💻 computer science

Q-Mask: Query-driven Causal Masks for Text Anchoring in OCR-Oriented Vision-Language Models

تقدم هذه الورقة البحثية Q-Mask، وهو إطار عمل جديد للتعرف الضوئي على الحروف (OCR) يستخدم مفكك قناع مدفوع باستعلام سببي لربط النص صراحةً بالمناطق المكانية قبل عملية التعرف، مدعوماً بمعيار TextAnchor-Bench ومجموعة بيانات TextAnchor-26M واسعة النطاق لتحسين قدرات تثبيت النص في نماذج الرؤية واللغة بشكل كبير.

المؤلفون الأصليون: Longwei Xu, Feng Feng, Shaojie Zhang, Xin Chen, Hang Li, Anan Du, Hailong Yu, Pei Fu, Zhenbo Luo, Jian Luan

نُشر 2026-04-22

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Longwei Xu, Feng Feng, Shaojie Zhang, Xin Chen, Hang Li, Anan Du, Hailong Yu, Pei Fu, Zhenbo Luo, Jian Luan

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 أنك تحاول العثور على كلمة محددة في غرفة مزدحمة وفوضوية مليئة بأشخاص يصرخون بأشياء مختلفة.

المشكلة:
نماذج الذكاء الاصطناዊ "الذكية" الحالية (نماذج الرؤية واللغة - Vision-Language Models) تشبه أمناء مكتبات بارعين يمكنهم قراءة أي كتاب بدقة مثالية. إذا أريتهم صورة لإيصال، يمكنهم إخبارك بإجمالي السعر أو التاريخ. ومع ذلك، لديهم نقطة عمياء غريبة: لا يمكنهم الإشارة إلى مكان وجود النص.

إذا سألتهم: "أين كلمة 'Total'؟"، فقد يقول النموذج التقليدي: "إنها 12.50"، لكنه لا يستطيع رسم مربع حولها. الأمر يشبه أمين مكتبة يعرف الإجابة، لكنه يرفض الإشارة إلى الرف الذي يوجد عليه الكتاب. هذه مشكلة للأجهزة التي تحتاج للتفاعل مع العالم المادي، مثل النظارات الذكية أو الروبوتات—فهي تحتاج لمعرفة أين تنظر، وليس فقط ماذا تقرأ.

الحل: Q-Mask
ابتكر الباحثون في Xiaomi نظامًا جديدًا يسمى Q-Mask. فكر في الأمر كتعليم الذكاء الاصطناعي طريقة جديدة للتفكير: "انظر قبل أن تقرأ".

بدلاً من محاولة قراءة الصورة بأكملها وتخمين الإجابة في نفس الوقت، يقوم Q-Mask بتقسيم العملية إلى خطوتين متميزتين، تمامًا كما يحل المحقق قضية ما:

خطوة "أين" (البحث): أولاً، ينظر الذكاء الاصطناعي إلى سؤالك (على سبيل المثال: "أين السعر؟") ويمسح الصورة لرسم "بقعة ضوء" ذهنية أو قناع (mask) فوق المنطقة المحددة التي يُحتمل أن توجد فيها تلك المعلومة. إنه يتجاهل كل شيء آخر.
خطوة "ماذا" (القراءة): فقط بعد عزله لتلك البقعة المحددة، يقوم بالتقريب (zoom in) وقراءة النص الموجود داخل بقعة الضوء تلك.

التشبيه الإبداعي: "المصباح اليدوي" مقابل "الكشاف الضوئي"

الذكاء الاصطناعي القديم (الكشاف الضوئي - Floodlight): يسلط ضوءًا ساطعًا على الغرفة الفوضوية بأكملها. يرى كل شيء دفعة واحدة، فيصاب بالارتباك وقد يخلط بين كلمة على ملصق وكلمة على قائمة طعام. إنه يخمن الإجابة بناءً على المشهد بأكمله.
Q-Mask (المصباح اليدوي - Flashlight): تسأل: "أين لافتة الخروج؟" فيستخدم الذكاء الاصطناعي أولاً مصباحًا يدويًا للعثور على لافتة الخروج. وبمجرد أن يثبت المصباح على اللافتة، ثم يقرأ الحروف. هذا يضمن أن الإجابة متجذرة في الواقع.

