في عصر الذكاء الاصطناعي، تكمن التحديات الحقيقية في كيفية التعامل مع الاستفسارات غير القابلة للإجابة، خاصة عندما يتعلق الأمر بالوكلاء الذكيين المتواجدين في العالم الحقيقي. إذ غالبًا ما تميل نماذج الرؤية-اللغة الحديثة (Vision-Language Models) إلى تقديم إجابات واثقة للغاية، حتى عندما لا تدعم الذاكرة البصرية المتاحة هذه الاستفسارات. هذه الثقة الزائدة تحمل مخاطر متعددة، مثل تقديم معلومات مضللة للمستخدم خلال الإجابة عن الأسئلة الموجهة، أو اختيار موقع عشوائي وإرشاد المستخدم دون فائدة حقيقية خلال عمليات الملاحة.

على الرغم من المخاطر الكبيرة التي ينطوي عليها هذا التوجه، إلا أن الدراسات السابقة التي تناقش كيفية استجابة هذه النماذج بعبارة "لا أعلم" كانت محدودة للغاية. هنا تأتي تقنية Semantic Flip، وهي إطار عمل بسيط ولكنه فعال، يقترح تصميم عينات اصطناعية خارج نطاق البيانات (Out-of-Distribution - OOD) تمثل حالات رفض الاستجابة دون الحاجة إلى توضيحات خارجية.

الفكرة الرئيسية تتمثل في تحويل الاستفسار وذاكرة الفيديو بشكل مستقل لإنشاء أزواج OOD مساعدة تفتقر إلى الأساس البصري الكافي. هذه الأزواج المتولدة تتيح تدريب وحدة رفض خفيفة الوزن فوق نموذج VLM مُسبق التدريب ومجمد، مما يساعد المستخدمين على إدارة استعلاماتهم بشكل أكثر فعالية.

تتوافق Semantic Flip مع أي خط أنابيب يعتمد على VLM دون الحاجة إلى إعادة تدريب النموذج الأساسي، وقد أثبتت نتائجها تفوقًا ملحوظًا على نماذج التعليم المتقدمة في اختبارات متعددة. كما تم تقديم SpaceReject، وهو معيار جديد للرفض في المواقع المكانيه يستهدف استفسارات غير قابلة للإجابة عبر ذاكرة فيديو طويلة، وقد حققت Semantic Flip فيه درجة F1 تبلغ 0.9559.

إن شفرة المصدر ومجموعات البيانات المتعلقة بهذا البحث متاحة للجمهور على GitHub. هل تتوقع أن تُحدث هذه التقنية فرقًا حقيقيًا في استجابة الوكلاء الذكيين؟ شاركونا آراءكم في التعليقات.