في عالم الذكاء الاصطناعي، خرجت نماذج الفيديو المتعددة الوسائط (Video Multimodal Large Language Models) لتحتل مركز الصدارة في فهم الفيديوهات، ولكنها كانت تواجه صعوبة كبيرة في الإدراك الدقيق للتغيرات المحلية في الزمان والمكان. ومن هنا خرجت فكرة DELTAVID.

DELTAVID هو إطار عمل مبتكر يهدف إلى تعزيز الإدراك الدقيق للزمان والمكان من خلال تحليل الاختلافات بين الفيديوهات. يقوم هذا النظام بتحويل مهمة 'ابحث عن الفرق' بين الفيديوهات إلى إشارة إدراكية قابلة للتدريب، مما يسمح للنموذج بالتعرف على التغيرات المحلية، وتحديد الحدود الزمنية، وتنظيم الأدلة المكانية عبر مقارنة فيديوهات متشابهة.

ولتوسيع نطاق هذه الإشارة وتوفير تقييم موثوق، تم تقديم DELTAVID-10K وDELTAVID-Bench. حيث تقوم هذه الأدوات بتحويل الاختلافات المحلية القابلة للتحكم في الفيديوهات الحقيقية إلى عينات تدريب واختبار مع علامات دليلية.

أظهرت التجارب أن DELTAVID حسّن الأداء بشكل كبير في فهم الفرق بين الفيديوهات، ونقل المهارة المكتسبة في التعرف على الأدلة المحلية إلى معايير فهم الفيديو العامة، مثل MMVU، MLVU، Video-MME، VideoHolmes، VideoMMMU، LVBench، TempCompass، وLongVideoBench.

هذه النتائج تؤكد أن الفروقات بين الفيديوهات ليست فقط وسيلة فعالة لتشخيص الفشل في الإدراك الدقيق، بل أيضاً تعتبر إشرافاً قابلاً للتوسع ينقل نماذج الفيديو المترابطة (Video MLLMs) من الفهم السطحي إلى التعزيز في تحليل الأدلة الزمنية والمكانية.