جدول المحتويات
- 1. في 2026، توقّف الذكاء الاصطناعي عن أن يكون «نصاً فقط» — MMMU-Pro يتجاوز 80%
- 2. ما هو الذكاء الاصطناعي متعدّد الوسائط؟ — أربعة مدخلات، عقل واحد
- 3. مُلصَق مقابل أصيل — الفجوة المعمارية
- 4. ما الذي يُحدِّد القوّة في كلّ وسيط
- 5. المعايير المرجعية المهمّة — MMMU / Video-MMMU / OCR / Audio
- 6. حسب حالة الاستخدام — على أيّ أساس تختار
- 7. حدود صارمة — استخدِم ولا تثق بشكل أعمى
- الخلاصة
- الأسئلة الشائعة
في أبريل 2026، شهد المعيار المرجعي للذكاء الاصطناعي متعدّد الوسائط MMMU-Pro (الفهم متعدّد التخصّصات عبر الصور والمخطّطات والأشكال) وصول GPT-5.5 وClaude Opus 4.7 وGemini 3 وQwen 3.5 Omni جميعاً إلى 81–83%. رقم مذهل إذا تذكّرنا أنّ GPT-4V سجّل أوّل مرّة 56% هنا في 2023 — لكنّ الحدود الأمامية باتت مُشبَعة. عصر الذكاء الاصطناعي «النصّي فقط» قد انتهى فعلاً.
الأمر لا يقتصر على النتائج. هاجرت البنية كلّياً من «المُلصَق» إلى «الموحَّد الأصيل». حتى 2024، كان النمط السائد هو «تدريب نموذج نصّي ومُرمِّز صور ومُرمِّز صوت بشكل منفصل، ثم وصلها عند الإخراج». أمّا نماذج 2026 الرائدة فتُحوِّل النصوص والصور والصوت وإطارات الفيديو إلى نفس تيّار التوكنات وتستدلّ عليها جميعاً في عقل واحد. هذا يجعل أموراً مثل «ربط الصوت والمرئيات في فيديو لفهم المعنى» أو «التفسير المتبادل بين أشكال PDF ونصّه الأساسي» تبدو طبيعية.
دعوني أُصرّح برأيي مبكّراً: انتقل تعدّد الوسائط من «ميزة لطيفة» إلى «عدم وجوده يعني عدم الانطلاق». التقاط صورة لشاشة خطأ ليحلّها الذكاء الاصطناعي على الفور، وأخذ لقطة من PDF لاستخراج النقاط الرئيسية، وتفريغ فيديو يوتيوب وتلخيصه — هذه باتت خط الأساس لكفاءة الذكاء الاصطناعي في 2026. تتناول هذه المقالة التعريف، والفرق بين تعدّد الوسائط المُلصَق والأصيل، وما الذي يُحدِّد تقنياً القوّة في كلّ وسيط، وعلى أيّ أساس تختار في كلّ حالة استخدام، والمعايير المرجعية، والحدود. المحور هنا هو طريقة الحكم لا ترتيب نموذج بعينه، ولذلك يبقى صالحاً مهما تبدّلت الأجيال.
أربعة مدخلات يعالجها عقل واحد
— نصوص وصور وصوت وفيديو كتيّار توكنات مشترك واحد
أبريل 2026: GPT-5.5 وClaude Opus 4.7 وGemini 3 جميعها تصل إلى 81–83% على MMMU-Pro.
انتهى عصر «الصورة كميزة إضافية»؛ الاستدلال على أربع وسائط في عقل واحد هو الإعداد الافتراضي الجديد.
1. في 2026، توقّف الذكاء الاصطناعي عن أن يكون «نصاً فقط» — MMMU-Pro يتجاوز 80%
بدأ مصطلح «متعدّد الوسائط» يَشيع في 2024، لكنّ النماذج آنذاك لم تكن تقرأ الصور إلا كـأمر ثانوي: كانت أعلى نتائج MMMU (الفهم متعدّد التخصّصات والوسائط) تحوم حول 56%. وكان الوسيط البشري (82%) بعيد المنال في أسئلة الصور التي تتطلّب معرفة تخصّصية.
