Grounding

التأصيل هو عملية ربط الكلمات أو الرموز الأخرى بالأشياء التي تشير إليها، بحيث ترتبط لغة نظام الذكاء الاصطناعي بأدلة يمكنه الإشارة إليها. في الرؤية الحاسوبية، يعني التأصيل البصري تحديد المنطقة في صورة أو مقطع فيديو التي تصفها عبارة ما: فإذا كانت العبارة «الرجل ذو المعطف الأسمر»، يعيد النموذج المؤصّل إطارًا محيطًا أو قناعًا حول ذلك الرجل. وفي النماذج اللغوية الكبيرة (LLMs)، يعني التأصيل ربط النص المُنشأ بالمستندات المسترجعة أو نتائج البحث أو مخرجات الأدوات، لكي يمكن تتبع الادعاءات إلى مصدر. ويعكس المعنيان مشكلة تأصيل الرمز التي طرحها العالم المعرفي ستيفان هارند عام 1990: كيف يمكن للرموز التي يعالجها النظام أن تحمل معنى لديه، لا أن يكون معناها مقتصرًا على من يقرؤها.

مهام التأصيل البصري#

• تأصيل العبارات: تحديد كل جسم تذكره جملة، مثل «امرأة» و«كلبها» معًا في تعليق توضيحي.
• فهم التعبير الإشاري: العثور على الجسم الوحيد الذي يحدده تعبير ما، مثل «السيارة الثانية من اليسار». تجمع معايير RefCOCO وRefCOCO+ وRefCOCOg هذه التعبيرات لصور COCO، ويحظر RefCOCO+ كلمات تحديد الموقع مثل «اليسار»، لكي تضطر التعبيرات إلى وصف المظهر.
• الكشف بمفردات مفتوحة: العثور على كل مثيل للفئات المسماة نصيًا وقت الاستدلال، بما يتجاوز قائمة الفئات الثابتة في نموذج كشف الأجسام ذي الفئات المغلقة.
• التعليق التوضيحي والإجابات المؤصّلة: ينشئ نموذج الرؤية واللغة (VLM) وصفًا أو إجابة، ويرفق إطارًا بكل جسم يذكره.
• التأصيل الزمني وثلاثي الأبعاد: العثور على اللحظة التي تصفها جملة في مقطع فيديو، أو على الجسم في مسح ثلاثي الأبعاد لغرفة.

آلية عمل نماذج التأصيل#

يرمّز نموذج التأصيل النص والصورة، ويقيّم كل منطقة مرشحة في الصورة مقابل كل عبارة، ويحتفظ بالمناطق التي تتجاوز درجاتها عتبة محددة. يوائم التدريب فضاءَي التضمينات، غالبًا عبر التعلم التبايني على أزواج الصور والنصوص، بحيث يقع تضمين «حقيبة ظهر زرقاء» قرب سمات حقائب الظهر الزرقاء. وتدمج النماذج الأقوى الأنماط مبكرًا أيضًا باستخدام الانتباه المتبادل، ما يتيح للكلمات توجيه السمات البصرية التي تحسبها الشبكة.

أعاد GLIP صياغة كشف الأجسام نفسه بوصفه إرساءً للعبارات، ما أتاح تدريب نموذج واحد على بيانات الكشف والإرساء، ويقبل Grounding DINO، الذي تستضيفه Ultralytics Platform للتعليق التلقائي، أسماء الفئات أو التعبيرات الإحالية، وحقق 52.5 AP على COCO من دون أي بيانات تدريب من COCO. ويقسّم SAM 3 من Meta، الصادر في نوفمبر 2025 والمستضاف على Platform باسم SAM 3 Text، كل مثيل لعبارة اسمية قصيرة مثل «حافلة مدرسية صفراء» ويتتبعه عبر الصور والفيديو. وتُرسّي نماذج VLM التوليدية المفاهيم بكتابة إحداثيات المربعات كنص أو كـرموز خاصة بالمواقع إلى جانب إجاباتها. وتقارن لوحة صدارة VLM مدى دقة إرساء كواشف المفردات المفتوحة ونماذج VLM التوليدية لأسماء الفئات في مجموعات بيانات كشف الأجسام الواقعية.

