في عالم الذكاء الاصطناعي، تبرز نماذج رؤية-لغة الموحدة (Unified Vision-Language Models - VLMs) كنموذج متقدم يجمع بين توليد الصور من النصوص (Text-to-Image - T2I) وتوليد النصوص من الصور (Image-to-Text - I2T) باستخدام بنية ترانسفورمر واحدة. ولكن يبقى كيف تتم معالجة البيانات من خلال هذه البنية في كلا الاتجاهين غامضًا إلى حد ما.

هذا البحث الجديد يتناول هذا الغموض من زاوية الإرشاد الشرطي (Conditional Guidance) حيث يُجري الباحثون دراسة تفصيلية لتحديد الاختلاف في تنشيط رؤوس الاهتمام (Attention Heads) على كلا المسارين لتوليد النصوص والصور. يظهر التحليل وجود مجموعة من الرؤوس التي تستجيب بشكل حسّاس لتغييرات الظروف، في حين أن البعض الآخر يبقى غير متأثر.

يقدّم الباحثون أداة جديدة لتدخل وقت الاستدلال تسمى “HeadTuned-CFG”، التي تستخدم الوعي بالتغيرات الشرطية لاختيار وضبط الإرشادات في المستوى الفردي لكل رأس من رؤوس الاهتمام. أظهرت التجارب فوائد مستمرة في كلا الاتجاهين لتوليد المحتوى المتعدد النماذج دون الحاجة إلى تدريب إضافي، مع تحسينات ملحوظة خاصة في توليد الصور من النصوص.

هذه النتائج تدعم الاكتشافات الأساسية التي تم التوصل إليها خلال التحليل، حيث تُظهر نماذج VLMs خصائص وظيفية متخصصة مما يعزز من قدرتها على الاستجابة للتغيرات بشكل فعّال.