MARQUIS: A Three-Stage Pipeline for Video Retrieval-Augmented Generation
يُعد MARQUIS عبارة عن خط معالجة ثلاثي المراحل يعزز بشكل كبير توليد النصوص المدعم باسترجاع الفيديو من خلال معالجة أوجه القصور في التعامل مع الاستعلامات المعقدة وتوليف الفيديوهات المتعددة عبر توسيع الاستعلام، واستخراج الأدلة المهيكلة، وتوليد المقالات المنضبط، محققاً أداءً هو الأفضل في فئته في مهمة MAGMaR2026 المشتركة.
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 صحفي كُلِّفت بكتابة مقال إخباري مفصل حول حدث معقد، مثل عاصفة هائلة أو انتخابات سياسية. ومع ذلك، ليس لديك مراسل واحد في الموقع؛ بل لديك مكتبة تحتوي على 100,000 مقطع فيديو مختلف للحدث، سجلتها مئات الكاميرات المختلفة. مهمتك هي العثور على المقاطع الصحيحة، وفهم ما حدث بالفعل فيها، ثم كتابة قصة متماسكة مع الاستشهاد بدقة بكل مقطع فيديو أثبت كل حقيقة.
هذا هو التحدي الذي يعالجه نظام MARQUIS. تجادل الورقة البحثية بأن أدوات الذكاء الاصطناعي الحالية سيئة في هذه الوظة المحددة؛ فهي إما تعجز عن العث much على الفيديوهات الصحيحة عندما يكون السؤال معقداً، أو تصاب بالارتباك عند محاولة قراءة الكثير من الفيديوهات في وقت واحد وتنتهي بـ "الهلوسة" (اختلاق معلومات من العدم).
يعالج MARQUIS هذه المشكلة من خلال العمل كـ خط تجميع لغرفة أخبار مكون من ثلاث مراحل، حيث يقوم بتفكيك المهمة الضخمة إلى خطوات أصغر وأكثر قابلية للإدارة.
المرحلة 1: بحث المحقق (الاسترجاع/Retrieval)
المشكلة: إذا سألت محرك بحث تقليدي: "أخبرني بكل شيء عن نتائج انتخابات 2025"، فقد يرتبك. فهو يحاول تحويل هذا السؤال الطويل بالكامل إلى "كود بحث" واحد (تضمين/embedding)، وهو ما غالباً ما يفتقر إلى الدقة. الأمر يشبه محاولة العثور على إبرة محددة في كومة قش عبر وصف كومة القش بأكملها دفعة واحدة.
حل MARQUIS:
بدلاً من البحث الواحد الكبير، يعمل MARQUIS كمحقق يفكك القضية الكبيرة إلى أدلة صغيرة.
التفكيك (Decomposition): يأخذ سؤالك الكبير ويكسرّه إلى أكثر من 20 سؤالاً صغيراً ومحدداً (على سبيل المثال: "كم عدد المقاعد التي فاز بها الليبراليون؟"، "ما هي نسبة مشارك
البحث المتوازي (Parallel Search): يبحث في مكتبة الفيديو عن كل سؤال من تلك الأسئلة الصغيرة بشكل منفصل.
الدمج (The Fusion): يأخذ جميع قوائم الفيديوهات التي تم العثوا عليها للأسئلة الصغيرة ويدمجها في قائمة رئيسية واحدة.
إعادة التصنيف (The Re-Ranker): أخيراً، ينظر "قاضٍ فيديو" متخصص إلى المرشحين الأوائل ويعيد ترتيبهم للتأكد من أن الأكثر صلة موجودة في المقدمة تماماً.
النتيجة: هذه الطريقة تشبه استخدام عدسة مكبرة للعثور على إبر محددة بدلاً من التخمين أين توجد كومة القش بأكملها. وقد حسّنت قدرة النظام على العثور على الفيديوهات الصحيحة من درجة 0.195 إلى 0.759 (قفزة هائلة).
المرحلة 2: مدققو الحقائق (استخراج المعلومات/Information Extraction)
المشكلة: بمجرد حصولك على الفيديوهات، لا يمكنك مجرد تغذية الكاتب بملف الفيديو الكامل؛ فالكاتب يحتاج إلى حقائق محددة. كما أن الفيديوهات قد تكون مخادعة؛ فأحياناً يقول شخص ما شيئاً غير صحيح، أو تكون زاوية الكاميرا مضللة.
حل MARQUIS:
لا يكتفي MARQUIS بـ "قراءة" الفيديو فحسب، بل يستخرج "ادعاءات" محددة ثم يقوم بـ معايرتها (Calibration).
