توقف عن طلب رسم المربعات من الذكاء الاصطناعي: طريقة أفضل لإثبات مصدر الإجابة

تخيّل روبوتًا لتقارير المصاريف يقرأ فاتورةً ممسوحة ضوئيًا ويخبرك أن المجموع هو 482.17 دولارًا. الإجابة صحيحة. الآن يرسم مربعًا حول شعار المورد ويقول إنه وجد الرقم هناك. كانت الإجابة صحيحة. أما الإشارة فكانت هراءً.

هذا ليس افتراضيًا. إنه نمط فشل موثق في نماذج الرؤية واللغة (VLMs، وهي النماذج التي يمكنها قراءة صورة وموجه نصي معًا)، ولديه اسم: الهلوسة في الإسناد (Attribution Hallucination). يمنحك النموذج الإجابة الصحيحة ثم يستشهد بدليل خاطئ لها، أو بدليل غير موجود فعليًا. تتتبع ورقة بحثية جديدة بعنوان "إسناد الأدلة في فهم المستندات البصرية دون إحداثيات أو تسميات مناطق" من تأليف Zhuchenyang Liu وYao Zhang وYu Xiao هذا الفشل إلى شيء مألوف بشكل مفاجئ: الطريقة التي طلبنا بها من النماذج الإشارة.

الجزء الذي يتجاهله الجميع: الإجابة والاستشهاد مهارة مختلفة

تعمل معظم أنظمة الإجابة على الأسئلة المستندة إلى المستندات اليوم على النحو التالي. تعرض النموذج صفحة (فاتورة، عقد، نموذج ممسور ضوئيًا)، تطرح سؤالًا ("ما هو الإجمالي المستحق؟")، ويقدم لك النموذج إجابة بالإضافة إلى مربع إحداثي: مجموعة من إحداثيات البكسل التي تحدد المستطيل على الصفحة حيث وجد الإجابة. هذا هو واجهة الإحداثيات، وهي الطريقة القياسية التي تستخدمها المعايير والمنتجات لطلب النماذج لإظهار عملها.

المشكلة هي أن قراءة المستند ووصف إحداثيات البكسل هما مهمتان مختلفتان تم ربطهما معًا. يمكن للنموذج أن يفهم حقًا أن الإجمالي هو 482.17 دولارًا لأنه قام بتحليل بنية الجدول بشكل صحيح، ولا يزال ضعيفًا في ترجمة "هذا الرقم، في تلك الخلية" إلى "x=412، y=88، width=64، height=22." الإحداثيات هي لغة لم يتم تدريب VLMs عليها بشكل أساسي. النص هو.

قام المؤلفون باختبار ذلك على CiteVQA، وهو معيار ثنائي اللغة (الإنجليزية والصينية) تم بناؤه خصيصًا لعزو الأدلة، باستخدام مجموعة فرعية موثوقة بحيث تكون الحقيقة الأرضية حول المناطق التي تدعم كل إجابة موثوقة. عبر ستة نماذج VLM مفتوحة، وجدوا أن السماح للنموذج برسم مربع يمنحك استدعاء الأدلة (نسبة الأسئلة التي يتداخل فيها الإقليم الذي استشهد به النموذج مع الأدلة الحقيقية) بنسبة لا تزيد عن 8 من 100. ليس 8 في المئة أقل من طريقة أخرى. ثمانية. من بين مئة سؤال، يكون المربع صحيحًا تقريبًا ثمانية مرات، حتى عندما تكون الإجابة الفعلية للنموذج على السؤال صحيحة بشكل أكثر تكرارًا.

ما حاولوا فعله بدلاً من ذلك: جعل النموذج يورد اقتباساً، ثم البحث عن هذا الاقتباس

الحل الذي تقترحه الورقة البحثية بسيط إلى حد محرج في صياغته، رغم أنه يتطلب بنية تحتية حقيقية ليعمل: التوقف تماماً عن طلب الإحداثيات من النموذج.

