💬 NLP

Grid Spatial Understanding: A Dataset for Textual Spatial Reasoning over Grids, Embodied Settings, and Coordinate Structures

تقدم هذه الورقة البحثية GSU، وهي مجموعة بيانات شبكية نصية فقط لتقييم الاستدلال المكاني للنماذج اللغوية الكبيرة عبر مهام الملاحة، والتحديد الموضعي، والتركيب، كاشفةً أنه في حين تؤدي النماذج الرائدة أداءً جيدًا ويمكن للنماذج الصغيرة مضاهاتها عبر الضبط الدقيق، فإن معظمها يعاني مع الأطر المرجعية المتجسدة وتحديد الأشكال ثلاثية الأبعاد، مع فشل الوسائط البصرية في توفير فهم مكاني ثلاثي الأبعاد قابل للتعميم.

المؤلفون الأصليون: Risham Sidhu, Julia Hockenmaier

نُشر 2026-03-19

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Risham Sidhu, Julia Hockenmaier

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 تعلم روبوتاً كيفية التنقل في متاهة ثلاثية الأبعاد ضخمة وغير مرئية مكونة من مكعبات ملونة. لا يمكنك عرض صورة للمتاهة للروبوت، بل يمكنك فقط إعطاؤه قائمة بالإحداثيات (مثل "المكعب أ موجود عند 2، 5، 1") ومجموعة من التعليمات باللغة العادية.

تقدم هذه الورقة اختباراً جديداً يسمى GSU (فهم الشبكة المكانية) لمعرفة ما إذا كانت النماذج اللغوية الكبيرة (LLMs) — وهي العقول التي تقف وراء روبوتات الدردشة الذكية — يمكنها حقاً "التفكير" في الفضاء ثلاثي الأبعاد باستخدام الكلمات فقط، أم أنها مجرد تخمين بناءً على الأنماط التي رأتها من قبل.

إليك تفصيل الدراسة باستخدام تشبيهات بسيطة:

1. الألعاب الثلاث (المهام)

ابتكر الباحثون ثلاث "ألعاب" مختلفة لاختبار عقل الذكاء الاصطناعي المكاني:

لعبة التنقل (المتنزه معصوب العينين):
- الإعداد: تخيل أنك معصوب العينين في غرفة. شخص ما يقول لك: "امشِ 3 خطوات للأمام، استدر يميناً، امشِ خطوتين". يجب أن تعرف بالضبط أين ستنتهي.
- اللمسة المختلفة: هناك طريقتان لإعطاء الاتجاهات.
  - الاتجاهات الأصلية (الخريطة): "شمال، جنوب، شرق، غرب". هذه لا تتغير أبداً. إذا استدرت، يظل "الشمال" هو الشمال.
  - الاتجاهات الذاتية (الجسم): "للأمام، لليسار، لليمين". هذه تتغير بناءً على الاتجاه الذي تواجهه. إذا استدرت، يصبح "للأمام" هو الاتجاه المعاكس.
- النتيجة: معظم أجهزة الذكاء الاصطنا1 جيدة في نسخة "الخريطة"، لكنها تضيع تماماً في نسخة "الجسم". فهي تجد صعوبة في تحديث خريطتها الذهنية عندما تلتف حول زاوية.
لعبة تحديد موقع الأشياء (الصديق الواصف):
- الإعداد: أنت تقف في غرفة مع صديق. هناك مكعب أحمر في مكان ما. عليك أن تخبر صديقك بمكانه بالنسبة لك ("إنه على يساري") أو بالنسبة لشيء آخر ("إنه خلف الصندوق الأزرق").
- اللمسة المختلفة: أحياناً يكون "الصديق" مواجهاً لاتجاه مختلف عن اتجاهك.
- النتيجة: غالباً ما يرتبك الذكاء الاصطناعي بشأن من يواجه ماذا. قد يقول إن مكعباً ما "أمامك" بينما هو في الواقع "خلفك"، لأنه ينسى تدوير منظوره ليتناسب مع منظورك.
لعبة تركيب الهياكل (مهندس الليغو):
- الإعداد: تُعطى قائمة طويلة ومملة من الإحداثيات لمئات المكعبات. عليك النظر إلى تلك القائمة والقول: "أوه، هذه المكعبات تشكل برجاً برتقالياً طويلاً، وهذه تشكل أرضية زرقاء مسطحة".
- النتيجة: الذكاء الاصطناعي جيد في رصد الألوان، لكنه غالباً ما يفشل في التعرف على الشكل. قد يرى مكعباً ثلاثي الأبعاد ويسميه "مربعاً مسطحاً"، أو يخطئ في ملاحظة أن مجموعة من المكعبات تشكل "سلماً" بدلاً من "جدار".