2026 يبدو مختلفاً تماماً. أحدث نتائج MMMU-Pro (المعيار المُحدَّث الأصعب) في أبريل 2026:
- GPT-5.5: 83.4%
- Claude Opus 4.7: 82.1%
- Gemini 3.1 Pro: 81.7%
- Qwen 3.5 Omni: 81.0%
«تجاوز 80% يعني أنّ المعيار يقترب من حدّ الإشباع» — هذا هو واقع 2026. انتقل التمايز إلى فهم الفيديو (Video-MMMU) ووثائق OCR الكثيفة والاستدلال المشترك صوت-بصر — أرض أصعب. لوحة المتصدِّرين العامّة على MMMU benchmark تتيح المقارنة للجميع.
2. ما هو الذكاء الاصطناعي متعدّد الوسائط؟ — أربعة مدخلات، عقل واحد
التعريف: «نموذج ذكاء اصطناعي يتعامل مع مدخلات تتجاوز النصّ — صور وصوت وفيديو وما إلى ذلك.» في لغة 2026 الدارجة، يشير «متعدّد الوسائط» في الغالب إلى نماذج تُدمج النص والصورة والصوت والفيديو — أربع وسائط — في خطّ إنتاج واحد.
كان الذكاء الاصطناعي التقليدي أحادي الوسيط: GPT-3 يعالج النصّ؛ Whisper يحوّل الكلام إلى نصّ فقط؛ Stable Diffusion يحوّل النصّ إلى صورة فقط. كان دمجها يتطلّب خطّ إنتاج يُغذّي مخرج نموذج نموذجاً آخر، وتُفقَد المعلومات عند كلّ تسليم.
يقلب الذكاء الاصطناعي متعدّد الوسائط القاعدة: «نموذج واحد يفهم كلّ المدخلات في آنٍ واحد». مهمّة مركَّبة مثل «اقرأ لقطة شاشة الخطأ هذه (صورة) مع سؤالي (نصّ)، ثم اشرح السبب صوتياً» تنتهي في استدعاء API واحد.
3. مُلصَق مقابل أصيل — الفجوة المعمارية
فهم «ما يجري تحت الغطاء» يكشف نقاط قوّة كلّ نموذج. حدث تحوّل جيلي في البنية بين 2024 و2026.
مُلصَق (~2024) مقابل أصيل (2025+)
- نموذج نصّي + مُرمِّز صور
- طبقة مُحوِّل تربط عند الإخراج
- الصوت/الفيديو على خطوط إنتاج منفصلة
- فقدان معلومات عند الحدود
- مثال: GPT-4V، Claude 3 Vision
- جميع الوسائط ← نفس تيّار التوكنات
- يستدلّ عليها Transformer واحد في آنٍ معاً
- إطارات الصوت + الفيديو مرتبطة في الخطوة ذاتها
- فقدان معلومات أدنى، استدلال أعمق
- مثال: GPT-5.5، Gemini 3، Qwen Omni
البنية الأصيلة تجعل «تفسير الصوت والمرئيات معاً في فيديو» / «الاستدلال المتبادل بين أشكال PDF ونصّه» يبدو طبيعياً.
أمّا المُلصَقة فكانت تتطلّب خطوات وسيطة من قبيل «استخرج النصّ من الصورة أوّلاً» كحلقة وصل.
مثال ملموس: «شاهد فيديو طبخ على يوتيوب واستخرج الوصفة». مُلصَق: صوت ← Whisper إلى نصّ ← GPT للتلخيص؛ فيديو ← استخراج إطارات ← تحليل صور منفصل. خطوات كثيرة. أصيل: استدعاء API واحد يأخذ ملف الفيديو بكامله كمدخل ← يُعيد الوصفة مباشرةً. مستوى الترابط بين الشرح المنطوق والفعل المرئي على مستوى مختلف تماماً من الطبيعية.