بدلاً من ذلك، يجيب النموذج على السؤال ثم يورد نصاً حرفياً للجزء من النص الذي استخدمه كدليل، بالطريقة التي تنسخ بها جملة من ملف PDF وتلصقها في رسالة محادثة بدلاً من وصف موقعها على الصفحة. هذا هو "واجهة اللغة". ثم يقوم نظام منفصل بالبحث عن هذا الاقتباس في المستند. وتحديداً:

• يقوم محلل التخطيط (أداة تقسم الصفحة إلى مناطق هيكلية مثل الفقرات، وخلايا الجداول، والعناوين، وتعليقات الأشكال، بالطريقة التي يقوم بها الشخص بتقسيم الصفحة بصرياً إلى "هذه فقرة، وهذه جدول") أولاً بتقسيم المستند إلى مناطق مرشحة.
• يقوم مسترجع متعدد الوسائط (نظام مطابقة يقارن النص بكل من نص الصفحة وتخطيطها) بأخذ الدليل المقتبس من النموذج وتحديد أي من تلك المناطق جاء منها، وإرجاع تلك المنطقة كموقع مُنسب.
• يتم التعامل مع الجداول والأشكال، التي لا تحتوي على نثر متدفق يمكن اقتباسه مباشرة، من خلال تعليقاتها أو ملاحظاتها، لذا لا يزال نهج الاقتباس والتحديد يعمل حتى خارج الفقرات العادية.

في الواقع، لم يعد على النموذج القيام بالهندسة. إنه يفعل ما يجيده حقاً: قراءة النص وتكراره. يقوم نظام استرجاع، مُبني خصيصاً لهذا النوع من المطابقة، بالهندسة بدلاً منه.

الأرقام التي تدعم الحجة

عند تشغيل نفس النماذج الستة المفتوحة المصدر الخاصة برؤية اللغة (VLMs) على نفس المجموعة الفرعية من CiteVQA، دفع الواجهة اللغوية معدل استرجاع الأدلة من سقفه البالغ 8 إلى نطاق يتراوح بين 26 و47، اعتماداً على النموذج. هذا يمثل قفزة تقدر بحوالي ثلاثة إلى ستة أضعاف، تم تحقيقها ببساطة عن طريق تغيير تنسيق الإخراج المطلوب من النموذج، دون إعادة تدريبه أو تزويده بإرشاد أفضل بشأن الإحداثيات.

انخفض معدل الهلوسة (مدى تكرار اعتماد النموذج بثقة على إجابة تستند إلى أدلة لا تدعمها فعلياً) إلى النصف تقريباً تحت الواجهة الجديدة. أما الجزء الذي كان سيُعد عادةً نقطة ضعف: جودة الإجابة، بمعنى ما إذا كان النموذج يجيب على السؤال الفعلي بشكل صحيح، فلم تتغير بشكل ملحوظ. فأنت لا تضحي بالدقة من أجل الصدق في ذكر المصادر. بل تستعيد معظم هذا الصدق تقريباً مجاناً.

هذه هي النتيجة الرئيسية، وهي تستحق التأمل لحظة، لأنها تعيد صياغة مفهوم "هلوسة الإسناد". فليس بالضرورة أن يكون ذلك فشلاً في الفهم. في كثير من الحالات، يبدو الأمر أكثر كونه فشلاً في تنسيق الإخراج: النموذج كان يعرف الفقرة الصحيحة، لكن واجهة الإحداثيات لم تمنحه طريقة جيدة للتعبير عن ذلك.

تحويل خط الأنابيب إلى معلم: GRPO دون تسميات المناطق

تذكر أن نطاق 26-47 يمثل تحسناً حقيقياً، لكنه ليس مشكلة تم حلها. لذلك استخدم المؤلفون خط أنابيب الاقتباس والاسترجاع لغرض ثانٍ: كهيكل تدريبي لجعل النموذج الأساسي أفضل في اقتباس الأدلة الجيدة منذ البداية.

