تعتبر نماذج الرؤية واللغة الضخمة (Large Vision-Language Models) واحدة من أبرز الابتكارات في مجال الذكاء الاصطناعي، حيث تقدم أداءً مذهلاً في العديد من المهام متعددة الأنماط. ومع ذلك، تظهر هذه النماذج أحيانًا مشكلة كبيرة تتعلق بالاستخدام المفرط للارتباطات الزائفة بين الكائنات والخلفيات، مما يؤدي إلى توقعات مبنية على اختصارات سياقية بدلًا من الأدلة البصرية المرتبطة بالكائنات نفسها.

في خطوة ثورية، قدم الباحثون إطارًا جديدًا يُدعى PURGE، والذي يعني "إعادة التعلم القائم على التقسيم لإزالة الأخطاء الناتجة عن الارتباطات الزائفة". يهدف هذا الإطار إلى معالجة قيود النماذج الحالية من خلال:

1. **بناء مجموعات بيانات منظمة** حيث يتم تطوير استراتيجيات متنوعة لتقسيم الأمثلة بناءً على الأدلة المكانية المتصلة بالكائنات، مما يتيح تشخيصًا مُتحكمًا في الاعتماد على الاختصارات.
2. **إعادة التعلم القائمة على التقسيم،** التي تستخدم هذه التقسيمات لإزالة الارتباطات الزائفة بين الكائنات والخلفيات دون التأثير على التفكير القائم على الكائنات.

تم تقييم إطار PURGE عبر عدة نماذج مثل LLaVA-1.6-7B وQwen3-VL-8B-Instruct وQwen3.5-9B، بالإضافة إلى استخدام CLIP كنوع من مشفرات الرؤية واللغة، وذلك على مجموعة متنوعة من الاختبارات مثل CHAIR وPOPE وCausal-HalBench. نتائج هذه الدراسات أظهرت أن PURGE يقلل بشكل مستمر من الهلاوس والأخطاء الناتجة عن الارتباطات الزائفة، مع الحفاظ على أو تحسين الأداء العام في معظم الإعدادات المتاحة. سيوفر هذا الابتكار بروتوكول تقييم قابل لإعادة الاستخدام وإطارًا فعّالًا للحد من الأخطاء، مما يجعل نماذج الرؤية واللغة الضخمة أكثر موثوقية.

ما رأيكم في تأثير هذا الابتكار على مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!