Gemini 3.6 Flash يحصي تغيّرات الحالة لكنه يفوت الرمش

ورقة نُشرت على arXiv في 6 أغسطس ترى أن نماذج لغة الفيديو تفشل في التتبّع البسيط للأحداث، وأن المعايير القياسية تُخفي حجم هذا الفشل. تختبر ورقة «The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping» نموذج Gemini 3.6 Flash عبر التنميط البارامتري المستند إلى التتبعات (trace-grounded parametric profiling)، وهي طريقة تُدقق في الأحداث التي يُبلغ عنها النموذج بدلًا من احتساب الإجابة النهائية فقط.

تمثيل الأحداث يحدد ما إذا كان النموذج يرى أي شيء

بنى الباحثون ثلاث مهام فيديو مُحكمة: ارتطام الكرة المرتدة بالجدار، والرمش البصري، والانتقالات بين الحالات التصنيفية. وعلى مدى 2,190 فيديو، نَوّعوا عدد الأحداث وترددها مع تثبيت العرض (rendering)، وجاء كل مقطع مع تتبّع أحداث قابل للتنفيذ، ما أتاح التحقق من التنبؤات مقابل الحقيقة الأساسية على مستوى الطابع الزمني.

الفشل متدرج. عند عتبة موثوقية 80%، يحصي Gemini 3.6 Flash الانتقالات المستمرة بين الحالات بشكل صحيح حتى 12 حدثًا بتردد 0.5 و1.0 هرتز. أما أحداث الرمش العابرة فلا تبلغ أبدًا نطاق عدّ موجب موثوق. بعبارة المؤلفين، يملي تمثيل الأحداث ما إذا كان النموذج يصل إلى الأدلة في البداية، ويتفاقم القصور مع زيادة العدد والتردد.

النموذج المُختبَر منتج مطروح للإنتاج لا فضول مختبري. أضافت Google نموذج Gemini 3.6 Flash إلى تشكيلتها في يوليو بصفته الخيار الأرخص والأكثر كفاءة ضمن دفعة من ثلاثة نماذج ضمّت أيضًا نسخة Lite أسرع ونسخة سيبرانية مُعتمدة. وتقول وثائق Gemini API من Google إن هذه النماذج يمكنها معالجة مقاطع الفيديو واستخراج المعلومات منها. وعدّ الرمش هو تحديدًا النوع البسيط من المهام الذي يوحي به هذا الوصف.

الإطارات الإضافية تضخّم النتيجة دون استرجاع الأحداث

الرقم الأكثر لفتًا في الورقة هو الفجوة بين الدقة والأمانة. رفع معدل أخذ العينات يرفع دقة Bounce Ball من 19.6% إلى 29.3%، ومع ذلك لا تتطابق تسلسلات الأحداث المُبلَّغ عنها مع الحقيقة الأساسية إلا في 3.7% من الحالات. ويخلص المؤلفون إلى أن الإطارات الإضافية يمكنها تضخيم النتائج النهائية دون إنتاج استرجاع أمين للأحداث.

النظام عالي العد وعالي التردد يبدو أسوأ: 0.2% فقط من الأعداد النهائية صحيحة، ويستعيد النموذج 18.1% فقط من الأحداث الحقيقية. اختبارات سابقة للترسيخ الزمني اصطدمت بالجدار نفسه، إذ تظل الدقة ثابتة سواء ضاعفت المعاملات أو رفعت دقة المدخلات أو زدت الإطارات في الثانية. فأخذ العينات المتباعد يعني أن الحدث قد لا يكون موجودًا في مدخلات النموذج أصلًا.

النظام	النتيجة
الانتقالات المستمرة عند موثوقية 80%	يحصي حتى 12 حدثًا بتردد 0.5 إلى 1.0 هرتز
الرمش العابر	لا نطاق عدّ موجب موثوق
دقة Bounce Ball بعد إطارات إضافية	من 19.6% إلى 29.3%
التسلسل المُبلَّغ عنه المطابق للحقيقة الأساسية	3.7%
الأعداد النهائية الصحيحة ضمن النظام عالي العد	0.2%
الأحداث الحقيقية المسترجعة ضمن النظام عالي العد	18.1%

معايير الإجابة النهائية تتيح للنماذج إخفاء الفشل

تحتسب المعايير البرمجية الحالية الإجابة النهائية فقط، لذا يبدو النموذج الذي يصل إلى رقم معقول كفؤًا مهما كان حجم ما فاته من المقطع. مساهمة الورقة هي بديل مستند إلى التتبعات: يأتي كل فيديو مع تتبّع قابل للتنفيذ، ما يتيح التقييم على مستوى الطابع الزمني وتقدير سطح القدرات.

الفارق عملي لا أكاديمي. تعتمد نتائج معايير الفيديو على المعالجة المسبقة للوسائط واختيار الإطارات، لذا تحسم خيارات خط المعالجة (pipeline) جزءًا من النتيجة قبل أن يرى النموذج أي شيء. جرب المؤلفون أيضًا استراتيجيات مختلفة لصياغة الأوامر (prompting) فوجدوا مكاسب محدودة بالمثل، ما يشير إلى طريقة تمثيل النموذج للأحداث العابرة لا إلى طريقة صياغة السؤال.

فيديو العالم الحقيقي يُظهر السقف نفسه لانخفاض العد

تمتد النتائج المُحكمة إلى اللقطات الطبيعية: تُظهر تقييمات فيديوهات العالم الحقيقي التركيز نفسه للنجاح عند أعداد الأحداث المنخفضة، أي النظام الذي يبدو فيه النموذج قابلًا للاستخدام بالضبط. وأي تطبيق يحتاج إلى عدّ أحداث قصيرة ومنفصلة يقع على الجانب الخطأ من هذا السقف.

ثمة مفارقة معمارية هنا. مشاريع الفيديو المستمر مثل VLX-Flow، التي عُرضت في تدوينة على Hugging Face من Om AI Lab، تشير إلى أن معظم نماذج الفيديو تبدأ المشاهدة فقط بعد أن يطرح المستخدم سؤالًا، وهو أمر لا تستطيع الأجهزة الحقيقية انتظاره. إذا كان تمثيل الأحداث هو عنق الزجاجة، فلن تكفي المشاهدة المستمرة وحدها لإصلاح تتبّع الأحداث. حجة الورقة الختامية منهجية: التنميط المستند إلى التتبعات ينقل تقييم الفيديو بعيدًا عن الدقة الإجمالية نحو تشخيص مواضع فشل الاستدلال الزمني. لأي شخص ينشر نموذج فيديو، فإن الفرق بين نتيجة تبدو جيدة وتتبّع يطابق الواقع هو القصة.