Palette من IBM: نموذج 20B مفتوح يبني عروضاً تقديمية بلغة تصميمك
بقلم علي المنتصر — محلل ومحرر تقني أول
أعلنت IBM Research عبر Hugging Face عن Palette، نموذج مفتوح الأوزان بحجم 20B مدرَّب بـ LoRA على بيانات تركيبية تتبع IBM Design Language. يحتل المركز الأول في مجالي الاقتصاد والتعليم بمعيار PresentBench، والثاني بمتوسط 59.7 نقطة مقابل 60.8 لـ NotebookLM. يعمل على بنية المستخدم الخاصة ويُسرّع مرحلة الترميز 6–7× بفضل التوازي، مع هارنس إصلاح يضيف 3.5 نقطة على 131 عرضاً.
الموجز الإحصائي السريع
أعلنت IBM Research عبر مدونة Hugging Face الرسمية عن Palette، نموذج مفتوح الأوزان بحجم 20B مدرَّب بتقنية LoRA على بيانات تركيبية تتبع IBM Design Language، لبناء عروض تقديمية بلغة تصميم المستخدم على بنيته الخاصة. حلّ النموذج أولاً في مجالي الاقتصاد والتعليم بمعيار PresentBench، وثانياً بمتوسط 59.7 نقطة مقابل 60.8 لـ NotebookLM، مع هارنس إصلاح يضيف 3.5 نقطة على 131 عرضاً.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | نموذج مفتوح الأوزان (Open Weights) يُستضاف ذاتياً؛ لا توجد تسعيرة API رسمية معلنة. التكلفة تشغيلية بحتة على بنية المستخدم (حوسبة 20B معامل + LoRA). |
| 🌐 المنصات والتوفر الفوري | منشور رسمياً على مدونة Hugging Face (ibm-research/palette-deck-building)؛ التوزيع عبر Hugging Face. التشغيل على البنية التحتية الخاصة (Self-hosted) لضمان سرية المحتوى. |
| ⚡ الأداء ومؤشرات السرعة | مرحلة الترميز أسرع 6–7× بفضل التوازي شريحةً بشريحة. الهارنس يضيف +3.5 نقطة على 131 عرضاً. متوسط PresentBench: 59.7 نقطة (المركز الثاني). |
| 🛡️ الأمان ومقاومة الاختراق | ميزة أمنية جوهرية: المحتوى السري لا يغادر أنظمة المؤسسة لأن النموذج يعمل محلياً. الهارنس يمنع تدهور الشرائح (لا يُقبل تعديل إلا إذا أثبت المدقّق تحسّناً). |
| 🧠 سياق الذاكرة (Context Window) | لم يُعلن حجم نافذة السياق صراحةً؛ لكن الموجز (Brief) يُثبَّت لكل شريحة قبل الترميز، ما يتيح استدعاءات متوازية مستقلة لكل شريحة. |
| 🌍 دعم اللغة العربية والمنطقة | غير مؤكد رسمياً؛ التدريب على IBM Design Language والتوجيهات بالإنجليزية. لا إشارة لدعم عربي صريح في البيان الرسمي. |
تفاصيل الإعلان والميزات التقنية الجديدة
يعتمد Palette على معمارية ثنائية الأدوار يخدمها مُهايئ LoRA واحد: دور المصمم (Designer) الذي يقرأ الخطة ويكتب موجزاً منظماً بصيغة JSON يتضمن لوحة الألوان ونظام الخطوط ولكل شريحة تخطيطها ومحتواها الدقيق ومبرراً تصميمياً قصيراً؛ ودور المرمِّز (Coder) الذي يأخذ مواصفات شريحة واحدة ويكتب كود pptxgenjs JavaScript الذي يرسمها مسبوقاً بتعليله. هذا الفصل يوزّع نوعي القرار: الحكم التحريري للمصمم والهندسة الدقيقة للمرمِّز. ولأن سياق كل شريحة يُثبَّت قبل كتابة أي كود، تعمل استدعاءات المرمِّز بالتوازي، ما يجعل مرحلة الترميز أسرع بنحو 6–7×. دُرّب المُهايئ بـ LoRA بدل الضبط الكامل، مع درس عملي: عينات المرمِّز أطول بنحو 5× من عينات المصمم، فاستلزم ذلك إعادة أخذ عينات المصمم بمعامل 5× لتفادي تدريبه الناقص.
