Test-Time Matching: Unlocking Compositional Reasoning in Multimodal Models

تخيل أنك تخوض اختباراً صعباً للغاية في المنطق. لا يطلب منك الاختبار حل مشكلة واحدة في كل مرة، بل يعطيك "مجموعة" صغيرة من صورتين ووصفين. تستخدم الأوصاف نفس الكلمات تماماً، ولكن بترتيب مختلف. مهمتك هي مطابقة الصورة الصحيحة بالوصف الصحيح.

لفترة طويلة، فشلت نماذج الذكاء الاصطناعي (التي تلعب دور "الطلاب" في هذا الاختبار) في اجتياز هذا النوع المحدد من الألغاز. غالباً ما كانت تسجل درجات منخفضة جداً لدرجة تجعل الأمر يبدو وكأنها تخمن عشوائياً، رغم أنها ذكية للغاية في مهام أخرى.

تجادل هذه الورقة البحثية بأن الاختبار نفسه هو الذي تم التلاعب به (غير عادل)، وليس الطلاب. يقدم المؤلفون طريقة جديدة للتقييم وتقنية دراسة جديدة تساعد نماذج الذكاء الاصطنا هذه على إظهار ذكائها الحقيقي.

إليك تفصيل اكتشافهم وحلهم:

1. نظام التقييم المعيب (فخ "الكل أو لا شيء")

تخيل معلماً يصحح اختبار مطابقة. كانت القاعدة القديمة (التي تسمى GroupScore) صارمة للغاية:

• إذا قمت بكل المطابقات في الزوج بشكل صحيح، تحصل على نقطة واحدة.
• إذا أخطأت في تطابق واحد فقط، تحصل على صفر من النقاط لهذه المجموعة بأكملة.

أدرك المؤلفون أن هذه القاعدة غير عادلة. إنها تشبه قول: "إذا حللت 99% من مسألة رياضية بشكل صحيح ولكن ارتكبت خطأً واحداً في الإشارة، فستحصل على صفر". ولأن هذه القاعدة صارمة للغاية، فإن النماذج الذكية تبدو وكأنها تفشل.

الحل: قاعدة تقييم جديدة (GroupMatch)
اقترح المؤلفون قاعدة جديدة تسمى GroupMatch. بدلاً من النظر إلى كل زوج بمعزل عن الآخر، تنظر هذه القاعدة إلى الدرجة الإجمالية للمجموعة بأكملها.

• التشبيه: تخيل أن لديك سلتين من الفاكهة. القاعدة القديمة تقول: "إذا وضعت تفاحة خاطئة في السلة (أ)، فقد رسبت". أما القاعدة الجديدة فتقول: "هل وضعت أفضل التفاحات الممكنة في السلال بشكل عام؟"
• النتيجة: عندما أعاد المؤلفون تقييم نماذج الذكاء الاصطناعي باستخدام هذه القاعدة الأكثر إنصافاً، ارتفعت الدرجات بشكل هائل. فجأة، بدت النماذج التي بدت وكأنها تخمن عشوائياً وهي في الواقع تحصل على معظم الإجابات بشكل صحيح. لقد احتاجت فقط إلى طريقة أفضل لإثبات ذلك.

2. خدعة "SimpleMatch" (الحل السريع)

بمجرد أن أدرك المؤلفون أن النماذج تعرف الإجابات بالفعل، وجدوا طريقة بسيطة لترجمة تلك "المعرفة الخفية" مرة أخرى إلى نظام التقييم القديم الصارم.

• سمحوا للنموذج باختيار أفضل مطابقة إجمالية أولاً (باستخدام القاعدة الجديدة العادلة).
• ثم أجبروا النموذج على الالتزام بهذا الاختيار.
• النتيجة: سمحت هذه الخطوة البسيطة لنموذج متطور (GPT-4.1) بأن يسجل درجة أعلى من متوسط البشر المقدر في أصعب اختبار للألغاز. لقد أثبت ذلك أن الذكاء الاصطناعي لم يكن سيئاً في التفكير؛ بل كان يتم تقييمه فقط بناءً على تفصيلة تقنية.

