في عالم الذكاء الاصطناعي، يُعتبر فهم الفيديو من أكثر التحديات تعقيدًا، حيث يتطلب نماذج قادرة على توصيل الاستفسارات اللغوية بالأدلة المرئية، والتفكير فيها على مدار الوقت.

تُعتبر الطرق الحالية تقليدية، إذ تعتمد على سلاسل نصية طويلة من عمليات التفكير، رغم أن العديد من الأسئلة يمكن الإجابة عليها بمجرد تحديد العنصر أو الإجراء المعني في إطار زمني معين. هنا يأتي دور نموذج التفكير الديناميكي (Dynamic Latent Reasoning or DyLaR).

يتميز DyLaR ببساطة فكرته؛ حيث يبدأ أولًا بتأصيل سؤال ضمن كتل قصيرة من حالات الإدراك الخفية (perception latents) التي ترمز إلى أدلة مرئية مهمة، ومن ثم يقرر ما إذا كان يحتاج إلى إضافة عمليات تفكير خفية قبل إعطاء الإجابة.

تعلم DyLaR هذا السلوك من خلال تأصيل حالات الإدراك في أدلة مرئية مضمونة، وتقطير المنطق المضمون إلى عمليات تفكير خفية، يليه التعلم المعزز لتحسين توقيت التفكير الإضافي. في تجربة على تسعة معايير للمقاطع الفيديو وعمودين أساسيين من نماذج اللغة المتعددة الوسائط، أثبت DyLaR أنه يحسن متوسط الدقة على النموذجات القائمة الموجودة مع إنتاج أقل من 20 رمزًا لكل استفسار.

على سبيل المثال، نجح DyLaR في تحسين الدقة المتوسطة عن نموذج Qwen3-VL-4B-Thinking من 54.0 إلى 58.2 بينما قلل طول الاستجابة من 1,220.7 إلى 18.5 رمزًا لكل استفسار. تُظهر التجارب أن حالات الإدراك المضمونة، وعمليات التفكير الخاضعة للرقابة، والتوجيه التكيفي، كل ذلك يسهم في تحسين الدقة.

في حين يبشر نموذج DyLaR بتحولات إيجابية في مجال فهم الفيديو، يبقى التساؤل قائماً: هل سيكون هذا هو المستقبل المنشود لتحليل الفيديو والإجابة على الأسئلة؟