الذكاء الاصطناعي متعدّد الوسائط هو ذكاء اصطناعي يستقبل مدخلاتٍ ليست نصاً فقط، بل صوراً وملفات PDF وصوتاً وفيديو أيضاً، ويجيب عنها. لكنّ وصف «متعدّد الوسائط» لا يخبرك بما يمكنك إرساله فعلاً: فهذا يختلف كثيراً من نموذج إلى آخر. عند مراجعة الوثائق الرسمية لكلّ شركة في 12 نوفمبر 2026، تبيّن أنّ واجهات API لـ Claude ولنماذج OpenAI العامة تتوقّف عند النصّ والصور وملفات PDF، بينما يقبل Gemini 4 من Google ونماذج Omni من Qwen الصوتَ والفيديو مباشرةً. كما تحسب الشركات الثلاث الكبرى رموز الصورة (tokens) بطرق مختلفة، فقد تُنتج صورة الهاتف نفسها في نموذجٍ مدخلاتٍ تزيد على عشرة أضعاف ما تُنتجه في نموذج آخر.
تشرح هذه المقالة كيف يعمل الذكاء الاصطناعي متعدّد الوسائط (المُركَّب مقابل الأصيل)، وتعرض جدولاً بما تقبله النماذج الرئيسية، وصيغ حساب الرموز للصور والفيديو وملفات PDF مع أمثلة محسوبة، وكيف تقرأ المعايير المرجعية، وما الذي تتحقّق منه في كلّ استخدام، والحدود التي تعترف بها الوثائق الرسمية نفسها.
ذكاء اصطناعي يتعامل مع النصّ والصورة والصوت والفيديو
— ما يستطيع نموذج واحد معالجته بمفرده يتوقّف على النموذج
من النماذج التي تقبل الأربعة عبر واجهة API واحدة: Gemini 4 وسلسلة Omni من Qwen.
وتقبل واجهات API لـ Claude ولنماذج OpenAI العامة النصّ والصور وملفات PDF (تحقّقنا من الوثائق الرسمية في 12 نوفمبر 2026؛ الجدول في القسم 3).
جدول المحتويات
- 1. ما الذكاء الاصطناعي متعدّد الوسائط — ذكاء يستقبل أكثر من النصّ
- 2. المُركَّب مقابل الأصيل — طريقتان للبناء
- 3. ماذا تقبل النماذج الرئيسية — جدول من الوثائق الرسمية
- 4. كم رمزاً تساوي الصورة والفيديو وملف PDF — الصيغ والأمثلة
- 5. ما الذي يحدّد القوّة في كلّ وسيط
- 6. قراءة المعايير المرجعية — لم يعد MMMU-Pro يفرّق بين الأوائل
- 7. حسب الاستخدام — ما الذي تتحقّق منه قبل الاختيار
- 8. المزالق والحدود
- الخلاصة
- الأسئلة الشائعة
1. ما الذكاء الاصطناعي متعدّد الوسائط — ذكاء يستقبل أكثر من النصّ
التعريف: «نموذج ذكاء اصطناعي يستطيع أن يتعامل أيضاً مع مدخلات غير نصّية (صور، صوت، فيديو، وغيرها)». ومدى ذلك يتوقّف على النموذج: من النصّ والصور فقط إلى الصوت والفيديو في نموذج واحد.
كان الذكاء الاصطناعي سابقاً يُبنى لوسيط واحد. GPT-3 للنصّ فقط، وWhisper لتحويل الكلام إلى نصّ فقط، وStable Diffusion لتحويل النصّ إلى صورة فقط. ولجمعها كان لا بدّ من بناء «خطّ معالجة» يمرّر مخرجات نموذج إلى مدخلات نموذج آخر، فتضيع معلومات في الطريق. أمّا كيف يعمل الجزء الذي يولّد النصّ فمشروح في ما هو LLM.
في الذكاء الاصطناعي متعدّد الوسائط ينظر نموذج واحد إلى عدّة مدخلات معاً ثمّ يجيب. مثلاً: «انظر إلى رسالة الخطأ في لقطة الشاشة هذه (صورة) مع سؤالي (نصّ) وأخبرني بالسبب» — يكفي لذلك استدعاء واحد لواجهة API.
2. المُركَّب مقابل الأصيل — طريقتان للبناء
هناك تصميمان أساسيان. كان المعتاد سابقاً ربط نماذج منفصلة في سلسلة: نموذج يفرّغ الكلام نصّاً، وآخر يفكّر في النصّ، وثالث يقرأ الإجابة بصوت عالٍ (تصف OpenAI وضع الصوت في ChatGPT قبل GPT-4o بأنّه كان هذه السلسلة من ثلاثة نماذج). أمّا اليوم فتنتشر التصاميم التي يستقبل فيها نموذج واحد عدّة أنواع من المدخلات مباشرةً.
