في ظل التطورات السريعة في مجال توليد الصوت والفيديو (Audio-Video Generation)، أصبح التركيز على كيفية تفاعل هذه النماذج مع البشر أمراً ضرورياً. بعد سنوات من الأبحاث المجزأة، حان الوقت لنضع معياراً فعلياً يمكنه تقييم هذه الأنظمة بدقة.

قدمت مجموعة من الباحثين معيار AVBench، الذي يمثل ثورة في تقييم نماذج الصوت والفيديو من خلال تقديم تقييمات آلية ترتكز على التجارب الإنسانية. يعتمد AVBench على تصميمين رئيسيين يساهمان في تقديم تقييم شامل وموثوق:

1. **مقاييس مركزية بشرية ومتعمقة**: يتضمن AVBench عشر أبعاد تقييم مصممة خصيصاً لتناسب السيناريوهات البشرية، تركز على جودة الصورة والصوت، وتتطرق إلى توافق متعدد المستويات بين الحواس. هذه المقاييس تعكس تفاصيل تصعب رؤيتها في المعايير السابقة.

2. **مقيمون متخصصون عبر التعلم بالفضول**: لمعالجة نقص البيانات التدريبية المتخصصة، يقوم الباحثون بتحويل مقاطع الفيديو من العالم الحقيقي إلى أزواج تدريبية متنوعة مع اضطرابات خاضعة للرقابة. بعد تحسين النموذج على هذه المجموعة عالية الجودة، يتعلم المقيمون كيف يكشفون بدقة الاختلافات الدقيقة بين الأنماط المتعددة.

الأهم من ذلك، بدلاً من تقديم أحكام نصية منفصلة، يستمد AVBench درجات تقييم مستمرة من ثقة النموذج في القرارات الثنائية. هذه الآلية الاحتمالية تتيح تقديراً أكثر موثوقية مما هو متاح حالياً، مما يتماشى بشكل أكبر مع حكم الإنسان.

إجمالاً، يوفر AVBench تقييمًا آليًا مبتكرًا لنماذج الصوت والفيديو المتولدة، ويظهر إمكانيات قوية في تصفية البيانات، ويمثل إشارة مكافأة قابلة للاختلاف لتعلم التعزيز من ملاحظات البشر (Reinforcement Learning from Human Feedback).