💻 computer science

SCHEMA for Gemini 3 Pro Image: A Structured Methodology for Controlled AI Image Generation on Google's Native Multimodal Model

تقدم هذه الورقة SCHEMA، وهي منهجية هندسة أوامر مهيكلة لنموذج Gemini 3 Pro Image من Google، والتي تستخدم نظاماً تصاعدياً ثلاثي المستويات وبنية نمطية لتحقيق معدلات امتثال عالية واتساق فائق عبر ستة مجالات احترافية بناءً على اختبارات تجريبية مكثفة.

المؤلفون الأصليون: Luca Cazzaniga

نُشر 2026-02-24

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Luca Cazzaniga

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك مساعداً فنياً موهوباً للغاية، ولكنه فوضوي بعض الشيء، يدعى Gemini. يمكن لهذا المساعد أن يرسم أي شيء تطلبه منه، ولكن إذا قلت له ببساطة، "ارسم غرفة معيشة جميلة"، فقد يعطيك غرفة بأريكة عائمة، أو سقف مصنوع من الجيلي، أو مخطط ألوان يتنافر مع علامتك التجارية.

لفترة طويلة، كان الأشخاص الذين يحاولون استخدام أدوات الفن بالذكاء الاصطناي مثل السياح الذين يصرخون بتوجيهات غامضة لسائق تاكسي: "خذني إلى مكان جميل!" (السائق هنا هو الذكاء الاصطناعي)، وسيقوم السائق بالتخمين، وغالباً ما ينتهي بك الأمر في الحي الخطأ.

هذه الورقة البحثية، التي كتبها الباحث لوكا كازانيجا (Luca Cazzaniga)، تقدم طريقة جديدة للتحدث مع هذا المساعد الفني تسمى SCHEMA. فكر في SCHEMA ليس كـ "أمر نصي" (Prompt)، بل كـ مخطط معماري صارم أو عقد قانوني للصورة التي تريدها.

إليك تفصيل الورقة البحثية بكلمات بسيطة، باستخدام بعض التشبيهات الإبداعية:

1. المشكلة: "الأمنية الغامضة" مقابل "المخطط الهندسي"

قبل SCHEMA، كان الناس يعاملون الذكاء الاصطناعي كجني سحري. كنت تتمنى أمنية، وهو يبذل قصارى جهده. لكن في العالم الحقيقي (مثل صنع إعلانات لسيارة أو صور لعرض عقار)، لا يمكنك الاعتماد على "بذل قصارى الجهد". أنت بحاجة إلى الدقة.

الطريقة القديمة: "اصنع صورة رائعة لسيارة". (النتيجة: ربما شاحنة، أو ربما سيارة حمراء، أو زرقاء، أو ربما العجلات تذوب).
طريقة SCHEMA: "اصنع صورة لسيارة حمراء محددة، مركونة بزاوية 45 درجة، تحت ضوء شمس دافئ (3000 كلفن)، بدون أي انعكاسات على غطاء المحرك".

2. المستويات الثلاثة للتحكم (تشبيه ألعاب الفيديو)

تقترح SCHEMA ألا تقفز مباشرة إلى المستوى الأصعب. فهي تحتوي على ثلاثة "أنماط" لمساعدتك على التعلم والحصول على نتائج أفضل:

المستوى 1: BASE (نمط الاستكشاف)
- التشبيه: أنت تدخل غرفة مظلمة وتضغط على مفتاح الضوء لترى ما يوجد بداخلها.
- ماذا يفعل: تطلب من الذكاء الاصطناعي أن "يرينا ما يعتقده" فقط. هذا يساعدك على رؤية انحيازاته الطبيعية (مثلاً: "أوه، إنه دائماً يجعل السماء زرقاء"). الأمر يتعلق بالاكتشاف، وليس بالنتائج النهائية.
المستوى 2: MEDIO (نمط المخرج)
- التشبيه: أنت الآن مخرج في موقع تصوير فيلم. أنت لا تمثل، لكنك تخبر الطاقم بالضبط أين يضعون الأضواء والكاميرا.
- ماذا يفعل: تستخدم قائمة مراجعة منظمة (7 صناديق محددة لتعبئتها) لتوجيه الذكاء الاصطناعي. تحصل هنا على مسودات احترافية.
المستوى 3: AVANZATO (نمط المهندس المعماري)
- التشبيه: أنت مهندس بارع يبني جسراً. كل مسمار، كل قياس، وكل مادة يتم تحديدها بدقة الملليمتر.
- ماذا يفعل: هذا مخصص للمنتج النهائي. تستخدم الأرقام (مثل الألوان الدقيقة بأكواد Hex أو درجة حرارة الضوء بالكلفن) بدلاً من كلمات مثل "ساطع" أو "دافئ". هذا يمنحك تحكماً بنسبة 95%.

