يقدّم Gemini 3 مستوى جديدًا من الذكاء البصري. يشرح هذا المقال كيف يعالج الصور، ويتعامل مع الفيديو الطويل عبر الاستدلال الزمني، ويستدل على المحتوى الصوتي والمرئي معًا، وأين يندرج في سير العمل الإبداعي والإنتاجي الفعلي، من كتابة التعليقات التوضيحية إلى تلخيص الفيديو وما بعده.
إذا كنت تتابع كيف تتعامل نماذج الذكاء الاصطناعي مع المحتوى البصري، فإن Gemini 3 يمثل تحولًا حقيقيًا. هذا ليس نموذجًا لغويًا مع إضافة صور؛ فالمعالجة البصرية جزء أصيل من بنية النموذج منذ التدريب. هذا القرار التصميمي يحدد كل شيء، من طريقة قراءته لصورة فوتوغرافية إلى طريقة استدلاله عبر فيديو مدته 30 دقيقة. فيما يلي شرح مباشر لما يفعله Gemini 3 فعلًا بالصور والفيديو، دون تجريد ودون حشو.
قبل الخوض في القدرات المحددة، هناك أمر واحد يفوق كل شيء آخر في الأهمية: دُرِّب Gemini 3 بشكل أصيل على النصوص والصور والصوت والفيديو معًا. وهذا يختلف عن النماذج التي تمرر الصور عبر مُشفِّر بصري منفصل ثم تنقل ملخصًا إلى العمود الفقري اللغوي.
لأن النموذج بنى علاقات متعددة الوسائط أثناء التدريب المسبق، بدلًا من إضافتها لاحقًا، فإنه قادر على الاستدلال على المحتوى البصري بالطلاقة نفسها التي يتعامل بها مع النص. ويكون لذلك أهمية كبيرة عندما تكون المهمة معقدة: مقارنة صورتين، أو تتبع التغيرات عبر إطارات الفيديو، أو الإجابة عن أسئلة حول التوزيع المكاني التي تتطلب تفسيرًا حقيقيًا وليس مطابقة للأنماط.
تخيّل ما يحدث عندما يرى النموذج صورة لمنضدة مطبخ مزدحمة. قد يصنّف محوّل بصري الأشياء ويمرر الملصقات إلى النموذج اللغوي. أما Gemini 3 فيعالج المعلومات على مستوى البكسل مباشرة، ويمكنه الاستدلال على العلاقات: أي الأشياء أمام أي، وما الذي يوحي به الضوء عن وقت اليوم، وهل يتسق الترتيب مع شخص يطهو الطعام للتو أو شخص أنهى التنظيف.
هذا الانتقال من "قائمة الأشياء" إلى "التفسير العلائقي" ليس أمرًا شكليًا. إنه الفرق بين ذكاء اصطناعي يتعرّف على الأشياء وذكاء اصطناعي يفسّرها.
يمتلك Gemini 3 Pro واحدة من أكبر نوافذ السياق بين أي نموذج إنتاجي. وبالنسبة للفيديو تحديدًا، يكتسب هذا أهمية كبيرة. فبينما كانت النماذج القديمة تضطر إلى أخذ عينات من عدد قليل من الإطارات وتأمل أن تكون ممثلة، يستطيع Gemini 3 معالجة إطارات أكثر بكثير عبر مقاطع أطول، مع الحفاظ على الترابط عبر الخط الزمني كاملًا.
💡 بالنسبة لسير العمل الإبداعي والمهني، يعني هذا أنه يمكنك تقديم مقابلة كاملة أو عرض منتج أو مقطع من فيلم وثائقي، ثم طرح أسئلة حول لحظات محددة، أو أنماط عبر المادة كلها، أو ملخصات تحريرية مع توقيتات دقيقة.
لا يكتفي Gemini 3 بتسمية ما يراه. بل يقرأ أين توجد الأشياء بالنسبة لبعضها البعض، ويمكنه الإجابة عن أسئلة مثل:
تجعل قدرة الاستدلال المكاني هذه النموذج مفيدًا في مهام مثل تدقيق الصور، ومراجعة التصوير الفوتوغرافي للمنتجات، وتقييم لقطات شاشة واجهات المستخدم، حيث تحمل العلاقات الموضعية معنى حقيقيًا.
