تم العثور عليها لكن لم تُقرأ: لماذا لا تزال نماذج الرؤية واللغة بحاجة إلى تقنية التعرف الضوئي على الحروف (OCR)

الوهم البصري في البحث المرئي داخل المستندات

تخيل هذا السيناريو: تقوم ببناء منظومة للإجابة عن الأسئلة المتعلقة بالمستندات معتمدةً على أداة استرجاع بصري مثل ColQwen2. تقوم بتحويل صفحات ملفات PDF إلى صور، ثم تسترجع الصفحات الأكثر ملاءمة بناءً على سؤال المستخدم. تسحب أداة الاسترجاع أفضل ست عشرة صورة للصفحات وتسلمها مباشرةً إلى نموذج رؤية ولغة (VLM)، مثل Qwen2.5-VL أو Qwen3-VL، لقراءتها والإجابة عن السؤال.

تبدو هذه البنية المعمارية متقنة للغاية؛ فمن خلال تمرير صور الصفحات مباشرةً إلى نموذج متعدد الأنماط، تحافظ على التنسيق والشكل البصري للمستند دون الحاجة إلى نص مستخرج بالـ OCR كمدخلات لنموذج القراءة. وتبدو الفرضية الأساسية بديهية للوهلة الأولى: العثور على الصفحة الصحيحة هو الجزء الصعب؛ وبمجرد أن تستقر صورة الصفحة داخل نافذة السياق، ينبغي أن تكون قراءة الإجابة واستخراجها أمراً بسيطاً.

إلا أن ورقة بحثية صادرة عن Harbin Institute of Technology بعنوان Found but Not Read: When Extracted Text Closes the Retrieval-Reading Gap in Document Vision-Language Models (Xia et al., October 2, 2026)، وضعت تلك الفرضية على المحك.

يوضح الباحثون أنه حتى عندما يحقق نظام الاسترجاع البصري دقة استرجاع شبه كاملة، واضعاً الصفحات التي تتضمن الإجابة مباشرةً أمام النموذج، فإن نماذج الرؤية واللغة المختبرة تترك قدراً كبيراً من الأدلة دون استخدام. ويطلق الباحثون على هذا الإخفاق اسم فجوة الاسترجاع والقراءة (retrieval-reading gap): أدلة عثر عليها نظام البحث، لكن نموذج القراءة لم ينجح في استخدامها.

المثير للدهشة هو التدخل التجريبي المقترح: خذ صور الصفحات نفسها، وشغّل عليها أداة OCR على المعالج (CPU OCR)، ثم أضف كتل نصوص مختارة إلى موجه النموذج (prompt) إلى جانب الصور. على معيار FoveDoc-Bench، ارتفعت الدقة الصارمة للإجابة بما بين 13 و16 نقطة مئوية مع نموذج القراءة الأساسي. كان النموذج البصري يمتلك وحدات البكسل بالفعل، ولكن تقديم محتواها النصي بشكل منفصل ساعده على استخدام ما كان موجوداً أمامه.

عزل نموذج القراءة: البروتوكول المقترن على معيار FoveDoc-Bench

في المعايير المرجعية للمستندات، قد يكون تشخيص السؤال الذي فشل النموذج في إجابته أمراً معقداً؛ فإذا أعادت المنظومة إجابة خاطئة، فهل استرجع محرك البحث صفحات غير مناسبة، أم أن نموذج اللغة أخفق في استخدام الصفحة الصحيحة؟

ولعزل نموذج القراءة عن أداة الاسترجاع، أنشأ Xia وزملاؤه معياراً يُدعى FoveDoc-Bench. يتكون المعيار من 2,346 سؤالاً مستخلصة من 1,173 مستنداً رقمياً أصيلاً (born-digital documents)، يوفر كل منها سياقاً يتراوح بين 16 و24 صفحة. يرتبط كل سؤال بكتل مصادر معلّمة بدقة واقتباسات نصية محددة، كما تم استبعاد هذه المستندات من مجموعات بيانات التدريب والتحقق المساعدة المستخدمة في الدراسة.

