🤖 AI

2.5-D Decomposition for LLM-Based Spatial Construction

تقدم هذه الورقة خط إنتاج عصبي-رمزي يستخدم التفكيك ثنائي ونصف الأبعاد (2.5-D) لتحسين دقة البناء المكاني القائم على النماذج اللغوية الكبيرة بشكل كبير من خلال قصر النموذج على التخطيط ثنائي الأبعاد بينما يتولى منفذ حتمي عمليات الوضع الرأسي، محققاً أداءً يقترب من السقف في الاختبارات المعيارية ومظهراً نجاحاً في الانتقال إلى أجهزة الحافة والمهام التعاونية المتنوعة.

المؤلفون الأصليون: Paul Whitten, Li-Jen Chen, Sharath Baddam

نُشر 2026-05-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Paul Whitten, Li-Jen Chen, Sharath Baddam

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 تحاول تعليم روبوت ذكي، ولكنه أخرق قليلاً، كيف يبني برجاً من المكعبات الملونة بناءً على تعليمات منطوقة مثل: "ابنِ شكلاً على هيئة حرف T وأضف مكعباً بنفسجياً في الأعلى".

المشكلة هي أن عقل الروبوت (وهو نموذج لغوي كبير، أو LLM) بارع جداً في فهم "فكرة" الشكل، لكنه سيء جداً في إجراء العمليات الحسابية لتحديد "أين" يضع المكعبات في الفضاء ثلاثي الأبعاد. فهو غالباً ما ينسى وجود الجاذبية، فيقوم بتكديس المكعبات في الهواء أو يخطئ في عد الارتفاع الذي يجب أن يصل إليه البرج.

تقدم هذه الورقة البحثية حلاً ذكياً يسمى "التفكيك ثنائي ونصف الأبعاد" (2.5-D Decomposition). وإليك كيف يعمل، باستخدام تشبيهات بسيطة:

المشكلة: "المهندس المعماري الأخرق"

تخيل النموذج اللغوي الكبير كمهندس معماري بارع يمكنه رسم مخطط ثنائي الأبعاد مثالي على ورقة. هو يعرف تماماً أين يجب أن توضع الجدران في مخطط الطابق. ومع ذلك، إذا طلبت منه أيضاً حساب الارتفاع الدقيق لكل طوبة في برج ثلاثي الأبعاد، سيبدأ في ارتكاب الأخطاء. قد يقول: "ضع طوبة هنا"، دون أن يدرك أن هناك طوبة موجودة بالفعل تحتها، أو قد يكدسها عالياً جداً.

الحل: "المراقب المنضبط"

أدرك المؤلفون أنه في العديد من مهام البناء، لا يكون ارتفاع المكعب خياراً حراً؛ بل يتم تحديده بواسطة الفيزياء. إذا كنت تبني على أرضية مسطحة مع وجود جاذبية، فإن المكعب الجديد يجب أن يستقر فوق أعلى مكعب موجود بالفعل. الارتفاع عملية تلقائية.

لذا، قاموا بتقسيم المهمة إلى جزأين:

المهندس المعماري (النموذج اللغوي الكبير): هذا الجزء مسموح له فقط برسم المخطط الأرضي ثنائي الأبعاد. هو يقول: "ضع مكعباً أحمر في الموقع X، ومكعباً أزرق في الموقع Z". وهو ممنوع من التحدث عن الارتفاع (Y). هو يخطط فقط لـ "البصمة" أو المساحة التي سيشغلها البناء.
المراقب (الكود البرمجي الحتمي): هذا برنامج كمبيوتر بسيط وغير مفكر. مهمته الوحيدة هي النظر في المخطط الأرضي والقول: "حسناً، تريد مكعباً في الموقع X وZ؟ حسناً، الجاذبية تقول إنه يجب أن يوضع فوق ما هو موجود هناك بالفعل". هو يحسب الارتفاع تلقائياً.

من خلال سحب قرار "الارتفاع" من المهندس المعماري الأخرق وإعطائه للمراقب غير المفكر، تمكنوا من القضاء على فئة ضخمة من الأخطاء.

