More Thought, Less Accuracy? On the Dual Nature of Reasoning in Vision-Language Models

ملخص تقني مفصل لورقة بحثية بعنوان: "مزيد من التفكير، دقة أقل؟ حول الطبيعة المزدوجة للاستدلال في نماذج الرؤية واللغة" (More Thought, Less Accuracy? On the Dual Nature of Reasoning in Vision-Language Models)، المنشورة في ICLR 2026.

1. بيان المشكلة: الطبيعة المزدوجة للاستدلال

تتقصى الورقة البحثية مفارقة حرجة في نماذج الرؤية واللغة (VLMs): بينما تعمل قدرات الاستدلال (التي يتم تدريبها غالبًا عبر التعلم المعزز مثل GRPO) على تحسين الأداء بشكل كبير في المهام المنطقية المعقدة، إلا أنها قد تؤدي دون قصد إلى تدهور الأداء في المهام التي تتطلب الإدراك البصري الأساسي.

• الظاهرة: يحدد المؤلفون "طبيعة مزدوجة" للاستدلال. في البداية، تعزز خطوات الاستدلال الاستنتاج المنطقي. ومع ذلك، مع زيادة طول عملية الاستدلال، يتدهور التجذر البصري (القدرة على تفسير التفاصيل البصرية بدقة) للنموذج.
• النتيجة: في كثير من الحالات، يؤدي "التفكير الزائد" إلى دقة أقل مقارنة بـ "التفكير الأقل" أو الإجابة المباشرة. قد يحدد النموذج التفاصيل البصرية بشكل صحيح في المراحل الأولى من الاستدلال، ولكنه قد يهلوس أو يسيء قراءتها في المراحل اللاحقة.
• السبب الجذري: من خلال تحليل الأخطاء وتتبع الانتباه، يعزو المؤلفون ذلك إلى النسيان البصري (Visual Forgetting). فبينما يولد النموذج سلاسل استدلال أطول، يتضاءل انتباهه لرموز (tokens) المدخلات البصرية بشكل كبير، مما يجعل النموذج يعتمد بشكل متزايد على تاريخه النصي الداخلي بدلاً من الصورة المدخلة.

2. المنهجية: تحسين السياسة المرتبطة بصرياً (VAPO)

لمعالجة النسيان البصري، يقترح المؤلفون خوارزمية VAPO، وهي خوارزمية تدرج السياسة المصممة لتوجيه عملية الاستدلال صراحةً نحو مسارات مجذرة بصرياً. بخلاف طرق التعلم المعزز القياسية التي تكافئ الإجابة النهائية فقط، تقدم VAPO إشرافاً وسيطاً.

المكونات الرئيسية لـ VAPO:

1. توليد الادعاءات البصرية:
   • لكل مثال تدريبي، يتم توليد مجموعة من الادعاءات الواقعية حول الصورة (على سبيل المثال، بواسطة GPT-5).
   • هذه الادعاءات متوازنة (50% صحيحة، 50% خاطئة) ومستقلة عن السؤال المحدد لضمان اختبار الإدراك البصري الصرف.
2. المرتكزات البصرية (Visual Anchors):
   • أثناء عملية توليد الاستدلال (rollout)، يتم إدراج هذه الادعاءات في نقاط محددة (مرتكزات) على طول مسار الاستدلال.
   • عند كل مرتكز، يُطلب من النموذج الحكم على صحة الادعاء (نعم/لا) بناءً على المدخلات البصرية فقط، مما يقطع تدفق الاستدلال لتقييم القدرة الإدراكية.
3. مكافأة الإدراك ($R_{perc}$):
   • يتم تقديم إشارة مكافأة جديدة بناءً على دقة النموذج في الحكم على هذه الادعاءات البصرية.
   • الترجيح المتأخر (Late-Emphasis Weighting): نظرًا لأن النسيان البصري يكون في أشد حالاته في خطوات الاستدلال المتأخرة، فإن حساب المكافأة يطبق أوزانًا أعلى للمرتكزات التي تظهر لاحقاً في التسلسل ($w_k = \exp(\beta \cdot a_k/T)$).
4. الهدف النهائي:
   • تجمع المكافأة الإجمالية بين مكافآت الدقة/التنسيق القياسية ومكافأة الإدراك:
     $$R_i = R_{acc} + R_{fmt} + \gamma \cdot \mathbb{1}[R_{acc}=1] \cdot R_{perc}$$
   • يضمن "بوابة الدقة" ($\mathbb{1}[R_{acc}=1]$) أن النموذج يتلقى مكافآت الإدراك فقط إذا كانت الإجابة النهائية صحيحة، مما يمنع "اختراق المكافأة" (reward hacking) حيث قد يركز النموذج على الإدراك ولكنه يفشل في المهمة الأساسية.

