النماذج اللغوية العامة الداعمة للرؤيةGLM-4.5V و GLM-4.1V-Thinking :الاستدلال متعدد الوسائط  باستخدام التعلّم المعزز القابل للتدرّج.

إعداد: م. حمادة حمادة، التّدقيق العلميّ: م. نادية عبد الجواد

1. ملخّص
2. المقدّمة
3. المعمارية
4. التدريب الأوليّ
5. بيانات التدريب المسبق
   • بيانات توصيف الصور
   • طريقة التدريب  المسبق متعدد الوسائط:
   • التدريب المستمر طويل السياق
6. الضبط الدقيق الخاضع للإشراف
   • تنسيق استخدام الأدوات
7. التعلم المعزز: التحديات وما ينجح عمليًا
   • إعداد البيانات
   • نظام المكافآت
   • منهجية التعلُّم بالتعزيز المعتمد على المنهج التدرّجي
8. التقييم
9. الخلاصة
10. المراجع

يستند هذا المقال إلى الورقة البحثية [1] التي تستعرض تطوير عائلة متقدمة من نماذج اللغة والرؤية متعددة الوسائط، والتي تشمل نماذج GLM-4.1V-Thinking وGLM-4.5V وGLM-4.6V، حيث تركّز الدراسة على تعزيز قدرات الفهم والاستدلال متعدد الوسائط. وتعتمد هذه النماذج على إطار تدريبي متطوّر قائم على التعلّم المعزّز القابل للتوسّع.

1.ملخّص

نقدّم النموذج اللغوي العام الإصدار 4.1 متعدد الرؤية – نمط التفكير General Language Model 4.1 Vision – Thinking -GLM-4.1V-Thinking، والنموذج اللغوي العام الإصدار 4.5 متعدد الرؤية GLM-4.5V

والنموذج اللغوي العام الإصدار 4.6 متعدد الرؤية GLM-4.6V، وهي عائلة من نماذج الرؤية–اللغة تهدف إلى تعزيز الفهم والاستدلال متعدد الوسائط. يعرض التقرير إطار تدريب يركّز على الاستدلال يبدأ بتدريب مسبق واسع النطاق لبناء نموذج أساس قوي، ثم يستخدم التعلُّم المعزز المعتمد على المنهج التدرّجي Reinforcement Learning with Curriculum Sampling – RLCS لاستخراج كامل قدرات النموذج.

أظهرالنموذج اللغوي العام الإصدار 4.5 متعدد الرؤية أداءً متقدّمًا في تقييم شامل على 42 معيارًا مرجعياً public benchmarks، متفوّقًا على معظم النماذج المفتوحة المصدر ومنافسًا لنماذج مغلقة مثل جيميناي الإصدار 2.5- فلاش Gemini-2.5-Flash في مهام صعبة كالبرمجة ووكلاء الواجهات. كما تفوّق النموذج الأصغر GLM-4.1V-9B-Thinking على نموذج أكبر منه نموذج اللغة-الرؤية كوين 2.5 ذو 72 مليار معامل (Qwen2.5-VL-72B) في 29 معيارًا.[1]

فيما يلي جدول (1) لتوضيح الفروقات بين النماذج

النموذج	الصنف	القدرة الرئيسية	الفرق الرئيسي (السياق)
GLM-4.1V-Thinking	نموذج التفكير متعدد الوسائط	الفهم البصري + التفكير خطوة بخطوة	ركزت على التفكير المنظم (وضع التفكير) عند تحليل الصور والنص معا
GLM-4.5V	النموذج متعدد الوسائط المتقدم	أداء أقوى للرؤية واللغة	تحسنت الدقة ومحاذاة متعددة الوسائط مقارنة بالإصدارات السابقة من GLM-4V
GLM-4.6V	أحدث نموذج متعدد الوسائط	الأداء والكفاءة المحسنة	سرعة وثبات ومنطق بصري أفضل مقارنة ب GLM-4.5V

الجدول(1)

2.مقدّمة

أصبحت نماذج الرؤية–اللغة (Vision-Language Models – VLMs) حجرَ أساسٍ مهمًا في الأنظمة الذكية الحديثة، إذ تمكّن من إدراك المعلومات البصرية وفهمها بما يتجاوز النصوص.
وخلال العقد الماضي، ومع الارتفاع الكبير في مستوى ذكاء النماذج [2]، ازدادت بالتوازي درجة تعقيد المهام الذكية متعددة الوسائط،فمن حل المشكلات العلمية [3] إلى تطوير الوكلاء الذاتيين.

