ملخص تقني: نماذج الرؤية واللغة ذات الاستدلال النشط عبر التصميم التجريبي المتسلسل

1. بيان المشكلة: اختناق النطاق الترددي الإدراكي

تتفوق نماذج الرؤية واللغة الحديثة (VLMs) في الفهم الشامل للمشاهد، لكنها تعاني في مهام الاستدلال دقيقة التفاصيل مثل عد الأشياء الصغيرة، أو التعرف الضوئي على الحروف (OCR)، أو التحديد المكاني الدقيق. يحدد المؤلفون السبب الجذري في اختناق النطاق الترددي الإدراكي. تعمل مشفرات نماذج الرؤية واللغة القياسية (مثل تلك القائمة على ViT) على إسقاط الصور عالية الدقة في عدد ثابت من الرموز البصرية (visual tokens) بغض النظر عن دقة الإدخال. عند معالجة عرض عالمي لمشهد عالي الدقة، يعمل ميزانية الرموز الثابتة هذه كضغط فاقد للمعلومات (lossy compression)، حيث تجمع مساحات مكانية كبيرة في رموز منفردة، مما يؤدي إلى طمس التفاصيل الدقيقة. وبناءً على ذلك، تُفقد المعلومات الدلالية الحرجة أثناء مرحلة الترميز الأولية، مما يجعل النموذج عاجزاً بنيوياً عن الاستدلال حول التفاصيل الغائبة عن فضائه الكامن.

تعتمد استراتيجيات الرؤية النشطة الموجودة غالباً على قواعد استدلالية مجزأة (مثل النوافذ المنزلقة، أو سلسلة التفكير الكامنة) أو تفتقر إلى أساس نظري موحد لقياس عدم اليقين. وهي تفشل في توفير طريقة مبدئية للوكيل لتحديد أين ينظر تالياً عندما لا يكون الهدف مرئياً بشكل مباشر، خاصة في مساحات البحث المستمرة ذات الجيجابكسل (gigapixel).

2. المنهجية: الرؤية النشطة كتصميم تجريبي بايزي متسلسل (S-BOED)

يقترح البحث تأطير عملية الحصول على المعلومات البصرية النشطة كمسألة تصميم تجريبي بايزي متسلسل (S-BOED). يستمد هذا النهج تشابهاً بين التجريب العلمي والإدراك البصري النشط: فكما يختار العالم تجارب لتمييز الفرضيات، يختار الوكيل النشط إجراءات "التركيز البصري" (foveation) -أي قص الصور مكانياً- لتقليل عدم اليقين بشأن استعلام المستخدم.

2.1. العملية التوليدية والقيود الفيزيائية

يصيغ الإطار نموذج الرؤية واللغة (VLM) كمستشعر عشوائي يخضع لـ نطاق ترددي إدراكي (B)، وهو ما يُعرف بسعة مشفر ثابتة. وهذا يؤدي إلى مقايضة بين الكثافة والمساحة:

• احتمالية الدقة ($\phi$): هي احتمالية أن يتم تمييز السمات دقيقة التفاصيل، وهي دالة تشبع لكثافة المعلومات ($\rho = B / \text{Area}$).
• حدث الرؤية ($S$): متغير كامن ثنائي يشير إلى ما إذا كان الهدف قد تم التقاطه بنجاح. تتطلب الرؤية كلاً من التغطية المكانية (أن يكون الهدف ضمن منطقة القص) والدقة الإدراكية (أن تتجاوز الكثافة "معدل نايكويست الدلالي").
• نموذج الملاحظة: الملاحظة $z$ هي مزيج من الإشارة والضجيج، محكوم بحدث الرؤية $S$. إذا كانت $S=0$ (غير متميزة)، فإن الملاحظة تحتوي فقط على ضجيج الخلفية المستقل عن الهدف الدلالي.

2.2. الهدف: كسب المعلومات المتوقع (EIG)

هدف الوكيل هو اختيار سلسلة من التصاميم (القصات) $d_{1:T}$ لتعظيم إجمالي كسب المعلومات المتوقع (EIG) حول الحالة الكامنة $\theta = \{\ell, y\}$ (الموقع المكاني والهوية الدلالية).