يتعامل النموذج أيضًا مع المشاهد الكثيفة بكفاءة. فصورة لسوق مزدحم أو مخطط معقد أو رسم معلوماتي متعدد اللوحات ليست تحديًا كبيرًا لنموذج Gemini 3، لأنه يعالج الصورة كاملة بدقة عالية بدلًا من تقليل حجمها إلى شبكة ثابتة. وهذا يعني أن النصوص الدقيقة والأشياء الصغيرة والإشارات المكانية الخفيفة تبقى مرئية للنموذج، ولا تُطمس بفعل تشوهات الضغط.
الإجابة عن الأسئلة البصرية (VQA) هي المجال الذي يتألق فيه Gemini 3 بوضوح أكبر في الاستخدام العملي. اطلب منه قراءة مخطط بياني، أو استخراج أرقام من جدول مُصوَّر بزاوية مائلة، أو تفسير مخطط تدفق مرسوم بخط اليد، وسيتعامل مع الثلاثة دون معالجة لاحقة متخصصة.
فيما يلي بعض الأمثلة الملموسة لما يمكنه فعله بصورة واحدة:
| المهمة | ما الذي يفعله Gemini 3 |
|---|---|
| مسح الإيصال | يستخرج البنود والمجاميع والتواريخ |
| صورة للوحة البيضاء | يقرأ الملاحظات المكتوبة بخط اليد وينظمها |
| ملصق المنتج | يحدد المكونات والتحذيرات والشهادات |
| مشهد في الشارع | يحصي المركبات ويقرأ اللافتات المرئية |
| مخطط طبي | يصف البنى التشريحية مع السياق |
| مخطط معماري | يقيس العلاقات ويضع تسميات للعناصر المكانية |
الفارق بين التعليقات التوضيحية المفيدة والمحبطة يعود إلى الدقة. يولّد Gemini 3 تعليقات تسمّي عناصر محددة، وتصف العلاقات، وتطابق طولها مع درجة تعقيد الصورة. صورة منتج بسيطة تحصل على تعليق نظيف ومركّز، بينما تحصل صورة تحريرية معقدة على وصف متعدد الطبقات يغطي المقدمة والخلفية والمزاج والتفاصيل اللافتة.
يهم هذا سير عمل إمكانية الوصول، وأنظمة وسم المحتوى، ومسارات التجارة الإلكترونية، حيث تهدر التعليقات العامة فرصة فهرسة المحتوى البصري الغني بشكل صحيح. كما يهم أي سير عمل تحتاج فيه الصور إلى أن تصبح قابلة للبحث دون وسم يدوي، وهذا هو حال معظم عمليات المحتوى الحديثة على نطاق واسع.
تعمل خاصية التعرف الضوئي على الحروف (OCR) في Gemini 3 ضمن استدلاله البصري، ولا تُفصل إلى مسار منفصل. وهذا يعني أنه يقرأ النص في سياقه: فهو يفسّر أن ملاحظة لاصقة مكتوبة بخط اليد على الثلاجة تواصل غير رسمي، أو أن النص في ترويسة وثيقة قانونية له وزن مختلف عن نص المتن. ويستطيع استخراج النص وإعادة هيكلته والاستدلال عليه في آن واحد، لا بالتتابع.
الفرق العملي: بدلًا من الحصول على سلسلة نصية خام من مسح إيصال، تحصل على بيانات منظمة يعرف فيها النموذج أن المجموع يختلف عن بند في الفاتورة، أو أن إخلاء المسؤولية يختلف عن اسم المنتج.
الفيديو أصعب من الصور، ومعظم النماذج تتعامل معه كسلسلة من الإطارات المنفصلة. أما Gemini 3 فيقاربه بطريقة مختلفة.
عندما ترفع فيديو إلى Gemini 3، لا يعالج كل إطار بالتكلفة نفسها. بل يطبّق أخذ عينات ذكيًا للإطارات يحافظ على الترابط الزمني: تُمنح الإطارات الأساسية وزنًا أكبر، ويُرصد الانتقال في الحركة، ويحتفظ النموذج بصورة متواصلة عمّا حدث سابقًا في المقطع أثناء معالجته للأجزاء اللاحقة.
