في عالم الموضة، لم يكن التحدي دائمًا يتعلق بمجرد العثور على قطعة واحدة تبدو جيدة؛ بل يتعلق بتجميع مظهر كامل حيث تنتمي كل قطعة إلى الأخرى. لعقود من الزمن، حاول علماء الكمبيوتر تعليم الآلات فهم هذا الحس في الأناقة، وهي مهمة تُعرف باسم توليد الصور المتكاملة. الهدف بسيط من الناحية النظرية: أظهر للكمبيوتر قميصًا، واجعله يبتكر بنطالًا يتناسب معه تمامًا. اعتمدت المحاولات المبكرة على قواعد جامدة أو قوالب بسيطة، تطلب من الآلة إنتاج "صورة لبنطال جينز" دون وجود مساحة كبيرة للتنوع. ومع ذلك، فإن البشر الحقيقيين لا يتحدثون بقوالب جامدة. فعندما يبحث المتسوق عن طقم ملابس، قد يطلب "سروال رياضي واسع بخصر مطاطي" أو ببساطة "جينز"، اعتمادًا على مدى تحديد رؤيته في تلك اللحظة. هذه الفجوة بين كيفية تعبير البشر عن رغباتهم وكيفية تدريب الآلات على الاستماع إليهم تركت مساعدي الموضة الرقميين يعانون في التقاط القصد الحقيقي وراء الطلب.

لقد نجح فريق من الباحثين من إيطاليا والنمسا الآن في جسر هذه الفجوة من خلال تعليم نظام جديد فهم التعليمات ذات الصيغة الحرة. فبدلاً من إجبار المستخدمين على حصر رغباتهم في صندوق محدد مسبقًا، ابتكر الباحثون طريقة تمكن الكمبيوتر من أخذ صورة "بذرة" لقطعة ملابس وجملة باللغة الطبيعية، مهما كانت مفصلة أو غامضة، وتوليد قطعة متطابقة. وقد اختبروا ذلك من خلال إثراء ثلاثة مجموعات بيانات موجودة للموضة بآلاف التعليمات الجديدة، التي تراوحت بين الإشارات البسيطة مثل "شورت رياضي" إلى الأوصاف المفصلة للغاية التي تحدد القماش واللون والقصة. والنتيجة هي نظام يسمى "StyleFlow"، الذي لا يكتفي بتخمين كيف قد تبدو القطعة المطابقة، بل يستمع بالفعل إلى الكلمات المحددة المستخدمة لوصفها. وفي تجاربهم، وجد الباحثون أنه كلما كانت اللغة المقدمة أكثر تحديدًا، زادت قدرة الكمبيوتر على مواءمة ابتكاره مع رؤية المستخدم، مما ينتج قطع ملابس ليست متوافقة من حيث الأسلوب مع القطعة الأصلية فحسب، بل وأيضًا وفية للوصف المكتوب.

بدأ الباحثون بمعالجة قصور جوهري في الأعمال السابقة: معظم الأنظمة تم تدريبها واختبارها باستخدام قوالب ثابتة، مثل "صورة لـ [الفئة]". فشل هذا النهج في عكس كيفية تسوق الناس فعليًا، حيث تختلف الاستعلامات بشكل هائل في التفاصيل. ولإصلاح ذلك، طور الفريق عملية مكونة من خطوتين لتوليد تعليمات واقعية وذات صيغة حرة لاختباراتهم. أولاً، استخدموا نموذجًا لغويًا بصريًا لتحليل صور الملابس وكتابة تسميات توضيحية مهيكلة تصف السمات مثل اللون والمادة والقصة. بعد ذلك، طلبوا من النموذج نفسه إعادة كتابة تلك التسميات إلى جمل تبدو طبيعية بثلاثة مستويات مختلفة من التفصيل. قدم المستوى الأول الفئة الأساسية فقط، وأضاف الثاني اللون والأسلوب العام، بينما تضمن الثالث تفاصيل محددة حول الملاءمة والقماش. ثم قام مقيمون بشريون بمراجعة هذه الآلاف من التعليمات المولدة لضمان كونها واضحة، وسلسة، وتصف المحتوى المرئي بدقة. وقد خلق هذا بيئة محكومة حيث يمكن للباحثين اختبار مدى قدرة الكمبيوتر على التعامل مع كل شيء، بدءًا من التلميح الغامض وصولاً إلى الأمر الدقيق.

ولوضع هذه التعليمات قيد الاختبار، بنى الباحثون "StyleFlow"، وهو نوع جديد من النماذج التوليدية القائم على تقنية تسمى "مطابقة التدفق المصحح" (Rectified Flow Matching). وخلافًا للأنظمة القديمة التي غالبًا ما تتطلب وحدات منفصلة ومعقدة للتعامل مع الصور والنصوص، يدمج "StyleFlow" كلا المدخلين في هيكل موحد واحد. فهو يأخذ صورة قطعة الملابس "البذرة" وتعليمات النص ويعالجهما معًا لتوليد صورة جديدة. وقد درب الباحثون هذا النموذج على ثلاث مجموعات بيانات كبيرة تحتوي على عشرات الآلاف من أزواج (العلوي والسفلي) المتوافقة، مما ضمن أن القطع المستخدمة في الاختبار لم يسبق رؤيتها أثناء التدريب. هذا الإعداد أجبر النظام على تعلم المبادئ الأساسية للأسلوب والتوافق بدلاً من مجرد حفظ أزواج محددة. وعندما كان النظام يولد قطعة ملابس جديدة، لم يتم تقييمه بناءً على مدى واقعية الصورة فحسب، بل أيضًا على مدى مطابقتها لتعليمات النص ومدى تشابهها مع القطع الفعلية الموجودة في كتالوج ملابس حقيقي.