2. المفاجآت الكبرى

المفاجأة رقم 1: العيون لا تساعد (كثيراً)
قد تعتقد أنك إذا أعطيت الذكاء الاصطناعي كاميرا (نماذج الرؤية واللغة)، فسيصبح أفضل في المهام المكانية.

التشبيه: الأمر يشبه إعطاء شخص نظارات طبية ولكنك تطلب منه حل مسألة رياضية. النظارات لن تساعده في الرياضيات.
النتيجة: وجد الباحثون أن أجهزة الذكاء الاصطنا1 التي تمتلك "عيوناً" لم تكن أفضل بشكل ملحوظ من أجهزة الذكاء الاصطنا1 التي تمتلك "آذاناً" فقط (النصوص فقط). رؤية صورة للشبكة لم تعلمهم كيفية الاستنتاج حول الشبكة. ظلوا يعانون من صعوبة في فهم منطق الدوران والحركة.

المفاجاء رقم 2: "العقل الكبير" ليس دائماً الأذكى
النماذج الأكثر قوة وتكلفة (النماذج الرائدة مثل GPT-4o أو Gemini) أدت بشكل جيد، لكنها لا تزال ترتكب أخطاءً سخيفة، خاصة في لعبة التنقل "الذاتية" (المرتبطة بالجسم). فقد ينجحون في الخطوة الأولى، لكنهم "ينسون" أنهم استداروا ويضيعون بحلول الخطوة الثالثة.

المفاجأة رقم 3: النماذج الصغيرة المدربة يمكنها هزيمة العمالقة
هذا هو الجزء الأكثر إثارة. أخذ الباحثون نموذج ذكاء اصطنا1 صغيراً ورخيصاً و"درّبوه" خصيصاً على ألعاب الشبكة هذه.

التشبيه: تخيل ميكانيكياً صغيراً متخصصاً تدرب لمدة عام على إصلاح محركات السيارات فقط. يمكنه غالباً إصلاح محرك معين بشكل أفضل من عبقري عام يعرف كل شيء عن كل شيء ولكنه لم يتدرب على ذلك المحرك المحدد.
النتيجة: تفوق هذا الذكاء الاصطنا1 الصغير والمتخصص في الواقع على العمالقة الضخمة متعددة الأغراض في هذه المهام المكانية المحددة. لقد أثبتوا أنك لا تحتاج إلى حاسوب خارق لفهم الفضاء؛ أنت فقط بحاجة إلى التدريب الصحيح.

3. لماذا يهم هذا؟

في الوقت الحالي، نحن نبني روبوتات ومساعدين افتراضيين يحتاجون للتنقل في العالم الحقيقي.

إذا اعتقد الروبوت أن "للأمام" تعني "شمال" (ثابت) بدلاً من "للأمام" (نسبة للجسم)، فسيصطدم بجدار.
إذا لم يستطع الروبوت التمييز بين "برج" و"جدار" بمجرد النظر إلى قائمة من الأجز、 فإنه لن يستطيع البناء.

تخبرنا هذه الورقة أنه بينما يصبح الذكاء الاصطنا1 أكثر ذكاءً، إلا أنه لا يزال يفتقر إلى "خريطة ذهنية" حقيقية للفضاء ثلاثي الأبعاد. إنه جيد في حفظ الحقائق، لكنه سيء في تخيل الحركة. ومع ذلك، الخبر الجيد هو أننا لسنا بحاجة لانتظار ظهور الذكاء الاصطنا1 الخارق القادم لإصلاح ذلك؛ يمكننا فقط تدريب نماذج أصغر وأرخص لتكون خبيرة في الاستنتاج المكاني.

