في مجال الذكاء الاصطناعي، تحظى نماذج الرؤية واللغة (Vision-Language Models: VLMs) باهتمام كبير، ولكن ماذا يحدث عندما تتعرض هذه النماذج لعمليات تحييد أو فقدان رؤى بصرية؟ هذا هو محور الدراسة الحديثة التي قدمت SciFigBench، وهي مجموعة مرجعية هدفها تقييم فهم النماذج للصور العلمية.

تستند هذه المجموعة إلى 250 صورة تمت تسميتها بدقة من قبل الإنسان، وتمتد عملية التقييم لتغطي ثلاث جوانب رئيسية: الإدراك، والتفكير، والموثوقية السلوكية تحت عدم اليقين. ارتكبت الفرق البحثية جهدًا هائلًا تجاوز 600 ساعة للحصول على تعليقات موثوقة، وتوسعت المشروعية من خلال إجراء تحولات للصورة، وأسئلة تفكير، واختبارات مقاومة، وغيرها من الوقائع، مما نتج عنه أكثر من 34,000 إعداد تقييم.

واعتمد الباحثون على إطار عمل مبتكر يسمى A-R-I (Admittance-Resistance-Inductance) لتقييم نماذج VLMs وفقًا لقدرتها على تحديد المعلومات غير الكافية، ومقاومة السياقات المضللة، واستنتاج المعلومات بحذر من بيانات جزئية. كشفت النتائج عن فروقات سلوكية كبيرة بين النماذج، حيث سجل نموذج GPT-5.2 أعلى جودة في الوصف (MQM 91.6) ودقة في التفكير (78.4%)، لكنه غالبًا ما خادع في 96% من الحالات. في المقابل، نموذج Gemini 3.1 Pro قدم أداءً مقاربًا مع 90.2 MQM و81.0% في التفكير، ولكنه اعتراف بالشك في 71% من الحالات وسجل أعلى نتيجة مقاومة (0.91).

تظهر هذه النتائج أن وجود دقة عالية في الإدراك والتفكير ليس ضمانًا كافيًا للموثوقية السلوكية، وهو بُعد حاسم يتعين أخذه بعين الاعتبار عند نشر النماذج في عمليات علمية. إن هذه الدراسة تلقي ضوءًا جديدًا على ضرورة تضمين تقييم السلوك كعنصر أساسي عند تطوير واستخدام نماذج الرؤية واللغة.