هنا يصل البحث إلى GRPO (Group Relative Policy Optimization)، وهي طريقة تعلم تعزيزي تقوم بتوليد دفعة من المخرجات المرشحة لنفس المدخل، وتقييم كل منها، ودفع النموذج نحو تلك التي حققت أعلى درجات بالنسبة للمجموعة. إنها نفس عائلة التقنية التي استخدمها DeepSeek لتدريب نموذج الاستدلال R1 الخاص به، وأصبحت طريقة شائعة لضبط نموذج على مهمة يمكنك فيها تعريف "الأفضل" ولكن ليس لديك مجموعة بيانات موسومة كبيرة تظهر بالضبط كيف يبدو "الأفضل" خطوة بخطوة.

الطريقة العادية لتدريب نموذج الإسناد هي توظيف مسمين لرسم مربعات تحديد (bounding boxes) حقيقية على آلاف صفحات المستندات، مع تحديد المنطقة التي تدعم الإجابة بدقة. هذا مكلف وبطيء، خاصة للمستندات الطويلة والمتعددة الصفحات حيث قد تعتمد إجابة واحدة على أدلة مدفونة في الصفحة 14.

يتجنب البحث ذلك تماماً. بدلاً من تسميات المناطق، يأتي إشارة المكافأة من قاضٍ: نموذج آخر يقرأ الإجابة الذهبية (الصحيحة) لسؤال جنباً إلى جنب مع صور مقطوعة للمناطق التي جلبها المسترجع لأدلة الاقتباس الخاصة بنموذج المتدرب، ويقيم مدى دعم هذه المقاطع للإجابة فعلياً. لا يرسم أي إنسان مربعاً. يتم مكافأة النموذج على اقتباس نص يدعم بشكل مرئي الإجابة الصحيحة بمجرد تحديده وقصه، ويتم معاقبته عندما تؤدي اقتباساته المسترجع إلى مناطق غير ذات صلة.

عند تطبيق ذلك على نموذج أساسي بحجم 8B-Parameter (8 مليارات معلمة، وهو نموذج مفتوح متوسط الحجم بالمعايير الحالية)، دفع هذا التدريب ما يسميه البحث "الدقة الإسنادية الصارمة"، مما يعني أن النموذج يجب أن يحصل على كل من الإجابة والدليل بشكل صحيح، وإلا فلا تُحتسب، من 22.4 إلى 33.8. هذا يمثل تحسناً نسبياً بنسبة 50% تقريباً على أكثر المقاييس صرامة وأقل تساهلاً في البحث، باستخدام إشارة تدريبية مبنية بالكامل على أدوات موجودة (نموذج قاضٍ، محلل تخطيط، مسترجع) بدلاً من بيانات جديدة موسومة بشرياً.

لماذا يهم ذلك أي شخص يبني أو يشتري حلول الذكاء الاصطناعي للمستندات

إذا كنت تبني أي شيء يعتمد على التعرف الضوئي على الحروف (OCR) أو الذكاء الاصطناعي للمستندات، فإن الدرس الجوهري هنا ليس "استخدم معيار التقييم هذا تحديدًا". بل إن الواجهة التي تستخدمها لطلب تبرير النموذج لنفسه تغير مدى صدقه، بغض النظر عن مدى جودة النموذج الأساسي نفسه.

بعض الاستنتاجات العملية:

