SAM 3: تقسيم أي شيء باستخدام المفاهيم#

SAM 3 (نموذج تقسيم أي شيء 3) هو نموذج Meta الأساسي المُطلَق لـتقسيم المفاهيم القابل للمطالبة (PCS). واستنادًا إلى SAM 2، يقدّم SAM 3 قدرة جديدة جوهريًا: اكتشاف جميع مثيلات مفهوم مرئي تحدده مطالبات نصية أو أمثلة مصوّرة أو كليهما، وتقسيمها وتتبعها. وعلى خلاف إصدارات SAM السابقة التي تقسّم كائنًا واحدًا لكل مطالبة، يستطيع SAM 3 العثور على كل ظهور لمفهوم وتقسيمه أينما ظهر في الصور أو مقاطع الفيديو، بما يتوافق مع أهداف المفردات المفتوحة في تقسيم المثيلات الحديث.

يقنت نموذج SAM 3 بشكل كامل في حزمة ultralytics، مما يوفّر دعمًا أصليًا لتجزئة المفاهيم باستخدام موجهات النصوص، وموجهات أمثلة الصور، وتتبع الفيديو. يُعد الإصدار الأحدث SAM 3.1 مدعومًا للتنبؤ بالصور.

نظرة عامة#

يحقق SAM 3 تحسنًا بمقدار الضعف مقارنةً بالأنظمة الحالية في تقسيم المفاهيم القابل للمطالبة، مع الحفاظ على إمكانات SAM 2 للتقسيم البصري التفاعلي وتحسينها. ويتفوق النموذج في التقسيم ذي المفردات المفتوحة، ما يتيح للمستخدمين تحديد المفاهيم باستخدام عبارات اسمية بسيطة (مثل "حافلة مدرسية صفراء" و"قطة مخططة") أو تقديم صور أمثلة للكائن المستهدف. وتكمّل هذه الإمكانات مسارات العمل الجاهزة للإنتاج التي تعتمد على سيرَي التنبؤ والتتبع المبسّطين.

ما تقسيم المفاهيم القابل للمطالبة (PCS)؟#

تأخذ مهمة PCS مطالبة مفهوم كمدخل، وتعيد أقنعة تقسيم ذات هويات فريدة لجميع مثيلات الكائنات المطابقة. ويمكن أن تكون مطالبات المفاهيم:

• النص: عبارات اسمية بسيطة مثل "تفاحة حمراء" أو "شخص يرتدي قبعة"، على غرار التعلّم من دون أمثلة
• الأمثلة المصوّرة: مربعات إحاطة حول كائنات نموذجية (إيجابية أو سلبية) للتعميم السريع
• مُجمّعة: النص والأمثلة المصوّرة معًا لتحقيق تحكم دقيق

يختلف هذا عن المطالبات البصرية التقليدية (النقاط والمربعات والأقنعة) التي تقسّم مثيل كائن محددًا واحدًا فقط، كما اشتهرت به عائلة SAM الأصلية.

مقاييس الأداء الرئيسية#

للاطلاع على سياق مقاييس النماذج والمفاضلات في بيئات الإنتاج، راجع رؤى تقييم النماذج ومقاييس أداء YOLO.

SAM 3.1#

يُعد نموذج SAM 3.1، الذي أُصدر بواسطة شركة Meta في 27 مارس 2026، نقطة تحقق جديدة لنموذج SAM 3 تضيف ميزة Object Multiplex، وهي نهج ذاكرة مشترك لتتبع الكائنات المتعددة في الفيديو. فبدلاً من معالجة كل كيفية أو كائن متتبع بشكل مستقل، يقوم نموذج SAM 3.1 بتجميع الكائنات في حاويات ذات سعة ثابتة ومعالجتها بشكل مشترَك، وهو ما تقريره شركة Meta على أنه تسريع بمقدار ~7 أضعاف عند 128 كائنًا على وحدة معالجة رسومية H100 واحدة. يحافظ كاشف الصور ورأس موجه النقطة التفاعلي على بنية نموذج SAM 3.

تقوم Ultralytics بتحميل نقطة تحقق نموذج SAM 3.1 (sam3.1_multiplex.pt) في مُتنبئات صور SAM 3: SAM("sam3.1_multiplex.pt") لموجهات النقاط والصناديق، وSAM3SemanticPredictor لموجهات النصوص والأمثلة. لا يُدعم تتبع فيديو Object Multiplex حتى الآن، لذا استمر في استخدام sam3.pt مع SAM3VideoPredictor وSAM3VideoSemanticPredictor.

