هل يمكن للذكاء الاصطناعي رسم مخطط جميل لك دون الكذب بشأن البيانات؟

تخيل أمرًا (prompt) مثل هذا: "أنشئ رسمًا بيانيًا شريطيًا لارتفاعات المعالم العالمية، ولكن ارسم كل شريط على شكل المعلم الفعلي". يستجيب النموذج للطلب. تظهر برج بيزا المائل، وبرج طوكيو، وبيغ بن، وتمثال الحرية، ومعبد السماء في صف واحد، حيث يُصوَّر كل منها كرسمة توضيحية صغيرة بدلاً من مستطيل عادي. يبدو الأمر رائعًا في عرض تقديمي.

الآن تحقق من البيانات: ارتفاع بيزا 56، وبرج طوكيو 133، وبيغ بن 96، وتمثال الحرية 93، ومعبد السماء 58. هل ترمز الصورة فعليًا إلى هذه الأرقام، أم أن النموذج رسم فقط خمسة أبراج تشبه المعالم بشكل غامض بأي ارتفاع بدا متوازنًا بصريًا؟ بالنسبة لمعظم مولدات الصور الحالية، الإجابة الصادقة هي الثانية. هذا هو نمط الفشل الدقيق الذي تسعى ورقة بحثية جديدة بعنوان ArtChart، من فريق في Ant Group، إلى إصلاحه. ليست ورقة بحثية عن التعرف الضوئي على الحروف (OCR) بشكل أساسي، لكن المشكلة التي تتعامل معها هي الصورة المعكوسة لما تتعامل محركات OCR معه يوميًا: ما إذا كان يمكن الوثوق بالبكسلات على الصفحة لتعني ما تدعي معناه.

لماذا يُعدّ "الرسم البياني الجذاب" في الواقع مهمتين صعبتين مدموجتين معًا

يتعين على الرسم البياني الذي يُدرج في عرض تقديمي، أو تقرير سنوي، أو صفحة تسويقية، أن يؤدي مهمتين في آنٍ واحد. أولاً، يجب أن يكون رسمًا بيانيًا شرعيًا: حيث تتناسب ارتفاعات الأعمدة مع القيم، وتكون شرائح الدائرة الزاوية صحيحة، وعدد الفئات دقيقًا، والملصقات مربوطة بالعلامات الصحيحة. وثانيًا، يجب أن يبدو مصممًا بعناية: من خلال لوحة ألوان، وسمة بصرية، وربما استعارة (تحويل الأعمدة إلى ناطحات سحاب، أو الدائرة إلى طبق طعام). إذا طلبت من مصمم بشري القيام بذلك، فسيُنجح في الجانبين، لأنه يفهم الأرقام قبل أن يبدأ في الرسم.

أما إذا طلبت ذلك من نموذج تحويل النص إلى صورة، فستحصل على أحدهما أو الآخر، ونادرًا ما تحصل على كليهما. قام مؤلفو مشروع ArtChart بإجراء تجارب أولية وصنّفوا حالات الفشل إلى أربع فئات:

• تشويه المنطق الرياضي: ارتفاعات أعمدة خاطئة، زوايا شرائح دائرة غير صحيحة، أو عدد خاطئ تمامًا من الأعمدة أو الشرائح.
• أخطاء في محتوى النص: أحرف مفقودة، مكررة، مشوهة، أو خاطئة تمامًا في الملصقات والعناوين.
• عدم تطابق تخطيط النص: وضع ملصق قيمة أو فئة بجوار علامة خاطئة، أو انحرافه عن العمود الخاص به.
• فشل في الأسلوب البصري: تنسيق مبالغ فيه لدرجة توقف العلامات عن القراءة، أو تنسيق حذر جدًا لدرجة عدم ظهور الرسم البياني "فنيًا" على الإطلاق.

إن إطار عملهم واضح وصريح: يُعدّ الرسم البياني غير صالح إذا كان لعمود ارتفاع خاطئ، أو لقطاع دائرة زاوية غير صحيحة، أو تم توهم رقم، أو تم وضع قيمة صحيحة فوق فئة خاطئة، بغض النظر عن مدى جمال باقي الصورة.

مخطط لا يُسمح للفنان بإعادة رسمه

تبدأ حصة ArtChart بالرفض التام للسماح للنموذج بالارتجال في الأرقام. قبل أي توليد فني، يقوم النظام بإنشاء رسم بياني رمادي ممل وخالي من النصوص باستخدام كود رسوم بياني حتمي، وهو نفس النوع الذي يوفر ارتفاعات أعمدة وزوايا دائرية دقيقة بكسلًا كما في مكتبات الرسم البياني. لا عنوان، ولا تسميات، ولا ألوان. فقط هندسة.

