🤖 AI

Visual Text Compression as Measure Transport

تقدم هذه الورقة إطار عمل لنقل القياس لضغط النصوص المرئية، والذي يحدد كمية فقدان المعلومات ذات الصلة بالمهمة من خلال تكالفي الدقة والتغطية، مما يتيح آلية توجيه خالية من الملصقات واستراتيجية بؤرية تكيفية تعمل على تحسين الأداء في المهام اللاحقة بشكل كبير مع تقليل استخدام الرموز.

المؤلفون الأصليون: Lv Tang, Tianyi Zheng, Yang Liu, Bo Li, Xingyu Li

نُشر 2026-05-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Lv Tang, Tianyi Zheng, Yang Liu, Bo Li, Xingyu Li

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 مكتبة ضخمة من المستندات النصية. تريد قراءتها بسرعة، لكن عقلك (نموذج الذكاء الاصطناعي) يتعب إذا حاولت قراءة كل كلمة على حدة.

الضغط النصي البصري (VTC) هو خدعة ذكية: بدلاً من قراءة الكلمات، تلتقط صورة للصفحة وتعرضها على الذكاء الاصطناعي كصورة. يرى الذكاء الاصطناعي الصورة و"يقرأها". هذه الطريقة أسرع بكثير لأن الذكاء الاصطناعي يرى الصفحة بأكملها كقطع كبيرة (بكسلات) بدلاً من آلاف الحروف الصغيرة. الأمر يشبه النظر إلى خريطة مدينة بدلاً من قراءة عنوان كل منزل فيها.

ومع ذلك، اكتشف مؤلفو هذه الورقة مشكلة: أحياناً تنجح هذه الخدعة بشكل مذهل، وأحياناً أخرى تجعل الذكاء الاصطناعي غبياً.

الجانب الجيد: في بعض المهام (مثل العثور على حقيقة محددة في مستند طويل)، تكون طريقة "الصورة" أسرع تماماً مثل القراءة النصية وبنفس الذكاء.
الجانب السيئ: في مهام أخرى (مثل حل لغز منطقي أو التحقق من رقم محدد)، تفشل طريقة "الصورة" فشلاً ذريعاً. يفقد الذكاء الاصطناعي التفاصيل الدقيقة لأن ضغط النص في صورة يؤدي إلى طمس الحواف.

السؤال الكبير كان: كيف نعرف متى نستخدم الصورة ومتى نقرأ النص؟

الفكرة الجوهرية: "نقل" المعلومات

ابتكر المؤلفون طريقة جديدة للتفكير في هذه المشكلة باستخدام مفهوم يسمى نقل القياس (Measure Transport).

فكر في النص ككومة من الرمل. كل حبة رمل هي كلمة.

مسار النص: أنت تحمل حبات الرمل واحدة تلو الأخرى في عربة يدوية. العملية بطيئة، لكنك لا تفقد أي حبات.
المسار البصري: أنت تسكب الرمل في دلو وتحمله. هذه الطريقة أسرع بكثير، لكن بعض الرمل يتسرب ويختلط ببعضه البعض.

يجادل المؤلفون بأن هذا "التسرب" ليس عشوائياً، بل يحدث بطريقتين محددتين:

تسرب التنعيم (تكلفة الدقة): عندما تسكب الرمل في دلو، تُمحى الفروق الدقيقة بين الحبات. إذا كانت المهمة تتطلب التمييز بين "2023" و"2024"، فقد تؤدي طريقة الدلو إلى دمجهم معاً.
تسرب التشتت (تكلفة التغطية): إذا كان الرمل المهم منتشراً في جميع أنحاء الأرض، فإن صبه في دلو قد يشتت الأدلة بعيداً عن بعضها بحيث لا يمكنك إعادة تجميعها لحل اللغز.

الحل: "إشارة مرور ذكية"

بنى المؤلفون نظاماً يعمل مثل إشارة مرور ذكية للذكاء الاصطناعي. قبل أن يحاول الذكاء الاصطناعي قراءة النص أو النظر إلى الصورة، يقوم هذا النظام بحساب "درجة كفاءة النقل".

يطرح النظام سؤالين بسيطين دون الحاجة لمعرفة الإجابة على المشكلة أولاً:

كم من التفاصيل تحتاج هذه المهمة؟ (إذا كانت تحتاج تفاصيل دقيقة، فلا تستخدم الصورة).
ما مدى انتشار المعلومات؟ (إذا كانت الأدلة مشتتة في كل مكان، فلا تستخدم الصورة).

