CogAlign يعلّم Qwen3-VL-4B اختيار العنصر الغريب كما يفعل البشر: من 53% إلى 57% في نسبة التطابق
تتعرّف الشبكة العصبية على مصيدة الفئران وعلبة الكبريت وخنزير الأرض، لكنها لا تختار العنصر «الغريب» كما يختاره الإنسان. فعند الإجابة المباشرة تطابقت Qwen3-VL مع البشر في 37–41% من الحالات، مقابل 33% للتخمين العشوائي. يعلّم أسلوب CogAlign النموذج السمات التي يعتمد عليها البشر في اختيارهم (66 بُعداً دلالياً مستخلصاً من 4,7 مليون إجابة)، وقد رفع نسبة التطابق لدى Qwen3-VL-4B من 53,37% إلى 56,81%. أما إدراج قائمة السمات نفسها في الـprompt فلم يفد: المطلوب أمثلة مرفقة بشرح.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
اعرض على شخص مصيدة فئران وعلبة كبريت وخنزير الأرض، وسيحدد خلال ثوانٍ أن خنزير الأرض هو العنصر الغريب: فالشيئان الأولان من صنع الإنسان، أما الثالث فكائن حي. النموذج العصبي متعدد الوسائط، أي النموذج الذي يعمل مع الصور والنصوص معاً، يتعرّف على الأشياء الثلاثة، لكنه قد يختار العنصر الغريب استناداً إلى سمة مختلفة تماماً. في اختبار أجراه الباحثون، لم تتطابق نماذج عائلة Qwen3-VL مع اختيار البشر عند الإجابة المباشرة إلا في 37–41% من الحالات، في حين يمنح التخمين العشوائي في مهمة ذات ثلاثة خيارات 33,3%.
أما أسلوب CogAlign موضوع الدراسة فيُكمل تدريب النموذج على السمات التي يعتمد عليها البشر في اختيارهم. ونتيجة لذلك ارتفعت نسبة التطابق مع البشر لدى Qwen3-VL-4B من 53,37% (مع سلسلة الاستدلال المعتادة) إلى 56,81%. وهذه إشارة للمطورين: إذا كان منتجك يصنّف السلع أو يراجع الصور أو يبحث عن المتشابه، فالنموذج الذي «يرى» العالم بطريقة مختلفة عن المستخدم سيخطئ في مواضع يبدو فيها الصواب بديهياً للإنسان.
لماذا لا تحل الضبطات المعتادة المشكلة
عادةً تُجرى «مواءمة» (alignment) النماذج بأسلوب RLHF، حيث يقيّم البشر الإجابات ثم يُدرَّب على هذه التقييمات نموذج مكافأة منفصل، أو بأسلوب DPO، حيث يتعلم النموذج مباشرة من أزواج تضم إجابة جيدة وأخرى مرفوضة. ينجح ذلك في تخليص الروبوت من الفظاظة وتعويده على تنسيق مرتب. لكن تطابق الإجابة النهائية مع الإجابة البشرية لا يكشف شيئاً عن الطريق الذي أوصل إليها. فقد يكون النموذج لاحظ أن الشيئين مصنوعان من المعدن. وقد يكون خمّن فحسب، لأن الصور المتشابهة تكررت في بيانات التدريب ضمن سياق معين. ويقترح مؤلفو الدراسة Aligning MLLMs with the Latent Structure of Human Cognition أن يتعلم النموذج لا الإجابة وحدها، بل أساس الاختيار أيضاً.
من أين جاءت الأبعاد الـ66
يقوم العمل على مشروع THINGS: 1854 مفهوماً لأشياء حقيقية، وتجربة واسعة بصيغة «الثالث الغريب». عُرضت على المشاركين ثلاث صور وطُلب منهم اختيار الصورة الأقل شبهاً بالاثنتين الأخريين. وبلغ عدد الأحكام البشرية المجمّعة نحو 4,7 مليون. وضعت خوارزمية SPoSE الأشياء في فضاء متعدد الأبعاد واستخلصت 66 بُعداً مفهوماً للإنسان: الطعام، الحيوانات، المنسوجات، الإلكترونيات، المواصلات، النباتات، الأشياء المستديرة، الأشياء الزغبية والناعمة، الأسلحة والخطر، الطب. تحصل مصيدة الفئران على درجة عالية في بُعد «معدني أو صناعي»، بينما يحصل خنزير الأرض على درجة عالية في بُعد «حيوان». وهذه ليست 66 مفتاحاً في الدماغ، بل نموذج رياضي بُني على إجابات البشر.
كيف يجري التدريب
يعمل CogAlign على ثلاث مراحل. أولاً، لكل ثلاثية صور يحذف أسلوب Jackknife بُعداً واحداً في كل مرة ويرصد كيف يتغير احتمال أن يكون الزوج المتبقي هو الأكثر تشابهاً. ويصبح البُعد صاحب التأثير الأقوى السمةَ الرئيسية، مثل «من صنع الإنسان». ثانياً، يحوّل LLM عادي هذه السمة إلى شرح متماسك؛ وهو لا يبحث عن الإجابة الصحيحة، بل يتلقى معياراً جاهزاً. وأخيراً، يُستكمل تدريب النموذج متعدد الوسائط على الأمثلة الجاهزة (SFT). ضمّت المجموعة 309 329 أمثلة: نحو 80 ألف مهمة معرفية من THINGS، والباقي مهام للتعرف على الصور وسرد القصص وإيجاد الاختلافات وغيرها، كي لا يتحول النموذج إلى متخصص ضيق في اختيار العنصر الغريب.
