Tencent تطلق Youtu-Parsing-Omni لتحويل المستندات والصوت والفيديو إلى مخرجات JSON موحدة
أطلقت Tencent نموذج Youtu-Parsing-Omni الذي يضم 5 مليارات معامل ويحول المستندات والصور والرسوم البيانية والمخططات الانسيابية والأشكال الهندسية والصوت والفيديو إلى مخرجات JSON منظمة وموحدة. ويتصدر النموذج اختبار OmniDocBench v1.6 في جدول الشركة. ويذكر ترخيصه أن النموذج غير مخصص للاستخدام داخل الاتحاد
أطلقت Tencent في 9 أكتوبر 2026 نموذجا باسم Youtu-Parsing-Omni على منصة Hugging Face. ويقرأ النموذج أنواعا مختلفة من المدخلات ويحول ما فيها من معلومات إلى مخرجات JSON منظمة وموحدة، وتشمل المدخلات صفحات المستندات والصور والرسوم البيانية والمخططات الانسيابية والأشكال الهندسية والتسجيلات الصوتية ومقاطع الفيديو. وتُسمى هذه النماذج نماذج التحليل، وتُستخدم لتحويل عقد ممسوح ضوئيا أو فاتورة أو تسجيل اجتماع إلى بيانات منظمة تستطيع البرمجيات التعامل معها مباشرة. ويضم Youtu-Parsing-Omni نحو 5 مليارات معامل، وهو مبني على مُرمّز طوره فريق Youtu في Tencent وعلى نموذج اللغة Youtu-LLM.
وبحسب بطاقة النموذج، تأتي المخرجات دائما في كتلة JSON واحدة. ففي الصور يقدم النموذج تخطيط الصفحة والنصوص والجداول والمعادلات وموقع كل عنصر بإحداثيات مربعة، وفي الصوت والفيديو يقدم مقاطع مؤرخة زمنيا تتضمن تفريغ الكلام والنصوص الظاهرة على الشاشة والأحداث الصوتية وحركة الكاميرا. ويرافق كل مخرج وصف عام للمحتوى. ويحدد الموجه المختار بحسب المهمة نوع المخرجات.
الأول في اختبار المستندات بحسب جدول الشركة
بحسب الجدول الذي نشرته Tencent، يحتل Youtu-Parsing-Omni المرتبة الأولى في اختبار تحليل المستندات OmniDocBench v1.6 بنتيجة إجمالية قدرها 96.96، بينما يسجل في الجدول نفسه PaddleOCR-VL-1.6 نتيجة 96.34 وMinerU2.5-Pro نتيجة 95.75 وGemini-3-Pro نتيجة 92.91 وGPT-5.2 نتيجة 86.59. وفي اختبار OmniParsingBench الذي يقيس المستندات والرسوم البيانية والأشكال الهندسية والصور والصوت والفيديو معا، يبلغ متوسطه 75.08، ليحل ثانيا بعد Gemini-3-Pro الذي سجل 77.44، ويحقق أعلى نتيجة بين النماذج المفتوحة. كما نُشرت نتائج اختباري ChemOCR لقراءة الصيغ الكيميائية وPDMX-Synth لقراءة النوتات الموسيقية.
التشغيل والترخيص
توصي Tencent بتشغيل النموذج خادما عبر إضافة vLLM التي أعدتها، ويتطلب ذلك بطاقة رسوميات تدعم CUDA، إضافة إلى ffmpeg للصوت والفيديو. ويمكن تشغيل النموذج أيضا عبر Transformers، لكن هذا الطريق يتطلب خيار trust_remote_code الذي ينفذ الشيفرة المرفقة بالنموذج، وتوصي بطاقة النموذج بتثبيت إصدار محدد جرت مراجعته. والتقرير التقني موجود في مستودع GitHub.
يمكن تنزيل ملفات النموذج، لكنه صدر بترخيص خاص يحمل اسم "Youtu-Parsing". وينص الترخيص على أن النموذج غير مخصص للاستخدام داخل الاتحاد الأوروبي، ويقول إن هذا البند يسري عند تعارضه مع أي بند آخر. وينبغي للمؤسسات مراجعة شروط الترخيص بما يتناسب مع وضعها قبل الاستخدام.
أجرت Tencent جميع المقارنات المنشورة، ولم تنشر الشركة شيفرة التقييم بعد، إذ تشير إليها على أنها ستصدر قريبا. وللحصول على صورة أشمل، تابع أيضا تقييمات الباحثين المستقلين.
المصادر: Hugging Face: بطاقة نموذج Youtu-Parsing-Omni، وGitHub: Youtu-Parsing، ونص ترخيص Youtu-Parsing.
