أدوات تفاعلية وذاكرة تراكمية: إطار «أوبن في إل هارنس» يكسر حدود الاستدلال البصري بتكلفة أقل

تكشف التجارب المعيارية المتكررة أن زيادة ميزانية الاستدلال الداخلي لنماذج الرؤية واللغة لا تكفي وحدها لحسم المهام البصرية الدقيقة في بيئات التشغيل المعقدة. أظهرت دراسة ضابطة شملت 22 معيارًا تقييميًا أن ضخ المزيد من جهد التفكير داخل النموذج الأساسي لا يحقق سوى مكاسب متواضعة، ما لم يستند النظام إلى أدوات فحص خارجية توفر قياسات عددية وإدراكًا حسيًا مباشرًا ومعرفة موثقة من مصادر متفرقة. استجابة لهذا التحدي، قدم فريق بحثي يضم يو زو وتشنغ فو يانغ وتسعة باحثين آخرين إطار عمل أطلقوا عليه اسم «OpenVLHarness»، وهو نظام استدلال بصري ينقل الوكيل الذكي من التخمين المعزول إلى استدعاء الأدوات عبر ذاكرة مستمرة تجمع الأدلة وتحفظها عبر مراحل التفكير.

بنية ثلاثية لتوحيد الأدوات وإدارة الذاكرة

يقوم الإطار البرمجي على طبقة قدرات تدمج واجهات الأدوات على مستوى المهمة مع آلية دقيقة لتصيير الأدلة، ما يمنح النموذج وصولًا منتظمًا إلى خلفيات برمجية غير متجانسة ويحول مخرجاتها المعقدة إلى ملاحظات منسقة يفهمها النموذج بسلاسة. وتتكامل هذه الطبقة مع ذاكرة متعددة الوسائط مستمرة تحتفظ بالصور، والبيانات المنظمة، والمراجع المستخلصة من الويب كقطع أثرية مستقلة قابلة للرجوع إليها طوال مسار الاستعلام، ما يحول دون تلاشي التفاصيل البصرية في المهام المعقدة. كما يتيح الإطار واجهة برمجية لتنفيذ الأكواد، حيث يستطيع النموذج توليد برامج ومعالجة البيانات المخزنة لإجراء حسابات تدمج نتائج أدوات متعددة، وتدعم مسارًا متتابعًا لاكتساب الأدلة وفحصها وصياغتها بدقة متكاملة.

تفوق قياسي بتكلفة رموز منخفضة

أظهرت نتائج الاختبارات عبر 22 معيارًا مرجعيًا، وباستخدام ثمانية نماذج تأسيسية مفتوحة ومغلقة، تحسنًا في متوسط النتائج تراوح بين 9.7 و12.6 نقطة مقارنة بالنماذج ذاتها حين تعمل دون أدوات خارجية. وسجل نموذج «Qwen3-VL-8B» قفزة لافتة بلغت 11.2 نقطة، بينما ارتفع أداء نموذج «Kimi K3» بمقدار 9.7 نقطة، وحقق نموذج «GPT-6 Astra» زيادة قدرها 9.9 نقطة. وتبرز الجدوى الهندسية بصورة أوضح عند تشغيل نموذج «GPT-6 Luna» بجهد استدلال متوسط مع هذا الإطار، إذ تفوق على أداء النموذج الأساسي، ونظام «Codex»، ونظام «Visual Sketchpad» التي تعمل جميعها بأقصى طاقتها الاستدلالية، بفارق تراوح بين 7.7 و8.5 نقطة، ولم يستهلك في المقابل سوى 37 بالمئة كحد أقصى من تكلفة الرموز البرمجية المعتادة لتلك النماذج.

ما الذي يتغير عمليًا في البنية التقنية الإقليمية؟

يحمل هذا الإنجاز تحولًا ملموسًا لفرق التطوير والحلول التقنية في الخليج ومصر والشام، حيث تمثل فاتورة الاستدلال الحسابي وتشغيل النماذج السحابية عبئًا متصاعدًا على ميزانيات الشركات والمؤسسات الحكومية. إن تمكن نموذج مفتوح بحجم ثمانية مليارات معامل مثل «Qwen3-VL-8B» من حصد زيادة تفوق إحدى عشرة نقطة يعني أن المؤسسات المحلية تستطيع تشغيل أنظمة تدقيق بصري وتحليل مستندات فائقة الكفاءة على خوادم داخلية سيادية، دون الاضطرار للاشتراك المستمر في واجهات تجارية باهظة التكلفة. وفي الوقت نفسه، يتيح تحقيق نتائج أفضل عند جهد استدلالي متوسط وتوفير 63 بالمئة من استهلاك الرموز للمصارف والجهات اللوجستية توسيع أتمتة العمليات اليومية بكفاءة اقتصادية مستدامة.

تؤكد هذه النتائج أن التميز في وكلاء الرؤية الاصطناعية لا يتحقق برفع استهلاك التفكير الداخلي بصورة عمياء، بل بإحكام التنسيق بين الأدوات الخارجية والحفاظ على ذاكرة متعددة الوسائط تعي متطلبات المهمة من بدايتها إلى نهايتها.