والنتيجة أنه يمكنك طرح أسئلة تتطلب استدلالًا زمنيًا:
هذه هي النقطة الرئيسية في قدرات Gemini 3 المتعلقة بالفيديو. تتيح نافذة السياق الممتدة للنموذج معالجة محتوى فيديو كان سيكون خارج نطاق النماذج متعددة الوسائط السابقة تمامًا.
ماذا يعني هذا عمليًا؟
💡 بالنسبة لفرق المحتوى، يحل هذا محل ساعات من المراجعة اليدوية. أما بالنسبة لسير العمل القانوني والامتثال، فيتيح فحصًا منهجيًا للمحتوى المسجّل مقارنةً بالمعايير. وبالنسبة للمعلمين، يفتح طرقًا جديدة لفهرسة المواد التعليمية وعرضها دون مشاهدة كل شيء من البداية إلى النهاية.
قدرة مهمة كثيرًا ما تُغفل: يستدل Gemini 3 على المسارين الصوتي والمرئي في وقت واحد. فهو لا ينسخ الكلام بشكل منفصل ثم يدمجه مع معالجة الصور. بل يقرأ العلاقة بين ما يُقال وما يُعرض.
يصبح هذا مهمًا عندما يتناقض المحتوى المرئي مع المنطوق أو يضيف إليه سياقًا، أو عندما تحمل نبرة الصوت وتعابير الوجه معًا معنى، أو عندما يقدم الصوت الخلفي دلائل عن البيئة لا توضحها إطارات الفيديو. فمثلًا، إذا قال المقدم "كما ترون هنا" وهو يشير إلى مخطط، فهذه إشارة يستطيع Gemini 3 فهمها من خلال قراءة الإيماءة ومحتوى المخطط معًا.
من المفيد أن نكون مباشرين بشأن الحدود. Gemini 3 ليس نموذج توليد فيديو. فهو يقرأ ويستدل؛ ولا ينتج محتوى بصريًا جديدًا من مدخلات الفيديو. أما لتوليد الفيديو، فتوفر منصات مثل PicassoIA نماذج مخصصة، من بينها Veo 3، وVeo 3.1، وVeo 3 Fast، التي تحوّل مدخلات النص أو الصورة إلى مقاطع فيديو كاملة مع صوت أصلي.
يتعامل الإصداران مع الصور والفيديو، لكن لكل منهما نقاط قوة وتنازلات مختلفة:
| القدرة | Gemini 3 Flash | Gemini 3 Pro |
|---|---|---|
| السرعة | أسرع بشكل ملحوظ | أبطأ وأكثر دقة |
| عمق تحليل الصور | قوي للمهام المعيارية | متفوق للاستدلال المعقد |
| سياق الفيديو | جيد للمقاطع القصيرة | ممتد، وأفضل للفيديو الطويل |
| دقة التعرف الضوئي على الحروف (OCR) | عالية | عالية جدًا |
| الاستدلال المكاني | موثوق | أدق للمشاهد المعقدة |
| التكلفة لكل مهمة | أقل | أعلى |
| أفضل استخدام | سير العمل عالي الحجم | القراءة المعمقة والمحتوى الغامض |
بالنسبة لمعظم مهام التعليقات التوضيحية على الصور، ومراجعة التصوير الفوتوغرافي للمنتجات، ومهام الفيديو القصيرة، يُعد Gemini 3 Flash الخيار العملي. أما المهام التي تتطلب أقصى دقة في المحتوى البصري المعقد، أو معالجة فيديو طويل بأعلى مستوى من الدقة، فيقدم Gemini 3 Pro أقصى ما يمكن. وإذا أردت قوة استدلال أكبر للمهام الأكثر تطلبًا، فإن Gemini 3.1 Pro يذهب أبعد من ذلك بفضل بنية محسّنة مبنية على الأساس متعدد الوسائط نفسه.
يتيح لك PicassoIA الوصول المباشر إلى كلٍّ من Gemini 3 Flash و Gemini 3 Pro دون أي إعداد لواجهة API أو إدارة للتوكنات. إليك كيفية الاستفادة من قدرات الصور والفيديو.
توجّه إلى Gemini 3 Pro للاستدلال البصري المعقد، أو إلى Gemini 3 Flash للمهام السريعة عالية الحجم. يتوفر كلاهما ضمن فئة النماذج اللغوية الكبيرة على PicassoIA.
