أكدت الأبحاث أن نماذج الرؤية واللغة متعددة الوسائط (LVLMs) التي تم تدريبها على بيانات ضخمة من الشبكة العنكبوتية، قد تواجه تحديات جدية فيما يتعلق بتذكر المحتوى المحمي بحقوق الطبع والنشر، مثل الشخصيات والشعارات. هذا الأمر يثير قلقاً كبيراً في أوساط الباحثين والمطورين بسبب المخاطر القانونية والأخلاقية المرتبطة بإعادة إنتاج مثل هذه المحتويات.

لحل هذه المشكلة، تطرقت جهة البحث إلى مفهوم "نسيان الآلة" (Machine Unlearning) الذي يمكن أن يساعد في إزالة المحتويات غير المرغوب فيها بعد مرحلة التدريب. إلا أن قياس فعالية هذه الطريقة، خصوصاً في بيئة LVLMs المعقدة، لا يزال يمثل تحدياً كبيراً. العديد من أساليب التقييم الحالية تفتقر إلى القوة أو تفشل في انتزاع تعقيدات نسيان المفاهيم متعددة الوسائط.

في هذا السياق، تم تقديم معيار CoVUBench، الأول من نوعه الذي صُمم خصيصاً لتقييم نسيان حقوق الطبع والنشر في نماذج الرؤية واللغة متعددة الوسائط. يعتمد CoVUBench على بيانات اصطناعية آمنة قانونياً تم إنشاؤها بطريقة منهجية تضم تغييرات بصرية متنوعة، مما يضمن تقييمًا واقعياً وموثوقًا لفعالية عملية النسيان.

تقدم بروتوكولات التقييم الشاملة في CoVUBench تقييمًا لكفاءة النسيان من منظور مالك حقوق الطبع والنشر، وكذلك الحفاظ على فائدة النموذج العامة من منظور المُشغل. من خلال القياسات الدقيقة لهذا التوازن الحرجة، يقدم CoVUBench أداة معيارية تدفع نحو تطوير أساليب نسيان فعالة ومسؤولة لنماذج LVLMs.

تأتي هذه الخطوة في إطار سعي المجتمع العلمي لصياغة مستقبل تتناسب فيه تقنيات الذكاء الاصطناعي مع المبادئ الأخلاقية والقانونية، مما يعزز من شفافية وموثوقية نظم الذكاء الاصطناعي في التعامل مع المحتويات المشروعة.