أعلنت Perplexity Research في 7 أكتوبر 2026 إطلاق عائلة pplx-embed-v2-late للبحث في النصوص والصور والمستندات المرئية. تضم نموذجين بحجم 0.6B، و 9B، يحتفظان بتمثيلات متعددة بدل اختزال كل مستند في متجه واحد. بحسب إعلان الشركة وتغطية CryptoBriefing، تتوفر النماذج على Hugging Face، ويمكنها البحث في صور صفحات PDF دون الاعتماد على OCR أو استخراج النص أولًا.
ما هي نماذج pplx-embed-v2-late؟
هي نماذج تضمين موجهة للمطورين لبناء أنظمة استرجاع المعلومات، وليست ميزة محادثة جديدة داخل تطبيق Perplexity للمستخدم العادي. تحول المحتوى إلى تمثيلات عددية تساعد النظام في العثور على مستندات وصور مرتبطة بالسؤال. وتختلف هذه العائلة عن نموذج pplx-embed-v2-context الذي قدمته الشركة الأسبوع السابق.
ما معنى البحث بالتفاعل المتأخر؟
تعتمد النماذج تصميمًا شبيهًا بـ ColBERT: تنتج متجهات ذات 128 بُعدًا لكل رمز، ثم تقارن أجزاء السؤال بأجزاء المستند باستخدام MaxSim. يختار النظام أقوى تطابق لكل رمز في السؤال ويجمع درجات التطابق. بهذه الطريقة لا يضطر إلى ضغط كل التفاصيل في متجه واحد، لكن المقارنة والتخزين يحتاجان موارد أكبر.
كيف تبحث في PDF والصور دون OCR؟
يمكن للنماذج تمثيل الصفحة المعروضة بصريًا والبحث فيها بسؤال نصي، بدل تحويل الصفحة أولًا إلى نص عبر التعرف الضوئي على الحروف. يحافظ هذا المسار على معلومات الشكل والجداول والرسومات التي قد يضعفها استخراج النص. لا يعني ذلك تحويل أي PDF إلى إجابة صحيحة تلقائيًا؛ استرجاع الصفحة المناسبة خطوة تسبق قراءة المحتوى والتحقق منه.
هل يمكن دمج النموذجين 0.6B و9B؟
نعم، تقول Perplexity إن النموذجين يشتركان في فضاء التضمين، ما يتيح بناء فهرس المستندات بالنموذج 9B ثم ترميز أسئلة البحث بالنموذج 0.6B. يهدف هذا التصميم إلى نقل مزيد من العمل إلى مرحلة الفهرسة وتقليل عبء ترميز السؤال وقت الاستخدام. اختيار هذا المسار يحتاج اختبارًا على مستندات المشروع وأجهزته، ولا يضمن سرعة واحدة لكل تطبيق.
ما حدود الأداء والتخزين؟
تنشر الشركة نتائج على اختبارات بحث نصي ومرئي ومهام سؤال وجواب للوكلاء، لكنها تقييمات أعدها المورد وليست ضمانًا مستقلًا لنتائج أي مشروع. توضح الشركة أيضًا أن الاحتفاظ بمتجهات متعددة يزيد متطلبات التخزين وتكلفة حساب درجات المرشحين مقارنة بالبحث الكثيف ذي المتجه الواحد، خصوصًا مع المستندات الطويلة.
ماذا عن اللغة العربية والمشروعات المحلية؟
تذكر Perplexity تدريب النماذج على 186 مليون زوج من الأسئلة والمستندات، من 594 مجموعة بيانات تغطي 46 لغة. هذا لا يثبت وحده جودة البحث بالعربية أو في ملفات محلية ممسوحة ضوئيًا. في مشروع مصري أو عربي، اختبر عينة تمثل المستندات الحقيقية وقِس استرجاع الجداول والنص المختلط والصفحات المصورة قبل اعتمادها.
كيف يبدأ المطور بتجربة النماذج؟
ابدأ بروابط النماذج وتعليمات التشغيل في إعلان Perplexity، وراجع بطاقة النموذج والترخيص ومتطلبات الذاكرة قبل الاستخدام. قارن النموذج الصغير والكبير على عينة محدودة، ثم اختبر الفهرسة بالنموذج الكبير والأسئلة بالصغير إذا احتجت هذا التصميم. ضع ضوابط للوصول إلى المستندات وبياناتها، فاختيار نموذج بحث لا يحدد وحده أين تُخزن المعلومات ومن يطلع عليها.
المصادر وتاريخ الخبر
إعلان Perplexity Research، 7 أكتوبر 2026:
https://www.perplexity.ai/en-GB/hub/blog/multimodal-embeddings-beyond-a-single-vector
تغطية CryptoBriefing، 7 أكتوبر 2026:
https://cryptobriefing.com/perplexity-pplx-embed-v2-late-multimodal-models/
نُشر هذا الشرح في 7 أكتوبر 2026. القدرات ونتائج الاختبارات منسوبة إلى مصادرها، ولم يجر هذا الموقع اختبار أداء مستقلًا للنماذج.