أصبحت متطلبات نماذج الرؤية-اللغة تتجاوز بكثير مجرد إدراك المحتوى البصري [4]، مع تركيز متزايد على قدرات الاستدلال المتقدم. وقد أظهرت دراسات حديثة أن الاستدلال طويل السلسلة والتعلم التعزيزي القابل للتوسّع [5] يمكنهما تحسين قدرة نماذج اللغة الكبيرة بشكل ملحوظ على حل المشكلات المعقدة 

تركّز منهجية تطوير النماذج اللغوية العامة الداعمة للرؤية جي إل إم GLM-4.1V وGLM-4.5V وGLM-4.6V على تعزيز قدرات الاستدلال متعدد الوسائط عبر إطار تدريبي موحّد يعتمد على التعلّم المعزز القابل للتوسّع.

 يبدأ التدريب ببناء نموذج أساس قوي من خلال بيانات متعددة الوسائط غنية معرفيًا، تشمل أزواج صور–نص، ومستندات مشروحة، ومحتوى تعليمي. ثم يُجرى الضبط الدقيق باستخدام مجموعات بيانات متخصصة لتعليم النموذج أنماط استدلال منظمة عبر مهام متنوعة. وأخيرًا، يُطبّق إطار التعلُّم بالتعزيز المعتمد على المنهج التدرّجي الذي يجمع بين التعلم المتدرج واختيار العينات وفق مستوى الصعوبة، مما يحسّن كفاءة التدريب واستقراره ويؤدي إلى تطوير منهجي لقدرات الاستدلال عبر مجالات متعددة.

 وقد أظهرت التجارب أن جي إل إم GLM-4.5V يُحقِّق أداءً بمستوى أحدث ما توصَّل إليه العلم في هذا المجال  عبر  42 معيارًا مرجعياً علنيًا، متفوقًا باستمرار على نماذج مفتوحة قوية مثل نموذج اللغة- الرؤية كوين 2.5، ومنافسًا بل ومتفوقًا في بعض المهام على نماذج مغلقة المصدر مثل جيميناي 2.5 فلاش.

كما حقق النموذج تحسنًا يقارب  10% أو أكثر عبر طيف واسع من المهام (وفقاً للشكّل (1))، شملت:

• الفهم البصري العام.
• مسائل العلوم والتكنولوجيا والهندسة والرياضيات STEMستيم
• فهم الرسوم البيانية.
• تحليل المستندات الطويلة.
• الإسناد البصري (الربط الدلالي البصري).
• الاستدلال المكاني.
• وكلاء واجهات المستخدم.
• البرمجة متعددة الوسائط.
• فهم الفيديو.

يحقق النموذج اللغويّ العام 4.5 الداعم للرؤية الحاسوبية  GLM-4.5V توسّعًا فعّالًا في الأداء بالاعتماد على سلفه الأخف النموذج اللغوي العام الإصدار 4.1 متعدد الرؤية – بعدد 9 مليارات مُعامِل – بنمط التفكير GLM-4.1V-9B-Thinking، ويُظهر أداءً تنافسيًا مقارنةً بنموذج جيمنياي 2.5 فلاش Gemini-2.5-Flash وفق نتائج المقاييس المعيارية.

• يساهم التعلّم المعزز في تعزيز أداء النموذج بشكل ملحوظ، إذ سجّل تحسينات وصلت إلى +10.6% عند تطبيقه على نموذج جي إل إم  GLM-4.5V.

