في عالم الزراعة، يواجه الممارسون تحديات عديدة تتعلق بتشخيص الأمراض الزراعية من خلال الصور الملتقطة من الحقول. قد تظهر النماذج التي تحقق نتائج جيدة في الاختبارات مشكلات رائجة، حيث غالباً ما تُخطئ في تحديد أسماء الأنواع. ولتجاوز هذه العقبة، جاء الباحثون بإطار عمل مبتكر يُعرف بـ Agri-CPJ (Caption-Prompt-Judge).

يقوم هذا الإطار بتشخيص آفات المحاصيل دون الحاجة إلى تدريب مسبق، حيث يستخدم نموذجاً كبيراً للرؤية واللغة لإنتاج وصف مورفولوجي هيكلي يمر بعملية تحسين متعددة الأبعاد قبل أي سؤال تشخيصي. بعدها، تُنتَج استجابتان من وجهات نظر متكاملة، ويختار نموذج LLM (Large Language Model) الاستجابة الأقوى بناءً على معايير محددة في المجال.

أثبتت النتائج أن تحسين الوصف له أكبر تأثير منفرد على دقة النتائج، حيث أن تجاهله يؤدي إلى تدهور مستمر في دقة النماذج المختبرة. وفي اختبار CDDMBench، حققت مجموعة من النماذج التي تضم GPT-5-Nano مع الوصف الناتج +22.7 نقطة في تصنيف الأمراض و+19.5 نقطة في تقييم أسئلة البحث مقارنةً بالاستجابات بدون وصف.

علاوة على ذلك، عند تقييم GPT-5-Nano و Qwen-VL-Chat، أظهرت النتائج وصول الأولى إلى نسبة 77.84% والثانية إلى 64.54%، مما يضعهما في الصدارة مقارنةً بأحدث النماذج مفتوحة المصدر بنفس الحجم.

الجميل في Agri-CPJ أنه يتيح تتبعاً واضحاً لعملية التشخيص، حيث يمكن للممارس الذي يت disagree مع تشخيص ما، تحديد الملاحظات الخاصة بالوصف التي كانت غير صحيحة. الكود والبيانات ذات الصلة متاحة للجمهور على [رابط GitHub](https://github.com/CPJ-Agricultural/CPJ-Agricultural-Diagnosis).

قد يبدو عالم الذكاء الاصطناعي معقداً، لكن تطور نماذج مثل Agri-CPJ يعكس كيف يمكن لهذه التقنيات أن تُحدث فرقاً حقيقياً في الزراعة. ما رأيكم في هذا التطور الرائع؟ شاركونا في التعليقات!