تخيل أنك تحاول حل لغز، ولكن بدلاً من الحصول على دليل واحد، وُضعت بين يديك مكتبة تحتوي على ملايين الكتب. هدفك هو العثور على الفقرة الوحيدة التي تجيب على سؤالك المحدد. إذا حاولت قراءة كل صفحة، فستنفد منك الطاقة والوقت قبل أن تنهي حتى الفصل الأول. هذه هي المعاناة اليومية لنماذج "الرؤية واللغة" (VLMs) الحديثة — وهي برامج حاسوبية ذكية جداً يمكنها رؤية الفيديوهات والإجابة عن أسئلة حولها. قد يحتوي الفيديو الطويل النموذجي على عشرات الآلاف من الإطارات (الصور الفردية)، لكن "عقل" الحاسوب لا يمكنه استيعاب سوى حفنة صغيرة منها في ذاكرته في المرة الواحدة.

لحل هذه المشكلة، جرب العلماء حيلتين رئيسيتين. الأولى تشبه أميناً للمكتبة يلتقط كتاباً من كل رف عاشر، بغض النظر عن السؤال المطروح. إنها سريعة، لكنها غالباً ما تفقد الدليل الحاسم المختبئ على رف عشوائي. الحيلة الثانية تشبه توظيف محقق يقرأ صفحة، ويفكر بعمق، ثم يقرر أن هذه ليست كافية، فيقرأ صفحة أخرى، ويفكر مجدداً، ويكرر هذه العملية عشرات المرات. هذه الطريقة دقيقة للغاية ولكنها بطيئة ومكلفة جداً. السؤال الكبير في هذا المجال هو: هل يمكننا الحصول على دقة المحقق دون عملية التفكير البطيئة والمجهدة التي يقوم بها؟

يقدم هذا البحث طريقة جديدة تسمى EcoFrame تجيب بـ "نعم" عبر تعليم الحاسوب كيف يستمع إلى "مشاعره الداخلية". فبدلاً من توظيف محقق منفصل ليقرر ما الذي يجب النظر إليه، تسمح EcoFrame لنموذج الحاسوب الرئيسي باستخدام إشاراته الداخلية الخاصة لمعرفة متى اكتفى من المشاهدة وأين ينظر تالياً. وجد الباحثون أنه عندما يكون النموذج مرتبكاً، فإن "عدم اليقين" لديه (والذي يُقاس بـ الاعتلاج/الإنتروبي - Entropy) يرتفع، وعندما يعرف الإجابة، يصبح تركيزه (المقاس بـ الانتباه - Attention) حاداً. ومن خلال مراقبة هذه الإشارات، تستطيع EcoFrame التوقف مبكراً إذا كانت الإجابة واضحة، أو التكبير على أجزاء محددة من الفيديو إذا كان الأمر صعباً.

في اختباراتهم، أثبتت EcoFrame أنها كانت نقطة تحول. ففي اختبار شهير يسمى Video-MME، حققت متوسط دقة بلغ 64.4، متفوقة على أفضل طريقة تعتمد على الصلة السابقة وهي BOLT التي سجلت 63.5. والأكثر إثارة للإعجاب هو أنها كانت أسرع بمقدار 1.85 مرة من تلك الطرق. وعند مقارنتها بطرق "الوكلاء" (Agents) التي تشبه أسلوب المحقق البطيء والمجهد، كانت EcoFrame أسرع بمقدار يصل إلى 13.5 مرة مع الحصول على الإجابة الصحيحة بنفس القدر من التكرار. يشير البحث إلى أنه من خلال استخدام هذه الإشارات الداخلية، يمكننا جعل فهم الفيديو ذكياً وسريعاً دون الحاجة إلى قوة حوسبة إضافية مكلفة.