خدعة "ثقب المفتاح" (Peephole Trick)

تذكر الورقة أيضاً ما يسمى بـ "تحسين مطالبة ثقب المفتاح" (Peephole Prompt Optimization). تخيل أن المهندس المعماري عرضة لأحلام يقظة محددة ومتوقعة. على سبيل المثال، إذا قلت له "مد الطرف"، فقد يبني المهندس برجاً بالخطأ بدلاً من مد الأرضية.

قام الباحثون بإنشاء نظام "فحص سريع". قبل أن يرسم المهندس المخطط، يقوم ماسح ضوئي سريع بفحص التعليمات. إذا رأى عبارة معروفة بالتسبب في المشاكل (مثل "كل طرف")، فإنه يهمس بملاحظة صغيرة ومحددة في أذن المهندس: "مهلاً، عندما ترى 'كل طرف'، تذكر أن تمد البناء جانبياً، وليس للأعلى". يعمل هذا كشبكة أمان لنقاط الضعف المعروفة لدى المهندس.

النتائج

عندما اختبروا هذا النظام:

الطريقة القديمة: استخدام النموذج اللغوي الكبير للقيام بكل شيء (التخطيط ثلاثي الأبعاد) أدى إلى دقة تتراوح بين 76% إلى 90%.
الطالط الجديدة: استخدام طريقة الـ 2.5-D (المهندس + المراقب) رفع الدقة إلى 94.6%.
المفاجأة: نموذج ذكاء اصطنا-عي أصغر وأرخص (GPT-4o-mini) باستخدام هذه الطريقة الجديدة، تفوق في الواقع على نموذج أكبر وأغلى بكثير (GPT-4o) لم يستخدم هذه الطريقة.

قابلية النقل في العالم الحقيقي

أظهرت الورقة أيضاً أن هذه الخدعة ليست مقتصرة على جهاز كمبيوتر واحد بعينه. فقد قاموا بتشغيل نفس النظام على شريحة كمبيوتر صغيرة وقوية (NVIDIA Jetson Thor) يمكن أن توضع فوق رأس الروبوت، وعملت بنفس كفاءة أجهزة الكمبيوتر الضخمة الموجودة في السحابة.

الخلاصة

الدرس المستفيد الرئيسي بسيط: لا تطلب من نموذج لغوي القيام بعمليات رياضية هو سيء فيها. إذا كان جزء من المهمة ثابتاً بقوانين الفيزياء (مثل تحديد الجاذبية للارتفاع)، فاترك برنامج كمبيوتر بسيطاً يتولى ذلك الجزء. اترك الذكاء الاصطناعي يركز فقط على الأجزاء الإبداعية والمرنة من الخطة. هذا يجعل النظام بأكمله أكثر موثوقية، حتى لو لم يكن الذكاء الاصطناعي نفسه مثالياً.

ملاحظة: تذكر الورقة أن حوالي 5% من الأخطاء المتبقية جاءت من "وكيل مهندس" (Architect Agent) آخر يجيب على أسئلة التوضيح، وهو قصور منفصل لم يتمكنوا من إصلاحه باستخدام هذه الطريقة تحديداً.

ملخص تقني: التفكيك ثنائي ونصف الأبعاد (2.5-D) للبناء المكاني القائم على النماذج اللغوية الكبيرة (LLM)

بيان المشكلة

تواجه الأنظمة المستقلة المكلفة ببناء هياكل مادية بناءً على تعليمات باللغة الطبيعية فجوة حرجة في الموثوقية: فبينما تتفوق النماذج اللغوية الكبيرة (LLMs) في فهم القصد عالي المستوى، فإنها تفشل بشكل منهجي في الاستدلال المكاني الدقيق، لا سيما فيما يتعلق بتوليد الإحداثيات ثلاثية الأبعاد. تشير الاختبارات المرجعية السابقة إلى أن النماذج اللغوية الكبيرة غالباً ما تنتج أخطاء في الوضع الرأسي، والترصيص بزيادة أو نقصان بمقدار واحد، وتكرار المواضع. تنبع هذه الإخفاقات من الافتقار إلى نماذج عالم داخلية لفرض القيود الفيزيائية، مثل الجاذبية، التي تملي أن الموقع الرأسي للكتلة يتحدد بدقة من خلال إشغال العمود الذي تحتها.