ثم يعمل هذا الهيكل الرمادي كشرط للتوليد الفعلي، من خلال ControlNet مخصص للرسوم البيانية (تقنية راسخة لتوجيه نماذج الانتشار باستخدام صورة إدخال هيكلية) مدربة فوق عمود فقري ثابت لتحويل النص إلى صورة يُطلق عليه Qwen-Image-2512. الفكرة هيكلية: امنح الفنان هيكلًا لاسلكيًا وأخبره بإضافة نوافذ واجهة، لكن اترك مخطط الأرضية كما هو.

التفصيل الذي يجعل هذا يعمل هو أن ControlNet عام، مثل النوع المدرب على الصور مع خرائط الحواف أو خرائط العمق، لا يعرف أن ارتفاع المستطيل في هذه الصورة الرمادية هو رقم. سيعامل الرسم البياني كصورة أخرى يجب تنسيقها. تدريب ControlNet خصيصًا على تخطيطات الرسوم البيانية هو ما يسمح للنموذج بفهم أن الهندسة ليست زخرفية، بل هي بيانات.

تدريب النموذج باستخدام ثلاثة مراجعين لا يتفقون مع بعضهم البعض

إن تثبيت الهندسة لا يحل مشكلة النص. بمجرد أن أصبح الهيكل العظمي للنموذج متيناً، وجد الفريق أن الأخطاء المتبقية السائدة كانت عبارة عن تسميات مشوشة أو غير متطابقة. لذلك قاموا بتجميد نموذج ControlNet والنموذج الأساسي، وأرفقوا محولاً صغيراً قابلاً للتدريب إلى محول الانتشار (diffusion transformer) الخاص بالنموذج، وقاموا بتدريبه باستخدام التعلم التعزيزي وطريقة مبنية على GRPO (التحسين النسبي للسياسات الجماعية).

قاد مكافأتان هذه المرحلة. تقوم الأولى بتشغيل التعرف الضوئي على الحروف (OCR) على الصورة المولدة ومطابقة النص المكتشف مع التسميات المقصودة باستخدام مسافة التعديل، لتقييم مدى قرب النص المُعرض من الصحة. وتطلب الثانية من نموذج اللغة-الرؤية التحقق مما إذا كانت كل تسمية تقع على العلامة الصحيحة، وفي الموقع الصحيح، وليس فقط ما إذا كانت السلسلة مكتوبة بشكل صحيح.

ثم أضافوا مكافأة ثالثة للجماليات، مبنية على PickScore، وهو نموذج تم تدريبه على بيانات تفضيلات بشرية، وواجهوا مشكلة متوقعة. عند الدفع بقوة نحو دقة التعرف الضوئي على الحروف، يلعب النموذج دور الحذر: خطوط بسيطة، وضعيات جامدة، وتكوينات مملة. وعند الدفع نحو الجاذبية البصرية، يبدأ النص في الانحراف والتشويش مرة أخرى. عند متوسط جميع المكافآت الثلاث في إشارة تدريب واحدة، تحصل على حل وسط متوسط الأداء في كل شيء، وهو ما تم تأكيده مباشرة في تجاربهم: سجل النموذج المدمج بشكل ساذج 9.49 في النص، و7.51 في التخطيط، و7.61 في الجاذبية البصرية، وكلها أقل مما يمكن لنموذج تم تدريبه على واحدة فقط من تلك المكافآت تحقيقه بمفرده.

كانت إجابتهم هي مخطط تقطير (distillation) يسمونه OPD. قموا بتدريب ثلاثة نماذج متخصصة منفصلة، واحد يلاحق فقط دقة التعرف الضوئي على الحروف، وواحد يلاحق فقط صحة التخطيط، وواحد يلاحق فقط الجاذبية البصرية، حيث تم دفع كل منها حتى يصل إلى مرحلة الاستقرار. ثم قاموا بتدريب نموذج نهائي واحد لمحاكاة whichever المتخصص الأنسب لمثال تدريب معين، يتم اختياره على الفور بواسطة جهاز توجيه (router). إنه أقل "متوسط ثلاث آراء" وأكثر "تعلم من whichever الخبير الذي يعرف حقاً هذه الحالة الخاصة".

تظهر العائدات بوضوح في أرقامهم. يحقق المتخصص في التعرف الضوئي على الحروف بمفرده 9.55 في النص. يحقق المتخصص في التخطيط 7.71 في التخطيط. يحقق المتخصص في الجاذبية البصرية 7.69 في الجاذبية البصرية. يستقر النموذج المقطر النهائي عند 9.54 في النص، و7.67 في التخطيط، و7.61 في الجاذبية البصرية، على مقربة من سقف كل متخصص في نفسه، في جميع المحاور الثلاثة في وقت واحد، بدلاً من الاستسلام للأرض الوسطى التي أنتجها الدمج الساذج.