3. السر الخفي: "النواهي" تعمل بشكل أفضل من "الأوامر"

أحد أكبر الاكتشافات في الورقة البحثية هو سمة غريبة في كيفية عمل عقول الذكاء الاصطناعي.

الاكتشاف: من الأسهل بكثير على الذكاء الاصطناعي اتباع أمر "لا تفعل" مقارنة بأمر "افعل".
التشبيه: تخيل أنك تطلب من طفل أن ينظف غرفته.
- الأمر (أ): "اجعل الغرفة مثالية". (سيصاب الطفل بالارتباك: ما هي المثالية؟ قد يترك لعبة على السرير).
- الأمر (ب): "لا تترك ألعاباً على السرير. لا تترك ملابس على الأرض". (سيعرف الطفل تماماً ما يجب تجنبه، وستصبح الغرفة أنظف).
النتيجة: وجدت الورقة أنه إذا قلت للذكاء الاصطناعي "لا حواف ضبابية" (نهي)، فإنه يتبع ذلك بنسبة 94% من المرات. أما إذا قلت له "اجعل الحواف حادة" (أمر)، فإنه يتبع ذلك بنسبة 91% فقط. الذكاء الاصطناعي أفضل في تجنب الأخطاء منه في تحقيق المثالية.

4. قاعدة "المرة الواحدة" (لا تعيد كتابة التاريخ)

تحذر الورقة من عادة شائعة: أخذ صورة من الذكاء الاصطناعي، ثم طلب "إصلاح" العينين، ثم أخذ تلك الصورة الجديدة وطلب "إصلاح" اليدين.

المشكلة: الذكاء الاصطناعي لا "يصلح" الصورة؛ بل يعيد تفسيرها. في كل مرة تطلب فيها إصلاحاً، يصبح الذكاء الاصطناعي أكثر ارتباكاً، وتبدأ الصورة في التدهور (مثل نسخة ضوئية من نسخة ضوئية).
قاعدة SCHEMA: إذا لم تعجبك النتيجة، ابدأ من جديد بمخطط أفضل. لا تحاول تعديل الصورة السيئة. عامل كل عملية توليد كبداية جديدة من المخطط الأصلي.

5. "استراتيجية الخروج" (معرفة متى تتوقف)

تتضمن SCHEMA "شجرة قرار". هذا يشبه نظام GPS يخبرك متى تغير السيارة.

إذا كنت بحاجة لتعديل جزء صغير جداً من الصورة (مثل إزالة شخص)، تقول الورقة: "لا تستخدم هذه الأداة. اذهب واستخدم Adobe Firefly".
إذا كنت بحاجة لشبكة هندسية مثالية، تقول الورقة: "اذهب واستخدم Midjourney".
هي تعترف بأن أي أداة بمفردها ليست مثالية لكل شيء، وتمنحك خريطة للتبديل بين الأدوات عندما تصل الأداة الحالية إلى طريق مسدود.

6. "سحر" النصوص داخل الصور

اختبرت الورقة شيئاً صعباً للغاية على الذكاء الاصطماعي: كتابة نص داخل الصورة (مثل لافتة على متجر أو ملصق على زجاجة).

النتيجة: باستخدام نمط "المهندس المعماري" الصارم (المستوى 3)، حصل الذكاء الاصطناعي على الهجاء والتموضع الصحيح بنسبة 95% من المحاولة الأولى.
لماذا هذا مهم: عادةً ما يكتب الذكاء الاصطناعي كلمات غير مفهومة. هذا يثبت أنه إذا عاملت الذكاء الاصطناعي كمهندس صارم بدلاً من فنان مبدع، فيمكنه فعلياً القيام بأعمال التصميم الجرافيكي الاحترافية.

الملخص: ما هي الخلاصة الكبرى؟

تجادل الورقة بأن فن الذكاء الاصطناعي لم يعد يتعلق بـ "السحر" بعد الآن؛ بل يتعلق بالهندسة.

للحصول على نتائج احترافية، عليك التوقف عن التحدث إلى الذكاء الاصطناعي كصديق والبدء في التحدث إليه كبرنامج كمبيوتر. يجب أن تكون محدداً، وتستخدم "النواهي" بدلاً من "الأوامر"، وتستخدم الأرقام بدلاً من الصفات، وتعرف متى تتوقف عن التعديل وتبدأ من جديد.

SCHEMA هي كتيب التعليمات الذي يعلمك كيفية التحدث بهذه اللغة الجديدة، محولاً خدعة سحرية فوضوية إلى آلة صناعية موثوقة.

