بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
منذ ظهور تقنيات Chain-of-Thought، كان التفكير المنطقي في النماذج الكبيرة حكراً على النص. لكن باحثين من خمسة مؤسسات أكاديمية قدّموا في التاسع من يوليو 2026 إطاراً مختلفاً جذرياً: OpenCoF، الذي يقترح أن تتكشّف سلسلة الاستدلال عبر إطارات فيديو متتالية زمنياً بدلاً من كلمات نصية.
الفكرة الجوهرية في OpenCoF تقوم على ما يسمّيه الباحثون Chain-of-Frame (CoF)، وهي قياس على Chain-of-Thought لكنها تعمل في الفضاء البصري الزمني. المشكلة التي دفعتهم إلى هذا المسار واضحة: نماذج توليد الفيديو الحالية دُرِّبت أساساً على مقاطع عامة من الإنترنت، دون أي توجيه مخصّص لمهام الاستدلال المنطقي. هذا الفراغ هو ما يستهدف OpenCoF سدّه.
يتكوّن الإطار من ثلاثة مكوّنات متكاملة. الأول هو OpenCoF-17K، وهو مجموعة بيانات تضمّ 17 ألف عيّنة موزّعة على 11 عائلة مهام مختلفة، صُمِّمت خصيصاً لتدريب النماذج على منطق الاستدلال البصري الزمني. الثاني هو Wan-CoF، وهو نموذج فيديو مُضبَّط دقيقاً (fine-tuned) انطلاقاً من نموذج الخط الأساسي Wan2.2-I2V-A14B. والثالث هو آلية رموز التفكير البصرية والنصية التي تمثّل التطور الأكثر أصالة في هذا العمل.
اختُبر Wan-CoF على أربعة benchmarks لاستدلال الفيديو، وأظهر مكاسب ملموسة على نموذج الخط الأساسي Wan2.2-I2V-A14B (وفقاً لأوراق البحث على arXiv). لكن الأهم من النتائج الكمية هو ما تكشفه التجارب حول كيفية عمل هذا التفكير البصري تحت الغطاء.
آلية رموز التفكير تنقسم إلى مستويين: رموز بصرية تلتقط الإشارات البصرية منخفضة المستوى (low-level visual cues) اللازمة للاستدلال المكاني، ورموز نصية تحمل الأولويات الدلالية عالية المستوى (high-level semantic priors) للاستدلال الزمني. الفريق لم يكتفِ بتصميم هذه الآلية، بل أجرى تحليل انتباه (attention analysis) شاملاً يفحص كيف تؤدّي هذه الرموز دورها عبر أربعة أبعاد: عمق النموذج، وخطوات إزالة التشويش (denoising steps)، والبُعدَين المكاني والزمني.
ما يخلص إليه البحث يمكن تلخيصه في معادلة واضحة: الاستدلال المرئي القوي يتطلّب شرطين معاً، لا أحدهما وحده — إشراف زمني واسع ومتنوع، وآليات صريحة لتنظيم الحالات الوسيطة للتفكير. النماذج التي تحصل على الإشراف الزمني فقط دون آليات تنظيم الحالة الوسيطة تبقى قاصرة، والعكس صحيح.
ما يجعل هذا العمل ذا قيمة للباحثين والمطوّرين تحديداً هو القرار بالمصدر المفتوح الكامل: مجموعة البيانات OpenCoF-17K، ونموذج Wan-CoF، والكود كاملاً — كلها متاحة للمجتمع البحثي. وهذا ليس مجرد سخاء أكاديمي؛ إذ إن إعادة إنتاج هذه التجارب كانت ستتطلّب جهوداً جسيمة لجمع بيانات استدلال بصري متنوعة ومصنّفة عبر 11 عائلة مهام.
السؤال الذي يطرحه البحث ضمنياً أمام مجتمع الذكاء الاصطناعي: هل يمكن أن تصبح الفيديوهات المولّدة يوماً ما “دفاتر تفكير” للنماذج الكبيرة، بالطريقة ذاتها التي تعمل بها سلاسل التفكير النصية اليوم؟ النتائج الأولية تقترح أن الطريق ممكن، لكن يحتاج إلى بنية تحتية بيانية ومعمارية مختلفة عمّا هو قائم.
