EPFL Stable Video Infinity: การรีไซเคิลข้อผิดพลาดแก้ปัญหาใหญ่ที่สุดของวิดีโอ AI ได้อย่างไร

ปัญหาการดริฟต์ที่ยังไม่มีใครแก้ได้

หากคุณเคยลองสร้างวิดีโอ AI แบบยาวด้วยโมเดลปัจจุบัน คุณย่อมรู้ถึงความน่าหงุดหงิด Sora 2 จำกัดที่ 15 ถึง 25 วินาที ขึ้นอยู่กับแพ็กเกจของคุณ Runway Gen-4.5 สูงสุดที่ 10 วินาที Kling 3.0 ไปได้ถึง 15 วินาที เหตุผลไม่ใช่คอมพิวต์หรือหน่วยความจำ แต่คือ การดริฟต์ตามเวลา

สิ่งนี้คล้ายกับปัญหา "เกมกระซิบ" โดยพื้นฐาน กระซิบข้อความผ่านคนมากพอ ข้อความก็จะกลายเป็นสิ่งที่จำไม่ได้ วิธีการก่อนหน้านี้พยายามต่อสู้กับการดริฟต์ด้วยการสร้างคลิปสั้นกว่าแล้วนำมาต่อกัน แต่รอยต่อมองเห็นได้ วิธีอื่นใช้การสร้างแบบลำดับชั้น (สร้างคีย์เฟรมก่อน แล้วค่อยทำ interpolation) ซึ่งช่วยได้ แต่ไม่กำจัดปัญหาหลัก

การมาถึงของการรีไซเคิลข้อผิดพลาด

บทความชื่อ "Stable Video Infinity" ซึ่งได้รับคัดเลือกเป็น การนำเสนอ Oral ของ ICLR 2026 นำเสนอแนวคิดที่เรียบง่ายอย่างน่าหลอกลวง: สอนโมเดลให้รับมือกับข้อผิดพลาดของตัวเอง

นี่คือข้อมูลเชิงลึกสำคัญ ระหว่างการฝึก โมเดล diffusion สำหรับวิดีโอมาตรฐานเรียนรู้จากข้อมูล ground-truth ที่สะอาด พวกมันไม่เคยเห็นเอาต์พุตที่ตัวเองสร้างขึ้น เมื่อถูกนำไปใช้งานจริง พวกมันจึงต้องทำงานกับคำทำนายที่ไม่สมบูรณ์ของตัวเองในฐานะอินพุตอย่างกะทันหัน และไม่รู้ว่าจะจัดการกับสัญญาณรบกวนอย่างไร

การรีไซเคิลข้อผิดพลาดแก้ปัญหานี้ด้วยการปรับลูปการฝึก:

ความงดงามของแนวทางนี้อยู่ที่ความเรียบง่าย ไม่มีสถาปัตยกรรมโมเดลใหม่ ไม่มีพารามิเตอร์เพิ่มเติม และไม่มีเทคนิคพิเศษตอน inference โมเดลเพียงเรียนรู้ระหว่างการฝึกว่าสภาพการใช้งานจริงเป็นอย่างไร

เหตุใดเรื่องนี้จึงสำคัญกว่าที่คุณคิด

นัยสำคัญของมันไปไกลกว่าการสร้างวิดีโอแมวยาวขึ้น นี่คือสิ่งที่เปลี่ยนไป:

ตัวเลข

ทีม VITA Lab ทดสอบ Stable Video Infinity กับสถาปัตยกรรมและเกณฑ์มาตรฐานหลายแบบ ผลลัพธ์โดดเด่น:

การรีไซเคิลข้อผิดพลาดทำงานเบื้องหลังอย่างไร

สำหรับผู้ที่ต้องการรายละเอียดทางเทคนิค นี่คือสิ่งที่เกิดขึ้นในไปป์ไลน์การฝึกที่ปรับแก้แล้ว

