اكتشاف الزمن: معايير جديدة لفهم الفيديو باستخدام نماذج اللغات الضخمة!

في عالم الذكاء الاصطناعي، يعتبر الفهم الدقيق للمعطيات الزمانية والمكانية في الفيديوهات عنصراً أساسياً من عناصر التفكير المنطقي. ولكن، رغم اجتماع القوة في نماذج اللغات الضخمة متعددة الوسائط (Multimodal Large Language Models) مثل GPT-5 وGemini 3 Pro، فإن قدرتها على استيعاب الديناميات الزمنية لا تزال تعاني من ثغرات ملحوظة.

هنا يأتي دور TimeBlind، وهو معيار جديد يهدف إلى تقييم الفهم التراكمي للزمان والمكان. استلهمت هذه التقنية من علوم الإدراك، حيث تصنف الفهم الزمني إلى ثلاثة مستويات: التعرف على الأحداث الفردية، وصف خصائص هذه الأحداث، واستنباط العلاقات بين الأحداث.

ما يميز TimeBlind عن المعايير السابقة هو استخدامه لأسلوب "الأزواج الصفرية"، حيث تتم المقارنة بين أزواج الفيديوهات التي تشترك في محتوى بصري ثابت لكنها تختلف فقط في هيكلها الزمني، مما يسهل تقييم الفهم دون التحيز اللغوي.

تم تقييم أكثر من 20 نموذجاً من أحدث نماذج الذكاء الاصطناعي باستخدام 600 حالة منحوتة، كشفت النتائج أن دقة التمييز بين كلا الفيديوهين من قبل النموذج الأفضل تبلغ 48.2%، بينما المعيار البشري يصل إلى 98.2%. هذه النتائج توضح أن حتى النماذج الأحدث تعتمد بشدة على الإشارات البصرية الثابتة بدلًا من المنطق الزمني الحقيقي، مما يجعل TimeBlind أداة تشخيص هامة لفهم الفيديو في النماذج المقبلة.

لمن يرغب في استكشاف المزيد، فإن مجموعة البيانات والكود متوفران على موقع TimeBlind: https://baiqi-li.github.io/timeblind_project/.