ملخص تقني: من الأولويات إلى الإدراك: ترسيخ نماذج الفيديو اللغوية الكبيرة في الواقع الفيزيائي

1. بيان المشكلة

بينما تُظهر نماذج الفيديو اللغوية الكبيرة (Video-LLMs) كفاءة في الفهم العام للفيديو، إلا أنها تعاني من عجز منهجي وحاد في الاستدلال الفيزيائي الدقيق. فغالباً ما تفشل النماذج الرائدة (SOTA) في تحديد الانتهاكات الفيزيائية الواضحة (مثل طفو الأجسام أو تداخل الأجسام الصلبة)، والأهم من ذلك، تفشل في السيناريوهات غير المتوقعة حيث تتعارض الحقائق البصرية مع التوقعات الإحصائية (مثل عدم اصطدام كرة بمجموعة من قطع الدومينو).

تعاني التدخلات الحالية، مثل فك التشفير أثناء الاستنتاج، أو التعلم التعزيزي، أو التعديلات المعمارية الجراحية (مثل دمج أدوات تتبع صريحة أو Neural ODEs)، من محدودية التعميم، أو ارتفاع التكاليف الحسابية، أو الفشل في معالجة السبب الجذري. علاوة على ذلك، تعتمد مجموعات التقييم الحالية غالباً على رصد الإخفاقات الطبيعية لنماذج الفيديو التوليدية، مما يخلط بين العيوب البصرية منخفضة المستوى (مثل وميض الأنسجة أو ذوبان الأجسام) وبين المغالطات الفيزيائية الحقيقية، مما يؤدي إلى تراجع النماذج لتصبح مجرد "كواشف للعيوب المعتمدة على الاختصارات" بدلاً من كونها مستدلّات فيزيائية صارمة.

يحدد المؤلفون أن هذه الإخفاقات لا تنبع من نقص في الإدراك أو المعرفة، بل من هيمنة الأولويات الدلالية (Semantic Prior Dominance). حيث يتم اختطاف آلية الاستدلال بواسطة النصوص السردية الداخلية والأولويات الإحصائية، مما يجبر النموذج على استبدال الأدلة البصرية الموضوعية بالتوقعات الذاتية. في سيناريوهات "مناهضة الفيزياء"، تقوم النماذج باختلاق قوى غير مرئية لتبرير الشذوذ؛ وفي السيناريوهات "غير المتوقعة"، تقوم بهلوسة النتائج المتوقعة رغم وجود فجوات بصرية واضحة.

2. المنهجية

لمعالجة هيمنة الأولويات الدلالية دون تغييرات معمارية جراحية، يقترح المؤلفون إطار عمل موحداً يتكون من مجموعة بيانات عالية الدقة وآلية استدلال مبتكرة.

2.1 المنهج التدريجي الخصمي المبرمج (PACC)

تعد PACC أول مجموعة بيانات فيديو خصمية عالية الدقة مُخلّقة بناءً على القوانين الفيزيائية، وهي مصممة لفصل العيوب البصرية عن الأخطاء المنطقية بدقة.

• البناء: باستخدام مسار تدخل بشري (HITL)، تقوم PACC بتخليق فيديوهات خصمية مزدوجة (فيديو إيجابي واقعي وفيديو سلبي مُتلاعب به) عبر ثمانية أبعاد دقيقة مستمدة من علم النفس التنموي ومعايير الفيزياء الحدسية.
• التصنيف: تغطي مجموعة البيانات مسارين:
  1. مسار مناهضة الفيزياء (Anti-Physics Stream): يستهدف مغالطات التبرير عبر انتهاك القوانين الموضوعية (مثل: الزمان: انتهاكات التماسك، عكس السببية؛ الدوام: انتهاكات الوجود/الهوية؛ التفاعل: انتهاكات الديناميكيات/القيود).
  2. مسار غير المتوقع (Counter-Intuitive Stream): يستهدف المغالطات النمطية حيث تفشل الأحداث المتوقعة في الحدوث (مثل: الاقتراب من الخطأ "Near-Miss"، وتوقف العواقب "Consequence Arrest").
• ضبط الجودة: على عكس مجموعات البيانات السابقة، تضمن PACC نقاءً بصرياً مع فرض عدم صلاحية فيزيائية، مما يمنع النماذج من استغلال العيوب التوليدية كاختصارات.

2.2 سلسلة الاستدلال المرتكزة بصرياً (VARC)

إن VARC هي آلية مصممة لإجبار النماذج على ترسيخ أحكامها في الحقائق البصرية منخفضة المستوى قبل الفصل المنطقي. وهي تعيد صياغة عملية الاستدلال كسلسلة ماركوفية موجهة:

1. الملاحظة القسرية: يجب على النموذج وصف العلاقات المكانية وتغيرات الحالة منخفضة المستوى (مثل "الفجوة المكانية") صراحةً دون إصدار حكم ذاتي مسبق.
2. الإسناد السببي: بناءً على الملاحظة الموضوعية، يستعلم النموذج من قاعدة معرفته الفيزيائية للكشف عن التعارضات (مثل التعرف على المستحيلات الديناميكية الحرارية).
3. الحكم القائم على الأدلة: يتم تقييد الحكم النهائي بصرامة من خلال عقد الملاحظة والإسناد السابقة.

2.3 استراتيجية التدريب: PhyAR

يقدم المؤلفون PhyAR (المستدل المرتبط بالفيزياء)، وهو نموذج تم ضبطه بدقة باستخدام تقنية LoRA القياسية على مجموعة بيانات PACC.

