في عالم سريع التطور للذكاء الاصطناعي، تعد النماذج اللغوية متعددة الوسائط (Multimodal Large Language Models) خطوة هامة نحو تحقيق تفاعل أفضل بين الإنسان والآلة. لكن مع هذه التقنية المتقدمة، تأتي تحديات جديدة. تمثل مشكلة "زيف المعلومات" (Object Hallucination) أحد أكبر العقبات أمام هذه النماذج، حيث تتسبب في توليد أوصاف غير دقيقة ولكن معقولة ظاهرياً للأشياء.

ولهذا الغرض، قام فريق من الباحثين بتطوير مقياس MIOH، وهو معيار مُفصل ومتخصص لتقييم زيف المعلومات في السيناريوهات المعقدة التي تشمل الصور المتعددة. يُحلل هذا المقياس القدرة على التعرف على الأشياء عبر أربع مهام أساسية: الوجود، العد، الخصائص، والموقع، باستخدام ثلاثة أنماط من التفكير البصري: الشامل، المقارن، والانتقائي.

ومع مجموعة من التحديات المختلفة، يضمن مقياس MIOH تقييم أداء النماذج بدقة أكبر. النتيجة؟ تم الكشف عن أن حتى النماذج المتقدمة مثل GPT-5 وGemini-2.5-Pro تواجه أنماط فشل متعددة عبر المهام المختلفة، مما يسلط الضوء على ضرورة تجاوز حواجز الإدراك وتحسين فهم الروبوت للأشياء في السياقات المتعددة.

من خلال تحسين هذه المعايير وتطويرها، يفتح مقياس MIOH أفقاً جديداً لفهم دقيق لطبيعة زيف المعلومات ويعتبر أداة حيوية في تطوير نظم ذكاء اصطناعي أكثر موثوقية. كيف ترى هذا التقدم في عالم الذكاء الاصطناعي؟ اترك تعليقك أدناه!