QVQ-72B-Preview: تجربة علي بابا في التفكير البصري مفتوح الأوزان

QVQ-72B-Preview هو نموذج بحثي تجريبي من فريق Qwen التابع لعلي بابا، قُدّم في ديسمبر 2024 بهدف تحسين التفكير البصري: أي فحص ما في الصورة ثم بناء إجابة عبر خطوات استدلالية. استند إلى Qwen2-VL-72B، وركّز على التعامل مع المسائل المعتمدة على الصور بصورة أعمق من مجرد وصف محتواها. لذلك، من الأدق النظر إليه كتجربة مبكرة بأوزان مفتوحة تجمع الفهم البصري مع حل المشكلات متعددة الخطوات، لا كمساعد متعدد الوسائط مكتمل الأغراض.3839

ماذا كان يفعل النموذج؟

عند تزويده بصورة وتعليمات نصية، صُمّم QVQ لاستخراج الأدلة البصرية ثم الاستدلال عليها قبل الإجابة. ويشمل ذلك مهام مثل:

• قراءة المخططات والرسوم البيانية وتفسيرها؛
• استخراج المعلومات المضمّنة داخل الصور؛
• حل المسائل الرياضية التي تُعرض بصرياً؛
• الإجابة عن أسئلة علمية تتطلب ملاحظة الصورة والاستنتاج منها.

يشير الرقم 72B إلى حجمه ضمن عائلة Qwen، فيما تعني كلمة Preview أن الإصدار تجريبي. وقدّمه فريق Qwen صراحةً كنموذج بحثي مع توثيق قيوده، إلى جانب نتائج الاختبارات المعيارية.3839

نتائج الاختبارات: تفوّق معلن على النموذج الأساسي

وفق جدول المقارنات المنشور من Qwen، حقق QVQ-72B-Preview النتائج التالية مقارنة بـ Qwen2-VL-72B:

الاختبار المعياري	QVQ-72B-Preview	Qwen2-VL-72B للمقارنة
MMMU (التحقق)	70.3	64.5
MathVision (كامل)	35.9	25.9
OlympiadBench	20.4	11.2

يقيس MMMU الفهم متعدد الوسائط في موضوعات أكاديمية واسعة بمستوى جامعي. أما MathVision فيركّز على المسائل الرياضية المعتمدة على الصور، ويشمل OlympiadBench أسئلة صعبة ثنائية اللغة في الرياضيات والفيزياء. وتُظهر الأرقام المنشورة تفوق QVQ على Qwen2-VL-72B في الاختبارات الثلاثة، وهو ما ينسجم مع تموضعه كنموذج للاستدلال.3940

لكن هذه النتائج معلنة من الجهة المطوّرة وليست تقييماً مستقلاً لأدائه في بيئات الاستخدام الفعلية. فالنتائج المعيارية مؤشر مفيد، لكنها لا تمنع الأخطاء الناتجة عن الصور الملتبسة أو التعليمات غير المعتادة أو نقص السياق أو هشاشة الاستدلال.

القيود التي حدّدت قيمته العملية

كانت قيود الإطلاق جزءاً أساسياً من فهم النموذج، لأنها ترسم الفاصل بين عرض بحثي واعد ومساعد عملي يمكن الاعتماد عليه.

يقبل الصور، لا الفيديو

دعم الإصدار التجريبي إدخال الصور فقط، ولم يدعم الفيديو، رغم أن الإصدارات السابقة من سلسلة Qwen2-VL كانت تمتلك قدرات مرتبطة بالفيديو. وبذلك انحصر استخدامه في التحليل البصري للمحتوى الثابت.3743

لا متابعة للسؤال نفسه حول الصورة

كان التفاعل مع الصورة عملياً من جولة واحدة: لا يمكن للمستخدم طرح سؤال لاحق مع الاحتفاظ بسياق الصورة الذي استند إليه النموذج. وللحصول على إجابة جديدة عن الصورة نفسها، كان يجب إرسالها من جديد مع تعليمات جديدة.34

الاستدلال الطويل قد ينفصل عن الدليل البصري

أهم تحذير من Qwen هو أن النموذج، أثناء الاستدلال البصري متعدد الخطوات، قد يفقد تدريجياً تركيزه على محتوى الصورة ويبدأ في اختلاق معلومات غير صحيحة. أي إن الشرح الطويل والمنظم قد يبدو مقنعاً، مع أنه لم يعد مرتبطاً بما تظهره الصورة فعلياً.3338

كما حذّرت بطاقة النموذج من إمكان خلط اللغات أو الانتقال المفاجئ بينها، ومن الوقوع في حلقات استدلال دائرية تنتج إجابات مطوّلة من دون الوصول إلى نتيجة.3839

الخلاصة العملية: يلزم التحقق من مخرجات QVQ في أي استخدام حساس. فوجود مسار استدلال ظاهر لا يثبت أن كل ملاحظة فيه صحيحة أو مستندة فعلاً إلى الصورة.

