مدل بینایی بزرگ

ماژول اصلی	تعریف ماژول	توضیحات
VLM	مدل بینایی بزرگ	درک هوشمند تصویر

فیچرلیست:

ردیف	دسته بندی	ویژگی (Feature)	پارامترهای کلیدی / گزینه‌ها	داستان کاربر (User Story)
1	قابلیت‌های بنیادین درک تصویر	پاسخگویی به سوالات بصری (VQA)	image, question	به عنوان یک کاربر با آسیب بینایی، می‌خواهم از یک لباس عکس بگیرم و بپرسم "رنگ این پیراهن چیست؟" تا بتوانم آن را ست کنم.
2		تولید کپشن تصویر (Image Captioning)	image, caption_length ('short', 'detailed')	به عنوان یک مدیر شبکه اجتماعی، می‌خواهم برای تصاویر محصولاتم به صورت خودکار یک کپشن جذاب و توصیفی تولید کنم.
3		تشخیص و استخراج متن (OCR)	image, language	به عنوان یک شرکت بیمه، می‌خواهم اطلاعات را از روی تصاویر فرم‌های کاغذی مشتریان به صورت خودکار استخراج کنم.
4		مکان‌یابی شیء با متن (Object Grounding)	image, text_description	به عنوان یک پلتفرم فروشگاهی، می‌خواهم وقتی کاربر عبارت "کفش ورزشی قرمز" را جستجو می‌کند، دقیقاً آن محصول در تصویر هایلایت شود.
5	کاربردهای پیشرفته و استدلالی	استدلال چندوجهی (Multimodal Reasoning)	image, complex_question	به عنوان یک تحلیل‌گر مالی، می‌خواهم نمودار سهام یک شرکت را آپلود کرده و بپرسم "بر اساس این نمودار، بزرگترین افت قیمت در کدام بازه زمانی رخ داده است؟".
6		گفتگوی بصری (Visual Dialogue)	image, session_id, conversation_history	به عنوان یک دانش‌آموز، می‌خواهم تصویری از یک سلول را نشان دهم و چندین سوال پشت سر هم در مورد اجزای مختلف آن بپرسم.
7		مقایسه بصری (Visual Comparison)	image_1, image_2	به عنوان یک بازرس کنترل کیفیت، می‌خواهم تصویر یک محصول سالم را با محصول تولید شده مقایسه کنم تا سیستم تفاوت‌ها و نواقص احتمالی را گزارش دهد.
8		استخراج اطلاعات ساختاریافته	image, schema (e.g., invoice schema)	به عنوان یک حسابدار، می‌خواهم با عکس گرفتن از یک فاکتور، مقادیری مانند "شماره فاکتور"، "تاریخ" و "مبلغ کل" به صورت خودکار در نرم‌افزار حسابداری وارد شود.
9	قابلیت‌های تولیدی و خلاقانه	تولید تصویر از متن (Text-to-Image)	prompt, negative_prompt, style, aspect_ratio	به عنوان یک مدیر بازاریابی، می‌خواهم برای کمپین تبلیغاتی خود، یک تصویر خلاقانه از «یک فضانورد در حال قهوه خوردن در یک کافه در مریخ» تولید کنم.
10		ویرایش تصویر با دستورات متنی (Inpainting/Outpainting)	image, mask, prompt	به عنوان یک طراح محصول، می‌خواهم یک عکس از محصولم را آپلود کرده و از سیستم بخواهم آن را در فضاهای مختلف (مثلاً روی یک میز چوبی) قرار دهد.
11	پردازش ویدیو	تحلیل و خلاصه‌سازی ویدیو	video_file, question/task	به عنوان یک سردبیر، می‌خواهم یک ویدیوی سخنرانی یک ساعته را آپلود کرده و خلاصه‌ای از نکات کلیدی آن را در چند پاراگراف دریافت کنم.
12		تشخیص رویداد در ویدیو (Event Detection)	video_file, event_description	به عنوان یک مربی ورزشی، می‌خواهم در ویدیوی یک مسابقه فوتبال، تمام لحظاتی که "گل" به ثمر رسیده است را به سرعت پیدا کنم.
13	سفارشی‌سازی و آموزش	فاین‌تیونینگ برای شناسایی اشیاء خاص	training_dataset (images + labels)	به عنوان یک فروشگاه زنجیره‌ای، می‌خواهم مدل را طوری آموزش دهم که بتواند محصولات برند ما را در قفسه‌های فروشگاه به دقت شناسایی و شمارش کند.
14	کنترل پیشرفته و اعتمادسازی	کنترل فرمت خروجی (JSON Mode)	response_format ('json', 'text')	به عنوان یک توسعه‌دهنده، می‌خواهم اطلاعات استخراج شده از یک کارت ویزیت را مستقیماً در فرمت JSON دریافت کنم تا به راحتی در پایگاه داده ذخیره نمایم.
15		ارائه امتیاز اطمینان و قابلیت توضیح (XAI)	include_confidence, enable_xai	به عنوان یک پزشک، می‌خواهم وقتی AI یک ناهنجاری در تصویر پزشکی تشخیص می‌دهد، امتیاز اطمینان آن را ببینم تا بتوانم به نتیجه اعتماد کنم.
16	پلتفرم، API و عملیات	تعدیل محتوای بصری (Visual Content Moderation)	image/video, moderation_categories	به عنوان مدیر یک شبکه اجتماعی، می‌خواهم تمام تصاویر آپلود شده توسط کاربران به صورت خودکار برای محتوای نامناسب بررسی شوند.
17		API جامع و کتابخانه‌های توسعه (SDKs)	API_keys, SDKs (Python, JS)	به عنوان یک توسعه‌دهنده اپلیکیشن، می‌خواهم با استفاده از SDK پایتون، به راحتی قابلیت تحلیل تصویر را به محصول خود اضافه کنم.
18		کاتالوگ مدل‌ها (Model Garden)	model_id ('fast', 'pro', 'ultra')	به عنوان یک توسعه‌دهنده، می‌خواهم برای کارهای ساده و پرتکرار از یک مدل کم‌هزینه استفاده کنم، اما برای تحلیل‌های پیچیده به مدل قوی‌تر دسترسی داشته باشم.
19		API پردازش دسته‌ای و غیرهمزمان	input_source_url, output_destination_url, webhook_url	به عنوان مدیر یک پلتفرم e-commerce، می‌خواهم برای تمام ۱ میلیون تصویر محصول در سایت، به صورت یکجا و در پس‌زمینه، کپشن‌های جدید برای بهبود SEO تولید کنم.
20		داشبورد تحلیل و مصرف	(Admin Dashboard UI)	به عنوان مدیر محصول، می‌خواهم بدانم کدام ویژگی VLM (مثلاً VQA یا OCR) بیشترین استفاده را در میان مشتریان ما دارد.
21		زمین بازی تعاملی (Interactive Playground)	(Web UI)	به عنوان یک مشتری بالقوه، می‌خواهم قبل از خرید API، بتوانم چند نمونه از تصاویر خودم را تست کنم و کیفیت و سرعت پاسخ‌دهی مدل را بسنجم.