EPFL Stable Video Infinity: Hvernig endurvinnsla villna leysir stærsta vandamál gervigreindarmyndbanda

Öll gervigreindarlíkön fyrir myndbönd eiga sama óhreina leyndarmálið. Búðu til 4 sekúndna myndskeið og útkoman lítur stórkostlega út. Farðu yfir 15 sekúndur og persónur byrja að breytast, eðlisfræðin bregst, litir færast til og allt atriðið rekur út í samhengisleysi. VITA Lab hjá EPFL birti nýlega lausn og hún gæti verið mikilvægasta greinin í myndbandagerð á þessu ári.

Rekvandinn sem enginn leysti

Ef þú hefur reynt að búa til gervigreindarmyndbönd í löngu sniði með einhverju núverandi líkani þekkir þú gremjuna. Sora 2 takmarkast við 15 til 25 sekúndur eftir áskrift þinni. Runway Gen-4.5 nær mest 10 sekúndum. Kling 3.0 nær 15. Ástæðan er ekki reikniafl eða minni. Hún er tímalegt rek.

💡

Tímalegt rek á sér stað þegar sjálfvirk myndbandalíkön safna upp smávægilegum villum ramma fyrir ramma. Hver myndaður rammi verður inntak fyrir þann næsta og örsmáir gallar margfaldast veldisvísis. Eftir nokkur hundruð ramma líkist útkoman varla upprunalegu skipuninni.

Þetta líkist í grundvallaratriðum „símaleiknum“. Hvíslðu skilaboð í gegnum nógu marga og þau verða óþekkjanleg. Fyrri aðferðir reyndu að berjast gegn reki með því að búa til styttri myndskeið og sauma þau saman, en samskeytin sjást. Aðrar notuðu stigskipta gerð (lykilramma fyrst, innskotsramma síðan), sem hjálpar en útilokar ekki kjarnavandann.

Endurvinnsla villna kemur til sögunnar

Greinin, sem ber heitið "Stable Video Infinity" og var samþykkt sem ICLR 2026 Oral-kynning, kynnir blekkjandi einfalda hugmynd: kenndu líkaninu að takast á við eigin mistök.

Oral

Staða hjá ICLR 2026

Aukinn reiknikostnaður

Mínútur

Lengd myndbands

Hér er lykilinnsýnin. Við þjálfun læra hefðbundin mynddreifingarlíkön af hreinum sannleiksgögnum. Þau sjá aldrei eigið myndað úttak. Þegar þau eru tekin í notkun þurfa þau skyndilega að vinna með sínar eigin ófullkomnu spár sem inntak og þau vita ekki hvernig á að takast á við suðið.

Endurvinnsla villna lagar þetta með því að breyta þjálfunarlykkjunni:

Skref 1

Hefðbundin framleiðslulota

Líkanið myndar myndbandshluta úr hreinum þjálfunargögnum.

Skref 2

Söfnun villna

Eigin spár líkansins, með ófullkomleikum sínum, eru teknar til hliðar í stað þess að vera fargað.

Skref 3

Endurvinnsla villna

Þessi ófullkomnu úttök eru færð aftur inn sem inntak fyrir næstu þjálfunarítrun og kenna líkaninu að mynda stöðugt úttak jafnvel úr suðugum, sjálfmynduðum römmum.

Skref 4

Ítrekuð fínstilling

Yfir margar þjálfunarlotur lærir líkanið öflugt sjálfleiðréttingarkerfi sem kemur í veg fyrir uppsöfnun villna.

Fegurð þessarar nálgunar felst í einfaldleika hennar. Engin ný líkanagerð, engar viðbótarstærðir og engin brögð við keyrslu. Líkanið lærir einfaldlega við þjálfun hvernig raunveruleg notkunarskilyrði líta út.