المنهجية

تقترح الورقة البحثية مسار عمل هجين عصبي-رمزي (neuro-symbolic) يعتمد على التفكيك ثنائي ونصف الأبعاد (2.5-D) لمعالجة أخطاء الإحداثيات هذه. الجوهر الفكري هو أنه في مجالات البناء المقيدة بالجاذبية، لا يعد المحور الرأسي ( $y$ ) متغيراً حراً، بل هو دالة حتمية للموقع الأفقي ( $x, z$ ) والحالة الراهنة للشبكة.

مسار التفكيك ثنائي ونصف الأبعاد (2.5-D)

يقوم النظام بفصل مهام التخطيط والتنفيذ إلى وحدات متميزة:

المخطط اللغوي (2D): يتم تقييد النموذج اللغوي الكبير لتوليد خطة في المستوى الأفقي ثنائي الأبعاد فقط. حيث يحدد فقط إحداثيات $(x, z)$ ، وألوان الكتل، وأنواع الإجراءات، والأعداد. ويُمنع صراحةً من إخراج الإحداثيات الرأسية ( $y$ ).
المنفذ الحتمي (3D): يقوم محرك رمزي بحساب الوضع الرأسي لكل كتلة بناءً على إشغال العمود. يتم حساب الإحداثي الرأسي $y^*$ لكتلة جديدة عند $(x, z)$ كأقل ارتفاع حيث تكون الخلية فارغة، مما يضمن استيفاء قيود الجاذبية بصرامة:
$y^*(x, z, G) = \min\{y \in \{0, \dots, 4\} \mid (x, y, z) \notin \text{dom}(G)\}$
هذا يلغي فئة كاملة من أخطاء الإحداثيات عن طريق إزالة البعد الرأسي ( $y$ ) من حيز مخرجات النموذج اللغوي الكبير.

المكونات الداعمة

يتضمن مسار العمل أربع آليات إضافية للتعامل مع الغموض وأنماط الفشل المنهجي:

محلل الهيكل (Structure Analyzer): يكتشف الأشكال الهندسية الأولية (مثل أشكال حرف T، وأشكال حرف L) في الشبكة الموجودة لإبلاغ المخطط بها.
كاشف نقص التحديد (Underspecification Detector): يستخدم إطار عمل نظري قراري لتحديد متى يجب طرح أسئلة توضيحية. وهو يحسب القيمة المتوقعة للتخمين مقابل السؤال، مع إعطاء الأولوية للاستفسارات المتعلقة بالألوان على الاستفسارات المتعلقة بالعدد عند وجود غموض.
محسن مطالبات "ثقب المفتاح" (Peephole Prompt Optimizer): يمسح التعليمات بحثاً عن عبارات تحفيزية محددة (مثل "كل طرف"، "أمام") تُعرف بأنها تسبب أخطاءً منهجية في النماذج اللغوية الكبيرة. وعند اكتشافها، يقوم بحقن تصحيحات مستهدفة وأمثلة نموذجية مطابقة للنمط في المطالبة (prompt) قبل استدعاء النموذج اللغوي الكبير.
مدقق المخطط (Plan Verifier): وحدة قائمة على القواعد تتحقق من صحة المخطط المولد مقابل التعليمات وحالة الشبكة، وتقوم بإجراء تصحيحات لاتساق الاتجاهات ومعقولية التراص.

المساهمات الرئيسية

التفكيك ثنائي ونصف الأبعاد (2.5-D Decomposition): نمط معماري مبتكر يقيد تخطيط النموذج اللغوي الكبير في مستوى أفقي ثنائي الأبعاد بينما يفوض الوضع الرأسي لمنفذ حتمي، مما يقضي فعلياً على أخطاء الإحداثيات الرأسية.
تحسين مطالبات "ثقب المفتاح": منهجية لتحديد أنماط الفشل المنهجي للنماذج اللغوية الكبيرة الناتجة عن مدخلات معينة وتصحيحها عبر حقن المطالبات الديناميكي، على غرار تحسين المترجمات (compiler optimization).
التحقق التجريبي: إثبات أن مسار العمل هذا يمكنه تمكين نموذج أصغر وأقل تكلفة (GPT-4o-mini) من التفوق على نموذج أكبر وأكثر تكلفة (GPT-4o) في الدقة الهيكلية.
إطار عمل نظري قراري: نهج رسمي للتعامل مع التعليمات ناقصة التحديد (نقص الألوان أو الأعداد) من خلال موازنة احتمالية التخمين الصحيح مقابل عقوبة طرح سؤال توضيحي.