قسّم الباحثون المعيار إلى مهمتين متميزتين:

1. V-NIAH: تعتمد الإجابة فيها على كتلة دليل واحدة في صفحة واحدة.
2. V-MQAR: تتطلب الإجابة الربط بين كتلتي دليل من صفحتين مختلفتين.

بعد ذلك، اعتمدوا بروتوكولاً يضمن تشبّع الاسترجاع. فباستخدام ColQwen2 لاسترجاع أفضل 16 صفحة لكل سؤال، بلغت نسبة الاستدعاء الكامل عند 16 (full recall@16) — وهي نسبة الأسئلة التي استُرجعت فيها كل صفحة دليل ذهبية — 1.000 (100%) في V-NIAH و0.998 (99.8%) في V-MQAR. وعبر 2,346 سؤالاً، توفرت للنموذج كل صفحات الأدلة الذهبية داخل موجهه في 2,344 سؤالاً منها؛ وبذلك تم تحييد فشل الاسترجاع بالكامل تقريباً من المقارنة.

ومع تثبيت عامل الاسترجاع، اختبروا النموذج المجمد نفسه، وهو النموذج الافتراضي Qwen3-VL-2B-Instruct، تحت شرطين:

• المسار (أ) (الصور وحدها - Images alone): يتلقى النموذج السؤال وصور الصفحات الـ 16 المسترجعة.
• المسار (ب) (الصور + الذاكرة النصية - Images + Text Memory): يتلقى النموذج السؤال، وصور الصفحات الـ 16 نفسها، بالإضافة إلى 16 كتلة نصية من تلك الصفحات حققت أعلى درجات التطابق المعجمي مع السؤال. جُمعت الكتل حسب الصفحة، ومُيزت بأرقام الصفحات، وحُددت بحد أقصى 300 حرف لكل كتلة.

ولأن المسار (ب) لا يحذف أي شيء ويضيف فقط نصاً مستخرجاً من صفحات معروضة بالفعل، فإن الفارق في الدقة يقيس بدقة فائدة إتاحة ذلك المحتوى بشكل منفصل.

قُيّمت الإجابات بواسطة نموذج لغوي محكّم (LLM judge)، حيث احتسبت الدقة الصارمة الأحكام الصحيحة فقط. واستُخدم GPT-5.4 في المقارنات الرئيسية والخارجية؛ بينما استُخدم GPT-5.6 Luna في ضوابط تحديد المواقع والاسترجاع. اتفقت أحكام النماذج المحكّمة في 98.8% من الأحكام الصارمة عبر 1,963 توقعاً متطابقاً. كما راجع اثنان من المؤلفين 200 عينة مستمدة من نقاط الخلاف بين مسار الصور ومسار الـ OCR، وتطابق حكمهما مع النموذج المحكّم بنسبة 96%.

النتائج: قفزة بمقدار 13 إلى 16 نقطة بفضل الـ OCR المعتمد على المعالج

كان الأداء الأساسي لمنظومة الصور وحدها هشاً بشكل غير متوقع.

ففي مهمة الإبرة الواحدة، V-NIAH، أجاب Qwen3-VL-2B إجابة صحيحة في 35.0% من المرات فقط: 410 من أصل 1,173 سؤالاً، على الرغم من تسلمه لصفحة الدليل. لكن إضافة النص المستخرج بواسطة RapidOCR باستخدام نماذج PP-OCR على المعالج، رفعت الدقة إلى 50.6%، أي 594 من أصل 1,173؛ ويمثل ذلك مكسباً قدره +15.7 نقطة مئوية (p = 2.8e-24).

وكانت القفزة النسبية أكبر في المهمة الممتدة عبر صفحتين، V-MQAR؛ إذ حقق القارئ البصري بمفرده نسبة 15.3%، أو 180 من أصل 1,173. وأدت إضافة النص المستخرج بالمعالج إلى مضاعفة أدائه تقريباً، رافعةً الدقة إلى 28.7%، أو 337 من أصل 1,173: محققةً مكسباً قدره +13.4 نقطة مئوية (p = 3.3e-26).

