💻 computer science

Test-time Scaling over Perception: Resolving the Grounding Paradox in Thinking with Images

تقدم هذه الورقة "التوسع عند وقت الاختبار عبر الإدراك" (TTSP)، وهو إطار عمل يحل "مفارقة التجذير" في الاستدلال متعدد الوسائط من خلال معاملة الإدراك كعملية استدلال تكرارية وقابلة للتوسع تولد وتصفي مسارات استكشافية متعددة لتوجيه جمع الأدلة البصرية بشكل قوي.

المؤلفون الأصليون: Zheng Jiang, Yiming Chen, Nan He, Jiahui Chen, Chaoyang Li, Houde Qian, Lifeng Sun

نُشر 2026-04-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zheng Jiang, Yiming Chen, Nan He, Jiahui Chen, Chaoyang Li, Houde Qian, Lifeng Sun

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

إليك شرح لورقة البحث بعنوان "التوسع عبر الإدراك في وقت الاختبار: حل مفارقة التجذير في التفكير بالصور" باستخدام لغة بسيطة وتشبيهات إبداعية.

المشكلة الكبرى: معضلة "المحقق الأعمى"

تخيل أنك محقق يحاول حل جريمة، لكنك ترتدي عصبة عين. يمكنك فقط رؤية مسرح الجريمة من خلال ثقب صغير وضيق ومشوش.

لحل القضية، تحتاج إلى التقريب (Zoom in) على دليل معين (مثل بصمة إصبع صغيرة على نافذة). ولكن هنا تكمن المشكلة: لا يمكنك اتخاذ قرار بشأن مكان التقريب حتى تتمكن من رؤية الدليل. ولكن لا يمكنك رؤية الدليل حتى تقوم بعملية التقريب.

هذا ما يسميه المؤلفون "مفارقة التجذير" (Grounding Paradox).

النماذج الحالية للذكاء الاصطناعي تشبه ذلك المحقق الأعمى. هم يعرفون أنهم بحاجة للنظر عن كثب، ولكن لأن "رؤيتهم" الأولية مشوشة للغاية، فإنهم غالبًا ما يخمنون المكان الخاطئ للتقريب. قد يقومون بالتقريب على شجرة بدلاً من النافذة، مما يضيع الوقت ويؤدي لفقدان الأدلة.

الحل: "فريق المحققين التعاوني" (TTSP)

يقترح المؤلفون طريقة جديدة تسمى TTSP (التوسع عبر الإدراك في وقت الاختبار). بدلاً من إرسال محقق واحد ليخمن أين ينظر، يقومون بإرسال فريق كامل من المحققين لاستكشاف المشهد في وقت واحد.

إليك كيف يعمل نظامهم، خطوة بخطوة:

1. "فريق الاستطلاع" (الاستكشاف المتوازي)

بدلاً من جعل ذكاء اصطناعي واحد يحاول حل اللغز بمفرده، يرسل TTSP عدة "كشافة" ذكاء اصطناعي في نفس الوقت.

الكشافة الجدد: يتم إرسال بعض الكشافة دون تعليمات مسبقة. إنهم يتجولون حول الصورة بشكل عشوائي، تحسباً للعثور على دليل قد فات الآخرون.
الككشافة الموجهون: يتم إعطاء كشافة آخرين "خريطة" لما وجده الفريق بالفعل. إنهم يركزون على المناطق المشوشة التي لا تزال مربكة.

تشبيه: تخيل أنك تبحث عن مفتاح مفقود في علية ضخمة وفوضوية. بدلاً من أن يبحث شخص واحد في المكان بأكمله، ترسل 8 أشخاص. البعض يبحث في الزوايا، والبعض الآخر يبحث في المنتصف. إنهم يغطون مساحة أكبر معاً مما يمكن لشخص واحد أن يفعل.

2. "ضبط الجودة" (تصفية الضجيج)

ليس كل كشاف جيد. بعضهم قد يتخيل أشياء غير موجودة (هلوسة) أو ينظر إلى الشيء الخطأ.

يستخدم TTSP "مقياس ثقة" خاص (بناءً على مدى عدم تأكد الذكاء الاصطناعي). إذا كان الكشاف غير متأكد للغاية أو يبدو أنه يختلق أموراً، يتم استبعاد تقريره.
يتم الاحتفاظ فقط بالتقارير من الكشافة الواثقين والموثوقين.

