في عالم معالجة البيانات الضخمة، أصبحت نماذج رؤية اللغة (Vision-Language Models - VLMs) محوراً رئيسياً لتسهيل استخراج المعلومات من الوثائق الطويلة، التي تضم مزيجًا من النصوص والرسوم البيانية والجداول. وقد أجريت دراسة جديدة تسلط الضوء على كيفية تحسين عملية إدخال هذه المستندات إلى النماذج وأساليب الاسترجاع لاستخراج الأجوبة بدقة.

تشير الدراسة إلى أن اختيار كيفية تقديم الوثيقة للنموذج، ونوع الأداة المستخدمة لاسترجاع المعلومات، وطريقة إدارتها، كافة هذه العوامل تلعب دورًا غضًا في النتائج النهائية. استخدمت الدراسة معيارين لاختبار القدرة على الإجابة عن أسئلة المستندات الطويلة، وهما MMLongBench-Doc و LongDocURL.

أظهرت النتائج أن استخدام الأداة المناسبة لكفاءة الإجابة يتماشى مع حجم نموذج VLM. مثلاً، حققت الأداة التي تحتوي على ستة أدوات تسجل تقدمًا فقط عندما كان النموذج كبيرًا بما يكفي، حيث كانت النتائج متباينة بين الأنظمة المختلفة. على سبيل المثال، بينما كانت النتائج مع نموذج Qwen3.5-4B أقل من الطرق الثابتة، كانت النتائج مع نموذج Qwen3.5-27B متساوية، في حين تفوق نموذج Sonnet 4.5.

لكن الأمور تزداد تعقيدًا مع تباين استراتيجيات الاسترجاع، حيث يتفوق أقوى مسترجع للصورة على أقوى أنظمة نصية. وجدت الدراسة أيضاً أن أفضل استراتيجيات استرجاع الصور لا تحتاج إلى عدد كبير من الرموز، مما يجعلها أكثر فعالية.

كما أشارت الدراسة إلى أهمية اختيار أفضل استراتيجية لكل سؤال، إذ أن استخدام أوراق البحث التي تختار أفضل طريقة لكل سؤال ضاعفت نقاط الإجابات بنسبة 13 نقطة مقارنة بأفضل استراتيجية واحدة، رغم أن بعض الطرق لم تستطع استعادة الأداء المطلوب.

ختامًا، تعد هذه النتائج مثيرة للاهتمام لمستقبل نماذج الذكاء الاصطناعي وكيفية توظيفها بصورة أكثر ذكاءً وكفاءة في عالم معالجة المعلومات الحديثة، مما يدفعنا للتفكير في كيفية تحسين استراتيجياتنا لاسترجاع المعلومات.