• تثبيط التدرج المزدوج: خلال التدريب، يتم تحسين أزواج الفيديو الإيجابية والسلبية بشكل مشترك. يؤدي هذا إلى إحداث تثبيط للتدرج في السمات البصرية المشتركة (الخلفيات، الإضاءة)، مما يجبر النموذج على التقارب حصرياً حول التباينات الفيزيائية الجوهرية بدلاً من التوزيعات البصرية الثابتة.
• المعمارية: يتم تجميد المشفر البصري؛ وتُطبق تقنية LoRA حصرياً على جهاز الإسقاط البصري (visual projector) والعمود الفقري للنموذج اللغوي الكبير (LLM backbone)، مما يضمن حلاً خفيف الوزن وغير مرتبط بمعمارية محددة.

3. المساهمات الرئيسية

1. نظرية الإسناد الموحدة: يقترح البحث أن الفشل المزدوج (مناهضة الفيزياء وغير المتوقع) هو تجليات لـ "هيمنة الأولويات الدلالية"، حيث تختطف النصوص السردية الداخلية آلية الاستدلال، وتتجاوز الأدلة البصرية الموضوعية.
2. المنهج التدريجي الخصمي المبرمج (PACC): مجموعة بيانات مبتكرة تضم 758 زوجاً من الفيديوهات الخصمية عالية الدقة التي تفصل بين العيوب التوليدية والمغالطات الفيزيائية الحقيقية، مما يوفر معيار تشخيص دقيق.
3. سلسلة الاستدلال المرتكزة بصرياً (VARC): إطار استدلال يعمل ميكانيكياً على منع اختطاف الأولويات عبر فرض ترسيخ بصري صريح.
4. التحقق التجريبي: إثبات أن الضبط الدقيق القياسي باستخدام LoRA مع PACC وVARC يعالج بفعالية تداخل الأولويات في النماذج الرائدة، مما يحقق قفزات كبيرة في الاستدلال الفيزيائي دون تعديلات معمارية.

4. النتائج التجريبية

أُجريت التجارب على مجموعة اختبار PACC (154 زوج فيديو) مقابل النماذج الرائدة المملوكة (GPT-4o, Gemini 2.5 Flash) ونماذج الفيديو اللغوية الكبيرة مفتوحة المصدر.

• دقة الاتساق بين الأزواج (PCA): حقق PhyAR متوسط PCA بنسبة 41.56%، متفوقاً بشكل كبير على جميع النماذج المرجعية. ومن الملاحظ أن النماذج المملوكة مثل GPT-4o سجلت 38.31%، بينما انهارت النماذج المفتوحة الأصغر إلى أداء يقترب من الصفر (مثل Video-ChatGPT-7B بنسبة 0.65%) بسبب شدة الجمود الدلالي و"انحياز النعم" (Yes-bias).
• درجة اتساق الاستدلال (RAS): حقق PhyAR متوسط RAS قدره 2.036 (على مقي scale من 1-5)، متفوقاً على النماذج المرجعية مفتوحة المصدر (التي استقرت قرب 1.0) ومقترباً من أداء النماذج المملوكة. والأهم من ذلك، تفوق PhyAR على جميع النماذج المرجعية في فئات "غير المتوقع"، مما أظهر القدرة على مقاومة الأولويات الإحصائية.
• انحياز الأولوية الدلالية (RPB): أظهر مقياس RPB انخفاضاً من 79.1% في النموذج الأساسي (VideoLLaMA3) إلى 24.9% في PhyAR، مما يؤكد تثبيط الاعتماد على الأولويات.
• دراسات الاستئصال (Ablation Studies): أدى إزالة VARC إلى انخفاض PCA إلى 28.57%، كما أدى إزالة التحسين المزدوج للأزواج إلى انخفاضه إلى 29.22%، مما يؤكد أن كل من الترسيخ البصري وتثبيط التدرج المزدوج ضروريان للتغلب على الأولويات الدلالية.

5. الأهمية والادعاءات

يدعي البحث تقديم تحول جذري في كيفية تعامل نماذج الفيديو اللغوية الكبيرة مع الاستدلال الفيزيائي. فمن خلال الكشف عن أن هذه النماذج لا تعاني من عجز في الإدراك بل من هيمنة الأولويات الدلالية، يتحدى هذا العمل الفكرة السائدة بأن زيادة البيانات أو ضخامة النماذج وحدها ستعالج فجوات الاستدلال الفيزيائي.

تكمن الأهمية في إثبات أن الاستدلال الفيزيائي الحقيقي يمكن تحقيقه من خلال:

1. فصل العيوب عن المنطق: باستخدام PACC لتدريب النماذج على المغالطات الفيزيائية الصرفة بدلاً من الضجيج التوليدي.
2. فرض الترسيخ البصري: باستخدام VARC لإجبار النموذج على "الرؤية" قبل أن "يفكر"، وبالتالي تفكيك الاعتماد على الاختصارات المدفوعة بالنصوص السردية.

يضع المؤلفون هذا العمل كخطوة ضرورية نحو نماذج عالمية (World Models) موثوقة وذكاء اصطناعي متجسد (Embodied AI)، جازمين بأن كسر عنق الزجاجة في الاستدلال الفيزيائي أمر ضروري للتفاعل الآمن في العالم الحقيقي. ويقر المؤلفون بالقيود الحالية، مشيرين إلى أن PACC محدود حالياً في الحجم (758 زوجاً) بسبب عملية التحقق الصارمة التي تتطلب تدخلاً بشرياً، معطين الأولوية للدقة على الحجم، ومقترحين أن العمل المستقبلي يمكن أن يستكشف التخليق الآلي للتوسع الأوسع.