أبرز النقاط
- يعالج النموذج أكثر من 40 صفحة في استدعاء واحد دون تدهور السرعة أو استنزاف الذاكرة
- تقنية R-SWA تحافظ على ذاكرة KV cache ثابتة الحجم بدلاً من نموها الخطي مع كل رمز جديد
- حقق النموذج دقة 93.92% على معيار OmniDocBench v1.6 متصدراً الأنظمة الشاملة
أعلن باحثون في Baidu عن نموذج جديد للتعرف الضوئي على الحروف أطلقوا عليه اسم Unlimited OCR، قادر على معالجة عشرات صفحات المستندات في استدعاء واحد مع الحفاظ على استهلاك ذاكرة ثابت وسرعة مستقرة بصرف النظر عن طول النص. الإنجاز الجوهري هنا ليس مجرد تحسين تدريجي، بل إعادة تصميم جذرية لآلية الانتباه (Attention) التي تُعدّ عنق الزجاجة في أنظمة OCR الحالية.
ما المشكلة التي تحلّها Baidu في أنظمة OCR التقليدية؟
لا يتجاوز أي نموذج OCR حالي عتبة عشر صفحات تقريباً في استدعاء واحد، وفق ما ورد في التقرير التقني للباحثين. السبب تقني بحت: ذاكرة KV cache التي يستخدمها نموذج اللغة لتخزين جميع الرموز المُعالَجة سابقاً كي يرجع إليها لاحقاً. هذه الذاكرة المؤقتة تنمو خطياً مع كل سطر نصي جديد، ما يرفع استهلاك الذاكرة ويُبطئ التوليد تدريجياً حتى يصبح النظام غير عملي.
الحل الشائع اليوم هو حلقة تكرارية تعالج كل صفحة على حدة ثم تُفرغ الذاكرة المؤقتة قبل الانتقال للصفحة التالية. هذا النهج يعمل، لكنه يُضحّي بالسياق المتصل بين الصفحات ويُضاعف زمن المعالجة.
كيف يحاكي النموذج آلية النسيان البشري؟
صاغ الباحثون مشكلتهم بتشبيه بشري بسيط: حين ينسخ شخصٌ كتاباً بخط اليد، لا يُعيد قراءة كل ما كتبه سابقاً قبل كل حرف جديد. عيناه مثبّتتان على المصدر، وعلى آخر بضعة أحرف خطّها، وعلى الحرف التالي المطلوب. أما الفقرات الأقدم فتتلاشى عبر نوع من النسيان الناعم. هذا بالضبط ما أراد الفريق أن يفعله Unlimited OCR.
ما تقنية R-SWA وكيف تُثبّت حجم الذاكرة؟
الابتكار المحوري هو ما سمّاه الفريق Reference Sliding Window Attention أو اختصاراً R-SWA. في هذه الآلية، يرى كل رمز مُولَّد جميع رموز المرجع (الصورة المرئية والأوامر النصية)، لكنه لا يرى من المخرجات السابقة سوى آخر 128 رمزاً فقط. هذا يُبقي حجم KV cache ثابتاً طوال عملية فك التشفير بدلاً من نموه الخطي.
- آلية الانتباه المنزلقة التقليدية تُخضع الرموز المرئية لتغيرات مستمرة، ما يُشوّش ملامح الصورة تدريجياً ويُضعف الدقة
- R-SWA تُعفي الرموز المرئية من هذه التحولات: تُرمَّز مرة واحدة وتبقى ثابتة
- الذاكرة المؤقتة تعمل كطابور: كل رمز جديد يدفع الأقدم للخروج
البنية التقنية: ثلاثة مليارات معلمة ونصف مليار نشطة
يُبنى Unlimited OCR فوق نموذج Deepseek OCR مفتوح المصدر. احتفظ الفريق بمُشفّر DeepEncoder الذي يضغط صورة PDF بدقة 1024×1024 بكسل إلى 256 رمزاً فقط، وأضاف معمارية خبراء مختلطين (MoE) بثلاثة مليارات معلمة، يُفعَّل منها نحو 500 مليون فقط أثناء الاستدلال.
يدعم النموذج وضعين للدقة: وضع Base للمستندات متعددة الصفحات، ووضع Gundam بدقة ديناميكية للصفحات المفردة. جُرِّدت كل طبقات الانتباه المعيارية في فك التشفير واستُبدلت بـ R-SWA.
كيف جرى تدريب النموذج؟
استخدم الفريق نحو مليوني عينة مستند، بنسبة 9 إلى 1 بين الصفحات المفردة والمتعددة. عُلِّقت الصفحات المفردة عبر Paddle OCR، بينما بُنيت البيانات متعددة الصفحات صناعياً بدمج صفحات مفردة في مستندات تتراوح بين صفحتين و50 صفحة. حُزمت البيانات في تسلسلات من 32,000 رمز، وجرى التدريب لـ 4,000 خطوة على 128 وحدة Nvidia A800 GPU (8×16). بقي DeepEncoder مجمّداً، وحُدِّثت معلمات نموذج اللغة فقط.