4. ما الذي يُحدِّد القوّة في كلّ وسيط
«أيّ نموذج هو الأفضل؟» سؤال تتبدّل إجابته مع كلّ جيل؛ فصدارة الفيديو وتجربة الصوت تغيّرت ترتيباً كلّ ستّة أشهر. لذلك ما يستحقّ الحفظ ليس الترتيب نفسه، بل ما الذي يُحدِّد تقنياً قوّة كلّ وسيط. متى أتقنت هذا، صار بإمكانك أن تحكم بنفسك على أيّ نموذج جديد يظهر.
①كثافة أخذ عيّنات الإطارات (إطار واحد كلّ كم ثانية) ②سياق يتّسع لمدّة طويلة ③الاستدلال الزمني والسببي. فيديو مدّته ساعة يعطي 3,600 إطار حتى عند 1fps، أي مئات الآلاف من التوكنات. لذلك ترتبط قدرة الفيديو بطول السياق ارتباطاً مباشراً — و«النماذج القوية في الفيديو» لها نوافذ كبيرة بلا استثناء.
①زمن الاستجابة ذهاباً وإياباً ②هل هو ثنائي الاتجاه الكامل (هل تستطيع مقاطعته وهو يتكلّم) ③الحفاظ على النبر والانفعال. هنا تظهر فجوة §3 بين المُلصَق والأصيل بأوضح صورها: البنية التي تُفرِّغ الصوت إلى نصّ ثم تعالجه أبطأ وأكثر فقداناً للمعلومة من حيث المبدأ.
①دقّة OCR ②الحفاظ على التخطيط (ألا تنهار الجداول والأعمدة والحواشي) ③هل يستطيع إعادة الإحداثيات. البند ③ يُغفَل كثيراً لكنّه حاسم في وكلاء تشغيل الشاشة: أن تعرف أنّ «هناك زرّاً» دون أن تعرف «أين هو» يعني أنّك لا تستطيع النقر عليه.
①هل هو omnimodal أم تجميعة نماذج منفصلة لكلّ وسيط ②توفّر الأوزان والرخصة. كثير ممّا يُوصَف بـ«المفتوح» تأتي رخصته بشروط على الاستخدام التجاري. إن كنت تنوي تشغيله بنفسك، فاقرأ الرخصة قبل أن تقرأ النتائج.
ما يلي قياسات بتاريخ مايو 2026. الترتيب يتبدّل، فراجِع المقارنة الحالية في مقالة مقارنة GPT-5.6 Sol مقابل Gemini أو في بطاقات النماذج الرسمية. واقرأ الجدول هنا كمثال على كيف تظهر المحاور الأربعة أعلاه فعلياً كفروق.
