مع التطور السريع لنماذج الرؤية اللغوية الكبيرة (VLMs) واندماجها في البنية التحتية الصحية، يبدو أن هذه التكنولوجيا ستحدث ثورة في مجال الرعاية الصحية وإدارة النظام الغذائي. ولكن، ماذا عن التحديات الفريدة التي يجب على هذه النماذج مواجهتها؟

في سياق نظم الغذاء، تظهر مشكلة رئيسية تعرف باسم "عدم التوازن المعلوماتي النظامي" بين المظهر المرئي للأطعمة وتركيبها الغذائي الداخلي. النماذج الحالية غالبًا ما تركز على مهام تصنيف بسيطة مثل التعرف على فئات الطعام، مما يجعلها غير قادرة على تقييم السلاسل المعقدة من الاستدلال التي تتطلبها إدارة النظام الغذائي في العالم الحقيقي.

لذا، تم تقديم OmniFood-Bench كمعيار شامل تم إنشاؤه من مجموعة بيانات MM-Food-100K. هذا المعيار يقيم VLMs بناءً على ثلاث قدرات متدرجة:
1. **الإدراك الأساسي** (Basic Perception) بالتركيز على المكونات وطرق الطهي.
2. **الاستدلال الكمي** (Quantitative Reasoning) لقياس حجم الحصص وتحديد البروفايل الغذائي.
3. **النصائح الحرجة للسلامة** (Safety-Critical Advisory) الخاصة بالتوصيات لمرضى الأمراض.

تقييم ستة من أحدث نماذج VLMs، بما في ذلك gpt-5.1 وgemini-3-flash وqwen3-vl-8B، أظهر وجود فجوة دلالية جسيمة. على الرغم من أن هذه النماذج تحقق دقة قريبة من البشر في تسمية الأطباق، إلا أنها تفشل بشكل كارثي في تقدير الكتلة وقد تفرز نصائح غير دقيقة لملفات مرضى السكري عالية الخطورة.

هذا العمل يعتبر بمثابة معيار صارم للموثوقية في الوكلاء الذاتيين الذين يتم نشرهم من أجل الصحة العامة.