مترجم

مترجم نموذج لغوي بحجم 1.5 مليار معامل صُمّم لمهمة واحدة: الترجمة بين العربية والإنجليزية في الاتجاهين. وعلى معيار Tarjama-25، معيار الترجمة الذي نشرته مسراج للعموم، هو الأقوى بين الأنظمة المختبَرة في الترجمة من الإنجليزية إلى العربية، متقدمًا على GPT-4o mini وعلى النماذج المفتوحة التي يصل حجمها إلى 32 مليار معامل.

تأتي معظم الترجمة بين العربية والإنجليزية اليوم إما من نماذج كبيرة متعددة اللغات، مكلفة التشغيل وأضعف غالبًا في النصوص العربية الخاصة، وإما من أنظمة تُقاس على مجموعات اختبار من جمل قصيرة أصلها إنجليزي. يسلك مترجم الطريق الآخر: نموذج صغير مدرَّب على بيانات عربية إنجليزية فقط، ويُقيَّم على نصوص كُتبت أصلًا باللغتين. وتذكر ورقته أنه يضاهي نماذج يصل حجمها إلى 20 ضعف حجمه، بحاجة أقل بكثير إلى موارد الحوسبة في التدريب والتشغيل.

كيف يعمل

ينطلق مترجم من كوين 1.5B، نموذج مسراج اللغوي الصغير للعربية والإنجليزية، ويضيف إليه مرحلتين من التدريب:

• تدريب مسبق على الترجمة. نحو 10 مليارات رمز من نصوص عربية إنجليزية متوازية، من مجموعة OPUS ومن مجموعات منتقاة داخليًا. يميّز رمزان خاصان كل لغة، ويُخلط ترتيب كل زوج من الجمل حتى لا يُفضَّل اتجاه على آخر.
• ضبط دقيق. نحو 6 ملايين زوج جمل منقّحة، قرابة 3 مليارات رمز على دورتين تدريبيتين، مع ترجيح الأمثلة ذات المصدر العربي بنسبة اثنين إلى واحد على ذات المصدر الإنجليزي. ويُدرَّب النموذج على توليد الجملة الهدف فقط.

ولمرحلة التدريب المسبق أثر واضح: على معيار WMT24++ رفعت درجة COMET لنموذج الترجمة من الإنجليزية إلى العربية من 61.91 إلى 75.46.

نتائج المعايير

جميع الأرقام من ورقة مترجم البحثية (arXiv:2505.17894).

• Tarjama-25، من الإنجليزية إلى العربية: COMET 83.41، وchrF++ 68.67، وBLEU 43.71. ويسجّل GPT-4o mini 83.36 و66.36 و38.52، ويسجّل أقوى نموذج مفتوح في المقارنة، Cohere 32B، درجة COMET قدرها 82.09.
• Tarjama-25، من العربية إلى الإنجليزية: COMET 82.63 وBLEU 55.28، مقابل 83.67 و54.24 لـ GPT-4o mini.
• WMT24++ وIWSLT 2017: على هذين المعيارين المعروفين يسجّل GPT-4o mini وعدد من النماذج المفتوحة الأكبر درجات أعلى من مترجم، ومعظم ذلك في الترجمة من العربية إلى الإنجليزية. ونذكر ذلك إلى جانب النتائج المتقدمة.

يضم Tarjama-25 خمسة آلاف زوج جمل، طول كل منها بين 50 و100 كلمة، صحّحها مترجمون محترفون ثم راجعها خبراء في كل مجال. نصف النصوص المصدر كُتب بالعربية ونصفها بالإنجليزية، في مجالات عامة وطبية وقانونية وتقنية وغيرها. والمعيار متاح للعموم على Hugging Face، وشيفرة التقييم منشورة على GitHub.

خيارات النشر

يتوفر مترجم عبر واجهة برمجية سحابية أو داخل المنشأة ضمن بيئتك الخاصة. وبحجم 1.5 مليار معامل يناسب البيئات محدودة الموارد التي لا يعمل فيها نموذج يكبره بأضعاف. ودرّبت الورقة أيضًا نسخًا أحادية الاتجاه تسجّل درجات أعلى حين يكفي اتجاه واحد، ومن ذلك 82.89 على مقياس COMET من العربية إلى الإنجليزية على WMT24++ مقابل 79.73 للنموذج ثنائي الاتجاه.

لمن هذا النموذج

• الجهات التي تترجم محتوى أصله عربي، لا من الإنجليزية إلى العربية فقط، في المجالات القانونية والصحية والعلمية والتقنية والثقافية والدينية.
• الفرق التي تحتاج أن تعمل الترجمة داخل بنيتها التحتية.
• الباحثون الذين يقارنون أنظمة الترجمة العربية الإنجليزية على معيار مشترك ومتوازن.

أسئلة شائعة

هل يتفوق مترجم على GPT-4o mini؟ على Tarjama-25 من الإنجليزية إلى العربية، نعم، في COMET وchrF++ وBLEU. ومن العربية إلى الإنجليزية يقترب منه في COMET ويتقدم عليه في BLEU. أما على WMT24++ وIWSLT 2017 فيسجّل GPT-4o mini درجات أعلى.

ما معنى أنه «مبني على كوين»؟ ينطلق مترجم من أوزان كوين 1.5B ويضيف إليها مرحلتي التدريب على الترجمة الموصوفتين أعلاه.

هل يمكن تشغيله داخل المنشأة؟ نعم. النشر داخل المنشأة متاح إلى جانب الواجهة البرمجية السحابية.

أين أتحقق من النتائج؟ الورقة البحثية منشورة برقم arXiv:2505.17894، ومعيار Tarjama-25 على huggingface.co/datasets/Misraj/Tarjama-25، وأدوات التقييم على github.com/misraj-ai/Mutarjim-evaluation.