OXR الصيني: نموذج مفتوح بـ1.3 مليار معامل يقرأ المستندات أفضل من الجميع
في 29–30 أكتوبر، أتاحت الفريق الصيني SoMark نموذج OXR للعموم — نموذج لتحليل المستندات لا يتجاوز 1.3 مليار معامل. احتلّ المرتبة الأولى في ثلاثة تصنيفات عالمية مستقلة لتحليل ملفات PDF والمسح الضوئي، وتجاوز أنظمة أكبر منه أضعافًا، وجاء الأسرع في فئة النماذج المفتوحة. لكن القصة الأهم ليست الأرقام، بل طريقة تدريبه: لم يُعلَّم بالوسم اليدوي، بل جُعل يدرّب نفسه في حلقة متكررة.
ما الذي صدر
يرمز OXR إلى Optical Everything Recognition، أي «التعرف على كل شيء». يأخذ ملف PDF أو صورة مستند ويعيد Markdown أو JSON نظيفًا مع إحداثيات كل كتلة على الصفحة. يفهم 13 نوعًا من العناصر: النص والعناوين والجداول والصيغ والشيفرة والصور والتسميات والحواشي والترويسات والتذييلات والأختام والمعادلات الكيميائية وحتى البنى الكيميائية.
بحسب المطوّرين، OXR أول نموذج لتحليل المستندات تكون فيه وحدة تحليل التخطيط مستقلة وقابلة للتبديل. وهذا يهمّ للتطبيق لا لجمال المعمار: لكل عميل قواعد مختلفة لتخطيط الصفحة، ويمكنك الآن وضع وحدتك الخاصة مع الاحتفاظ بقدرة OXR على التعرف على المحتوى.
ثلاث مراتب أولى، والسرعة
النتائج: 97.18 في OmniDocBench، و87.84 في olmOCR-Bench، و87.76 في DocParsingBench — المركز الأول في الثلاثة. وللمقارنة، في OmniDocBench يتقدّم على Gemini 3 Pro (92.91) وGLM-OCR (95.22) وMinerU2.5-Pro (95.75)، مع أنه أصغر منها بكثير.
السرعة هي النصف الآخر. على بطاقة RTX PRO 6000 واحدة، يحلّل OXR مئة صفحة في 101 ثانية — نحو صفحة في الثانية من البداية إلى البنية الجاهزة. وهو الأول بين النماذج المفتوحة في هذا، بمعدل 557.77 رمزًا أصليًا في الثانية وفق قياسات الفريق. والأهم: نموذج بـ1.3 مليار معامل يستقرّ على بطاقة عادية مثل RTX 3060، أي يمكن تشغيله محليًا دون استئجار عنقود.
كيف يعلّم النموذج نفسه: حلقة RSI
عادة تُرفع دقة تحليل المستندات بالوسم اليدوي: يصلح الناس الأخطاء، فيُعاد تدريب النموذج، تصدر نسخة جديدة، تظهر مسوحات فوضوية جديدة، وتتكرر الحلقة. المشكلة أن وسم المستندات وسمًا مثاليًا مستحيل: التخطيطات متنوعة بلا حد، والبشر يخطئون بقدر الآلات.
لاحظ الفريق خاصية يسهل إغفالها في هذا النوع من المهام: لتحليل المستندات دائمًا تقريبًا إجابة صحيحة موضوعيًا. سطر تبدّل، جدول تفكّك، رمز صيغة ضاع — كل ذلك يمكن التحقق منه بدقة. إذن يمكن إخراج الإنسان من الحلقة. هكذا وُلد RSI، التحسين الذاتي التكراري، مطبَّقًا على تحليل المستندات، وهو الأول بحسب المؤلفين.
يعمل على ثلاث مراحل. أولًا يحلّل OXR كمًا كبيرًا من المستندات غير الموسومة، ويوزّع نظام متعدد الوسائط مساعد النتائج في ثلاث سلال: صحيح، وخاطئ، وغير مؤكد. والسلة الثالثة ليست ترفًا: إن أبقيت «صحيح/خاطئ» فقط، تحوّل تردّد النموذج إلى وسم واثق ويفسد الجولة التالية. كما يُشغَّل كل مستند عدة مرات، وإن اختلفت النتائج ذهب النموذج إلى «غير مؤكد» حتى لو صادف أحد التشغيلات الصواب. ثم تُضاف إلى الأمثلة الخلافية اضطرابات خفيفة في الصورة — تحجيم وضغط وضباب طفيف — لمعرفة ما إذا كان الخطأ يكبر، فتظهر نقاط الضعف.
