في عالم الذكاء الاصطناعي المتطور، تُعتبر النماذج اللغوية الكبيرة (Large Language Models) محورية في معالجة المعلومات وفهمها. ومع ذلك، لا تزال هناك تحديات كبيرة تتعلق بفهم المحتوى المرئي، خاصة عند معالجة الوثائق المتنوعة مثل الخرائط.

تظهر الأبحاث الجديدة ضرورة وجود معايير قوية لتقييم التفكير البصري، وهو ما أشار إليه الباحثون من خلال تقديم معيار OmniMapBench. تم تصميم هذا المعيار لتحسين التفكير من خلال محتوى مرئي معقد، حيث يُعاني العديد من المعايير الحالية من قلة الفعالية، إذ يمكن تقليص المحتوى المرئي إلى نص فقط، مما يُسهل تحقيق نتائج مرتفعة دون فحص دقيق للمحتوى البصري.

يتضمن معايير OmniMapBench مجموعات بيانات مكونة من 2,096 زوجاً من الأسئلة والأجوبة تم تقييمها يدوياً عبر 1,603 وثيقة خريطة من تسع فئات مختلفة. يُعنى هذا المعيار بتقييم مجموعة من المهارات المتنوعة، من الإدراك البصري إلى التفكير المنطقي المتعدد الخطوات.

لضمان فعالية هذا المعيار، تم اقتراح مقياس بسيط لكنه فعال يُعرف بمؤشر الاعتماد البصري (Visual Dependency Index - VDI)، والذي يعبر عن النقص في الدقة عند استبدال الصور بأوصاف غير مرتبطة بالسؤال. وقد أظهرت التقييمات أن OmniMapBench يحقق مستويات أعلى من VDI مقارنةً بالمعايير الحالية، مما يثبت تركيزه على التفكير البصري غير القابل للاختزال.

عند تقييم 25 من النماذج الرائدة في هذا المجال، وُجد أن الفجوة في الأداء كبيرة، حيث بلغت دقة النموذج الأعلى 75.03% فقط. هذه النتائج تُبرز التحديات التي يفرضها OmniMapBench على النماذج الحالية.

أخيرًا، يهدف هذا العمل إلى تحفيز التطوير في التفكير المرئي المعقد لفهم الوثائق عن طريق النماذج اللغوية الكبيرة، حيث يتوفر مجموع البيانات والشيفرة المصدرية للجمهور عبر الرابط التالي: OmniMapBench GitHub. هل تعتقد أن هذه الابتكارات ستغير طريقة فهمنا للمحتوى المرئي في الذكاء الاصطناعي؟ شاركونا بآرائكم في التعليقات!