تعتبر نماذج اللغة الكبيرة متعددة الأنماط (Multimodal Large Language Models - MLLMs) من الابتكارات الحديثة التي تمثل خطوة هامة نحو استرجاع البيانات العددية من الرسوم البيانية العلمية المعقدة. ومع ذلك، لا يزال فهم كفاءتها في إعادة بناء البيانات ضمن الرسوم ذات الكثافة البصرية العالية محدودًا.

تقدم الدراسة الجديدة التي نشرت في arXiv معيارًا جديدًا يحمل اسم ChartDensity-Bench، يهدف إلى تقييم MLLMs من حيث قدرتها على إعادة بناء البيانات العددية بشكل منظم من الرسوم البيانية المركبة تحت ظروف كثافة بصرية مختلفة. يعتمد هذا المعيار على مجموعة من الرسوم البيانية التي ترتبط ببيانات حقيقية، مما يسمح للباحثين بتقييم دقة النماذج بشكل منهجي.

نظام التقييم المُعتمد في ChartDensity-Bench يتضمن تقييمات متعددة الأبعاد تشمل موثوقية الهيكل، وكمال إعادة البناء، والقدرة على التعرف على البيانات، والدقة العددية. ولقد أظهرت التجارب على خمسة نماذج MLLMs حديثة أن الدقة في إعادة البناء تقل كلما زادت الكثافة البصرية، بينما تتفاوت درجة هذا التدهور بشكل ملحوظ بين النماذج المختلفة.

تشير النتائج إلى أن الرسم البياني نفسه يُمكن أن يتعرض لأخطاء أكبر في إعادة البناء عند تضمينه في بيئات بصرية أكثر كثافة، مما يسلط الضوء على أهمية هذه العوامل غير المستكشفة سابقًا في عمليات الإعادة.

يعد ChartDensity-Bench خطوة مهمة نحو فهم كيف تؤثر الكثافة البصرية على قدرة نماذج الذكاء الاصطناعي على معالجة البيانات العددية، مما يوفر منصة منهجية لتقييم قوة ومرونة هذه النماذج في ظل الظروف المتغيرة.