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

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

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

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