Hvers vegna þetta skiptir meira máli en þú heldur

Afleiðingarnar ná langt út fyrir að búa til lengri kattamyndbönd. Hér er það sem breytist:

Fyrir endurvinnslu villna

Myndbandalíkön takmörkuð við 4-20 sekúndur
Samræmi atriða versnar hratt
Persónueinkenni rekur eftir nokkrar sekúndur
Eðlisfræði verður sífellt óraunverulegri
Litir og lýsing breytast ófyrirsjáanlega

Eftir endurvinnslu villna

Samhangandi myndbandagerð í margar mínútur
Stöðugt útlit persóna allan tímann
Samræmd eðlisfræði og staðbundin tengsl
Áreiðanleg litvinnsla og lýsing
Engin sýnileg gæðarýrnun með tímanum

Tölurnar

VITA Lab-teymið prófaði Stable Video Infinity á mörgum hugbúnaðargerðum og viðmiðum. Niðurstöðurnar eru sláandi:

Mælikvarði	Án endurvinnslu villna	Með endurvinnslu villna	Framför
FVD (lægra er betra)	Versnar eftir 4s	Stöðugt í gegnum 2min+	Marktæk
Samræmi persóna	Fellur undir 60% við 15s	Heldur 90%+ við 2min	~50% hlutfallslegt
Tímalegt samræmi	Sýnilegt rek við 8s	Ekkert sýnilegt rek við 2min	Eigindlegt stökk
Reikniálag	Grunngildi	Grunngildi (0% aukning)	Enginn kostnaður

💡

Að enginn aukinn reiknikostnaður sé til staðar er lykilatriði. Endurvinnsla villna er þjálfunartækni, ekki tækni sem notuð er við keyrslu. Þegar líkanið hefur verið þjálfað keyrir það á nákvæmlega sama hraða og kostnaði og áður.

Hvernig endurvinnsla villna virkar undir yfirborðinu

Fyrir þá sem vilja tæknilegu smáatriðin, hér er það sem gerist í breyttu þjálfunarferlinu.

Hefðbundin þjálfun mynddreifingar notar suðáætlun epsilon sem er beitt á hreina sannleiksramma x_0. Líkanið lærir að spá fyrir um suðið og endurheimta upprunalega merkið. Við keyrslu myndar líkanið sjálfvirkt ramma t+1 með skilyrðingu frá spá sinni fyrir ramma t.

Bilið milli þjálfunar (hreint inntak) og keyrslu (sjálfmyndað inntak) kallast skekkjuhlutdrægni. Endurvinnsla villna tekur beint á þessu.

Tæknileg atriði: Breytt þjálfunarmarkmið▼

Við þjálfun myndar líkanið reglulega ramma með eigin núverandi vigtum í stað þess að nota sannleiksgögn. Þessir sjálfmynduðu rammar, með öllum sínum ófullkomleikum, eru síðan notaðir sem skilyrðandi inntak fyrir síðari ramma í þjálfunarröðinni.

Lykilstillingin er endurvinnsluhlutfallið r, sem stjórnar því hversu oft sjálfmyndaðir rammar koma í stað sannleiksramma við þjálfun. Greinin kemst að þeirri niðurstöðu að r = 0.3 (30% endurunnir rammar) nái bestu frammistöðu og jafni stöðugleikabætur við gæði þjálfunarmerkisins.

Breytta tapfallið er áfram hefðbundið dreifingarmarkmið. Eini munurinn er dreifing gagnanna sem líkanið sér við þjálfun. Þess vegna verður ekkert viðbótarreikniálag við keyrslu.

Þetta líkist hugmyndafræðilega scheduled sampling í sequence-to-sequence-líkönum, en er aðlagað samfellda dreifingarrammanum. VITA Lab-teymið nefnir þessi tengsl í grein sinni en bendir á að einföld beiting scheduled sampling á dreifingarlíkön virki ekki. Framlag þeirra er sértæka útfærslan sem gerir hana stöðuga fyrir myndbandagerð.

Kosturinn við opinn hugbúnað

Kannski mest spennandi þátturinn: kóðinn er að fullu opinn á GitHub (vita-epfl/Stable-Video-Infinity). Þetta þýðir að hvaða rannsóknarstofa eða fyrirtæki sem er getur beitt endurvinnslu villna á núverandi myndbandalíkön sín.

