محلّل YaiGlobal مقارنة مع Tesseract
Tesseract هو الخيار الافتراضي لأنه مجاني ومنتشر في كل مكان. وعلى العربية يسجّل معدل خطأ حروف قدره 54.00% — و75.75% على الخط اليدوي.
Tesseract برنامج مهم حقاً، ويعود إليه الفضل في جزء كبير من رقمنة النصوص بالخط اللاتيني أصلاً. لكن معماريته تعمل ضده في العربية: إذ تفترض خطوة لتقطيع الحروف لا يوفّرها الخط العربي المتصل. تعرض هذه الصفحة الأرقام المقيسة، وتصرّح بوضوح بالحالات التي يظل فيها Tesseract الإجابة الصحيحة.
جنباً إلى جنب، بالقياس
أرقام Tesseract منقولة من ورقة KITAB-Bench المنشورة، وقد أعدّها مؤلفوها — ولم نقِسها نحن.
| المهمة / المقياس | YaiGlobal | Tesseract | الفارق النسبي |
|---|---|---|---|
| معدل خطأ الحروف في تحويل الصور إلى نص ↓ | 12.50% | 54.00% | −76.85% |
| معدل خطأ الكلمات في تحويل الصور إلى نص ↓ | 25.00% | 84.00% | −70.24% |
| chrF في تحويل الصور إلى نص ↑ | 85.23 | 39.62 | +115.12% |
| معدل خطأ الحروف في الخط اليدوي ↓ | 14.50% | 75.75% | −80.86% |
| معدل خطأ الكلمات في الخط اليدوي ↓ | 37.25% | 115.50% | −67.75% |
| TEDS لبنية الجداول ↑ (عبر Img2Table) | 97.99 | 38.64 | +153.60% |
| TEDS لبنية الجداول ↑ (عبر Docling) | 97.99 | 28.23 | +247.11% |
يحلّ Tesseract سابعاً من بين سبعة عشر نظاماً في تحويل الصور إلى نص — متقدماً على EasyOCR وPaddleOCR وعدد من نماذج الرؤية واللغة، ومتأخراً عن الأنظمة الثلاثة المتقاربة في القمة. وعلى الخط اليدوي يتجاوز معدل خطأ الكلمات لديه، البالغ 115.50%، نسبة 100%، ما يعني أنه يُخرج محتوى زائفاً يفوق النص المرجعي. انظر لماذا تتجاوز معدلات الخطأ 100%.
لماذا تصعب العربية تحديداً على Tesseract
المسألة معمارية، وليست مسألة ضبط أو بيانات تدريب.
يفترض مسار التعرف في Tesseract أنه يمكن فصل الحروف قبل تحديدها. وهذا الافتراض يصحّ إلى حد بعيد في الطباعة اللاتينية، حيث المسافات بين الحروف موثوقة. لكن العربية خط متصل حتى في الطباعة — فالحروف تتصل بما يجاورها، ومعظمها يتخذ أشكالاً مختلفة بحسب موضعه. فلا توجد حدود تقطيع موثوقة يمكن العثور عليها.
ويظهر الأثر بأشد صوره على الخط اليدوي، حيث الاتصالات غير منتظمة وخطوط الأساس منحرفة. إذ يتراجع Tesseract من معدل خطأ حروف قدره 54.00% إلى 75.75%، بينما ينتقل المحلّل من 12.50% إلى 14.50%. المزيد عن سبب صعوبة العربية ←
إدراج Tesseract في سلسلة معالجة لا يصلح البنية
من الأساليب الشائعة إقران Tesseract بإطار لاحق لتحليل البنية أو الجداول. وتُظهر القياسات أن اختيار المرحلة اللاحقة مهم — لكن أياً منهما لا ينقذ النتيجة:
| سلسلة المعالجة | TEDS ↑ |
|---|---|
| محلّل YaiGlobal | 97.99 |
| LlamaParse | 90.55 |
| Surya + Marker | 50.15 |
| EasyOCR + Docling | 49.10 |
| EasyOCR + Img2Table | 39.09 |
| Tesseract + Img2Table | 38.64 |
| Tesseract + Docling | 28.23 |
ملاحظة جديرة بالاهتمام لمن يبني سلسلة معالجة: مخرجات EasyOCR نفسها تسجّل 49.10 عبر Docling و39.09 عبر Img2Table. فدقة الجداول خاصية للسلسلة كلها، لا لمحرك التعرف الضوئي وحده — ولذلك يمكن تحسين السلسلة بتغيير المرحلة اللاحقة، ولكن ليس بما يكفي لسدّ فجوة بهذا الحجم.
