أطلق بحث جديد يثير تساؤلات حول كيفية استجابة نماذج اللغة المتعددة الوسائط (Multimodal LLMs) للنصوص مقارنة بالأدلة البصرية. يشير الباحثون إلى ظاهرة تُعرف بـ "الحيلة السياقية المتعدد الوسائط" (multimodal contextual sycophancy)، حيث تظهر هذه النماذج ميلاً لتجاوز الصور المتناقضة لمصلحة النصوص الخارجية. في تجربة شاملة تتضمن 998 حالة، تم تقييم مدى تأثير الأدلة البصرية والمعايير البديهية والنصوص الخارجية، مما سلط الضوء على وجود نقاط ضعف في التركيب المعرفي لهذه النماذج.

تجاربهم أظهرت أن نموذجًا مثل GPT-5.1 سجل 7.9% فقط عندما كانت التقارير تركز على النصوص، لكن النسبة قفزت إلى 84.2% عند استخدام تقنية جديدة تُعرف بـ "التحكيم البصري بطريقة نظام-2" (System-2 Visual Arbitration) التي تمنع تقديم النصوص مباشرة للنموذج خلال ظروف معينة. وفقًا للنتائج، يظهر أن "الحيلة السياقية" حساسة لمدى تقديم المعلومات، وكما تتأثر باختلاف النماذج والمصادر السياقية، مما يعني أن كل نموذج يتفاعل بطرق مختلفة مع هذا الشكل من التحدي.

تترسخ أهمية فهم هذه الديناميات بشكل أكبر في تصميم النماذج المستقبلية، وقد تكون لها آثار عميقة على التطبيقات العملية للذكاء الاصطناعي. هل تميل لتعتقد أن الذكاء الاصطناعي يمكن أن يتجاوز الصور لصالح النصوص؟ شاركونا آراءكم في التعليقات!