EPFL Stable Video Infinity: Πώς η ανακύκλωση σφαλμάτων λύνει το μεγαλύτερο πρόβλημα του AI video

Το πρόβλημα της απόκλισης που κανείς δεν έλυσε

Αν έχετε δοκιμάσει να δημιουργήσετε AI video μεγάλης διάρκειας με οποιοδήποτε τρέχον μοντέλο, γνωρίζετε την απογοήτευση. Το Sora 2 περιορίζεται σε 15 έως 25 δευτερόλεπτα, ανάλογα με το πρόγραμμά σας. Το Runway Gen-4.5 φτάνει το πολύ τα 10. Το Kling 3.0 φτάνει τα 15. Ο λόγος δεν είναι η υπολογιστική ισχύς ή η μνήμη. Είναι η χρονική απόκλιση.

Αυτό μοιάζει θεμελιωδώς με το πρόβλημα του «σπασμένου τηλεφώνου». Ψιθυρίστε ένα μήνυμα μέσω αρκετών ανθρώπων και γίνεται αγνώριστο. Προηγούμενες προσεγγίσεις προσπάθησαν να καταπολεμήσουν την απόκλιση δημιουργώντας συντομότερα κλιπ και ενώνοντάς τα, όμως οι ενώσεις είναι ορατές. Άλλες χρησιμοποίησαν ιεραρχική δημιουργία (βασικά καρέ πρώτα, παρεμβολή μετά), κάτι που βοηθά αλλά δεν εξαλείφει το βασικό πρόβλημα.

Η ανακύκλωση σφαλμάτων

Η εργασία, με τίτλο "Stable Video Infinity" και αποδεκτή ως προφορική παρουσίαση στο ICLR 2026, εισάγει μια παραπλανητικά απλή ιδέα: διδάξτε στο μοντέλο να διαχειρίζεται τα δικά του λάθη.

Ακολουθεί η βασική ιδέα. Κατά την εκπαίδευση, τα τυπικά μοντέλα video diffusion μαθαίνουν από καθαρά δεδομένα αναφοράς. Δεν βλέπουν ποτέ τη δική τους παραγόμενη έξοδο. Όταν αναπτύσσονται, ξαφνικά πρέπει να λειτουργούν με τις δικές τους ατελείς προβλέψεις ως είσοδο και δεν γνωρίζουν πώς να διαχειριστούν τον θόρυβο.

Η ανακύκλωση σφαλμάτων το διορθώνει αυτό τροποποιώντας τον βρόχο εκπαίδευσης:

Η ομορφιά αυτής της προσέγγισης βρίσκεται στην κομψότητά της. Δεν υπάρχουν νέες αρχιτεκτονικές μοντέλων, πρόσθετες παράμετροι ή τεχνάσματα κατά τον χρόνο inference. Το μοντέλο απλώς μαθαίνει κατά την εκπαίδευση πώς είναι οι πραγματικές συνθήκες ανάπτυξης.

Γιατί αυτό έχει μεγαλύτερη σημασία απ' όσο νομίζετε

Οι επιπτώσεις ξεπερνούν κατά πολύ τη δημιουργία μεγαλύτερων βίντεο με γάτες. Δείτε τι αλλάζει:

Οι αριθμοί

Η ομάδα του VITA Lab δοκίμασε το Stable Video Infinity σε πολλαπλές αρχιτεκτονικές και benchmarks. Τα αποτελέσματα είναι εντυπωσιακά:

Πώς λειτουργεί η ανακύκλωση σφαλμάτων εσωτερικά

Για όσους θέλουν τις τεχνικές λεπτομέρειες, δείτε τι συμβαίνει στον τροποποιημένο αγωγό εκπαίδευσης.

Η τυπική εκπαίδευση video diffusion χρησιμοποιεί ένα πρόγραμμα θορύβου epsilon που εφαρμόζεται σε καθαρά καρέ αναφοράς x_0. Το μοντέλο μαθαίνει να προβλέπει τον θόρυβο και να ανακτά το αρχικό σήμα. Κατά τον χρόνο inference, το μοντέλο δημιουργεί αυτοπαλινδρομικά το καρέ t+1 υπό συνθήκη της πρόβλεψής του για το καρέ t.