3. جلسة دراسة "مطابقة وقت الاختبار" (TTM)

لم يتوقف المؤلفون عند هذا الحد. أرادوا جعل النماذج أكثر ذكاءً أثناء خوضها للاختبار، دون الحاجة إلى مساعدة من معلم. ابتكروا طريقة تسمى مطابقة وقت الاختبار (TTM).

فكر في TTM كـ جلسة دراسة ذاتية التحسين تحدث مباشرة قبل الامتحان النهائي:

1. التخمين الأول: ينظر النموذج إلى أسئلة الاختبار ويقوم بعمل أفضل تخمين لديه للمطابقات.
2. فحص الثقة: يسأل النموذج نفسه: "ما مدى ثقتي في هذا التخمين؟"
   • إذا كان واثقاً جداً، فإنه يعامل ذلك التخمين كـ "حقيقة" (ملصق زائف/pseudo-label) ويدرسها.
   • إذا كان غير متأكد، فإنه يتجاهل هذا التخمين في الوقت الحالي.
3. الدراسة: يقوم النموذج بتعديل دماغه بسرعة (ضبط دقيق/fine-tunes) بناءً على "الحقائق" التي تعلمها للتو.
4. تخفيف القواعد: مع زيادة ذكاء النموذج، يقوم المؤلفون بخفض "حاجز الثقة". الآن، يبدأ النموذج في دراسة الأسئلة الأصعب قليلاً والتي كان غير متأكد منها سابقاً.
5. الحلقة: يكرر هذه الدورة، ويتعلم ببطء من المزيد والمزيد من أسئلة الاختبار حتى يتقن المجموعة بأكملها.

التشبيه: تخيل طالباً يؤدي اختباراً تجريبياً. بدلاً من مجرد وضع الإجابات، يقول: "أنا متأكد بنسبة 100% من هذه الأسئلة الخمسة، لذا سأحفظ المنطق وراءها". ثم يقول: "حسناً، أنا متأكد بنسبة 90% من هذه الأسๆ الخمسة التالية، دعني أدرس تلك أيضاً". وبحلول الوقت الذي ينتهي فيه، يكون قد تعلم المادة بمجرد النظر إلى الاختبار نفسه.

النتائج

باستخدام هذه الطريقة، حقق المؤلفون بعض الإنجازات المثيرة للإعجاب:

• أرقام قياسية جديدة: حققوا أرقالاً قياسية جديدة "لحالة الفن" (State of the Art) في العديد من الاختبارات المعيارية الصعبة.
• هزيمة العمالقة: تمكن نموذج أصغر ومتخصص (SigLIP-B16) من هزيمة ذكاء اصطناائي ضخم وعام (GPT-4.1) في مهام استدلال محددة بعد استخدام تقنية الدراسة هذه.
• تعمل في كل مكان: نجحت هذه الحيلة ليس فقط في ألغاز "المجموعات" الصعبة، بل أيضاً في الاختبارات التي لا تحتوي على مجموعات على الإطلاق. كما نجحت حتى مع النماذج التي تولد النصوص (مثل كتابة القصص) والنماذج التي تقارن الصور فقط.

الخلاصة الكبرى

تخلص الورقة البحثية إلى أن نماذج الذكاء الاصطناعي هي في الواقع أفضل بكثير مما كنا نعتقد في "الاستدلال التركيبي" (تجميع القطع معاً لجعل المواقف الجديدة منطقية). نحن فقط لم نكن نقيسها بشكل صحيح. من خلال إصلاح نظام التقييم ومنح النماذج طريقة للتعلم من إجابات اختباراتها الخاصة، يمكننا إطلاق العنان لإمكاناتها الحقيقية دون الحاجة إلى بيانات جديدة أو معلمين بشريين.