مُلصَق مقابل أصيل
- التفريغ والتفكير والنطق في نماذج منفصلة
- تتبادل النماذج العمل على شكل نصّ
- نبرة الصوت وتعدّد المتحدّثين والأصوات المحيطة تضيع في الطريق
- كلّ مرحلة إضافية تزيد التأخير
- مثال: وضع الصوت في ChatGPT قبل GPT-4o (ثلاثة نماذج متسلسلة)
- نموذج واحد يستقبل عدّة مدخلات مباشرةً
- من المدخل إلى المخرج في الشبكة نفسها
- يرى النموذج نبرة الصوت وتطابق الصورة مع الصوت مباشرةً
- قليل من المعلومات يضيع في التسليم
- مثال: GPT-4o (مايو 2024)، وGemini من Google، وسلسلة Qwen Omni
في الأصيل يتمّ «تفسير صوت الفيديو وصورته معاً» داخل نموذج واحد.
أمّا المُلصَق فيُدخل حلقة وسيطة — مثل تفريغ الكلام نصّاً أوّلاً — وهناك تضيع المعلومات.
مثال ملموس: مهمّة «شاهد فيديو الطبخ هذا واكتب الوصفة». يحتاج الإعداد المُركَّب إلى عدّة مراحل: «تفريغ الصوت بنموذج كلام ثمّ تلخيصه بنموذج نصّي»، إضافة إلى «استخراج لقطات من الفيديو وتحليلها على حدة». أمّا النموذج الذي يقبل الفيديو مباشرةً فيستقبل الفيديو كاملاً في استدعاء واحد لواجهة API، ويربط داخلياً بين الشرح المنطوق والحركات الظاهرة على الشاشة.
لكن لم تنتقل كلّ الشركات إلى نموذج أصيل واحد. تقسّم OpenAI العمل: نماذجها العامة (مثل GPT-6 Astra) تستقبل النصّ والصور، والمحادثة الصوتية تتولّاها نماذج صوتية مثل GPT-Live-1 وGPT-Realtime، والتفريغ النصّي نماذج مثل GPT-Transcribe (قائمة نماذج OpenAI، تحقّقنا منها في 12 نوفمبر 2026). أي تختار نموذجاً مخصّصاً لكلّ مهمّة، والنماذج الصوتية نفسها تستقبل الصوت مباشرةً وتجيب بالصوت. أمّا المحادثة الصوتية ثنائية الاتجاه الكاملة — الاستماع أثناء الكلام — فيتناولها مقالنا عن GPT-Live.
3. ماذا تقبل النماذج الرئيسية — جدول من الوثائق الرسمية
يعرض الجدول أنواع المدخلات التي تقول وثائق API لكلّ شركة إنّها تقبلها (تحقّقنا في 12 نوفمبر 2026). ولا تدخل فيه الميزات التي تمرّ خلف الكواليس عبر نموذج آخر أو تفريغ نصّي، مثل وضع الصوت في التطبيقات.
| النموذج (API) | النصّ | الصورة | الصوت | الفيديو | المخرجات | |
|---|---|---|---|---|---|---|
| Claude (كلّ نماذج Fable وOpus وSonnet وHaiku الحالية) | ✓ | ✓ | ✓ | ✕ | ✕ | نصّ |
| نماذج OpenAI العامة (GPT-6 Astra وGPT-6.1 Sol وغيرهما) | ✓ | ✓ | ✓ | ✕ | ✕ | نصّ |
| Gemini 4 (Carbon وArgon) | ✓ | ✓ | ✓ | ✓ | ✓ | نصّ |
| نماذج Omni من Qwen (واجهة Alibaba Cloud) | ✓ | ✓ | غير مذكور | ✓ | ✓ | نصّ (Qwen3.5-Omni: نصّ وكلام) |
| DeepSeek V4.1 Flash | ✓ | ✓ | غير مذكور | غير مذكور | غير مذكور | نصّ |
المصادر: نظرة Anthropic العامة على النماذج («كلّ النماذج الحالية تدعم إدخال النصّ والصور وإخراج النصّ») ودعم PDF؛ صفحة GPT-6 Astra لدى OpenAI (المدخلات: text, image؛ المخرجات: text) ودليل إدخال الملفات؛ بطاقة نموذج Gemini 4 Carbon وقائمة نماذج Gemini API؛ وثائق Qwen-Omni لدى Alibaba Cloud؛ سجلّ تحديثات واجهة DeepSeek (لدى V4.1 Flash «فهم بصري أصيل متعدّد الوسائط»). وللاطّلاع على النماذج الحالية، راجع قائمتنا للنماذج وتواريخ انقطاع المعرفة.