| النموذج | نصّ | صورة | صوت | فيديو | نقطة القوّة |
|---|---|---|---|---|---|
| GPT-5.5 | ◎ | ◎ | ◎ | ◎ | يعالج الوسائط الأربع جميعاً بمستوى عالٍ؛ Voice Mode ثنائي الاتجاه |
| Gemini 3.1 Pro | ◎ | ◎ | ◎ | ◎◎ | متصدِّر الفيديو بـ78.4%، قوي في الفيديو الطويل |
| Claude Opus 4.7 | ◎ | ◎ | △ | △ | تحليل واجهات المستخدم/الوثائق؛ قوي لأعمال الوكلاء |
| Qwen 3.5 Omni | ◎ | ◎ | ◎ | ◎ | omnimodal مفتوح الأوزان، نسبة كلفة/أداء قوية |
| DeepSeek V4-Pro | ◎ | ○ | △ | △ | متمحور حول النصّ + الصورة، رخيص جدّاً |
ما يُقرأ من هذا الجدول هو أنّ المحاور الأربعة يعمل كلّ منها على حدة (جميع الأرقام بتاريخ مايو 2026):
- فجوة الفيديو تنفتح مع «الطول»: على Video-MME ظهرت الفروق 78.4% و71.2% و67.8%، لكنّها لا تتّسع إلى هذا الحدّ في المقاطع القصيرة. الفرق يظهر في الأعمال بطول ساعة، لأنّ ① كثافة الإطارات و② طول السياق يصيران عنق الزجاجة. إن كنت تتعامل مع فيديوهات قصيرة فقط، فهذا الترتيب لا يعنيك
- الصوت تحسمه «البنية»: الجمع بين استجابة دون 200ms وقراءة الانفعال لا يتحقّق إلا حين يُعالَج الصوت معالجة أصيلة دون إنزاله إلى نصّ. قد تصطفّ علامات «دعم صوتي ◎» في جداول التوافق، لكنّ التجربة تصير شيئاً آخر تماماً إذا كان الطريق يمرّ عبر التفريغ
- تحليل الوثائق ينقسم على «الإحداثيات»: سبب تقدير قراءة ملفّات PDF ولقطات شاشات الواجهات في إعدادات الوكلاء مثل Cursor ليس الدقّة بحدّ ذاتها، بل القدرة على إعادة الموضع
- قيمة النماذج المفتوحة تتغيّر بحسب «كونها omnimodal أم لا»: النموذج الواحد الذي يتولّى كلّ الوسائط أخفّ تشغيلاً بكثير من تركيبة نماذج منفصلة لكلّ وسيط. وقد صارت تظهر منها نماذج بجودة قريبة من الحدود الأمامية وبكلفة أقلّ بكثير
5. المعايير المرجعية المهمّة — MMMU / Video-MMMU / OCR / Audio
ستختار النموذج الخاطئ إذا لم تعرف ما الذي يقيسه فعلاً كلّ معيار. أربعة معايير يجب معرفتها في 2026:
بماذا نقيس الذكاء الاصطناعي متعدّد الوسائط
«MMMU مرتفع = جيد في كل شيء» قول خاطئ.
للفيديو راجِع Video-MMMU؛ للوثائق DocVQA؛ للصوت AudioBench — وإلّا فاتك الاختيار الصحيح.
6. حسب حالة الاستخدام — على أيّ أساس تختار
خمسة أنماط شائعة، مع «ما الذي تتحقّق منه قبل أن تقرّر» في كلّ منها. لن أذكر أسماء نماذج بعينها — فقسم كهذا يتقادم خلال ستّة أشهر. بدلاً من ذلك صغتُه بحيث تحكم بالخطوات نفسها مهما ظهر من نماذج.
