نموذج مفتوح المصدر بحجم 5B يتفوق على GPT Image 2.5 في اختبار الخط الصيني المعقد

اليوم، أطلقت DeepSeek إطار الاستدلال الخاص بها والجاهز لبيئة الإنتاج، DeepInfer، كمصدر مفتوح. ويتحدث الكثيرون الآن عن كيفية تشغيل نماذج أقوى باستخدام قدر أقل من الحوسبة.

ومن قبيل الصدفة، كنت أختبر نموذجًا آخر مفتوح المصدر يسير على نفس النهج: MOSS-Image، الذي يحتوي على 5 مليارات معلمة فقط. لقد وضعت له ولنموذج GPT Image 2.5 — الذي يُفترض أنه الأقوى بين النماذج مغلقة المصدر — التحدي الصعب نفسه.

النتيجة: فشل GPT Image 2.5 في الجولة الثانية، بينما نجح النموذج الصغير مفتوح المصدر ذو الـ 5 مليارات معلمة في رسم القصيدة الكاملة "Bring in the Wine" (أحضر النبيذ) بشكل صحيح مرتين. لو رأى الشاعر لي باي هذا، لشرب ثلاثمائة كأس أخرى على الأرجح.

كانت المطالبة كالتالي: اصنع مشهدًا للشاعر لي باي وهو يرفع كأسه بجانب النهر في لوحة لفيفة بأسلوب الرسم بالحبر الصيني. اكتب النص الكامل لقصيدة "Bring in the Wine" في 12 سطرًا من الخط، مصحوبًا بالعنوان واسم المؤلف وختم قرمزي واحد وثلاثة أسطر من النص الإنجليزي. يجب أن يكون هناك 4 كؤوس نبيذ بالضبط على المنصة الحجرية — لا أكثر ولا أقل.

كنت أعتقد في البداية أن النموذج مغلق المصدر سيفوز بسهولة. في الجولة الأولى، كان كلاهما متقاربًا في الأداء. لكن في الجولة الثانية، عندما غيّرت تفصيلين فقط، أخطأ GPT Image 2.5 في عدّ الكؤوس، بينما أصاب MOSS-Image في المرتين.

فيما يلي صورتان تم إنشاؤهما بواسطة MOSS-Image

وفيما يلي صورتان تم إنشاؤهما بواسطة GPT Image 2.5

لماذا يُعد هذا الاختبار صعبًا؟

لقد كتبت هذه المطالبة عمدًا لتكون صعبة.

فهذه القصيدة الشهيرة تتكون من 12 سطرًا وأكثر من 170 حرفًا، ويجب كتابتها بالخط المتصل على اللوحة دون خطأ واحد. لقد اختبرت العديد من النماذج سابقًا؛ وبمجرد أن يرتفع عدد الأحرف، تبدأ في ارتكاب الأخطاء.

أما عدد كؤوس النبيذ فقد أضفته تحديدًا لأن توليد الصور بالذكاء الاصطناعي سيئ السمعة في عدّ الأشياء.

علاوة على ذلك، يتضمن المشهد عناصر كثيرة: منظر نهري، ولي باي، وعنوان، وختم، والقصيدة كاملة، وثلاثة أسطر باللغة الإنجليزية، ولكل منها موضع محدد. كما أضفت قيدًا في النهاية: عدم السماح بأي نص آخر، وختم واحد فقط.

الجولة الأولى: نجاح كليهما

في الجولة الأولى، طلبت وجود كأسَي نبيذ على المنصة الحجرية، وكان السطر الأخير باللغة الإنجليزية هو "Let us drink away the sorrows of all ages."

وعندما ظهرت الصور، فحصتها واحدة تلو الأخرى: لا أخطاء في القصيدة، ختم واحد فقط، نص إنجليزي صحيح، وكأسان بالضبط. اجتاز كلا النموذجين هذه الجولة بسلاسة.

كان الفرق أساسًا في الجانب الجمالي. نسخة MOSS-Image تميزت بتدرجات كثافة الحبر ومساحات بيضاء مريحة للعين، لتبدو كلّفيفة معلقة حقيقية. أما GPT Image 2.5 فكان يبدو جيدًا للوهلة الأولى، لكن التقريب كشف عن ضربات فرشاة مسطحة أكثر، تفتقر إلى تأثير الانتشار الخفيف للحبر التقليدي.