تشبيه: الأمر يشبه لجنة من الحكام. إذا قال أحد الحكام: "لق️ت تنيناً"، لكنه كان يرتجف وغير متأكد، فإن الحكام الآخرين يتجاهلونه. هم يستمعون فقط للحكام المتأكدين بنسبة 100% أنهم رأوا تنيناً.

3. "الدفتر المشترك" (المعرفة المهيكلة)

هذا هو السر الحقيقي. الذكاء الاصطناعي لا يرمي التخمينات السيئة فحسب؛ بل يدون النتائج الجيدة في دفتر مشترك يسمى "المعرفة المؤكدة".

الحقائق المؤكدة: "يوجد علم أحمر على المبنى". (الجميع متفقون، لذا ندونه ونتوقف عن البحث هناك).
التعارضات المفتوحة: "الكشاف (أ) يقول إن العلم أحمر؛ والكشاف (ب) يقول إنه أزرق". (ندون هذا كمسألة تحتاج لحل).

في الجولة التالية، لا يبدأ الذكاء الاصطناعي من الصفر. بل يقرأ الدفتر. هو يعرف أن العلم من المرجح أن يكون أحمر، لذا يتوقف عن إضاعة الوقت في تخمين اللون. بدلاً من ذلك، يركز طاقته فقط على "التعارضات المفتوحة" (البقع المشوشة حيث يختلف الناس).

تشبيه: فكر في الأمر كعمل جماعي لمشروع مدرسي. إذا وجد طالب واحد الإجابة على السؤال الأول، فإنه يكتبها على السبورة البيضاء. بقية المجموعة لا تضيع الوقت في حل السؤال الأول مرة أخرى؛ بل ينتقلون إلى السؤال الثاني.

4. "الحكم النهائي" (التجميع الموزون)

بعد عدة جولات من الاستكشاف، والتصفية، وتحديث الدفتر، يأخذ النظام جميع الإجابات الموثوقة ويجمعها. وهو يعطي وزناً أكبر للكشافة الذين كانوا أكثر ثقة.

لماذا هذا مهم؟

يحل "النقطة العمياء": من خلال إرسال العديد من الكشافة، من المرجح أن يجد النظام المكان الصحيح للتقريب، حتى لو لم يكن يعرف أين ينظر في البداية.
يصبح أذكى بمرور الوقت: على عكس الطرق الأخرى التي تخمن وتأمل، يتعلم هذا النظام من أخطائه في الوقت الفعلي. إنه يبني "ذاكرة" لما يعرفه، حتى لا يهدر الطاقة في إعادة التحقق مما هو متأكد منه بالفعل.
إنه فعال: على الرغم من أنه يستخدم قوة حوسبة أكبر (لأنه يشغل العديد من الكشافة)، إلا أنه في الواقع يوفر الوقت على المدى الطويل لأنه يمنع الذكاء الاصطناعي من الدوران في حلقات مفرغة حول إجابات خاطئة.

الخلاصة

تحاول نماذج الذكاء الاصطناعية الحالية حل الألغاز البصرية من خلال التخمين أين تنظر. وغالباً ما تخمن بشكل خاطئ.

TTSP يغير قواعد اللعبة. يقول: "لا تكتفِ بالتخمين. أرسل فريقاً، صَفِّ التخمينات السيئة، دوّن ما تعرفه بالتأكيد، ثم ركز طاقتك فقط على الأشياء التي لا تزال تشعر بالحيرة تجاهها".

هذا يحول الذكاء الاصطناعي من مجرد مخمن وحيد إلى فريق تعاوني ذكي يصبح أفضل كلما زاد وقت تفكيره.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التوسع في وقت الاختبار عبر الإدراك: حل مفارقة التأسيس في التفكير باستخدام الصور" (Test-time Scaling over Perception: Resolving the Grounding Paradox in Thinking with Images).

1. تعريف المشكلة: مفارقة التأسيس (The Grounding Paradox)

تحدد الورقة البحثية قصوراً جوهرياً في النماذج اللغوية الكبيرة متعددة الوسائط (MLLMs) الحالية التي تستخدم "التفكير باستخدام الصور" (أي استخدام أدوات مثل التكبير والقص لفحص مناطق معينة من الصورة).