إليك ملخص تقني مفصل لورقة البحث "SCHEMA لنموذج Gemini 3 Pro Image: منهجية مهيكلة للتحكم في توليد الصور بالذكاء الاصطناعي" بقلم لوكا كازانيجا.

1. بيان المشكلة

تعالج الورقة فجوة تشغيلية حرجة في الإنتاج المرئي الاحترافي: وهي التفاوت بين القدرات الجمالية النظرية لنماذج تحويل النص إلى صورة المتقدمة (تحديداً Google Gemini 3 Pro Image، المعروف في الأوسدي في مجتمع الذكاء الاصطناعي باسم "Nano Banana Pro") وبين قدرة الممارسين على توليد مخرجات موثوقة، دقيقة تقنياً، ومتسقة في الدفعات (Batch-consistent).

تفشل النهج الحالية في تلبية المعايير الصناعية لأنها:

تعتمد على إرشادات عامة تفتقر إلى الدقة الخاصة بالنموذج.
تعتمد على نصائح المجتمع التي تفتقر إلى المنهجية والتحقق المنهجي.
تعتمد على أطر أكاديمية (مثل Liu & Chilton, 2021) غالباً ما تكون محايدة تجاه النماذج ولا تعالج قيود الإنتاج الاحترافي (مثل دقة ألوان العلامة التجارية، دقة النصوص الأرثوغرافية، واتساق الدفعات).
تعاني من عدم فعالية التحسين التكراري (Iterative refinement) بسبب "الانحراف التوليدي التكراري" (Iterative Generative Drift)، حيث تتدهور الجودة في عمليات التوليد المتتالية بدلاً من أن تتحسن.

2. المنهجية: إطار عمل SCHEMA

إطار عمل SCHEMA (Structured Components for Harmonized Engineered Modular Architecture) هو منهجية لهندسة الأوامر (Prompt Engineering) تم تطويرها من خلال ستة أشهر من الممارسة المهنية المنهجية (سبتمبر 2025 – فبراير 2026) تضمنت حوالي 4,800 صورة مولدة و 850 تنبؤاً تم التحقق منه عبر واجهة برمجة التطبيقات (API).

مبادئ التصميم الأساسية

فلسفة التوليد لمرة واحدة (Single-Generation Philosophy): تتجنب التحسين التكراري لمنع الانحراف التوليدي؛ حيث يتم دمج جميع المتطلبات في أمر واحد مهيكل.
التدرج في التحكم (Progressive Control Scaling): نظام ثلاثي المستويات يسمح للممارسين بتغيير نطاق التحكم من الاستكشاف إلى التوجيه المباشر:
- BASE (الاكتشاف): تحكم بنسبة ~5%، وإبداع ذكاء اصطناعي بنسبة ~95%. يُستخدم لتحديد انحيازات النموذج.
- MEDIO (التوجيه): تحكم بنسبة ~85%، وإبداع ذكاء اصطناعي بنسبة ~15%. وهو النواة التشغيلية باستخدام هيكل مكون من 7 تسميات.
- AVANZADO (التسليم): تحكم بنسبة 95–98%، وإبداع ذكاء اصطناعي بنسبة ≤5%. يستخدم مواصفات رقمية (أكواد HEX، قيم كلفن) ووحدات اختيارية.
هيكلية التسميات الوحدوية (Modular Label Architecture): يتم تفكيك الأوامر إلى 7 تسميات أساسية (الموضوع، الأسلوب، الإضاءة، الخلفية، التكوين، الإلزامي، المحظورات) و 5 تسميات اختيارية (وضع التفكير، الصور المرجعية، التأسيس/Grounding، إلخ).
المواصفات القائمة على القيود (Constraint-Based Specification): تستبدل الصفات الذاتية بمقاييس قابلة للتحقق (مثلاً: "إضاءة دافئة" $\leftarrow$ "3000K").
توجيه الفشل الصريح (Explicit Failure Routing): شجرة قرار توجه المهام إلى أدوات بديلة (مثل Adobe Firefly لعمليات Inpainting، أو Midjourney للهندسة الدقيقة للبكسلات) عندما يكون Gemini 3 Pro Image غير مناسب.

الآلية الرئيسية: عدم التماثل في القيود

تعتمد المنهجية على نتيجة منافية للحدس: القيود السلبية (المحظورات) أكثر فعالية من القيود الإيجابية (الإلزامية).

المحظورات: "لا توجد انعكاسات ضوئية" (نسبة الامتثال: ~94%).
الإلزامي: "خطوط عمودية مستقيمة تماماً" (نسبة الامتثال: ~91%).
النظرية: يتوافق هذا مع "توجيه الانتشار الخالي من التصنيف" (Classifier-free diffusion guidance)، حيث تكون فلاتر الاستبعاد أقل تعقيداً حسابياً للنموذج من فرض دقة إيجابية معقدة.