3.المعمارية

يوضح الشكل (2) البنية المعمارية المشتركة لسلسلة نماذج اجي إل إم  GLM-V – تتكوّن من ثلاثة مكوّنات رئيسية:

1. مرمّز بصري : قائم على المحول البصري Vision Transformer – ViT لمعالجة الصور والفيديوهات وترميزها.
2.  مُحوِّل الشبكة العصبيّة متعدّدة الطَّبقات Multi-Layer Perceptron- MLP لمواءمة المزايا features البصرية مع الرموز النصية.
3. نموذج لغوي كبير  يعمل كمفكّك ترميز لغوي لمعالجة الرموز متعددة الوسائط وإنتاج المخرجات.

اعتمد الباحثون داخل المرمّز البصري أسلوبًا مشابهًا لما ورد في نموذج اللغة-الرؤية كوين 2 ، من خلال استبدال الالتفافات ثنائية الأبعاد بالتفافات ثلاثية الأبعاد ، مما يسمح بتقليل البعد الزمني لمدخلات الفيديو بمقدار النصف، وبالتالي تحسين كفاءة النموذج. أما في حالة الصور المفردة، فيتم تكرار الصورة للحفاظ على اتساق البنية المدخلة.

لدعم المحوّل البصري ViT للتعامل مع صور ذات دقات وأبعاد اعتباطية، يقترح الباحثون تعديلين رئيسيين :

1. تم دمج التضمين الموضعي الدوّراني ثنائي الأبعاد  2D- Rotary Position Embedding – 2D-RoPE داخل طبقات الاهتمام  الذاتيself attention، مما يمكّن النموذج من معالجة صور ذات نسب أبعاد متطرفة (أكثر من 200:1) أو دقات عالية جدًا  4k أو أعلى.
   
   
2. وللحفاظ على القدرات الأساسية للنموذج المُدرَّب مسبقًا، تم الإبقاء على التضمنيات  الموضعية المطلقة القابلة للتعلّم، مع تكييفها ديناميكيًا للمدخلات متعددة الدقة باستخدام الاستيفاء ثنائي التكعيب bicubic interpolation.

رياضيًا، يتم أولًا تطبيع إحداثيات الرقع الصورية وفق المعادلة (1)، ثم تُستخدم هذه القيم لاستخراج تضمين موضعي جديد من جدول المواضع الأصلي عبر دالة الاستيفاء كما في المعادلة (2)، مما يسمح بالحفاظ على الاستقرار التمثيلي مع دعم مرونة الدقة.

\( g_{norm} = w_{norm} \) \( h_{norm} = \frac{2w + 0.5W_p}{h + 0.5H_p – 1} \)……..المعادلة (1)

\( P_{adapter}(g) = I_{bicubic}(P_{orig}, g_{norm}) \)……….المعادلة (2)

الشكل (2) البنية المعمارية المشتركة النماذج  اللغوية العامة [1]

ولتعزيز الإدراك المكاني داخل النموذج اللغوي، تم توسيع آلية التضمين الموضعي الدوّراني RoPE إلى التضمين الموضعي الدوّراني ثلاثي الأبعاد3D-RoPE داخل الـنموذج اللغوي الكبير، مما يوفّر فهمًا مكانيًا أفضل في السياقات متعددة الوسائط دون الإضرار بقدرات النموذج النصية.

أما فيما يتعلق بنمذجة الزمن في الفيديو، فقد أُضيف رمز فهرسة زمنيةTime Index Token بعد كل إطار، حيث يتم تمثيل الزمن كسلسلة نصية تعبّر عن الطابع الزمني للإطار. يتيح هذا التصميم للنموذج فهم العلاقات الزمنية الحقيقية بين الإطارات، مما يعزز قدراته في الإسناد الزمنيTemporal Grounding  وبالتالي فإنّ النموذج يدّعم إدراك الصور والفيديوهات بدقّاتها الأصلية ونِسَب أبعادها الطبيعية.أما في حالة مدخلات الفيديو، فيتم إدراج رموز فهرسة زمنية Time Index Tokens بعد كل إطار، مما يعزّز قدرة النموذج على فهم البنية الزمنية وتسلسل الأحداث.

