في ظل التنامي السريع لتقنيات الذكاء الاصطناعي، يبقى انصباب الجهود على تحسين القدرة على معالجة وفهم البيانات المرئية. ومعظم المعايير الحالية في مجال حل الأسئلة البصرية (Visual Question Answering - VQA) تدور حول المهام المبنية على الإدراك البصري. لكن ما هو أكثر من ذلك؟

تقديم WikiVQABench يمثل قفزة نوعية في هذا المجال، حيث يوفر معيارًا بشرية مرتبطة بالمعرفة. يعتمد هذا المعيار على دمج منهجي بين صور ويكيبيديا، وشرح المقالات ذات الصلة، والمعرفة المهيكلة من ويكي بيانات.

تستخدم عملية جمع البيانات نماذج اللغة الكبيرة (Large Language Models - LLMs) لتوليد مجموعات من أسئلة متعددة الخيارات مرتبطة بالصور. ثم يتم مراجعة جميع الحالات الناتجة وتحريرها بواسطة معلّقين بشريين لضمان دقة الحقائق، وتناسق النص مع الصورة، ولضمان أن كل سؤال يتطلب معرفة خارجية بجانب الأدلة البصرية.

يضم WikiVQABench مجموعة كبيرة من صور ويكيبيديا مع أسئلة متعددة الخيارات مصممة خصيصًا لقياس أداء نماذج الرؤية واللغة المعتمدة على المعرفة (Knowledge-Aware Vision-Language Models - VLMs).

عُقدت تقييمات على خمسة عشر نموذجًا من VLMs، تراوحت دقتها ما بين 24.7% إلى 75.6%. هذه النتائج تكشف قدرة المعيار على تمييز قدرات النماذج في التفكير المعتمد على المعرفة.

إذا كنت تبحث عن فهم أفضل كيف يمكن للمعرفة أن تُدمج في مجال الذكاء الاصطناعي وتحسين أداء النماذج، فإن WikiVQABench هو الخطوة المثالية لك!

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.