ملخص تقني: VCap - المكافآت الهيبرجيومترية للوصف البصري من الضعيف إلى القوي

1. بيان المشكلة

يهدف الوصف المرئي (Visual captioning) إلى ترجمة الإدراك البصري إلى لغة طبيعية تلتقط الحقائق البارزة (الأشياء، السمات، العلاقات، الأحداث) بأمانة مع تقليل الحذف والهلوسة إلى أدنى حد. وتُحكم جودة الوصف من خلال بُعدين متكاملين: الصحة (كل حقيقة مذكورة مثبتة في الإشارة البصرية) والاكتمال (جميع المحتويات البصرية المهمة مغطاة بشكل كافٍ).

تواجه النهج الحالية لتحسين جودة الوصف قيوداً كبيرة:

• التوسع وتنسيق البيانات: إن مجرد توسيع النماذج أو تنسيق بيانات مرجعية عالية الجودة يؤدي حتماً إلى نشر حالات الحذف والهلوسة الموجودة بالفعل في النموذج، مما يخلق سقفاً للأداء.
• قيود التعلم التعزيزي (RL): تفشل تصميمات مكافآت التعلم التعزيزي الحالية للوصف (مثل VQA، أو استخدام النموذج اللغوي البصري كمحكم، أو المكافآت القائمة على التقليد مثل CIDEr/DPO) في توفير إشارات دقيقة وموثوقة للتحقق من الحقائق. فهي عادة ما تقصر الإشارة المرجعية على دور واحد (مثل هدف للتقليد أو مجموعة أسئلة محدودة)، مما يجعل من الصعب الإشراف المشترك على الصحة والاكتمال على مستوى الحقيقة. العائق الأساسي هو أن المجموعة الكاملة من الحقائق البصرية غير متاحة في الممارسة العملية؛ فلا يوجد مرجع يحصيها بالكامل، ولا يوجد وسيط مكافأة يستعيدها بالكامل.

2. المنهجية: إطار عمل الشاهد-المحكم (Witness-Adjudicator)

يقترح المؤلفون VCap، وهو آلية مكافأة مبتكرة تفصل بين دور المرجع النصي والإشارة البصرية، وتعاملهما كمكونين متميزين في إطار عمل "الشاهد-المحكم".

2.1 المفهوم الجوهري

• الشاهد (الوصف المرجعي): لا يُعامل الوصف المرجعي كهدف ذهبي للتقليد، بل يُنظر إليه كـ شاهد عشوائي يكشف عن مجموعة فرعية من الحقائق البصرية. إنه يعمل كمرساة للاستدعاء (يتطلب من السياسة تغطية الحقائق المذكورة) وككاشف للأخطاء (يرصد الهلوسات المحتملة).
• المحكم (الإشارة البصرية): تعمل الصورة أو الفيديو كـ محكم. فهي تتحقق من التطابقات وعدم التطابقات في "الخانات" المحددة التي فعلها الشاهد. والأهم من ذلك، أن الإشارة البصرية لا تعمل كأوراكل (Oracle) يحصي جميع الحقائق؛ بل تقوم فقط بفض النزاعات أو تأكيد الحقائق عند تقاطع الشاهد والسياسة.

2.2 حساب المكافأة

يقوم نموذج مكافأة مجمد (MLLM) بمعالجة الثلاثية $(x, y_{ref}, y)$، حيث $x$ هو المدخل البصري، و$y_{ref}$ هو المرجع، و$y$ هو الوصف الذي أنتجته السياسة. يقوم النموذج بعملية تقييم تمريرة واحدة لـ:

1. تحديد الحذف المحتمل: الحقائق الموجودة في $y_{ref}$ والمفقودة في $y$.
2. تحديد الهلوسة المحتملة: الحقائق الموجودة في $y$ والتي تتعارض مع $y_{ref}$.
3. التحقق مقابل $x$:
   • يتم معاقبة الحذف فقط إذا أكد $x$ وجود الحقيقة المفقودة.
   • يتم معاقبة الهلوسة فقط إذا أكد $x$ أن ادعاء السياسة خاطئ (إذا تعارض $x$ مع $y_{ref}$، فإن الإشارة البصرية تلغي المرجع، مما يمنع أخطاء المرجع من معاقبة السياسة).

