في عالم الذكاء الاصطناعي، يتطور التفكير المنطقي المتعدد الأبعاد (Multimodal Reasoning) بسرعة، وتظهر ابتكارات جديدة كل يوم. من أبرز هذه الابتكارات هو نموذج VGR (Visual Grounded Reasoning) الذي يهدف إلى تجاوز القيود الحالية في هذا المجال.

النهج التقليدي غالباً ما يعتمد على مساحة اللغة البحتة، مما يقيد قدرته على التعامل مع المهام البصرية المعقدة التي تتطلب فهماً شاملاً لتفاصيل الصورة. يُعَد نموذج VGR بمثابة الحل لهذا التحدي، حيث يقدم قدرات فريدة في الإدراك البصري الدقيق.

بخلاف النماذج التقليدية، يبدأ VGR بالتعرف على المناطق ذات الصلة في الصورة التي يمكن أن تساهم في حل المسائل، ثم يقدم إجابات دقيقة مرتكزة على تلك المناطق. لتحقيق ذلك، تم تطوير مجموعة بيانات واسعة النطاق تُدعى VGR-SFT، تحتوي على بيانات استدلالية تجمع بين الرؤية البصرية والاستنتاج اللغوي.

يعتمد VGR على خط معالجة استنتاجية يتيح له اختيار صناديق محددة للإشارة البصرية، كما يدمج مرحلة إعادة التشغيل التي تشمل المناطق ذات الصلة في عملية التفكير، مما يُعَزِز من فهم النموذج المتعدد الأبعاد.

أظهرت التجارب على نموذج LLaVA-NeXT-7B أن VGR يحقق أداءً متفوقاً على معايير متعددة الأبعاد تتطلب فهماً شاملاً لتفاصيل الصورة. مقارنةً بالنموذج الأساسي، يستخدم VGR فقط 30% من عدد رموز الصورة، بينما يحقق تحسينات ملحوظة تصل إلى +4.1 في MMStar و+7.1 في AI2D و+12.9 في ChartQA.

هل تعتقد أن VGR يمكن أن يغير قواعد لعبة الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!