في عالم الذكاء الاصطناعي، غالبًا ما تكون الطرق التقليدية في التعامل مع التعليمات متعددة الأنماط غير كافية لاستيعاب تنوع المتطلبات. لكن ماذا لو كان هناك نهج جديد يمكنه تغيير كل ذلك؟ يُقدِّم لنا نموذج PRISM (Priority-aware Rubric Internalization via Structured Multimodal Data Synthesis) حلاً مبتكراً من خلال استخدام إطار عمل مُرَكَّب يتضمن أربع مراحل رئيسية لإنتاج مجموعات بيانات تعتمد على الشخصيات والمهام.

تُظهر الأبحاث أن التعليمات التي تتضمن متطلبات غير متساوية قد تعوق دقة النماذج في تنفيذ المهام. هنا يأتي دور PRISM، الذي يعيد صياغة مفهوم متابعة هذه التعليمات. بدلاً من قياس أداء النموذج ضد مجموعة من المعايير، يقوم PRISM بدور المُنفِّذ، حيث يجب عليه التحقق من كل قاعدة قبل تقديم حكمه العام.

علاوة على ذلك، تم تقديم PRISM-Eval، الذي يقدم مقاييس مرنة وصارمة تتجنب الحاجة إلى نماذج تحكيم أثناء التنفيذ، مما يُبسط عملية التقييم. من خلال استخدام 10,000 عينة مُنَشَّطة، استطاع PRISM رفع نسبة دقة نموذج Qwen3-VL-4B من 9.5% إلى 30.1%، مع الحفاظ على الأداء المتوسط عند المعايير العامة.

يمكن أن تكون هذه النتائج مؤشراً على أن الإشراف الهيكلي عبر المعايير هو طريق قابل للتوسع نحو اتّباع التعليمات متعددة القواعد والمستندة إلى الأولويات بشكل فعال. هل نحن أمام ثورة حقيقية في مجال التعليمات متعددة الأنماط؟