البنية#

يتكوّن SAM 3 من كاشف ومتتبّع يشتركان في العمود الفقري للرؤية الخاص بمشفّر الإدراك (PE). ويتجنب هذا التصميم المفصول تعارضات المهام، مع تمكين كل من الاكتشاف على مستوى الصورة والتتبع على مستوى الفيديو، وبواجهة متوافقة مع استخدام Python واستخدام CLI في Ultralytics.

المكوّنات الأساسية#

• الكاشف: بنية قائمة على DETR لاكتشاف المفاهيم على مستوى الصورة

  • مشفّر نصي لمطالبات العبارات الاسمية
  • مشفّر أمثلة للمطالبات المستندة إلى الصور
  • مشفّر دمج لتهيئة ميزات الصورة وفقًا للمطالبات
  • رأس حضور جديد يفصل بين التعرّف ("ماذا") وتحديد الموقع ("أين")
  • رأس أقنعة لتوليد أقنعة تقسيم المثيلات

• المتتبّع: تقسيم فيديو قائم على الذاكرة، موروث من SAM 2

  • مشفّر المطالبة، وفكّ ترميز القناع، ومشفّر الذاكرة
  • بنك ذاكرة لتخزين مظهر الكائن عبر الإطارات
  • إزالة الالتباس الزمني بمساعدة تقنيات مثل مرشح Kalman في إعدادات متعددة الكائنات

• رمز الحضور: رمز عام متعلَّم يتنبأ بما إذا كان المفهوم المستهدف موجودًا في الصورة/الإطار، ما يحسن الاكتشاف عبر فصل التعرّف عن تحديد الموقع.

الابتكارات الرئيسية#

1. فصل التعرّف عن تحديد الموقع: يتنبأ رأس الحضور بوجود المفهوم على نحو عام، بينما تركز استعلامات المقترحات على تحديد الموقع فقط، ما يتجنب الأهداف المتعارضة.
2. توحيد مطالبات المفاهيم والمطالبات البصرية: يدعم كلًا من PCS (مطالبات المفاهيم) وPVS (المطالبات البصرية مثل النقرات/المربعات في SAM 2) في نموذج واحد.
3. التحسين التفاعلي باستخدام الأمثلة: يمكن للمستخدمين إضافة أمثلة مصوّرة إيجابية أو سلبية لتحسين النتائج تكراريًا، مع تعميم النموذج على كائنات مماثلة بدلًا من تصحيح المثيلات الفردية فحسب.
4. إزالة الالتباس الزمني: يستخدم درجات اكتشاف masklet وإعادة المطالبة دوريًا للتعامل مع الحجب والمشاهد المزدحمة وفشل التتبع في الفيديو، بما يتوافق مع أفضل ممارسات تقسيم المثيلات وتتبعها.

مجموعة بيانات SA-Co#

يُدرَّب SAM 3 على Segment Anything with Concepts (SA-Co)، وهي أكبر مجموعة بيانات لتقسيم الصور وأكثرها تنوعًا لدى Meta حتى الآن، وتتجاوز المعايير الشائعة مثل COCO وLVIS.

بيانات التدريب#

بيانات المعيار#

يحتوي معيار تقييم SA-Co على 214 ألف عبارة فريدة موزعة على 126 ألف صورة وفيديو، ما يوفر أكثر من 50 ضعفًا من المفاهيم مقارنةً بالمعايير الحالية. ويشمل:

• SA-Co/Gold: 7 مجالات، مع شرح ثلاثي لقياس حدود الأداء البشري
• SA-Co/Silver: 10 مجالات، مع شرح بشري واحد
• SA-Co/Bronze وSA-Co/Bio: 9 مجموعات بيانات موجودة مكيّفة لتقسيم المفاهيم
• SA-Co/VEval: معيار فيديو بثلاثة مجالات (SA-V وYT-Temporal-1B وSmartGlasses)

ابتكارات محرك البيانات#

يحقق محرك بيانات SAM 3 القابل للتوسع، الذي يضع الإنسان والنموذج ضمن الحلقة، ضعف إنتاجية الوسم من خلال:

