🤖 machine learning

MM-Zero: Self-Evolving Multi-Model Vision Language Models From Zero Data

يُعد MM-Zero أول إطار عمل قائم على التعلم المعزز يُمكّن نماذج الرؤية واللغة من التطور الذاتي من الصفر دون بيانات عبر توظيف نظام متعدد الأدوار (المقترح، والمبرمج، والمحلل) يتم تدريبه باستخدام تحسين السياسة النسبي للمجموعات لتوليد مفاهيم بصرية، وتجسيدها عبر الكود، وحل مهام الاستدلال متعدد الوسائط دون الحاجة إلى أي صور بذرية.

المؤلفون الأصليون: Zongxia Li, Hongyang Du, Chengsong Huang, Xiyang Wu, Lantao Yu, Yicheng He, Jing Xie, Xiaomin Wu, Zhichao Liu, Jiarui Zhang, Fuxiao Liu

نُشر 2026-03-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zongxia Li, Hongyang Du, Chengsong Huang, Xiyang Wu, Lantao Yu, Yicheng He, Jing Xie, Xiaomin Wu, Zhichao Liu, Jiarui Zhang, Fuxiao Liu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تريد تعليم روبوت كيفية حل الألغاز البصرية المعقدة، مثل قراءة مخطط بياني أو فهم مسألة هندسية. عادةً، ستحتاج إلى توظيف آلاف البشر لرسم الصور، وكتابة الأسئلة، وتصحيح الإجابات. هذا الأمر مكلف، بطيء، ويحد من مقدار ما يمكن للروبوت تعلمه.

MM-Zero هو اختراع جديد يقول: "لماذا ننتظر البشر؟ دعونا نعلم الروبوت كيف يعلم نفسه، بدءاً من لا شيء سوى عقله الخاص."

إليك كيف يعمل ذلك، مشروحاً من خلال قصة بسيطة لـ "فريق أحلام مكون من ثلاثة أشخاص" يبني نفسه من الصفر.

الأدوار الثلاثة: المهندس المعماري، البنّاء، والطالب

بدلاً من مجرد روبوت واحد يحاول التعلم، يقوم MM-Zero بتقسيم المهمة إلى ثلاثة أدوار متخصصة. فكر فيهم كأنهم مدرسة صغيرة ومكتفية ذاتياً، حيث الجميع هو نفس الشخص، لكنهم يرتدون قبعات مختلفة.

المهندس المعماري (المقترح):
- ماذا يفعل: هذا الدور هو صاحب الأفكار. يتخيل مشهداً (مثل "مخطط دائري يوضح مبيعات البيتزا") ويطرح سؤالين: سؤال سهل ("كم عدد القطع التي تحتوي على ببروني؟") وسؤال صعب ("إذا انخفضت مبيعات الببروني بنسبة 10%، فما هو الإجمالي الجديد؟").
- التشبيه: تخيل معلماً يكتب اختباراً. ولكن بدلاً من النظر في كتاب مدرسي، يقوم المعلم فقط بتأليف أسئلة الاختبار في ذهنه.
البنّاء (المبرمج):
- ماذا يفعل: يعطي المهندس المعماري الوصف، ولكن على البنّاء أن يقوم فعلياً برسمه. يكتب البنّاء كوداً برمجياً (مثل بايثون) لإنشاء الصورة. إذا كان الكود سيئاً، ستبدو الصورة كأنها كومة من النفايات. إذا كان الكود جيداً، ستبدو الصورة مثالية.
- التشبيه: هذا هو عامل البناء. يقول المهندس المعماري: "ابنِ منزلاً بباب أحمر". على البنّاء أن يكتشف المخططات ويضع الطوب. إذا أخطأوا، سينهار المنزل.
الطالب (الحلال):
- ما%ذا يفعل: ينظر الطالب إلى الصورة التي صنعها البنّاء ويحاول الإجابة على أسئلة المهندس المعماري.
- التشبيه: هذا هو الطالب الذي يؤدي الاختبار. ينظر إلى الرسم ويحاول حل المسألة الرياضية.