- ثلاثة أنواع من الملاحظات:
- ملاحظات عامة: "امرأة ترتدي معطفاً أحمر تتحدث." (حقائق قد تكون مفيدة لاحقاً).
- ادعاءات مستهدفة: "الفيديو يظهر إنقاذ 50 شخصاً." (حقائق تجيب تحديداً على سؤالك).
- س وج (Q&A): يطرح النظام أسئلة محددة على الفيديو ويحصل على إجابات.
- المعايرة (جهاز كشف الكذب): هذه خطوة حاسمة. قبل أن يرى الكاتب أي ادعاء، يقوم نموذج "المعايرة" بفحص الادعاء والفيديو الأصلي جنباً إلى جنب. ويسأل: "هل يثبت هذا الفيديو هذه الجملة فعلاً؟" ثم يخصص درجة احتمالية (من 0 إلى 1). إذا كان الفيديو لا يدعم الادعاء، يتم استبعاده.
التشبيه: تخيل فريقاً من مدققي الحقائق يقرأ كل جملة يكتبها المراسل، ثم يعودون إلى اللقطات الخام للتحقق منها. إذا لم يتطابق التصوير مع الكلام، تُلقى الجملة في السلة.
المرحلة 3: الكتاب (توليد المقال/Article Generation)
المشكلة: حتى مع وجود حقائق جيدة، فإن كتابة مقال سلس أمر صعب. إذا أعطيت كاتباً 500 نقطة منفصلة، فقد يكتب قائمة فوضوية. وإذا أعطيته نصاً لفيديو مدته ساعتان، فقد يضيع في التفاصيل وينسى النقطة الأساسية.
حل MARQUIS:
يوفر النظام ثلاث طرق لكتابة المقال، لكن الأفضل منها يستخدم نهجاً هيكلياً:
- التجميع (Clustering): يقوم بتجميع الحقائق التي تم التحقق منها في موضوعات (مثل: "الضحايا"، "جهود الإنقاذ"، "الاستجابة الحكومية").
- التلخيص (Summarizing): يكتب جملة واحدة مقتبسة لكل موضوع.
- الصقل (Polishing): يقوم بربط تلك الجمل معاً لتكوين قصة إخبارية سلسة وسهلة القراءة، مع ضمان أن كل حقيقة لها استشهاد (مثل
[فيديو رقم 45، 0:12-0:15]).
الخيار "التكراري" (MARQUIS-RLM):
تقدم الورقة أيضاً "مديراً" خاصاً للذكاء الاصطناعي (يعتمد على النماذج اللغوية التكرارية - Recursive Language Models). بدلاً من مجرد الكتابة لمرة واحدة، يعمل هذا "المدير" كـ مدير مشروع لديه دفتر ملاحظات مستمر.
- ينظر إلى الحقائق التي لديه.
- يدرك قائلاً: "أنا أفتقد عدد الضحايا في المنطقة الشمالية".
- يعود إلى المرحلة الأولى والثانية، ويطلب تلك المعلومة المفقودة تحديداً، ويضيفها إلى دفتر ملاحظاته، ويتحقق من وجود أي تعارضات.
- لا يكتب المقال النهائي إلا عندما يصبح دفتر الملاحظات مكتملاً ومتسقاً.
الخلاصة
تزعم الورقة أنه من خلال تفكيك المشكلة — البحث بذكاء، والتحقق من الحقائق بصرامة، وتنظيم عملية الكتابة — ينتج MARQUIS نتائج أفضل بكثير من الطرق الحالية.
- الاسترجاع: وجد الفيديوهات الصحيحة في كثير من الأحيان بشكل أكبر.
- التوليد: أنتج مقالات قيمها البشر بدرجة أعلى (3.83 من 5 مقابل 3.09 للنموذج الأساسي) لأنها كانت أكثر تماسكاً وأفضل توثيقاً.
- الموثوقية: تم تصميم النظام ليكون "مستنداً إلى الواقع" (Grounded)، مما يعني أنه يرفض كتابة حقائق لا تدعمها أدلة الفيديو، متجنباً "الهلوسة" الشائعة في أنظمة الذكاء الاصطناعي الأخرى.
باختصار، يحول MARHS كومة فوضوية من 100,000 فيديو إلى مقال إخباري موثوق وموثق المصادر، وذلك من خلال العمل كغرفة أخبار عالية التنظيم ومتعددة الخطوات، بدلاً من مجرد كاتب واحد مثقل بالأعباء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.