4.التدريب الأوليّ

لتطوير نموذج أساس أقوى للرؤية–اللغة، تم دمج مجموعة متنوعة من البيانات، تشمل مدونات أكاديمية واسعة وبيانات صور–نص متداخلة غنية بالمعرفة، إلى جانب التدريب على بيانات نصية خالصة للحفاظ على القدرات اللغوية للنموذج.
ولتقييم فعالية مرحلة التدريب المسبق، تم قياس أداء النموذج باستخدام معيار pass@k على مجموعة الأسئلة غير متعددة الخيارات من ماث فيستا MathVista، حيث Pass@k هو النسبة المئوية للحالات التي ينجح فيها النموذج في إنتاج حل صحيح على الأقل ضمن k محاولة.

 وكما يبيّن الشكل (3)، يحقق نموذج جي إل إم  GLM-4.1V-9B-Base  أداءً متفوقًا بشكل ملحوظ مقارنةً بأفضل النماذج الأساسية المماثلة في الحجم نموذج اللغة-الرؤية إنترن ذو 9 مليارات مُعامل – مُدرَّب مُسبقًاInternVL3-Pretrain. ويُشير هذا التفوق في مرحلة الأساس إلى أنه يشكّل حدًا أعلى محتملًا للأداء النهائي بعد تطبيق التعلم التعزيزي

تُظهر العملية أن إعادة التوصيف تُسهم في إزالة الضوضاء والمحتوى المُتَهلوَس Hallucination Content من البيانات الأصلية، مع الحفاظ الكامل على المعرفة الواقعية.(وفقاً للشكّل (4))

5.بيانات التدريب المسبق

5.1.بيانات توصيف الصور

تم إنشاء مجموعة ضخمة عالية الجودة من توصيفات الصور لإكساب نماذج الرؤية–اللغة معرفة عامة قوية. بدأت العملية بتجميع أكثر من 10 مليارات زوج صورة–نص من مصادر مثل لايون
LAION  ،داتا كومب دي إف إن DataComp DFN ،ووكُونغ Wukong ، إضافة إلى بيانات الويب.

مرّت البيانات بأربع مراحل تنقية رئيسية:

1. ترشيح قائم على القواعد: إزالة الصور منخفضة الجودة والتكرارات.
2. ترشيح دلالي باستخدام نموذج كليّب CLIP: الاحتفاظ بالأزواج ذات CLIP-Score > 0.3.
3. إعادة أخذ عينات متوازنة مفهوميًا: مستوحاة من ميتّا كليّب MetaCLIP.
4. إعادة توصيف معتمدة على الحقائق: تحسين جودة الأوصاف مع الحفاظ على الدقة الواقعية (الشكل 4).

ثم جرى دمج البيانات الأصلية المنقّاة مع البيانات المعاد توصيفها لإنتاج مجموعة متوازنة معرفيًا ووصفياً.

5.2.طريقة التدريب  المسبق متعدد الوسائط

تم تنفيذ التدريب بطول تسلسل يبلغ 8192، وحجم دفعة 1536، ولمدّة 120 ألف خطوة تدريبية. واعتمدت بيانات التدريب على مزيج منتقى بعناية من مختلف أنماط البيانات متعدّدة الوسائط (باستثناء الفيديو)، مع استخدام استراتيجية ضغط البيانات لدمج عينات متعددة متفاوتة الطول ضمن تسلسلات أطول بهدف تحسين كفاءة الموارد الحاسوبية.

5.3.التدريب المستمر طويل السياق

لتوسيع قدرات النموذج على التعامل مع السياقات الطويلة والفيديو

• طول التسلسل: 32,768 و حجم المعالجة المتوازية للسياق مساوياً  4 و 10,000 خطوة إضافية.
• توسيع نافذة السياق في النموذج اللغوي ذو الإصدار 4.6 الداعم للرؤية GLM-4.6V إلى 131,072 رمزًا وأيضا تدريب إضافي : 2,000 خطوة بحجم دفعة 128.

