Apple LensVLM تضغط سياق الوكيل الطويل في صور وتعلّم النموذج «التكبير»

اقترحت Apple نظام LensVLM، وهو مخطط يُخزَّن فيه السياق المتراكم للوكيل في صورة مجموعة من الصور، بينما «يقرّب» نموذج الرؤية واللغة المقاطع المطلوبة أثناء العمل. وتستند الفكرة إلى DeepSeek-OCR، الذي حوّل النص إلى صور وحقق ضغطًا بنحو 10 أضعاف بدقة تعرّف بلغت نحو 97%. وتنقل Apple هذا المبدأ من التعرف على المستندات إلى مهام الوكلاء الطويلة، حيث ينمو السياق مع كل خطوة. ولا يتضمن الجزء المتاح من المادة أي اختبارات أداء خاصة بـ LensVLM، لذا فمن المبكر تقييم النتائج.

المشكلة: الملخص يمحو الأدلة

يجمع الوكيل الذي يعمل على مهمة لفترة طويلة كل شيء: مقاطع من الشيفرة، وردود الأدوات، وسجلات الأوامر، وتاريخ إجراءاته. وفي المقابل، تظل نافذة السياق محدودة، وترتفع التكلفة وزمن الاستجابة مع زيادة طول المدخلات. والحل المعتاد هو التلخيص، أي استبدال السجلات القديمة بخلاصة قصيرة.

لكن لهذا الأسلوب نقطة ضعف. فالسجل الذي بدا عديم القيمة في الخطوة 20 قد يصبح حاسمًا في الخطوة 80، سواء كان سطرًا من تتبّع الأخطاء أو قيمة معامل أو اسم ملف. وإذا لم يبقَ في الذاكرة سوى الخلاصة، فلا وسيلة لاسترجاع التفصيل المفقود. فالضغط هنا غير قابل للعكس.

كيف يعمل LensVLM

يغيّر LensVLM صيغة التخزين نفسها. فبدل إعادة كتابة التاريخ بصورة أقصر، يُحوَّل السياق إلى صور يبقى فيها النص الأصلي كاملًا. يرى النموذج أولًا تمثيلًا مضغوطًا للسياق كله، ثم يمكنه «توجيه العدسة» إلى منطقة محددة وفحصها بدقة أعلى. وهذا يشبه ما يفعله الإنسان حين يتصفح مستندًا طويلًا ثم يعود إلى الصفحة التي يحتاجها.

وبحسب وصف النهج، هذه هي العناصر الرئيسية:

• صيغة السياق: تُحوَّل الشيفرة ومخرجات الأدوات وسجلات التفاعل إلى صور.
• آلية الوصول: يختار النموذج منطقة ويكبّرها، بدل قراءة كل شيء بمستوى التفصيل نفسه.
• السيناريو المستهدف: مهام الوكلاء الطويلة التي ينمو فيها السياق باستمرار.
• العمل المرجعي: DeepSeek-OCR مع الضغط البصري للنص.
• لا تتضمن المادة المتاحة مقاييس دقة منشورة، ولا نسبة الضغط، ولا زمن الاستجابة.

الفرق الجوهري عن التلخيص هو قابلية العكس. فالتفاصيل لم تُحذف، بل عُرضت بدقة أقل ويمكن الوصول إليها عند الطلب.

ما الذي يبقى موضع تساؤل

للتخزين البصري للنص قيود معروفة. فالخط الصغير والشيفرة الكثيفة والجداول تصبح أصعب قراءةً عند الضغط الشديد، وقد يكلّف خطأ التعرف في معرّف أو رقم أكثر من فقدان جملة كاملة. كما تتطلب خطوة «التقريب» أن يفهم النموذج ما يحتاجه تحديدًا قبل أن يراه. وإذا أخطأ في اختيار المنطقة، فسيفوّت الوكيل السطر المطلوب كما كان سيفوّته بعد التلخيص.

وتبقى التكلفة مسألة منفصلة. فالرموز البصرية توفّر في طول المدخلات، لكن الاستدعاءات الإضافية للمقاطع المكبّرة تزيد عدد الطلبات وزمن الاستجابة. ويعتمد المكسب على عدد المرات التي يحتاج فيها الوكيل فعلًا إلى العودة إلى تفاصيل قديمة.

ما الذي يجب اختباره عمليًا

ينبغي للفرق التي تبني وكلاء طويلي العمر أن تنظر إلى LensVLM بوصفه فرضية تُختبر في بيئاتها، لا حلًا جاهزًا. وفيما يلي خطة معقولة:

• جمع مجموعة مهام تعتمد إجابتها على تفصيل من بداية الجلسة، ومقارنة التخزين البصري بالتلخيص وبالسياق الطويل المعتاد.
• قياس الأخطاء بصورة منفصلة في المعرّفات ومسارات الملفات والأرقام ومقاطع الشيفرة.
• احتساب التكلفة الإجمالية: الرموز وعدد الاستدعاءات الإضافية وزمن الاستجابة، وليس طول السياق الأصلي وحده.
• انتظار نشر الورقة البحثية والنتائج المفتوحة قبل تغيير بنية الذاكرة في بيئة الإنتاج.

إذا تأكد هذا النهج بقياسات مستقلة، فسيمنح الوكلاء ذاكرة يمكن استرجاع التفاصيل منها. أما الآن فهو لا يزال ادعاءً من Apple يحتاج إلى أرقام تدعمه.