وعندما استبدل الباحثون نص الـ OCR بطبقة نص PDF الأصلية (native PDF text layer) — وهي المرجع الرقمي الأصلي الدقيق لهذه الصفحات — ارتفعت الدقة إلى 69.1% في V-NIAH (+34.2 نقطة مقارنة بالصور وحدها) وإلى 43.2% في V-MQAR (+27.9 نقطة).

لننظر في مثال تطبيقي من الورقة البحثية: في الصفحة 12 من سياق تدوينة لشركة Cloudflare يبلغ طوله 23 صفحة، ينص تعليق برمجي على أن نموذج TLS يستخدم وحدات ماكرو لمعالج M4 الأولي (M4 preprocessor macros) للتدوين.

كان نص السؤال: "What specific type of preprocessor macros does the TLS model use for notation?"

وعند تزويده بصور الصفحات وحدها، أجاب Qwen3-VL-2B بـ "Mk". ولكن عندما تضمن الموجه كتلة RapidOCR ذات المعرف (score 22.7, p12_b5) والحاوية على uses M4 preprocessor macros، أعاد النموذج الإجابة الصحيحة: "M4".

وبالمثل، في سؤال ممتد عبر صفحتين حول أوامر تتبع نواة Linux في الصفحتين 26 و32، أعاد النموذج المعتمد على الصور فقط tcp_sendmsg وtcp_write_timer. وأنتجت إضافة نص الـ OCR الزوج الصحيح: tcp_sendmsg وmod_timer.

لماذا احتفظ الـ OCR المعتمد على المعالج بنحو نصف مكسب طبقة نص PDF الأصلية فقط — 46% في V-NIAH و48% في V-MQAR؟

تحقق الباحثون مما إذا كان نظام الـ OCR يوفر ببساطة قدراً أقل من النصوص، وتبيّن أن الأمر ليس كذلك؛ إذ تجزأت الطبقة الرقمية الأصلية إلى نحو 53 كتلة في الصفحة بمتوسط طول قدره ستة أحرف، في حين أنتج تجميع الـ OCR نحو 17 كتلة في الصفحة بمتوسط طول بلغ 23 حرفاً. وضمن الميزانية الثابتة للكتل، احتوت ذاكرة الـ OCR على عدد أحرف أكبر في 77.1% من العينات، بفارق متوسط بلغ +894 حرفاً.

كان القيد الحقيقي يتمثل في دقة الدليل واكتماله؛ فبقياسها مقابل الاقتباسات الذهبية، استعادت أفضل كتلة OCR مفردة قابلة للتضمين 76% من رموز الاقتباس (tokens) في المتوسط، واستعادت 90% على الأقل لما نسبته 53% من عناصر الأدلة في كلتا المهمتين. ويربط الباحثون بين المكسب الأقل لدقة الـ OCR واسترجاعه غير المكتمل للأدلة، على الرغم من حجم النص الأكبر.

زيادة الحجم وحيل هندسة الأوامر لم تسد الفجوة

قد يتمثل رد الفعل الطبيعي في الشك بأن هذا مجرد عرض ناتج عن استخدام نموذج صغير بحجم 2 مليار معامل. فهل يُغني نموذج قراءة أكبر عن النص الإضافي؟

اختبر الباحثون ستة نماذج رؤية ولغة جاهزة تنتمي إلى ثلاث عائلات:

• Qwen3-VL (2B و4B و8B)
• Qwen2.5-VL (7B)
• LLaVA-OneVision (7B)
• Idefics3 (8B)

استخدمت هذه المقارنة ذاكرة طبقة نص PDF لأول 400 عينة لكل مهمة، بدلاً من استخدام الـ OCR بالمعالج على المعيار بأكمله. وأظهرت جميع النماذج مكاسب ذات دلالة إحصائية عبر كلتا المهمتين (p < 1e-13 في جميع التوليفات الاثنتي عشرة بين النماذج والمهام).