يخرج النموذج ثلاث درجات صحيحة ($0-10$):

• $s_{corr}$: الصحة (معاقبة التعارضات مع $x$).
• $s_{comp}$: الاكتمال (معاقبة عمليات الحذف المؤكدة لحقائق $y_{ref}$).
• $s_{txt}$: جودة النص (الطلاقة، التماسك، غياب النصوص الميتافيزيقية).

يتم تجميع هذه القيم في مكافأة عددية باستخدام أوزان ثابتة. بالنسبة للفيديو، يتم حساب مكافأة الرؤية المحلية على مقاطع زمنية عشوائية ودمجها مع مكافأة الرؤية العالمية لالتقاط الحقائق الزمنية الدقيقة والأحداث عبر المقاطع.

2.3 الأساس النظري: التحليل الهيبرجيومتري (Hypergeometric Analysis)

يصيغ البحث الوصف المرئي كمسألة استخراج حقائق على مستوى الحقيقة فوق مجموعة حقائق كامنة $F$ بحجم $N$.

• لتكن $R$ هي مجموعة الحقائق المرجعية ($|R|=m$).
• لتكن مجموعة حقائق السياسة $\Phi(y) = C \cup E$، حيث $C$ هي الحقائق الصحيحة ($|C|=c$) و $E$ هي الحقائق المهلوسة.

بموجب الافتراض بأن $R$ هي مجموعة فرعية عشوائية منتظمة من $F$، فإن احتمال اجتياز اختبارات الاكتمال والصحة يتبع توزيع هيبرجيومتري:

• احتمال الاكتمال ($P_{comp}$): احتمال أن تقع جميع الحقائق المرجعية $m$ ضمن الحقائق الصحيحة $c$. وهذا يزداد بصرامة مع اقتراب $c \to N$.
• احتمال الصحة ($P_{corr}$): احتمال أن تتجنب الحقائق المهلوسة $n-c$ خانات المرجع $m$. وهذا يتناقص بصرامة مع نمو الهلوسات.

الرؤية الجوهرية (محور ضعيف-إلى-قوي ذو محورين): حالة السياسة المثلى هي $c \to N$ (أقصى قدر من الحقائق الصحيحة) و $n-c \to 0$ (صفر هلوسات). والأهم من ذلك، أن موقع هذه الحالة المثلى مستقل عن حجم المرجع $m$. حجم المرجع $m$ يتحكم فقط في حدة تدرج الإشراف. وهذا يسم يسمح للنموذج بالتعلم من مراجع "ضعيفة" أو غير كاملة ومع ذلك الوصول إلى السقف الحقيقي للمعلومات البصرية، مما يتيح حلقة تحسين ذاتي حيث تعيد السياسة توليد مراجع أقوى لزيادة حدة التدرج.

3. المساهمات الرئيسية

1. إطار عمل على مستوى الحقيقة: صاغ المؤلفون الوصف على طول محورين مستقلين (الصحة والاكتمال) وأثبتوا لماذا تجد المكافآت الحالية صعوبة في الإشراف عليهما في آن واحد.
2. مكافأة الشاهد-المحكم (VCap): تصميم مكافأة جديد يعامل المرجع كشاهد عشوائي والإشارة البصرية كمحكم. هذا الفصل ينتج إشارات مكافأة هيبرجيومترية تمكن من التعميم من الضعيف إلى القوي، مما يسمح للنماذج بتجاوز جودة مراجعها التدريبية.
3. التحقق التجريبي: حقق نموذج بـ 8 مليارات معلمة مدرب باستخدام VCap أداءً هو الأفضل في عدة معايير للوصف الصوري والفيديو، متفوقاً على نماذج أكبر بكثير مفتوحة المصدر ومغلقة المصدر (مثل Qwen3.5-397B، وGPT-5.4، وGemini 3.1 Pro).

