الخلاصة السريعة
نماذج الرؤية لا «تفهم» الصور كبشر — إنها تقرأ شبكة أدلة بصرية.لذا يجب على البرومبت تسمية الموضوع والفعل والنص المرئي لتوجيه الانتباه.ولأن فك ترميز الصور يحرق حوسبة أضعاف فك ترميز الكلمات، فلكل مرفق تكلفة حقيقية — ولا يستحق الدفع إلا عندما تكون الصورة نفسها هي البيانات.
التشبيه
تخيل عالمًا جليلًا عاش كل حياته معصوب العينين.
قرأ تقريبًا كل كتاب في العالم — طبًا وقانونًا وتاريخ فن وكيمياء — كله عبر اللمس والنص.ثم أزيلت العصبة.العينان تعملان.لكن شيئًا واحدًا لم يحدث:لم يمنحه أحد تجربة بصرية عمرها حياة كاملة.لا حدس له لما يهم في مشهد، ولا انعكاس «الجميع ينظرون للوجه أولًا».مبصرًا، هو عبقري لا يعرف أين ينظر.
فحين تريه صورة مطبخ وتسأله «ما رأيك؟» — سيدرس كل شيء بجد.الصنبور.النافذة.البقعة على البلاطة الثالثة.لديه المعرفة لتفسير أي شيء، لكن ليست لديه بشرية الإحساس بالأهمية — فيوزع العبقرية على المشهد بالتساوي.تعود الإجابة مستنفدة رصدًا وفاقدة التركيز تمامًا.
كلماتك هي الإصبع الذي يشير إلى المهم. «الملصق على قاعدة المقلاة — ماذا يقول عن الطلاء؟»— وفجأة تلصق أكثر زوجين عينين تعليمًا في العالم بالنقطة الوحيدة المطلوبة.
وسطر من قائمة الأسعار:**إبقاء العصبة مرفوعة مكلف.**قراءة الصورة تتطلب من العالم جهدًا مئة ضعف قراءة جملة.لكل دقيقة تحديق تُضاف علاوة — وأنت من يدفعها، سواء كانت الصورة دليلًا أم زينة.
كيف يعمل والتكلفة (Uzu)
عند إرفاق صورة، يقطّعها النموذج إلى شبكة رقع ويحوّل كل رقعة إلى نفس عملة الكلمات:الرموز.صورة واحدة تصل بسهولة إلى مئات الرموز قبل أن يُقرأ سؤالك — وككل شيء آخر في الحوار، تسكن في نافذة السياق، المكتب الذي يعيد النموذج قراءته قبل كل إجابة.الصورة لا تساوي ألف كلمة فقط — إنها تحتل ألف كلمة على المكتب.
لذا فللبرومبت البصري تشريحته الخاصة — ثلاث خانات توجه انتباه النموذج:
| الخانة | عن أي سؤال تجيب | مثال |
|---|---|---|
| الموضوع | أي شيء في الصورة يتعلق به الأمر؟ | «ملصق التحذير على الشاحن» |
| الفعل | ماذا يجري أو ما المطلوب؟ | «ترجم» / «هل من ضرر؟» |
| النص | أي الحروف المرئية مهمة؟ | «اقرأ الرقم التسلسلي الذي يبدأ بـ SN» |
الموضوع المسمّى يوقف توزيع الانتباه بالتساوي على الشبكة كلها.الفعل المعطى — ترجمة أو تحديد أو مقارنة أو تقدير — يحول برومبتك إلى برومبت طلقة واحدة بعينين.النص المرئي المُشار إليه يشغّل أحدّ مهارات نماذج الرؤية:النماذج الحديثة تقرأ النص داخل الصور أفضل من أي شيء آخر تقريبًا.
ثم الحساب.قراءة مئات رموز الصورة تتطلب وقت GPU حقيقيًا.لذا يتقاضى Uzu 10 G-Credits ثابتة لكل مرفق لحظة ضغط الإرسال.هذه ليست رسوم تخزين — إنها تكلفة الكهرباء والحوسبة التي ينفقها النموذج على التحديق.الدرس المصمم في السعر:**أرفق الصورة فقط عندما تكون الصورة بيانات.**صورة نافذة الخطأ بيانات.لقطة شاشة لفقرة كان يمكن لصقها نصًا هي زينة بضريبة — نفس الإجابة كانت ستصل بسعر الكلمات العادية.وكما في تحديد النطاق، سؤال بصري حاد واحد لكل مرفق يتفوق على خمسة غامضة:قيد الموضوع والفعل وصيغة الإخراج قبل الإرسال.
قاعدة العمل:
**الصورة تساوي ألف رمز.**اجعل النموذج ينفق الرموز حيث يشير انتباهك — وادفع فقط عن البكسلات التي تحمل معلومات.
قبل وبعد (البرومبتات)
مثال 1 — جسم غامض
[صورة درج فوضوي] ما هذا؟
يجتهد النموذج بجرد:كابلات، عملات، بطاريات، «شيء يبدو كريموت صغير».الشيء الذي تريده في مكان ما من القائمة.ربما.
[نفس الصورة] حدد الجهاز الأسود الصغير أعلى اليسار بجوار البطاريات. أعطني البراند الأرجح والاستخدام في جملتين.
موضوع (الجهاز الأسود، أعلى اليسار)، فعل (حدد البراند والاستخدام)، صيغة (جملتان).نفس الصورة — إجابة جراحية.