ففي LLaVA-OneVision-7B، حسنت إضافة النص الدقة بمقدار 29.2 نقطة في V-MQAR و38.5 نقطة في V-NIAH. وفي Idefics3-8B، بلغت المكاسب 42.0 و61.3 نقطة. وتحتاج هذه الأرقام إلى توضيح: لقد عُطّل تقسيم الصور أو تم تقييد عدد البكسلات لهذه النماذج لتتسع لـ 16 صفحة؛ لذا يقارن الباحثون اتجاه الفائدة عبر العائلات المختلفة بدلاً من التعامل مع أحجام المكاسب كأرقام قابلة للمقارنة المباشرة.

أما ضمن عائلة Qwen3-VL، حيث قُيّمت الأحجام الثلاثة في ظل إعدادات متطابقة، فقد ساعدت زيادة الحجم ولكنها لم تلغِ الفجوة:

• قارئ 2B: مكسب قدره +28.2 نقطة مئوية في V-MQAR / و+36.0 نقطة في V-NIAH
• قارئ 4B: مكسب قدره +25.0 نقطة مئوية في V-MQAR / و+30.7 نقطة في V-NIAH
• قارئ 8B: مكسب قدره +23.0 نقطة مئوية في V-MQAR / و+22.5 نقطة في V-NIAH

استفاد القارئ الأكبر حجماً بدرجة أقل من النص المضاف، ولكن عند حجم 8 مليارات معامل ظلت الميزة تتجاوز 22 نقطة مئوية في كلتا المهمتين.

كما اختبر الباحثون عدة تعديلات على آليات الاختيار وصياغة الأوامر والضبط الدقيق:

• مع قارئ 4B في مهمة V-MQAR، أدى مضاعفة ميزانية الكتل، واستخدام محدد الاتحاد (union selector)، والتحول إلى قارئ بنمط الاستدلال (reasoning-mode reader) إلى تعديل الدقة بما لا يتجاوز +3 نقاط مئوية لكل منها.
• أدى أسلوب التفكيك الذاتي للأسئلة (Self-ask decomposition) إلى خفض الدقة بمقدار 4.3 نقطة مئوية في ذلك الإعداد.
• استعاد الضبط الدقيق باستخدام LoRA ما مقداره 6 نقاط في V-MQAR و5 نقاط في V-NIAH لنموذج 2B؛ في حين بلغ المكسب المسجل لنموذج 4B مع LoRA نحو 0.9 نقطة.

كانت هذه التدخلات التجريبية محدودة الأثر مقارنةً بفجوة طبقة النص؛ وهي لا تجزم بأن زيادة الحجم أو الضبط الدقيق لن يحلا المشكلة نهائياً، لكنها تبيّن أن البدائل المحددة التي جرى اختبارها هنا لم تنجح في ذلك.

الاختراق التشخيصي: النموذج يستطيع القراءة لكنه يعاني في العثور على المعلومة

لفهم أسباب إخفاق نماذج القراءة في استخراج الإجابات من صفحات تمتلكها بالفعل، أجرى الباحثون ثلاث مقارنات تشخيصية.

أولاً، قاموا بتمرير نص الـ OCR الكامل لجميع الصفحات الـ 16 وفق ترتيب القراءة، دون انتقاء كتل بناءً على السؤال؛ فتحسنت الدقة بمقدار 17.9 نقطة في V-MQAR و22.1 نقطة في V-NIAH. وتفوق ذلك على المكاسب الناتجة عن ملخص الـ 16 كتلة تحت موجه محايد: 14.1 و16.5 نقطة على التوالي. وبالتالي، لم يكن الانتقاء المشروط بالسؤال ضرورياً لتحقيق فائدة ملموسة.

