DeepPHY: تقييم النماذج المتعددة الوظائف المُستندة إلى الرؤية على التفكير الفيزيائي

على الرغم من أن نماذج الرؤية واللغة (VLMs) تُظهر قدرات إدراكية قوية وتفكيرًا بصريًا ملحوظًا، إلا أنها تعاني من ضعف التركيز على التفاصيل والتخطيط الدقيق للإجراءات في البيئات المعقدة والديناميكية، ما يؤدي إلى أداء غير مرضٍ. وعادةً ما تتطلب المهام الواقعية تفاعلات معقدة، وتميّزًا فائقًا في التفكير المكاني، والتخطيط طويل الأمد، وتحسينًا مستمرًا للاستراتيجيات، وهو ما يستدعي عادةً فهم قواعد الفيزياء السائدة في السيناريو المستهدف. ومع ذلك، فإن تقييم هذه القدرات في السياقات الواقعية غالبًا ما يكون مكلفًا جدًا. ولسد هذه الفجوة، نقدم "DeepPHY"، وهي إطار تقييم مبتكر مصمم لتقييم منهجي لقدرات نماذج الرؤية واللغة في فهم وتحليل المبادئ الفيزيائية الأساسية من خلال سلسلة من البيئات المحاكاة الصعبة. يدمج DeepPHY بيئات متعددة للتفكير الفيزيائي بمستويات صعوبة متفاوتة، ويشمل مقاييس تقييم دقيقة جدًا. وخلال تقييمنا، وجدنا أن حتى أحدث نماذج VLMs تواجه صعوبة في تحويل المعرفة الفيزيائية الوصفية إلى سيطرة دقيقة وقائمة على التنبؤ.