تظهر من الجدول ثلاثة أمور.
- تقرأ الشركات الثلاث الكبرى ملفات PDF على أنّها «صور صفحات مع النصّ المستخرج». يحوّل Claude كلّ صفحة إلى صورة ويمرّر معها النصّ المستخرج من الصفحة إلى النموذج. وترسل OpenAI أيضاً النصّ وصور الصفحات في النماذج التي تدعم الرؤية. لهذا تُقرأ الجداول والمخطّطات — ولهذا تستهلك ملفات PDF رموزاً أكثر (القسم 4).
- في الصوت والفيديو تنقسم الشركات بين «اختيار نموذج آخر» و«وضع كلّ شيء في نموذج واحد». يستقبلهما Gemini 4 ونماذج Omni من Qwen في نموذج واحد. وتوجّه OpenAI الصوت إلى نماذج صوتية ونماذج تفريغ، بينما لا تقبل واجهة Claude الصوتَ ولا الفيديو. لمعالجة الفيديو مع Claude أو نماذج OpenAI العامة، عليك استخراج لقطات وإرسالها كصور، وتفريغ الصوت على حدة.
- المخرجات نصّية في الغالب. الصور تأتي من نماذج توليد الصور (مقارنتنا لمولّدات الصور)، والإجابات المنطوقة من النماذج الصوتية — فـ«الفهم» و«التوليد» كثيراً ما يتولّاهما نموذجان مختلفان.
بالنسبة إلى Qwen، تذكر وثائق Alibaba Cloud نموذج Qwen3.8-Omni-Flash (المدخلات: نصّ وصور وصوت وفيديو؛ المخرجات: نصّ؛ سياق بمليون رمز) ونموذج Qwen3.5-Omni (المخرجات: نصّ وصوت؛ حتى 3 ساعات من الصوت وساعة من الفيديو). وفي قائمة نماذج Google أيضاً نماذج منفصلة للحوار الصوتي منخفض التأخير (Gemini 3.8 Live) وللتفريغ النصّي (Gemini 3.5 Transcribe).
4. كم رمزاً تساوي الصورة والفيديو وملف PDF — الصيغ والأمثلة
تُحوَّل المدخلات متعدّدة الوسائط إلى رموز وتُحتسب تكلفتها مثل النصّ — لكنّ كلّ شركة من الثلاث تحوّلها بطريقتها. هذه هي الصيغ في وثائق كلّ منها (تحقّقنا في 12 نوفمبر 2026).
كلّ مربّع بحجم 28×28 بكسل يساوي رمزاً واحداً: ⌈width ÷ 28⌉ × ⌈height ÷ 28⌉ (العرض والارتفاع). تسمح نماذج Claude 4.7 وما بعدها بضلع طويل حتى 2,576 بكسل و4,784 رمزاً، والنماذج الأقدم بـ 1,568 بكسل و1,568 رمزاً. تُصغَّر الصور الأكبر (وثائق Vision).
عدد مربّعات 32×32 بكسل، أي ⌈width ÷ 32⌉ × ⌈height ÷ 32⌉ مضروباً في 1.2. إذا لم تحدّد detail تُستخدم auto، وفي GPT-6 Astra تحتفظ auto بالحجم الأصلي (مثل original). وتحدّ high العدد بـ 2,500 مربّع، وتُدخل low الصورة ضمن 512×512 (دليل الصور والرؤية).
يحدّده سقف لكلّ إعداد دقّة. الصورة افتراضياً 1,120 رمزاً على الأكثر (low 280، medium 560، ultra_high 2,240)، والفيديو 70 رمزاً لكلّ لقطة (280 في high)، والصوت 25 رمزاً في الثانية (وثائق دقّة الوسائط).