6.الضبط الدقيق الخاضع للإشراف

تُعد مرحلة الضبط الدقيق الخاضع للإشراف   supervised fine-tuning – SFT حلقة وصل بين التدريب المسبق والتعلم المعزّز، حيث تُحوّل نموذج الرؤية–اللغة الأساسي إلى نموذج قادر على تنفيذ الاستدلال بسلسلة التفكير chain-of-thought – CoT inference .
تركّز هذه المرحلة على مواءمة أسلوب التفكير والاستجابة بدلًا من إضافة معرفة جديدة، بخلاف بعض الأعمال السابقة ، مما يمنح النموذج نقطة انطلاق أقوى ويؤدي إلى تعلم معزّز أكثر استقرارًا. [7]

6.1.طريقة التدريب:إعدادات الضبط الدقيق

طول التسلسل بحجم دفعة حجم الدفعة  32 :

• 32,768 رمزًا.
• 131,072 رمزًا في النموذج اللغوي ذو الإصدار 4.6 الداعم للرؤية

7.التعلم المعزز: التحديات وما ينجح عمليًا

بعد مرحلة الضبط الدقيق الخاضع للإشراف، يعتمد الباحثون بشكل أساسي على التعلم المعزز لتحسين أداء النموذج. وقد تم استخدام مزيج من:

• تعلم معزّز مع مكافآت قابلة للتحقق Reinforcement Learning with Verifiable Rewards -RLVR
• تعلم معزّز مع تغذية راجعة بشرية Reinforcement Learning from Human Feedback – RLHF

يتكون إطار التعلّم المعزّز من أربعة مكونات رئيسية:

1. إعداد البيانات:
   تحديد المهام القابلة للتحقق في كل نطاق متعدد الوسائط، وبناء مجموعات بيانات عالية الجودة ومتوازنة الصعوبة.
2. نظام المكافآت Reward System:
   تم تصميم نظام موحد متعدد المجالات يتيح منطق تقييم مشترك، مع تخصيص مدققات Verifiers دقيقة لكل مجال. وتبيّن أن دقة نظام المكافأة عنصر حاسم في نجاح RLVR.
3. التدريب:
   تم تحسين طريقة التدريب باستخدام تقنيات مثل:التعلّم المعزّز التدريجي والتوسع الديناميكي لأخذ العينات
4. البنية التحتية: من أجل الاستفادة بكفاءة من الموارد الحاسوبية في تدريب التعلّم بالتعزيز واسع النطاق، قمنا بتطوير بنية تحتية داخلية عالية الأداء ومستقرة مخصّصة لـ RL.

7.1.إعداد البيانات

تتضمن العملية أربع مراحل:

1. تحديد المهام: اختيار المهام القابلة للتحقق مثل الإسناد الزمني temporal grounding في الفيديو بدل التوصيف المفتوح.
2. تنقية البيانات: تحويل بعض الأسئلة متعددة الخيارات إلى فراغات لزيادة دقة التقييم.
3. التحقق من الجودة وتقدير الصعوبة: باستخدام معيارالتقييم pass@k والتقييم بشري.
4. تجارب التعلّم المعزّزالأولية: للتأكد من جدوى البيانات وإمكانية تحقيق تحسن.

7.2.نظام المكافأت Reward System

يُعد نظام المكافآت جوهر عملية التعلّم المعزّز RL. حيث في التعلم المعزّز مع مكافآت قابلة للتحقق RLVR يتم استخراج الإجابة النهائية من مخرجات النموذج ثم مقارنتها بالإجابة المرجعية 

ورغم أن بعض الدراسات تشير إلى أن حتى التغذية الراجعة غير الدقيقة قد تساعد أحيانًا ، إلا أن الباحثين لاحظوا أن أي ضعف في مكافآت أحد المجالات قد يؤدي إلى انهيار التدريب بالكامل.

(فكما يوضّح الشكل (5))، خلل في مكافآت مهمة واحدة (مثل الإجابة على أسئلة متعددة الصور multi-image QA) أدى إلى انهيار أداء النموذج عبر جميع المجالات، رغم جودة مكافآت مهام ستيمSTEM.

رغم أن مدقّق مهام ستيمSTEM كان مضبوطًا بدقة، فإن مدقّقات المهام الأخرى (الصورة الواحدة والمتعددة) لم تكن كذلك، مما أدى إلى:

(a) ضوضاء المكافأة Reward Noise في مهام الصورة الواحدة حيث يقوم النموذج بتعديل المخرجات لزيادة المكافأة دون تحسن حقيقي في الدقة.