تصحيح الرياضيات دون السماح للمصحح بقراءة مفتاح الإجابات

لاختبار كل هذا، بنى الفريق ArtChart-Bench: 2000 مطالبة موزعة بالتساوي بين الإنجليزية والصينية، وتغطي أربعة أنواع من الرسوم البيانية (أعمدة عمودية، أعمدة أفقية، دائرية، ومنطقة)، و15 عائلة أنماط تتراوح من البسيط إلى المزخرف بشدة. تم اختبار المطالبات بشكل متعمد تحت الضغط: عدد الفئات من 2 إلى 10، متتاليات القيم التي تكون في الغالب غير مرتبة ولكن أحياناً متزايدة أو متناقصة أو متساوية بشكل متعمد، وأحجام القيم التي تتراوح من الفجوات الكبيرة السهلة إلى الأرقام المتطابقة تقريباً أو القريبة من الصفر المصممة لإرباك المُصيغ السطحي.

يتم التصحيح عبر ستة محاور، يتم تقييم كل منها من 10: المنطق الرياضي، دقة النص، تخطيط النص، الجماليات، اتباع التعليمات، والقابلية للقراءة.

أذكى جزء هو كيفية تقييم المنطق الرياضي. من السهل خداع نموذج لغوي بصري عند سؤاله "هل يبدو هذا الرسم البياني صحيحاً؟"، لأن النموذج يمكنه ببساطة قراءة التسميات المطبوعة والافتراض أن الصورة تتطابق معها. لذا يقومون بتشغيل التعرف الضوئي على الحروف (OCR) أولاً، ثم يرسمون مربعات بيضاء فوق كل حرف مكتشف، وبعد ذلك فقط يقدمون الصورة الخالية من النصوص الآن للحكم، ويطلبون منه تقدير النسب الهندسية من العلامات وحدها. إذا كانت عموداً موسوماً بـ "42" ولكن مرسوماً عند نصف الارتفاع الذي يجب أن يكون عليه، فإن هذه الطريقة لا تزال تكتشف ذلك، لأن الحكم لا يرى التسمية أبداً. يتم تقييم دقة النص بشكل منفصل كإجراء F1 على وحدات النص المطابقة، والتخطيط كنسبة التسميات المرتبطة بشكل صحيح بالعلامة والموضع الصحيحين، والقابلية للقراءة كتحقق من كل من عدم الوضوح الناتج عن الزخرفة المفرطة والرتابة الناتجة عن نقص الزخرفة.

ما أظهرته الأرقام فعلياً

عند تشغيل نموذج نص إلى صورة عادي دون أي مساعدة مخصصة للرسوم البيانية، تحصل على درجة منطق رياضي تبلغ 2.87 من 10. وإضافة وحدة ControlNet عامة جاهزة للاستخدام ترفع هذه الدرجة إلى 7.48، وذلك بمجرد تزويد النموذج بهيكل أساسي يمكنه اتباعه. واستبدالها بوحدة ControlNet مخصصة للرسوم البيانية، والتي تم تدريبها على تخطيطات الرسوم البيانية بالأبيض والأسود، يرفع الدرجة إلى 9.06، وهو أكبر مكسب فردي في العملية برمتها، ويأتي هذا المكسب حصرياً من تعليم وحدة الشروط أن المستطيلات الرمادية ترمز إلى أرقام.

وتروي النصوص والتخطيط قصة مماثلة. فخطوط الأساس القائمة على التعديل، حيث يتم تزويد النموذج برسم بياني مُصوَّر بالإضافة إلى تعليمات، تحسن الهندسة إلى حد ما لكنها بالكاد تلمس جودة النص. وتصل العملية الكاملة لـ ArtChart إلى 9.05 في المنطق الرياضي، و9.54 في دقة النص، و7.67 في التخطيط، و7.61 في الجماليات، و9.25 في اتباع التعليمات، و7.54 في قابلية القراءة، متفوقة على كل خطوط الأساس التي اختبروها في كل محور.

وهناك تفصيل لكل نوع من أنواع الرسوم البيانية هو حيث تصبح الأمور أكثر صدقاً. فرسوم الأعمدة ورسوم الأعمدة الأفقية هي الحالة السهلة: بدرجات قراءة تبلغ 9.27 و8.21 على التوالي. وتحافظ رسوم المساحات على درجات قوية في المنطق والنص، لكن قابلية القراءة تنخفض إلى 6.64، حيث يبدو أن تحويل منطقة ممتلئة إلى شكل مصور يجعلها أصعب في القراءة حتى عندما تكون البيانات الأساسية صحيحة. وتُعد رسوم الدائرة الأصعب في جميع الفئات، بدرجة منطق رياضي تبلغ 8.65 ودرجة قراءة تبلغ 6.05 فقط، لأن زوايا القطاعات والعلامات المرتبة حول دائرة هي ببساطة أقل تساهلاً من الأعمدة على شبكة.

