في عالم يتطلب فيه التحقق من الهوية دقة وسرعة، تبرز بصمات الأصابع كأداة أساسية. لكن ماذا لو كانت طريقة التحقق هذه تستخدم تقنيات حديثة مثل نماذج اللغة الكبيرة متعددة الوسائط (Multimodal Large Language Models)؟!

استُحدث معيار SLAPBench ليكون الأول من نوعه في تقييم قدرة نماذج اللغة متعددة الوسائط في التحقق من الهوية عبر بصمات الأصابع الأربعة، وهو ما يعد إنجازًا ثوريًا في هذا المجال. يعتمد SLAPBench على مجموعة بيانات مكونة من 7,832 زوجًا من بصمات الأصابع، حيث تم اختبار أربعة نماذج لغوية مفتوحة المصدر (InternVL3-8B، Qwen2.5-VL-7B، Qwen3-VL-8B، Gemma-3-12B) إلى جانب النموذج الاحتكاري Claude Opus 4.8.

أظهرت التجارب أن طريقة التوجيه تؤثر بشكل كبير على سلوك التحقق. في حالات معينة، أبدت النماذج مفتوحة المصدر انخفاضات ملحوظة في أدائها، بينما حافظ Claude Opus 4.8 على أدائه الجيد. وهذا يُبرز الفروق الكبيرة في القدرة بين النماذج المختلفة.

علاوة على ذلك، تسلط SLAPBench الضوء على الفروق في العدالة، حيث تشير نتائج الدراسة إلى أن الفجوة تتوسع مع تراجع فعالية النماذج في التحقق من الهوية. بهذا، يضع SLAPBench أساسًا قويًا لقياس الأداء في مكونات الهوية.

إلى أي مدى تعتقد أن هذه التقنيات ستؤثر على مستقبل التحقق من الهوية؟ شاركونا آراءكم في التعليقات!