كيف علموه (بيانات التدريب)
لتعليم الذكاء الاصطناعي هذه المهارة الجديدة، لم يستطع الباحثون استخدام الكتب العادية فحسب؛ بل احتاجوا إلى دليل تدريب خاص يسمى TextAnchor-26M.

تخيل أنك تحاول تعليم طفل العثور على أشياء مخفية. لن تكتفي فقط بعرض صورة عليه وسؤاله: "ماذا ترى؟"، بل ستعرض له صورة، وتشير إلى مكان محدد، وتقول له: "الكلمة 'Apple' موجودة هنا تمامًا".

لقد أنشأوا 26 مليون مثال من هذا النوع.
استخدموا حيلة تسمى "الرندرة المقنعة منزوعة الأسلوب" (De-stylized Mask Rendering). بدلاً من إظهار الخط الفاخر والحقيقي للافتة ما (والذي قد يكون صعب القراءة)، أخذوا النص وطبعوه بخط بسيط وممل على خلفية بيضاء، بما يطابق شكل اللافتة الأصلية. هذا علم الذكاء الاصطناعي التركيز على شكل وموقع النص، وليس على التصميم المزخرف.

النتيجة: اختبار "TextAnchor-Bench" (TABench)
قام الفريق أيضًا ببناء اختبار يسمى TABench لمعرفة ما إذا كانت نماذج الذكاء الاصطناعي الأخرى تستطيع فعل ذلك. ووجدوا أن أشهر نماذج الذكاء الاصطناعي وأكثرها قوة (مثل GPT-4o أو Gemini) كانت سيئة للغاية في الإشارة إلى النص. يمكنها قراءته، لكنها لا تستطيع ربطه بموقع محدد.

أما Q-Mask، فقد اجتاز الاختبار بتفوق. أصبح أفضل بكثير في:

القراءة: الحصول على النص الصحيح لأنه ركز على المكان الصحيح.
الإشارة: رسم مربع بدقة حول النص.

لماذا هذا مهم؟
الأمر لا يتعلق فقط بالقراءة بشكل أفضل، بل يتعلق بالتفاعل.

النظارات الذكية: إذا كنت ترتدي نظارات تخبرك بما تقوله لافتة ما، فأنت تريد للنظارات أن تسلط الضوء على اللافتة لك، لا أن تنطق الكلمات فحسب.
الروبوتات: إذا كان على الروبوت التقاط صندوق مكتوب عليه "قابل للكسر" (Fragile)، فعليه معرفة مكان الملصق بالضبط على الصندوق ليمسكه بأمان.

باختصار:
Q-Mask هو طريقة جديدة لتعليم الذكاء الاصطناعي التوقف عن التخمين والبدء في البحث. من خلال إجبار الذكاء الاصطناعي على إيجاد موقع النص قبل قراءته، نجح الباحثون في إنشاء نظام أكثر دقة، وأكثر موثوقية، وأفضل بكثير في فهم العالم المادي. إنه الفرق بين طالب يخمن الإجابة في الامتحان، وطالب يظهر خطوات حله من خلال الإشارة بدقة إلى مكان العثور على الإجابة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "Q-Mask: أقنعة سببية مدفوعة بالاستعلام لترسيخ النصوص في نماذج الرؤية واللغة الموجهة للتعرف الضوئي على الحروف (OCR)."

1. بيان المشكلة

بينما تقدمت نماذج الرؤية واللغة (VLMs) الحديثة بشكل كبير في التعرف الضوئي على الحروف (OCR) والإجابة على الأسئلة البصرية (VQA)، إلا أنها تفتقر غالباً إلى الترسيخ النصي الموثوق (Reliable Text Anchoring).

الفجوة: يمكن للنماذج الحالية غالباً قراءة النصوص أو تحديد المناطق، لكنها تعاني في ربط رمز نصي محدد (token) بوضوح واستقرار بمنطقته المكانية المقابلة في الصورة.
قصور الطرق الحالية:
- نماذج الرؤية واللغة القياسية: يتم تدريبها من البداية إلى النهاية على أزواج (صورة-نص)، وهي تتعلم التعرف على النصوص لكنها لا تهتم بالموقع المكاني الدقيق (المرساة/Anchor) لهذا النص.
- الطرق القائمة على الأقنعة (Mask-based): تستخدم بعض النهج أقنعة الحروف كإشراف، لكنها غالباً ما تربط التنبؤ بالقناع بتسلسل (السؤال-الإجابة) بأكمله (بما في ذلك رموز الإجابة). هذا يخلق تبعية غير سببية (non-causal dependency) حيث لا يتوفر المنطلق المكاني قبل أن يقوم النموذج بتوليد الإجابة، مما يفشل في فرض عملية استدلال قائمة على مبدأ "انظر قبل أن تقرأ" أثناء الاستدلال.