بناءً على هذه الدرجة، يقرر النظام:

الضوء الأخضر (الصورة): "المهمة بسيطة بما يكفي أو التنسيق مفيد. لنستخدم طريقة الصورة السريعة."
الضوء الأحمر (النص): "هذه المهمة معقدة للغاية بالنسبة لصورة. دعونا نقرأ النص بعناية."

خدعة "التركيز البصري" (Foveation): عدسة مكبرة

أحياناً، يقرر النظام استخدام الصورة، لكنه يدرك أن جزءاً صغيراً منها غير واضح (مثل رقم صغير في عقد ما).

بدلاً من الاستسلام، يستخدم النظام عدسة مكبرة رقمية (تسمى foveation). يقوم بتكبير ذلك الجزء المهم غير الواضح فقط، ويعيد التقاطه بدقة عالية، ويضيفه إلى الصورة. الأمر يشبه النظر إلى خريطة، ورؤية اسم شارع غير واضح، ثم التكبير فقط على ذلك الشارع لقراءته بوضوح، دون الحاجة لتكبير الخريطة بأكملها مرة أخرى.

ما وجدوه

اختبروا ذلك على 24 نوعاً مختلفاً من المهام اللغوية (مثل الإجابة على الأسئلة، تلخيص الأخبار، أو التحقق من الحقائق).

النتيجة: كانت "إشارة المرور الذكية" الخاصة بهم صحيحة بنسبة 71% من الوقت. لقد عرفت بالضبط متى تنتقل إلى الصورة ومتى تلتزم بالنص.
الفائدة: من خلال استخدام هذا التبديل، أصبح الذكاء الاصطناعي أفضل في مهامه (نتائج أعلى) مع استخدام موارد أقل بنسبة 10% (قدرة حوسبية ووقت أقل) مقارنة بمجرد قراءة النص طوال الوقت.

باختصار

هذه الورقة لا تقول فقط "الصور أسرع". بل تقول: "الصور أسرع، ولكن فقط إذا كنت تعرف متى تستخدمها."

لقد ابتكروا قاعدة رياضية تعمل كشرطي مرور، توجه الذكاء الاصطناعي نحو المسار الأسرع (النص أو الصورة) بناءً على "شكل" المعلومات، مما يضمن عدم فقدان الذكاء الاصطناعي لأي تفاصيل مهمة لمجرد توفير الوقت.

ملخص تقني: ضغط النص المرئي كقياس للنقل (Measure Transport)

بيان المشكلة

برز ضغط النص المرئي (VTC) كاستراتيجية لمعالجة السياقات الطويلة عبر رندرة (Rendering) النصوص إلى صور وإعادة ترميزها باستخدام نماذج اللغة والرؤية (VLMs). يحقق هذا النهج غالبًا ضغطًا كبيرًا في الرموز (Tokens) (أقل بـ 3 إلى 20 ضعفًا من ترميز الكلمات الفرعية). ومع ذلك، تُظهر النتائج التجريبية أن التوفير في الرموز لا يتنبأ بالمنفعة النهائية للمهام. ففي بعض المهام (مثل الإجابة على الأسئلة متعددة الخطوات)، يتفوق المسار البصري على نماذج اللغة الكبيرة (LLMs) التي تعتمد على النص فقط، بينما في مهام أخرى (مثل الاستدلال المنطقي أو أسئلة ملء الفراغات)، ينهار الأداء. توثق الاختبارات المعيارية الحالية حالات عدم الاستقرار هذه، لكنها تفتقر إلى مقياس مبدئي للتنبؤ متى يحافظ الترميز البصري على المعلومات ذات الصلة بالمهمة ومتى يتخلص منها. المشكلة المركزية هي أن نسبة الضغط هي مجرد إحصائية كفاءة، وليست متنبئًا بفقدان المعلومات.

المنهجية

صاغ المؤلفون ضغط النص المرئي (VTC) ضمن لغة نقل القياس (Measure Transport). فهم يعاملون رموز النص والرموز البصرية كتدابير احتمالية تجريبية. ويتم نمذجة خط إنتاج الرندرة والترميز كـ خريطة دفع أمامي (Push-forward map) ( $T\#$ ) ناتجة عن مشفر رقع (Patch Encoder) الخاص بمحول الرؤية (ViT). تقوم هذه الخريطة بتحويل الوحدات النصية الموضعية إلى دعامات رموز بصرية أكثر خشونة، مما يغير الهندسة التي يحدث فيها الاستدلال اللاحق.