الحلقة السحرية: كيف يتعلمون دون بشر

إليك الجزء الذكي. في الماضي، كانت هذه الروبوتات تحتاج إلى إنسان ليقول لها "عمل جيد!" أو "إجابة خاطئة!". MM-Zero يزيل الإنسان تماماً. بدلاً من ذلك، تقوم الأدوار الثلاثة بتصحيح أعمال بعضها البعض في حلقة مستمرة:

اختبار "الاعتدال" (Goldilocks): يحاول المهندس المعماري إنشاء صورة "مثالية تماماً" — ليست سهلة جداً، وليست مستحيلة جداً.
- إذا كانت الصورة ضبابية جداً أو فشل الكود، يحصل البنّاء على "إشارة سلبية".
- إذا استطاع الطالب الإجابة على السؤال بسهولة شديدة (لأن الإجابة كُتبت بالخطأ داخل الصورة)، يحصل المهندس المعماري على "إشارة سلبية" لأنه وضع سؤالاً كسولاً.
- إذا تعثر الطالب ولكنه كان على وشك الوصول للإجابة، فهذا هو الوضع المثالي. يكافئ النظام المهندس المعماري لإنشاء لغز مليء بالتحدي ولكنه قابل للحل.
دورة التغذية الراجعة:
1. يضع المهندس المعماري خطة.
2. يحاول البنّاء رسمها. إذا فشل الرسم، يتعلم البنّاء كتابة كود أفضل.
3. ينظر الطالب إلى الرسم. إذا كان الرسم واضحاً والسؤال صعباً، يتعلم الطالب كيفية التفكير المنطقي بشكل أفضل.
4. يرى المهندس المعماري مدى نجاح الطالب. إذا أجاب الطالب بشكل صحيح بسهولة مفرطة، يتعلم المهندس المعماري كيفية طرح أسئلة أصعب في المرة القادمة.

إنه يشبه لعبة فيديو حيث يقوم مصمم المستويات، ومحرك الرسومات، واللاعب، وكلهم نفس الذكاء الاصطناعي، يقومون بتعديل اللعبة باستمرار لجعلها أصعب وأذكى لأنفسهم.

لماذا يعد هذا أمراً هاماً

لا حاجة لبيانات أولية (Seed Data): عادةً، لتعليم روبوت كيفية الرؤية، تحتاج إلى مكتبة من آلاف الصور الموجودة مسبقاً. MM-Zero لا يحتاج لذلك. إنه يولد صوره الخاصة من الصفر باستخدام الكود. إنه يشبه تعلم الرسم عبر ابتكار ألوانك الخاصة بدلاً من شراء مجموعة ألوان جاهزة.
التحسن الذاتي: تظهر الورقة البحثية أنه بينما يقوم هذا الذكاء الاصطناعي بتشغيل هذه الحلقة مراراً وتكراراً، فإنه يصبح أفضل بشكل ملحوظ في الاستنتاج البصري. لم يقم بمجرد حفظ الإجابات؛ بل تعلم كيف يفكر في الصور.
القابلية للتوسع: نظرًا لأنه لا يعتمد على البشر لتنسيق البيانات، يمكنك الاستمرار في تشغيل هذه الحلقة للأبد، مما قد يؤدي إلى إنشاء ذكاء اصطناعي يصبح أكثر ذكاءً وأكثر ذكاءً دون الحاجة إلى معلم بشري مرة أخرى.

الخلاصة

MM-Zero هو طفرة لأنه يثبت أن الذكاء الاصطناعي يمكنه تعلم الرؤية والاستنتاج من خلال توليد عالمه الخاص. إنه لا يقرأ كتاباً فحسب؛ بل يكتب الكتاب، ويرسم الرسوم التوضيحية، ويؤدي الاختبار في نفس الوقت، ويتعلم من أخطائه حتى يصبح خبيراً.

إليك ملخص تقني مفصل لورقة البحث: "MM-Zero: تطور ذاتي لنماذج الرؤية واللغة متعددة النماذج من الصفر (بدون بيانات)."

1. بيان المشكلة

تعتمد نماذج الرؤية واللغة (VLMs) الحالية بشكل كبير على مجموعات بيانات ضخمة منسقة بشريًا لعمليات ما بعد التدريب والتحسين الذاتي. وبينما نجحت النماذج اللغوية الكبيرة (LLMs) في إثبات قدرتها على "التطور الذاتي" (التحسن عبر اللعب الذاتي أو توليد البيانات الاصطناعية) مع حد أدنى من التدخل البشري، فإن نقل هذا النموذج إلى نماذج الرؤية واللغة (VLMs) يعد أمرًا غير بديهي.