النتائج والمزالق
جرى الاختبار على 453 642 ثلاثية صور. بلغ التطابق لدى Qwen3-VL-4B نسبة 41,48% عند الإجابة المباشرة، و53,37% مع سلسلة الاستدلال المعتادة، و56,81% بعد CogAlign. وكانت الأرقام لنموذج 8B: 40,46% و52,28% و56,99%. أما لنموذج 30B-A3B القائم على بنية Mixture of Experts فكانت: 37,09% و55,38% و56,21%. وحقق Centaur، النموذج المتخصص بحجم 70 مليار معامل والمدرَّب على بيانات السلوك البشري، نسبة 51,96%، وتفوقت عليه النماذج الثلاثة من Qwen3-VL بعد CogAlign. وعلى عينة من نحو 75,6 ألف مهمة، تحسّن Qwen2.5-VL-7B من 56,63% إلى 59,29%، وGemma3-12B من 55,77% إلى 57,28%.
وأكثر النتائج عملية تخص الـprompts. فإذا أُدرجت الأبعاد الـ66 كلها في system prompt، يحقق Qwen3-VL-4B نسبة 52,70% مقابل 53,37% مع سلسلة الاستدلال المعتادة. وعند الاستدلال عبر بُعد واحد مختار تنخفض الدقة إلى 49,01%. وكثيراً ما دخلت النماذج في حلقة مفرغة: تعدّد أن خنزير الأرض ليس معدنياً ولا صناعياً ولا مسطحاً ولا أخضر، حتى تنفد الـtokens. كل حقيقة منها صحيحة، لكنها بالكاد تمت للمهمة بصلة. وإذا استُبدلت الشروح الكاملة بملصقات قصيرة للأبعاد، تهبط النتيجة إلى 42,81%.
ولا يوجد مكسب شامل. ففي MMMU تحسنت نتائج الإصدارات الثلاثة من Qwen3-VL، أما في MMBench فتراجعت دقة نموذج 4B من 82,96% إلى 81,39%. إضافة إلى ذلك، تتضمن الأبعاد الـ66 سمات نمطية مرتبطة بالأنوثة وأخرى بالذكورة، لذا ينبغي فحص هذه البيانات قبل استخدامها.
والخلاصة للفرق التي تضبط النماذج متعددة الوسائط: إذا أردتم أن يختار النموذج «كما يفعل الإنسان»، فقد لا تفيد قائمة قواعد طويلة في الـprompt، بل قد تضر. والأجدى إكمال التدريب على أمثلة يُرفق بكل إجابة فيها شرح، وخلطها بمهام عادية للحفاظ على المهارات العامة.
- 9 أكتوبر 2026وكلاء Qwen3.6-27B وQwen3-4B لا يلتزمون بميزانية الوقت دون تلميحات من harness
- 28 أكتوبر 2026Qwen 3.8 وجّهت طلبات إلى وكيل (proxy) تابع لـ Alibaba Cloud: إخفاقات تصل إلى 4% في الاختبارات
- 6 نوفمبر 2026GPT-6 Astra ترفع دقة Qwen3.5-0.8B على MATH-500 من 7,9% إلى 48,1% بتعديل 0,016% من الأوزان
- 27 أكتوبر 2026WebAnything ينسخ 244 موقعًا تلقائيًا لتدريب وكلاء الويب
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول لماذا لا تحل الضبطات المعتادة المشكلة؟
عادةً تُجرى «مواءمة» (alignment) النماذج بأسلوب RLHF، حيث يقيّم البشر الإجابات ثم يُدرَّب على هذه التقييمات نموذج مكافأة منفصل، أو بأسلوب DPO، حيث يتعلم النموذج مباشرة من أزواج تضم إجابة جيدة وأخرى مرفوضة. ينجح ذلك في تخليص الروبوت من الفظاظة وتعويده على تنسيق مرتب. لكن تطابق الإجابة النهائية مع الإجابة البشرية لا يكشف شيئاً عن الطريق الذي أوصل إليها. فقد يكون النموذج لاحظ أن الشيئين مصنوعان من المعدن. وقد يكون خمّن فحسب، لأن الصور المتشابهة تكررت في بيانات التدريب ضمن سياق معين.
ما أبرز التفاصيل حول من أين جاءت الأبعاد الـ66؟
يقوم العمل على مشروع THINGS: 1854 مفهوماً لأشياء حقيقية، وتجربة واسعة بصيغة «الثالث الغريب». عُرضت على المشاركين ثلاث صور وطُلب منهم اختيار الصورة الأقل شبهاً بالاثنتين الأخريين. وبلغ عدد الأحكام البشرية المجمّعة نحو 4,7 مليون. وضعت خوارزمية SPoSE الأشياء في فضاء متعدد الأبعاد واستخلصت 66 بُعداً مفهوماً للإنسان: الطعام، الحيوانات، المنسوجات، الإلكترونيات، المواصلات، النباتات، الأشياء المستديرة، الأشياء الزغبية والناعمة، الأسلحة والخطر، الطب.
ما أبرز التفاصيل حول كيف يجري التدريب؟
يعمل CogAlign على ثلاث مراحل. أولاً، لكل ثلاثية صور يحذف أسلوب Jackknife بُعداً واحداً في كل مرة ويرصد كيف يتغير احتمال أن يكون الزوج المتبقي هو الأكثر تشابهاً. ويصبح البُعد صاحب التأثير الأقوى السمةَ الرئيسية، مثل «من صنع الإنسان». ثانياً، يحوّل LLM عادي هذه السمة إلى شرح متماسك؛ وهو لا يبحث عن الإجابة الصحيحة، بل يتلقى معياراً جاهزاً. وأخيراً، يُستكمل تدريب النموذج متعدد الوسائط على الأمثلة الجاهزة (SFT).
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.