ملخص تقني: التجويع من أجل الإدراك (Starve to Perceive)

المشكلة: ظاهرة الإدراك الكسول

تتطلب نماذج الرؤية واللغة (VLMs) المنتشرة كوكلاء في بيئات عالية الدقة إدراكاً نشطاً — أي القدرة على اتخاذ قرار ديناميكي بشأن مكان النظر عبر عمليات مثل التكبير (zooming)، والقص (cropping)، والتحريك (panning). ومع ذلك، فإن نماذج التدريب الحالية (الضبط الدقيق تحت الإشراف والتعلم التعزيزي) غالباً ما تنتج نماذج تظهر سلوك الإدراك الكسول. هذه النماذج تحاكي الشكل النحوي لأفعال الإدراك (مثل توليد أوامر تكبير صحيحة) دون الاعتماد وظيفياً على مخرجاتها.

السبب الجذري هو عدم تماثل أساسي في التعلم: فعندما يكون الجمع بين الرؤية العالمية العامة (global view) والافتراضات اللغوية القوية كافياً لتحقيق دقة متوسطة، لا يمتلك النموذج حافزاً قائماً على التدرج (gradient-based incentive) للاستثمار في الاستراتيجية الأكثر تعقيداً من الناحية الحسابية وهي البحث البصري متعدد الخطوات. إذا كان بإمكان النموذج النجاح دون النظر بنشاط، فإنه لن يتعلم أبداً كيف ينظر. وتُظهر الأدلة التشخيصية أن استبدال الملاحظات البصرية الوسيطة بمدخلات فارغة أو إفساد استدعاءات الأدوات غالباً ما يترك دقة النموذج دون تغيير، مما يشير إلى الاعتماد على الافتراضات اللغوية بدلاً من الأدلة البصرية.

المنهجية: التجويع من أجل الإدراك

لمعالجة ذلك، يقترح المؤلفون نموذج "التجويع من أجل الإدراك"، وهو منهج تدريبي يفرض نطاقاً تردديًا بصرياً مقيداً. الآلية الأساسية تقيد الملاحظة البصرية في كل خطوة استدلال بميزانية رمزية (token budget) ضيقة ($B$)، مما يضمن عدم احتواء أي رؤية واحدة (بما في ذلك اللمحة العالمية الأولية) على معلومات كافية لإتمام المهمة بشكل موثوق. هذا يجبر الإدراك النشط على أن يصبح الاستراتيجية الوحيدة القابلة للتطبيق للنجاح.

يعمل الإطار في مرحلتين ضمن مسارات ما بعد التدريب القياسية (SFT-then-RL):

1. الضبط الدقيق للتعليمات البصرية الواعية بالميزانية (SFT):

   • الهدف: تزويد السياسة بأولوية سلوكية للإدراك النشط تحت قيود الرموز (tokens).
   • بناء البيانات: يتم إنشاء المسارات عبر تقطير النموذج المعلم (باستخدام معلم قوي في بيئة مقيدة مع أخذ العينات بالرفض) وإعادة كتابة المسارات (تحويل مجموعات بيانات استخدام الأدوات عالية الجودة الموجودة إلى تنسيقات واعية بالميزانية عن طريق خفض عينة المشاهد وإعادة محاذاة الإحداثيات المكانية).
   • القيد: يتم إنشاء الملاحظة البصرية $v_t$ بواسطة عامل خفض عينة حتمي $D(\cdot, B)$ يُطبق على المنطقة المقصوصة من الصورة الأصلية، مما يضمن عدم تجاوز عدد الرموز لـ $B$.

2. التعلم التعزيزي عبر التجويع الإدراكي:

   • الهدف: تطوير اعتماد وظيفي حقيقي على الملاحظات البصرية من خلال الاستكشاف الذاتي.
   • الميزانية المشروطة بالدقة: تتوسع ميزانية الرموز $B$ ديناميكياً مع الدقة الأصلية للصورة المدخلة ($B(X) = \text{clip}(\lfloor |X|/\gamma \rfloor, B_{\min}, B_{\max})$) للحفاظ على ضغط تجويع إدراكي متسق عبر المدخلات المتنوعة.
   • إشارة المكافأة: يستخدم الإطار مكافأة بسيطة متفرقة ($R=1$ للإجابة الصحيحة، و $0$ خلاف ذلك). ولأن الميزانية البصرية تمنع هيكلياً حل التفاصيل الدقيقة من الرؤية العالمية وحدها، يجب على النموذج تنفيذ أفعال تركيز وسيطة لتحقيق المكافأة. لا تتطلب العملية أي خسائر مساعدة أو تشكيل للمكافأة.
   • التحسين: يتم تحسين السياسة باستخدام GRPO (تحسين السياسة النسبي للمجموعات) على المسارات التي تم جمعها ضمن البيئة المقيدة.