في المرحلة الثانية، يصف نموذج تشخيصي سبب كل خطأ بالكلمات: «فشل محاذاة الخلايا عبر الأعمدة»، «قراءة خاطئة لخط اليد». وتُجمَّع هذه الأسباب في عناقيد لكشف ما ينقص البيانات. وفي المرحلة الثالثة، يولّد مولّد البيانات الأمثلة الناقصة عن قصد: يتخذ التخطيطات الحقيقية أساسًا، ويدسّ فيها البنى الصعبة، ويعيد اختبار الضعف البصري الذي وجده. ثم تعود البيانات الجديدة إلى التدريب، وتتكرر الحلقة. ولا يكتب الإنسان أي وسم.
لماذا يهمّ هذا الآن
طويلًا ما نُظر إلى تحليل المستندات كعمل تقني ممل. لكنه في عصر وكلاء الذكاء الاصطناعي أصبح عنق زجاجة. فأثمن المعرفة المهنية — التقارير والمسوحات والجداول والأدلة والاستمارات الطبية — ترقد في ملفات PDF وصور بتخطيط فوضوي. وإن أعطيت النموذج نفايات بترتيب أسطر مختلط وجداول منهارة، حصلت على هراء واثق، مهما بلغ عدد معاملاته. لذا فالأداة التي تحوّل مستندًا فوضويًا إلى بنية نظيفة ليست «مجرد OCR»، بل مدخل العمل الجيد للذكاء الاصطناعي.
وهنا نصطدم بالجدار نفسه: جودة المدخل أهم من حجم النموذج. وفق بيانات مجهولة الهوية من قاعدة بياناتنا الإنتاجية خلال آخر 30 يومًا، أطلق المستخدمون 14,925 عملية توليد صور؛ اكتمل منها 14,188 وفشل 737، أي نجاح بنحو 95%. لكن من بين 737 فشلًا، كان 541 (73%) قرارات مرشّحات أمان لا أعطالًا تقنية. بمعنى آخر، يرفض النموذج بسبب محتوى الطلب أكثر مما يعجز عن الرسم. المبدأ نفسه، لكن معكوسًا: ما يدخل أهم من القوة عند الخروج.
والسرعة من جانبنا لم تعد عقبة: على مدى 13,650 عملية ناجحة في الشهر نفسه سُجّل لها وقت اكتمال، كان الوسيط 72 ثانية والمئين التاسع 187 ثانية. الانتظار قصير؛ ويزحف عنق الزجاجة إلى ما نغذّي به النموذج وكيف.
كيف تستخدمه، وأين موقعنا
OXR مفتوح بالكامل: الشيفرة والأوزان ومجموعة الاختبارات كلها على GitHub وHugging Face، وقد أتاح الفريق واجهة برمجية مجانية بلا تسجيل ولا مفتاح، مع تنبيه صادق بأنها تبقى ما دامت الخوادم تحتمل. وللتشغيل المحلي تكفي بطاقة تدعم BF16، ويُثبَّت عبر Docker الرسمي أو CLI.
وإن أردت تشغيل تحليل المستندات الآن، لدينا أدواتنا. يمكنك رفع ملف وطرح أسئلة عليه، بما في ذلك الجداول والنصوص، في الدردشة — فهي تستقبل المستندات وتقرأ محتواها. ولتحويل محاضرة أو مقابلة أو اجتماع إلى نص مع ترجمات، هناك أداة الصوت/الفيديو إلى نص المجانية. أما الصور التي يجب أن يخرج نصها نظيفًا فاستخدم لها نماذج دقيقة في الكتابة، مثل ChatGPT Images 2.5.
ماذا يعني ذلك عمليًا
سباق «من يملك معاملات أكثر» يتراجع ببطء لصالح «من يتعامل مع البيانات بعناية أكبر». نموذج بـ1.3 مليار معامل تجاوز منافسين أكبر بكثير لا بالحجم بل بحلقة إعادة تدريب ذكية ومعمارية نظيفة — وهذا مثال جيد. وإن استمرّت أدوات تحليل المستندات المفتوحة في الرخص والسرعة، فسيكفّ الذكاء الاصطناعي الجيد عن كونه امتيازًا لمن يملك أكبر عنقود. وهذا ربما أهم من سطر جديد في لوحة ترتيب.