1. تفكيك تكلفة النقل

يجادل البحث بأن خريطة الدفع الأمامي تسبب فقدانًا للمعلومات ذات الصلة بالمهمة، وهو ما يتفكك إلى نوعين متميزين من التكاليف:

تكلفة الدقة ( $\Delta_{intra}$ ): تنشأ من التجميع داخل الرقعة (Within-patch aggregation). يقوم الـ ViT بدمج التمايزات المعجمية الدقيقة (مثل "2023" مقابل "2024") في تضمين رقعة واحدة، مما يضر بالمهام التي تتطلب دقة معجمية تامة.
تكلفة التغطية ( $\Delta_{inter}$ ): تنشأ من التجزئة بين الرقع (Cross-patch fragmentation). يجب إعادة تجميع الأدلة الموزعة عبر رقع أو صفحات مختلفة عبر الانتباه المكاني ثنائي الأبعاد بدلاً من الهيكل الموضعي أحادي البعد للنص، مما يضعف تكامل الأدلة بعيدة المدى.

2. الوكيل المستقل عن تسميات المهام ( $C(x)$ )

لتحويل هذه النظرية إلى واقع عملي دون الحاجة إلى تسميات (Labels) للمهام أثناء الاستدلال، اشتق المؤلفون دالة تكلفة وكيلة $C(x)$ :
$C(x) = \alpha \cdot W(x) + \beta \cdot L(x) \cdot (1 - TRR(x))$

$W(x)$ (ميزة الدقة): تقيس الحساسية للتمايزات على مستوى الرمز بناءً على تنسيق إجابة المهمة (مثل الاستخراج مقابل التصنيف). تُقدر من مواصفات المهمة، وليس من بيانات التسمية.
$L(x)$ (ميزة التغطية): تقيس تشتت الأدلة ذات الصلة بالمهمة عبر المدخلات، وتُقدر عبر درجات الارتباط (Relevance scores) باستخدام BM25 بين الأسئلة وقطع النص.
$TRR(x)$ (معدل تكرار النص): يُقدر عبر نسبة ضغط gzip لاستبعاد المعلومات المكررة التي تعمل كحاجز لفقدان التجزئة.
$\alpha, \beta$ : معاملات خاصة بالنموذج يتم تقديرها عبر اختبارات اصطناعية لا تتطلب تسميات للمهام.

3. كفاءة النقل (TE) والتوجيه

يعرف المؤلفون درجة كفاءة النقل (TE) لموازنة بقاء المعلومات مقابل فوائد الضغط:
$TE(x) = ISR(x) \cdot VCR(x) = (1 + \gamma - C(x)) \cdot VCR(x)$

$VCR(x)$ : نسبة الضغط البصري (رموز النص / الرموز البصرية).
$\gamma$ : مكافأة التنسيق المهيكل للمدخلات حيث تحافظ الرندرة على التخطيط ثنائي الأبعاد (مثل الجداول) الذي لا يمكن للتسلسلات النصية المسطحة التعبير عنه.
قاعدة التوجيه: اختر المسار البصري إذا كان $TE(x) \ge \tau$ (حيث $\tau$ هو عتبة ثابتة)، وإلا فاستخدم المسار النصي. يتم اتخاذ هذا القرار دون استشارة تسميات المهام.

4. التمركز البؤري المستند إلى النقل (Transport-Informed Foveation)

بالنسبة للمدخلات التي يتم توجيهها إلى المسار البصري، يطبق الإطار عملية تمركز بؤري (Foveation) لإصلاح المناطق عالية التكلفة محليًا. يقوم بحساب تكلفة على مستوى الرقعة $C_q$ ويعيد ترميز الرقع عالية التكلفة بشكل انتقائي بدقة أعلى. يعمل هذا كعملية عكسية موضعية لخريطة الدفع الأمامي، ويتم تفعيله فقط عندما تفوق المعلومات المستعادة تكلفة الرموز الإضافية.