3. المساهمات الرئيسية

هندسة خاصة بالنموذج: أول منهجية صُممت خصيصاً لـ Gemini 3 Pro Image، متجاوزة هندسة الأوامر العامة إلى خط إنتاج جاهز للاستخدام المهني.
مبدأ "القيد فوق الإسهاب": تثبت أن القيود السلبية المقيدة تتفوق على الإسهاب الوصفي في هذا النموذج.
إثبات اتساق الدفعات: تقدم دليلاً تجريبياً على أن الأوامر المهيكلة تحقق اتساقاً أعلى بكثير بين عمليات التوليد مقارنة بالأوامة غير المهيكلة.
التحقق من تصميم المعلومات: تثبت قدرة النموذج على التعامل مع التخطيط المكاني المعقد والتحكم الطباعي (Text rendering) عند توجيهه بواسطة SCHEMA.
منطق توجيه الفشل: تدمج أشجار القرار بأسلوب MLOps في سير العمل الإبداعي لإدارة حدود النموذج.

4. النتائج التجريبية والتحقق

استخدمت الدراسة مجموعة بيانات مكونة من 621 أمراً مهيكلاً عبر ستة مجالات (العقارات، المنتجات، التحرير، لوحات القصة/Storyboard، الحملات، تصميم المعلومات) وتم التحقق منها من قبل 40 ممارساً مستقلاً.

المقياس	النتيجة	الأهمية
الامتثال للإلزامي	91%	التزام عالٍ بالقيود الإيجابية، وإن كان أقل من المحظورات.
امتثال المحظورات	94%	تتفوق بشكل منهجي على القيود الإلزامية في جميع المجالات.
اتساق الدفعات	+3.5 إلى +4	أنتجت أوامر SCHEMA AVANZADO ما بين 7–9 صور متطابقة لكل دفعة من 10 صور، مقارنة بـ 3–6 للأوامر غير المهيكلة.
امتثال تصميم المعلومات	>95%	امتثال من الجيل الأول للتخطيط المكاني ودقة الطباعة في حوالي 300 إنفوجرافيك.
الانحراف التكراري	تم رصده	تأكد أن الجيل الثالث وما بعده يعاني من تدهور شديد؛ مما يدعم قاعدة "التوليد لمرة واحدة".
دقة كلفن	فئوية	يفسر النموذج قيم كلفن كأطر عامة (دافئ/محايد/بارد) وليس كقيم فوتومترية دقيقة.

النتائج الخاصة بكل مجال:

تصميم المعلومات: حقق أعلى نسبة امتثال (>95%) بسبب القيود الثنائية (النص مكتوب بشكل صحيح أو لا).
لوحات القصة (Storyboard): أظهرت أدنى نسبة امتثال (89%) وأعلى معدل لتوجيه الفشل، مما يؤكد محدودية النموذج في الاتساق متعدد الإطارات.
الصور المرجعية: الصور المرجعية منخفضة التباين أعطت دقة أعلى من الصور عالية التباين.

5. الأهمية والتأثير

سد الفجوة: يحول SCHEMA توليد الصور بالذكاء الاصطناعي من فن تجريبي إلى تخصص هندسي قابل للتنبؤ، مما يسمح بالتسليم الاحترافي دون الحاجة لتصحيح النصوص في مرحلة ما بعد الإنتاج أو التعديل اليدوي المكثف.
التحول النظري: يتحدى الافتراض السائد بأن "التفاصيل الوصفية الأكثر" تعني نتائج أفضل، مقترحاً بدلاً من ذلك أن المواصفات المهيكلة القائمة على القيود هي الأفضل لنماذج الانتشار ذات محركات الاستدلال.
قابلية التحقق العام: على عكس العديد من الدراسات التي تعتمد على بيانات التقرير الذاتي، فإن المجموعة الفرعية لتصميم المعلومات (300 صورة) قابلة للتحقق علناً، مما يوفر مستوى عالٍ من الشفافية.
الاتجاه المستقبلي: تضع الورقة سابقة لـ "البحث القائم على الممارسة" في مجال التفاعل بين الإنسان والحاسوب (HCI)، داعية إلى منهجيات ترتكز على بيانات الإنتاج الواقعية بدلاً من المحاكاة النظرية أو الأكاديمية البحتة.

ختاماً، يوفر SCHEMA إطار عمل قوياً ومثبتاً تجريبياً يسمح للمحترفين بتسخير كامل إمكانات Gemini 3 Pro Image، وتحقيق موثوقية بمستوى صناعي في الإنتاج المرئي من خلال الأوامر المهيكلة، وإدارة القيود، وتوجيه الفشل الاستراتيجي.