✓Hvers vegna opinn hugbúnaður skiptir máli

Hægt er að bæta endurvinnslu villna við hvaða núverandi mynddreifingarlíkan sem er. Engar breytingar á hugbúnaðargerð þarf, aðeins breytta þjálfunarlykkju. Þetta gæti bætt Sora, Runway, Kling og öll opin líkön samtímis.

✗Hagnýtar takmarkanir

Krefst endurþjálfunar eða fínþjálfunar líkansins. Fyrirtæki með sérlíkön þurfa að fjárfesta reikniafl í endurþjálfun. Árangur tækninnar getur verið mismunandi milli ólíkra hugbúnaðargerða og stærða.

Útgáfan sem opinn hugbúnaður fylgir vaxandi þróun í rannsóknarsamfélagi gervigreindarmyndbanda. Líkön eins og LTX-2 og Wan 2.6 hafa sýnt að opnar nálganir geta keppt við sérlausnir.

Hvað þetta þýðir fyrir iðnaðinn

Tímasetningin er eftirtektarverð. Við erum mitt í vígbúnaðarkapphlaupi í gervigreindarmyndböndum þar sem allir helstu aðilar, frá Runway til ByteDance, þrýsta á um lengra og betra úttak. Endurvinnsla villna gæti verið púsluspilið sem vantar til að opna næstu kynslóð getu.

🎬

Fyrir kvikmyndagerðarfólk og höfunda

Myndbandagerð í löngu sniði með samræmi gerir raunverulegt frásagnarefni mögulegt. Ekki bara stutt myndskeið, heldur atriði, raðir og að lokum stuttmyndir sem eru myndaðar úr einni skipun.

🔬

Fyrir rannsakendur

Endurvinnsla villna veitir almennt nýtanlegan ramma. Sama meginregla gæti átt við hljóðmyndun, smíði þrívíðra atriða og öll sjálfvirk myndunarlíkön sem þjást af reki.

🏢

Fyrir fyrirtæki

Stöðug myndun í löngu sniði gerir gervigreindarmyndbönd raunhæf fyrir fagleg notkunartilvik: vörukynningar, þjálfunarmyndbönd og markaðsherferðir sem krefjast stöðugra gæða yfir margar mínútur af efni.

Fram undan

Verk VITA Lab táknar grundvallarbreytingu á því hvernig við hugsum um gervigreindarmyndbandagerð. Í stað þess að byggja sífellt stærri líkön eða bæta við flóknum kerfum við keyrslu var lausnin einfaldlega að sýna líkaninu hvernig eigið úttak þess lítur út.

Greinin verður kynnt á ICLR 2026 og nokkrar heimildir úr iðnaðinum benda til þess að stórir veitendur myndbandalíkana séu þegar að kanna samþættingu. Ef heimslíkön tákna framtíðina í því hvernig gervigreind skilur eðlisfræði og rými, táknar endurvinnsla villna framtíðina í því hvernig gervigreind viðheldur þeim skilningi yfir tíma.

✅

Tími 4 sekúndna gervigreindarmyndbanda gæti verið að líða undir lok fyrr en nokkur bjóst við. Og það mun ekki krefjast nýrrar líkanagerðar eða milljarða dollara reiknifjárhags. Bara snjallari þjálfunarlykkju.

Frekara lesefni

Opna byltingin í gervigreindarmyndböndum: Hvernig opin líkön eru að minnka bilið við sérkerfi
Eðlisfræðileg hermun í gervigreindarmyndböndum: Að skilja hvernig líkön læra eðlisfræðilegt samræmi
Dreifingartransformerar: Hugbúnaðararkitektúrinn sem knýr nútíma myndbandagerð

Heimildir

International Conference on Learning Representations: Oral (staða ICLR 2026) (International Conference on Learning Representations)
EPFL VITA-rannsakendur í gegnum arXiv: Stable Video Infinity styður myndbandagerð af óendanlegri lengd án viðbótar keyrslu… (EPFL VITA-rannsakendur í gegnum arXiv)