ملخص تقني: CAVE – نهج مهيكل لتخصيص الائتمان في الاستدلال على الأدلة البصرية المجزأة

1. تعريف المشكلة: الاستدلال البصري المجزأ (FVR)

بينما تقدمت نماذج الرؤية واللغة (VLMs) بشكل كبير في الاستدلال متعدد الوسائط العام، إلا أنها تظهر هشاشة عندما تتطلب المهام دمج معلومات بصرية غير محلية مع أولويات دلالية ضعيفة. يعرّف المؤلفون هذا التحدي بأنه الاستدلال البصري المجزأ (Fragmented Visual Reasoning - FVR). في FVR، تكون الأدلة الحاسمة للمهمة مجزأة مكانياً وضعيفة الانفصال دلالياً عبر مناطق مختلفة من الصورة.

غالباً ما تفشل نماذج VLMs الحالية في هذا السياق بسبب:

• الإدراك العالمي الخشن (Coarse Global Perception): الاعتماد على التمثيلات العالمية يفشل في التقاط التبعيات طويلة المدى والاختلافات المحلية الدقيقة.
• التحيز اللفظي (Verbalized Bias): تميل النماذج إلى الانحياز في الاستدلال نحو مجموعة فرعية لفظية من الأدلة، مما ينتج سلاسل منطقية متماسكة ولكنها غير مرتبطة بصرياً بالواقع.
• انتشار الخطأ (Error Propagation): تؤدي الأخطاء المبكرة في اختيار الأدلة إلى فشل متتالي في خطوات الاستدلال اللاحقة.

تسمح طرق الاستدﻟ المتداخلة الحالية (مثل "التفكير مع الصورة") بإعادة الملاحظة المحلية، لكنها تفتقر إلى الإشراف على العملية المرتبط بالأفعال (action-specific process supervision). عادةً ما تقيم طرق مكافأة العملية الحالية الخطوات الوسيطة بناءً على تحسين الإجابة النهائية أو جودة المسار الإجمالية، وتفشل في تقديم توجيه مستهدف لسلوكيات استدلال محددة مثل اكتساب الأدلة أو التركيز على المناطق.

2. المنهجية: CAVE (تخصيص الائتمان للأدلة البصرية)

لمعالجة هذه القيود، يقترح المؤلفون CAVE، وهو طريقة مكافأة عملية مهيكلة تعتمد على تحسين السياسة النسبي للمجموعة (Group Relative Policy Optimization - GRPO) والمصممة للاستدلال البصري المتداخل.

2.1 مسار الاستدلال المتداخل

يتم نمذجة عملية حل النموذج كمسار $\tau = \{(M_t, a_t, o_t)\}_{t=1}^{T_\tau}$، حيث:

• $M_t$: حالة السياق متعدد الوسائط (الصورة الأصلية، السؤال، التاريخ، الملاحظات المحلية).
• $a_t$: فعل المساعد (استدلال نصي، استدعاء أداة التكبير/الزوم، أو الإجابة النهائية).
• $o_t$: ملاحظة البيئة (على سبيل المثال، صورة فرعية مكبرة).

2.2 الائتمانات العملية المهيكلة

خلافاً لمكافآت الحالة الموحدة، يقوم CAVE بتفكيك قيمة الخطوات الوسيطة إلى ثلاث إشارات متكاملة على مستوى الفعل:

1. ائتمان تحديث الاعتقاد ($c_{bu}$):

   • الهدف: قياس التقدم نحو الإجابة الصحيحة.
   • الآلية: يحسب الربح في الاحتمالية اللوجاريتمية الشرطية لجسم الإجابة الصحيحة ($A$) بين الحالة $M_t$ و $M_{t+1}$ باستخدام فرضية المعلم (teacher forcing).
   • الوظيفة: يكافئ الخطوات التي تقرب حالة النموذج من الإجابة الصحيحة، مما يقيد تحديثات الحالة الموجهة نحو الإجابة.

2. ائتمان اكتساب الأدلة ($c_{ea}$):

   • الهدف: التقاط التقدم التمهيدي حيث تصبح الأدلة البصرية الحاسمة متاحة قبل دمجها بالكامل في اعتقاد الإجابة.
   • الآلية: يستخدم مجموعة من $K$ من وحدات الأدلة البصرية المنصوصة نصياً ($P = \{p_1, ..., p_K\}$) والموسومة للمهمة (مثل "مبنى مثلث الشكل"). يقيس الربح في درجة قابلية الاسترداد لهذه الوحدات بين الحالات.
   • الوظيفة: يكافئ المسارات التي تكتسب التفاصيل البصرية الضرورية تدريجياً، مما يميزها عن التخمين الأعمى.

3. ائتمان التحكم في التركيز التكيفي ($c_{af}$):

   • الهدف: تقييد الاستكشاف البصري القائم على التكبير لموازنة تغطية الأدلة والضوضاء البصرية.
   • الآلية:
     • يقدر عدم اليقين في الحالة ($u_t$) عبر إنتروبيا توكنات الإجابة.
     • يحدد مقياس تكبير مستهدف $\hat{\rho}_t$ بناءً على عدم اليقين.
     • يعمل كبوابة للمكافأة: لا يتم مكافأة فعل التكبير إلا إذا حقق مكاسب في الاعتقاد أو الأدلة ($g_t$) وكان مقياسه مطابقاً لعدم اليقين الحالي ($1 - |\rho_t - \hat{\rho}_t|$).
   • الوظيفة: يشجع النموذج على اختيار الملاحظات المحلية التي تؤدي إلى تقدم في الحالة مع تجنب الضوضاء غير ذات الصلة.