أظهرت النتائج نمطًا واضحًا ومتسقًا: كانت خصوصية اللغة تؤثر بشكل مباشر على جودة النتيجة. فعندما تلقى النظام تعليمات عالية التفصيل، أنتج قطع ملابس كانت أكثر توافقًا بشكل كبير مع التصميم المنشود والقطعة الأصلية. على سبيل المثال، في إحدى مجموعات البيانات، أدى الانتقال من مطالبة منخفضة التفاصيل إلى أخرى عالية التفصيل إلى تحسين قدرة النظام على مطابقة القطعة المولدة مع منتجات الكتالوج الحقيقية من حوالي 38 بالمائة إلى ما يقرب من 69 بالمائة. كما أدى النظام أيضًا إلى أداء أفضل في المقاييس القياسية لجودة الصورة، حيث بدت القطع المولدة أكثر واقعية وأقل ضبابية عند إعطائها نصًا أكثر وصفًا. في المقابل، عندما كانت التعليمات غامضة أو مفقودة تمامًا، انخفض أداء النظام بشكل حاد، منتجًا قطعًا أقل توافقًا ويصعب تمييزها عن الضجيج العشوائي. وقد أكد هذا أن النظام يعتمد بشدة على النص لتوجيه عمليته الإبداعية، مستخدمًا صورة البذرة بشكل أساسي للحفاظ على التناغم الأسلوبي.

قام المقيمون البشريون بمزيد من التحقق من هذه النتائج من خلال مقارنة النظام الجديد بعدة نماذج راسخة. وفي دراسة عمياء، قام المشاركون بتقييم الجودة البصرية، وتوافق الأسلوب، وأصالة الصور المولدة. تفوق النظام الجديد باستمرار على منافسيه، منتجًا قطعًا تبدو أكثر واقعية ومن المرجح أن يتم الخلط بينها وبين صور الكتالوج الحقيقية. وقد حكم المشاركون على ابتكارات النظام بأنها تقترب من أصالة الصور الفوتوغرافية الحقيقية، مع معدل كشف "الزيف" بنحو 28 بالمائة فقط، مقارنة بمعدلات أعلى بكثير للنماذج الأقدم. كما برع النظام في اتباع نية المستخدم؛ فعندما طُلب منه ميزات محددة مثل "جيب بسحاب" أو "خصر مطاطي"، نجح في دمج تلك التفاصيل، بينما تجاهلتها النماذج الأخرى أو أنتجت نسخًا عامة من القطعة المطلوبة.

استكشفت الدراسة أيضًا ما يحدث عندما يُحرم النظام من مدخلاته. فعندما أزال الباحثون التعليمات النصية، انهار قدرة النظام على توليد عنصر ذي صلة، مما يثبت أن اللغة ليست مجرد إضافة ثانوية بل هي محرك أساسي لعملية التوليد. وبالمثل، عندما استُبدلت صورة البذرة بلوحة فارغة، عانى النظام في الحفاظ على التماسك الأسلوبي، خاصة عندما كانت التعليمات النصية غامضة. وقد أظهر هذا أن النظام يحتاج إلى السياق البصري لقطعة الملابس "البذرة" والتوجيه المحدد للنص ليعمل بفعالية. وأشار الباحثون إلى أنه بينما يعمل النظام بشكل أفضل مع التعليمات التفصيلية، فإنه يظل قادرًا على إنتاج نتائج معقولة حتى مع الإشارات الدنيا، مما يشير إلى إمكانية استخدامه لاستكشاف أفكار التصميم عندما لا يكون المستخدم متأكدًا مما يريد بالضبط.

من خلال إعادة صياغة المشكلة من تمرين صارم لملء القوالب إلى مهمة مرنة قائمة على ربط اللغة، ينقل هذا العمل مجال توليد الموضة إلى كيفية تفاعل البشر فعليًا مع التكنولوجيا. لقد أظهر الباحثون أن الآلات يمكنها تعلم تفسير الطيف الكامل للغة البشرية، من أبسط تلميح إلى الوصف الأكثر تفصيلًا، وترجمتها إلى واقع مرئي يحترم الأسلوب الأصلي. وبينما يركز النظام الحالي على مطابقة القطع العلوية والسفلية، يقترح المؤلفون أن هذا النهج يمكن توسيعه في النهاية للتعامل مع تركيبات الملابس الأكثر تعقيدًا واستعلامات المستخدمين في العالم الحقيقي. وتخلص الدراسة إلى أن مفتاح الحصول على مساعدي موضة رقميين أفضل لا يكمن في بناء بنيات أكثر تعقيدًا، بل في تعليمهم الاستماع بعناية أكبر إلى الكلمات التي يستخدمها الناس لوصف ما يريدون ارتداءه.