المشكلة: معضلة "الفيديو الزائد عن الحد"

تخيل فيديو طويلاً كنهر هائل ولا نهائي من الصور. إذا أردت أن تسأل الحاسوب: "ما هي التمارين التي يقوم بها الرجل في الصالة الرياضية؟" أو "ما المختلف في هذه الحيل الثلاث للعب بالورق؟"، فلا يمكن للحاسوب أن ينظر في كل قطرة ماء في ذلك النهر. لديه "نافذة سياق" محدودة، وهي تشبه دلواً صغيراً يحمله. إذا كان الدلو صغيراً جداً، فقد يفوت لحظة رفع الرجل للأوزان أو رؤية ورقة "الآس" (Ace of Spades).

تقليدياً، استخدمت الحواسيب العينات المنتظمة (Uniform Sampling). تخيل أنك تسير على طول نهر وتغرف كوباً من الماء كل 10 أمتار. الأمر بسيط وسريع، ولكن إذا حدث الجزء المثير بين غرفاتك، فستفقده تماماً. لا يهم إذا كان سؤالك سهلاً أم صعباً؛ فأنت تغرف دائماً نفس الكمية.

ثم جاءت طرق الصلة الثابتة (Static Relevance Methods). هذه الطرق أكثر ذكاءً؛ فهي تنظر إلى النهر بأك-مله أولاً، وتختار "أكثر أكواب الماء إثارة" بناءً على السؤال، وتأتي بها إلى الحاسوب. لكنها لا تزال جامدة؛ فهي تقرر كل شيء في خطوة واحدة. إذا كان السؤال صعباً للغاية ويحتاج إلى مزيد من الأدلة، فلا يمكنها العودة للحصول على المزيد. وإذا كان السؤال سهلاً، فإنها لا تزال تأتي بدلو كامل، مما يهدر الوقت.

أخيراً، هناك الطرق القائمة على الوكيل (Agent-Based Methods). هؤلاء هم المحققون. ينظرون إلى بضعة إطارات، ويسألون الحاسوب: "هل هذا كافٍ؟". إذا قال الحاسوب "لست متأكداً"، يعود الوكيل، ويجد إطارات جديدة، ويسأل مرة أخرى. هذه الطريقة دقيقة جداً لأنها تتكيف مع صعوبة السؤال. لكنها بطيئة بشكل مؤلم لأن الحاسوب يتعين عليه "التفكير" (الاستنتاج) عدة مرات، مثل طالب يعيد قراءة فصل من كتاب مدرسي مراراً وتكراراً.

الحل: نظام "الحدس" في EcoFrame

تساءل مؤلفو هذا البحث، كي لي وفريقه، سؤالاً بسيطاً: هل يمكن للحاسوب أن يخبرنا متى يكون مرتبكاً وأين ينظر، دون الحاجة إلى محقق منفصل يسأله؟

اكتشفوا أن الحاسوب يكشف بالفعل عن أسراره من خلال إشارتين داخليتين موجودتين بالفعل ومتاحتين مجاناً:

1. الاعتلاج الناتج (مقياس الارتباك - Output Entropy): عندما يولد الحاسوب إجابة، فإنه يحسب مدى تأكده. إذا كانت الإجابة واضحة، يكون الحاسوب واثقاً جداً، ويكون "الاعتلاج" لديه (وهو مقياس لعدم اليقين) منخفضاً. أما إذا كان يخمن، فإن الاعتلاج يكون مرتفعاً. تستخدم EcoFrame هذا كحارس بوابة؛ فإذا كان الاعتلاج منخفضاً، يقول الحاسوب: "أنا أعرف هذا! توقف عن البحث!" ويعطي الإجابة فوراً. وإذا كان الاعتلاج مرتفعاً، يقول: "أحتاج إلى مزيد من الأدلة"، ويطلب المزيد من الإطارات.
2. الانتباه على مستوى الإطار (المصباح - Frame-Level Attention): عندما ينظر الحاسوب إلى الفيديو، فإنه يولي اهتماماً لبعض الإطارات أكثر من غيرها. إذا كان يحدق بتركيز شديد في لحظة معينة (مثل يد لاعب الخفة)، فهذه علامة على أن الإجابة قريبة. تستخدم EcoFrame هذا "المصباح" لتقرير أين يبحث تالياً. إذا كان الانتباه مركزاً، فإنه يضيق نطاق البحث حول تلك المنطقة المحددة. وإذا كان الانتباه مشتتاً، فإنه يتوسع ليغطي مساحة أكبر.

