TerraAgent يتحقق من أن الذكاء الاصطناعي ينظر فعلاً إلى الصورة: الهلوسات تنخفض من 17,1% إلى 9,8%

حاول مطورو TerraAgent معالجة مشكلة لا تكشفها الدقة المعتادة: قد يجيب النموذج إجابة صحيحة عن سؤال حول صورة فضائية دون أن يستند إلى الصورة نفسها ولو مرة واحدة. يغلّف هذا الإطار (يُسمّى AVA في نص الورقة) نموذجاً متعدد الوسائط مجمّداً للاستشعار عن بُعد بثلاث وحدات، ولا يتطلب إعادة تدريب. على اختبارات RSVQA-LR وRSVQA-HR وVRSBench وLHRS-Bench ارتفع متوسط الدقة بحد أقصى 2,40 نقطة مقارنةً بأقوى الطرق الأساسية في ظروف مماثلة. وانخفضت نسبة الإجابات المبنية على المعرفة المسبقة وحدها من 46,2% إلى 21,7%، كما تراجعت نسبة الهلوسات من 17,1% إلى 9,8%.

دقة لا تثبت شيئاً

في RS-VQA تكون إجابات أسئلة من قبيل «هل يوجد مسطح مائي قرب الطريق» متوقعة في كثير من الأحيان. يعرف النموذج الشكل المعتاد للمدن والمناطق الريفية، فيخمّن اعتماداً على الإحصاءات. ويحتسب مقياس accuracy هذا الحظ نجاحاً. ويحدد المؤلفون ثلاثة مصادر للمشكلة. أولها أن أمثلة التعلّم في السياق (in-context) المختارة من مصادر مختلفة لا تتطابق جيداً من حيث الدقة المكانية (GSD) ونوع المستشعر والنسيج الحضري. وثانيها أن الاستفسارات الواقعية تستدعي سياقاً بصرياً طويلاً: مربعات (tiles) بمقاييس مختلفة، ولقطات في أوقات متباعدة، وبيانات مرجعية مسترجعة. تتشتت الأدلة داخل هذا السياق، وتتراكم الأخطاء على امتداد سلسلة الاستدلال. وثالثها أن المقاييس القياسية لا ترصد ببساطة أي إجابة لا تستند إلى الصورة.

ثلاث وحدات حول نموذج واحد

تتولى وحدة GDR اختيار الأمثلة التوضيحية. فهي تجمّع المرشحين بحسب GSD، وتبحث عنهم عبر رسوم المشاهد البيانية (scene graphs)، وتستبعد الأمثلة التي لا تؤيدها صورها الخاصة. وهكذا لا يعود المثال السيئ يمنح النموذج مرجعاً خاطئاً.

تقسّم وحدة MACE الاستفسار إلى رسم بياني موجّه غير دوري (DAG) من الأسئلة الفرعية، ويُحدَّد لكل سؤال منها نوع الأدلة المطلوبة. وتُرسل الأسئلة الفرعية إلى أدوات الإدراك المناسبة. وتُسجَّل النتائج التي جرى التحقق منها، مع بيان مصدرها، في سجل أدلة مشترك، بينما يظل عدد محاولات إعادة الإدراك محدوداً. بهذا يتحول السياق الطويل إلى سلسلة خطوات قصيرة يمكن التحقق منها.

تعمل وحدة CVA بوصفها مدققاً. فهي تأخذ الأدلة التي استندت إليها الإجابة النهائية وتُحدث فيها اضطراباً بحذفها أو استبدالها. فإذا لم تتغير الإجابة، فهذا يعني أنها لا تقوم على الصورة. ومن ذلك تُحتسب درجة الاعتماد البصري، وتُستخدم لمعايرة الثقة ولإطلاق استعلام ثانٍ يُلزم النموذج بالرجوع إلى الأدلة.

ما الذي أظهرته القياسات

• متوسط الدقة: حتى +2,40 نقطة مقارنةً بأقوى الطرق الأساسية في الظروف نفسها.
• Visual-dependency score: من 0,28 إلى 0,49.
• نسبة إجابات prior-only: من 46,2% إلى 21,7%.
• نسبة الهلوسات: من 17,1% إلى 9,8%.
• الكلفة: 2,6x من مرور واحد للنموذج الأساسي.
• التدريب: غير مطلوب، إذ يبقى نموذج MLLM الأساسي مجمّداً.

مكسب الدقة متواضع. أما النتيجة الرئيسية فهي في مكان آخر: انخفضت الإجابات التي يقدمها النموذج دون النظر إلى الصورة إلى ما يقارب النصف.

أين يفيد هذا وما الذي ينبغي اختباره

أوضح السيناريوهات هي مراقبة البنية التحتية، وتقدير الأضرار بعد الفيضانات والحرائق، والزراعة، والتخطيط العمراني. في هذه المجالات قد تكون الإجابة «بحكم العادة» مكلفة، ويمنح سجل الأدلة ودرجة الاعتماد البصري أساساً للتدقيق. ويمكن نقل هذا النهج إلى نماذج مجمّدة أخرى إذا لزم التحقق من الاستناد إلى الصورة دون إعادة تدريب.

وهناك قيود أيضاً. فقد جاءت النتائج من أربعة اختبارات أكاديمية، لا من بيانات إنتاجية مغلقة. وتبدو كلفة 2,6 مرور ملحوظة عند المعالجة الجماعية للصور. كما أن التحقق الافتراضي المضاد لا يفيد إلا بقدر دقة تحديد النموذج للأدلة التي استند إليها. وقبل الاعتماد العملي ينبغي قياس visual-dependency على البيانات الخاصة، ومقارنة المكسب في الموثوقية بزيادة زمن الاستجابة والكلفة.