ثانياً، قدموا تلك الكتل المختارة في صورة قصاصات صور (image crops) أُلحقت بالصفحات الكاملة دون أي نص مستخرج. واعتمدت القصاصات على كثافة بكسلات الصفحة الأصلية الخاصة بنموذج القراءة نفسه، مما يعني أن الإجراء عزل الكتل دون زيادة كثافة بكسلاتها.

استعادت القصاصات 87% من المكسب الذي حققه ملخص النص ذو الموجه المحايد في مهمة V-MQAR (+12.3 نقطة) و92% في مهمة V-NIAH (+15.2 نقطة).

ثالثاً، رسموا مربعات حمراء حول الكتل نفسها على صور الصفحات الكاملة، فلم تحقق المربعات أي استعادة مماثلة للمكاسب: +0.5 نقطة في V-MQAR وتراجعاً قدره 3.0 نقاط في V-NIAH.

وإجمالاً، تظهر المقارنات على النحو التالي:

Intervention added to the 16-page input    V-MQAR gain    V-NIAH gain
Red boxes around selected blocks            +0.5 pp        -3.0 pp
Selected blocks as image crops             +12.3 pp       +15.2 pp
OCR digest under a neutral prompt          +14.1 pp       +16.5 pp
Full OCR text in reading order             +17.9 pp       +22.1 pp

تدعم هذه النتائج وجود عنق زجاجة في إمكانية الوصول إلى الأدلة (evidence-accessibility bottleneck)؛ إذ يمكن للقارئ استخدام جزء كبير من المعلومات عندما تُعزل وتُفصل عن الصفحة المحيطة بها، حتى عندما تظل تلك المعلومات على هيئة بكسلات.

لا تحدد التجارب مكوّن انتباه (attention component) محدداً باعتباره السبب، كما أنها لا تفسر بشكل قاطع سبب فشل المربعات الحمراء. لكن ما تثبته هو الاختلاف السلوكي: فتحديد المناطق على صفحة كاملة لم يحقق شيئاً يُذكر، في حين أن تقديم تلك المناطق منفصلة استعاد معظم الفائدة التي وفرها ملخص النصوص.

إن الاسترجاع على مستوى الصفحة لا يعادل الاسترجاع على مستوى الدليل؛ فاسترجاع الصفحة يضع كومة القش بأكملها في مجال الرؤية، بينما يساعد تقديم نصوص أو قصاصات مختارة في جعل الإبرة أسهل استخداماً.

الضابط الأول: فخ المخططات الانسيابية ونمط الدليل

في هذه المرحلة، قد يميل البعض إلى استنتاج أن كل سؤال في المستندات ينبغي تزويده بنص مستخرج عبر الـ OCR. إلا أن الورقة البحثية تحدد ضابطين يجعلان هذا الاستنتاج فضفاضاً أكثر من اللازم.

يتعلق الضابط الأول بـ نمط الدليل (evidence modality): أي ما إذا كانت الإجابة تعتمد على نص أم على هياكل رسومية كالمخططات البيانية والأشكال التوضيحية.

قيّم الباحثون البروتوكول المقترن على معيار MMLongBench-Doc، الذي يضم 1,091 سؤالاً موزعة على 135 مستنداً يصل عدد صفحاتها إلى 468 صفحة. وخلافاً لمعيار FoveDoc-Bench، فإن معظم الأدلة هنا ذات طبيعة رسومية، كما أن الاسترجاع غير مشبّع؛ حيث يبلغ الاستدعاء الكامل عند 16 نسبة 84.4%.

ومن بين 838 سؤالاً قابلاً للإجابة ومرفقاً بأدلة معلّمة، أحدثت إضافة ذاكرة الـ OCR تغيراً إجمالياً ضئيلاً بلغ +0.4 نقطة مئوية (+0.004, p = 0.86). وتنطبق هذه النتيجة على فئة الأسئلة المعلّمة القابلة للإجابة، وليس على كامل الأسئلة البالغ عددها 1,091 والتي تتضمن أيضاً أسئلة غير قابلة للإجابة عن قصد.