كيف تعمل EcoFrame: رحلة البحث من "العام إلى الخاص"

تخيل أنك تبحث عن مفتاح مفقود في حديقة ضخمة.

• الخطوة 1: تبدأ بالنظر في بعض الأماكن المتباعدة (ميزانية منخفضة من الإطارات).
• الخطوة 2: تسأل صوتك الداخلي: "هل أرى المفتاح؟" (تحقق من الاعتلاج - Entropy).
  • إذا كنت تشعر بالثقة (اعتلاج منخفض)، تتوقف. لقد وجدته!
  • إذا كنت تشعر بالضياع (اعتلاج مرتفع)، فأنت بحاجة للبحث بجهد أكبر.
• الخطوة 3: تسأل: "أين يجب أن أنظر تالياً؟" (تحقق من الانتباه - Attention).
  • إذا كانت عيناك ملتصقتين بشجيرة معينة، فتبحث في تلك الشجيرة عن كثب (بحث محلي - Local Search).
  • إذا كانت عيناك تتجول في كل مكان، فتقرر فحص قسم جديد من الحديقة (بحث عالمي - Global Search).
• الخطوة 4: تختار أفضل الأماكن الجديدة للنظر إليها، وتجمع بين "الأماكن المثيرة للاهتمام" و"الأماكن التي لم تفحصها بعد" لتضمن عدم تفويت أي شيء.

تتكرر هذه الدورة، لكنها أسرع بكثير من طريقة المحقق لأن الحاسوب لا يحتاج للتوقف وكتابة تقرير عن سبب ارتباكه. هو فقط يستخدم الأرقام الخام من دماغه مباشرة.

النتائج: سريعة، ذكية، وفعالة

اختبر الفريق EcoFrame على ثلاثة اختبارات معيارية كبرى للإجابة على أسئلة الفيديو: Video-MME و LongVideoBench و MLVU. واستخدموا ثلاثة "أدمغة حاسوبية" مختلفة (نماذج VLM أساسية): LLaVA-OneVision و Qwen2.5-VL و InternVL-3.

كانت النتائج مبهرة:

• الدقة: في نموذج Qwen2.5-VL، حققت EcoFrame متوسط دقة بلغ 64.4. وهذا تفوق على أفضل طريقة تعتمد على الصلة السابقة، وهي BOLT التي سجلت 63.5.
• السرعة: كانت EcoFrame أسرع بمقدار 1.85 مرة من كل من AKS و BOLT.
• المقارنة مع المحققين: عند مقارنتها بالطريقة البطيئة القائمة على الوكيل والتي تسمى A.I.R.، كانت EcoFrame أسرع بما يصل إلى 13.5 مرة مع الحفاظ على دقة مماثلة.

كما أظهر البحث أن EcoFrame هي طريقة "خالية من التدريب" (training-free)، مما يعني أنها لا تحتاج إلى إعادة تدريب على بيانات جديدة لتعمل؛ بل تعمل ببساطة مع نماذج الحاسوب الموجودة.

لماذا يهم هذا؟

الخلاصة الرئيسية هي أننا لسنا بحاجة لبناء وكلاء "محققين" مكلفين وبطيئين لجعل فهم الفيديو ذكياً. من خلال الاستماع ببساطة إلى إشارات الارتباك والتركيز الخاصة بالحاسوب، يمكننا جعله يتكيف مع صعوبة السؤال أثناء العمل. هذا يعني أننا نستطيع الإجابة على الأسئلة المتعلقة بالفيديوهات الطويلة بشكل أسرع بكثير، مما يوفر الوقت وقوة الحوسبة، دون التضحية بالدقة. إنه تذكير بأنه في بعض الأحيان، أفضل طريقة لحل مشكلة هي الاستماع إلى الأداة التي تمتلكها بالفعل.