مثال محسوب: كم رمزاً تساوي الصورة نفسها؟
طبّقنا الصيغ أعلاه على صورتين شائعتين. التكلفة للمدخلات فقط؛ تفكير النموذج والمخرجات يُحتسبان على حدة.
| الصورة | Claude Opus 5.5 | GPT-6 Astra | Gemini 4 Carbon |
|---|---|---|---|
| لقطة شاشة Full HD (1920×1080) | 69×39 = 2,691 رمزاً | 60×34×1.2 = 2,448 رمزاً (الافتراضي auto) | 1,120 رمزاً على الأكثر (الافتراضي) |
| صورة هاتف (4032×3024، نحو 12 ميغابكسل) | تُصغَّر؛ نحو 4,700 رمز (السقف 4,784) | الافتراضي auto: 126×95×1.2 = 14,364 رمزاً (3,000 على الأكثر مع detail: "high") | 1,120 رمزاً على الأكثر (الافتراضي) |
| سعر المدخلات (لكلّ مليون رمز) | $4 | $10 | $2 (حتى 30 نوفمبر)، $4 (من 1 ديسمبر) |
| مدخلات 1,000 صورة هاتف | نحو $19 | نحو $144 (auto)، نحو $30 (high) | نحو $4.50 (بسعر $4) |
مصادر الأسعار: Anthropic، OpenAI، أسعار Gemini API (كلّها في 12 نوفمبر 2026؛ المبالغ بالدولار الأمريكي). رقم Claude للقطة Full HD مطابق للجدول في وثائق Anthropic. أرقام Gemini سقوف، فالعدد الفعلي يساويها أو يقلّ عنها.
الخلاصة: الفرق في عدد الرموز يتوقّف كلّه تقريباً على تصغير الصورة أو عدمه. يحتفظ GPT-6 Astra افتراضياً بالدقّة الأصلية، وهذا يساعد على قراءة الخطّ الصغير لكنّه يجعل الصور الكبيرة مكلفة. إن كنت ترسل كثيراً من صور الهاتف، فاضبط detail على high أو صغّر الصور قبل الرفع، فتنخفض المدخلات إلى نحو الخُمس. وفي المقابل، يوفّر Gemini إعدادات لرفع الدقّة عند الحاجة إلى قراءة نصّ صغير. وأيّاً كانت الصيغة، فإنّ قصّ ما لا تحتاج إليه قبل الإرسال هو الأكثر فاعلية.
الفيديو والصوت: كم رمزاً في الساعة؟
- Gemini (الفيديو كما هو): يأخذ افتراضياً لقطة واحدة في الثانية. تذكر وثائق الفيديو لدى Google «نحو 100 رمز لكلّ ثانية فيديو بالدقّة الافتراضية، ونحو 300 بالدقّة العالية». الساعة تساوي نحو 360,000 رمز، فيتّسع نموذج بمليون رمز لنحو 3 ساعات بالدقّة الافتراضية ونحو ساعة بالدقّة العالية (وثائق فهم الفيديو). ويوفّر Gemini 4 ونماذج أخرى اختيارياً «فهماً وكيلياً للفيديو» لا ينظر إلّا إلى الأجزاء اللازمة؛ وتقول Google إنّه يستهلك رموزاً أقلّ بنسبة تصل إلى 88% في الفيديوهات الطويلة، لكنّها تنبّه إلى أنّه قد يستهلك رموزاً ووقتاً أكثر مع المقاطع القصيرة (أقلّ من 5 دقائق) أو الأسئلة العامّة التي تتطلّب مشاهدة معظم الفيديو.
- Gemini (الصوت فقط): بمعدّل 25 رمزاً في الثانية، ساعة من الصوت تساوي 90,000 رمز.
- Claude وOpenAI (اللقطات كصور): لقطة بحجم 1280×720 تساوي 46×26 = 1,196 رمزاً في Claude و40×23×1.2 = 1,104 رموز في GPT-6 Astra. لقطة كلّ 10 ثوانٍ لمدّة ساعة (360 لقطة) تبلغ نحو 400,000 إلى 430,000 رمز، من دون الصوت. وفي GPT-6 Astra يُحتسب الطلب الذي تتجاوز مدخلاته 272 ألف رمز كلّه بضعف سعر المدخلات و1.5 ضعف سعر المخرجات، لذا يكون إرسال الفيديو الطويل على أجزاء أرخص. يقبل Claude حتى 600 صورة في الطلب الواحد، لكن عند تجاوز 20 صورة يُطبَّق حدّ أشدّ لحجم كلّ صورة (إبقاء الضلع الطويل عند 3,000 بكسل أو أقلّ يكفي على كلّ المنصّات).