1. الموسِمون بالذكاء الاصطناعي: تقترح النماذج القائمة على Llama عبارات اسمية متنوعة، بما في ذلك الأمثلة السلبية الصعبة
2. المدقّقون بالذكاء الاصطناعي: تتحقق نماذج اللغات متعددة الوسائط المضبوطة دقيقًا من جودة الأقنعة وشموليتها بأداء قريب من أداء البشر
3. التنقيب النشط: يركز الجهد البشري على حالات الفشل الصعبة التي يواجه فيها الذكاء الاصطناعي صعوبة
4. مدفوع بالأنطولوجيا: يستفيد من أنطولوجيا كبيرة تستند إلى Wikidata لتغطية المفاهيم

التثبيت#

قم بتثبيت حزمة ultralytics أو ترقيتها:

pip install -U ultralytics

pip uninstall clip -y
pip install git+https://github.com/ultralytics/CLIP.git

كيفية استخدام SAM 3: تعدد الاستخدامات في تقسيم المفاهيم#

يدعم SAM 3 مهام تقسيم المفاهيم القابل للمطالبة (PCS) وتقسيم العناصر البصرية القابل للمطالبة (PVS) من خلال واجهات متنبئات مختلفة:

المهام والنماذج المدعومة#

أمثلة على تقسيم المفاهيم#

التقسيم باستخدام المطالبات النصية#

from ultralytics.models.sam import SAM3SemanticPredictor

# Initialize predictor with configuration
overrides = {
    "conf": 0.25,
    "task": "segment",
    "mode": "predict",
    "model": "sam3.pt",
    "quantize": 16,  # Use FP16 for faster inference
    "save": True,
}
predictor = SAM3SemanticPredictor(overrides=overrides)

# Set image once for multiple queries
predictor.set_image("path/to/image.jpg")

# Query with multiple text prompts
results = predictor(text=["person", "bus", "glasses"])

# Works with descriptive phrases
results = predictor(text=["person with red cloth", "person with blue cloth"])

# Query with a single concept
results = predictor(text=["a person"])

التقسيم باستخدام أمثلة الصور#

from ultralytics.models.sam import SAM3SemanticPredictor

# Initialize predictor
overrides = {"conf": 0.25, "task": "segment", "mode": "predict", "model": "sam3.pt", "quantize": 16, "save": True}
predictor = SAM3SemanticPredictor(overrides=overrides)

# Set image
predictor.set_image("path/to/image.jpg")

# Provide bounding box examples to segment similar objects
results = predictor(bboxes=[[480.0, 290.0, 590.0, 650.0]])

# Multiple bounding boxes as exemplars of the same visual concept
results = predictor(bboxes=[[539, 599, 589, 639], [343, 267, 499, 662]])

الاستدلال المستند إلى الميزات لتحقيق الكفاءة#

import cv2

from ultralytics.models.sam import SAM3SemanticPredictor
from ultralytics.utils.plotting import Annotator, colors

# Initialize predictors
overrides = {"conf": 0.50, "task": "segment", "mode": "predict", "model": "sam3.pt", "verbose": False}
predictor = SAM3SemanticPredictor(overrides=overrides)
predictor2 = SAM3SemanticPredictor(overrides=overrides)

# Extract features from the first predictor
source = "path/to/image.jpg"
predictor.set_image(source)
src_shape = cv2.imread(source).shape[:2]

# Setup second predictor and reuse features
predictor2.setup_model()

# Perform inference using shared features with text prompt
masks, boxes = predictor2.inference_features(predictor.features, src_shape=src_shape, text=["person"])

# Perform inference using shared features with bounding box prompt
masks, boxes = predictor2.inference_features(predictor.features, src_shape=src_shape, bboxes=[[439, 437, 524, 709]])

# Visualize results
if masks is not None:
    masks, boxes = masks.cpu().numpy(), boxes.cpu().numpy()
    im = cv2.imread(source)
    annotator = Annotator(im, pil=False)
    annotator.masks(masks, [colors(x, True) for x in range(len(masks))])

    cv2.imshow("result", annotator.result())
    cv2.waitKey(0)