لماذا يهم ذلك أي شخص يقوم ببناء أو اختيار نظام OCR

تقوم هذه الورقة بتوليد الصور بدلاً من قراءتها، لذا فهي ليست معياراً للمنافسة بالطريقة التي تغطي بها معظم مراجعات OpenOCR. لكن المشكلة الأساسية هي نفسها المشكلة ولكن مقلوبة. يجب على محرك OCR التحقق من أن سلسلة من البكسلات تعني ما يدعي أنه تعنيه. يجب على ArtChart ضمان ذلك قبل أن توجد تلك البكسلات على الإطلاق. تعتمد كلتا المهمتين على السؤال نفسه: هل يمكنك الوثوق بالنص في هذه الصورة؟ وبما أن الكتابة العربية تعتمد على خط متصل من اليمين إلى اليسار مع أشكال حروف حساسة للسياق وروابط اختيارية، فإن هذه التعقيدات تجعل مهمة OCR أكثر صعوبة بشكل ملحوظ.

هناك أمران مفيدان مباشرة إذا كنت تعمل مع صور المستندات أو الرسوم البيانية. أولاً، تصنيف الأخطاء الأربعة الأجزاء (هندسة خاطئة، نص خاطئ، ربط تسميات خاطئ، تنسيق غير مقروء) هو قائمة مراجعة جيدة حقاً لتشغيل أي خط أنابيب لـ OCR أو الذكاء الاصطناعي المستند إلى المستندات بمجرد مواجهته لإنفوجرافيك منسق مأخوذ من تقرير سنوي أو عرض تسويقي. ثانياً، حيلة "إخفاء النص قبل الحكم على الهندسة" تستحق السرقة لأعمال التقييم بشكل عام: كلما كنت تتحقق مما إذا كان النظام قد استخرج القيم الصحيحة من رسم بياني، لا تدع الفاحص يتجسس على التسميات التي قد تكون خاطئة بحد ذاتها.

هناك أيضاً منظور طويل الأمد. خط أنابيب قادر على توليد رسوم بيانية ببيانات أساسية معروفة وصحيحة ونص تسميات موثق هو خط أنابيب قادر على توليد بيانات تدريب وتقييم موسومة لفهم الرسوم البيانية ونماذج OCR الخاصة بها، بشكل رخيص وعلى نطاق واسع. هذا منتج ثانوي حقيقي حتى إذا بقي توليد الإنفوجرافيك الفني حالة استخدام متخصصة.

التفاصيل الدقيقة بصراحة

يكون المؤلفون صريحين بشأن الحدود الحالية لهذه التقنية. لا يزال ArtChart يعتمد على الهيكل الرمادي الصريح، لذا لا يوضح البحث أن نموذج النص إلى الصورة العادي يمكنه استنتاج هندسة الرسم البياني الصحيح مباشرة من مطالبة نصية فقط. يغطي المعيار البيانات الفئوية أحادية البعد عبر أربعة أنواع من الرسوم البيانية؛ بينما تُترك الأنواع المجمعة، والمكدسة، والمتعددة السلاسل، والانتشارية، والرادارية، وتخطيطات لوحات المعلومات، وهي ما يمثل معظم ما يظهر فعلياً في تقارير الأعمال الحقيقية، لأعمال مستقبلية. وبما أن التقييم يعتمد على نماذج التعرف الضوئي على الحروف (OCR) ونماذج اللغة البصرية كقضاة، فإن هؤلاء القضاة قد يحملون تحيزاتهم الخاصة إلى النتيجة.

جدير بالذكر: يعد الملخص بالمقارنة مع "نماذج واجهة برمجة التطبيقات المغلقة المصدر"، لكن جداول النتائج في البحث تقارن ArtChart فقط مع خطوط الأساس المفتوحة من عائلتي Qwen و FLUX. تظهر GPT-Image ونموذج يُدعى Nano في مراحل سابقة من خط الأنابيب، لتوليد أهداف التدريب، وليس كصفوف في لوحة المتصدرين النهائية. كما يغطي المعيار ثنائي اللغة الإنجليزية والصينية فقط، لذا فهو لا يقول شيئاً بعد عن كيفية أداء هذا النظام عبر أنظمة كتابة أخرى. لا يقلل أي من ذلك من قيمة ما يوضحه البحث فعلياً، وهو أن القيد الهيكلي الخاص بالرسوم البيانية بالإضافة إلى مخطط التقطير لمواءمة المكافآت المتنافسة يتفوق بفارق كبير على النهج الساذج للنص إلى الصورة ونماذج ControlNet العامة. هذا يعني فقط أن "حل توليد الرسوم البيانية الفنية" يحتاج إلى بعض توسعات المعيار الإضافية.