NeoMME Retriever: خريطة عملية لاسترجاع المرشحين في استرجاع المستندات المرئية

لماذا يهم NeoMME في استرجاع صور الصفحات الآن

أصدرت شركة H نموذج NeoMME في 3 سبتمبر 2026 بوصفه عائلة من المشفرات متعددة اللغات ومتعددة الوسائط بحجم 260M و800M. يستحق الإصدار الانتباه لسبب عملي واحد: يستطيع NeoMME Retriever إنتاج تضمينات كثيفة وتضمينات تفاعل متأخر من تمريرة أمامية واحدة. بالنسبة إلى فرق استرجاع المستندات المرئية، ينقل ذلك النموذج من فضول معياري إلى قرار معماري.

يبحث استرجاع صور الصفحات في الصفحات المعروضة، وليس فقط في النص المستخرج. قد تكون الأدلة ذات الصلة موجودة في جدول، أو تسمية مخطط، أو ملحق ممسوح ضوئيا، أو ملاحظة متعددة اللغات، أو تخطيط يغير فيه السياق المكاني المعنى. لا يزال OCR مهما. في ملفات PDF النظيفة ذات المعرفات الدقيقة، قد يكون أقوى خط أساس. لكن التصميم المعتمد على OCR فقط يترك خارج النطاق فئة من أسئلة المستندات التي تحمل فيها صورة الصفحة نفسها الإشارة.

الحد الفاصل هو المكان الذي يحتاج فيه البناؤون إلى الانضباط. مشفر الاسترجاع يسترجع الصفحات. وهو لا يولد الإجابات، ولا يثبت أمانة RAG المرئي، ولا يلغي الحاجة إلى تقييم VLM أو نموذج لغوي لاحق. يمكن أن ترشد درجات الاسترجاع المنشورة عملية الاختيار، لكن لا ينبغي إعادة صياغتها كادعاءات عن دقة الإجابة. المنطق نفسه يظهر خلف مقالة Optijara عن قابلية مقارنة المعايير واختبار الصلة: لا يكون المقياس مفيدا إلا عندما يتفق الجميع على ما يقيسه. ولتخطيط الإنتاج، يطرح اختبار واقع نشر النماذج الصغيرة من Optijara النقطة نفسها في سياق مختلف: قس الأثر، ووقت التشغيل، والعتاد، وعبء العمل قبل أن تتصلب المعمارية.

السؤال العملي ليس ما إذا كان فهرس ANN يستطيع تخزين كثير من المتجهات. السؤال هو ما إذا كان البحث الكثيف في المرحلة الأولى يعيد الصفحات الصحيحة غالبا بما يكفي كي يحسن التفاعل المتأخر ترتيبها. إذا كانت مجموعة المرشحين ضعيفة، فإن معيد الترتيب يحسن قائمة مختصرة خاطئة.

المعمارية بلغة واضحة: مشفر واحد، ورأسا استرجاع

يستخدم NeoMME محول Transformer ثنائي الاتجاه واحدا فوق رموز النص ورقع الصور الخام. تصف مواد شركة H رقعا بقياس 32 في 32 بكسل، وسياقا من 16,384 رمز، ومن دون برج رؤية مدرب مسبقا منفصل أو نموذج لغوي سببي في مسار الاسترجاع. تسرد بطاقة مسترجع 260M عدد 263M معلمة، وحجما مخفيا 1,024، وتضمينات كثيفة ذات 1,024 بعدا مع أبعاد Matryoshka، وتضمينات متعددة المتجهات ذات 128 بعدا لكل رمز نصي أو رقعة صورة. وتسرد بطاقة 800M عدد 800M معلمة، وحجما مخفيا 1,792، والمسار نفسه متعدد المتجهات ذي 128 بعدا.

الرأس الكثيف هو عامل العمل في بحث المرشحين. ينشئ تمثيلا مدمجا يمكن البحث فيه بتشابه جيب التمام داخل بنية تحتية متجهية مألوفة. عادة تبدأ فرق الإنتاج من هنا لأنه يلائم فهرسة ANN، ومرشحات البيانات الوصفية، وضوابط الوصول، وسجلات الاسترجاع.