النتائج التجريبية

تم تقييم النظام باستخدام المعيار المرجعي "ابنِ ما أعنيه" (Build What I Mean - BWIM)، والذي يتكون من 160 جولة من مهام بناء الكتل.

الدقة: حقق مسار العمل الكامل باستخدام GPT-4o-mini متوسط دقة هيكلية قدره 94.6% عبر 12 جولة مستقلة.
المقارنة: تفوقت هذه النتيجة على أفضل نظام منافس (باستخدام GPT-4o بدون تفكيك) بنسبة 76.3% وعلى خط الأساس المباشر لـ GPT-4o بنسبة 90.3%.
دراسة الاستئصال (Ablation Study): أدى إزالة التفكيك ثنائي ونصف الأبعاد إلى أكبر انخفاض في الأداء، حيث خفض الدقة بمقدار 50.7 نقطة مئوية (إلى 43.8%)، مما يؤكد أنه المساهم المهيمن في النجاح. كما ساهم التعامل مع نقص التحديد وتحسين "ثقب المفتاح" بشكل كبير أيضاً (17.9 و 11.3 نقطة مئوية، على التوالي).
النشر الطرفي (Edge Deployment): انتقل مسار العمل بنجاح إلى الأجهزة الطرفية المحلية. حقق نموذج Nemotron-3 120B، الذي يعمل محلياً على جهاز NVIDIA Jetson Thor AGX، دقة قدرها 94.5% دون تعديلات في المطالبات، مما يطابق نتائج GPT-4o-mini السحابي.
التعميم: أظهرت تجربة نقل على 500 مهمة من مجموعة بيانات البناء التعاوني IGLU أن التفكيك ثنائي ونصف الأبعاد وحده حسن درجات F1 على مستوى الكتلة من 0.723 إلى 0.798، مما يؤكد قابلية تطبيق النهج خارج المعيار المرجعي الأساسي.

الأهمية والادعاءات

تجادل الورقة بأن القيد الرئيسي في البناء المكاني القائم على النماذج اللغوية الكبيرة ليس نقصاً في القدرة على الاستدلال، بل هو تضمين الأبعاد الحتمية في حيز مخرجات النموذج. ومن خلال تحديد الأبعاد التي يمكن حسابها من القيود الفيزيائية (مثل الجاذبية) وإزالتها من مسؤولية النموذج اللغوي الكبير، يحقق النظام موثوقية تقترب من السقف النظري الذي يفرضه وكيل التوضيح ("المهندس المعماري").

يدعي المؤلفون أن هذا الهيكل ثنائي ونصف الأبعاد (2.5-D) هو مبدأ قابل للتعميم لأي نظام مستقل حيث تقيد القوانين الفيزيائية عملية التجميع أو الوضع. ومن الأمثلة المذكورة: التخطيط لمسار الطائرات بدون طيار التي تتبع التضاريس (حيث يكون الارتفاع دالة للموقع الأفقي وبيانات التضاريس) والصيانة الآلية للمعدات (حيث تكون مسارات إدخال الأجزاء مقيدة بهندسة الآلة). ويشير العمل إلى أن التشغيل الموثوق الموجه بالنماذج اللغوية الكبيرة في البيئات المقيدة فيزيائياً هو أمر ممكن، ليس عبر تدريب نماذج أكبر، بل عبر هندسة أنظمة تنقل الاستدلال الحتمي إلى كود رمزي.

لاحظ المؤلفون وجود سقف صلب للدقة الممكنة: حوالي 97.6%، وهو محكوم بالأخطاء في وكيل التوضيح (وهو نموذج لغوي كبير يجيب على أسئلة التوضيح). إن دقة النظام الحالية البالغة 94.6% تترك هامشاً قدره 3.0 نقطة مئوية فقط للتحسينات في جانب "الباني"، مما يشير إلى أن مسار العمل المقترح قد وصل تقريباً إلى أقصى إمكانات مكون البناء.