في عالم يتطور فيه الذكاء الاصطناعي بسرعة، تُعتبر الأبحاث حول كيفية تفاعل هذه الأنظمة مع البشر أمرًا حيويًا. دراسة جديدة نُشرت على موقع arXiv، تحت عنوان "Seeing Is Not Sharing"، تسلط الضوء على أحد التحديات الكيرة الذي يواجه نماذج الرؤية-اللغة (Vision-Language Models أو VLMs) في سياق الحوار التعاوني.

تشير الدراسة إلى أن الإدراك المشترك بين المشاركين في الحوار لا يضمن بالضرورة فهمًا مشتركًا. لذا، كان هدف الباحثين فحص ما إذا كانت نماذج الرؤية-اللغة قادرة على تمييز بين ما يمكن أن يكون مشتركًا وما هو مشترك بالفعل بين المشاركين في الحوار، من خلال أسلوب يُعرف بـ 'المطابقة التفسيرية'.

لإجراء هذا البحث، استخدم العلماء 13,077 تعبيرًا مرجعيًا، وتم تقييم النماذج في سياقات حوار مُتحكم بها ومعلومات خريطة مُتاحة. وأشارت النتائج إلى أن تقديم صور خرائط حقيقية قد يعزز الأداء العام ولكنه يقود النماذج في نفس الوقت إلى الإفراط في تقدير توافق الآراء. كما أن الوصف النصي لنفس المحتوى الخريطي يُظهر نفس الانحياز، بينما الصور غير المفيدة تقمع توقعات التوافق بشكل كامل، مما يشير إلى أن الانحياز مدفوع بمحتوى الخريطة المتعلق بالمهمة، وليس بالقناة البصرية.

ومع ذلك، يأتي هذا التحسين بتكلفة انخفاض الدقة في الحالات غير المتوافقة. فالتفاصيل التي تم تحليلها تشير إلى أن النماذج تعتمد على الإشارات المرجعية الثابتة في الخرائط بدلاً من تتبع كيفية تطور الإدراك عبر التاريخ الحوار. ومن بين النماذج التي تم ملاحظتها، تبرز نموذج Qwen3-VL-8B-Instruct، إلى جانب أربع نماذج إضافية من عائلتين معماريتين مختلفتين.

باختصار، تقدم هذه الأبحاث رؤى مثيرة حول كيفية فهم الذكاء الاصطناعي للحوار وتفاعلاته، مما يفتح المجال لمزيد من البحث في هذا المجال.