(b) التحايل على المكافأة Reward Hacking في مهام الصور المتعددة حيث يتعلم النموذج استراتيجيات ملتوية تخدع المدقّق بشكل متكرر، مما يؤدي إلى تضخيم المكافآت

بعد الخطوة 150، يتوقف نمو مكافآت مهام ستيم STEM، ويتراجع الأداء العام في المقاييس متعددة الوسائط، كما تنخفض مؤشرات الأداء المرتبط في  اختبارات ستيم STEM مثل الفهم متعدِّد الوسائط واسع النطاق ومتعدِّد التخصُّصات ، ومعيار ماث فيستا MathVistaلتقييم الفهم الرياضي البصري 

و مجموعة بيانات معهد ألن للذكاء الاصطناعي لفهم المخططات والرسومات التوضيحية Allen Institute for AI Diagram Understanding Dataset – AI2D بشكل حاد.

مع تقدّم التدريب، تصبح العديد من العينات سهلة جدًا ولا تعود تُنتج إشارات تعلم مفيدة.
فعلى سبيل المثال، فيGroup Relative Policy Optimization – GRPO تحسين السياسة النسبية للمجموعة.

إذا أجاب النموذج جميع العينات بشكل صحيح داخل الدفعة، فلن يُنتج ذلك أي تدرّج تعليمي مفيد. 

وقد أظهرت التجارب أن أكثر من نصف العينات تتجاوز دقة 90% بعد 200 خطوة تدريب فقط، بينما تظل عملية توليد المسارات التنفيذيّة rollouts هي عنق الزجاجة الأكبر زمنيًا. لذلك، أصبح من الضروري اختيار عينات ذات صعوبة مناسبة وقيمة تعليمية عالية.

7.3.منهجية التعلُّم بالتعزيز المعتمد على المنهج التدرّجي

لمعالجة هذه المشكلة، تم اقتراح أسلوب التعلُّم بالتعزيز المعتمد على المنهج التدرّجي ، والذي يطبّق مبدأ التعلم التدريجي على عملية أخذ العينات أثناء التدريب.

يعتمد هذا النهج على:

• تقييم صعوبة العينات مسبقًا – أوف لاين Offline:
  باستخدام معيار التقييم pass@k عبر عدة نماذج اللغة-الرؤيةمع دمج النتائج مع التقييم البشري لدرجة الصعوبة، مما ينتج تقسيمًا دقيقًا للبيانات إلى مستويات (سهل جدًا ← صعب جدًا).
  
• تقييم ديناميكي أثناء التدريب – أون لاين Online:
  يتم تسجيل أداء النموذج على كل المسارات التنفيذيّة rollout، وربّطه بمستوى الصعوبة المقابل، مما يوفر رؤية لحالة النموذج الحالية

بناءً على هذه المعلومات، يتم تعديل نسب أخذ العينات في كل خطوة تدريبية  بحيث يتم التركيز على العينات متوسطة الصعوبة.

الجدول (2):تقييم الأداء المعياري للنماذج اللغوية العامة ذات الإصدارات المتعددة. ,للاستزادة يمكن الرجوع للمصدر[2]

يشير الجدول (2) إلى نتائج المقارنة بين نماذج اللغة الكبيرة متعددة الوسائط الداعمة للإدراك البصري بإصداراتها 4.6 و4.5، إضافةً إلى الإصدار الأخف 4.1 المعتمد على نمط التفكير، وذلك في مقابل نماذج اللغة-الرؤية الأخرى

8.التقييم

في هذا القسم، نعرض تفاصيل وإجراءات التقييم ونتائجه لكل من النماذج اللغوية العامة بإصدارتها 4.5 و1.4 بنمطيّ التفكير وغير التفكير GLM-4.5V و GLM-4.1V-Thinkingولغرض الاكتمال، نورد أيضًا نتائج النموذج  اللغوي العام المُحدَّث 4.6 GLM-4.6V

(وفقاً للشكَل (6)) تم تقييم نماذج مرحلة الضبط الدقيق الخاضع للإشراف (SFT) عبر مقارنة  خمس مجموعات من بيانات تدريب التعلّم المعز

• مهام ستيم STEM
• التعرّف الضوئي على المحارف والرسوم البيانية 
• الإسناد البصري المرجعيّ – تحديد موقع مكوّنات التّوصيف في الصّورة 
• وكلاء الواجهات الرسومية 
• مجموعة مدمجة شاملة

يتم اختبار كل نموذج على خمس مجموعات معيارية مرجعية تمثل هذه المجالات.
تُظهر القيم داخل الشكل (6) متوسط التحسن في الأداء لكل مجال (وتشير القيم السالبة إلى تراجع الأداء)، بينما تم تطبيع ألوان الخلايا داخل كل مجال لتسهيل المقارنة البصرية.

