آبل تطلق LensVLM-9B، نموذج يقرأ المستندات كصور مضغوطة ويوسّع الصفحات المهمة فقط

أطلقت آبل نموذج LensVLM-9B، وهو نموذج لغوي-بصري يضم 9 مليارات معامل ويقرأ المستندات على شكل صور صفحات مضغوطة، ثم يوسّع الصفحات التي يحتاجها فقط. نُشرت بطاقة النموذج على Hugging Face إلى جانب مستودع للشيفرة وورقة بحثية نُشرت على arXiv في 7 مايو 2026.

كيف يعمل

يمكن للنماذج اللغوية-البصرية قراءة النص المعروض كصورة بدلاً من تقسيمه إلى سلاسل طويلة من الرموز: يحوّل مُرمِّز الصور صورة ثابتة الحجم إلى عدد ثابت من الرموز البصرية، ولذلك تعمل دقة العرض كمِقبض ضغط دقيق. المشكلة أن الدقة تنهار سريعاً مع زيادة الضغط: تصبح الحروف أصغر من الدقة الفعلية للمُرمِّز فيعجز النموذج عن تمييزها.

يقدّم LensVLM وصفة تدريب لاحق وإطار استدلال يتجاوزان هذا الحد. يمسح النموذج مستنداً معروضاً بصيغة مضغوطة (إعدادات 5x و10x و15x)، ثم يستدعي أدوات متعلّمة مثل read_page ليعيد خطوة بخطوة الصفحات المهمة فقط إلى شكلها غير المضغوط. درّبت آبل النموذج على ثلاث مراحل: تصفية الأمثلة الصعبة، ومسارات استخدام أدوات اصطناعية للضبط الدقيق، والتعلم المعزز (RL). بُني LensVLM-9B على Qwen3.5-9B-Base.

ماذا تقول الأرقام

وفق الورقة، يحافظ LensVLM عند ضغط فعّال قدره 4.3x على دقة مقاربة للحد الأعلى للنص الكامل، ويتفوق على الأساليب القائمة على الاسترجاع وضغط النص وضغط الصور حتى 10.1x في سبعة اختبارات QA نصية. كما ينتقل النموذج إلى مهام فهم المستندات والشيفرة متعددة الوسائط، وتزداد الفجوة عن الأساليب الأساسية مع ارتفاع الضغط.

يشرح التحليل السبب: يجعل التدريب الضغط البصري صامداً أمام خيارات العرض، وعند نسب الضغط العالية يعتمد النموذج أكثر على المحتوى الموسّع بدلاً من محاولة قراءة بكسلات متقلّصة. ويقدّم المؤلفون إرشاداً عملياً: توسيع النص أفضل للنص المعروض، بينما يناسب توسيع الصورة عالية الدقة المستندات التي يحمل تخطيطها معلومات مهمة للمهمة.

العرض التجريبي والإصدار

العرض موجز: يمسح النموذج 15 صورة صفحة مضغوطة، ويحدد أن الصفحة العاشرة هي المهمة، ويقرأها بأداة read_page، ويربط بين Shirley Temple وCorliss Archer وChief of Protocol في جولتين. يتضمن المستودع أيضاً تحضير بيانات HotpotQA وNQ وMusique وشيفرة التقييم.

صدرت الأوزان بموجب رخصة Apple Machine Learning Research Model License والشيفرة بموجب Apple Sample Code License. تسرد صفحة Hugging Face 9B معامل بدقة BF16 و233 عملية تنزيل خلال الشهر الماضي وتكميمَين مجتمعيين متاحين بالفعل.