المساهمات الرئيسية

تحليل عدم الاستقرار المعتمد على المهمة: إثبات أن أداء VTC غير منتظم للغاية عبر اختبارات معالجة اللغات الطبيعية (NLP)، وأن نسبة الضغط وحدها لا يمكنها التنبؤ بالمنفعة.
صياغة نقل القياس: إعادة صياغة الترميز البصري القائم على ViT كخريطة دفع أمامي، واستخلاص تكلفة نقل مفككة (الدقة والتغطية) تفسر حالات عدم الاستقرار الملحوظة.
التوجيه والتركيز البؤري المستقل عن التسميات: تطوير معيار توجيه كامل لا يتطلب تسميات للمهام ( $TE(x)$ ) وآلية تحسين (التركيز البؤري) مستمدة من نفس نموذج التكلفة.
التحقق التجريبي: التحقق من الإطار عبر 24 مجموعة بيانات لمهام NLP باستخدام نموذج Qwen3-4B، حيث أظهرت قاعدة التوجيه المستقلة عن التسميات مطابقة المسار الأمثل (النص مقابل البصري) لـ 70.8% من مجموعات البيانات، مما يضاهي أداء النموذج المثالي (Oracle) الذي يعرف الحقيقة الأرضية، كما حسنت متوسط الدرجة الإجمالي مقارنة بخط الأساس (Pure-LLM) مع تقليل استخدام الرموز.

النتائج

تم التقييم على 24 اختبارًا معياريًا لمهام NLP (تشمل الفهم، الاستدلال، والتوليد) باستخدام Qwen3-4B:

أداء التوجيه: اختارت قاعدة التوجيه المستقلة عن التسمية المسار الأمثل (نص مقابل بصري) لـ 17 من أصل 24 مجموعة بيانات (70.8%)، مما يطابق أداء النموذج المثالي الخاضع للإشراف الذي يعرف الحقيقة الأرضية.
مكاسب الأداء: حققت استراتيجية التوجيه زيادة قدرها +1.5 نقطة في متوسط الدرجة الإجمالي (+3.3% نسبيًا) مقارنة بخط الأساس (Pure-LLM).
الكفاءة: استخدمت استراتيجية التوجيه 10.3% أقل من متوسط رموز المدخلات مقارنة بخط الأساس.
التركيز البؤري (Foveation): حسن التركيز البؤري الموضعي مسار المسار البصري بمقدار +0.4 نقطة في المتوسط، مع تركز المكاسب في المهام التي تحمل فيها المناطق عالية التكلفة أدلة حاسمة (مثل الإجابة على الأسئلة متعددة الخطوات).
عبر المقاييس والمعماريات: ظلت الأنماط النوعية ثابتة عبر أحجام 4B و8B و32B. كما أكد التحقق عبر المعماريات المختلفة مع InternVL3.5 أن الفجوة بين البصري والنصي المعتمدة على المهمة هي خاصية هيكلية لعملية النقل، وليست نتاجًا لعائلة نماذج محددة.

الأهمية والادعاءات

يدعي البحث أن التناقضات في أداء VTC تنبع من تكلفة النقل غير المنتظمة وليس من نسبة الضغط وحدها. ومن خلال نمذجة المرمز البصري كخريطة دفع أمامي، يقدم المؤلفون تفسيرًا هيكليًا لفقدان المعلومات يكون:

تفسيريًا: فهو يفكك أوضاع الفشل إلى تكاليف الدقة (داخل الرقعة) والتغطية (بين الرقع).
إجرائيًا: فهو ينتج قاعدة توجيه عملية وميكانيكية تحسين (التركيز البؤري) تشترك في نفس معلمات التكلفة الأساسية.
تشخيصيًا: فهو يحدد متى يكون الضغط البصري جديرًا بالثقة ومتى يجب تجنبه أو إصلاحه.

يصرح المؤلفون صراحةً بأنهم لا يدعون تحقيق نتائج هي الأفضل (SOTA) في الاختبارات الفردية أو تقديم حل عالمي لجميع سيناريوهات VTC. بدلاً من ذلك، فإن المساهمة هي إطار تشخيصي قائم على النقل ينقل التركيز من "كم عدد الرموز التي تم توفيرها" إلى "ما هي المعلومات ذات الصلة بالمهمة التي فُقدت"، مما يوفر نقطة انطلاق مبدئية للأبحاث المستقبلية في ضغط النص المرئي. ويُقدم الإطار كأداة لتشخيص وإدارة المقايضات في VTC، وليس كبديل لجميع عمليات معالجة النصوص.