستبعد الخيارات واحداً واحداً واختار البرتقالي: الوصول أولاً، ثم الحمل.

الثالثة ثلاث صور لشقة واحدة، ولوحة الفراشة تظهر في الثالثة فقط. أين كانت بالنسبة للمصوّر عند التقاط الصورة الأولى؟ قال النموذجان الأساسيان «إلى اليسار». قال Lion-ER «إلى الخلف»، وهو الصحيح: كان لا بد من تركيب مخطط الشقة في الرأس.

الرابعة التقدّم. فيديو لروبوت على وشك وضع قطعة سوشي في قدر، والسؤال: هل أُنجزت خطوة «التحرك نحو القطعة»؟ أجاب الأساس بنعم ثلاث مرات من أربع، والذراع ما زالت تقترب.

أين المكمن

كل الأرقام من إصدار المختبر نفسه. لا تجارب مستقلة بعد، وavg@4 أربع محاولات فقط — قليلة لتمييز فروق دقيقة.

والأهم: النموذج يتقدّم على أساسه لا على الصدارة. لا مقارنة مباشرة مع أفضل النماذج المغلقة في الإصدار، سوى نموذج صيني واحد من العائلة نفسها في الأمثلة.

وأيضاً: الإجابة عن أسئلة حول مشهد ليست المهمة الهندسية نفسها التي هي قيادة ذراع. بين «النموذج يعرف أين المقبض» و«الروبوت أمسك به» طبقة تخطيط ومعايرة وسلامة لا يغطيها الإصدار. وثلاثة مليارات معامل نشطة للمشاهد الطويلة متواضعة أيضاً.

الخبر الجيد أن الأوزان منشورة: رخصة Apache 2.0، وصيغة BF16 Safetensors، وتعمل عبر Transformers وvLLM وSGLang. لم يعد الأمر «شاهدوا العرض»، بل «خذوه واختبروه».

أرقامنا: كم تستغرق الصورة وكم تكلّف

أثناء قراءة الإصدار حسبت الأرقام على قاعدة بياناتنا. عبارة «النموذج يفهم المكان» بلا سرعة وسعر تبدو بياناً صحفياً لا حديثاً.

خلال 30 يوماً، من 6 أكتوبر إلى 5 نوفمبر 2026، جرى على neuralspace.pro عدد 16,867 عملية توليد صور. فشلت منها 831، أي 4.9%. والمثير أن 640 من تلك الـ831، أي نحو ثماني من كل عشر، لم تكن مهلات أو أعطالاً بل مرشّحات محتوى اشتغلت: النموذج رفض ببساطة أن يرسم ما وُصف. وحين يبدو أن الخدمة تعطّلت، فالخدمة في الغالب سليمة والمرشّح هو الذي اعترض.

وفي النماذج الرخيصة خلال الفترة نفسها: z-image — 187 عملية مكتملة، الوسيط 13 ثانية، والمئين 95 عند 215 ثانية، وبمتوسط تكلفة 0.0040 دولار (نحو 0.35 روبل) للصورة. وnano-banana — 695 عملية، الوسيط 23 ثانية، وp95 عند 162 ثانية، و0.0200 دولار (1.75 روبل). وseedream-45 — 1,119 عملية، الوسيط 59 ثانية، وp95 عند 169 ثانية، و0.0325 دولار (2.85 روبل). فرق في السعر يبلغ ثمانية أضعاف، وفي الوسيط أربعة إلى خمسة أضعاف — وهي بالضبط الحالة التي يكون فيها المسوّدات ورسم المشاهد أرخص على النموذج الأصغر.

ما العمل؟

الأوزان على Hugging Face (cmriat/lion-ER-35B-A3B)، وبطاقة النموذج تَعِد بضبط دقيق على مشاهدك: أرضية مصنع، مستودع، طاولة مختبر. وإن أردت تجربة نماذج من هذا النوع بلا كرت رسوميات خاص، فهناك الدردشة وقسم الفيديو، وتُولَّد الصور في الصور.

المصدر: 量子位 (QbitAI)، 4 نوفمبر 2026 وبطاقة النموذج على Hugging Face.