[
    {
        "id": "osp-16330",
        "type": "article-journal",
        "title": "WOVEN: تنسيق نموذج العالم البصري إلى برامج LLM متعددة الأنظمة",
        "author": [
            {
                "family": "Fan",
                "given": "Zheyu"
            },
            {
                "family": "Zhang",
                "given": "Yue"
            },
            {
                "family": "Deng",
                "given": "Mingkai"
            },
            {
                "family": "Wang",
                "given": "Kangrui"
            },
            {
                "family": "Wang",
                "given": "Qineng"
            },
            {
                "family": "Chen",
                "given": "Canyu"
            },
            {
                "family": "Hao",
                "given": "Jie"
            },
            {
                "family": "Fan",
                "given": "Xing"
            },
            {
                "family": "Guo",
                "given": "Chenlei"
            },
            {
                "family": "Xing",
                "given": "Eric P."
            },
            {
                "family": "Bansal",
                "given": "Mohit"
            },
            {
                "family": "Li",
                "given": "Manling"
            }
        ],
        "URL": "https://omanscience.com/ar/articles/woven-weaving-visual-world-modeling-into-multimodal-llms",
        "language": "en",
        "issued": {
            "date-parts": [
                [
                    2026
                ]
            ]
        },
        "abstract": "نموذجات اللغة الكبيرة متعددة الحركات (MLLMs) تكافح مع التفكير الفضائي والجسدي والفيزيائي والوقتي. نفترض أن هذه الفشل تعكس عجزًا مشتركًا في التفكير في الانتقال البصري، ونختبر ما إذا كانت هذه القدرة يمكن أن تكون بدائية تدريب مشتركة، واحدة التي يمكن أن تتعلمها النماذج المختلفة من مصادر إشراف مختلفة وإعادة استخدامها عبر مهام مختلفة، مع وصفة تدريب منهجية. توثيق المعايير المرجعية الحالية هذه العجز بشكل منفصل ولكن لا تدعم المقارنات المراقبة عبر المشهد والإجراءات وعمليات التفكير. لذلك نقوم بتقديم WOVEN، وهو مصدر تدريب ومعيار للتفكير بالانتقال البصري الذي ينظم إشراف الانتقال حسب المشهد والعمل ونوع التفكير، باستخدام تنفيذات متنوعة واقعية من النماذج الإبداعية التي يتم تدريبها من قبل فيديو: 36 076 مثال على 20 نوعا من المشهد، 5 أنواع العمل، و 8 أنواع التفكير. أولاً، نقوم بتقييم 38 نموذجًا متطورًا في الحدود (مثل GPT-5.4 و Qwen3-VL-235B-A22B) ونجد عجزًا كبيرًا ومنهجيًا: حتى أقوى النماذج تقع أقل بكثير من البشر، وتكرر الفشل عبر عائلات النماذجة وتستمر على نطاق واسع. ثم نعمل على تدريب MLLM في مقاييس متعددة على WOVEN ونرى أنهم يتعلمون قدرة مشتركة تنقل على نطاق واسع: مجموعات تدريبية فرعية من حوالي 2000 عنصر فقط تحسن بشكل جماعي 22 من 26 معيار خارجي بما يصل إلى 27.3 نقطة مئوية، ويمكن لبيانات WOVEN استبدال 30-50% من بيانات التدريب الخاصة بالمهمة بدقة مماثلة. تقدم المقارنات المسيطر عليها وصفة تدريبية لنمذجة العالم البصري، والتي يتم التحقق منها بشكل مستقبلي على المعايير المستمرة: اختيار الإشراف عن طريق العملية المنطقية التي تعلّمها بدلاً من الأفعال أو المشاهد أو المجالات التي تظهرها، وتفضيل التغييرات الأكبر في الحالة البصرية من أجل الصمود. عملنا يثبت التفكير في الانتقال البصري كأساس يمكن إعادة استخدامه للتدريب المنهجي على نموذج العالم البصري في MLLM."
    }
]