وعندما فصل الباحثون الأسئلة الـ 414 التي تحمل وسم دليل واحداً فقط، برز نمط مختلف:

• أدلة نصية فقط (129 سؤالاً): حققت إضافة النص المستخرج مكسباً قدره +8.5 نقطة مئوية.
• أدلة من مخططات أو أشكال توضيحية (285 سؤالاً): أحدثت إضافة النص المستخرج تغيراً قدره −4.6 نقطة مئوية.

بلغ الفارق بين هذين الأثرين 13.1 نقطة مئوية (p = 0.0024)، وهو تباين الأنماط الخارجي الذي صمد أمام تصحيح المقارنات المتعددة في الورقة.

وأظهرت فئات الأدلة المتداخلة ترتيباً مشابهاً:

• النصوص العادية (Plain text): +5.2 pp
• الجداول (Tables): +1.9 pp
• التخطيط (Layout): +0.9 pp
• الأشكال التوضيحية (Figures): −2.8 pp
• المخططات البيانية (Charts): −4.0 pp

تصف هذه التقديرات الفئوية النمط الملحوظ، وليست جميعها فوائد أو أضراراً مثبتة بصورة مستقلة.

لنأخذ العينة رقم 44 من MMLongBench-Doc كمثال؛ حيث يسأل السؤال: "According to the flowchart 'Analytics Value Chain', what comes between Reporting and Action?"

أجاب النموذج المعتمد على الصور وحدها إجابة صحيحة: "Analysis".

لكن ذاكرة الـ OCR المجمعة من الصفحة 13 أغفلت Analysis والأسهم الرابطة، واحتفظت بقطع مجزأة منها Reporting وValue وAction. وعند إضافة تلك الذاكرة، أجاب النموذج بـ "Action".

يوضح هذا المثال كيف يمكن للنص المستخرج أن يسقط العلاقات والتسميات الضرورية لتفسير الرسم. وهو لا يكشف عن آلية التفكير الداخلي للنموذج، لكن النتيجة واضحة: فقد تزامنت إضافة النص مع تحول الإجابة من صحيحة إلى خاطئة.

يمكن للنص الخطي المجرد أن يفقد البنية المكانية التي تمنح الرسم البياني معناه؛ وفي هذا التقييم، استفادت الأدلة النصية، في حين أظهرت أدلة المخططات والأشكال تأثيراً سلبياً في المتوسط.

الضابط الثاني: النص يعزز الاسترجاع ولكنه لا يحل محله

يتعلق الضابط الثاني بـ جودة الاسترجاع. فإذا أخطأت أداة الاسترجاع صفحة الدليل، فما مقدار المساعدة التي يمكن أن يقدمها النص المستخرج من الصفحات المتبقية؟

للتحقق من ذلك، خفّض الباحثون كفاءة الاسترجاع تحت شروط مضبوطة؛ إذ أزالوا الصفحات الذهبية من بين أفضل 16 نتيجة واستبدلوها بصفحات رتبها ColQwen2 في مراكز أدنى من الـ 16 الأولى، مع الحفاظ على ميزانية الصفحات ثابتة.

اشتملت المجموعة المؤهلة على 938 سؤالاً من V-MQAR و1,025 سؤالاً من V-NIAH توفرت في مستنداتها بدائل صالحة عند كل مستوى تم اختباره.

Retrieved gold pages	V-MQAR gain	V-NIAH gain
100% recall	+12.5 pp	+14.9 pp
50% recall	+6.6 pp	—
0% recall	+3.0 pp	+4.3 pp

ومع انخفاض الاستدعاء إلى الصفر، تراجعت أفضلية النص بمقدار 9.5 نقطة في V-MQAR و10.6 نقطة في V-NIAH. وكان كلا التغيرين ضمن العينة ذا دلالة إحصائية (p < 1e-9). واعتمد ما يقارب ثلاثة أرباع أفضلية الاستدعاء الكامل على وجود الصفحات الذهبية.

