اختبار معياري جديد يكشف: نماذج الرؤية بالذكاء الاصطناعي تنخدع بمشاهد مضلِّلة

إناء ماء على موقد يبدو أنه يغلي، لكنه في الحقيقة بارد تماماً. انعكاس في مرآة يظنه النموذج جسماً حقيقياً. هذه أمثلة على مواقف تكشف ورقة بحثية جديدة أنها تُربك بانتظام نماذج اللغة الكبيرة متعددة الوسائط (Multimodal Large Language Models) المستخدمة اليوم.

الورقة، التي نُشرت على منصة arXiv في 23 أغسطس 2026، تُطلق على هذا النمط من الأخطاء اسم "الأوهام الظرفية": حالات يختلف فيها المظهر الخارجي لمشهد واقعي عن حالته الفيزيائية الفعلية. فحين يعتمد النموذج على المظهر السطحي وحده، بدل الفيزياء الكامنة أو السياق المحيط، يخطئ في الإجابة حتى لو بدت الصورة واضحة تماماً لعين الإنسان.

لدراسة المشكلة بشكل منهجي، بنى الباحثون تصنيفاً يقوم على ثلاثة أسئلة: أين تحدث هذه الأوهام داخل المشهد، وما الأهداف المحددة التي تشوّهها، وكيف تنشأ من الناحية الآلية. إلى جانب هذا التصنيف، قدّم الفريق "إم إس آي بنش" (MSIBench)، وهو اختبار معياري صُمم خصيصاً لقياس قدرة النماذج على التمييز والفهم والاستدلال في ظل هذه الظروف المضلِّلة.

ضعف واسع الانتشار بين النماذج

نطاق الاختبار لافت بحد ذاته: خضعت 27 نسخة مختلفة من النماذج للتقييم على هذا المعيار. والنتائج تشير إلى ضعف بنيوي متكرر، لا إلى حالة استثنائية معزولة.

جميع النسخ الـ27 دون استثناء أظهرت ضعفاً شديداً أمام الأوهام الظرفية، وصنّف الباحثون الأخطاء ضمن ستة أنماط إخفاق متكررة، تمتد من طريقة رصد النموذج للتفاصيل البصرية، إلى ربطها بالسياق الواقعي، وصولاً إلى الاستدلال حول ما يراه فعلاً. هذا الاتساع يوحي بأن المشكلة أعمق من بنية واحدة أو وصفة تدريب بعينها، إذ تشمل الأنظمة المغلقة والمفتوحة المصدر على حد سواء.

حلّان مقترحان وسقف واحد

لم تتوقف الورقة عند التشخيص. فهي تقترح استراتيجيتين للمعالجة، بحسب ما يمكن فعلياً تعديله في كل نموذج: تعديلات على صياغة الموجّه (Prompt) للنماذج المغلقة المصدر التي لا يمكن إعادة تدريبها، والضبط الدقيق الخاضع للإشراف للنماذج المفتوحة المصدر التي تتيح الوصول إلى أوزانها.

حين طُبّقت هاتان الطريقتان على الأنظمة المختبَرة، رفعتا الأداء بنسبة وصلت إلى 20%، وهي قفزة معتبرة بالنظر إلى الضعف شبه الشامل في النتائج الأولية. لكن أياً من الطريقتين لم يُنهِ أنماط الإخفاق كلياً، ما يشير إلى أن الأوهام الظرفية قيد بنيوي في مسارات الاستدلال البصري الحالية، لا مجرد خلل تحله رقعة برمجية واحدة.

جميع النسخ الـ27 من النماذج المختبرة أظهرت ضعفاً شديداً أمام الأوهام الظرفية

بالنسبة للفرق التي تنشر هذه النماذج في بيئات تعتمد على الحالة الفيزيائية الفعلية، كالتفتيش على السلامة، أو إدراك الروبوتات لمحيطها، أو أي مهمة قد يتباعد فيها "المظهر" عن "الحقيقة"، تُذكّر هذه النتائج بأن المعقولية البصرية ليست دقة فيزيائية. ومع "إم إس آي بنش"، بات لدى الباحثين مقياس موحد لرصد هذه الفجوة ومتابعة التقدم في سدّها.