العقبة: على عكس النماذج اللغوية التي تقتصر على النصوص فقط، تتطلب نماذج الرؤية واللغة مدخلات بصرية. وتعتمد أساليب التطور الذاتي الحالية لنماذج الرؤية واللغة لا تزال على مجموعات صور موجودة مسبقًا وثابتة لبدء العملية. وهذا يحد من تنوع وتعقيد بيانات التدريب، حيث يظل تطور النموذج مقيدًا بتوزيع وجودة الصور الأولية التي تم جمعها.
الهدف: تحقيق تطور ذاتي من الصفر (Zero-data self-evolution) لنماذج الرؤية واللغة، حيث يقوم النموذج بتوليد محتواه البصري، وأسئلته، ومهام الاستدلال الخاصة به من الصفر دون الاعتماد على أي صور خارجية أو تعليقات بشرية.

2. المنهجية: إطار عمل MM-Zero

يقدم MM-Zero إطار عمل للتطور الذاتي ثلاثي الأدوار يستبدل الإعداد التقليدي ثنائي الأدوار (المقترح-الحلال) بنظام حلقة مغلقة يتضمن ثلاثة وكلاء متخصصين، يتم تهيئتهم جميعًا من نفس النموذج الأساسي وتدريبهم باستخدام تحسين السياسة النسبية الجماعية (GRPO).

الأدوار الثلاثة

المقترح (التصور المجرد - Proposer):
- يولد "رباعية": وصف نصي دقيق لمشهد بصري ( $c$ )، وسؤال سهل ( $q_{easy}$ )، وإجابته ( $a_{easy}$ )، وسؤال استدلال صعب ( $q_{hard}$ ).
- الهدف: إنشاء سيناريوهات متنوعة، صعبة، ولكنها قابلة للحل.
المبرمج (التوليد البصري - Coder):
- يأخذ الوصف النصي ( $c$ ) ويولد كودًا قابلًا للتنفيذ (مثل Python/Matplotlib، أو SVG) لتصيير (Render) الصورة البصرية.
- الهدف: ترجمة المفاهيم المجردة بأمانة إلى واقع بصري.
الحلال (الاستدلال متعدد الوسائط - Solver):
- يحلل الصورة المصيرة ويجيب على الأسئلة.
- الهدف: إجراء الاستدلال متعدد الوسائط وتقديم التغذية الراجعة لتحسين أداء المقترح والمبرمج.

حلقة التدريب وآليات المكافأة

يستخدم النظام التعلم المعزز بالمكافآت القابلة للتحقق (RLVR). يتم تدريب الأدوار بالتتابع (مع تجميد الأدوار الأخرى) باستخدام وظائف مكافأة محددة:

مكافأة المقترح (Proposer Reward): مصممة لموازنة القابلية للحل والصعوبة.
- تغذية تنفيذ الكود الراجعة: تكافئ النجاح في تصيير الكود.
  ales درجة القابلية للحل: تتحقق مما إذا كان السؤال السهل قابلاً للإجابة من خلال الصورة المصيرة (للتحقق من الدقة البصرية).
- درجة الصعوبة (مبدأ "غولدي لوكس" - Goldilocks Principle): تستخدم التعلم المعزز في وقت الاختبار (TTRL) على السؤال الصعب. تصل المكافأة إلى ذروتها عندما يكون "الحلال" في أقصى درجات عدم اليقين (الاتساق $\approx$ 0.5)، مما يضمن أن المهام ليست سهلة للغاية ولا مستحيلة للغاية.
- عقوبات التنوع: تعاقب المحتوى المتكرر ونقص التنوع في الأسئلة/الأوصاف.
مكافأة المبرمج (Coder Reward): تركز على صحة التنفيذ والمواءمة الدلالية.
- تكافئ الكود الذي ينجح في التصيير وينتج صورًا تكون فيها الإجابة على السؤال السهل قابلة للحل.
- تعاقب أخطاء الصيغة (Syntax errors) وفشل التصيير.
مكافأة الحلال (Solver Reward): تستخدم التعلم المعزز في وقت الاختبار (TTRL) عبر التصويت بالأغلبية.
- نظرًا لعدم توفر حقيقة أرضية (Ground Truth) للأسئلة الصعبة المولدة، يقوم "الحلال" بتوليد $K$ من مسارات الاستدلال. يعمل التصويت بالأغلبية كعلامة "فضية" (Silver label).
- تعتمد المكافآت على دقة الإجابة مقابل العلامة الفضية والالتزام بتنسيق سلسلة الأفكب (Chain-of-Thought) الصارم.