• إذا كان منتجك يعرض للمستخدمين عبارة "إليك أين وجدت ذلك" على المستند، فتأكد من الواجهة التي تولد هذا الاقتباس. وفقًا لهذه الورقة، فإن مخرجات المربع المحيط (bounding-box) من نموذج لغوي بصري عام (VLM) تكون صحيحة في أفضل الأحوال بنسبة 8% فقط على المستندات غير المرئية، حتى عندما تكون الإجابة المعلنة صحيحة. هذه الفجوة بين "الإجابة صحيحة" و"الاقتباس صحيح" هي بالضبط حيث يتم حرق ثقة المستخدم بصمت، لأن التمييز الخاطئ بجانب الإجابة الصحيحة يبدو أسوأ للمستخدم من عدم وجود تمييز على الإطلاق.
• نمط "الاقتباس ثم التحديد" هو نمط يمكنك بناؤه اليوم، دون انتظار نماذج أساسية أفضل. لا يتطلب ذلك نموذجًا لغويًا بصريًا مدربًا بشكل مخصص. يتطلب ذلك محلل تخطيط (layout parser) وجهاز استرجاع (retriever) متصل بالنموذج الذي تستخدمه بالفعل، حيث جاء التحسن في هذه الورقة من تغيير الواجهة، وليس الأوزان الأساسية، لخمس من النماذج الستة التي تم اختبارها.
• التسميات على مستوى المنطقة مكلفة، وتظهر هذه الورقة مسارًا لتجاوزها. إذا كنت تزن بين تمويل مشروع ترميز لتحسين جودة الإسناد مقابل بناء خط أنابيب مكافآت قائم على القضاة، فإن نتيجة GRPO تشير إلى أن المسار الثاني يمكن أن يحقق مكاسب حقيقية (من 22.4 إلى 33.8 في دقة الإسناد الصارمة) دون رسم مربع واحد بواسطة بشر.

نمط الاقتباس ثم التحديد

من الجدير بالذكر أن تحديات التعرف الضوئي على الحروف تزداد تعقيدًا في النصوص العربية بسبب طبيعتها المتصلة واتجاهها من اليمين إلى اليسار، مما يجعل تحديد الحدود الدقيقة للنصوص أمرًا بالغ الصعوبة.

ما لا يزال غير محسوم

يتميز الورقة البحثية بالدقة في تحديد نطاقها، ومن الجدير بنفس القدر من الحذر عند قراءتها. تم قياس المكاسب على CiteVQA، وهو معيار ثنائي اللغة واحد، ورغم أن المجموعة الفرعية المُتحققة منها تمثل عتبة أعلى بكثير من تلك غير المفلترة، إلا أنها لا تزال مجموعة بيانات واحدة فقط. إن استرجاع الأدلة في النطاق من 26 إلى 47 يمثل قفزة كبيرة مقارنة بـ 8، لكنه ليس قريباً من التشبع بأي حال: في أكثر من نصف الحالات، وعلى مدار معظم النماذج الستة، المنطقة المسترجعة لا تزال ليست الصحيحة. وتعتمد خطوة الاسترجاع على أداء محلل التخطيط (layout parser) لعمله بشكل صحيح. إذا تم مسح صفحة بزاوية سيئة، أو كان لها تخطيط غير معتاد، أو تحتوي على جداول لا يستطيع المحلل تقسيمها بشكل جيد، فإن سلسلة الاقتباس والتحديد ترث هذه الخطأ، على عكس نموذج افتراضي قد يخرج إحداثيات البكسل بشكل صحيح على صفحة ذات سلوك جيد.

هناك أيضاً اعتمادية أدق تستحق الإشارة إليها: يعتمد تدريب GRPO على نموذج قاضي (judge model) لتقييم جودة الأدلة، ونماذج القضاة لديها نقاط عمياء خاصة بها. لا تدعي الورقة أن القاضي هو بديل مثالي للاتفاق البشري، ومن المعقول المضي قدماً في هذا الاتجاه إذا كنت تحاول إعادة إنتاج هذا خارج بيئة بحثية.

لا يقلل أي من ذلك من أهمية النتيجة الأساسية. الجزء المثير للاهتمام في هذه الورقة ليس أرقام الدقة المحددة، بل التشخيص: جزء مما بدا وكأنه مشكلة استدلالية في ذكاء الوثائق الاصطناعي كان في الواقع مشكلة في تنسيق الإخراج، وإعادة تنسيق الإخراج أحدثت فرقاً أكبر مما كان سيحدث معظم التغييرات المعمارية.