• منحدر المعلومات: يشير المؤلفون إلى أن البحث البصري غالباً ما يكون "فوق الجمع" (super-additive). فقد يوفر العرض الواسع رؤية عامة لتحديد الموقع ولكنه يفشل في تمييز التفاصيل، بينما قد ينجح التكبير العشوائي في التمييز ولكنه يخطئ الموقع. كلاهما يعطي كسباً يقترب من الصفر بشكل فردي؛ بينما تسلسل العمليات فقط هو ما يحقق كسباً عالياً. وهذا يستلزم تخطيطاً غير نفعي (look-ahead) بدلاً من الاختيار الجشع (greedy) البسيط.

2.3. التقريب القابل للتطبيق: هدف التغطية-الدقة

بما أن الاستدلال البايزي الدقيق في مساحات الجيجابكسل المستمرة غير قابل للحساب عملياً، فقد اشتق المؤلفون تقريباً مغلق الصيغة تحت ثلاثة افتراضات رئيسية:

1. الاعتقاد المجزأ: يتم فصل البحث المكاني والتعريف الدلالي مؤقتاً أثناء التخطيط.
2. الرؤية المعايرة: يمكن لنموذج الرؤية واللغة التمييز بين المحتوى "المتميز" وغير "المتميز" (أي $H(S|z,d) \approx 0$).
3. المراقب المثالي: إذا تم التركيز على الهدف وتم تمييزه بنجاح، فإن نموذج الرؤية واللغة يستخلص معلومات دلالية بدقة عالية، مما يؤدي إلى انهيار الإنتروبيا الشرطية إلى الصفر.

تحت هذه الافتراضات، يختزل الـ EIG إلى تعظيم حاصل ضرب التغطية-الدقة:
$$J(d) \approx \left( \int_{x \in d} p_t(x) dx \right) \times \phi(d)$$
حيث يمثل الحد الأول التغطية (احتمالية وجود الهدف داخل منطقة القص) والحد الثاني هو الدقة (احتمالية أن تكون كثافة منطقة القص كافية لتمييز السمات).

2.4. التنفيذ الخوارزمي

تم تنفيذ الإطار كاستراتيجية استدلال خالية من التدريب:

• تتبع الاعتقاد الضمني: بدلاً من الحفاظ على شبكة صريحة، يستخدم الوكيل آلية الانتباه الذاتي (self-attention) الخاصة بنموذج الرؤية واللغة عبر سجل التفاعل لتحديث اعتقاده اللاحق (posterior belief) ضمنياً (تحديث بايزي عبر الدليل السلبي).
• الاستقصاء المحلي: لتقدير المنفعة $J(d)$، يقوم النظام بتوليد قصات مرشحة واستجواب النموذج بسؤال "استقصاء القدرة على التمييز" (سؤال نعم/لا: "هل تحتوي هذه القصة على معلومات كافية للإجابة على الاستعلام؟"). تعمل هذه الإشارة كوسيط لاحتمالية الرؤية النظرية.
• استراتيجيات البحث:
  • الجشع (Greedy): يستخدم بحثاً محلياً قائماً على الاضطراب (مثل MCMC أو أخذ العينات الساذج) لتعظيم المنفعة الفورية.
  • النظر للمستقبل (Look-ahead): يحاكي الحالات المستقبلية لتعظيم القيمة المستقبلية المتوقعة، معالِجاً "منحدر المعلومات" عبر التخطيط لسلاسل من الإجراءات.

3. المساهمات الرئيسية

1. صياغة مبدئية: يقدم البحث إطار S-BOED كصيغة صارمة للاستدلال البصري النشط، مما يسد الفجوة بين البحث المقيد بالدقة واتخاذ القرار الأمثل. كما يوفر تفسيراً نظرياً للمقايضة بين مجال الرؤية والدقة.
2. حل قابل للتطبيق: اشتق المؤلفون هدف التغطية-الدقة كوسيط لـ EIG غير القابل للحساب. كما طوروا خط معالجة مرناً يدعم كلاً من التحسين الموجه (myopic) الفعال والتخطيط للنظر للمستقبل دون الحاجة لإعادة تدريب النموذج.
3. تحقق قابل للتوسع: تم التحقق من النهج باستخدام معايير بمستوى الجيجابكسل باستخدام وكلاء مجهزين بأدوات رؤية متعددة (القص، الكشف، التجزئة، العمق، OCR).