ملفات PDF: تزداد التكلفة مع عدد الصفحات
تذكر وثائق Anthropic أنّ صفحة PDF تستهلك عادةً 1,500 إلى 3,000 رمز للنصّ وحده، تُضاف إليها صورة الصفحة بحسب الصيغة أعلاه (حتى 600 صفحة في الطلب، أو 100 إذا كانت نافذة السياق أقلّ من مليون رمز). وتضيف OpenAI أيضاً صور الصفحات، ولأنّ detail لملفات PDF يكون high افتراضياً منذ GPT-5.6، يكبر جزء الصور (مجموع الملفات حتى 50 ميغابايت في الطلب). أمّا Gemini فلا يحتسب رموز النصّ الأصلي المضمَّن في ملف PDF، ويعدّ الصفحات كصور (حتى 1,000 صفحة أو 50 ميغابايت؛ وثائق معالجة المستندات). وللمستندات التي تتجاوز 100 صفحة، يكون إرسال الأقسام اللازمة فقط أرخص وأوثق. ونصائح التوفير العامة في كيف تخفّض تكلفة الرموز.
5. ما الذي يحدّد القوّة في كلّ وسيط
«أيّ نموذج هو الأفضل» يتغيّر مع كلّ جيل. أمّا ما يبقى مفيداً فهو فهم ما الذي يحدّد تقنياً القوّة في كلّ وسيط. بهذه المحاور الأربعة تستطيع الحكم على النماذج الجديدة بنفسك.
① عدد مرّات أخذ اللقطات ② سياق يتّسع للتسجيلات الطويلة ③ الاستدلال على الترتيب الزمني. وكما يبيّن القسم 4، تبلغ الساعة مئات الآلاف من الرموز، لذا يرتبط طول الفيديو بحجم السياق.
① زمن الذهاب والإياب ② ثنائية الاتجاه الكاملة أم لا (هل يمكنك المقاطعة أثناء كلامه) ③ هل تبقى النبرة والمشاعر. أيّ إعداد يفرّغ الكلام نصّاً أولاً لا يستطيع تجنّب هذا الانتظار الإضافي ولا فقدان التنغيم.
① دقّة قراءة النصّ ② بقاء التخطيط (الجداول والأعمدة والحواشي) ③ القدرة على إرجاع الإحداثيات. البند ③ حاسم للوكلاء الذين يشغّلون الشاشات: لا فائدة من معرفة وجود زرّ إن لم يستطع النموذج أن يقول أين هو. وتؤثّر أيضاً حدود الدقّة في القسم 4.
① شامل لكلّ الوسائط أم تجميع لنماذج لكلّ وسيط ② هل الأوزان منشورة، وما الترخيص. في العائلة نفسها قد يكون الإصدار الأحدث متاحاً عبر API فقط، بينما الأوزان المفتوحة لجيل أقدم فحسب. إن كنت ستشغّله بنفسك، فتحقّق من ذلك قبل الأداء.
من هذا المنظور، تتّسع الفروق في الفيديو مع الطول. يقيّم Video-MME مقاطع من 11 ثانية إلى ساعة في ثلاث فئات (قصيرة ومتوسّطة وطويلة)، وكثير من النماذج في لوحته الرسمية تتراجع في الفئة الطويلة. إن كنت تتعامل مع مقاطع قصيرة فقط، فترتيب الفيديوهات الطويلة لا يعنيك. وفي تحليل المستندات، كلّما عمل الوكيل بالنظر إلى الشاشة والتصرّف عليها — كما يفعل Cursor — زادت أهمية إرجاع المواضع مقارنةً بالدقّة المجرّدة.
6. قراءة المعايير المرجعية — لم يعد MMMU-Pro يفرّق بين الأوائل
عندما صدر MMMU، وهو اختبار متعدّد التخصّصات يتضمّن صوراً، في أواخر 2023، سجّل GPT-4V نسبة 56%. وعلى خلفه الأصعب MMMU-Pro (صدر في سبتمبر 2024) باتت النماذج الأولى قريبة من 90%. وبحسب قياس الشركة المستقلّة Artificial Analysis (يختلف إعداد الاستدلال من نموذج لآخر): Gemini 4 Carbon (Medium) 89%، وClaude Opus 5.5 (Max, Default Fallback) 88%، وGPT-6 Astra (Max) 87% (صفحة تقييم MMMU-Pro، تحقّقنا في 12 نوفمبر 2026). لا يفصل بين الأوائل سوى نقطة أو نقطتين.
تنتقل الشركات إلى اختبارات ما زالت تفرّق بين النماذج. ففي قسم «الفهم متعدّد الوسائط» من بطاقة نموذج Gemini 4 Carbon (نُشرت في 10 نوفمبر 2026) لم تُدرج Google اختبار MMMU-Pro، بل عرضت اختبارين آخرين هما Chartography وBlueprint-Bench 2 (في Chartography: Gemini 4 Carbon 72.5%، وGPT-6 Astra 71.0%، وClaude Opus 5.5 66.3% — من قياس Google). عند اختيار نموذج، انظر إلى الأربعة التالية بحسب استخدامك.
