تسعى نماذج الرؤية واللغة (Vision-Language Models) إلى إحداث ثورة في كيفية تفاعلنا مع المعلومات متعددة الأنماط، حيث تتسم هذه النماذج بالقدرة على إجراء عمليات تفكير مدعومة بالأدلة. ورغم النجاحات الملحوظة، إلا أن هذه النماذج تعاني من عدم استقرار في الأدلة المرئية باعتبارها تدخل في الطبقات اللغوية، مما يضعف فعالية التفكير الداعم بالأدلة.

لفهم عمق هذه المشكلة، قام الباحثون بدراسة الديناميات الداخلية لنماذج الرؤية واللغة، واكتشفوا تنظيمًا مستقراً لثلاث مراحل تعمل على إعادة توزيع اهتمام التركيز متعدد الأنماط عبر العمق. تشمل هذه المراحل: تنظيم مشروط مبكر يتناسب مع الأسئلة، مرحلة انتقالية حرجة تعتمد على الرؤية، ومرحلة متأخرة تعود لتشكيل الإجابات.

وتمت ترجمة المرحلة المتوسطة إلى مفهوم جديد تم تسميته بـ "نافذة الانتقال المرئي" (Visual Relay Window - VRW). وقد أظهرت الدراسات أن هندسة هذه النافذة تتغير وفقًا لمتطلبات المهام، وأنها ترتبط بصورة سببية مع توليد محتوى مدعوم بالأدلة، مما يميز بين الإجابات غير المدعومة والمسارات المنطقية الأقوى.

وباستفادة من هذه الدينامية، تم تطوير إطار عمل جديد يسمى "TRACE" بهدف تحسين التحكم في استنتاجات الوقت المخصص للمهام. يعتمد TRACE على وحدات خفيفة ومُدربة مسبقًا، مما يسمح بإعادة تشكيل توزيع التركيز خلال عمليات التعبئة والحفاظ على الدعم البصري بعد التخلي أثناء فك الشفرات.

تظهر النتائج المثيرة عبر أربعة نماذج أساسية من نماذج الرؤية واللغة وسبع معايير أخرى أن TRACE قد حقق مكاسب كبيرة في المواقف الحساسة للأدلة، مما شهد تحسّنًا بمعدل 4.33 نقطة في المتوسط، وزيادات بلغ أقصاها 6.6 نقطة، بالإضافة إلى تحسين أداء المهام التي تتطلب تفكيرًا عميقًا.

تؤكد هذه النتائج أن التحكم الواضح في التركيز متعدد الأنماط عبر العمق يوفر آلية موحدة وفعالة لتقوية التفكير المدعوم بالأدلة في نماذج الرؤية واللغة.