تؤصل YOLOE، التي قدمها باحثون من جامعة تسينغهوا والمتاحة في حزمة Ultralytics باسم YOLOE-26 المبنية على بنية YOLO26، أسماء الفئات والعبارات القصيرة في الوقت الفعلي: يحوّل مُرمّز النص كل عبارة إلى تضمين، ويطابقها رأس الكشف مع كل منطقة في الصورة:

from ultralytics import YOLOE

# ⁨تحميل نموذج YOLOE-26 للكشف والتقسيم ذي المفردات المفتوحة⁩
model = YOLOE("yoloe-26s-seg.pt")

# ⁨يُحوّل مُرمّز النص كل عبارة إلى تضمين مرة واحدة، فتصبح فئة يمكن للنموذج العثور عليها⁩
model.set_classes(["bus", "person", "sunglasses", "traffic sign"])
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# ⁨اطبع كل عبارة مؤصّلة مع إطارها بالبكسل (x1, y1, x2, y2)⁩
for cls, box in zip(result.boxes.cls.tolist(), result.boxes.xyxy.tolist()):
    print(result.names[int(cls)], [round(v) for v in box])

يقابل كل سطر مطبوع إحدى العبارات بالمنطقة التي أسندت إليها YOLOE، ولا يُطبع شيء للعبارة التي لا تطابق أي منطقة في الصورة.

التطبيقات#

• الروبوتات: على الروبوت الذي يتلقى الأمر «التقط الكوب الأحمر بجوار الحاسوب المحمول» أن يؤصل العبارة إلى جسم واحد وموضعه ثلاثي الأبعاد قبل التخطيط للإمساك به.
• وسم البيانات: تنشئ كواشف المفردات المفتوحة مسودات للصناديق والأقنعة الخاصة بفئات جديدة انطلاقًا من قائمة أسماء، ثم يصححها المعلّقون بدلًا من الرسم من الصفر. وتُجري منصة Ultralytics وسمًا آليًا لمجموعات بيانات الكشف بهذه الطريقة قبل تدريب نموذج YOLO26 على التسميات المصححة.
• البحث في الفيديو: يسترجع التأصيل الزمني المقطع الذي يظهر فيه «راكب دراجة ينعطف يسارًا عند التقاطع» من ساعات من اللقطات.
• إمكانية الوصول: تجيب التطبيقات المساعدة عن سؤال «أين لافتة المخرج؟» بتحديد موضع الجسم، لا بمجرد تسميته.

التأصيل ومصطلحات مرتبطة به#

• وصف الصور: يحوّل الصورة إلى نص. أما الإرساء فيسير في الاتجاه المعاكس، من النص إلى مناطق الصورة التي يصفها.
• الإجابة عن الأسئلة المرئية (VQA): تجيب بالكلمات عن سؤال حول صورة. وتشير الإجابة المرتكزة بصريًا عن الأسئلة أيضًا إلى الدليل الذي تستند إليه الإجابة.
• التعلّم دون أمثلة (Zero-shot learning): يتعرّف على الفئات من دون أمثلة تدريب. ويُعدّ الإرساء بالمفردات المفتوحة إحدى طرق تحقيق ذلك، إذ لا تحتاج الفئة الموصوفة بالكلمات إلى صور موسومة.
• الذكاء الاصطناعي متعدد الوسائط: المجال الأوسع للنماذج التي تجمع أنواع البيانات؛ والإرساء هو محاذاة كلمات محددة مع أجزاء محددة من الوسيط الآخر.

الإرساء في النماذج اللغوية#

يمكن لنموذج لغوي كبير (LLM) يجيب اعتمادًا على ذاكرته وحدها أن ينتج ادعاءات سلسة بلا مصدر، وهذا أحد أسباب الهلوسة. يوفّر التوليد المرتكز أدلةً وقت الاستدلال، عبر التوليد المعزّز بالاسترجاع (RAG) أو البحث على الويب أو الاستعلامات في قواعد البيانات أو استدعاء الأدوات، ويطلب من النموذج الإجابة استنادًا إلى تلك الأدلة والاستشهاد بها. ويمكن التحقق من كل ادعاء في الإجابة المرتكزة بمقارنته بمصادره، كما تقيس تقييمات الأنظمة المرتكزة الأمانة، أي مدى دعم النص المسترجع لكل عبارة، بمعزل عن مدى صحة النص المسترجع.