يحافظ رأس التفاعل المتأخر على شبكة رموز أو رقع أكثر تفصيلا. تصف بطاقات النماذج تضمينات متعددة المتجهات مطبعة وفق L2 ويجري تسجيلها باستخدام MeanMaxSim. يمكن لهذا النمط من التسجيل أن يحافظ على الأدلة المحلية أفضل من متجه كثيف واحد عندما يعتمد الاستعلام على خلية جدول، أو شرح صورة، أو تسمية مخطط، أو منطقة صغيرة من صفحة. لكن المشكلة أن التفاصيل مهمة. يمكن أن يغير الحشو، والإخفاء، والتطبيع، ودقة الاستعلام، ودقة المستند، ودالة التسجيل الدقيقة الجودة والتكلفة.

توجد أيضا نقاط تحقق منفصلة من Sentence Transformers. نموذج ST الكثيف يولد التضمينات الكثيفة فقط. ونموذج ST للتفاعل المتأخر يولد التضمينات متعددة المتجهات فقط. هذا ليس المسار التشغيلي نفسه مثل نموذج Transformers الافتراضي، الذي يعيد التضمينات الكثيفة ومتعددة المتجهات معا عبر NeoMMEForRetrieval. إذا خلط تقييم ما بين هذه الآثار، فينبغي أن يقول التقرير ذلك بلغة واضحة.

عنق زجاجة استدعاء المرشحين: ما لا تستطيع إعادة الترتيب استعادته

الدرس الأساسي مباشر: يحدد الاستدعاء الكثيف عند recall@K سقف إعادة الترتيب اللاحقة. يستطيع التفاعل المتأخر إعادة ترتيب الصفحات المحتفظ بها، لكنه لا يستطيع إنقاذ صفحة ذات صلة لم تصل أبدا إلى القائمة المختصرة.

خذ بحثا افتراضيا في تقرير سنوي. يسأل مستخدم عن إفصاح محدد عن المخاطر. تظهر الإجابة مرة واحدة، بخط صغير داخل جدول ملحق. قد يسترجع تضمين صفحة كثيف قسم المخاطر السردي وعدة صفحات متشابهة بصريا، بينما يفوته الملحق عند K يساوي 20. يستطيع معيد الترتيب بالتفاعل المتأخر تحسين تلك الصفحات العشرين، لكن صفحة الجدول تبقى غير مرئية. قد يؤدي رفع K إلى إظهارها. وهذا يضيف أيضا عملا لإعادة الترتيب، وحركة ذاكرة، وربما صفحات أكثر ليعاينها VLM لاحق.

لذلك ينبغي للفرق فصل استدعاء المرشحين عند recall@K، وnDCG@10 لمعيد الترتيب، وصحة الإجابة، وجودة الاستشهاد. دمجها في درجة RAG واحدة يخفي نمط الفشل. إذا تحسنت دقة الإجابة بعد رفع K، فقد يأتي التحسن من استدعاء المرشحين لا من مولد أفضل. وإذا تراجعت جودة الإجابة بعد الضغط، فقد يكون التراجع في الاسترجاع، أو الترتيب، أو تركيب الإجابة.

تحديد حجم مجموعة المرشحين متغير تصميم حقيقي. يمكن أن يحافظ K المنخفض على سرعة الأنظمة بينما يحد الاستدعاء بصمت. ويحسن K المرتفع فرصة وصول الصفحة الصحيحة إلى معيد الترتيب، لكنه قد يزيد زمن استجابة التفاعل المتأخر، وقراءات الفهرس، وضغط GPU أو CPU، وضجيج السياق اللاحق. تعتمد القيمة الصحيحة على المتن. مزيج اللغات، وكثافة التخطيط، وجودة المسح، وتكرار الجداول، والخط الصغير كلها عوامل مهمة. تستخدم خريطة تقييم Vaani من Optijara عادة مشابهة: إبقاء الشرائح مرئية بدلا من السماح للدرجات الإجمالية بإخفاء الحالات غير المريحة.

خريطة استدعاء الصفحة إلى المرشح: سير عمل تقييم عملي

الإطار الموصى به للاسترجاع المرئي بأسلوب NeoMME هو خريطة استدعاء الصفحة إلى المرشح. وظيفتها بسيطة. تربط كل استعلام بالصفحات التي ينبغي أن تكون قابلة للوصول، والمرحلة التي تجدها أو تفوتها، وفحوصات الإجابة التي تعتمد على الاسترجاع.