تقسيم المفاهيم في الفيديو#

تتبّع المفاهيم عبر الفيديو باستخدام مربعات الإحاطة#

from ultralytics.models.sam import SAM3VideoPredictor

# Create video predictor
overrides = {"conf": 0.25, "task": "segment", "mode": "predict", "model": "sam3.pt", "quantize": 16}
predictor = SAM3VideoPredictor(overrides=overrides)

# Track objects using bounding box prompts
results = predictor(source="path/to/video.mp4", bboxes=[[706.5, 442.5, 905.25, 555], [598, 635, 725, 750]], stream=True)

# Process and display results
for r in results:
    r.show()  # Display frame with segmentation masks

تتبّع المفاهيم باستخدام المطالبات النصية#

from ultralytics.models.sam import SAM3VideoSemanticPredictor

# Initialize semantic video predictor
overrides = {
    "conf": 0.25,
    "task": "segment",
    "mode": "predict",
    "imgsz": 640,
    "model": "sam3.pt",
    "quantize": 16,
    "save": True,
}
predictor = SAM3VideoSemanticPredictor(overrides=overrides)

# Track concepts using text prompts
results = predictor(source="path/to/video.mp4", text=["person", "bicycle"], stream=True)

# Process results
for r in results:
    r.show()  # Display frame with tracked objects

# Alternative: Track with bounding box prompts
results = predictor(
    source="path/to/video.mp4",
    bboxes=[[864, 383, 975, 620], [705, 229, 782, 402]],
    labels=[1, 1],  # Positive labels
    stream=True,
)

المطالبات المرئية (التوافق مع SAM 2)#

يحافظ SAM 3 على التوافق الكامل مع الإصدارات السابقة مع المطالبات المرئية في SAM 2 لتقسيم كائن واحد:

from ultralytics import SAM

model = SAM("sam3.pt")

# Single point prompt - segments object at specific location
results = model.predict(source="path/to/image.jpg", points=[900, 370], labels=[1])
results[0].show()

# Multiple points - segments single object with multiple point hints
results = model.predict(source="path/to/image.jpg", points=[[400, 370], [900, 370]], labels=[1, 1])

# Box prompt - segments object within bounding box
results = model.predict(source="path/to/image.jpg", bboxes=[100, 150, 300, 400])
results[0].show()

معايير الأداء#

تقسيم الصور#

يحقق SAM 3 نتائج متقدمة على مستوى أحدث التقنيات عبر معايير متعددة، بما في ذلك مجموعات البيانات الواقعية مثل LVIS وCOCO للتقسيم:

استكشف خيارات مجموعات البيانات لإجراء تجارب سريعة في مجموعات بيانات Ultralytics.

أداء تقسيم الفيديو#

يُظهر SAM 3 تحسينات كبيرة مقارنةً بـ SAM 2 وبأحدث التقنيات السابقة عبر معايير الفيديو مثل DAVIS 2017 وYouTube-VOS:

التكيّف مع عدد قليل من الأمثلة#

يتفوق SAM 3 في التكيّف مع المجالات الجديدة باستخدام أمثلة قليلة، وهو أمر مهم لسير عمل الذكاء الاصطناعي المتمحور حول البيانات:

فعالية التحسين التفاعلي#

يتقارب التوجيه المستند إلى المفاهيم في SAM 3 باستخدام الأمثلة بسرعة أكبر بكثير من التوجيه المرئي:

دقة عدّ الكائنات#

يوفر SAM 3 عدًّا دقيقًا من خلال تقسيم جميع المثيلات، وهو متطلب شائع في عدّ الكائنات:

مقارنة SAM 3 وSAM 2 وYOLO#

نقارن هنا إمكانات SAM 3 مع نماذج SAM 2 وYOLO26. وللكشف والتقسيم في الوقت الفعلي للمفردات المفتوحة باستخدام النوع نفسه من المطالبات، راجع YOLOE:

تم قياس السرعة على NVIDIA RTX PRO 6000 باستخدام torch==2.9.1 وultralytics==8.4.19.