مثال 2 — مستند
[صورة مستند] ألقي نظرة؟
«نظرة» ليست مهمة.ما لم يكن المطلوب هو الحقل الذي يحسم كل شيء، سيوجز النموذج المستند عمومًا.
[نفس الصورة] اقرأ وانقل حرفيًا حقل «تاريخ السريان» فقط من المربع أعلى يمين هذه الصفحة من العقد. إن كان غير مقروء فاكتب «غير مقروء» — لا تلفّق تاريخًا.
قمة خانة النص:حقل واحد، نقل حرفي، وحاجز صريح ضد التلفيق — لأن النموذج الذي يسد الفجوات بسلاسة هو بالضبط الأداة الخاطئة لتاريخ قانوني.
مثال 3 — فخ الزينة
[لقطة شاشة مقالة، مرفقة] لخّص هذا.
لقد دفعت للتو سعر صورة مقابل نص.يقرأ النموذج كلمات مرسومة بالبكسلات — أبطأ وأغلى وأكثر خطأ من لصق الكلمات نفسها.
[بلا صورة] لخّص هذه المقالة في ثلاث نقاط:[النص الملصق]
نفس الإجابة، جزء ضئيل من الحوسبة، وصفر رسوم مرفقات.لقطة الشاشة لم تكن يومًا بيانات — كانت حاوية بيانات.هذه العادة الواحدة — النص يُلصق، والبكسلات تُرفق — أكبر وفر في البرومبت البصري.
الأخطاء الشائعة
- **توقع أن «يشعر» الذكاء الاصطناعي بالصورة بدل قراءتها.**نموذج الرؤية لا يعيش غروبك — إنه يجرد أدلة في شبكة.اسأل «ما المشاعر التي يستدعيها هذا؟» فتحصل على كليشيه واثق:ألوان دافئة، وجوه مبتسمة — لا استجابة معاشة.اسأل عما في الصورة، لا عن شعور النظر إليها.
- **إرفاق الزينة.**لقطات نص، شعارات «للسياق»، صور تكرر ما كُتب.إن كانت المعلومة كلمات بالفعل، فكل مرفق دفع مزدوج لحوسبة ممتازة الثمن.أرفق فقط ما لا تحمله إلا الصورة.
- **إشارات غامضة — «هذا»، «ذاك»، «ذلك الجزء».*في محادثة نصية يشير «ذاك» إلى الرسالة السابقة.في الصورة يشير «ذاك» إلى كل شيء.استخدم أسماء ومواقع:القرص الأيسر، سطر الإيصال الثاني، *الكابل الأحمر السفلي.
- **إسقاط حاجز التلفيق في القراءات الحرجة.**أرقام تسلسلية، تواريخ، سعات، أسعار:نموذج الرؤية تحت الغموض يسوّي الفجوات مثل أي نموذج.أضف «انقل حرفيًا؛غير الواضح فقله» — خدعة استئجار الصدق من درس الهلوسة، هذه المرة بعينين.
- صورة واحدة، خمسة أسئلة، رسالة واحدة.«ما هذا وكم يسوى ومن أين وأهو أصلي واكتب نص بيع» — يوزع الانتباه خمس مرات على الشبكة كلها.مرفق واحد بسؤال حاد واحد، ثم المتابعات.الصورة تبقى على المكتب، والمتابعات تركب على رموز مدفوعة سلفًا.
الأسئلة الشائعة
كيف أكتب برومبتًا بصريًا للذكاء الاصطناعي؟
سمِّ الموضوع والفعل والنص المرئي وقيد المخرجات:«حدد [الشيء المحدد] في [موقع في الصورة]، [افعل هذا]، وأجب [بالصيغة]».وجّه انتباه النموذج كما توجه نظرة زميل — نحو الملصق لا المطبخ كله.
لماذا إرسال الصور للذكاء الاصطناعي أغلى؟
لأن النموذج يجب أن يحوّل الصورة أولًا إلى مئات رموز الأدلة البصرية قبل معالجة السؤال — حوسبة أضعاف الجملة المكافئة.في Uzu هذه العلاوة 10 G-Credits ثابتة للملف:السعر الصادق لدقيقة تحديق على GPU.النص رخيص؛البكسلات عمل.
هل يستطيع الذكاء الاصطناعي قراءة النص في الصور؟
يستطيع — وهي من أقوى مهارات نماذج الرؤية:من الخط اليدوي إلى اللافتات إلى النماذج إلى لقطات الشاشة.المشكلة الدقة تحت الغموض:للحرج (تواريخ، أرقام تسلسلية، سعات) لا تدع النموذج يسد الفجوات — اطلب نقلًا حرفيًا و«غير مقروء» الصريح عند عدم الوضوح.
الدرس التالي
لاحظ الخيط الناظم في الدرس:أنت من أشار.اخترت الموضوع، ووجّهت الانتباه، وزوّدت القيود.لكن هناك نقلبًا يحوّل الحوار كله — ماذا لو سأل الذكاء الاصطناعي أنت أولًا؟جولة رخيصة واحدة يُقابلك فيها المحاور الآلي قد تعوض ثلاث جولات باهظة تعيد فيها الشرح.
الدرس التالي: تقنية «اسألني أولًا»
تمرين قبل المغادرة:ابحث عن آخر صورة أرسلتها للذكاء الاصطناعي وأعد طرح السؤال ثلاث مرات — غامضًا ومتوسطًا وجراحيًا (موضوع + فعل + نص + صيغة).راقب الإجابة تتحدد، ولاحظ كم كلفتك النسخة الغامضة فعلًا.