تحتل نماذج اللغة المرئية (Vision Language Models - VLMs) مكانة بارزة في التطبيقات الحساسة، مما يبرز أهمية فهم سلوكياتها والتحكم فيها. تقنيات التحكم الحالية تواجه تحديات كبيرة؛ فطرق تحفيز النظام قد تتعرض للتلاعب بسهولة من خلال تعليمات المستخدمين، بينما تتطلب تقنيات الاتجاه المبنية على التحفيز وصولاً مكثفاً إلى داخل النموذج، مما يمنع استخدامها في خدمات تعتمد على API أو النماذج ذات المصدر المغلق.

لذا، تمثل VISOR++ حلاً مبتكرًا من خلال إدخال مدخلات بصرية عالمية لتحويل الاتجاهات. هذه التقنية تعتبر خطوة للأمام نحو تحقيق السيطرة السلوكية عبر مدخلات بصرية محسّنة فقط. حيث يمكن إنشاء صورة واحدة من VISOR++ لتلبية احتياجات مجموعة من نماذج VLMs، مقلدة كل واحدة من قيمها التوجيهية.

تعتمد هذه التقنية على إنشاء مدخلات بصرية تسهم في تحفيز أنماط تفعيل محددة، مما يلغي حاجة الوصول إلى النموذج خلال وقت التشغيل، مما يجعلها مرنة للتطبيقات المختلفة. والجدير بالذكر أن VISOR++ تتعامل بكفاءة مع نماذج مفتوحة المصدر مثل LLaVA-1.5-7B وIDEFICS2-8B مع تغطية ثلاثة اتجاهات رئيسية: الرفض، التملق، وغريزة البقاء. تُظهر النتائج أن الصور المحفزة خاصة بالنموذج والصور المحسّنة المشتركة تحقق أداءً متقارباً مع تقنيات التوجيه التقليدية.

علاوة على ذلك، تُظهر VISOR++ وعدًا كبيرًا في تحقيق تحولات سلوكية اتجاهية لنماذج غير معروفة، بما في ذلك النماذج ذات الوصول المفتوح والمغلق. كما تحافظ VISOR++ على أداء مرتفع بنسبة 99.9% في 14,000 مهمة تقييم غير ذات صلة. هذه الابتكارات تجعل من VISOR++ تقنية مثيرة للتفكير في مستقبل السيطرة على نماذج الذكاء الاصطناعي.