باخت-الاختصار: الذكاء الاصطنا1 حالياً يشبه شخصاً قرأ آلاف الأدلة السياحية ولكنه لم يغادر منزله أبداً. هو يعرف أسماء المدن، ولكن إذا طلبت منه التنقل في غرفة أثناء الدوران حول نفسه، فسيصاب بالدوار. توضح هذه الدراسة كيف يمكننا تعليمهم التوقف عن الدوران والبدء في المشي.

إليك ملخص تقني مفصل لورقة البحث بعنوان "GSU: مجموعة بيانات للفهم المكاني النصي عبر الشبكات، والبيئات المتجسدة، وهياكل الإحداثيات."

1. بيان المشكلة

على الرغم من التقدم السريع في النماذج اللغوية الكبيرة (LLMs) والنماذج اللغوية البصرية (VLMs) في المهام متعددة الوسائط، إلا أن قدرتها على الاستدلال المكاني الصرف لا تزال غير مفهومة بشكل جيد. غالبًا ما تخلط التقييمات الحالية بين الاستدلال المكاني والإدراك البصري، مما يجعل من الصعب تحديد ما إذا كانت النماذج تمتلك تمثيلات داخلية قوية للمساحة ثلاثية الأبعاد أم أنها تعتمد فقط على الإشارات البصرية.

حدد المؤلفون ثلاث فجوات حرجة:

نقص العزل: تستخدم معظم المعايير مدخلات بصرية، مما يمنع عزل قدرات الاستدلال عن الإدراك.
تعقيد الإطار المرجعي: تعاني النماذج في الاستدلال الذاتي (Egocentric) (تحديث الأطر المكانية بالنسبة لوكيل متحرك) مقارنة بالاستدلال الموضوعي (Allocentric) أو الأساسي (Cardinal) (الشبكة الثابتة).
تركيب الهيكل ثلاثي الأبعاد: غالبًا ما تفشل النماذج في ترجمة قوائم الإحداثيات إلى أشكال هندسية متماسكة ثلاثية الأبعاد (مثل المكعبات، الأعمدة، أو المستويات).

تقترح الورقة أن مجموعات بيانات الشبكات النصية فقط تعمل كوكيل مضبوط لتقييم "النماذج الذهنية" للمساحة التي تمتلكها النماذج اللغوية الكبيرة، بمعزل عن الضجيج البصري.

2. المنهجية: مجموعة بيانات GSU

قدم المؤلفون GSU (فهم المساحة في الشبكة - Grid Spatial Understanding)، وهي مجموعة بيانات اصطناعية نصية فقط مصممة لتقييم الاستدلال المكاني عبر ثلاث مهام أساسية. يتم إنشاء مجموعة البيانات برمجياً باستخدام قوائم الإحداثيات والتعليمات باللغة الطبيعية.

المهام الأساسية

الملاحة (Navigation):
- التابع (Follower): إعطاء تعليمات باللغة الطبيعية (مثل "تحرك يميناً 2، للأمام 1")، والتنبؤ بالإحداثي النهائي.
- المُلقّن (Instructor): إعطاء تسلسل من الإحداثيات، وتوليد تعليمات باللغة الطبيعية لعبورها.
- الإعدادات:
  - الأساسي (Cardinal): محاور ثابتة (شمال/جنوب/شرق/غرب).
  - الذاتي (Egocentric): محاور دوارة بالنسبة لاتجاه الوكيل الحالي (يسار/يمين/أمام/خلف).
  - من الأساسي إلى الذاتي (Card2Ego): ترجمة الاتجاهات الأساسية إلى اتجاهات ذاتية.
تحديد موقع الأشياء (Object Localization):
- تحديد العلاقة المكانية بين هدف ونقطة مرجعية.
- الذاتي (Egocentric): الهدف بالنسبة لاتجاه الرؤية الحالي.
- الموضوعي (Allocentric): الهدف بالنسبة لشيء مرجعي منفصل (مستقل عن اتجاه الرؤية).
تركيب الهيكل (Structure Composition):
- إعطاء قائمة من الكتل الملونة (الإحداثيات)، ووصف الهيكل ثلاثي الأبعاد الناتج.
- الأنواع:
  - بسيط (Simple): لون واحد، شكل واحد.
  - متماسك (Cohesive): ألوان متعددة تشكل شكلاً واحداً معقداً.
  - مركب (Composite): أشكال متعددة متميزة متجاورة لبعضها البعض.