وارتبط جزء من الأثر المتبقي عند استدعاء صفر بـ تسرب نص الإجابة (answer-string leakage)؛ إذ ظلت سلسلة الإجابة الذهبية تظهر في الذاكرة المجمعة من الصفحات غير الذهبية في 4.8% من عينات V-MQAR و12.4% من عينات V-NIAH.

وبعد تصفية تلك الحالات باستخدام مطابقة نصوص الإجابات المعيارية، بقيت أفضلية قدرها 2.8 نقطة في كلتا المهمتين. وظل هذا الأثر المتبقي يتراوح بين 2.5 و3.1 نقطة مع تغير الحد الأدنى لطول الإجابة في أداة الكشف من أربعة إلى اثني عشر حرفاً؛ مما يدل على أن التسرب لم يفسر سوى جزء من الفائدة المتبقية.

ولاختبار ما إذا كان التنسيق النصي بحد ذاته مفيداً، استبدل الباحثون ذاكرة كل مستند بنصوص مأخوذة من مستند آخر وفق قاعدة التجميع نفسها؛ بحيث لم يتلقَ أي مستند نصوصه الخاصة، وكانت أزواج المستندات مأخوذة من عائلات مصادر مختلفة.

وعند استدعاء صفر، لم يثمر النص الدخيل عن أي فائدة ملموسة مقارنة بالصور وحدها: +0.0 نقطة في V-MQAR و−0.9 نقطة في V-NIAH. وعند الاستدعاء الكامل، كانت آثاره أيضاً غير قابلة للتمييز إحصائياً عن الصفر: +1.9 و−1.7 نقطة.

تدعم هذه الضوابط تفسير الباحثين بأن الفائدة المتبقية تعود إلى السياق الخاص بالمستند نفسه في الصفحات غير الذهبية؛ فمجرد إضافة نص بالهيئة نفسها لم يكن كافياً.

يساعد النص المستخرج أساساً من خلال إتاحة الأدلة المسترجعة، مع مساهمة محدودة من سياق المستند ذي الصلة؛ فهو بمثابة مضخم للاسترجاع الفعال، وليس بديلاً عن العثور على الدليل.

لماذا تكتسب هذه النتائج أهميتها: دروس معمارية لتطبيقات الذكاء الاصطناعي للمستندات في بيئات الإنتاج

تقدم الورقة إرشادات تصميمية قيّمة للفرق التي تعمل على بناء أنظمة البحث والإجابة عن الأسئلة في المستندات. ورغم أن المكاسب المسجلة ترتبط بهذه المهام ونماذج القراءة وإعدادات المدخلات المحددة، فإن تطبيق هذه الدروس يتطلب إجراء تقييم على المستندات والأسئلة الخاصة بكل منظومة.

1. إبقاء النص المستخرج خياراً أساسياً للأدلة النصية الكثيفة

تقدم الدراسة مبرراً عملياً لاختبار مدخلات تجمع بين الصور والنصوص معاً حتى عندما يكون نموذج الرؤية واللغة قادراً على استقبال الصفحات مباشرةً؛ فعلى معيار FoveDoc-Bench، أضاف الـ OCR بالمعالج من 13 إلى 16 نقطة مع Qwen3-VL-2B، كما ساعدت ذاكرة طبقة نص PDF جميع نماذج القراءة الستة المختبرة.

وتزداد أهمية هذه النتيجة بالنظر إلى خصوصية الخط العربي؛ إذ تجعل طبيعة حروفه المتصلة، وتغير أشكالها وفقاً للسياق، والتشكيل، والتراكيب الحرفية (ligatures) مهمة التعرف الضوئي (OCR) أكثر صعوبة وتتطلب دقة استخراج عالية. هذه المكاسب ليست مضمونة تلقائياً في العقود أو الإفصاحات المالية أو غيرها من المجموعات الإنتاجية، لكنها تثبت أن النجاح في استرجاع الصفحات والقدرة على المعالجة البصرية وحدها لا يضمنان استخدام القارئ للأدلة بكفاءة.

