إنفيديا تكشف عن نماذج Nemotron 3.5 لتحسين استرجاع البيانات للوكلاء
تستهدف إنفيديا رفع كفاءة الوكلاء الذكيين عبر نماذج استرجاع جديدة تدعم البحث متعدد الوسائط وتقلل من هدر الموارد الحاسوبية.
رضوان عبدالهاديمحرر وكاتب تقني
إطلاق نماذج الاسترجاع الجديدة
أعلنت شركة إنفيديا عن توسيع مجموعة نماذج Nemotron Retriever بإضافة نماذج جديدة متاحة تجارياً ومفتوحة المصدر. تشمل هذه النماذج Nemotron 3.5 Embed بحجم 8B و 1B، ونموذج Rerank بحجم 8B، بالإضافة إلى نموذج Parse المخصص لاستخراج المعلومات من المستندات. تهدف هذه الأدوات إلى تمكين الوكلاء من الوصول إلى الأدلة الصحيحة بسرعة، مما يقلل من الحاجة إلى إعادة البحث وفحص مستندات إضافية.
تأثير الاسترجاع على كفاءة الوكلاء
توضح البيانات أن جودة الاسترجاع تؤثر بشكل مباشر على تكلفة الاستدلال للوكلاء. عندما تكون الأدلة غير مكتملة أو غير ذات صلة، يضطر الوكيل إلى تكرار عمليات البحث، مما يستهلك المزيد من الرموز (Tokens). من خلال استخدام نماذج الاسترجاع المتقدمة، يمكن للوكلاء الوصول إلى إجابات مدعومة بأدلة دقيقة باستخدام عدد أقل من الرموز المهدرة. هذا التحسين يصبح حاسماً عند تطبيق هذه التقنيات على نطاق المؤسسات، حيث تؤدي الكفاءات المنخفضة إلى تكاليف تشغيلية ضخمة.
البحث متعدد الوسائط واللغات
تعتمد نماذج Nemotron 3.5 Embed على الجيل السابق من نماذج التضمين النصية، لكنها تضيف القدرة على استرجاع الأدلة من صور المستندات، بما في ذلك الجداول والرسوم البيانية والمخططات. تم تقييم أداء البحث النصي عبر 34 لغة، بينما تم اختبار البحث البصري متعدد اللغات على مجموعات بيانات مثل MIRACL Vision و KoViDoRe. يتيح هذا التصميم للمؤسسات البحث في المعلومات المرئية والنصية معاً، مما يوفر رؤية شاملة للمحتوى.
الأداء في اختبارات ViDoRe v3
في اختبارات ViDoRe v3.1، حقق نموذج Nemotron 3.5 Embed 8B BF16 نتيجة 61.17 في مقياس nDCG@10، متصدراً قائمة نماذج الاسترجاع الكثيف. يمثل هذا تحسناً قدره 8.94 نقطة مقارنة بنموذج Llama Nemotron Embed VL 1B. كما أظهر نموذج 1B أداءً قوياً، حيث احتفظ بنسبة 95.4% من أداء النموذج الأكبر حجماً، مما يجعله خياراً فعالاً من حيث التكلفة للمؤسسات التي تحتاج إلى توازن بين الدقة والموارد.
إعادة الترتيب وتحسين السياق
يعمل نموذج Nemotron 3.5 Rerank 8B BF16 كمرحلة ثانية لتقييم المرشحين المسترجعين وتحسين ترتيبهم. من خلال التمييز بين المحتوى العام والمعلومات التي تجيب مباشرة على الاستعلام، يساعد هذا النموذج الوكلاء على استخدام ميزانية السياق بشكل أكثر فعالية. في لائحة إعادة الترتيب الخاصة بـ ViDoRe v3.1، حقق نموذج إنفيديا نتيجة 60.49 في nDCG@10، متفوقاً على النموذج المنافس Qwen-3-VL-Reranker-8B الذي سجل 59.17.
خفض التكاليف وتحسين الدقة
أظهرت التجارب أن إضافة نموذج إعادة الترتيب إلى نظام الاسترجاع يقلل من تكلفة الرموز لكل استعلام بنسبة تقارب 14% عند استخدام نموذج التضمين 8B، و 13% عند استخدام نموذج 1B. في الوقت نفسه، تحسنت دقة الاسترجاع في كلا التكوينين. كما حقق نموذج إعادة الترتيب دقة أعلى بمقدار 0.9 نقطة في مقياس nDCG@10 مقارنة بالنماذج المنافسة، مع الحفاظ على تكلفة استدلال مماثلة، مما يؤكد فاعليته في تحسين جودة الأدلة المقدمة للوكلاء.
المصادر
- Hugging Face BlogNVIDIA Nemotron 3.5 Embed, Rerank, and Parse: Advancing Agents with World-Class Retrieval Models
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
إنفيديا: نموذج Nemotron يتفوق في أولمبيادتي البرمجة والرياضيات
تُظهر نتائج جديدة أن نماذج Nemotron من إنفيديا قادرة على تحقيق مستوى الميدالية الذهبية في أولمبيادتي المعلومات والرياضيات الدوليتين عبر الضبط الدقيق.
مايكروسوفت تكشف عن شريحة Maia 300 لتقليل الاعتماد على إنفيديا
أعلنت مايكروسوفت عن شريحة Maia 300 للجيل الثالث، المصممة لتكون النظام الأساسي للاستدلال في الذكاء الاصطناعي. تهدف الشركة إلى تحسين الكفاءة وتقليل التكاليف، مع بدء النشر في الإنتاج بحلول عام 2027.
إنفيديا تطلق نموذجاً مفتوحاً لتحويل الكلام إلى نص
أطلقت شركة إنفيديا نموذجاً مجانياً ومفتوح الأوزان لتحويل الكلام إلى نص يدعم 40 لغة، مستهدفاً قطاعات الاجتماعات والخدمات الطبية بتطبيقات الذكاء الاصطناعي.
إنفيديا تطلق RFD4-Proteina لتصميم البروتينات الذكي
تقدّم إنفيديا نموذج RFD4-Proteina المفتوح المصدر لتصميم البروتينات، مدمجاً توليد التسلسل والبنية في نموذج واحد عبر Hugging Face Spaces لتبسيط سير العمل.