مقاييس التقييم

الملاحة: التطابق التام لدقة الإحداثيات وسلاسل التعليمات؛ والمسافة الإقليدية للحصول على درجة جزئية.
تحديد موقع الأشياء وتركيب الهيكل: مقاييس تداخل المصطلحات ( $O_s$ ) للعلاقات المكانية، والمصطلحات اللونية ( $O_c$ )، والقيم العددية ( $O_n$ )، وأوصاف الأشكال ( $O_f$ ). يتضمن مقياس الشكل درجة جزئية للأشكال المتشابهة دلالياً (مثل "منشور مستطيل" مقابل "برج").

3. الإعداد التجريبي

قيم المؤلفون مجموعة واسعة من النماذج:

النماذج اللغوية الصغيرة (النصية فقط): Mistral-7b، Llama-8b، Qwen-7b.
النماذج اللغوية البصرية الصغيرة (VLMs): Pixtral-12b، LlamaVL-11b، QwenVL-7b.
النماذج الرائدة الكبيرة: GPT-4o، Gemini-3-Pro، Qwen-72b، GPT-OSS-20b.
النماذج المضبوطة بدقة (Fine-Tuned): FlanT5-large (أقل من مليار معلمة) و Llama-8b باستخدام تقنية LoRA.

استراتيجية التدريب:

التلقين (Prompting): تم استخدام التلقين بـ (1-shot) مع آثار استدلال اصطناعية للملاحة وتحديد موقع الأشياء، و (3-shot) لتركيب الهيكل.
الضبط الدقيق (Fine-Tuning): تم إجراء ضبط دقيق كامل لنموذج FlanT5 وتطبيق LoRA على Llama-8b باستخدام آثار استدلال اصطناعية لتعليم النماذج كيفية تحديث الأطر المكانية.

4. النتائج الرئيسية

أ. المعاناة مع الأطر الذاتية (Egocentric Frames)

الأساسي مقابل الذاتي: تؤدي النماذج بشكل أفضل بكثير في الشبكات الثابتة (الأساسية). في الإعدادات الذاتية، تعاني حتى النماذج الرائدة (GPT-4o، Qwen-72b) في الحفاظ على تحديثات اتجاه ثابتة.
خطأ "الانقلاب" (The Flip Error): في الملاحة الذاتية، غالباً ما تحسب النماذج الاتجاه الجديد بشكل صحيح ولكنها تفشل في تطبيقه، حيث تعود تلقائياً إلى الإطار الأساسي الثابت. في تحديد موقع الأشياء، غالباً ما تقلب النماذج "الأمام" و"الخلف" عند تغير الإطار المرجعي.
آثار الاستدلال: يظهر التحليل أن النماذج غالباً ما تولد منطقاً وسيطاً صحيحاً ولكنها تفشل في نقل الحالة المحدثة إلى الخطوة النهائية.

ب. الوسائط البصرية لا تضمن الفهم المكاني

أداء النماذج اللغوية البصرية (VLM): لم يؤدِ التعرض للمدخلات البصرية (VLMs) إلى تحسين الأداء باستمرار مقارنة بنظيراتها النصية من نفس الحجم.
عدم الاتساق: في بعض المهام، كان أداء النماذج البصرية أسوأ من نسخها النصية (مثلاً: Qwen-7b مقابل QwenVL-7b). يشير هذا إلى أن التدريب المسبق البصري لا ينتقل بالضرورة إلى استدلال إحداثي نصي قوي.

