في عالم الصناعات المتطورة، يُعتبر كشف الشذوذ (Anomaly Detection) أمراً بالغ الأهمية لضمان الجودة والسلامة. ومع تقدم نماذج اللغات الضخمة (Large Multimodal Models - LMMs)، أصبح من الممكن تنفيذ تعليمات إنسانية متنوعة تتجاوز مجرد الكشف، حيث تم تطبيق قدرات الفهم البصري بشكلٍ فعال.

لكن على الرغم من هذه التطورات، لا تزال نماذج LMMs تعاني من نقص في المعرفة المحددة بالمجال، مما يعيق قدرتها على تقديم استجابات دقيقة في السيناريوهات الصناعية المعقدة. هنا يأتي دور JUDO، النموذج الجديد الذي يُمثل "Juxtaposed Domain-Oriented Multimodal Reasoner"، والذي يسعى إلى دمج المعرفة السياقية بشكل فعال في عمليات الاستدلال البصري والنصي.

يعتمد JUDO على طريقة فعالة لتقسيم المناطق المعطوبة عن طريق المقارنة بين الصور الاستعلامية والصور العادية كمصدر سياقي بصري. هذا يسمح بعملية فحص مقارنة دقيقة، مما يتيح للنموذج فهم تفاصيل الشذوذ بشكل أفضل. علاوة على ذلك، يتم إدخال المعرفة المكانية من خلال تدريب دقيق تحت إشراف (Supervised Fine-Tuning - SFT)، مما يعزز فهم السياق ويدعم عملية الاستدلال بعد ذلك من خلال التعلم التعزيزي (Reinforcement Learning - GRPO) بمكافآت مخصصة.

أظهرت النتائج التجريبية أن JUDO يحقق أداءً متفوقاً على معايير MMAD، متجاوزاً نماذج مثل Qwen2.5-VL-7B وGPT-4o. هذه النتائج تبرز أهمية تعزيز المعرفة السياقية وفهمها من أجل الاستدلال الفعال في الكشف عن الشذوذ. هل أنتم مستعدون لاستكشاف مستقبل كشف الشذوذ الصناعي مع هذا النموذج الرائد؟