المساهمات الرئيسية

• تحديد الإدراك الكسول: يحدد البحث ويتتبع فشل نماذج VLMs الحالية في الاعتماد حقاً على العمليات البصرية النشطة، ويعزوه إلى عدم تماثل التعلم حيث تهيمن الاختصارات السلبية.
• نموذج "التجويع من أجل الإدراك": آلية تدريب مبتكرة تندمج في مسارات (SFT-then-RL) القياسية كعنصر إضافي. وهي لا تتطلب أي تغييرات معمارية، أو خسائر مساعدة، أو تشكيل معقد للمكافأة.
• قابلية نقل المهارات: يقدم المؤلفون أول دليل على أن مهارات الإدراك النشط المتعلمة تحت التدريب المقيد تنتقل بقوة إلى إعدادات الاختبار غير المقيدة.
• مكاسب الكفاءة: يحقق النهج مكاسب كبيرة في الكفاءة، حيث يقلل وقت التدريب بنسبة ~50% ويقلل زمن انتقال الاستدلال بمقدار 2.7 إلى 5.1 ضعفاً بسبب تقليل عدد الرموز البصرية المعالجة في كل خطوة.

النتائج

قيم المؤلفون نموذجهم (المبني على Qwen2.5-VL-7B) مقابل خطوط أساس قوية (مثل DeepEyes، وChain-of-Focus، وPixelReasoner) عبر اختبارات متنوعة تشمل HR-Bench، وV* Bench، ومهام الاستدلال كثيفة الإدراك (MME-RealWorld-Lite، وRealWorldQA).

• الأداء غير المقيد: رغم تدريبه حصرياً تحت قيود النطاق الترددي البصري، حقق النموذج درجة إجمالية قدرها 64.59 في الاختبارات غير المقيدة، متفوقاً على أقوى خط أساس مدعوم بالأدوات بمقياس 7B (وهو DeepEyes بنتيجة 61.77) بفارق واضح.
• المتانة المقيدة: تحت ميزانيات رموز صارمة ($B=256$)، انخفض أداء النموذج المقترح بمقدار 0.18 نقطة فقط مقارنة بأدائه غير المقيد. في المقابل، عانت خطوط الأساس التي تم تدريبها بدون قيود بصرية من انخفاض في الأداء يتراوح بين 6.96 إلى 7.29 نقطة، مما يثبت أن "إدراكها النشط" كان سطحياً وانهار عند إزالة الغنى البصري.
• دراسات الاستئصال (Ablation Studies):
  • SFT مقابل RL: أدى الضبط الدقيق (SFT) الواعي بالميزانية وحده إلى تحسين الأداء مقارنة بـ SFT القياسي، لكن الجمع بينه وبين RL المقيد أعطى أفضل النتائج.
  • ضرورة SFT: أدت بداية RL من نموذج أساسي بدون SFT إلى انهيار السياسة في سلوك "كسول" (الاعتماد على الافتراضات اللغوية)، مما يؤكد أن SFT يوفر أولوية سلوكية ضرورية.
  • ضرورة القيد: أدى التدريب بـ RL بدون قيود بصرية (حتى مع تهيئة SFT) إلى نسب إدراك نشط أقل ودقة نهائية أقل مقارنة بمسار التدريب المقيد بالكامل.

الأهمية

يجادل البحث بأن الاستدلال البصري المتفوق لا ينبع من كثافة المدخلات، بل من ضغط التحسين لاستخراج المعلومات بكفاءة. ومن خلال جعل الملاحظة السلبية غير متاحة هيكلياً أثناء التدريب، يُجبر النموذج على استيعاب التبعية الوظيفية بين الإشارات البصرية المحلية والنجاح في المهمة. ينقل هذا النموذج الإدراك النشط من كونه تحسيناً اختيارياً إلى كونه قدرة تأسيسية، مما يسمح بنشر وكلاء رؤية أكفاء وفعالين في البيئات ذات الموارد الحسابية المحدودة (مثل التطبيقات على الأجهزة) دون التضحية بالأداء. يشير هذا العمل إلى أن النطاق الترددي البصري يجب أن يُعامل كمتغير تصميم متعمد لبناء وكلاء لغة-رؤية راسخين إدراكياً.