متى تختار Pro:
متى تختار Flash:
تقبل واجهة PicassoIA رفع الملفات مباشرة. بالنسبة للصور، تُدعم الصيغ القياسية (JPEG و PNG و WEBP). أما بالنسبة للفيديو، فيمكنك رفع ملفات MP4 مباشرة أو تقديم رابط.
نصائح للحصول على نتائج أفضل:
تعتمد جودة مخرجات Gemini 3 البصرية بشكل كبير على طريقة صياغة طلبك. الأوامر العامة تعطي إجابات عامة، أما الأوامر المحددة فتستخرج القدرة الكاملة للاستدلال لدى النموذج.
أمر نصي ضعيف: "ما الموجود في هذه الصورة؟"
أمر نصي قوي: "حدد كل النصوص الظاهرة في الصورة، ولاحظ أي العناصر تبدو مكتوبة بخط اليد مقابل المطبوعة، وأدرجها بالترتيب من أعلى الإطار إلى أسفله."
أنماط أوامر نصية تعمل جيدًا:
💡 في أوامر الفيديو، حدّد دائمًا التوقيتات أو الأقسام التي تهمك. سيشير Gemini 3 إلى لحظات محددة عندما تمنحه الإذن بأن يكون دقيقًا.
Gemini 3 نموذج محادثة. إذا كانت الاستجابة الأولى قريبة لكنها ليست دقيقة تمامًا، فتابع في الجلسة نفسها:
يحافظ النموذج على السياق عبر الأدوار، فيمكنك التحسين دون إعادة شرح المهمة كاملة. وهذا ما يجعله فعالًا بشكل خاص في العمل التحريري المفصّل، حيث تكشف المرحلة الأولى عمّا يجب التعمق فيه لاحقًا.
بمجرد أن ترى ما يفعله النموذج فعلًا، تصبح التطبيقات ملموسة بدلًا من أن تكون مجردة. فيما يلي فئات تفيد فيها قدرات Gemini 3 البصرية والمتعلقة بالفيديو بشكل مباشر:
عمليات المحتوى:
التجارة الإلكترونية:
البحث والتوثيق:
سير العمل الإبداعي:
إذا كان سير عملك يتضمن أحجامًا كبيرة من الصور أو الفيديو، فإن الجمع بين Gemini 3 Flash من أجل السرعة وGemini 3 Pro من أجل العمق يمنحك نظامًا من مستويين يتعامل مع معظم السيناريوهات العملية دون إنفاق مفرط على كل مهمة.
يقرأ Gemini 3 المحتوى البصري ويستدل عليه بدقة. لكن الاستدلال ليس سوى نصف سير العمل. وعندما تحتاج إلى توليد صور أو فيديو جديد مما جمعته، فإن مكتبة النماذج الكاملة لدى PicassoIA جاهزة.
أما مخرجات الفيديو، فإن Veo 3 وVeo 3.1 من Google تنتجان فيديو سينمائيًا مع صوت أصلي من أوامر نصية. ويعالجان المهمة نفسها بإنتاجية أعلى Veo 3 Fast وVeo 3.1 Fast عندما يكون زمن الإنجاز أهم من أقصى درجات الجودة.
وإذا كنت تحتاج إلى استعادة الصور التي تعمل عليها أو رفع دقتها قبل تمريرها إلى نموذج رؤية، فإن Clarity Pro Upscaler وReal ESRGAN يضيفان تفاصيل جديدة إلى المواد المضغوطة أو منخفضة الدقة. ومدخلات أعلى جودة تنتج باستمرار مخرجات استدلال بصري أدق، لذلك غالبًا ما يستحق رفع الدقة قبل التحليل هذه الخطوة الإضافية.
Gemini 3 هو طبقة الاستدلال. أما PicassoIA فهي المكان الذي يتصل فيه ذلك الاستدلال بالتوليد والتحويل والإنتاج. ابدأ بصورة أو فيديو تريد قراءته بعمق. اطرح على Gemini 3 Pro أو Gemini 3 Flash الأسئلة الصحيحة. ثم استخدم ما تجده لإنشاء شيء أفضل. النماذج في انتظارك على picassoia.com.
اختر لغتك
