EPFL Stable Video Infinity: كيف تحل إعادة تدوير الأخطاء أكبر مشكلة في توليد الفيديو بالذكاء الاصطناعي

مشكلة الانجراف التي لم يحلها أحد

إذا حاولت توليد فيديو طويل الشكل بالذكاء الاصطناعي باستخدام أي نموذج حالي، تعرف الإحباط. يحد Sora 2 على 15 إلى 25 ثانية حسب خطتك. يصل Runway Gen-4.5 إلى 10 ثوان بحد أقصى. تصل Kling 3.0 إلى 15 ثانية. السبب ليس الحوسبة أو الذاكرة. إنه الانجراف الزمني.

هذا مشابه بشكل أساسي لمشكلة "لعبة الهاتف". همس برسالة عبر ما يكفي من الناس وتصبح غير معروفة. حاولت الأساليب السابقة محاربة الانجراف من خلال توليد مقاطع أقصر وخياطتها معاً، لكن الدرزات مرئية. استخدم آخرون التوليد الهرمي (الإطارات الرئيسية أولاً، الاستيفاء ثانياً)، الأمر الذي يساعد لكنه لا يلغي المشكلة الأساسية.

دخول إعادة تدوير الأخطاء

الورقة البحثية، بعنوان "Stable Video Infinity" ومقبولة كـ عرض شفهي في ICLR 2026، تقدم فكرة بسيطة الظاهر: علّم النموذج التعامل مع أخطاؤه الخاصة.

الرؤية الأساسية هنا هي أن نماذج انتشار الفيديو القياسية تتعلم من البيانات الأساسية النظيفة أثناء التدريب. لا ترى أبداً نتائجها المُولدة الخاصة. عند النشر، يتعين عليها فجأة العمل مع تنبؤاتها غير الكاملة كمدخل، ولا تعرف كيفية التعامل مع الضوضاء.

تحل إعادة تدوير الأخطاء هذه من خلال تعديل حلقة التدريب:

جمال هذا الأسلوب يكمن في بساطته. لا توجد معماريات نموذج جديدة، لا معاملات إضافية، لا حيل وقت الاستدلال. النموذج يتعلم ببساطة أثناء التدريب كيف تبدو ظروف النشر الحقيقية.

لماذا يهم هذا أكثر مما تعتقد

التداعيات تمتد إلى ما وراء توليد مقاطع قطط أطول. إليك ما يتغير:

الأرقام

اختبر فريق مختبر VITA تقنية Stable Video Infinity عبر معماريات وأنظمة قياس متعددة. النتائج مذهلة:

كيف تعمل إعادة تدوير الأخطاء تحت الغطاء

لمن يريد التفاصيل التقنية، إليك ما يحدث في خط أنابيب التدريب المعدل.

يستخدم التدريب القياسي لانتشار الفيديو جدول ضوضاء epsilon مطبقاً على الإطارات الأساسية النظيفة x_0. يتعلم النموذج التنبؤ بالضوضاء واستعادة الإشارة الأصلية. وقت الاستدلال، يولد النموذج بشكل انحداري ذاتي الإطار t+1 مشروط على تنبؤه للإطار t.

الفجوة بين التدريب (المدخلات النظيفة) والاستدلال (المدخلات المولدة ذاتياً) تسمى انحياز التعريض. إعادة تدوير الأخطاء تعالج هذا مباشرة.

هذا مشابه بشكل مفاهيمي للـ أخذ العينات المجدول في نماذج تسلسل-إلى-تسلسل، لكن مكيّف للإطار الانتشار المستمر. يشيد فريق مختبر VITA بهذا الاتصال في ورقتهم مع ملاحظة أن التطبيق الساذج للأخذ العينات المجدول على نماذج الانتشار لا يعمل. مساهمتهم هي الصيغة المحددة التي تجعلها مستقرة لتوليد الفيديو.

مزايا المصدر المفتوح

ربما الجانب الأكثر إثارة للإعجاب: الكود مفتوح المصدر بالكامل على GitHub (vita-epfl/Stable-Video-Infinity). هذا يعني أن أي مختبر بحثي أو شركة يمكنها تطبيق إعادة تدوير الأخطاء على نماذج الفيديو الموجودة لديهم.

يتبع الإصدار مفتوح المصدر اتجاهاً متنامياً في مجتمع أبحاث فيديو الذكاء الاصطناعي. أظهرت النماذج مثل LTX-2 و Wan 2.6 أن المناهج مفتوحة المصدر يمكنها منافسة البدائل الخاصة.

ماذا يعني هذا للصناعة

التوقيت ملحوظ. نحن في وسط سباق أسلحة فيديو ذكاء اصطناعي حيث كل لاعب رئيسي، من Runway إلى ByteDance، يسعى لتحقيق مخرجات أطول وعالية الجودة. قد تكون إعادة تدوير الأخطاء الجزء المفقود الذي يفتح قدرات الجيل التالي.

الطريق للأمام

يمثل عمل مختبر VITA تحولاً أساسياً في كيفية تفكيرنا حول توليد فيديو الذكاء الاصطناعي. بدلاً من بناء نماذج أكبر وأكبر أو إضافة آليات معقدة وقت الاستدلال، كان الحل هو ببساطة إظهار النموذج كيف يبدو مخرجه الخاص.

سيتم عرض الورقة في ICLR 2026، وتشير عدة مصادر من الصناعة إلى أن مزودي نماذج الفيديو الرئيسيين يستكشفون بالفعل التكامل. إذا كانت نماذج العالم تمثل مستقبل كيفية فهم الذكاء الاصطناعي للفيزياء والفضاء، فإن إعادة تدوير الأخطاء تمثل مستقبل كيفية حفاظ الذكاء الاصطناعي على هذا الفهم مع مرور الوقت.