وصف الصور بالعربية (100M)

‏93,613,962 صفًّا في شريحة التدريب المنشورة، بحجم 73.7 غيغابايت موزّعة على 148 شريحة Parquet. ويحمل كل صف ثلاثة أشياء: رابط الصورة، والوصف الأصلي كما كُتب، وترجمته العربية. وإبقاء الوصف المصدر إلى جانب العربية مقصود، فهو يجعل كل صف قابلًا للمراجعة، ويتيح استعمال المجموعة مدوّنةَ أوصاف متوازية لا عربية فحسب. والصور غير معاد نشرها؛ تحمل الصفوف روابطها.

أُنتج الجانب العربي بنموذج «مترجم»، نموذج مسراج للترجمة بين العربية والإنجليزية بحجم 1.5 مليار معامل. واختير «مترجم» لهذا العمل لأن بيانات ضبطه رجّحت العيّنات عربية الأصل على الإنجليزية الأصل بنسبة اثنين إلى واحد، وهو الاتجاه الذي يهمّ هنا: المهمة كلها توليد عربية، وهو الاتجاه الأصعب، وعلى معيار Tarjama-25 يتصدّر «مترجم» في هذا الاتجاه تحديدًا بدرجة COMET قدرها 83.41 مقابل 83.36 لـGPT-4o mini، وchrF++ قدرها 68.67 مقابل 66.36، وBLEU قدرها 43.71 مقابل 38.52.

التدريب المسبق والضبط الدقيق لنماذج الرؤية واللغة العربية: وصف الصور، واسترجاع الصور بالنص، والمحاذاة متعددة الوسائط، بحجم لم يتوفّر للعربية من قبل. ولأن الأوصاف مترجَمة آليًا، فالمجموعة مادة تدريب لا معيار تقييم: ينبغي أن تُعلن درجة نموذج الوصف على مجموعة عربية مكتوبة بشريًا، وأن تُوسم هذه المدوّنة بأنها مترجَمة في أي بيان بيانات.

مدرَجة علنًا على Hugging Face ويُمنح الوصول عند الطلب. ولا تعلن البطاقة رخصة SPDX خاصة بها، فتحكم الاستعمالَ شروطُ مصادر الصور والأوصاف الأساسية وشروطُ طلب الوصول، ولذلك تُرك حقل الترخيص هنا فارغًا عمدًا. ولأن المحمول روابط الصور وحدها، فمن يتدرّب عليها يجلب الصور بنفسه وفق شروط المواقع الأصلية.

توثّق ورقة «مترجم» نموذجَ الترجمة الذي أنتج الجانب العربي، ومنهجَ تدريبه من مرحلتين، وTarjama-25، المعيار المنشور معه والمكوّن من خمسة آلاف زوج راجعها خبراء. وKuwain 1.5B هو النموذج الأساس الذي بُني عليه «مترجم».