تشهد تقنيات القيادة الذاتية تقدمًا ملحوظًا بفضل نماذج الرؤية-اللغة (Vision-Language Models - VLMs) التي تُظهر إمكانيات هائلة في هذا المجال. على الرغم من ذلك، فإن الأساليب التقليدية مثل الضبط الدقيق تحت إشراف (Supervised Fine-Tuning - SFT) تعاني من مشكلات تتعلق بأخطاء التفكير والتحيزات المحافِظة.وبالنظر إلى هذه التحديات، تم تصميم نموذج CritiqueDriveVLM، الذي يعد إطار عمل موحد بثلاث مراحل، موجه نحو دمج أساليب التفكير في عمليات VLM بشكل مباشر. في المرحلة الأولى، يتم استخدام التعلم المعزز المستند إلى النقد (Critique-Driven Multi-Turn Reinforcement Learning) مع توجيه من محقق متعدد الأبعاد، مما يتيح للنموذج تلقي تغذية راجعة كثيفة ودقيقة. هذه الأساليب تساعد النموذج على استيعاب الاستنتاج المنطقي، مما يساهم في تشكيل معلم قوي (System-2 Teacher) يحقق دقة مرتفعة دون الاعتماد على أدوات خارجية.علوة على ذلك، يتضمن الإطار عملية تكرير التفكير الكامن (Latent Thought Distillation) التي تعمل على تجاوز قيود الزمن الناتجة عن تأخيرات التفكير. من خلال محاذاة تمثيلات الطالب الكامنة مع حالات التفكير المكتملة للمعلم، يتم تقليص القدرات المنطقية العميقة إلى تعرض سريع، مما يؤهل النموذج لطريقة تنفيذ سريعة بدون الحاجة للأدوات التقليدية.تظهر التجارب المكثفة على معيار DriveLMM-01 تحسنًا ملحوظًا في الأداء، حيث ارتفع مُعدل جودة الخيارات المتعددة (Multiple Choice Quality - MCQ) من 55.54% إلى 76.54% بفضل المعلم المبتكر. والأهم من ذلك، فإن الطالب المدرب يحافظ على عمق منطقي تنافسي بينما يقلل متوسط طول الزمن إلى 28 وحدة فقط، محققاً بذلك تقليلاً ضخماً لنفقات التقدير تصل إلى 88%. يعد هذا التطور خطوة هامة نحو تنفيذ القيادة الذاتية بسرعة وموثوقية أعلى. يمكنكم الاطلاع على الشيفرة المصدرية للنموذج عبر الرابط: CritiqueDriveVLM GitHub.