ابدأ بالآثار. ثبت نقطة تحقق NeoMME الدقيقة، وتكوين المعالج، ومراجعة المكتبة، وأداة العرض، وحجم الصورة، ومعرفات الصفحات، وتنسيق التخزين. لا تفترض أن إصدار مكتبة مستقر لاحق يتصرف مثل صفحة التوثيق الحالية. ابن أحكام الصلة على مستوى الصفحة، ثم قسمها إلى طبقات. لا ينبغي جمع ملف PDF إنجليزي نظيف مولود رقميا، وجدول متعدد اللغات، ومسح مدور، وصفحة ملحق كثيفة في متوسط واحد قبل أن يراجع أي شخص الحالات الفائتة. احتفظ بمجموعة حجز وافحص الإخفاقات يدويا. الخط الصغير، والتخطيطات شبه المكررة، والرؤوس، والتذييلات، والجداول الطويلة هي المواضع التي تختلف فيها العروض المصقولة غالبا عن سلوك الإنتاج.

ثم قارن المسارات. يبقى استرجاع نص OCR خط أساس جادا لملفات PDF النظيفة، والمصطلحات الدقيقة، والمعرفات، ومراجعة الامتثال. يختبر استرجاع NeoMME الكثيف فقط استدعاء المرشحين الواسع. ويظهر تقييم المتأخر فقط، حيث يكون ممكنا، تكلفة المطابقة المفصلة وجودتها. وتختبر القائمة الكثيفة المختصرة مع إعادة الترتيب المسار الهجين المرجح. قس استدعاء المرشحين عند recall@K وnDCG@10 قبل توليد الإجابة. ثم أضف زمن الاستجابة لكل مرحلة، وبايتات الفهرس، ووقت المعالجة المسبقة، وصحة الإجابة نسبة إلى الصفحات المسترجعة، وأمانة الاستشهاد.

ماذا تقول القياسات المنشورة، وماذا لا تشمل

يفيد إصدار شركة H بقيمة ViDoRe v3 nDCG@10 مقدارها 0.523 لنموذج NeoMME Retriever 260M و0.556 لنموذج NeoMME Retriever 800M. وتكرر صفحة الورقة المرتبطة تلك القيم المبلغ عنها من المؤلفين وتذكر أن نموذج 260M يتفوق على النماذج المقيمة التي تقل بدقة عن 800M معلمة على ذلك المعيار. تستخدم أرقام ViDoRe v1 وv2 الأقدم nDCG@5 في جداول بطاقات النماذج، لذلك لا ينبغي مقارنتها مع v3 nDCG@10 كما لو كان المقياس والإعداد متطابقين.

يفيد الإصدار أيضا بنحو 51 صفحة في الثانية لإعداد 260M عند حجم إدخال صورة مطابق 2048 في 2048 على وحدة NVIDIA L40S GPU. اقرأ ذلك بصورة ضيقة. يشير إلى موترات معالجة مسبقا مع إعدادات دفعات معايرة. ولا يشمل عرض PDF، أو الرفع، أو الفهرسة، أو معالجة الاستعلام، أو التوليد اللاحق، أو تنسيق التطبيق، أو قابلية الملاحظة، أو المراجعة البشرية.

تحتاج ادعاءات الضغط إلى الحرص نفسه. تصف المدونة تجميعا رمزيا هرميا وتكميمها غير متماثل يخفضان تخزين فهرس التفاعل المتأخر من نحو 1.5 MB إلى حوالي 6 kB لكل صفحة، أي أصغر 255 مرة، مع الاحتفاظ بأكثر من 95 بالمئة من nDCG@10 الأساسي على ViDoRe v3. هذه نتيجة محددة ومتوسطة لتضمينات التفاعل المتأخر، وليست بصمة مخزن المتجهات الكلية. لا تزال المتجهات الكثيفة، والبيانات الوصفية، وصور الصفحات، وعبء الفهرس، والنسخ الاحتياطية، وسجلات الوصول، وبيانات المراقبة محسوبة. تناقش المواد نفسها تكوينا مختلفا للتجميع وint8 حول 39 kB لكل صفحة مع أكثر من 99 بالمئة من الجودة المحتفظ بها. تعامل مع هذه كتنازلات منفصلة، لا كإعدادات افتراضية.

