موديل NeoAraBERT العربي للـ embeddings يتصدر 18 مهمة من 23 أمام 5 موديلات عربية

جاء موديل NeoAraBERT العربي في المركز الأول في 18 مهمة من أصل 23، في مقارنة مع 5 من أقوى الموديلات العربية. ولم يصدر الموديل عن شركة، بل عن المركز العربي للأبحاث ودراسة السياسات بالتعاون مع الجامعة الأمريكية في بيروت، ونُشرت ورقته في ACL 2026 Findings.

والموديل مخصص للـ embeddings، أي تحويل الجملة إلى مجموعة من الأرقام يُقاس عليها التشابه بين النصوص. وعلى هذه الأرقام يقوم البحث الدلالي وأنظمة RAG. فإذا لم يرَ الموديل أن كلمتي “عربية” و“سيارة” متقاربتان في المعنى، أعاد البحث نتيجة خاطئة رغم أن الكود سليم تمامًا.

وقد درّبه الفريق على الفصحى والعربية الكلاسيكية واللهجات معًا، وأصدره في ثلاث نسخ: واحدة تجمع الكل، وأخرى للفصحى وحدها، وثالثة للهجات. ونشر معه مقياسًا باسم مُرادف يقيس جودة الـ embedding مباشرة دون أي fine-tuning، وهو ضبط إضافي للموديل على مهمة بعينها.

وفي 26 أكتوبر 2026، الساعة 11:03 بتوقيت UTC، نشر الفريق تحديثًا يجعل الموديل يعمل مع مكتبة Transformers 5 ويجعل xFormers اختياريًا، وهو ما يسهّل تثبيته في البيئات الحديثة.

والقيد الأهم هو الترخيص: CC-BY-SA-4.0، أي المشاركة بالمثل. وقد يعني ذلك شروطًا على المنتجات المغلقة التي تدمجه، لذلك يصبح فهم الترخيص جزءًا من قرار استخدامه لا تفصيلًا لاحقًا.

وللفرق التي تبني بحثًا عربيًا، يظهر هنا بديل مفتوح الأوزان خرج من بحث أكاديمي عربي، بعد أن كانت أغلب الخيارات القوية تأتي من شركات خارج المنطقة.