3. المساهمات الرئيسية

أول تطور ذاتي لنماذج الرؤية واللغة من الصفر: MM-Zero هو أول إطار عمل يمكّن نماذج الرؤية واللغة من تطوير قدرات الاستدلال ذاتيًا بدءًا من صفر بيانات خارجية، مما يلغي الحاجة إلى مجموعات صور أولية.
بنية ثلاثية الأدوار: يوسع نموذج التطور الذاتي لما وراء إعداد الوكيلين القياسي (المقترح-الحلال) من خلال إدخال وكيل المبرمج. هذا يجسّر الفجوة بين اللغة المجردة والتأسيس البصري (Visual Grounding) من خلال توليد الكود كوسيط.
تصميم مبتكر للمكافأة: تقدم الورقة آليات مكافأة هرمية معقدة تدميد التغذية الراجعة للتنفيذ، والتحقق البصري، وموازنة الصعوبة (مبدأ "غولدي لوكس") لمنع "اختراق المكافأة" (Reward Hacking) وضمان توليد بيانات عالية الجودة.
القابلية للتوسع: إطار العمل مستقل عن النموذج وقد تم التحقق من صحته عبر نماذج أساسية مختلفة (Qwen3-VL-4B/8B و MiMo-VL-7B).

4. النتائج التجريبية

قام المؤلفون بتقييم MM-Zero على مجموعة واسعة من الاختبارات المرجعية، بما في ذلك الاستدلال البصري العام (MMMU, ChartQA)، والرياضيات البصرية (MathVerse, MathVista)، وكشف الهلوسة (HallusionBench).

مكاسب الأداء:
- Qwen3-VL-8B: تحسنت دقة الاختبار المرجعي المتوسطة من 50.7% (الأساسي) إلى 54.1% بعد 3 دورات (60 خطوة)، مع مكاسب كبيرة في الاستدلال الرياضي البصري (+4.0%).
- MiMo-VL-7B: تحسنت من 50.9% إلى 56.0%.
- Qwen3-VL-4B: تحسنت من 50.2% إلى 53.4% (مكاسب أقل تُعزى إلى انخفاض معدلات نجاح تصيير الكود الأولية).
التحسن التكراري: استمر الأداء في التحسن بشكل مطرد حتى الدورة الخامسة (56.6% لنموذج 8B)، مما يشير إلى أن النموذج لم يصل بعد إلى سقف أدائه.
تطور الجودة:
- المبرمج (Coder): زادت معدلات نجاح التصيير باطراد (من ~40% إلى >70% للنماذج الأكبر).
- الدقة البصرية: أصبحت الصور المصيرة أكثر أمانة للأوصاف، مما مكن "الحلال" من الإجابة على الأسئلة "السهلة" بشكل صحيح، وهو ما كان بمثابة مؤشر للجودة البصرية.
دراسات الاستبعاد (Ablation Studies):
- أدى إزالة توازن القابلية للحل/الصعوبة إلى "اختراق المكافأة"، حيث قام النموذج بدمج الإجابات مباشرة في نص الصورة، مما تسبب في ثبات الأداء.
- أدت إزالة تنوع المحتوى إلى التكيف الزائد (Overfitting) مع أنواع سهلة التصيير (مثل الرسوم البيانية - Histograms)، مما أدى إلى انخفاض أداء الاختبارات المرجعية عبر الدورات.

5. الأهمية والتوجهات المستقبلية

تحول في النموذج (Paradigm Shift): يثبت MM-Zero أن النماذج متعددة الوسائط يمكنها التحرر من الاعتماد على مجموعات البيانات الثابتة والمنسقة. ومن خلال تصيير المشاهد برمجياً، يمكن للنظام محاكاة تنوعات لانهائية وسيناريوهات نادرة يصعب أو يكلف جمعها في العالم الحقيقي.
تحسين ذاتي قابل للتوسع: يضع إطار عمل نحو ذكاء عام ذاتي التحسين، حيث تولد النماذج منهجها الخاص من الصعوبة المتزايدة.
القيود والعمل المستقبلي: اقتصرت الدراسة الحالية على التكاليف الحسابية، مما منع التحقق من النماذج الأكبر بكثير (مثل 38B+). يهدف العمل المستقبلي إلى توسيع الإطار لدعم أدوات أكثر تنوعاً (مثل التصيير ثلاثي الأبعاد 3D) واستكشاف قوانين القياس (Scaling Laws) للنماذج الأساسية الأكبر.

في الختام، يمثل MM-Zero قفزة نوعية في تطوير الذكاء الاصطناعي المستقل، حيث يثبت أن نماذج الرؤية واللغة يمكنها تعزيز قدرات الاستدلال البصري الخاصة بها من خلال حلقة متعددة الوكلاء ذاتية الاستدامة دون تدخل بشري.