2.3 التحسين

المكافأة الإجمالية هي مجموع أوزان الائتمانات على مستوى المسار:
$$R_{CAVE}(\tau) = \lambda_{bu}C_{bu}(\tau) + \lambda_{ea}C_{ea}(\tau) + \lambda_{af}C_{af}(\tau)$$
يتم تحسين السياسة باستخدام GRPO، حيث يتم حساب المزايا النسبية للمجموعة بناءً على $R_{CAVE}$. يتم تطبيق التحسين فقط على التوكنات التي يولدها المساعد؛ بينما تعمل ملاحظات الأدوات كـ سياق ولا تشارك في تدرج السياسة.

3. الاختبار المرجعي: TRACER-Bench

لتمكين التقييم المنضبط والتحليل على مستوى العملية، أنشأ المؤلفون TRACER-Bench (الاستدلال على الأدلة عبر المناطق المقاومة للنص).

• النطاق: 980 عينة من VQA تغطي أربعة سيناريوهات:
  1. الملاحة بتبديل القواعد (VJump): تتطلب الحفاظ على الحالة عبر تبديلات القواعد.
  2. التتبع غير الدلالي (LT): تتبع المسارات دون إشارات دلالية.
  3. المطابقة المضمنة (Match): تطابق دقيق بين القالب والشبكة.
  4. مطابقة الصور الفرعية للاستشعار عن بعد (MME-RS): مطابقة الرقع في صور واقعية مشوشة.
• الميزة الرئيسية: يتضمن كل عينة مجال إدراك يحتوي على أدلة بصرية وسيطة رئيسية (منصوصة نصياً) تُستخدم للتحليل خارج الخطوة (offline) وحساب المكافأة، ولكنها لا تُقدم كمدخل للنموذج أثناء الاستنتاج.
• العزل: تم عزل مجموعة التدريب تماماً عن مجموعة الاختبار فيما يتعلق بالبذور العشوائية، والتخطيطات، والحالات لمنع التسرب.

4. النتائج التجريبية

يقيم المؤلفون CAVE (المبني على Qwen2.5-VL) مقابل عدة نماذج مرجعية، بما في ذلك نماذج VLMs العامة، والنماذج الموجهة للاستدلال، والطرق المعززة بالأدوات.

• أداء الرؤية المجزأة: يحقق CAVE أفضل متوسط أداء عام بين النماذج المرجعية مفتوحة المصدر المقارنة.
  • في TRACER-Bench، يحسن CAVE-7B متوسط الدرجة بمقدار +15.5% عن النموذج الأساسي Qwen2.5-VL-7B.
  • يتفوق بشكل كبير على نماذج الاستدلال المتخصصة (مثل ThinkLite-VL، وVLAA-Thinker) والطرق المساعدة بالأدوات (DeepEyes).
  • تظهر دراسة الاستبعاد ("Belief-Only") أنه بينما يكون كسب اعتقاد الإجابة فعالاً، إلا أنه غير كافٍ بدون اكتساب الأدلة والتحكم في التركيز، مما يؤكد ضرورة الائتمان الثلاثي المهيكل.
• الأداء متعدد الوسائط العام: يحافظ CAVE على أداء تنافسي في الاختبارات العامة (MMStar، RealWorldQA، HallusionBench، إلخ)، محققاً نتائج في الصدارة أو قريبة منها في 4 من أصل 6 اختبارات. يشير هذا إلى أن تحسين استكشاف الأدلة البصرية لا يؤدي إلى تدهور القدرات العامة.
• المتانة: يُظهر CAVE تدهوراً أبطأ في الأداء مع زيادة عمق الاستدلال (القفزات) والمسافة عبر المناطق، مما يشير إلى تحسن في الاستقرار في التبعيات طويلة المدى.
• الكفاءة: يحقق CAVE دقة أعلى بميزانيات توكن/أدوات مماثلة أو أقل من النماذج المرجعية، كما يتضح من ارتفاع "معدل التكبير المفيد" (نسبة عمليات التكبير التي تحقق مكاسب إيجابية).

5. الأهمية والادعاءات

يزعم البحث أن CAVE يعالج فجوة محددة في استدلال نماذج VLMs: وهي عدم القدرة على دمج الأدلة المجزأة مكانياً والضعيفة دلالياً بشكل موثوق.

• تخصيص الائتمان المهيكل: المساهمة الأساسية هي تفكيك قيمة الاستدلال الوسيط إلى تحديث الاعتقاد، واكتساب الأدلة، والتحكم في التركيز التكيفي. يوفر هذا إشرافاً مستهدفاً على مستوى الفعل يفتقر إليه نظام مكافآت المسار الحالي.
• التحسين الموجه للعملية: تشير النتائج إلى أن مكاسب الأداء لا تأتي من أحجام النماذج الأكبر أو تنسيقات الأدوات المحددة، بل من النمذجة المهيكلة لعملية تقدم الأدلة البصرية.
• القدرة على التعميم: يحسن النهج الأداء في المهام المجزأة مع الحفاظ على القدرات متعددة الوسائط العامة، مما يشير إلى أن القدرة المتعلمة على استكشاف ودمج الأدلة البصرية قابلة للانتقال.
• الاختبار المرجعي: يوفر TRACER-Bench إطاراً ضرورياً لتقييم الاستدلال عبر التبعيات بين المناطق مع سلاسل أدلة وسيطة يمكن التحقق منها، معالجاً نقص تحليل العملية والأدلة في الاختبارات الحالية مثل Tunnel Vision أو BabyVision.

يخلص المؤلفون إلى أن CAVE يوجه النماذج بفعالية لاكتشاف الأدلة الحاسمة للمهمة، وتحديث حالات الاستدلال، والتركيز على المناطق المعلوماتية، مما يؤدي إلى استدلال بصري أكثر متانة في ظل ظروف ضعف الانفصال الدلالي والتبعيات طويلة المدى.