2. المنهجية: إطار عمل Q-Mask

يقترح المؤلفون Q-Mask، وهو إطار عمل مصمم لبناء مراسي نصية بشكل صريح من خلال عملية استدلال سببية مهيكلة.

أ. فك التشفير المكاني المدفوع بالاستعلام السببي (CQMD)

الابتكار الجوهري هو CQMD، الذي يفرض نموذج سلسلة الأفكوت البصرية (Visual Chain-of-Thought - CoT).

فك التشفير السببي: على عكس النماذج القياسية التي تولد الأقنعة بناءً على تسلسل الإجابة الكامل، يقوم CQMD بالتنبؤ بالأقنعة المكانية اعتماداً فقط على رموز الصورة ورموز الاستعلام. وهو يستبعد صراحةً رموز الإجابة من عملية توليد القناع.
الآلية:
1. يستخرج النموذج الحالات الخفية لرموز الصورة ( $H_{img}$ ) ورموز الاستعلام ( $H_q$ ).
2. باستخدام الانتباه المتقاطع (cross-attention)، يحسب ميزات مكانية مدركة للاستعلام ( $S$ ) تمثل الموقع المحتمل للنص المذكور في الاستعلام.
3. يتم رفع عينة هذه الميزات (upsampling) لتوليد قناع تجزئة ( $\tilde{M}$ ) قبل التوليد التلقائي للنص النهائي للإجابة.
الصياغة الرياضية: يعمل النموذج على تحسين $P(A|I, Q) = \int P(A|S, Q)P(S|I, Q)dS$ ، حيث $S$ هو متغير دعم مكاني كامن مستقل عن رموز الإجابة المستقبلية ( $S \perp A_{future}$ ).

ب. هدف التدريب

يتم تدريب النموذج باستخدام دالة خسارة مشتركة:
$L_{SSA} = \lambda_{txt} L_{NTP} + \lambda_{seg} L_{mask}$

$L_{NTP}$ : خسارة التنبؤ بالرمز التالي القياسية لتوليد النصوص.
$L_{mask}$ : مزيج من خسارة Dice وخسارة التقاطع مع التقاطع (Cross-Entropy) للإشراف على قناع التجزئة المتوقع مقابل أقنعة الحقيقة الأرضية (ground-truth).

ج. مجموعة بيانات TextAnchor-26M

لتدريب CQMD، أنشأ المؤلفون TextAnchor-26M، وهي مجموعة بيانات ضخمة (~26.7 مليون حالة) تحتوي على أزواج (صورة-نص) دقيقة التفاصيل مع تصنيفات الصناديق المحيطة (bounding boxes) والأقنعة.

المصادر: نصوص المشاهد غير المقيدة (مستخرجة من مجموعات بيانات الويب)، الأوراق الأكاديمية (arXiv)، النصوص الاصطناعية (المصممة بخطوط متنوعة)، وأزواج الأسئلة والأجوبة (VQA).
رسم الأقنعة منزوع النمط (De-stylized Mask Rendering): بدلاً من الاعتماد على حدود الحروف (glyphs) المثالية بدقة البكسل، تستخدم مجموعة البيانات أقنعة "منزوعة النمط". يتم رسم النص على لوحة بيضاء باستخدام خطوط قياسية ومحاذاته مع الصندوق المحيط. هذا يقلل من الحساسية للأنسجة منخفضة المستوى ويشجع على المحاذاة المستقلة عن النمط بين المحتوى اللغوي والدعم المكاني.
حقن المنطلق العشوائي (Stochastic Prior Injection - SPI): لمحاكاة التباين في العالم الحقيقي لعمليات الـ OCR، تقوم بيانات التدريب بحقن منطلقات مشوشة (نصوص مفقودة، صناديق مهتزة، أو نصوص منسوخة تالفة) بناءً على ملفات تعريف الخطأ التجريبية، مما يجبر النموذج على أن يكون قوياً تجاه الإشارات المكانية غير المثالية.

