إصدار Transformers 5.18.0: نماذج Nemotron 3 Diarization وNemotronH Omni وHyperCLOVAX Vision V2

ما الجديد في إصدار Transformers 5.18.0؟

أصدرت Hugging Face إصدار Transformers 5.18.0، وهو تحديث يضيف ثلاثة نماذج بارزة إلى المكتبة: Nemotron 3 Diarization وNemotronH Omni وHyperCLOVAX Vision V2، إلى جانب نموذج GTE للتمثيل النصي، ومجموعة كبيرة من الإصلاحات والتحسينات.

Nemotron 3 Diarization: فصل المتحدثين في البث المباشر

Nemotron 3 Diarization نموذج مفتوح الأوزان لفصل المتحدثين، مهمته تحديد "من تحدث ومتى" في الصوت الواقعي. يدعم النموذج البث المباشر والمعالجة دون اتصال، ويتعامل مع ما يصل إلى ثمانية متحدثين، ويرتب مخرجات المتحدثين حسب أول ظهور لكل منهم في الصوت.

يعتمد النموذج على ذاكرة التخزين المؤقت للمتحدثين بترتيب الوصول (AOSC) وقائمة FIFO التي أُدخلت في Streaming Sortformer. ويدعم نقطة تفتيش واحدة ملفات تأخير قابلة للضبط تتراوح من مخزن إدخال 80 مللي ثانية إلى مخزن بأسلوب المعالجة دون اتصال يبلغ 30.4 ثانية، مع دقة إطارات إخراج قابلة للضبط من مضاعفات 10 مللي ثانية. وعند استخدام الاستدلال المُجزّأ، لا تكون مدة الصوت القصوى محدودة.

NemotronH Omni: استدلال متعدد الوسائط من إنفيديا

NemotronH Omni نموذج استدلال متعدد الوسائط من إنفيديا، يجمع بين مشفّر NemotronH الهجين البصري RADIO ومشفّر صوتي اختياري قائم على Parakeet. تُسقَط مقاطع الصوت بنفس طريقة إسقاط الرموز النصية في مواضع رموز السياق، ما ينتج نموذجاً تلقائياً انحدارياً واحداً يستدل بشكل مشترك على النص والصور والفيديو والصوت.

HyperCLOVAX Vision V2: نموذج نافير البصري اللغوي

HyperCLOVAX Vision V2 نموذج بصري لغوي متعدد الوسائط من تطوير NAVER، يجمع بين نموذج HyperClovaX اللغوي الأساسي ومشفّر Qwen2.5-VL البصري. يدعم النموذج مدخلات النص والصور والفيديو، ويقوم بالاستدلال المتسلسل عبر رموز تفكير مدمجة.

GTE: تمثيل نصي وإعادة ترتيب

أُضيف نموذج GTE إلى المكتبة، وهو مشفّر ثنائي الاتجاه بأسلوب BERT يستبدل تضمينات الموضع المطلقة بـ RoPE، ويستخدم MLP مُبوّباً، ويطبّق تطبيع الطبقة بعد كل اتصال متبقٍ. وتستند إلى المعمارية نفسها نقاط تفتيش gte--v1.5 وgte-multilingual- وgte-en-mlm-* من علي بابا، إضافة إلى snowflake-arctic-embed-m-v2.0.

مقارنة سريعة بين النماذج الثلاثة

النموذج	المطوّر	نوع المدخلات	حالة الاستخدام الأساسية
Nemotron 3 Diarization	إنفيديا	صوت	فصل المتحدثين في البث المباشر والمعالجة دون اتصال
NemotronH Omni	إنفيديا	نص، صور، فيديو، صوت	استدلال متعدد الوسائط موحّد
HyperCLOVAX Vision V2	NAVER	نص، صور، فيديو	استدلال بصري لغوي متسلسل

تغييرات جوهرية أخرى

يتضمن الإصدار تغييرات كاسرة تتعلق بتوجيه FA3 إلى aiter-flash-attn على ROCm، وتسريع معالجة صور DETR، وإعادة تعيين أنواع طبقات المفهرسات، وإصلاح عدّ رموز الفيديو في الواجهة الخلفية لـ vLLM. كما يضيف دعماً لـ MoE في تكامل GGUF، ويحدّث الإصدار إلى torch 2.14، ويضم عدداً كبيراً من إصلاحات وحدات MoE وذاكرة التخزين المؤقت ومعالجة الصور والفيديو.

ماذا يعني هذا للفرق في الشرق الأوسط؟

بالنسبة لفرق المؤسسات والجهات الحكومية في المنطقة، يفتح Nemotron 3 Diarization الباب أمام تحليل مكالمات مراكز الاتصال العربية وتفريغ الاجتماعات متعددة المتحدثين دون الاعتماد على خدمات سحابية خارجية. ويساعد دعم GTE متعدد اللغات في بناء أنظمة بحث دلالي عربية، بينما يفيد NemotronH Omni وHyperCLOVAX Vision V2 تطبيقات تحليل الفيديو والمراقبة والوثائق الممسوحة ضوئياً.

تنويه: هذا المقال يلخّص معلومات من المصدر المذكور. للأرقام والتواريخ الرسمية، راجع الرابط الأصلي. لا نضيف تفاصيل غير منشورة في المصدر.