الجولة الثانية: تغييرات صغيرة كشفت فروقات كبيرة

بعد ذلك، غيّرت أمرين فقط:

1. غيّرت عدد الكؤوس من 2 إلى 4.
2. أضفت كلمة "Cheers" بعد السطر الأخير باللغة الإنجليزية.

منطقيًا، هذه تغييرات طفيفة جدًا. وكانت النتائج كالتالي:

• MOSS-Image: نفّذ التغييرين بشكل صحيح. 4 كؤوس بالضبط، وإضافة "Cheers"، مع بقاء الأسطر الشعرية الـ 12 والختم سليمة.
• GPT Image 2.5: أضاف "Cheers"، لكنه أخطأ في عدّ الكؤوس. طُلب منه 4 كؤوس فرسم 5.

بالطبع، هذه مجرد مجموعة واحدة من المطالبات ولا تمثل جميع السيناريوهات. لكن فيما يتعلق بـ "النص الطويل مع التحكم الدقيق"، قدّم النموذج مفتوح المصدر ذو الـ 5 مليارات معلمة أداءً مذهلًا.

كيف يمكن لنموذج صغير بـ 5 مليارات معلمة فعل ذلك؟

بالنظر إلى هذا الاختبار، يعتمد نجاح MOSS-Image في الجولتين على عدة قدرات:

• رسم دقيق للصينية/الإنجليزية. الأسطر الـ 12 التي تضم أكثر من 170 حرفًا صينيًا بالخط المتصل لم تحتوي على أي أخطاء إملائية أو حذف. كما كانت الأسطر الثلاثة السفلية بالإنجليزية وكلمة "Cheers" المضافة واضحة أيضًا.
• فهم كامل للمطالبات الطويلة. يدعم النموذج مطالبات تصل إلى 4 آلاف رمز (token). تضمنت مطالبتي النمط، والمشهد، والعنوان، والقصيدة، والإنجليزية، والقيود السلبية. وقد اتبع كل شيء من البداية إلى النهاية دون أن يفقد السياق. لذا عندما غيّرت عدد الكؤوس وأضفت كلمة في الجولة الثانية، تعامل مع التحديثين دون الإخلال بباقي العناصر.
• نمط قابل للتحكم. تطلب هذا الاختبار ملمس حبر على ورق الأرز، ولم ينحرف النموذج نحو الأنماط الواقعية أو ثلاثية الأبعاد. وإلى جانب النمط الصيني التقليدي، يمكنه أيضًا التعامل مع الأنمي والرسم التوضيحي والواقعية الفوتوغرافية.

إذا أردت استخدامه في عملك، فإليك نقطتين تستحقان المعرفة: أولًا، يدعم تخطيط JSON الهيكلي، مما يسمح بتحديد مواضع النصوص والعناصر مباشرة، وهو ما يحسن التحكم في التكوين للملصقات وصور التجارة الإلكترونية وأغلفة وسائل التواصل الاجتماعي. ثانيًا، الأوزان والشيفرة وأدلة الاستخدام لكل من نسختَي Base و SFT متاحة كمصدر مفتوح. ويوفر SGLang و vLLM-Omni دعمًا منذ اليوم الأول، مما يجعل الضبط الدقيق عبر LoRA أو التطوير الثانوي سهل البدء.

طريقة الاختبار ونصائح لكتابة المطالبات

كانت العملية بسيطة: استخدم كلا النموذجين المطالبة نفسها. وبعد تنفيذ الجولة الأولى، غيّرت تفصيلين وشغّلت الجولة الثانية. تم إنشاء صور MOSS-Image على منصة التجربة الرسمية، بينما تم إنشاء صور GPT Image 2.5 عبر الإنترنت في ChatGPT.

ولكتابة مطالبات معقدة كهذه، لديّ ثلاث نصائح:

1. حدّد النمط الفني والمادة أولًا. حدّد ورق الأرز، والحبر، والأصباغ المعدنية، وأضف "ليس فوتوغرافيًا، وليس ثلاثي الأبعاد" لمنع الصورة من الانحراف نحو الواقعية.
2. صف حسب المناطق. صف المشهد في الجزء السفلي الأيسر، والعنوان والختم في الجزء العلوي الأيمن، والقصيدة في النصف الأيمن، والنص الإنجليزي في الأسفل. فصل الكتل يسهّل على النموذج اتباع التعليمات.
3. اختم بالقيود السلبية. أضف "لا نص آخر، لا أختام إضافية، لا علامات مائية" في النهاية للحفاظ على نظافة الصورة.

