في عالم الذكاء الاصطناعي، تسلط الأضواء على نماذج متعددة الوسائط (Unified Multimodal Models - UMMs) التي تمزج بين فهم الصورة وإنشائها في هيئة واحدة. حيث تُعد هذه النماذج طريقة ثورية تعكس قدرة الذكاء الاصطناعي على التعامل مع المعلومات البصرية واللغوية بشكل متكامل.

ومع أن التفاعل بين هاتين المهمتين لم يُدرس بشكل كافٍ بعد، إلا أن هناك مفهوماً يبرز في الساحة: قابلية النقل (Transferability). ويتعلق الأمر بما إذا كانت تعزيز مهارة معينة في مهمة معينة يؤثر إيجاباً على نفس المهارة في مهمة أخرى دون الحاجة لإشراف مباشر.

نتيجة تجارب محكمة، وُجد أن قابلية النقل تعتمد على تصميم المعمارية؛ فالنماذج التي تمتلك هيكلية مشتركة بالكامل وبنية تحويلية مُدمجة (Shared Transformer Backbone) تُظهر انتقالاً متسقاً بين المهام، بينما النماذج المرتبطة بشكل فضفاض قد تفشل في تحقيق هذا النوع من النقل.

لهذا، طُرحت استراتيجية تدريب عملية: بدلاً من تحسين القدرة التوليدية المستهدفة (مثل العد) مباشرة، يمكن أن نقوم بتدريب المهمة المرتبطة بفهم البيانات ونسمح لهذا الفهم أن ينتقل إلى الإنشاء. هذه الطريقة تُحسن الأداء التوليدي المحدد للمهارات، بينما تقلل من انحراف التوزيع.

تم التحقق من هذه الاستراتيجية عبر ثلاث قدرات رئيسية، وهي العد، العلاقات المكانية، والتعرف على النصوص/توليدها، مما يُظهر إمكانية الاستفادة من قابلية النقل بين المهام بشكل منظم وفعال في نماذج متعددة الوسائط (UMMs).