تنازلات المسارات: الكثيف، والتفاعل المتأخر، والاسترجاع المرئي الهجين

قد يكون الكثيف فقط كافيا للتنقل الخشن، أو الصفحات الشبيهة بالمكررة، أو استرجاع الموضوعات الواسعة. يستحق التفاعل المتأخر تكلفته عندما تكون الأدلة ذات الصلة محلية، أو مرئية، أو جدولية، أو سهلة التشويش داخل متجه كثيف واحد. الاسترجاع الهجين جذاب لأن تمريرة ترميز NeoMME واحدة يمكن أن تنتج كلا التمثيلين. ومع ذلك، لا يعمل المسار الهجين إلا عندما تكون القائمة المختصرة في المرحلة الأولى واسعة بما يكفي ليرى معيد الترتيب الصفحات الصحيحة.

ينبغي أن تكون ميزانية الموارد صريحة. إذا كان فريق يقرر ما إذا كان سيشغل الاسترجاع محليا، أو يستخدم استدلالا مستضافا، أو يقسم أعباء العمل، فإن الأسئلة تشبه تلك الواردة في اختبار واقع نشر النماذج الصغيرة من Optijara: الأثر الدقيق، ووقت التشغيل الدقيق، والعتاد الدقيق، وعبء العمل الدقيق، وشروط الرجوع الواضحة.

قائمة تنفيذ، وأخطاء شائعة، وتنبيهات

الأخطاء الشائعة عادية، ولهذا تحديدا تستمر في الحدوث. تعامل الفرق nDCG لمعيد الترتيب كدقة إجابة. تصغر K قبل قياس استدعاء المرشحين. تخلط بين ضغط التضمينات وتكلفة التخزين الكلية. تفترض أن الدعم متعدد اللغات الأصلي يعني أداء متوازنا في كل لغة. تتخطى خطوط أساس نص OCR. تتجاهل وقت العرض لأن المعيار يبدأ بعد المعالجة المسبقة. وتنسى أن أوزان نموذج Apache 2.0 لا تحسم أذونات المستندات.

تنتمي التنبيهات التشغيلية إلى مراجعة التصميم. يمكن أن يتغير توزيع الاستعلامات. ويمكن أن تصبح التضمينات المخزنة مؤقتا قديمة بعد تحديثات المستندات. قد تتطلب المستندات الخاصة تخزينا واحتفاظا وضوابط وصول أشد. يمكن أن تبالغ مجموعات التقييم في تمثيل الصفحات النظيفة. ويمكن أن يهلوس VLM لاحق حتى عندما يكون الاسترجاع جيدا، أو يستشهد بصفحة خاطئة حتى عندما تكون الصفحة الصحيحة موجودة. القدرة متعددة اللغات الأصلية لا تثبت جودة الإجابة بالعربية، أو اللغات قليلة الموارد، أو الخط اليدوي، أو الحالات الخالية من OCR لمتن معين.

{
  "model_family": "NeoMME Retriever",
  "retrieval_routes": ["ocr_text_baseline", "dense_only", "late_interaction", "dense_shortlist_plus_rerank"],
  "must_measure": ["candidate_recall_at_k", "ndcg_at_10", "per_stage_latency", "index_bytes", "answer_correctness", "citation_faithfulness"],
  "excluded_costs_to_add_back": ["pdf_rendering", "upload", "indexing", "metadata", "page_images", "generation", "observability"],
  "deployment_caveats": ["dense_recall_caps_reranking", "compression_is_workload_specific", "retrieval_is_not_answer_generation"]
}

تجربة تالية مفيدة تكون صغيرة ومنضبطة: اختر مستندات ممثلة، وثبت الآثار، وابن أحكام صلة على مستوى الصفحة، وامسح K، واختبر الضغط بشكل منفصل، ثم اربط الصفحات المسترجعة بفحوصات الإجابة والاستشهاد. إذا احتاج فريقك إلى مساعدة، تستطيع Optijara المساعدة في بناء خريطة التقييم تلك قبل أن تتحول خيارات المعمارية إلى تكلفة إنتاج.