المطالبة الكاملة

إليك المطالبة الكاملة المستخدمة في الجولة الأولى، جاهزة للنسخ والتجربة:

1لوحة صينية تقليدية بالحبر على ورق شوان عاجي دافئ، بتنسيق لفيفة معلقة طويلة. حبر أسود متعدد الطبقات، تدرجات رمادية ناعمة، صبغة معدنية زرقاء-خضراء باهتة، مغرة شاحبة، ألياف ورق مرئية، حواف حبر رطب متدرجة، ملمس فرشاة جافة. مرسومة يدويًا، ليست فوتوغرافية، وليست ثلاثية الأبعاد.
2المشهد في الجزء الأيسر والسفلي: نهر هادر ينبثق من جبال تحجبها السحب، مرسوم بخطوط حبر انسيابية ومساحات ورق فارغة. منحدرات متآكلة، قمم بعيدة متعددة الطبقات، صنوبرة تميلها الرياح، ضباب متطاير، وقمر شاحب خلف سحب رقيقة. على شرفة صخرية بجانب النهر، يقف شاعر يرتدي ثيابًا عاجية فضفاضة وربطة شعر بسيطة، يرفع كأس نبيذ صغيرة نحو السماء. جرة نبيذ سيراميكية مستديرة وكأسان موضوعتان على حجر مسطح بجانبه.
3الجزء العلوي الأيمن: عنوان كبير بخط عريض 《将进酒》， وتحته اسم المؤلف 李白، مع ختم قرمزي صغير واحد بالضبط يحمل عبارة 诗酒 بجوار اسم المؤلف.
4النصف الأيمن: القصيدة كاملة بخط صيني منتظم-متصل نظيف وواضح القراءة، مكتوبة في 12 سطرًا أفقيًا بالضبط، بمسافات متساوية بين الأسطر، وكل حرف صحيح، على ورق فارغ واضح:
5السطر 1: 君不见，黄河之水天上来，奔流到海不复回。
6السطر 2: 君不见，高堂明镜悲白发，朝如青丝暮成雪。
7السطر 3: 人生得意须尽欢，莫使金樽空对月。
8السطر 4: 天生我材必有用，千金散尽还复来。
9السطر 5: 烹羊宰牛且为乐，会须一饮三百杯。
10السطر 6: 岑夫子，丹丘生，将进酒，杯莫停。
11السطر 7: 与君歌一曲，请君为我倾耳听。
12السطر 8: 钟鼓馔玉不足贵，但愿长醉不复醒。
13السطر 9: 古来圣贤皆寂寞，惟有饮者留其名。
14السطر 10: 陈王昔时宴平乐，斗酒十千恣欢谑。
15السطر 11: 主人何为言少钱，径须沽取对君酌。
16السطر 12: 五花马，千金裘，呼儿将出换美酒，与尔同销万古愁。
17في المنتصف السفلي، نص إنجليزي صغير بخط داكن رمادي في ثلاثة أسطر:
18BRING IN THE WINE
19Li Bai
20Let us drink away the sorrows of all ages.
21لا نص آخر، لا أختام إضافية، لا علامات مائية في أي مكان آخر من اللوحة.

وفي الجولة الثانية، أُجري تغييران فقط:

1. تغيير "كأسين" إلى "أربعة كؤوس" في وصف المشهد.
2. إضافة "Cheers" بعد السطر الأخير باللغة الإنجليزية.

وظل كل شيء آخر دون تغيير.

دورك الآن

نموذج مفتوح المصدر بـ 5 مليارات معلمة قادر على كتابة قصيدة "Bring in the Wine" كاملة داخل لفيفة حبر، مع عدّ الكؤوس بدقة تامة.

حاليًا، تجاوز MOSS-Image حاجز 700,000 تنزيل على ComfyUI. لا تأخذ كلامي فقط، بل جرّبه بنفسك 👇

🤗 تجربة مجانية عبر الإنترنت: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image

⭐ GitHub للأوزان والشيفرة: https://github.com/OpenMOSS/MOSS-Image

ماذا ستصنع به؟ شارك صورك في التعليقات. لنرفع كؤوسنا معًا. في صحتكم 🍶

#MOSS-Image #AIGC