ضمن فئة ستيم STEM، يحقّق نموذجنا أعلى أداء في معايير علمية وهندسية صعبة مثل MMMU إم إم إم يو فال (Val) وMMMU Proإم إم إم يو برو وAI2D إي آي تو دي، ما يدل على قدرة قوية في الاستدلال المنظّم والمتخصّص. كما يتفوّق نموذج الغة- الرؤية نمط التفكير GLM-4.5V-Thinking في المهام الرياضية مثل ماث فيستا MathVista و وي ماثWeMath، مظهرًا تقدّمًا في الاستدلال الرمزي والحسابي.

واللافت أن النموذج اللغة -الرؤية نمط التفكير الأصغر GLM-4.1V-9B-Thinking يتفوّق على النموذج الأكبر بكثير  كوينQwen2.5-VL-72B في 29 من أصل 42 معيارًا مرجعياً، بما فيها مهام شديدة الصعوبة، ما يبرهن على كفاءة عالية وتوازن ممتاز بين الأداء واستهلاك الموارد، ويجعله خيارًا عمليًا قويًا للتطبيقات الواقعية ذات القيود الحاسوبية

9.الخلاصة

تمثّل النماذج اللغوية العامة الداعمة للرؤية بإصداراتها 4.5 و4.6 و4.1 بنمط التفكير GLM-4.1V-Thinking وGLM-4.5V وGLM-4.6V خطوات راسخة نحو تحقيق الاستدلال متعدد الوسائط للأغراض العامة.

وقد طُوّرت ضمن إطار تدريبي يركّز على الاستدلال ويوحّد بين التدريب المسبق والضبط الدقيق بإشراف والتعلّم بالتعزيز، ما مكّنها من الاستدلال عبر المجالات البصرية والنصية والرياضية والعلمية ومهام الوكلاء. ورغم التقدّم، ما تزال هناك قيود مهمة:

• التعلّم بالتعزيز يحسّن إنجاز المهام لكنه لا يضمن دائمًا جودة الاستدلال، إذ قد تنتج إجابات صحيحة بخطوات استدلال خاطئة بسبب اعتماد نماذج المكافأة على النتيجة النهائية دون فحص الخطوات الوسيطة.
• تدريب التعلم المعزّز قد يعاني من عدم الاستقرار والحساسية لإعدادات بسيطة، رغم تحسّن الوضع في الإصدارات الأحدث.
• النماذج قد تُخطئ في المشاهد البصرية المعقّدة (ازدحام، حجب، غموض)، ما يبرز ضرورة تطوير الإدراك والاستدلال معًا.

مستقبلًا، يلزم تطوير نماذج مكافأة تقوّم عملية الاستدلال نفسها لا النتيجة فقط، مع منع التحايل على المكافأة Reward Hacking. كما يُعدّ البحث في تأثير التدريب متعدد الوسائط على مهام الاستدلال النصيّ فقط اتجاهًا واعدًا. وأخيرًا، يجب أن تتطوّر معايير التقييم لتصبح أكثر تحدّيًا وتشخيصًا، وقادرة على كشف أنماط الفشل مثل الهلوسة والاستدلال المختصر. ونأمل أن تُسهم هذه النماذج في إرساء معايير جديدة لتقييم وتحسين الاستدلال متعدد الوسائط

10.المراجع

1.  arXiv:2507.01006
2. arXiv:2502.13923v1 [cs.CV] 19 Feb 2025 
3. arXiv:2407.01523
4. arXiv:2407.01523
5. arXiv:2407.01523
6. arXiv:2407.01523
7. arXiv:2407.01523
8. https://arxiv.org/pdf/2601.06328