في عالم الذكاء الاصطناعي، تبرز أهمية النماذج اللغوية متعددة الحواس (Multimodal Large Language Models) في معالجة البيانات المتنوعة من الحواس المختلفة. ومع ذلك، تظل قدرات التفكير هذه مشوهة بسبب هيمنة نمط واحد من المدخلات، مما يؤدي إلى أخطاء في الاستدلال عبر الحواس. هنا تأتي أهمية نموذج C$^3$PO، الذي يمثل خطوة جديدة في تقييم قدرة هذه النماذج.

C$^3$PO هو معيار جديد يتكون من 3,404 عينة متنوعة تشمل الفيديو والصوت والصورة والنص. هذا النموذج يهدف إلى تقييم قدرات محددة: دمج المعلومات (Information Composition) وحل التناقضات (Counterfactual Conflict). من خلال هيكله المقارن وتصميمه الرباعي المستويات، يحقق C$^3$PO في أسباب فشل التفكير متعدد الحواس.

المفاجأة الكبرى كانت في النتائج؛ حيث حقق البشر دقة تصل إلى 88.64%، بينما حصل أفضل نموذج (Gemini-3.1-Pro) على 73.17% فقط، مما يُظهر ضعف النماذج المفتوحة المصدر في مواجهة التناقضات. ومن خلال استخدام تدفقات الانتباه (Attention Probes)، يظهر أن 86-95% من الفشل نتيجة هيمنة المدخلات النصية، حيث ينشغل النموذج بمعلومات نصية ويتجاهل الأدلة المتناقضة.

إن النتائج الكامنة وراء C$^3$PO تكشف أننا بحاجة إلى هياكل تكنولوجية تسهل تعزيز الانتباه المتعدد الحواس، لتجنب الفشل المبكر وتحقيق أداء أفضل. في النهاية، هذه الدراسات تُظهر أن التجربة الحسية المتعددة لا تضمن التفكير السليم، بل يتطلب إبداع الهياكل التكنولوجية القادرة على التعامل مع التعقيدات بفعالية.