2. تقييم أداء الـ OCR على الصفحات المسترجعة

يقدم النمط المختبر نقطة انطلاق عملية:

• استرجاع صور الصفحات المرشحة باستخدام أداة استرجاع بصري.
• استخراج النصوص من تلك الصفحات؛ وقد استخدمت الورقة أداة RapidOCR بنماذج PP-OCR على المعالج.
• تحديد كتل النصوص وتجميعها، ثم تقديمها إلى جانب الصور الأصلية.

اعتمدت التجربة على 16 صفحة مسترجعة وميزانية ذاكرة تبلغ 16 كتلة، واحتفظ الـ OCR بالمعالج بنحو نصف مكسب طبقة نص PDF الأصلية في المقارنة الرئيسية.

ولا تفصل الورقة زمن استجابة الاستعلام، أو التكلفة الإجمالية للفهرسة، أو الوفورات الإنتاجية؛ ويبقى خيار الاستخراج عند الطلب، أو التخزين المؤقت للنتائج، أو المعالجة المسبقة للصفحات، قراراً معمارياً يخضع للقياس والاختبار.

3. جعل نمط الدليل جزءاً من القرار

تحذر نتائج المخططات والأشكال التوضيحية من افتراض أن كل نص مستخرج سيكون مفيداً؛ فبالنسبة للأدلة الرسومية، قد يتعين على التمثيل المتبع الحفاظ على البنية والعلاقات التي يسقطها النص الخطي المجرد.

لذا يجدر اختبار منظومة تراعي نمط الدليل (modality-aware pipeline): بحيث يُستخدم النص المستخرج عندما تعتمد الإجابة على دليل نصي، وتُعتمد تمثيلات بصرية أو حافظة للبنية التنسيقية عندما تكون العلاقات داخل الرسوم والأشكال جوهرية.

ولا تعتمد الدراسة أداة محددة للكشف عن التخطيط أو نظام توجيه بعينه؛ وإنما تتمثل مساهمتها في توضيح الحدود التي ينبغي لمثل هذا النظام مراعاتها، بدلاً من وضع قاعدة مطلقة لاستبعاد نصوص المخططات بالكامل.

4. الحذر من نتائج التقييم الإجمالية

في الشريحة القابلة للإجابة والمعلّمة على معيار MMLongBench-Doc، لم يتجاوز المكسب الإجمالي +0.4 نقطة مئوية. ومع ذلك، أظهرت مقارنة الوسم الفردي مكسباً قدره 8.5 نقطة في النصوص وتراجعاً قدره 4.6 نقطة في المخططات والأشكال.

احرص دائماً على تسجيل النتائج حسب نمط الدليل ومعدل استدعاء الاسترجاع؛ فخلاف ذلك، قد يؤدي التغير في تركيبة الأسئلة إلى حجب الفوائد، أو إخفاء الأضرار، أو جعل الرقم الإجمالي لمعيار معين دليلاً مضللاً لطبيعة عمل نظامك.

5. قياس الاسترجاع والقراءة بشكل منفصل

اعتمد ما يقارب ثلاثة أرباع ميزة الـ OCR في تجربة الاستدعاء المضبوطة على حضور الصفحات الذهبية؛ مما يجعل جودة الاسترجاع عنصراً محورياً في تحديد مواضع الاستفادة من النص المستخرج.

قم بقياس full recall@k بشكل مستقل، ثم قارن بين إجابات منظومة الصور وحدها وإجابات الصور المدعومة بالنصوص على الصفحات المسترجعة نفسها. فالمسألة لا تقتصر على معرفة ما إذا كان النظام قد عثر على الصفحة الصحيحة، بل تتمثل في التأكد مما إذا كان القارئ قادراً على توظيف الدليل واستخدامه بنجاح فور وصوله.