في عالم الذكاء الاصطناعي، تبرز العديد من التحديات المدهشة، ومن أبرزها ترتيب الأسئلة والمحتويات في نماذج اللغة-الرؤية (Vision-Language Models). فهل تساءلت يومًا أين ينبغي وضع السؤال في سلسلة الطلبات الموجهة لهذه النماذج؟ التقليد يقول أن السؤال يجب أن يأتي أولاً، حيث إن معرفتنا بما يُسأل يساعد النموذج على توجيه اهتمامه إلى النقاط الصحيحة.

لكن، وبشكل مفاجئ، تظهر التحقيقات في اختبارات الإجابة على الأسئلة البصرية أن العمليات التي تضع الصورة أولاً، تتفوق على تلك التي تضع السؤال قبلها. هذه الظاهرة تسلط الضوء على ما يُعرف "بمعضلة السؤال الأول" (question-first paradox).

بحث جديد قام بتحليل هذه المسألة وجدت أن هناك صراعًا بين مرحلتين من حسابات نماذج اللغة-الرؤية: على الرغم من أن وضع السؤال قبل الصورة يمكن أن يجذب انتباه النموذج، إلا أن الفشل يكمن في المرحلة المتقدمة حيث تنفصل الإجابة عن السؤال، مما يؤدي إلى تكرار الإجابات استنادًا إلى الصورة فقط.

لحل هذه المعادلة، اقترحت الدراسة تقنية جديدة تُعرف بنموذج "تكرار السؤال" (question echoing)، حيث يتم إعادة صياغة السؤال على كلا الجانبين من الصورة، مما يسمح لأحد النسخ بتوجيه الانتباه بينما تُستخدم النسخة الأخرى في وقت الإجابة.

هذه الاستراتيجية ليست جديدة تمامًا، فقد تم اكتشافها في دراسة قديمة حول "الأسئلة الثانوية" (adjunct questions) التي أثبتت أن تكرار السؤال يعزز الفهم أكثر من أي ترتيب لوحده. بالإضافة إلى ذلك، يُضفي تكرار الصورة مزيدًا من التوضيح ويستعيد وجهة النظر الكاملة التي يفقدها النموذج عادة.

المثير في الأمر أن هذه الاستراتيجية تم اختبارها عبر عشرة نماذج لغة-رؤية مختلفة، وأظهرت تحسنًا ملحوظًا في دقة الإجابات، تصل إلى 19 نقطة في الدقة الجماعية، دون الحاجة إلى تدريب أو تعديلات على البنية.

في النهاية، يبرز هذا البحث مفارقة مثيرة: كيف يمكن لتصميم التكرار في الطلبات إن يحل التوتر بين توجيه الانتباه والحفاظ على وصول السؤال. فهل تعتقد أن هذه الطريقة يمكن أن تغير الطريقة التي نطور بها تقنيات الذكاء الاصطناعي في المستقبل؟ شاركونا آراءكم في التعليقات.