ج. قدرات النماذج الرائدة

Gemini-3-Pro: النموذج الوحيد الذي حقق درجات شبه مثالية (1.0) في معظم المهام الأساسية، بما في ذلك الملاحة ثلاثية الأبعاد المعقدة وتركيب الهيكل.
GPT-4o: قوي في المهام الأساسية، ولكنه يتدهور بشكل كبير في التسلسلات الذاتية الطويلة، حيث يفقد غالباً تتبع الاتجاه الحالي.
النماذج الصغيرة: أدت النماذج الصغيرة غير المدربة (مثل Llama-8b) أداءً ضعيفاً (أقل من 50% دقة) في المهام المعقدة.

د. قوة الضبط الدقيق

LoRA والضبط الدقيق الكامل: تفوق نموذج صغير (Llama-8b) تم ضبطه بدقة باستخدام آثار استدلال اصطناعية على GPT-4o في مهام الملاحة، ونافس Gemini-3-Pro في تحديد موقع الأشياء.
FlanT5: تفوق نموذج بـ أقل من مليار معلمة، خضع لضبط دقيق كامل، على العديد من النماذج الرائدة التي تزيد عن 30 مليار معلمة في مهام تركيب الهيكل ومهمة "المُلقّن" في الملاحة.
الاستنتاج: يمكن للنماذج الصغيرة المتخصصة تحقيق مستوى رائد في الاستدلال المكاني إذا تم تدريبها خصيصاً على منطق الأطر المكانية، مما يتحدى الافتراض بأن الحجم الهائل مطلوب لهذه القدرات.

5. المساهمات الرئيسية

مجموعة بيانات GSU: معيار جديد نصي فقط يعزل الاستدلال المكاني عن الإدراك البصري، ويغطي الملاحة، وتحديد الموقع، وتركيب الهيكل في شبكات ثنائية وثلاثية الأبعاد.
تشخيص الأطر المرجعية: دليل تجريبي على أن النماذج اللغوية الكبيرة تفتقر إلى تمثيلات داخلية قوية للأطر المكانية الدوارة (الذاتية)، وغالباً ما تعود إلى المنطق الأساسي الثابت حتى عند توجيهها بخلاف ذلك.
أسطورة الوسائط البصرية: إثبات أن النماذج اللغوية البصرية لا تمتلك تلقائياً قدرات استدلال مكاني متفوقة مقارنة بالنماذج النصية من نفس الحجم، مما يشير إلى أن البيانات البصرية ليست حلاً سحرياً للفهم المكاني.
كفاءة التخصص: إثبات أن النماذج الصغيرة الخاضعة للضبط الدقيق الكامل يمكن أن تضاهي أو تتفوق على النماذج الرائدة الضخمة في مهام مكانية محددة، مما يوفر مساراً قابلاً للتطبيق للوكلاء المتجسدين حيث تكون قيود زمن الاستجابة والأجهزة حرجة.

6. الأهمية

تغير هذه الورقة بشكل جذري المنظور حول الاستدلال المكاني في الذكاء الاصطناعي. فهي تشير إلى أن العائق أمام الوكلاء المتجسدين ليس بالضرورة حجم النموذج أو وجود الرؤية، بل هو الاتساق الداخلي لتتبع الحالة المكانية.

بالنسبة للذكاء الاصطناعي المتجسد (Embodied AI): تدعم هذه النتائج تطوير وكلاء خفيفين ومتخصصين يمكن ضبطهم بدقة كاملة للمهام المكانية، مما يقلل من زمن الاستجابة ومتطلبات الأجهزة مقارنة بتشغيل نماذج رائدة ضخمة.
بالنسبة لبنية النماذج: تسلط الضوء على نمط فشل محدد في النماذج اللغوية الكبيرة الحالية: وهو عدم القدرة على الحفاظ على تحديثات الحالة للأطر المرجعية الدوارة، وهو مطلب حيوي للروبوتات والملاحة في العالم الحقيقي.
الاتجاهات المستقبلية: تدعو الورقة إلى البحث في كيفية دمج المعرفة البارامترية مع المعلومات البصرية وكيفية تدريب النماذج للتعامل مع الملاحظة الجزئية والمساحة المستمرة، والانتقال إلى ما وراء تجريد الشبكة المنفصلة.