نموذج لم يرَ نصوص الإنترنت يسجل 35.3 gFD مقابل 41.0 لمنافسه، بحوسبة تدريب مسبق أقل 275 مرة بحسب الورقة.
ضمن ملف: نماذج الذكاء الاصطناعي
بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
المصدر الأساسي: ArXiv
لماذا يهم
الفرق البحثية الصغيرة والشركات الناشئة قد تبني مولّدات صور منافسة دون نموذج لغوي ضخم أو ميزانيات حوسبة هائلة، إن صمدت النتائج أمام التكرار المستقل.
حوسبة تدريب مسبق أقل بـ275 مرة، ونتيجة 35.3 على مقياس gFD مقابل 41.0 للنموذج المنافس JiT-T2I-XXL/8++ (وفقاً لـ arXiv). هذا ما يقول فريق بحثي إن نموذجه Halcyon-1.6B حققه، رغم أنه لم يتعلم من نصوص الإنترنت شيئاً قبل أن يتعلم توليد الصور. وهي أرقام معلنة من الباحثين أنفسهم، وردت في ورقة منشورة على arXiv بتاريخ 19 أكتوبر 2026، ولم يتسنَّ التحقق منها بشكل مستقل.
الافتراض الذي تستهدفه الورقة يكاد يكون بديهياً في الصناعة. فأنظمة توليد الصور من النص (T2I) الحديثة تستند إلى تدريب لغوي مسبق على بيانات بحجم الإنترنت، كي يفهم النموذج الأوامر قبل أن يرسم. سأل الباحثون الثمانية، ومنهم Li Fei-Fei وJiajun Wu وJuan Carlos Niebles وEhsan Adeli وArmin W. Thomas وYue Zhao وMichael Poli، بقيادة المؤلف الأول Keshigeyan Chandrasegaran: هل هذا التدريب ضروري أصلاً؟ وللإجابة بنوا عائلة Halcyon، وهي نماذج autoregressive متعددة الوسائط تعتمد الدمج المبكر (early-fusion)، أي أن النص والصورة يدخلان النموذج نفسه منذ البداية بدل تركيب مشفّر لغوي جاهز على مولّد صور. ودُرّبت كلها من الصفر على مجموعة بيانات اسمها GPIC تضم 100 مليون زوج من الصور والنصوص (وفقاً لـ arXiv).
النسخة الأصغر تقدم مقارنة ثانية. فقد سجّل Halcyon-0.52B نتيجة 48.0 على gFD مقابل 63.3 لنموذج LlamaGen-XL/8، بحوسبة تدريب مسبق أقل بـ18.2 مرة (وفقاً لـ arXiv). ومقياس gFD من عائلة مقاييس مسافة Fréchet التي تقيس ابتعاد الصور المولّدة عن توزيع الصور الحقيقية، والقيمة الأقل هي الأفضل. ويضيف الملخص نتيجتين لا تقلان وزناً عن الأرقام. الأولى أن تجارب مضبوطة أظهرت أن التدريب المسبق على النصوص وحدها لا يحسّن توليد الصور من النص، بحسب الورقة البحثية. والثانية أن Halcyon تعلّم وصف الصور نصياً (image captioning) حين استبدل الباحثون تقنية caption dropout بإشراف من الصورة إلى النص (I2T)، مع الحفاظ على جودة تنافسية في توليد الصور ضمن ميزانية التدريب المسبق نفسها، بحسب الورقة البحثية. ويقول الباحثون إن الكود والنماذج متاحة للعموم، بحسب صفحة الورقة على arXiv، دون تفاصيل عن الترخيص في الملخص.
القصة كلها بحسب مصدر وحيد هو الورقة نفسها، وهي نسخة أولية (preprint) لم تخضع لمراجعة الأقران. والملخص لا يشرح كيف حُسبت مقارنات الحوسبة، ولا هل تشمل كلفة التدريب اللغوي الذي ورثته النماذج المنافسة من نماذج أساس جاهزة، وهو تفصيل قد يغيّر قراءة رقم 275 مرة كلياً. كما أن gFD مقياس واحد، والتفوق فيه لا يضمن الالتزام الدقيق بالأوامر المركبة أو كتابة نصوص مقروءة داخل الصور، وهي تحديداً المهام التي يُفترض أن يخدمها الفهم اللغوي.
تقديرنا أن أرقام التفوق هي العنوان، لكن نتيجة “التدريب النصي لا يساعد” هي الرهان الحقيقي. وإن صمدت أمام التكرار المستقل، فهذه ثلاث تبعات تستحق المتابعة:
- انخفاض كلفة الدخول: إذا كنت مختبراً جامعياً أو شركة ناشئة، فقد يكفيك مخزون جيد من أزواج الصور والنصوص ومعمارية دمج مبكر، بدل الاعتماد على نموذج لغوي ضخم مرخّص من طرف آخر.
- نموذج واحد لاتجاهين: إشراف I2T يعني أن الميزانية نفسها تنتج مولّد صور وأداة وصف صور معاً، ما يقلص عدد النماذج التي يجب تدريبها وصيانتها.
- سؤال الحجم المفتوح: أكبر نموذج في الورقة هو Halcyon-1.6B، والملخص لا يقول شيئاً عن سلوك هذه المعادلة عند أحجام أكبر بكثير، حيث قد تعود قيمة المعرفة اللغوية للظهور.
المصادر