4. النتائج التجريبية

قيم المؤلفون VCap على معايير وصف الصور والفيديو، وكذلك مهام الاستجواب (QA) اللاحقة.

• وصف الصور: في CapMAS و DecapBench، حقق نموذج VCap (e2) (بـ 8 مليارات معلمة) أعلى الدرجات عبر جميع المقاييس (على سبيل المثال، 83.53 متوسط في CapMAS، و73.67 متوسط في DecapBench)، متفوقاً على GPT-5.4 ونموذج Qwen3.5 بـ 397 مليار معلمة.
• وصف الفيديو: حقق VCap أفضل أداء في معيار VDC (36.01 متوسط) ونتائج تنافسية في VCapsBench، متفوقاً على النموذج الأساسي والنماذج الأكبر.
• التقييم البشري: في مجموعة صور محجوزة مكونة من 500 صورة، احتل VCap المرتبة الأولى في صحة الحقائق لكل صورة. أظهرت إشارة مكافأة VCap توافقاً بنسبة 61.1% مع التفضيلات البشرية الثنائية، وهو أعلى بكثير من خط الأساس العشوائي البالغ 50%.
• التحسين الذاتي: أدى الانتقال من VCap (e1) إلى VCap (e2)، حيث تم إعادة توليد المراجع بواسطة السياسة نفسها، إلى تحسينات رتيبة عبر جميع المعايير، مما يؤكد صحة حلقة التحسين الذاتي النظرية.
• التعميم: أظهرت النماذج المدربة فقط على الوصف (بدون بيانات QA) مكاسب كبيرة في معايير الاستجواب الصوري والفيديو (مثل Prism و MMVU)، مما يشير إلى أن VCap يحسن الإدراك البصري الأساسي وليس فقط شكل الوصف السطحي.
• دراسات الاستئصال (Ablation Studies):
  • تقطير أفضل-من-N (Best-of-N Distillation): تفوق التعلم التعزيزي المدفوع بـ VCap على التقطير الذاتي من عينات Best-of-N، مما أثبت أن المكاسب تأتي من إشارة المكافأة، وليس فقط من اختيار العينات.
  • استئصال الوسائط/الأبعاد: أدى إزالة أي من المرجع (الشاهد) أو الصورة (المحكم) إلى انخفاض كبير في الأداء، مما يؤكد ضرورة التصميم ثنائي الدور. كما أدت إزالة أبعاد الصحة أو الاكتمال تحديداً إلى تدهور المقاييس الخاصة بها.

5. الأهمية والادعاءات

يزعم البحث أن VCap يغير بشكل جذري نموذج التعلم التعزيزي للوصف من خلال فصل الحد الأمثل للمكافأة عن جودة المرجع.

• كسر سقف التقليد: على عكس مكافآت أسلوب التقليد حيث يتم تقييد السياسة بجودة المرجع، يسمح VCap للنموذج بتجاوز مراجع تدريبه من خلال معاملتها كمجسات بدلاً من أهداف.
• المحاذاة الحقيقية: توفر الطريقة آلية للتحقق من الحقائق بدقة تتوافق وثيقاً مع الحكم البشري، مما يعالج مشكلة "الهلوسة" في النماذج اللغوية البصرية الكبيرة (MLLMs).
• التعزيز الإدراكي: تشير النتائج إلى أن تحسين الصحة والاكتمال على مستوى الحقيقة عبر VCap يعزز قدرات الإدراك البصري العامة للنموذج، مما يفيد المهام اللاحقة مثل الاستجواب (QA) دون الحاجة لضبط دقيق محدد.

القيود التي أقر بها المؤلفون:

• تم تدريب سياسات الصور والفيديو بشكل منفصل بسبب القيود الحسابية.
• اقتصر التقييم البشري على مجموعة من 500 صورة من قبل مقيمين داخليين.
• تركز الدراسة على خوارزمية GRPO؛ ولم يتم التحقق تجريبياً من خوارزميات التعلم التعزيزي الأخرى القائمة على السياسة (on-policy).
• ندرة المتخصصين في الوصف للنماذج المرجعية، مما فرض الاعتماد على النماذج اللغوية البصرية العامة.