في عالم التكنولوجيا المتقدمة، يُعتبر التنقل الذكي أحد التحديات الكبيرة التي تواجه الأنظمة المستندة إلى الذكاء الاصطناعي. هنا يأتي دور نموذج CGFM-Nav، الذي يمثل خطوة رائدة نحو الارتقاء بقدرات وكالات التنقل عبر البيئات المعقدة.

تتطلب تقنية التنقل باستخدام رؤية اللغة (Vision-and-Language Navigation - VLN) أن تتمكن الوكلاء من التفكير على أساس المشاهد المتراكمة، مع متابعة استكشاف المناطق غير المرئية. لكن، تواجه نماذج البيئة الحالية صعوبة في دعم الذاكرة الدلالية الصريحة بينما يتم توجيه الاستكشاف بشكل مستمر.

لحل هذه المشكلة، تم تقديم نموذج CGFM (Cognitive Graph-Field Memory)، الذي يمثل تمثيل مشهد متعدد الوسائط يدعم الذاكرة العلائقية الصريحة والفهم المكاني المستمر. يعمل CGFM على تنظيم العناصر والعلاقات المكانية والمشاهد المرئية في رسم بياني متعدد الوسائط، مما يمكّن من استرجاع الأهداف والتفكير على المدى الطويل أثناء تنفيذ مهام التنقل.

عندما لا يُحدد تطابق موثوق للهدف، فإن الأدلة المعتمدة على الرسم البياني تُستخدم لتوجيه الاستكشاف نحو الحدود الدلالية الواعدة والمناطق ذات الصلة. بناءً على هذا النموذج، تم تقديم CGFM-Nav، وهو إطار عمل يعتمد على نموذج أساسي للتنقل متعدد الوسائط على المدى الطويل، ويجمع بين اختيار تحت الرسم البياني المتعلق بالمهمة، والتفكير الدلالي، وملاحظات التحقق في دورة قرار مغلقة.

تشير التجارب الأولية على منصة GOAT-Bench إلى أن CGFM-Nav، مع استخدام نفس نموذج Qwen3-VL-8B، قد زادت بشكل ملحوظ من معدل النجاح الكلي من 53.2% إلى 63.0%، ومن معدل SPL من 30.0% إلى 39.6%. هذه النتائج تبرز فاعلية دمج الذاكرة الدلالية الصريحة مع الاستكشاف الموجه دلالياً.

في ضوء هذه التطورات المبهرة، يُطرح سؤال مهم: كيف سيؤثر هذا النموذج على مستقبل التنقل الذكي؟ شاركونا بآرائكم في التعليقات!