متى يظل Tesseract الخيار المناسب
هذه حالات حقيقية، ونفضّل أن نسمّيها على أن نتظاهر بأنها غير موجودة.
- ميزانية معدومة. Tesseract مجاني ومرخّص بموجب Apache. وإن لم تكن هناك ميزانية، فالمقارنة ليست بين نظامين، بل بين Tesseract ولا شيء، وفي هذه المقارنة يفوز Tesseract.
- عربية مطبوعة حديثة نظيفة تغذّي فهرس بحث تقريبي. إذا كانت المخرجات تُستخدم للمطابقة التقريبية في النص الكامل لا بوصفها سجلاً، فإن ارتفاع معدل خطأ الحروف يُضعف الاسترجاع دون أن يجعل النظام عديم الفائدة.
- تشغيل دون اتصال بالكامل ودون مسار للشراء. فهو يعمل في أي مكان، دون ترخيص، ودون واجهة برمجية، ودون علاقة مع مورّد.
- مجموعات بالخط اللاتيني أو مختلطة تكون فيها العربية عَرَضية. فأداء Tesseract في الخط اللاتيني قصة مختلفة وأفضل بكثير.
- النماذج الأولية ودراسات الجدوى، حيث السؤال هو ما إذا كان بناء سلسلة المعالجة ممكناً أصلاً.
حساب يستحق الإجراء قبل استبعاد فارق التكلفة. عند معدل خطأ حروف قدره 54.00%، يحتاج نحو حرف من كل حرفين في العربية المطبوعة إلى تصحيح. والمقارنة المهمة ليست بين تكلفة الترخيص والصفر — بل بين تكلفة الترخيص وساعات التصحيح البشري التي يستلزمها معدل الخطأ عبر حجم وثائقك. ففي مجموعة صغيرة ونظيفة يميل الحساب لصالح Tesseract. أما في مجموعة كبيرة أو صعبة فلا يميل له في الغالب، ونقطة التحوّل تستحق أن تُحسب لا أن تُفترض.
ما الذي لا تثبته هذه المقارنة
أجرت YaiGlobal هذا التقييم بنفسها. أرقام Tesseract مأخوذة من ورقة KITAB-Bench المنشورة ولم نُعِد تشغيلها، لذا تختلط فروق الإعداد — بيانات اللغة، ونمط تقطيع الصفحة، والمعالجة المسبقة — بفروق القدرة. وقد يتفوّق نشر لـTesseract مضبوط بعناية ومزوَّد بمعالجة مسبقة جيدة على الإعداد المستخدم في المعيار المرجعي. ولم يكرّر أي طرف مستقل هذه المقارنة.
كما أنها تغطي أربعاً من مهام المعيار المرجعي التسع، ولا يتصدّى Tesseract لعدد منها.
قارن على وثائقك أنت
من شبه المؤكد أن لديك مخرجات من Tesseract بالفعل. أرسل إلينا الصفحات نفسها، وسنعالجها ونعيد إليك المخرجات إلى جانبها، لتكون المقارنة على مادتك أنت لا على معيار مرجعي لجهة أخرى.
النطاق. تقييم أجرته YaiGlobal بنفسها على أربع من مهام KITAB-Bench التسع، و5,949 عيّنة. أرقام Tesseract منقولة من ورقة المعيار المنشورة (Heakl وزملاؤه، Findings of ACL 2025، arXiv:2502.14949)، ولم تُعِد YaiGlobal تشغيلها. المجاميع في تحويل الصور إلى نص متوسطات كلّية غير مرجَّحة؛ ومعدل خطأ الحروف المرجَّح بعدد العيّنات لمحلّل YaiGlobal هو 14.08%. ويُصان Tesseract بوصفه مشروعاً مفتوح المصدر بموجب ترخيص Apache 2.0. المنهجية الكاملة وحدودها.