تعتبر نماذج رؤية اللغة (Vision-Language Models) بمثابة ثورة في عالم الذكاء الاصطناعي، حيث يتم الاحتفاء بها بوصفها بداية جديدة لاكتشاف المعرفة المتعددة الأنماط بشكل متكامل. ومع ذلك، تكشف الأبحاث الحديثة عن حقيقة مقلقة: هذه النماذج لا تعكس بدقة البيانات المتعددة الأنماط كما هو معتقد. في الواقع، هناك أزمة ثقة عميقة تنشأ من الاعتماد على نموذج "مُشفِّر رؤية وموصل لغة" الذي يسيطر حاليًا على الساحة.

تقوم هذه النماذج، بدلاً من استخراج المعرفة من المدخلات البصرية، باستغلال معلومات اللغة القوية لتجاوز القيود الشديدة في تمثيل الصور، مما يؤدي إلى ما يسمى بـ"عمى وظيفي". بدلاً من ذلك، تتولى الأبحاث البحث في كيفية تعزيز منهجيات التقييم المستخدمة وتقديم بروتوكول ثوري يحمل اسم "بروتوكول ترجمة الأنماط". يهدف هذا البروتوكول إلى كشف "تكلفة الرؤية" بشكل كمي.

من خلال التركيز على تعزيز المحتوى الدلالي بدلاً من إزالته، تم تقديم ثلاث مقاييس جديدة تعكس التحديات المترتبة على استخدام النماذج الحالية: "ضريبة الرؤية" (Toll of Seeing)، "لعنة الرؤية" (Curse of Seeing)، و"خطأ الرؤية" (Fallacy of Seeing). جميع هذه المقاييس تؤدي في النهاية إلى "معيار الكفاية الدلالية" (Semantic Sufficiency Criterion) الذي يغير قواعد اللعبة.

علاوة على ذلك، يتم تقديم "قانون التباين في قياس الأنماط المتعددة"، الذي يفترض أن زيادة قدرات النماذج اللغوية تؤدي بشكل متناقض إلى زيادة العقوبة الرياضية الناتجة عن قيود المعرفة البصرية. تدعو هذه الأبحاث الوعي في مجتمع المعلومات إلى التخلي عن السعي الخادع وراء "الكسب المتعدد الأنماط"، مشددة على ضرورة تطوير نماذج قادرة على رؤية البيانات بشكل واقعي والوصول بالذكاء الاصطناعي إلى مستويات جديدة من الفهم.