كيف يُقاس الذكاء الاصطناعي متعدّد الوسائط
«ارتفاع MMMU-Pro = جيّد في كلّ شيء» غير صحيح.
اختر للفيديو بحسب Video-MMMU، وللمستندات بحسب DocVQA، وللصوت بحسب AudioBench.
أيّاً كان الرقم، اقرأه وأنت تعرف هل قاسته الشركة نفسها أم طرف ثالث. إعلانات الشركات تميل إلى اختيار اختبارات في صالحها؛ وجداول الأطراف الثالثة موحّدة الشروط لكنّها تغطّي اختبارات أقلّ. وفي النهاية، الاختبار بموادّك أنت، كما في القسم 7، هو التحقّق الأوثق.
7. حسب الاستخدام — ما الذي تتحقّق منه قبل الاختيار
إليك خمسة استخدامات وما الذي تتحقّق منه قبل القرار. كُتبت كخطوات تحقّق لا كأسماء نماذج، فتبقى صالحة عند صدور نماذج جديدة.
① السؤال عن صورة من الهاتف (شاشات الأخطاء، الطعام، المنتجات)
يكفي أيّ نموذج تقريباً. هنا تختلف النماذج أقلّ ما يكون، فجرّب اثنين في الخطط المجانية واحتفظ بمن تعجبك إجاباته. وإن كنت ترسل كمّيات كبيرة عبر API، فإنّ التصغير قبل الإرسال أو خفض إعداد الدقّة يغيّر التكلفة كثيراً، كما يبيّن القسم 4.
② قراءة ملفات PDF والأوراق (إيصالات، عقود، مواصفات، أبحاث)
جرّب بأصعب صفحة في القراءة لديك. تحقّق من ثلاثة أمور: هل تبقى الجداول سليمة، وهل يتبع الأعمدة بترتيب القراءة، وهل يتجنّب اختلاق الأرقام في الصفحات الرديئة. خطوات استخراج النصّ من الصور في كيف تستخرج النصّ من الصور بالذكاء الاصطناعي.
③ تلخيص الفيديو (اجتماعات، محاضرات، فيديوهات شرح)
اختر بين نموذج يقبل الفيديو مباشرةً (مثل Gemini) وبين تفريغ نصّي مع صور اللقطات. إن لم تكن تحتاج إلّا إلى ما قيل، فالتفريغ وحده أرخص. يتناول رفع الملفات الصوتية إلى ChatGPT تفريغ التسجيلات.
④ التحدّث بالصوت (الترجمة الفورية، التدرّب على المقابلات، الدعم الصوتي)
اختر نموذجاً صوتياً (GPT-Live وGPT-Realtime من OpenAI، وGemini Live من Google وأمثالها) بدلاً من نموذج عامّ. والتحقّق بسيط: جرّب مقاطعته أثناء كلامه.
⑤ معالجة كمّيات كبيرة بميزانية محدودة
قارن الرموز لكلّ عنصر (صيغ القسم 4) × سعر الرمز، لا السعر وحده. فالنموذج الرخيص الذي لا يصغّر الصور قد يستهلك أكثر لكلّ عنصر. وانظر أيضاً إلى خصومات الدفعات (50% لدى Claude)، وإلى الشروط التجارية في ترخيص النماذج المفتوحة التي تشغّلها بنفسك.
8. المزالق والحدود
تعدّد وثائق Anthropic حدود فهم الصور بوضوح (قسم Limitations في وثائق Vision). كُتبت عن Claude، لكنّ النماذج الأخرى تتعثّر غالباً في المواضع نفسها.