- ① أسئلة/تشخيص بصور الهاتف (صورة وجبة ← تغذية، شاشة خطأ ← إصلاح، صورة منتج ← بحث)
← أيّ نموذج تقريباً يكفي. جرّب اثنين على خطّة مجّانية واختر ما يعجبك مستوى تفصيله. الفروق بين النماذج أصغر ما تكون في هذا الاستخدام، ولا يستحقّ إنفاق وقت طويل على الاختيار - ② تحليل PDF / الوثائق (إيصالات، عقود، مواصفات فنّية، أوراق بحثية)
← جرّب على موادّك الحقيقية. معايير الحكم ثلاثة: «هل تنهار الجداول؟»، «هل يتابع الأعمدة بترتيب القراءة الصحيح؟»، «هل يصمد أمام صفحة ممسوحة بجودة رديئة؟». وإرسال أوسخ صفحة لديك يكشف الحقيقة أسرع من أرقام دقّة OCR في الكتالوج - ③ تفريغ الفيديو وتلخيصه (اجتماعات، محاضرات، يوتيوب)
← يتفرّع القرار بحسب طول الفيديو الذي تتعامل معه. عند عشر دقائق تقريباً يكون الفرق ضئيلاً. أمّا إلقاء ساعة كاملة دفعةً واحدة فتحكمه ① كثافة الإطارات و② طول السياق من §4، فتحقّق من نتائج معايير الفيديو الطويل وحجم النافذة - ④ المحادثة الصوتية / الترجمة الفورية / تدريب المقابلات
← تحقّق أوّلاً هل المعالجة أصيلة. حتى مع كتابة «دعم صوتي»، إذا كان الطريق يمرّ عبر التفريغ فسيظهر التأخّر ويضيع النبر. والاختبار بسيط: حاوِل مقاطعته وهو يتكلّم - ⑤ الكلفة أوّلاً / المعالجة بالجملة
← لا تنظر إلى سعر الوحدة وحده، بل إلى خصومات المعالجة بالجملة وإلى واقعية التشغيل الذاتي. وإن اخترت نموذجاً مفتوح الأوزان، فاقرأ شروط الاستخدام التجاري في الرخصة قبل الأداء
7. حدود صارمة — استخدِم ولا تثق بشكل أعمى
الذكاء الاصطناعي متعدّد الوسائط قوي، لكنّ ثلاثة حدود ستلدغك إن تجاهلتها.
الحدّ ①: لا تقرأ «التخمينات» المستندة إلى الصور كحقائق
سؤال «طبّق OCR على المبلغ في هذا الإيصال» يبدو بسيطاً، لكن إذا كانت الصورة منخفضة الدقّة أو معتمة أو منحرفة، فإنّ الذكاء الاصطناعي يفبرك أرقاماً مقبولة الشكل. حتى نسبة 83% على MMMU تعني أنّ 17% من الإجابات خاطئة. المبالغ والتواريخ وأسماء العَلَم — يجب دائماً أن يراجعها إنسان. خصوصاً في القانون والمال والرعاية الصحية.
الحدّ ②: تنخفض دقّة الفيديو في الوسط
حتى مع تصدّر Gemini 3 للفيديو، فإنّ استرجاع المعلومات من منتصف فيديو بساعة كاملة صعب — نفس مشكلة «الضياع في المنتصف» الموجودة في مشكلة نافذة السياق. للقطاعات المفصلية، حدِّد أختام الزمن: «حلِّل القطعة 30:00–35:00 تحديداً» يُعطي نتائج أفضل بكثير.
الحدّ ③: يكافح الصوت مع اللهجات والمصطلحات
الإنجليزية/اليابانية الفصحى المنطوقة دقيقة، لكنّ اللهجات الإقليمية والمفردات التخصّصية وتداخل عدّة متحدّثين والبيئات الصاخبة ترفع الأخطاء. لمحاضر الاجتماعات وغيرها من الاستخدامات العالية المخاطر، زاوِج مع أدوات متخصّصة (Otter.ai، Notta، إلخ)، أو نظِّف الصوت أوّلاً قبل إرساله إلى الذكاء الاصطناعي.