أهم الاستنتاجات:

• SAM 3: الأفضل لتجزئة المفاهيم ذات المفردات المفتوحة، والعثور على جميع مثيلات مفهوم ما باستخدام مطالبات نصية أو أمثلة
• SAM 2: الأفضل لتجزئة كائن واحد تفاعليًا في الصور ومقاطع الفيديو باستخدام مطالبات هندسية
• YOLO26: الأفضل للتجزئة عالية السرعة في الوقت الفعلي مع استدلال اختياري شامل بدون NMS، قابل للتصدير إلى العديد من التنسيق للنشر على وحدات معالجة الرسومات، وحدات المعالجة المركزية، وأجهزة الحافة

مقارنة SAM مع YOLO#

مقارنة SAM 3 وSAM 2 وSAM وMobileSAM وFastSAM مع نماذج تجزئة Ultralytics YOLO (YOLOv8 وYOLO11 وYOLO26) من حيث الحجم وعدد المعلمات وسرعة الاستدلال على GPU:

توضح هذه المقارنة الفروق الكبيرة في أحجام النماذج وسرعاتها بين متغيرات SAM ونماذج تقسيم YOLO. وعلى الرغم من أن SAM يوفر إمكانات فريدة للتقسيم التلقائي، فإن نماذج YOLO، ولا سيما YOLOv8n-seg وYOLO11n-seg وYOLO26n-seg، أصغر وأسرع وأكثر كفاءة حسابية بدرجة كبيرة.

أُجريت الاختبارات على NVIDIA RTX PRO 6000 بسعة 96 جيجابايت من VRAM باستخدام torch==2.9.1 وultralytics==8.4.19. لإعادة إجراء هذا الاختبار:

from ultralytics import ASSETS, SAM, YOLO, FastSAM

# Profile SAM3, SAM2-t, SAM2-b, SAM-b, MobileSAM
for file in ["sam_b.pt", "sam2_b.pt", "sam2_t.pt", "mobile_sam.pt", "sam3.pt"]:
    model = SAM(file)
    model.info()
    model(ASSETS)

# Profile FastSAM-s
model = FastSAM("FastSAM-s.pt")
model.info()
model(ASSETS)

# Profile YOLO models
for file_name in ["yolov8n-seg.pt", "yolo11n-seg.pt", "yolo26n-seg.pt"]:
    model = YOLO(file_name)
    model.info()
    model(ASSETS, nms=False)  # YOLO26 NMS-free head; no-op for YOLOv8/YOLO11

مقاييس التقييم#

يقدم SAM 3 مقاييس جديدة مصممة لمهمة PCS، تكمل المقاييس المألوفة مثل درجة F1 والدقة والاستدعاء.

درجة F1 المُقيدة بالتصنيف (CGF1)#

المقياس الأساسي الذي يجمع بين تحديد الموقع والتصنيف:

CGF1 = 100 × pmF1 × IL_MCC

حيث:

• pmF1 (درجة F1 الماكرو الإيجابية): تقيس جودة تحديد الموقع في الأمثلة الإيجابية
• IL_MCC (معامل ارتباط ماثيوز على مستوى الصورة): يقيس دقة التصنيف الثنائي ("هل المفهوم موجود؟")

لماذا هذه المقاييس؟#

لا تراعي مقاييس AP التقليدية المعايرة، مما يجعل استخدام النماذج صعبًا عمليًا. ومن خلال تقييم التنبؤات التي تتجاوز ثقتها 0.5 فقط، تفرض مقاييس SAM 3 معايرة جيدة وتحاكي أنماط الاستخدام في العالم الحقيقي ضمن حلقات التنبؤ والتتبّع التفاعلية.

أهم تجارب الإزالة والاستنتاجات#

تأثير رأس الحضور#

يفصل رأس الحضور بين التعرّف وتحديد الموقع، مما يوفر تحسينات كبيرة:

يوفر رأس الحضور زيادة قدرها +5.7 في CGF1 (+9.9%)، مع تحسين القدرة على التعرّف بالدرجة الأولى (زيادة IL_MCC بمقدار 6.5%).

تأثير الأمثلة السلبية الصعبة#

تُعد الأمثلة السلبية الصعبة ضرورية للتعرّف ذي المفردات المفتوحة، إذ تحسن IL_MCC بنسبة 54.5% (من 0.44 إلى 0.68).

توسيع نطاق بيانات التدريب#

توفر التعليقات التوضيحية البشرية عالية الجودة مكاسب كبيرة مقارنة بالبيانات الاصطناعية أو الخارجية وحدها. للاطلاع على خلفية حول ممارسات جودة البيانات، راجع جمع البيانات والتعليق التوضيحي.