| نقطة الضعف | ما تقوله الوثائق | ماذا تفعل |
|---|---|---|
| الصور الرديئة | قد يخطئ مع الصور منخفضة الجودة أو المدوَّرة أو الأصغر من 200 بكسل | صحّح الاتّجاه، واقصص الجزء المطلوب وأرسله أكبر |
| المواضع | الإحداثيات والمواقع التي يعيدها تقريبية | تحقّق من الإحداثيات قبل استخدامها للنقر أو القصّ |
| العدّ | قد يكون العدد غير دقيق عند كثرة الأجسام الصغيرة | اطلب العدّ على أجزاء واجمع الإجمالي بنفسك |
| هل الصورة مولَّدة بالذكاء الاصطناعي | لا يستطيع التحديد، وقد يخطئ إن سُئل | لا تستخدمه لكشف الصور المزيّفة |
| التعرّف على الأشخاص | لا يذكر أسماء الأشخاص في الصور | تحقّق من الهويّة بوسائل مناسبة أخرى |
| الصور الطبّية | ليس مصمَّماً لتفسير صور التشخيص المعقّدة مثل التصوير المقطعي أو الرنين المغناطيسي | لا تستخدمه بديلاً عن رأي الطبيب |
لا تعامل «استنتاج» الصورة على أنّه «حقيقة»
حتى لو طلبت «اقرأ المبلغ في هذا الإيصال»، قد تدفع صورة مظلمة أو مائلة أو صغيرة النموذجَ إلى رقم يبدو معقولاً لكنّه مختلَق. وحتى النماذج القريبة من 90% في MMMU-Pro تخطئ في نحو حالة من كلّ عشر. المبالغ والتواريخ وأسماء العلم يجب أن يطابقها إنسان دائماً مع الصورة الأصلية — خصوصاً في القانون والمالية والطبّ.
كلّما طال الفيديو فاته المزيد من وسطه
حتى أفضل النماذج في اختبارات الفيديو تجد صعوبة في استخراج تفاصيل دقيقة من منتصف فيديو مدّته ساعة (المشكلة نفسها التي تُعرف بـ Lost in the Middle في النصوص الطويلة). للمشاهد المهمّة، حدّد الوقت — «حلّل بالتفصيل المقطع من 30:00 إلى 35:00 فقط» — لتحصل على دقّة أعلى.
يضعف الصوت أمام اللهجات والمصطلحات والأصوات المتداخلة
في المحادثة العادية تكون الدقّة عالية، لكنّ الأخطاء تزداد مع اللهجات القوية والمصطلحات التقنية وتحدّث عدّة أشخاص في وقت واحد والأماكن الصاخبة. للتسجيلات المهمّة مثل محاضر الاجتماعات، استخدم نموذجاً مخصّصاً للتفريغ (GPT-Transcribe من OpenAI، وGemini 3.5 Transcribe من Google وأمثالهما، حتى نوفمبر 2026)، وزوّده بأسماء العلم مسبقاً.
الخلاصة
- الذكاء الاصطناعي متعدّد الوسائط هو ذكاء اصطناعي يستقبل مدخلات غير نصّية (صور، PDF، صوت، فيديو). وما يمكنك إرساله يختلف باختلاف النموذج.
- في واجهات API حتى 12 نوفمبر 2026، تقبل Claude ونماذج OpenAI العامة النصّ والصور وملفات PDF، بينما يستقبل Gemini 4 ونماذج Omni من Qwen الصوت والفيديو أيضاً في نموذج واحد. وتوجّه OpenAI الصوت إلى نماذج صوتية مخصّصة.
- تُحسب رموز الصور هكذا: Claude = مربّعات 28 بكسل، وOpenAI = مربّعات 32 بكسل × 1.2، وGemini = سقف لكلّ إعداد دقّة. يحتفظ GPT-6 Astra افتراضياً بالحجم الأصلي، فتنخفض صور الهاتف إلى نحو الخُمس مع
detail: "high"أو بالتصغير. - الفيديو في Gemini يساوي نحو 360,000 رمز في الساعة. ومع Claude وOpenAI تُرسل اللقطات كصور ويُفرَّغ الصوت على حدة.
- في MMMU-Pro تتجمّع النماذج الأولى قرب 90%. تحقّق من الفيديو والمستندات والصوت باختباراتها الخاصّة وبموادّك أنت.
- الصور الرديئة والمواضع والعدّ ووسط الفيديوهات الطويلة والصوت ذو اللهجة مواطن أخطاء. ليتحقّق إنسان من المبالغ والتواريخ.
للبداية، أعطِ الذكاء الاصطناعي الذي تستخدمه لقطة شاشة أو ملف PDF من عندك، واطلب منه «نسخ أرقام الجدول كما هي بالضبط»، ثمّ قارن بالأصل. حين ترى أين يخطئ، ستعرف إلى أيّ حدّ يمكنك الوثوق بذلك النموذج.
الأسئلة الشائعة
نعم. تتيح الخطط المجانية في ChatGPT وClaude وGemini إرفاق صورة والسؤال عنها. وعلى مستوى API، تُظهر صفحة أسعار Gemini مستوى مجانياً لـ Gemini 3.8 Flash ولا شيء لـ Gemini 4 Carbon أو Argon (تحقّقنا في 12 نوفمبر 2026). انتبه: في Google AI Studio والمستوى المجاني من Gemini API تُستخدم مدخلاتك لتحسين منتجات Google وقد يقرؤها أشخاص (شروط Gemini API)، فلا تضع فيها صوراً أو تسجيلات حسّاسة. تتغيّر النماذج المخصّصة للخطط المجانية مع كلّ جيل، فالأوثق أن تتحقّق في كلّ خدمة ممّا يمكنك إرساله (صورة أو صوت أو فيديو) وكم يمكنك الاستخدام يومياً. راجع دليلنا لأدوات الذكاء الاصطناعي المجانية.
