VICO تدرّب نماذج VLM على صور قابلة لإعادة الكتابة: تحسّن يصل إلى +5,0% في مهام جديدة

قدّم فريق مؤلفي الورقة التمهيدية arXiv 2610.10782 إطار VICO، وهو مخطط لما بعد التدريب لنماذج الرؤية واللغة (vision-language)، يُدرَّب فيه «معيد كتابة» البيئة مع النموذج نفسه. على تسعة اختبارات مرجعية متعددة الوسائط في الاستدلال الرياضي والاستدلال المستند إلى المحتوى البصري، يتفوق VICO-8B على النموذج الأساسي بما يصل إلى +5,0% في المهام خارج النطاق. ويتقدم على أقوى خطوط الأساس ذاتية التطور بنسبة 4,3%، وعلى خطوط الأساس التي تعتمد تحرير المهام نصيًا بنسبة 8,4%. أما أمام طرق RLVR المتخصصة بالمخططات (chart)، فيبقى عند مستوى مقارب، لكنه يستخدم أمثلة موسومة أقل بمقدار 16–160 مرة.

المشكلة الأصلية مألوفة لكل من جرّب RLVR (التعلم المعزز على مكافآت قابلة للتحقق). مجموعة المهام ثابتة، بينما ينمو النموذج. تصبح بعض الأمثلة تافهة، وتبقى أخرى غير قابلة للحل، فتنهار إشارة التدريب المفيدة. العلاج التقليدي هو شراء مزيد من الوسوم أو جمع بيانات جديدة يدويًا. يقترح المؤلفون نهجًا مختلفًا: تغيير البيئة تبعًا للفاعل (actor).

كيف يعمل VICO

تضم الحلقة مكوّنين قابلين للتدريب. الأول هو الفاعل، أي نموذج VLM نفسه. والثاني هو Environment-as-Rewriter (EnvRewriter). لا يلمس هذا المكوّن البكسلات مباشرة، بل يعدّل البنى القابلة للتحقق التي تتشكل منها الصورة: رسوم المشاهد، وجداول البيانات خلف المخططات، وأقنعة المناطق المحمية. ثم تُعاد رسم الصورة من جديد.

بهذه الطريقة يبقى الجواب صالحًا بحكم البناء. فإذا تغيّرت قيمة في جدول المخطط، يُعاد حساب الجواب الصحيح من الجدول نفسه، دون حاجة إلى إنسان. وتُحسب مكافأة EnvRewriter بحسب نسبة الحلول الناجحة للفاعل (pass rate): يُكافأ المحرّر على المهام الواقعة عند حدود قدرات النموذج الحالية، أي التي ليست سهلة جدًا ولا ميؤوسًا منها. وهكذا تقترب الصعوبة باستمرار من مستوى الفاعل.

هذا ما يميّز VICO عن نهجين مجاورين يقارن المؤلفون أنفسهم بهما. فالطرق ذاتية التطور تطوّر النموذج على بياناته الخاصة. أما التطور المشترك عبر التحرير النصي فيغيّر الصياغات، في حين يعيد VICO بناء الجانب البصري من المهمة.

ماذا تُظهر الأرقام

يُعرف من الملخص ما يلي:

• 9 اختبارات مرجعية متعددة الوسائط: الاستدلال الرياضي والفهم المستند إلى المحتوى البصري؛
• VICO-8B أفضل من النموذج الأساسي بما يصل إلى +5,0% في مهام خارج النطاق (out-of-domain)؛
• +4,3% مقارنةً بأقوى خط أساس ذاتي التطور (self-evolution)؛
• +8,4% مقارنةً بخط الأساس ذي التطور المشترك النصي؛
• تكافؤ مع طرق RLVR المتخصصة بالمخططات، بعدد عيّنات موسومة أقل بمقدار 16–160 مرة؛
• لا يُستخدم وسم بشري إضافي في الحلقة.

التحفظات واضحة. فهذه ورقة تمهيدية لم يتحقق منها طرف مستقل، وعبارة «يصل إلى +5,0%» تعني الحد الأقصى عبر الاختبارات المرجعية، لا متوسط التحسّن. كما لم يذكر الملخص اسم النموذج الأساسي، ولم يقل شيئًا عن الكلفة الحسابية للتدريب المشترك لمكوّنين. ويبيّن تفاوت «16–160 مرة» أيضًا أن التوفير في الوسم يعتمد كثيرًا على المنافس المحدد.

ماذا يمكن أن تجرّب الفرق

الفكرة الرئيسية قابلة للنقل خارج حدود الورقة: إذا توفرت لديكم بيانات لها مصدر بنيوي أولي (جداول خلف المخططات، أو مشاهد، أو مخططات توضيحية، أو وسم للمناطق)، فيمكن بناء مولّد مهام عليها بأجوبة صحيحة مضمونة. عندها تحصلون على بيئة قابلة للتحكم بدلًا من مجموعة بيانات تُستخدم مرة واحدة.

يبدو الحد الأدنى العملي كما يلي. أولًا، قيسوا توزيع pass rate عبر أمثلة التدريب. فإذا تركّزت معظم المهام قرب 0 أو قرب 1، فهذا يعني أن RLVR الثابت بلغ سقفه. ثانيًا، اختاروا فئة ضيقة من البيانات ذات بنية قابلة للتحقق، مثل المخططات، واختبروا محرّرًا يُبقي الصعوبة داخل «نافذة العمل» للنجاحات. وأخيرًا، قيّموا النتيجة على مجموعات خارج النطاق (out-of-domain)، لأن المؤلفين سجّلوا المكسب الأساسي هناك.

والقيد واضح أيضًا. فالنهج يتطلب صورًا يمكن إعادة رسمها بأمانة انطلاقًا من البنية. أما الصور الفوتوغرافية العشوائية التي لا يتوفر لها رسم مشهد أو جدول، فهذا الطريق مغلق أمامها، ولا يتضح إلى أي حد يتوسع VICO إلى أنواع أخرى من المهام البصرية.