XCoT-VLA: ذكاء اصطناعي للقيادة يستدل في ست رموز، لا فقرة

منحت سلسلة التفكير نماذج اللغة طريقة للاستدلال خطوة بخطوة قبل الإجابة. يجادل بحث نُشر على arXiv في 11 أغسطس 2026 بأن هذه العادة ليست مناسبة لمقعد السائق. في المركبة ذاتية القيادة، يشكل الاستدلال المفتوح النهاية، والمكلف في فك الترميز، والصعب في تحسينه كتمثيل موجّه نحو الفعل، عائقًا. يضغط XCoT-VLA، المنهج الذي يقترحه البحث، استدلال القيادة في 2 إلى 6 رموز قابلة للتنفيذ تتحكم مباشرة في توليد المسار.

تربط نماذج الرؤية-اللغة-الفعل بين فهم المشهد والاستدلال الدلالي وتوليد المسار. هذا ما يجعلها مرشحة لأنظمة القيادة الذاتية. ولكن عندما تروي طبقة الاستدلال باللغة الطبيعية، فإن كل رمز إضافي يضيف زمن استجابة تراجعيًا، وميزانية التخطيط لا تنتظر.

لماذا يفشل الاستدلال المطوّل في التحكم في الوقت الفعلي

يحدد البحث ثلاث مشاكل في سلسلة التفكير الوصفية في هذا السياق. إنها مفتوحة النهاية، لذا لا يوجد للنموذج نقطة توقف طبيعية. وفك ترميزها مكلف، وهو أمر مهم عندما تغذي المخرجات حلقة تحكم في الوقت الفعلي. ومن الصعب تحسينها كتمثيل يمكن للجانب الفعلي في الشبكة الاعتماد عليه. إجابة XCoT-VLA هي تغيير التمثيل لا النموذج: استبدال المبررات التفسيرية برموز قابلة للتنفيذ ومدمجة تعلّمها خصيصًا للقيادة.

رموز قابلة للتنفيذ مبنية من السجلات، لا من المطالبات

تأتي رموز الاستدلال من إشراف السبب-الفعل Reason-Action، الذي يُبنى تلقائيًا لا يدويًا. توفر المسارات المسجّلة دليل الفعل؛ ويوفر سياق المشهد الدلالات السببية. أثناء الاستدلال، يبقى تسلسل XCoT المتوقع في السياق ويتحكم في استعلامات المسار الثابتة عبر انتباه ذاتي متعدد الوسائط مشترك. التوجيه حتمي: شبكة تغذية أمامية للسبب Reason تعالج رموز XCoT، وشبكة تحكم Control FFN تتعامل مع استعلامات المسار، ويولّد مطابقة التدفق المسار النهائي.

الأرقام: خطأ أصغر، وبصمة استدلال أصغر

في مجموعة تقييم للتوزيع العام، ينخفض متوسط خطأ الإزاحة الطولي من 1.645 إلى 1.323. وفي سيناريوهات تغيير المسار، ينخفض خطأ الإزاحة النهائية الجانبية من 1.616 إلى 0.648، أي أقل من نصف خط الأساس. يعزو البحث هذا التحسن إلى اقتصاد الرموز نفسه: مع 2 إلى 6 رموز قابلة للتنفيذ فقط تمثل استدلالًا موجّهًا نحو القيادة، يتقلص الحمل التراجعي بما يكفي للبقاء ضمن ميزانية تخطيط في الوقت الفعلي.

ADE وFDE مقياسان معياريان للمسار. يقيس متوسط خطأ الإزاحة مقدار انحراف المسار المتوقع عن المسار المسجّل في المتوسط؛ ويتحقق خطأ الإزاحة النهائية من نقطة النهاية، وهي الموضع الأهم في تغيير المسار.

يذكر الملخص هذه النتائج دون تفصيل بيانات التقييم أو النطاق التجريبي. ستكون هذه التفاصيل مهمة إذا انتقل المنهج من arXiv إلى مركبة.

XCPO والمقايضة مع وضوح القراءة

يقدّم البحث أيضًا تحسين سياسة XCoT، أو XCPO، وهو امتداد صقل اختياري يعمل في فضاء الرموز القابلة للتنفيذ نفسه. يقدمه الملخص كوسيلة لصقل السياسة دون التخلي عن التمثيل المدمج. ولا يذكر كيف يُدرَّب هذا الامتداد.

للدمج تكلفة لا يتوقف عندها البحث: الرموز القابلة للتنفيذ لم تعد قابلة للقراءة البشرية. سلسلة التفكير الوصفية، مهما كانت مشاكل زمن الاستجابة، تركت أثرًا تدقيقيًا يمكن للإنسان تتبعه. أما الرمز الذي يحسّن الأداء جيدًا ضمن ميزانية الوقت الفعلي فمن الأصعب فحصه. يؤطر البحث العمل كدليل على أن الاستدلال الموجّه نحو القيادة يمكن أن يكون مدمجًا وقابلاً للتنفيذ ومتصلاً مباشرة بتوليد المسار. وهو لا يدّعي أن الاستدلال يظل واضحًا للقراءة.

يقع XCoT-VLA أيضًا ضمن اتجاه أوسع لجعل الاستدلال أقل تكلفة من النص المتسلسل. بحث Penelope، المنشور على arXiv في يوليو 2026، يحدّد الحساب المتكرر للاستدلال المنظم تحديدًا لتجنب توليد أثر استدلال مرئي طويل. يُبقي Penelope الاستدلال كامنًا؛ بينما يُبقيه XCoT-VLA صريحًا لكن في حده الأدنى، من 2 إلى 6 رموز تشير مباشرة إلى الفعل. الفرضية المشتركة: سلسلة التفكير هي طريقة واحدة لتنفيذ الاستدلال، وليست الوحيدة.

يبقى السؤال المفتوح: هل الاستدلال المضغوط هو أيضًا استدلال جدير بالثقة؟ تشير نتائج XCoT-VLA إلى أن استدلال القيادة يمكن أن يكون قصيرًا وقابلاً للتنفيذ. لكن المسار الذي يطابق السلوك المسجّل هو الناتج المرئي الوحيد، وفي السيارة، لا يمكن لأحد قراءة واجبات النموذج.