يشيران إلى قدرتين مختلفتين. أدوات توليد الصور مثل Midjourney وStable Diffusion تعمل في اتّجاه واحد: نصّ ← صورة. أمّا الذكاء الاصطناعي متعدّد الوسائط فيشير أساساً إلى القدرة على فهم الصور. بعض الخدمات، مثل ChatGPT وGemini، تجمع الأمرين، لكنّ نموذجين مختلفين يتولّيانهما غالباً خلف الكواليس، والتفوّق في أحدهما لا يعني التفوّق في الآخر. راجع أيضاً مقارنتنا لمولّدات الصور.
تقبل Gemini API الفيديو مباشرةً. للفيديوهات الكبيرة أو المعاد استخدامها، يُوصى برفعها عبر Files API ثمّ تمرير المرجع (حتى 20 غيغابايت في المستوى المدفوع و2 غيغابايت في المجاني)، ويمكن تضمين الفيديوهات الصغيرة في الطلب مباشرةً. ويمكن أيضاً تمرير رابط فيديو عامّ على YouTube (ميزة تجريبية؛ وثائق Google للمطوّرين). وعبر Vertex AI في Google Cloud، حدّد في fileData معرّف gs:// من Cloud Storage (وثائق Google Cloud). لا تقبل واجهتا OpenAI وClaude الفيديو مباشرةً حتى 12 نوفمبر 2026. والطريقة في الحالتين استخراج لقطات من الفيديو وإرسالها كصور، وفي Cookbook الرسمي لدى OpenAI مثال على ذلك. ولأساسيات واجهات API، راجع دليلنا للمبتدئين في واجهات الذكاء الاصطناعي.
كثيراً ما تحتوي الصور والصوت والفيديو على بيانات حسّاسة. استخدامها في التدريب يختلف بين تطبيقات الأفراد وبين API والخطط المؤسّسية. في تطبيقات الأفراد، قد يستخدم ChatGPT محادثاتك في التدريب، ويمكنك إيقاف ذلك بتعطيل «Improve the model for everyone» في الإعدادات (مركز مساعدة OpenAI). ويستخدم Claude (Free وPro وMax) محادثاتك في التدريب إذا سمحتَ بذلك (مركز الخصوصية لدى Anthropic). أمّا تطبيقات Gemini فتستخدم محادثاتك — بما في ذلك عبر المراجعة البشرية — لتحسين خدمات Google ما دام «Keep Activity» مفعّلاً، وتعطيله يوقف ذلك (مركز خصوصية تطبيقات Gemini). في المقابل، لا تُستخدم افتراضياً في التدريب واجهةُ OpenAI API وChatGPT Business/Enterprise، ولا واجهة Anthropic API وخططها المؤسّسية، ولا المستوى المدفوع من Gemini API (شرح Anthropic للشركات، شروط Gemini API). الاستثناء: في المستوى المجاني من Gemini API وفي Google AI Studio تُستخدم مدخلاتك لتحسين منتجات Google. للوجوه والصور الطبّية والوثائق الداخلية، اختر API مدفوعاً أو خطة مؤسّسية. للسرّية الكاملة، شغِّل نموذجاً مفتوح الأوزان على جهازك (ضمن نماذج Qwen الشاملة لكلّ الوسائط، هذا هو Qwen3-Omni المنشورة أوزانه؛ وهو غير نماذج Omni الأحدث المتاحة عبر واجهة Alibaba Cloud API).
بمعنى أنّه يستقبل الصوت كمدخل، نعم — لكن له تصميمان: مُركَّب يفرّغ الكلام نصّاً ويمرّره إلى نموذج لغوي، وأصيل يستقبل الصوت مباشرةً ويجيب بالصوت. يُقدَّم GPT-Live-1 من OpenAI وGemini 3.8 Live من Google كنموذجين للحوار الصوتي، منفصلين عن النماذج النصّية العامة (حتى 12 نوفمبر 2026). لمعرفة كيف يعمل الاستماع أثناء الكلام، راجع مقالنا عن GPT-Live؛ ولتفريغ التسجيلات، راجع رفع الملفات الصوتية إلى ChatGPT.
