VectraYX-Vision-1B: A Sub-2B Spanish/LATAM Cybersecurity Vision-Language Model with Structured Visual Reasoning and Native Tool Use

تخيل عالماً حيث تكون أجهزة الكمبيوتر مثل أمناء مكتبات أذكياء للغاية، قرأوا كل كتاب كُتب على الإطلاق، لكنهم لم يروا في الواقع صورة أو رسماً بيانياً أو شاشة قط. لفترة طويلة، استطاع هؤلاء الأمناء "المقتصرون على النصوص" الإجابة على أسئلة حول ما قد تحتويه صورة ما بناءً على الأوصاف، لكنهم لم يستطيعوا رؤية الصورة نفسها. ثم وصل نوع جديد من عقول الكمبيوتر يسمى "نموذج اللغة والرؤية" (VLM). فكر في هؤلاء كأمناء مكتبات فُتحت أعينهم أخيراً؛ يمكنهم النظر إلى صورة وقراءة النص الموجود داخلها، وربط ما يرونه بما يعرفونه. هذا أمر بالغ الأهمية في مجالات مثل الأمن السيبراني، حيث يقضي الخبراء أيامهم في التحديق في شاشات معقدة مليئة بالأكواد، وخرائط الشبكات، وتنبيهات الأمان. ومع ذلك، فإن معظم هذه "العيون الفائقة" ضخمة ومكلفة، ولا تتحدث سوى الإنجليزية، مما يجعلها عديمة الفائدة للفرق الصغيرة أو أولئك الذين يحتاجون إلى الحفاظ على بياناتهم خاصة تماماً ومعزولة عن الإنترنت.

يقدم هذا البحث نموذجاً جديداً صغيراً ومتخصصاً لعقل كمبيوتر يسمى VectraYX-Vision-1B. لقد تم تصميمه خصيصاً لخبراء الأمن السيبراني الناطقين باللغة الإسبانية الذين يحتاجون إلى تحليل شاشات الأمان دون إرسال بياناتهم إلى السحابة. قام الباحث ببناء هذا النموذج ليكون صغيراً بما يكفي ليعمل على جهاز كمبيوتر محمول عادي (أقل من ملياري معلمة/parameter)، بينما لا يزال قادراً على "التفكير بصوت عالٍ" عما يراه وحتى طلب المساعدة من أدوات خارجية. ولكن هنا تكمتم المفاجأة: المؤلف صريح للغاية بشأن عقبة رئيسية. فبينما يعد النموذج بارعاً في التحدث بالإسبانية واتباع التعليمات، إلا أنه يعاني حالياً من صعوبة في "فهم" الصور التي ينظر إليها بالفعل. الأمر يشبه طالباً يستطيع كتابة مقال مثالي باللغة الإسبانية، لكنه يستمر في التحديق في صفحة بيضاء عندما يُطلب منه وصف رسم توضيحي. لا يدعي البحث أنه قد أصلح هذا الأمر بعد؛ بل بدلاً من ذلك، أصدر مخطط الطالب، والأسئلة الاختبارية، ولغزاً محدداً حول كيفية توصيل دماغ الطالب، داعياً الآخرين للمساعدة في حل اللغز.

قصة العين الأمنية الصغيرة الناطقة بالإسبانية

المشكلة: النقاط العمياء في الأمن
محللو الأمن هم مثل المحققين الرقميين. يقضون أيامهم في النظر إلى شاشات مليئة بالأكواد، وحركة مرور الشبكة، وسجلات الأخطاء. أحياناً يحتاجون لمعرفة ما إذا كان جزء من البرمجيات هو فيروس، أو ما إذا كانت عملية فحص للشبكة تظهر خطراً خفياً. حتى الآن، كانت أدوات الذكاء الاصطناعي التي تساعدهم إما ضخمة جداً بحيث تتطلب الاتصال بالسحابة (مما يتطلب اتصالاً بالإنترنت، وهو أمر غير مقبول للبيانات السرية) أو أنها لا تتحدث الإسبانية بشكل جيد. كما أن "العيون الفائقة" الموجودة كانت عامة جداً؛ فقد كانت رائعة في وصف قطة أو غروب الشمس، لكنها سيئة جداً في قراءة شاشة أداة أمنية معقدة.

الحل: محقق مصمم خصيصاً
بنى المؤلف VectraYX-Vision-1B، وهو نموذج صُمم من الصفر لهذه الوظيفة المحددة.

• إنه صغير: بـ 1.04 مليار معلمة فقط، هو صغير بما يكفي ليتناسب مع كمبيوتر عادي، مما يسمح له بالعمل في بيئات "معزولة عن الإنترنت" (الأجهزة المفصولة فيزيائياً عن الإنترنت لأغراض أمنية).
• يتحدث الإسبانية: تم تدريبه خصيصاً ليفهم ويتحدث الإسبانية، مما يجعله متاحاً لفرق الأمن في أمريكا اللاتينية.
• يفكر بصوت عالٍ: قبل إعطاء إجابة، يستخدم النموذج رموزاً خاصة (مثل <thought>) لكتابة عملية تفكيره، تماماً كما قد يدون محقق بشري ملاحظات قبل حل قضية ما.
• يمكنه استخدام الأدوات: يمكنه حتى استدعاء أدوات خارجية (مثل ماسح ضوئي) للمساعدة في التحقيق، باستخدام رمز "استدعاء الأداة" الخاص.

