في عالم الذكاء الاصطناعي (AI)، تتطلب العديد من المهام الحقيقية من النماذج التعلم من سياقات محددة خاصة بالمهام بدلاً من الاعتماد فقط على المعرفة المدربة مسبقًا. لقد أظهر البحث الأخير أهمية ما يُعرف بتعلم السياق (Context Learning)، لكن التقييمات الحالية تركز بشكل أساسي على السياقات النصية. في العديد من الحالات العملية، يكون السياق المُتعلم منه متعدد الوسائط، حيث تنقل الاكتشافات العلمية عبر الرسوم البيانية والجداول، وتكون المؤشرات المالية متوزعة عبر التقارير المحوّلة، وتتطلب القرارات المتعلقة بالمكان خرائط ومشاهد وصفحات ويب.

لذا، تم تقديم Benchmark CLBench-V، وهو نقطة انطلاق جديدة لتقييم تعلم السياق المتعدد الوسائط. هذا الإطار يُعالج التحديات المتمثلة في تحديد مكان انهيار استخدام السياق من خلال تنظيم المهام حول ثلاثة أبعاد رئيسية: أسس السياق، تطبيق المعلومات الجديدة، وتعلم المعرفة الجديدة. يجمع CLBench-V بين المعايير العامة المُحوّلة ومجموعات البيانات المُنشأة حديثًا والتي تغطي مجالات مثل العلوم والمالية وفهم الوثائق الطويلة والتفكير المكاني والإجابة على الأسئلة المرئية المبنية على الويب.

لخفض تكلفة بناء مهام تعلم السياق الخاصة بالمجالات، تم استخدام إجراءات بناء وتصفية آلية للمجموعات الجديدة. ومن خلال 3,443 حالة ونماذج متعددة الوسائط، كانت النتيجة الأفضل فقط 0.2847، مما يدل على أن تعلم السياق المتعدد الوسائط لا يزال بعيدًا عن التشبع. إضافةً إلى أن نموذج InternVL3.5-30B-A3B يُظهر الأداء الأفضل في التعلم من الأسس السياقية وتعلم المعرفة الجديدة، بينما يُحقق نموذج Qwen3.5-Plus الأداء الأفضل في تطبيق المعلومات الجديدة.

تستمر الباحثون في تحليل موثوقية المحكمين وطول السياق وعدد الصور وحالات الفشل الك代表ة. لمزيد من المعلومات، يمكنكم زيارة الرابط التالي: [https://github.com/IamLihua/CLBench-V]. ما رأيكم في هذه الابتكارات في مجال تعلم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.