الاستدلال الشائع البصري

Visual Commonsense Reasoning (VCR) هو مهمة تركز على الاستدلال متعدد الوسائط التي تشمل الصور والنصوص. الهدف منها هو إجراء استدلالات منطقية من خلال تحليل محتوى الصور والمعلومات السياقية المرتبطة بها. هذه المهمة لا تتطلب فقط قدرات أساسية في التعرف البصري، بل أيضًا فهم العلاقات بين الأشياء في المشهد والمنطق الشائع لدى البشر، مما يتيح للنموذج اتخاذ قرارات منطقية. قيمة VCR التطبيقية تكمن في رفع مستوى الإدراك الآلي في السيناريوهات المعقدة، وتحسين طبيعية وذكاء التفاعل بين الإنسان والحاسوب، ودفع تطور تقنيات التعلم متعدد الوسائط.