ما النتائج على معايير القياس؟
سجّل Unlimited OCR دقة إجمالية 93% على معيار OmniDocBench v1.5، متفوقاً بست نقاط مئوية على خط الأساس Deepseek OCR. انخفض معدل خطأ التعرف على النص الصرف قليلاً (مقاساً بمسافة التحرير)، بينما تحسّن التعرف على بنية الجداول بنحو ست نقاط مئوية.
على الإصدار الأحدث v1.6، بلغت الدقة 93.92%، ما وضع النموذج في صدارة تصنيف الأنظمة الشاملة.
في اختبار الأفق الطويل (Long-horizon) حيث يعالج النموذج عشرات الصفحات دفعة واحدة، بقي معدل الخطأ دون 0.11 حتى بعد تجاوز 40 صفحة. أرجع الباحثون الأخطاء المتبقية لا إلى فقدان السياق، بل إلى محدودية دقة DeepEncoder في وضع Base حين يصبح النص متناهي الصغر.
لماذا تُحسّن النافذة المحدودة الدقة بدلاً من إضعافها؟
المفاجأة أن تقييد النافذة إلى 128 رمزاً على الصفحات المفردة لم يُضعف الدقة، بل حسّنها طفيفاً. يرجّح الباحثون أن R-SWA تُجبر النموذج على التركيز بكثافة أعلى على مهمة OCR الكثيفة، بينما يميل الانتباه الكامل إلى الانحراف كلما طالت المخرجات.
ماذا عن السرعة؟
الذاكرة الثابتة انعكست مباشرة على السرعة. في وضع Base، حقق Unlimited OCR معدل 5,580 رمزاً في الثانية مقابل 4,951 لنموذج Deepseek OCR الأساسي. الفارق يبدو متواضعاً على صفحة واحدة، لكنه يتراكم بشكل ملموس حين تُعالج عشرات الصفحات دون إعادة ضبط الذاكرة.
رأي Logicity
ما قدمته Baidu ليس مجرد تحسين هندسي، بل إعادة تأطير لمشكلة الذاكرة في نماذج اللغة الكبيرة عبر استعارة معرفية من علم النفس. في سوق OCR المؤسسي، تتنافس حلول مثل ABBYY FineReader (اشتراكات سنوية تبدأ من 200 دولار تقريباً) وAdobe Acrobat Pro (نحو 20 دولاراً شهرياً) وGoogle Document AI (تسعير حسب الصفحة). إذا أُتيح Unlimited OCR عبر API أو كنموذج مفتوح، فقد يُعيد رسم معادلة التكلفة-الأداء للمؤسسات التي تعالج آلاف المستندات الطويلة يومياً، لا سيما في قطاعات كالمالية والقانون حيث السياق المتصل بين الصفحات حاسم.
الأسئلة الشائعة
كم صفحة يمكن لنموذج Unlimited OCR معالجتها في استدعاء واحد؟
أثبت النموذج قدرته على معالجة أكثر من 40 صفحة في استدعاء واحد مع الحفاظ على معدل خطأ أقل من 0.11 ودون تدهور في السرعة أو استنزاف للذاكرة.
ما الفرق بين R-SWA وآلية الانتباه التقليدية؟
R-SWA تُثبّت حجم ذاكرة KV cache بتقييد نافذة المخرجات السابقة إلى 128 رمزاً فقط، بينما تحتفظ برؤية كاملة لرموز المرجع (الصورة والأوامر). الانتباه التقليدي يُنمّي الذاكرة خطياً مع كل رمز جديد.
هل نموذج Unlimited OCR مفتوح المصدر؟
بُني النموذج فوق Deepseek OCR مفتوح المصدر، لكن التقرير التقني لم يُحدد بعد ما إذا كان Unlimited OCR نفسه سيُتاح للعموم.
ما متطلبات الأجهزة لتدريب النموذج؟
جرى التدريب على 128 وحدة Nvidia A800 GPU لمدة 4,000 خطوة، مع تجميد DeepEncoder وتحديث معلمات نموذج اللغة فقط.
هل يدعم النموذج اللغة العربية؟
لم يُحدد التقرير التقني اللغات المدعومة، لكن البنية المعمارية لا تمنع نظرياً دعم العربية إذا تضمنت بيانات التدريب عينات عربية.
هل تحتاج مساعدة في التطبيق؟
إذا كنت تبني خط أنابيب OCR للمستندات الطويلة في مؤسستك وتريد تقييم جدوى دمج تقنيات كـ R-SWA، تواصل مع فريق Logicity للحصول على استشارة تقنية مخصصة.
عمر حسن
كاتب تقني وابتكار
أُنتِج هذا المقال بمساعدة الذكاء الاصطناعي وراجعه فريق التحرير في لوجيسيتي. اعرف المزيد في سياسة التحرير.
