أخبارنُشر:
نموذج Surya OCR 2.5 المفتوح لقراءة المستندات: سريع ودقيق لكن العربية متأخرة
نموذج Datalab الجديد بـ689 مليون معامل يتصدر فئته في قراءة المستندات، لكن العربية لم تتجاوز 45.4% في اختبار الشركة متعدد اللغات.
أطلقت شركة Datalab الإصدار Surya OCR 2.5، وهو نموذج مفتوح لقراءة النصوص من الصور وملفّات PDF، يحلّل تخطيط الصفحة والجداول والمعادلات ويحوّلها إلى نصّ منظّم. لكنّ ما شدّني في بطاقة النموذج ليس الأرقام الكبيرة، بل سطر صغير يخصّنا نحن قرّاء العربيّة.
ما الجديد؟
- حجمه 689 مليون معامل فقط، أي أنّه صغير مقارنة بنماذج الرؤية الضخمة.
- تقول الشركة إنّه حصل على 85.9 في اختبار OmniParseBench، وهو أعلى ما قاسته بين النماذج المفتوحة الأصغر من مليار معامل، و83.7% في olmOCR-bench.
- سرعته نحو 4.5 صفحات في الثانية على بطاقة H100 واحدة، أي قرابة ضعف الإصدار السابق.
- يمكن تشغيله على بطاقات NVIDIA، وكذلك على أجهزة Apple عبر llama.cpp.
وماذا عن العربيّة؟
هنا المفاجأة: في اختبار الشركة الداخليّ الذي يغطّي 91 لغة، سجّلت العربيّة 45.4% فقط، بل أقلّ قليلاً من الإصدار السابق (46%)، بينما تتجاوز الإسبانيّة والألمانيّة 90%. حتّى اليابانيّة وصلت إلى 80.5%. المعدّل العامّ لكلّ اللغات 74.9%.
هذه الأرقام من قياس الشركة نفسها، لكنّها صريحة: من يريد أرشفة كتب أو مستندات عربيّة بهذا النموذج سيحتاج إلى مراجعة بشريّة كثيرة. وأقدّر للشركة أنّها نشرت الرقم الضعيف ولم تُخفه.
الترخيص
الشيفرة برخصة Apache 2.0، أمّا أوزان النموذج فبرخصة معدّلة مجّانيّة للبحث والاستعمال الشخصيّ والشركات الناشئة الصغيرة، وما فوق ذلك يحتاج ترخيصاً تجاريّاً.
رأيي أنّ النموذج خيار ممتاز للمستندات اللاتينيّة، لكنّ العربيّة ما زالت تنتظر من يهتمّ بها جدّيّاً في هذا المجال. التفاصيل في بطاقة النموذج.
المصدر: huggingface.co