BGE-M3 نموذج التضمين الهجينBGE-M3 Multilingual Hybrid Embedding
نموذج تضمين رائد متعدد اللغات يدعم استرجاع الكثيف (Dense)، المتناثر (Sparse/BM25)، ومتعدد المتجهات (ColBERT Multi-Vector) حتى 8192 رمزاً.
أساسي23 مدخلًا مرتبطًا
ذكاء المستندات ومعالجة الوثائق
Document AI / Madarek
منظومات OCR المتقدمة، VLM OCR، تحليل المخططات، RAG، تقييم الدقة واسترجاع النصوص العربية المعقدة.
Advanced OCR, VLM parsing, layout analysis, RAG, retrieval, reranking, and document evaluation.
نماذج
7 إدخالًا
Command R+ من CohereCohere Command R+
نموذج متخصص في تطبيقات المؤسسات، استرجاع RAG متعدد الخطوات، واستخدام الأدوات (Tool Calling) مع استشهادات دقيقة وموثوقة.
ColBERTv2 — نموذج الاسترجاع بالتفاعل المتأخرColBERTv2 Late Interaction Retrieval Model
معمارية استرجاع ثورية تحفظ تفاعل الرموز الفردية عبر تمثيلات متجهية متعددة مع ضغط ذكي يقلل البصمة التخزينية بنسبة 6x.
GOT-OCR2.0 — النظرية العامة للتعرف الضوئيGOT-OCR2.0 General OCR Theory
نموذج رؤية ولغة VLM مضغوط (580M) مخصص لقراءة كافة أنواع النصوص والرموز والجداول الرياضية والموسيقية وتنسيقات المستندات المعقدة.
نموذج Table Transformer من مايكروسوفت لكشف الجداولMicrosoft Table Transformer (TATR) Architecture
نموذج كشف بصري يتعرف على حدود الجداول وهيكل الصفوف والأعمدة والخلايا المدمجة.
Nougat — فك رموز المستندات العلميةNougat: Neural Optical Understanding for Academic Documents
نموذج بصري عصبي من Meta AI يحول صفحات الـ PDF الأكاديمية والرموز الرياضية المعقدة مباشرة إلى نص Markdown منسق.
Qwen2-VL 72B للمستندات والفيديوQwen2-VL 72B Vision-Language Model
نموذج رؤية متعدد الوسائط قادر على قراءة وفهم المستندات العربية الممسوحة ضوئياً والمخططات البيانية بدقة عالية ومعدل دقة متفوق.
أوراق بحثية
2 إدخالًا
التوليد المعزز بالاسترجاع لمهام معالجة اللغة المعرفيةRetrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
الورقة التأسيسية لمنهجية RAG التي جمعت بين النماذج التوليدية وأنظمة استرجاع المعلومات غير المقيدة لتحديث المعرفة وتفادي الهلوسة.
معيار ViDoRe لتقييم استرجاع الوثائق البصريةViDoRe: The Visual Document Retrieval Benchmark
مجموعة بيانات مرجعية تشمل مهام استرجاع في مجالات علمية وقانونية ومالية متعددة اللغات.
أدوات
8 إدخالًا
مكتبة Byaldi لتطبيق ColPali بخطوة برمجية واحدةByaldi: Simple Multi-Vector Document Retrieval
غلاف بايثون ميسر لفهرسة صفحات المستندات والاستعلام البصري الفوري باستخدام ColPali و ColQwen.
مكتبة Chonkie للتقسيم اللغوي فائق الخفة والسرعةChonkie Lightweight RAG Chunking Library
محرك تقسيم نصوص سريع ومبسط متوافق مع رموز مختلف معالم النماذج اللغوية الحديثة.
محرك LlamaParse لاستخراج الوثائق المعقدة بالاستعانة بالوكلاءLlamaParse Agentic Document Parser
محرك سحابي وخاص يحلل الجداول الرياضية والرسومات الهندسية ويحولها إلى Markdown مهيكل.
Marker — محول المستندات السريع إلى MarkdownMarker Fast PDF to Markdown Pipeline
أداة مفتوحة المصدر عالية الدقة تحول ملفات PDF والوثائق العلمية إلى صيغة Markdown مع استخراج الجداول والمعادلات الرياضية بدقة.
مكتبة PyMuPDF للاستخراج النصي فائق السرعةPyMuPDF (fitz) High Performance Document Extraction
الخيار الأسرع لاستخراج النصوص المدمجة رقمياً بدون حمل ثقيل لمعالجة الصور.
Surya — التعرف الضوئي متعدد اللغات وتحليل التخطيطSurya Multilingual OCR & Layout Analysis
أداة مفتوحة المصدر (Apache-2.0) للتعرف الضوئي على النصوص وتحليل التخطيط وترتيب القراءة وتمييز الجداول عبر 90+ لغة بما فيها العربية.
محرك Tesseract 5 ودقة قراءة النصوص العربية المطبوعةTesseract 5 Arabic LSTM OCR Assessment
تقييم حدود أداء Tesseract في الخطوط العربية المتصلة ومقارنتها بنماذج المحولات الحديثة.
مكتبة Unstructured لتجزئة وتصنيف عناصر الوثائقUnstructured.io Document Partitioning Pipeline
معالجة وتجزئة أكثر من 20 صيغة ملف مع التعرف على العناوين والفقرات والجداول وقوائم النقاط.
معايرات وتقييم
2 إدخالًا
نتائج Qwen2-VL في استخراج المستندات والجداول العربيةQwen2-VL Arabic Document & Table Extraction Benchmarks
اختبار النموذج في قراءة خطوط الرقعة والنسخ واستخراج الجداول الحكومية بصيغة JSON.
معيار RAGBench لتقييم خطوط أنابيب الاسترجاع والتوليدRAGBench: Comprehensive Benchmark for Retrieval-Augmented Generation
قياس دقة الاسترجاع ونقاء السياق وخلو الردود من الهلوسة ومطابقتها للمصادر الموثوقة.
أدلة تطبيقية
1 إدخالًا
مبادئ التقطيع غير الفاقد للوثائق والأنظمة القانونية العربيةLossless Chunking Principles for Arabic Legal Codes
كيف تضمن عدم فصل شروط العقود وأحكام اللوائح عن موادها الأساسية في قواعد RAG.
مشاريع
2 إدخالًا
مشروع مدارك (Madarek Document AI)Madarek Document AI Project
مبادرة هندسية لبناء محركات استخلاص نصوص الوثائق العربية المعقدة والجداول والفهارس بنماذج بصرية محلية.
منظومة Assiri Atlas المرجعيةAssiri Atlas Reference Intelligence Platform
المنصة المرجعية العربية المعتمدة على الأدلة لهندسة الذكاء الاصطناعي، ذكاء المستندات، النماذج المحلية، والمصادر المحكمة.
مراجع عامة
1 إدخالًا
معايير اختيار قواعد بيانات المتجهات ومقايضات فهارس البحثVector Database Selection and ANN Indexing Trade-offs
مقارنة HNSW و IVF و Flat من حيث ذاكرة الاستدعاء ودقة الاسترجاع وتكلفة التحديث في أنظمة RAG.