كم أصبحت تقنيات نماذج الفيديو فاشلة؟ تحليل دقيق لأحداث الفيديو يثير القلق!

في عالم يتطور بسرعة نحو استخدام تقنيات الذكاء الاصطناعي في مجالات متعددة، تعتبر نماذج الفيديو (Video Language Models) جزءاً مهماً، إلا أنها تكشف عن ذواتها الحديثة قيوداً متزايدة. وفقاً لدراسة جديدة تم نشرها على منصة arXiv، فإن النماذج الحالية لا تستطيع تلقي الأحداث بدقة في سياقات بسيطة، مما يثير تساؤلات جدية حول القدرة الفعلية لهذه التقنيات.

تتناول الدراسة مفهوم "التقييم الآمن المعتمد على تتبع الأحداث"، والذي يهدف إلى سد الفجوة في تقييم أداء نماذج الفيديو. بينما توفر التقييمات التقليدية نتائج عامة، تبين الدراسة أنه من الصعب عزلة أخطاء النماذج بسبب تنوع التعقيد البصري ومعدل الأحداث.

من خلال تحليل 2,190 مقطع فيديو مختلف، تم اختبار أداء نموذج "Gemini 3.6 Flash" في تتبع الأحداث. النتائج أظهرت أن النموذج كان قادراً على العد الموثوق للحالات المستمرة، لكن أظهرت النتائج أيضاً أنه كان هناك انعدام للقدرة على العد الدقيق للأحداث العابرة.

وأوضح الباحثون أن تمثيل الأحداث يلعب دوراً أساسياً في إمكانية وصول النموذج إلى الأدلة الصحيحة، وخصوصاً في ظل زيادة عدد الأحداث ووتيرتها. في الواقع، أظهرت الأرقام أن 0.2% فقط من العد النهائي كانت صحيحة، مع احتفاظ النموذج بنسبة 18.1% فقط من الأحداث الحقيقية.

عندما تم رفع معدل أخذ العينات، زادت دقة نموذج "Bounce Ball" بشكل طفيف، إلا أن النتائج النهائية لا تزال مبنية على نسبة ضئيلة من التوافق مع الواقع.

هذه النتائج تدق ناقوس الخطر حول فعالية نماذج الفيديو ودورها في المستقبل. هل سنشهد تحسينات سريعة في هذه التقنيات، أم ستظل تعاني من القيود الحالية؟ دعونا نتابع ونناقش.