القضية الجوهرية: تعاني الأنظمة الحالية من مفارقة التأسيس. للإجابة على استعلام بصري معقد، يجب على النموذج استدعاء أداة بصرية (مثل التكبير) لفحص منطقة معينة $R^*$ . ومع ذلك، فإن اختيار المنطقة الصحيحة $R^*$ يتطلب معلومات تمييزية دقيقة لا تتوفر إلا بعد استدعاء الأداة.
النتيجة: يُجبرت النماذج على اتخاذ قرارات عالية المخاطر (أين تنظر) بناءً على إدراك عالمي عام يفتقر إلى التفاصيل اللازمة. يؤدي هذا إلى تبعية دائرية حيث تفشل النماذج بشكل متكرر في فحص المناطق ذات الصلة، أو تفوت الأدلة الحاسمة، أو تفشل في استدعاء الأدوات عند الحاجة، مما يؤدي إلى استنتاج هش في المهام دقيقة التفاصيل (مثل التعرف على النصوص الصغيرة أو المخططات البيانية الكثيفة).
قصور النهج الحالي: إن مجرد تحسين تنسيق استدعاء الأدوات أو التدريب على توزيعات محددة لا يحل مشكلة الاستدلال الأساسية: وهي عدم القدرة على تحديد الموقع بدقة تحت ظروف عدم اليقين.

2. المنهجية: التوسع في وقت الاختبار عبر الإدراك (TTSP)

يقترح المؤلفون إطار عمل TTSP، وهو إطار يعامل الإدراك نفسه كعملية استدلال قابلة للتوسع. بدلاً من الاعتماد على مسار واحد قد يكون خاطئ التأسيس، يخصص TTSP قدرة حوسبة وقت الاختبار لاستكشاف، والتحقق من صحة، وتدقيق الأدلة البصرية بشكل تكراري.

يعمل الإطار عبر $N$ من الجولات، تتكون كل منها من ثلاث خطوات مترابطة:

أ. الاستكشاف الإدراكي المتوازي (Parallel Perceptual Exploration)

في كل جولة، يولد TTSP عدد $K$ من مسارات الإدراك المتوازية. ولتحقيق التوازن بين الاستكشاف والاستغلال، يتم تقسيمها إلى مجموعتين:

المسارات الجديدة ( $\alpha$ fraction): يتم إنشاؤها دون الوصول إلى المعرفة المسبقة لضمان تغطية واسعة للمساحة البصرية ومنع الانحياز التأكيدي.
المسارات الموجهة ( $1-\alpha$ fraction): تعتمد على معرفة مهيكلة من الجولات السابقة للتركيز على الصراعات غير المحسومة والبناء على الحقائق التي تم التحقق منها.

ب. تسجيل الموثوقية والترشيح (Reliability Scoring and Filtering)

ليست كل المسارات موثوقة. يستخدم TTSP آلية ترشيح خفيفة تعتمد على "الاعتلاج" (Entropy):

تقدير الاعتلاج: يقوم بحساب "اعتلاج شانون" لتوزيع مخرجات النموذج عند مواضع الرموز (tokens)، وبالتحديد في نقاط القرار عالية عدم اليقين (مثل اختيار مربعات الإحاطة أو الإجابات النهائية).
التسجيل: يتم حساب درجة الموثوقية كمتوسط سالب للاعتلاج لأعلى $k'$ من الرموز ذات الاعتلاج العالي.
الترشيح: يتم استبعاد الشريحة $\rho$ الدنيا (الأقل موثوقية) من المسارات لمنع الملاحظات الضوضائية أو الهلوسات من تلويث قاعدة المعرفة.

ج. استخراج المعرفة المهيكلة والتدقيق التكراري (Structured Knowledge Extraction and Iterative Refinement)

يتم تلخيص المسارات الناجية في ذاكرة معرفية مهيكلة تتكون من مستويين:

المعرفة المؤكدة: الملاحظات المدعومة باستمرار عبر المسارات والتي تم التحقق منها مقابل الصورة. تُعامل هذه كحقائق لتقليل إعادة الفحص غير الضروري.
الصراعات المفتوحة: الخلافات غير المحسومة بين المسارات. يتضمن كل صراع ادعاءات متنافسة وتوجيهاً مكانياً يشير إلى المنطقة التي يجب فحصها في الجولة التالية.

يتم حقن هذه الذاكرة في نظام التوجيه (system prompt) للجولة التالية. تستخدم المسارات الموجهة "المعرفة المؤكدة" كأساس، وتستهدف "الصراعات المفتوحة" لحلها. يحول هذا عملية استخدام الأدوات من مجرد تخمين من مرة واحدة إلى عملية اختبار فرضيات إدراكية تكرارية.

