في عالم الذكاء الاصطناعي، أصبحت نماذج اللغات الكبيرة متعددة الوسائط (MLLMs) أكثر قدرة وانتشارًا، مما أثار مخاوف متزايدة حول الخصوصية والسلامة. ومن بين الحلول الممكنة لهذه المخاوف، يظهر مفهوم التعلم غير المطلوب (Machine Unlearning) كطريقة فعالة لإزالة المعلومات المحددة من النماذج المدربة، مع الحفاظ على القدرات غير المعنية.

ومع ذلك، فإن التنفيذ المجزأ وبروتوكولات التقييم غير المكتملة، بالإضافة إلى الفهم المحدود لموثوقية المقاييس، جعل التقدم في مجال التعلم غير المطلوب لنماذج MLLM من الصعب تقييمه بشكل منهجي. هنا تأتي أهمية إطار العمل Open-MMUnlearning، المختصر الشامل والمفتوح المصدر الذي يجمع بين التحضير لنماذج الهدف، ومعالجة البيانات متعددة الوسائط، وآلية التعلم غير المطلوب، والتقييم من خلال واجهات مشتركة وتكوينات منظمة.

يدعم الإطار خمسة معايير تشمل الخصوصية والسلامة وحقوق الطبع والنشر، ويغطي ثمانية نماذج MLLM من أربعة عائلات نماذج، ويقدم اثني عشر طريقة للتعلم غير المطلوب. كما يحتوي على مجموعة تقييم مشتركة تقيم فعالية النسيان وفائدة النماذج والموثوقية ضد تدخلات النموذج، المدخلات العدائية، وهجمات استنتاج العضوية.

باستخدام بروتوكول تقييم موحد، قمنا بمقارنة عشرة طرق تمثيلية للتعلم غير المطلوب، حيث تساوت GD وMIP-Editor في أعلى درجة إجمالية. بينما حققت GD أعلى جودة نسيان، فقد حافظت MIP-Editor على المزيد من فائدة النموذج. كما قمنا بتقديم بروتوكول تقييم خاص بالمقياس الذي يختبر الولاء من خلال نماذج تعرضت بشكل محكم لمعرفات مستهدفة وموثوقية تحت ضغط الكم وإعادة التعلم.

من بين المقياس الثالث عشر الذي تم تقييمه، حقق BLEU أعلى درجة موثوقية إجمالية، بينما حصل KS-Test على أعلى تقييم للولاء ولكنه أدّى بشكل أقل على صعيد الموثوقية. مجتمعة، تدعم هذه النتائج والإطار المقترح مقارنة قابلة للتكرار لأساليب التعلم غير المطلوب وتقييم منهجي لموثوقية التقييم.