> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# NeoMME: نموذج مفتوح المصدر يبحث في المستندات الممسوحة بلا OCR
- URL: https://globalfeed.ai/ar/shrk-h-company-ttlq-neomme-murmwzt-mtaadd-lwsyt-bhjm-260-w800-mlywn-maaml/
- Published: 2026-09-08T10:19:07.000Z
- Updated: 2026-09-29T23:38:10.000Z
- Description: أصدرت H Company نموذجين برخصة Apache 2.0 يقرآن صفحة PDF كصورة ويبحثان داخلها. النسخة الأصغر بـ260 مليون معامل تقترب من نموذج أكبر منها بأربعة عشر ضعفا.
- Author: GlobalFeed Editor
- Tags: NeoMME, H Company, استرجاع المستندات, مفتوح المصدر, x-hcompany_ai, dil-ar, video

إذا كان لديك آلاف الفواتير والعقود والمواصفات الفنية الممسوحة ضوئيا، فالطريقة المعتادة للبحث فيها هي تشغيل OCR أولا. لكن OCR يفقد الجدول وترتيب الأعمدة والرسم البياني، والبحث لا يجد ما فقده OCR.

**NeoMME** يتخطى هذه الخطوة. يقرأ الصفحة كصورة ويعيد الصفحة الصحيحة انطلاقا من جملة عادية مثل "جدول إيرادات الربع الرابع من العام الماضي". أصدرت H Company حجمين: 260 مليون و800 مليون معامل، برخصة Apache 2.0 بما في ذلك الاستخدام التجاري.

## نموذج صغير ونتيجة كبيرة

في ViDoRe v3، وهو المقياس المعتمد لاسترجاع المستندات، يسجل نموذج 260 مليون 0.523 nDCG@10\. هذا يتقدم على كل النماذج دون 800 مليون، ويبتعد 0.002 فقط عن ColQwen2.5 البالغ 3.75 مليار معامل، أي نحو أربعة عشر ضعفا. أما نسخة 800 مليون فتبلغ 0.556.

بالنسبة لفريق التشغيل، الرقمان المهمان مختلفان. على بطاقة NVIDIA L40S واحدة يفهرس نموذج 260 مليون 51.3 صفحة في الثانية، أي نحو ضعف ColModernVBERT. والمتجه المخزن لكل صفحة ينخفض من نحو 1.5 ميغابايت إلى 6 كيلوبايت، بمعامل 255، مع الاحتفاظ بـ95 بالمئة من جودة الاسترجاع. أرشيف من مليون صفحة يحتاج نحو 6 غيغابايت بدل 1.5 تيرابايت.

## كيف يعمل

الأسلوب السائد في هذا المجال يركب نموذج رؤية مدربا مسبقا على نموذج لغة مدرب مسبقا، وهكذا بني ColPali وما تفرع عنه. NeoMME لا يستخدم أيا منهما. محول واحد يمرر النص وقطع الصورة الخام المقتطعة من الصفحة عبر الطبقات نفسها، والنموذج يدرب من الصفر. الأجزاء الجاهزة التي لا يحملها هي معاملات لا ينفقها.

النموذجان يدعمان سياقا من 16384 وحدة، وهو يكفي لصفحتين بدقة 4K. تعدد اللغات كان جزءا من التصميم: المجزئ ينتج وحدات أقل بنسبة 44.4 بالمئة من ModernBERT عبر 14 لغة، أي أن الصفحة نفسها تكلف أقل. جرى التدريب على 16 و32 بطاقة H100 بنحو 524 مليار وحدة.

## نقطة ضعفه

النموذج قوي في المستندات البصرية لا في النص المجرد. في الاسترجاع النصي وحده يسجل 0.4881 و0.5126 على BEIR-15، بينما يتقدم LateOn بـ149 مليون معامل مسجلا 0.5722\. يعزو الباحثون الفارق إلى حجم الإشراف أثناء التدريب. إذن NeoMME ليس بديلا عن البحث النصي، بل أداة منفصلة للمستندات الممسوحة التي يحمل تخطيطها معنى.

النماذج وتفاصيل القياس في [إعلان H Company](https://huggingface.co/blog/Hcompany/neomme?ref=globalfeed.ai)، والمنهج موصوف في [ورقة arXiv](https://arxiv.org/abs/2609.01657?ref=globalfeed.ai).