العقبة الكبرى: المحقق "الأعمى"
هنا تصبح القصة واقعية. قام الباحث بتدريب هذا النموذج على حوالي 16 مليون رمز (مزيج من الصور الأمنية والنصوص). توقعوا أن يتعلم كيفية النظر إلى لقطة شاشة لأداة أمنية وشرح ما يحدث. وبدلاً من ذلك، وجدوا نتيجة مخيبة للآمال: النموذج يتجاهل الصور في الغالب.

عند اختباره على 50 لقطة شاشة أمنية مختلفة، استطاع النموذج تحديد الأداة المستخدمة بشكل صحيح في حوالي 8% فقط من الحالات (درجة 0.08). كان بإمكانه كتابة جمل إسبانية طليقة، ولكن إذا سألته عما يوجد في الصورة، فغالباً ما كان يخمن أو يهذي، متجاهلاً المحتوى البصري تماماً. يطلق المؤلف على هذا اسم "نتيجة سلبية"، وهي طريقة منمقة للقول: "لقد جربنا، ولم ينجح الأمر بعد، وإليكم بالضبط لماذا نعتقد أن ذلك حدث".

اللغز: خلل في التوصيلات
يتعمق البحث في لماذا حدث هذا. اكتشفوا أمرين رئيسيين:

1. عدم كفاية الممارسة: ببساطة، لم يرَ النموذج ما يكفي من الأمثلة للصور الأمنية ليتعلم كيفية ربط النقاط ببعضها. حجم التدريب الحالي منخفض للغاية.
2. خطأ برمجي خفي: في مرحلة مبكرة، تسبب خطأ برمجي في تحميل النموذج بأوزان عشوائية غير مدربة بدلاً من الدماغ الذكي الذي بنوه. جعل هذا الأمر يبدو وكأن النموذج قد "انهار" أو فشل تماماً، ولكن بمجرد إصلاح الخطأ، كان النموذج يعمل بالفعل - لكنه ليس جيداً بما يكفي في الرؤية بعد.

السؤال الكبير: لغز الـ "NoPE"
الجزء الأكثر إثارة في البحث ليس الفشل، بل اللغز الذي يتركه وراءه. يستخدم دماغ النموذج حيلة خاصة تسمى NoPE (عدم ترميز الموقع) في كل طبقة رابعة. تستخدم معظم نماذج الذكاء الاصطناعي نظاماً يخبرهم بترتيب الكلمات أو البكسلات (مثل "أولاً"، "ثانياً"، "ثالثاً"). تحاول تقنية NoPE تعلم الترتض ضمنياً.

يتساءل المؤلف: هل تساعد تقنية NoPE النموذج أم تضر به عندما ينظر إلى الصور؟

• الفرضية 1: ربما تكون NoPE رائعة لأن الصور (مثل شبكة من البكسلات) ليس لها ترتيب صارم من "اليسار إلى اليمين"، لذا فإن فرض ترتيب معين قد يربك النموذج.
• الفرضية 2: ربما تكون NoPE سيئة لأن النموذج تم تدريبه على النصوص (التي لها ترتيب صارم)، لذا يصاب بالارتباك عند النظر إلى شبكة مبعثرة من بكسلات الصورة.

يصدر البحث "الوصفة" و"الاختبار" لهذا اللغز، داعياً علماء آخرين لإجراء التجربة ومعرفة أي فرضية هي الصحيحة. لم يحلوا الأمر بعد، لكنهم قدموا للجميع الأدوات لمعرفة ذلك.

ما التالي؟
المؤلف واضح جداً: هذا ليس منتجاً نهائياً. النموذج وظيفي ويمكن تشغيله دون اتصال بالإنترنت، لكنه ليس جاهزاً ليحل محل المحلل البشري لأنه لا يستطيع "رؤية" الشاشة بشكل موثوق بعد. يخططون لتشغيل المزيد من التدريب مع المزيد من البيانات واستراتيجية تعلم مختلفة لإصلاح مشكلة الرؤية.

في غضض ذلك، لقد أطلقوا كل شيء: الكود، بيانات التدريب، الاختبارات المعيارية، والنموذج نفسه. إنهم يقولون فعلياً: "لقد بنينا محققاً أمنياً صغيراً وذكياً يتحدث الإسبانية، لكنه أعمى حالياً. إليكم المخطط، وأسئلة الاختبار، وسؤالاً محدداً حول كيفية توصيل دماغه. نأمل أن تساعدونا في تعليمه كيف يرى".

هذا النهج منعش لأنه يعطي الأولوية للصدق على الضجيج الإعلامي. بدلاً من الادعاء بأن النموذج مثالي، اعترفوا بالفشل، وشرحوا الأسباب التقنية، وحولوا المشكلة إلى تحدٍ مفتوح للمجتمع. إنه تذكير بأنه في العلم، معرفة ما لا يعمل لا يقل أهمية عن معرفة ما يعمل، خاصة عندما تحاول بناء أداة بالغة الأهمية للحفاظ على الأسرار الرقمية آمنة.