3. المساهمات الرئيسية

• اكتشاف الطبيعة المزدوجة: تقدم الورقة دليلاً تجريبياً على أن الاستدلال ليس مفيداً دائماً؛ فهو يخلق مقايضة حيث يضعف الاستدلاء الممتد التجذر البصري، مما يؤدي إلى سيناريو "لا يوجد غداء مجاني" (no-free-lunch) في البيئات متعددة الوسائط.
• تحديد النسيان البصري: يحدد المؤلفون كمياً انخفاض الانتباه البصري أثناء الاستدلال ويثبتون أن "النسيان البصري" هو العائق الرئيسي، حيث يمثل أكثر من 50% من الأخطاء في الاختبارات المرجعية كثيفة الاستدلال.
• خوارزمية VAPO: يقترحون طريقة تدريب بسيطة وفعالة تدمج عمليات التحقق البصري مباشرة في حلقة التعلم المعزز، مما يجبر النموذج على الحفاظ على الانتباه البصري طوال عملية الاستدلال.
• الأداء الأفضل حالياً (SOTA): يحقق نموذج VAPO-Thinker-7B نتائج قياسية جديدة عبر اختبارات مرجعية متنوعة، مما يثبت أن تعزيز التجذر البصري يعزز فعالية الاستدلال الإجمالية.

4. النتائج التجريبية

قيم المؤلفون نموذج VAPO-Thinker-7B (المبني على Qwen2.5-VL-7B) مقابل نماذج مرجعية قوية (بما في ذلك R1-OneVision، وVLAA-Thinker، وVision-R1، ونماذج مملوكة مثل GPT-5-Thinking).

• الاختبارات المرجعية الرياضية: حقق تحسناً متوسطاً بنسبة 2% عن أفضل النماذج مفتوحة المصدر السابقة (مثلاً، من 49.1% $\to$ 51.1% كمتوسط في MathVerse وMathVista وغيرها).
• الاختبارات المرجعية العامة: أظهر مكاسب أكبر بنسبة 3.2% في المهام الكثيفة بصرياً (مثل MMStar وHallusionBench)، ليصل إلى متوسط دقة قدره 63.1% (مقابل 59.9% لأفضل نموذج مرجعي).
• المقارنة مع حلول وقت الاستدلال: تفوقت VAPO على استراتيجيات وقت الاستدفاء مثل "إعادة العرض البصري" (Visual Replay - إعادة إدراج الصورة) و"مطالبة التركيز" (Focus Prompt - طلب النظر للخلف)، مما يثبت أن التدخل في وقت التدريب ضروري لإصلاح الخلل السلوكي الأساسي.
• دراسات الاستئصال (Ablation Studies):
  • زيادة عدد المرتكزات ($K$) يحسن الأداء حتى نقطة التشبع ($K=20$).
  • وزن التأخير ($\beta$) أمر بالغ الأهمية؛ حيث حقق ضبط $\beta=1.5$ أفضل النتائج، مما يؤكد أن خطوات الاستدلال المتأخرة هي المكان الذي يكون فيه النسيان البصري أكثر حرجاً.
  • الطريقة قوية عبر نماذج أساسية مختلفة (تم اختبارها على Qwen3-VL) ومولدات ادعاءات مختلفة (تعمل مع نماذج مفتوحة المصدر مثل LLaVA).

5. الأهمية

تتحدى هذه العمل بشكل جوهري الافتراض السائد في مجتمع الذكاء الاصطناعي بأن "زيادة الاستدلال هي دائماً الأفضل". فهي تسلط الضوء على نمط فشل محدد في الاستدلال متعدد الوسائط حيث يفقد النموذج الرؤية للمدخلات البصرية.

• تحول في النموذج الفكري: تنقل التركيز من مجرد توسيع نطاق طول الاستدلال إلى ضمان التجذر البصري طوال عملية الاستدلال.
• الأثر العملي: توفر VAPO حلاً فعالاً من حيث الحوسبة (حد أدنى من التكاليف الإضافية مقارنة بـ GRPO القياسي) مما يعزز بشكل كبير موثوقية نماذج الرؤية واللغة، خاصة للمهام التي تتطلب فهماً بصرياً دقيقاً (مثل قراءة الرسوم البيانية، عد الأشياء، أو الملاحة).
• الاتجاه المستقبلي: تشير الورقة إلى أن نماذج الاستدلال المستقبلية يجب أن تُصمم بآليات لمنع عدم التوازن بين الوسائط، لضمان بقاء الإشارات البصرية نشطة حتى أثناء العمليات المعرفية المعقدة.