Large Vision Models (LVM)
النماذج البصرية الكبيرة شبكات للرؤية تضم مئات الملايين إلى مليارات المعلمات، وتُدرّب مسبقًا على مجموعات صور ضخمة لتخدم مهامًا متعددة.
نموذج الرؤية الكبير (LVM) شبكة عصبية للصور والفيديو تضم مئات الملايين إلى مليارات المعلمات، وتُدرّب مسبقًا على ملايين إلى مليارات الصور، كي يخدم نموذج واحد مهام بصرية متعددة. وهو النظير البصري لـنموذج اللغة الكبير ونوع من النماذج التأسيسية: إذ يكون التدريب المسبق في الغالب ذاتي الإشراف أو ضعيف الإشراف، ثم يُكيّف النموذج الناتج للتصنيف أو الكشف أو التجزئة أو تقدير العمق أو الاسترجاع باستخدام قدر قليل من البيانات الموسومة أو دونها. ومعظم نماذج LVM هي محولات الرؤية، التي تستمر دقتها في التحسن مع زيادة حجم النموذج والبيانات، وفق قوانين التوسع نفسها الملاحظة في نماذج اللغة. ومن الأمثلة المعروفة ViT-22B من Google، الذي يضم 22 مليار معلمة، وDINOv2 وDINOv3 من Meta، ونموذج Segment Anything من Meta.
كيفية تدريب نماذج الرؤية الكبيرة#
لا يمكن توسيع نطاق التسميات ليشمل مليارات الصور، لذا تتعلم نماذج LVM أساسًا من الصور نفسها أو من نصوص مقترنة بها بصورة غير محكمة. يستخدم DINOv2، الذي أطلقته Meta عام 2023، التقطير الذاتي، إذ يُدرّب شبكة طالبة على مطابقة مخرجات شبكة معلّمة على قصاصات مختلفة من الصورة نفسها؛ ويضم أكبر نماذجه 1.1 مليار معلمة ودُرّب على 142 مليون صورة منتقاة، ثم وسّع DINOv3 الوصفة عام 2025 إلى 7 مليارات معلمة و1.7 مليار صورة. وتتبع المشفّرات التلقائية المقنّعة نهجًا آخر في التعلّم الذاتي الإشراف، إذ تحجب معظم رقع الصورة وتدرّب النموذج على إعادة بنائها. ويدرّب التعلّم التقابلي بين الصور والنصوص، كما في CLIP وSigLIP، مشفّر الصور على مطابقة التعليقات التوضيحية، وينتج شبكات أساس للرؤية تعيد نماذج متعددة الوسائط كثيرة استخدامها. وتعلّم نموذج Segment Anything من Meta التجزئة القابلة للتوجيه باستخدام مجموعة بيانات SA-1B، التي تضم 1.1 مليار قناع على 11 مليون صورة.
أما النموذج الذي يجسد المصطلح بأكثر معانيه حرفية، وهو LVM من Bai وزملائه في UC Berkeley وJohns Hopkins عام 2023، فيحوّل الصور وإطارات الفيديو والتعليقات التوضيحية مثل أقنعة التجزئة إلى «جمل بصرية» من الرموز المنفصلة، ويتدرب على 420 مليارًا منها باستخدام التنبؤ بالرمز التالي، دون أي نص. وأثناء الاختبار، يحل المهام من خلال التلقين البصري: فبعد تزويده ببضعة أزواج من صور الإدخال والإخراج، يكمل التسلسل بمخرج صورة جديدة.
تكييف نماذج LVM مع المهام#
نادرًا ما يُستخدم نموذج LVM مدرّب مسبقًا كما هو. وفي غياب البيانات الموسومة، يعمل النموذج دون أمثلة باستخدام مطالباته الخاصة، مثل النقرات في SAM، أو باستخدام تضمينات الصور التي تُقارن لأغراض الاسترجاع وإزالة التكرار. وعند توفر بعض التسميات، يدرّب الاستقصاء الخطي رأسًا صغيرًا على السمات المجمدة، وهي الطريقة المعتادة لتقييم سمات DINOv2 وDINOv3 في تقدير العمق والتجزئة، أو يحدّث الضبط الدقيق الشبكة الأساسية نفسها. وعندما يكون الهدف هاتفًا أو كاميرا أو روبوتًا، يستخدم نموذج LVM بدلًا من ذلك لتوسيم البيانات أو لتعليم نموذج مدمج عبر تقطير المعرفة.
تتبع دالة auto_annotate في Ultralytics المسار الأخير: إذ تجمع كاشف YOLO26 مع SAM من Meta لتحويل الصناديق المكتشفة إلى تسميات تجزئة لتدريب نموذج تجزئة أصغر. ويضم SAM-b 93.7 مليون معلمة، بينما يضم YOLO26n-seg 2.7 مليون، أي أقل بنحو 35 مرة. وتطبّق منصة Ultralytics الفكرة نفسها على مجموعات بيانات الكشف، حيث تتولى نماذج الرؤية الموجّهة بالفئات تسمية الصور التي يتدرب عليها نموذج YOLO26 لاحقًا.
نماذج LVM مقارنةً بنماذج VLM والنماذج المخصصة لمهام بعينها#
يربط نموذج الرؤية واللغة مشفّرًا بصريًا، غالبًا ما يكون نموذج LVM، بنموذج لغوي كي يتمكن من الإجابة نصيًا عن أسئلة حول الصور؛ أما نموذج LVM وحده فينتج سمات أو أقنعة أو صورًا. وتُدرّب النماذج المخصصة لمهام معينة، مثل شبكات الكشف عن الكائنات، لمهمة واحدة ومجموعة فئات ثابتة، ما يبقيها صغيرة وسريعة بما يكفي لـالاستدلال في الزمن الحقيقي على أجهزة الذكاء الاصطناعي الطرفي. وتستبدل نماذج الرؤية الكبيرة هذه الكفاءة بسعة أوسع: فقد قُيّمت شبكة DINOv3 أساسية واحدة مجمدة على التصنيف والكشف والتجزئة وتقدير العمق والمراسلة ثلاثية الأبعاد، كما درّبت Meta نسخة على صور الأقمار الصناعية لمهام تحليل صور الأقمار الصناعية، مثل رسم خرائط ارتفاع مظلة الأشجار.