الخلاصة
استعادة سريعة:
- أبريل 2026: GPT-5.5 وClaude Opus 4.7 وGemini 3 جميعها عند 81–83% على MMMU-Pro. انتقل الذكاء الاصطناعي متعدّد الوسائط من «ميزة لطيفة» إلى «لا بدّ منها»
- البنية: مُلصَقة (~2024) ← omnimodal أصيل (2025+). كل الوسائط تتدفّق عبر تيّار توكنات مشترك واحد
- ما يُحدِّد القوّة أربعة محاور: الفيديو = كثافة الإطارات وطول السياق / الصوت = معالجة أصيلة أم عبر التفريغ / الوثائق = هل يُعيد الإحداثيات / المفتوح = هل هو omnimodal وما رخصته. الترتيب يتبدّل، وهذه المحاور لا تتبدّل
- المعايير المرجعية: MMMU-Pro / Video-MMMU / DocVQA / AudioBench — افحص المحاور الأربعة قبل الاختيار
- أقصر طريق للاختيار حسب حالة الاستخدام هو التجربة على موادّك الحقيقية؛ ومع ملفّات PDF خصوصاً، إلقاء أوسخ صفحة لديك أسرع من أيّ ورقة مواصفات. والتركيبة الثابتة هي واحد أساسي + واحد يسدّ ضعفه
- ثلاثة حدود: تخمينات الصور منخفضة الجودة / تراجع الدقّة في منتصف الفيديو / اللهجات والمصطلحات في الصوت. راجِع المخرجات الحرجة جيّداً
في 2026، يتقلّص بسرعة عمل الذكاء الاصطناعي الذي يكتمل «بالنصّ وحده». صور الهاتف وتسجيلات الاجتماعات وفيديوهات يوتيوب وملفّات PDF — كلّها تمرّ الآن عبر الذكاء الاصطناعي ذاته. معرفة كيف تستخدم تعدّد الوسائط لم تَعُد «ميزة مفيدة»؛ بل هي الحدّ الأدنى لكفاءة الذكاء الاصطناعي في 2026. ابدأ بإطعام الذكاء الاصطناعي صورة واحدة من هاتفك اليوم — هذا يكفي للانطلاق.
الأسئلة الشائعة
نعم. ChatGPT المجّاني (GPT-5 mini، إدخال الصور متاح)، وGoogle AI Studio (Gemini 2.5 Flash، يشمل الفيديو، طبقة مجّانية)، وClaude.ai المجّاني (Sonnet، الصور متاحة) كلّها تتيح التجربة. Voice Mode والفيديو الطويل يتطلّبان طبقات مدفوعة. راجِع دليل أدوات الذكاء الاصطناعي المجّانية.
مصطلحان مختلفان. أدوات مثل Midjourney وStable Diffusion متخصّصة في توليد الصور من النصّ — تدفّق أحادي الاتجاه نصّ←صورة. أمّا متعدّد الوسائط فيشير إلى فهم الصور (والوسائط الأخرى) كمدخلات. GPT-5.5 وGemini 3 يقومان بالأمرين. راجِع مقارنة أدوات الذكاء الاصطناعي لتوليد الصور.
واجهة Gemini API تأخذ ملفّات الفيديو مباشرةً عبر الحقل fileData (من خلال Google Cloud Storage). أمّا النمط الشائع لدى OpenAI فهو استخراج الإطارات ← إرسالها كسلسلة صور. واجهة Claude اعتباراً من مايو 2026 لا تأخذ الفيديو أصلياً — تُطلب الإطارات. راجِع دليل المبتدئين لواجهات الذكاء الاصطناعي.
كثيراً ما تحتوي الصور والصوت والفيديو على بيانات حسّاسة. OpenAI وAnthropic وGoogle جميعها تستثني مدخلاتك من التدريب افتراضياً، لكن للاستخدام المؤسّسي اختر خطط Enterprise أو الوصول عبر API (التدريب مُعطَّل افتراضياً). الوجوه والصور الطبّية والوثائق الداخلية — كُن أكثر حذراً. للسرّية الكاملة، فكِّر في نماذج LLM محلّية (Qwen 3.5 Omni مفتوح الأوزان، إلخ).
تُحتسب الصور والفيديوهات بتحويلها إلى توكنات. الصورة الواحدة ≈ بضع مئات إلى ~1000 توكن (بحسب الدقّة والنموذج)؛ والفيديو ثوانٍ × عشرات إلى مئات التوكنات. فيديو بساعة قد يستهلك مئات الآلاف من التوكنات. تقنيات تخفيض الكلفة الواردة في توفير كلفة التوكنات للذكاء الاصطناعي (إرسال المقتطف فقط، التخزين المؤقّت) تنطبق أيضاً على الفيديو.
