لماذا تفشل نماذج الرؤية الحاسوبية في التعميم؟ وكيف يمكن للرؤية المحلية أن تكون الحل

هناك عطل معروف في النماذج اللغوية الكبيرة (Large Language Models): ميلها إلى الاعتماد على حلول مختصرة (Shortcuts) بدلاً من تعلم استدلال قابل للتعميم. ورقة بحثية جديدة بعنوان "On Locality and Length Generalization in Visual Reasoning"، تم قبولها في مؤتمر ECCV 2026، تكشف أن هذا العطل ذاته موجود في نماذج الرؤية الحاسوبية (Vision Models)، وتربطه بطريقة معالجة هذه النماذج للمعلومات المكانية، مقترحة حلاً يقوم على تقييد كمية الصورة التي يُسمح للنموذج برؤيتها في اللحظة الواحدة.

الباحثون، الذين رفعوا العمل إلى منصة arXiv في 10 يوليو 2026، صمموا مهام بصرية مبسطة تتطلب تجميع معلومات محلية متناثرة عبر الصورة، كعدّ الأجسام، أو تتبع مناطق متصلة، أو دمج أدلة من عدة أجزاء صغيرة للوصول إلى استنتاج واحد. هذه المهام بسيطة بشكل مقصود، لكنها مصممة بعناية لتفصل بين القدرة الحقيقية على الاستدلال وبين مجرد حفظ أنماط مرتبطة بحجم مدخل ثابت.

حلول مختصرة عالمية، استدلال محلي

النتيجة الجوهرية للورقة هي أن نماذج الرؤية التي تتمتع بوصول غير مقيّد وشامل للصورة تميل إلى اكتشاف حلول مختصرة تنجح مع المدخلات بحجم التدريب، لكنها تنهار فور زيادة طول المهمة أو تعقيدها. هذا العطل مطابق وظيفياً لما وُثّق مطولاً في نماذج المحوّلات اللغوية (Transformer-based Language Models)، حيث تفشل الأنظمة المدرَّبة على تسلسلات قصيرة في الاستقراء (Extrapolation) نحو تسلسلات أطول، رغم أن منطق المهمة الأساسي لا يتغير. ما تضيفه هذه الورقة هو إثبات أن المشكلة ليست خاصية لغوية مرتبطة بتقسيم النص إلى وحدات (Tokenization)، بل خاصية أعمّ لدى النماذج المدرَّبة بوصول غير مقيّد للسياق (Context)، والتي تميل إلى التحسين وفق توزيع بيانات التدريب بدلاً من البنية الفعلية للمهمة.

الحل المقترح هنا معماري (Architectural) بالأساس، لا مجرد معالجة إضافية للبيانات. فبتقييد النماذج على إدراك محلي صارم وتكراري (Recurrent Local Perception)، بمعنى أن تعالج الشبكة الصورة قطعة بقطعة وتُلزَم بدمج المعلومات بشكل تسلسلي بدلاً من الانتباه إلى المشهد كاملاً دفعة واحدة، رصد الباحثون تحسناً ملموساً في قدرة التعميم عندما تجاوزت المهام طول وتعقيد بيانات التدريب. الدلالة هنا مهمة: الانتباه المحلي (Local Attention) ليس مجرد حيلة حسابية لتوفير الكفاءة، بل قد يكون شرطاً بنيوياً للتعميم التركيبي (Compositional Generalization)، إذ يفرض على النموذج بناء الإجابة خطوة بخطوة عوض مطابقة الأنماط مع مدخل مكشوف بالكامل.

لماذا يهم هذا الأمر

لهذه النتيجة وزن عملي كبير لكل من يبني أنظمة رؤية يُتوقع منها التعامل مع مدخلات أكثر تعقيداً من تلك التي دُرّبت عليها، وهو سيناريو شائع في الروبوتات، وتحليل الصور الفضائية، والفحص الصناعي، حيث "توزيع بيانات التدريب" نادراً ما يغطي كل الحالات الحدّية في العالم الحقيقي. إذا كانت بنى الرؤية العالمية عرضة بشكل منهجي لتعلم الحلول المختصرة، فإن زيادة حجم البيانات وحدها قد لا تكفي لسدّ الفجوة في التعميم، وقد تصبح القرارات المعمارية المتعلقة بالمحلية والتكرارية لا تقل أهمية عن حجم مجموعة البيانات نفسها.

الورقة البحثية لا تذهب إلى حدّ القول بأن النماذج المحلية أفضل بشكل مطلق في كل مهام الرؤية؛ فالسياق العالمي (Global Context) يبقى مفيداً في مسائل كثيرة يكون الهدف فيها فهم المشهد ككل. لكنها ترسم خطاً أوضح لتحديد متى تصبح المحلية ضرورة لا اختياراً: تحديداً في المهام التي تتطلب تجميعاً تركيبياً للأدلة (Compositional Aggregation of Evidence)، حيث تكون القدرة على التعميم عبر الطول والتعقيد هي المقياس الحقيقي لما إذا كان النموذج قد تعلّم الاستدلال فعلاً أم لا.