لماذا كانت إتاحة الأوزان المفتوحة مهمة؟

تتجاوز أهمية الإصدار جدول النتائج المعيارية؛ إذ يندرج ضمن نهج أوسع يرتبط بعائلة Qwen ونماذج صينية أخرى تقوم على إتاحة الأوزان. وتعني الأوزان المفتوحة إتاحة المعاملات المدرّبة للنموذج للتنزيل والاستخدام والتعديل، بما يسمح للمؤسسات بتشغيله خارج تطبيق المطور أو واجهة برمجة التطبيقات الخاصة به وتكييفه لاستخدامات جديدة.18

وقد يوفّر ذلك للمطورين مزايا منها:

• التحكم في النشر: تشغيل النموذج على بنية تحتية خاصة أو سحابية مختارة.
• قابلية التكييف: إجراء ضبط دقيق أو ضغط للنموذج أو دمجه في منظومة متخصصة.
• قابلية النقل: تقليل الاعتماد على واجهة API مستضافة لدى مورّد واحد.

لكن هذه المرونة تفرض مسؤوليات أيضاً: فالجهة التي تشغّل الأوزان المحمّلة تصبح مسؤولة عن البنية التحتية والتقييم وضبط الوصول وممارسات الأمن والحد من إساءة الاستخدام. وتشير رويترز إلى أن الأنظمة مفتوحة الأوزان يمكن تنزيلها وفحصها وتعديلها، لكنها قد تُعدّل وتُعاد توزيعها مع قدر محدود نسبياً من الرقابة.19

أوزان مفتوحة أم واجهات API مغلقة؟ الفرق تشغيلي بالأساس

من الصحيح عموماً أن مطورين صينيين عديدين روّجوا لنماذج مفتوحة الأوزان، بينما لا تتيح شركات أميركية رائدة مثل OpenAI وAnthropic مواصفات نماذجها المتقدمة للتنزيل.19 لكن اختزال المشهد إلى «الصيني مفتوح والأميركي مغلق» تبسيط مخل؛ فالقرار يختلف باختلاف النموذج والمطور والقدرات والاستراتيجية التجارية.

والفارق العملي هو:

• النماذج مفتوحة الأوزان تمنح المستخدم سيطرة أكبر على مكان تشغيل النموذج وكيفيته.
• نماذج API المغلقة تُبقي النشر وجزءاً كبيراً من البنية الوقائية تحت سيطرة المزوّد.

وهنا يظهر مفاضل حقيقية في السياسات: قد تكون القواعد المبنية على المراقبة المركزية أو الاختبارات أو الترخيص أو الإبلاغ أسهل تطبيقاً لدى مزوّدي واجهات API الكبار، ما قد يمنح نموذجهم التشغيلي أفضلية. لكن هذا استنتاج عن الحوافز التنظيمية، وليس نتيجة مؤكدة. ويمكن للسياسات بدلاً من ذلك أن تركز على الاستخدامات عالية المخاطر والجهات المشغّلة لها، لا على حظر توزيع الأوزان بحد ذاته. ويحذّر باحثون في ستانفورد من أن الانتشار العالمي للنماذج الصينية مفتوحة الأوزان قد يؤثر في الوصول إلى التقنية والمنافسة والسلامة وحوكمة الذكاء الاصطناعي.18

الخلاصة

كان QVQ-72B-Preview تجربة بارزة في ديسمبر 2024 للتفكير البصري بأوزان مفتوحة. فقد أظهر، وفق تقييمات Qwen المعلنة، تحسناً على MMMU وMathVision وOlympiadBench، لكنه وثّق في الوقت ذاته قيوداً كبيرة في قابلية الاستخدام والموثوقية. والدرس ليس أن الاستدلال المتسلسل حلّ مشكلات الذكاء الاصطناعي متعدد الوسائط، بل أن تحسين التفكير في الصور يمكن إتاحته بصيغة تسمح للمطورين بفحص النموذج وتشغيله؛ وهي صيغة تجعل التقييم الدقيق والتشغيل المسؤول أكثر أهمية، لا أقل.3839