د. التجميع النهائي (Final Aggregation)

بعد الجولة الأخيرة، يتم اشتقاق الإجابة عبر التجميع المرجح بالموثوقية. يمنح كل مسار متبقٍ صوتاً لإجابته المتوقعة، ويكون وزنه بناءً على درجة موثوقيته ( $w_i = \exp(\text{score}(\tau_i)/\gamma)$ )، مما يسمح للنظام بالاستفادة من الأدلة الجماعية مع إعطاء الأولوية للمسارات ذات الثقة العالية.

3. المساهمات الرئيسية

تحديد مفارقة التأسيس: تحدد الورقة رسمياً التبعية الدائرية بين الإدراك والعمل في النماذج متعددة الوسائط المعززة بالأدوات، وتشرح سبب فشل أنظمة "التفكير باستخدام الصور" بشكل منهجي.
إطار عمل TTSP: طريقة جديدة للتوسع في وقت الاختبار تنقل التوسع من (الاستدلال النصي) إلى (الإدراك النشط). يقدم آلية للاستكشاف متعدد المسارات، والترشيح الواعي بالثقة، وتدقيق المعرفة التكراري.
التحقق التجريبي: تجارب شاملة تثبت تفوق TTSP على النماذج المرجعية القوية (بما في ذلك GPT-4o وDeepEyes والطرق المتزامنة مثل RTWI) عبر مختلف الاختبارات المعيارية.

4. النتائج التجريبية

قيم المؤلفون TTSP على اختبارات عالية الدقة (V*Bench، HR-Bench بدقة 4K/8K، TreeBench) وعلى اختبارات الاستدلال العامة (MME-RealWorld-Lite).

الأداء: حقق TTSP باستمرار نتائج رائدة (SOTA) عبر جميع الاختبارات المعيارية وأحجام النماذج الأساسية (Qwen3-VL-4B و 8B).
- في TreeBench، حسن TTSP الأداء العام بفوارق كبيرة (على سبيل المثال، +1.5% عن أفضل طريقة تالية باستخدام نموذج 8B).
- أظهر مكاسب قوية خاصة في المهام التي تتطلب إدراكاً دقيق التفاصيل وتحديداً دقيقاً للأدلة.
القابلية للتوسع:
- حجم النموذج: يتوسع TTSP بشكل إيجابي مع النماذج الأساسية الأكبر، مما يشير إلى أنه يكمل توسع المعلمات ولا يستبدله.
- العرض والعمق: تحسن الأداء مع زيادة عرض الإدراك (المسارات لكل جولة) والعمق (عدد الجولات التكرارية)، مما يؤكد أن كلاً من الاستكشاف المتوازي والتدقيق المتسلسل مفيدان.
الكفاءة: رغم استخدام جولات متعددة، كان TTSP أكثر كفاءة في استهلاك الرموز (tokens) من الطريقة المتزامنة RTWI. فمن خلال دمج الملاحظات المشتركة في معرفة مهيكلة، تجنب النظام إعادة فحص نفس المناطق بشكل مكرر.
الدراسات الاستقصائية (Ablation Studies): أدى حذف أي مكون (ترشيح الموثوقية، المعرفة المهيكلة، أو التجميع المرجح) إلى تدهور الأداء، مما يثبت أن التآزر بين هذه المكونات أمر ضروري.

5. الأهمية والخاتمة

تجادل الورقة بأن العائق الرئيسي في الاستدلال متعدد الوسائط ليس القدرة على الاستدلال فوق الحقائق الملحوظة، بل الاكتشاف الموثوق لتلك الحقائق في ظل عدم اليقين الإدراكي.

تحول في النموذج المعرفي: ينقل TTSP التركيز من "توسيع الاستدلال" إلى "توسيع الإدراك". ويثبت أن معاملة الإدراك كعملية استدلال تكرارية وقابلة للتوسع هو مسار قابل للتطبيق نحو استدلال قوي متعدد الوسائط.
القدرة على التعميم: الطريقة مستقلة عن النموذج (تعمل مع نماذج أساسية مختلفة) وتعالج مشكلة هيكلية جوهرية في الوكلاء المعززين بالأدوات، مما يقدم حلاً مبدئياً لمفارقة التأسيس.
التأثير المستقبلي: يشير هذا العمل إلى أن التطورات المستقبلية في النماذج متعددة الوسائط للمهام البصرية المعقدة ستعتمد أقل على مجرد جعل النماذج أكبر، وأكثر على تطوير آليات أفضل لـ الاكتساب النشط للأدلة الواعي بعدم اليقين في وقت الاختبار.