التطبيقات#

تتيح قدرة SAM 3 على تجزئة المفاهيم حالات استخدام جديدة:

• الإشراف على المحتوى: العثور على جميع مثيلات أنواع محتوى محددة عبر مكتبات الوسائط
• التجارة الإلكترونية: تجزئة جميع المنتجات من نوع معين في صور الكتالوج، بما يدعم التعليق التوضيحي التلقائي
• التصوير الطبي: تحديد جميع مواضع ظهور أنواع معينة من الأنسجة أو التشوهات
• الأنظمة الذاتية: تتبّع جميع مثيلات إشارات المرور أو المشاة أو المركبات حسب الفئة
• تحليلات الفيديو: عدّ جميع الأشخاص الذين يرتدون ملابس محددة أو يتتبعهم أثناء تنفيذهم أفعالًا معينة
• التعليق التوضيحي لمجموعات البيانات: إضافة تعليقات توضيحية بسرعة إلى جميع مثيلات فئات الكائنات النادرة
• البحث العلمي: قياس جميع العينات المطابقة لمعايير محددة وتحليلها

وكيل SAM 3: استدلال لغوي موسّع#

يمكن دمج SAM 3 مع نماذج اللغة الكبيرة متعددة الوسائط (MLLMs) للتعامل مع الاستعلامات المعقدة التي تتطلب الاستدلال، على نحو مماثل في جوهره لأنظمة المفردات المفتوحة مثل OWLv2 وT-Rex.

الأداء في مهام الاستدلال#

أمثلة على الاستعلامات المعقدة#

يمكن لوكيل SAM 3 التعامل مع الاستعلامات التي تتطلب الاستدلال:

• "أشخاص جالسون لكنهم لا يمسكون علبة هدايا بأيديهم"
• "الكلب الأقرب إلى الكاميرا الذي لا يرتدي طوقًا"
• "الأجسام الحمراء الأكبر من كفّ الشخص"

يقترح MLLM استعلامات بسيطة على شكل عبارات اسمية لـ SAM 3، ويحلّل الأقنعة المُعادة، ويكرّر العملية حتى يرضى عن النتيجة.

القيود#

مع أن SAM 3 يمثّل تقدّمًا كبيرًا، فإنه يواجه بعض القيود:

• تعقيد العبارات: يناسب العبارات الاسمية البسيطة على أفضل وجه؛ وقد تتطلب العبارات الإشارية الطويلة أو الاستدلال المعقّد دمج MLLM
• التعامل مع الغموض: تظل بعض المفاهيم غامضة بطبيعتها (مثل "نافذة صغيرة" و"غرفة مريحة")
• المتطلبات الحاسوبية: أكبر حجمًا وأبطأ من نماذج الكشف المتخصصة مثل YOLO
• نطاق المفردات: يركّز على المفاهيم البصرية الذرية؛ ويظل الاستدلال التركيبي محدودًا من دون مساعدة MLLM
• المفاهيم النادرة: قد يتراجع الأداء على المفاهيم النادرة للغاية أو الدقيقة التي لا تمثّلها بيانات التدريب تمثيلًا جيدًا

الاقتباس#

@misc{carion2025sam3,
  title         = {SAM 3: Segment Anything with Concepts},
  author        = {Nicolas Carion and Laura Gustafson and Yuan-Ting Hu and Shoubhik Debnath and Ronghang Hu and Didac Suris and Chaitanya Ryali and Kalyan Vasudev Alwala and Haitham Khedr and Andrew Huang and Jie Lei and Tengyu Ma and Baishan Guo and Arpit Kalla and Markus Marks and Joseph Greer and Meng Wang and Peize Sun and Roman R{\"a}dle and Triantafyllos Afouras and Effrosyni Mavroudi and Katherine Xu and Tsung-Han Wu and Yu Zhou and Liliane Momeni and Rishi Hazra and Shuangrui Ding and Sagar Vaze and Francois Porcher and Feng Li and Siyuan Li and Aishwarya Kamath and Ho Kei Cheng and Piotr Doll{\'a}r and Nikhila Ravi and Kate Saenko and Pengchuan Zhang and Christoph Feichtenhofer},
  year          = {2025},
  eprint        = {2511.16719},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CV},
  url           = {https://arxiv.org/abs/2511.16719}
}

الأسئلة الشائعة#