4. النتائج التجريبية

تم تقييم الطريقة على أربعة معايم: HR-Bench، و MME-RealWorld-Lite، و V*Bench، و CV-Bench، والتي تغطي التعرف دقيق التفاصيل، والبحث عن الأجسام الصغيرة، والاستدلال ثلاثي الأبعاد.

• مكاسب الأداء: باستخدام نموذج خلفي Qwen3-VL-30B، حقق إطار S-BOED متوسط درجة 77.7%، متفوقاً بشكل كبير على خط الأساس ReAct (75.1%) ونموذج Qwen3-Base القياسي (73.3%). كما تجاوز أداء نموذج RAP المرتبط بالرؤية النشطة (71.9%) واقترب من أداء النماذج المملوكة مثل Gemini 2.5 Flash (78.0%).
• التعميم: حسنت الاستراتيجية الأداء أيضاً على نموذج أصغر (8B)، مما يدل على أن المكاسب ليست مرتبطة بحجم نموذج معين.
• نظام الجيجابكسل: في اختبار جهد على صور الاستشعار عن بعد (MME-RealWorld-Lite)، حقق مخطط "النظر للمستقبل" دقة قدرها 54.7%، مما قلص الفجوة مع النموذج المرجعي (Oracle) الذي بلغت دقته (68.0%)، وتفوق بشكل ملحوظ على الاستراتيجيات الجشعة (49.1%).
• حد الكفاءة والحساب مقابل الدقة: يوضح المؤلفون علاقة رتيبة بين ميزانية البحث (الرموز/tokens) والدقة. وبينما تعد الاستراتيجيات الجشعة أقل تكلفة حوسبياً، فإن التخطيط للنظر للمستقبل يحقق مكاسب أكبر في الأنظمة التي يهيمن عليها البحث.

5. الأهمية والادعاءات

يدعي البحث أنه من خلال صياغة الاستدلال البصي النشط كمسألة تصميم تجريبي بايزي متسلسل، فإنه يوفر طريقة أكثر قوة ومبدئية لتفاعل النماذج مع البيانات عالية الدقة.

• تجاوز النطاق الترددي: يعالج الإطار بفعالية مشكلة اختناق النطاق الترددي الإدراكي المتأصلة في نماذج الرؤية واللغة الحديثة، مما يسمح للوكلاء بتمييز التفاصيل الدقيقة في بيئات الجيجابكسل التي لا تستطيع النماذج الساكنة التعامل معها.
• ما وراء القواعد الاستدلالية: على عكس الطرق السابقة التي تعتمد على مطابقة الأنماط أو القواعد الاستدلالية المجزأة، يقدم هذا النهج أساساً نظرياً موحداً لقياس عدم اليقين وتحديد مكان النظر تالياً.
• الكفاءة مقابل الحجم: تشير النتائج إلى أن طرق التصميم التجريبي توفر مساراً أكثر كفاءة للفهم عالي الدقة مقارلة بمجرد زيادة حجم النموذج أو الاعتماد على استخدام الأدوات الثابتة.

يقر المؤلفون بالقيود، مشيرين إلى أن الأداء يظل محدوداً بالموثوقية الجوهرية للتعرف لدى نموذج الرؤية واللغة الخلفي (حتى مع القصات المثالية، قد يهذي النموذج) وأن عملية أخذ العينات العشوائية تسبب تأخراً إضافياً في الاستجابة (latency). ومع ذلك، فهم يضعون الإطار كحدود لـ "الحساب-الدقة"، موفرين طيفاً من الاستراتيجيات بدءاً من أخذ العينات الجشع منخفض التأخير وصولاً إلى التخطين للمستقبل عالي الدقة.