3. الاختبار المعياري: TextAnchor-Bench (TABench)

لتقييم ترسيخ النصوص بشكل منهجي، قدم المؤلفون TABench.

المهام:
1. من المنطقة إلى النص (R2T): مع إعطاء منطقة معينة، اقرأ النص الموجود بها.
2. من النص إلى المنطقة (T2R): مع إعطاء استعلام نصي، حدد المنطقة.
التكوين: 5,450 استعلاماً عبر أكثر من 970 صورة، تغطي 12 سيناريو (مثل الفواتير، نصوص المشاهد، المستندات) مع توازن بين مهام R2T وT2R.
المقاييس: دقة المطابقة التامة (Exact-match accuracy) لمهام R2T، ودرجة F1 (بمعامل IoU > 0.5) لمهام T2R.

4. المساهمات الرئيسية

إطار عمل Q-Mask: بنية مبتكرة تفصل بين "أين يوجد النص" و"ما هو النص" من خلال فرض خطوة توليد قناع سببية مدفوعة بالاستعلام قبل فك تشفير الإجابة.
TextAnchor-26M: مجموعة بيانات ضخمة وعالية الدقة توفر إشرافاً مكانياً دقيقاً لتدريب نماذج الرؤية واللغة على إنشاء مراسي نصية مستقرة.
TABench: اختبار معياري شامل يكشف أن حتى أفضل نماذج الرؤية واللغة (بما في ذلك GPT-4o وGemini وQwen) تعاني في الترسيخ النصي ثنائي الاتجاه، مما يسلط الض الضوء على فجوة حرجة في النماذج الحالية.
حقن المنطلق العشوائي (SPI): استراتيجية تعزيز للبيانات تحاكي أخطاء الـ OCR الواقعية لتحسين متانة النموذج.

5. النتائج التجريبية

الأداء على TABench: حقق Q-Mask (بـ 3 مليارات معلمة) درجة إجمالية قدرها 45.50%، متفوقاً بشكل ملحوظ على النموذج المرجعي Qwen3-VL-2B الذي سجل 37.77%، ومنافسة نماذج أكبر بكثير. كما أظهر تحسناً متوازناً في كل من مهام R2T وT2R.
الأسئلة والأجوبة البصرية (VQA) اللاحقة: في الاختبارات المعيارية مثل TextVQA، حقق Q-Mask-3B نتيجة 88.5، بزيادة قدرها 9.2 نقطة عن النموذج المرجعي. وقد تفوق على نماذج OCR متخصصة (مثل TokenVL-8B) ونافس النماذج العامة التي تبلغ ضعف حجمه (مثل InternVL3.5-8B).
دراسات الاستئصال (Ablation Studies):
- أدى حذف CQMD إلى انخفاض كبير في الأداء، مما يؤكد ضرورة فك التشفير المكاني السببي.
- أدى SPI إلى تحسين التوازن بين التحديد والتعرف، مما قلل من النتائج السلبية الكاذبة في مهام T2R.
- أظهر توسيع الإشراف المكاني في المرحلة الأولى ارتباطاً قوياً بالأداء اللاحق، حيث لوحظ الاستقرار الأمثل فوق 4 ملايين عينة.

6. الأهمية

تعالج هذه الورقة قصوراً جوهرياً في نماذج الرؤية واللغة الحالية: غياب الربط المكاني الصريح والموثوق للنصوص. من خلال تقديم عملية استدلال سببية مدفوعة بالاستعلام، يجبر Q-Mask النموذج على "النظر" إلى المنطقة ذات الصلة قبل "قراءة" النص. هذا النهج:

يحسن القابلية للتفسير: تعمل الأقنعة المولدة كتمثيلات وسيطة صريحة لعملية استدلال النموذج.
يعزز المتانة: يصبح النموذج أكثر موثوقية في المشاهد المعقدة ذات النصوص الكثيفة أو الخلفيات المزدحمة.
يضع معياراً جديداً: يوفر TABench بروتوكول تقييم صارم للأبحان المستقبلية في الاستدلال المرتبط مكانياً، متجاوزاً مجرد التعرف البسيط على النصوص إلى الارتباط الدقيق بين النص والمنطقة.