وُلِّدت البيانات التركيبية بواسطة معلّم كبير مفتوح: نحو 1000 عرض يغطي قرابة 10,000 شريحة، وكل مثال يحمل تعليلاً مكتوباً كـسيناريو مضاد (Counterfactual) يزن بديلاً ويشرح سبب رفضه، فيتعلم النموذج القاعدة لا الاختيار فقط. تُرسم كل شريحة وتُفحص للتداخل والتجاوز بذات المدقّق المستخدم عند الاستدلال، وتُصلَح الشرائح المكسورة ويُعاد كتابة تعليلها. أما مشكلة الأمانة (Faithfulness) فقد حُلّت بـالعروض المرجعية (Reference Decks) لا بالقواعد، إذ وجد الفريق أن المعلّم ينسخ من المراجع أكثر بكثير مما يتبع التعليمات.
المقارنة المعيارية والأداء التنافسي
يقيس PresentBench العروض على خمسة معايير: الأساسيات، التصميم البصري، الاكتمال، الصحة، والأمانة. حلّ Palette أولاً في الاقتصاد والتعليم حيث يحسم المحتوى المنظم والدقة الرقمية النتيجة، وثالثاً في Talk حيث تتفوق أنظمة مغلقة في العروض السردية. وبمتوسط المجالات الثلاثة حلّ ثانياً بـ59.7 نقطة مقابل 60.8 لـ NotebookLM (فارق 1.1 نقطة)، متقدماً على Manus 1.6 وخمسة أنظمة أخرى، وذلك بنموذج مفتوح واحد بحجم 20B فقط. وأضاف الهارنس 3.5 نقطة في المتوسط على 131 عرضاً عند التقييم بوجوده وبدونه.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
يقدّم Palette نموذجاً اقتصادياً جاذباً للمشاريع الناشئة في العالم العربي: أوزان مفتوحة تُشغَّل محلياً تلغي تكاليف الـ API المتكررة وتحفظ سرية المحتوى المؤسسي، وهو عامل حاسم للبنوك والجهات الحكومية الخليجية. غير أن دعم العربية غير مؤكد رسمياً، والتدريب على IBM Design Language والتوجيهات بالإنجليزية يستلزم اختبار كفاءة التوكنز على النصوص العربية قبل الاعتماد الإنتاجي. عملياً، يمكن للمطور العربي بناء طبقة توجيه (Directives) عربية فوق النموذج وإعادة تدريب LoRA على قوالب عربية، مع الاستفادة من الهارنس لضمان سلامة التخطيط. أما كلفة التطوير فتنخفض جوهرياً لأن مرحلة الترميز المتوازية (6–7×) تقلّص زمن التوليد وحوسبة الاستدلال.
الخلاصة والتطلعات القادمة
يؤسس Palette لاتجاه "النموذج الذي تملكه" بدل الاعتماد على أنظمة مغلقة ذات أسلوب بيتي ثابت. الخطوة التالية المعلنة هي استخدام إشارات المدقّق الرخيصة والقابلة للتحقق كمكافآت لتدريب التعلم المعزز بأسلوب GRPO، لأن كل شريحة تُعدّ rollout قصيراً مستقلاً قابلاً للفحص. كما يخطط الفريق لاستخراج الأشكال من المستندات المصدرية (مثل Docling) وإعادة تغليف المخرجات بقوالب .pptx موجودة دون إعادة تدريب.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