Το χάσμα μεταξύ εκπαίδευσης (καθαρές είσοδοι) και inference (αυτοπαραγόμενες είσοδοι) ονομάζεται μεροληψία έκθεσης. Η ανακύκλωση σφαλμάτων το αντιμετωπίζει άμεσα.

Αυτό είναι εννοιολογικά παρόμοιο με το scheduled sampling στα μοντέλα sequence-to-sequence, αλλά προσαρμοσμένο στο συνεχές πλαίσιο diffusion. Η ομάδα του VITA Lab αναγνωρίζει αυτή τη σύνδεση στην εργασία της, επισημαίνοντας παράλληλα ότι η αφελής εφαρμογή του scheduled sampling σε μοντέλα diffusion δεν λειτουργεί. Η συνεισφορά τους είναι η συγκεκριμένη διατύπωση που το καθιστά σταθερό για τη δημιουργία βίντεο.

Το πλεονέκτημα του open-source

Ίσως η πιο συναρπαστική πτυχή: ο κώδικας είναι πλήρως open-source στο GitHub (vita-epfl/Stable-Video-Infinity). Αυτό σημαίνει ότι κάθε ερευνητικό εργαστήριο ή εταιρεία μπορεί να εφαρμόσει ανακύκλωση σφαλμάτων στα υπάρχοντα μοντέλα βίντεο.

Η open-source κυκλοφορία ακολουθεί μια αυξανόμενη τάση στην ερευνητική κοινότητα AI video. Μοντέλα όπως το LTX-2 και το Wan 2.6 έχουν δείξει ότι οι open-source προσεγγίσεις μπορούν να ανταγωνιστούν ιδιόκτητες εναλλακτικές.

Τι σημαίνει αυτό για τον κλάδο

Ο χρονισμός είναι αξιοσημείωτος. Βρισκόμαστε στη μέση μιας κούρσας εξοπλισμών AI video, όπου κάθε σημαντικός παίκτης, από το Runway έως το ByteDance, επιδιώκει μεγαλύτερη και υψηλότερης ποιότητας έξοδο. Η ανακύκλωση σφαλμάτων θα μπορούσε να είναι το κομμάτι που έλειπε και που ξεκλειδώνει την επόμενη γενιά δυνατοτήτων.

Κοιτάζοντας μπροστά

Η δουλειά του VITA Lab αντιπροσωπεύει μια θεμελιώδη αλλαγή στον τρόπο με τον οποίο σκεφτόμαστε τη δημιουργία AI video. Αντί να κατασκευάσουμε ολοένα μεγαλύτερα μοντέλα ή να προσθέσουμε πολύπλοκους μηχανισμούς χρόνου inference, η λύση ήταν απλώς να δείξουμε στο μοντέλο πώς μοιάζει η δική του έξοδος.

Η εργασία θα παρουσιαστεί στο ICLR 2026 και αρκετές πηγές του κλάδου υποδεικνύουν ότι μεγάλοι πάροχοι μοντέλων βίντεο διερευνούν ήδη την ενσωμάτωσή της. Αν τα world models αντιπροσωπεύουν το μέλλον του τρόπου με τον οποίο το AI κατανοεί τη φυσική και τον χώρο, η ανακύκλωση σφαλμάτων αντιπροσωπεύει το μέλλον του τρόπου με τον οποίο το AI διατηρεί αυτή την κατανόηση με την πάροδο του χρόνου.

Πηγές

• International Conference on Learning Representations: Προφορική παρουσίαση (Κατάσταση ICLR 2026) (International Conference on Learning Representations)
• Ερευνητές EPFL VITA μέσω arXiv: Το Stable Video Infinity υποστηρίζει δημιουργία βίντεο απεριόριστης διάρκειας χωρίς πρόσθετο inference… (Ερευνητές EPFL VITA μέσω arXiv)