أحدث التطورات في النماذج اللغوية الكبيرة قد دفعت باتجاه تطوير نماذج لغوية متعددة الوسائط (MLLMs) التي تُدمج النص والصوت والرؤية ضمن إطار موحد. ومع تطور نماذج MLLMs من أنظمة ضيقة، مُتعددة اللغات، مخصصة لمهام محددة، إلى نماذج عامة قادرة على اتباع التعليمات، تبرز مسألة تقييم قدراتها متعددة اللغات ومتعددة الوسائط في سياقات قصيرة وطويلة كأحد المحاور الرئيسية. غير أن المعايير الحالية تفشل في تقييم هذه الجوانب معًا: فهي غالبًا ما تقتصر على اللغة الإنجليزية، وتركز في الغالب على وسائط واحدة في كل مرة، وتعتمد على سياقات قصيرة، أو تفتقر إلى تسميات بشرية – ما يعيق تقييمًا شاملاً لأداء النماذج عبر اللغات، والوسائط، وتعقيد المهام. وللتغلب على هذه الفجوات، نقدّم MCIF (الاستجابة للتعليمات متعددة اللغات متعددة الوسائط)، وهي أول معيار مُعدّ لغات بشرية مُعدّة بناءً على محاضرات علمية، مصممة لتقييم قدرة النماذج على اتباع التعليمات في بيئات متعددة اللغات ومتعددة الوسائط، سواء في المدخلات القصيرة أو الطويلة. يغطي MCIF ثلاث وسائط رئيسية: الصوت، والرؤية، والنص، ويشمل أربع لغات متنوعة (الإنجليزية، والألمانية، والإيطالية، والصينية)، مما يمكّن من تقييم شامل لقدرات نماذج MLLMs في فهم التعليمات عبر اللغات ودمجها مع المعلومات السياقية متعددة الوسائط. تم إصدار MCIF بموجب ترخيص CC-BY 4.0 لتشجيع الأبحاث المفتوحة ودفع عجلة تطور نماذج MLLMs.