การฝึก video diffusion มาตรฐานใช้ตารางสัญญาณรบกวน epsilon กับเฟรม ground-truth ที่สะอาด x_0 โมเดลเรียนรู้ที่จะทำนายสัญญาณรบกวนและกู้คืนสัญญาณต้นฉบับ ในช่วง inference โมเดลสร้างเฟรม t+1 แบบ autoregressive โดยมีเงื่อนไขจากคำทำนายของเฟรม t

ช่องว่างระหว่างการฝึก (อินพุตสะอาด) และ inference (อินพุตที่สร้างขึ้นเอง) เรียกว่า exposure bias การรีไซเคิลข้อผิดพลาดจัดการกับปัญหานี้โดยตรง

ในเชิงแนวคิด สิ่งนี้คล้ายกับ scheduled sampling ในโมเดล sequence-to-sequence แต่ถูกปรับให้เข้ากับกรอบ diffusion แบบต่อเนื่อง ทีม VITA Lab ให้เครดิตความเชื่อมโยงนี้ในบทความ พร้อมระบุว่าการนำ scheduled sampling มาใช้กับโมเดล diffusion โดยตรงนั้นใช้ไม่ได้ ผลงานของพวกเขาคือสูตรเฉพาะที่ทำให้มันเสถียรสำหรับการสร้างวิดีโอ

ข้อได้เปรียบของโอเพนซอร์ส

บางทีแง่มุมที่น่าตื่นเต้นที่สุดคือ โค้ดเป็นโอเพนซอร์สทั้งหมด บน GitHub (vita-epfl/Stable-Video-Infinity) ซึ่งหมายความว่าห้องปฏิบัติการวิจัยหรือบริษัทใด ๆ สามารถนำการรีไซเคิลข้อผิดพลาดไปใช้กับโมเดลวิดีโอที่มีอยู่ของตนได้

การเผยแพร่โอเพนซอร์สนี้สอดคล้องกับแนวโน้มที่กำลังเติบโตในชุมชนวิจัยวิดีโอ AI โมเดลอย่าง LTX-2 และ Wan 2.6 แสดงให้เห็นว่าแนวทางโอเพนซอร์สสามารถแข่งขันกับทางเลือกแบบกรรมสิทธิ์ได้

สิ่งที่หมายถึงสำหรับอุตสาหกรรม

ช่วงเวลานี้น่าทึ่ง เราอยู่ท่ามกลางการแข่งขันด้านวิดีโอ AI ที่ผู้เล่นรายใหญ่ทุกคน ตั้งแต่ Runway ถึง ByteDance กำลังผลักดันเอาต์พุตให้ยาวขึ้นและมีคุณภาพสูงขึ้น การรีไซเคิลข้อผิดพลาดอาจเป็นชิ้นส่วนที่ขาดหายไป ซึ่งปลดล็อกความสามารถยุคถัดไป

มองไปข้างหน้า

ผลงานของ VITA Lab แสดงถึงการเปลี่ยนแปลงพื้นฐานในการคิดเกี่ยวกับการสร้างวิดีโอ AI แทนที่จะสร้างโมเดลที่ใหญ่ขึ้นเรื่อย ๆ หรือเพิ่มกลไก inference ที่ซับซ้อน ทางออกคือเพียงแสดงให้โมเดลเห็นว่าเอาต์พุตของตัวเองมีหน้าตาอย่างไร

บทความจะถูกนำเสนอที่ ICLR 2026 และแหล่งข่าวในอุตสาหกรรมหลายแห่งชี้ว่าผู้ให้บริการโมเดลวิดีโอรายใหญ่กำลังสำรวจการผสานรวมแล้ว หาก world models แสดงถึงอนาคตของวิธีที่ AI เข้าใจฟิสิกส์และพื้นที่ การรีไซเคิลข้อผิดพลาดก็แสดงถึงอนาคตของวิธีที่ AI รักษาความเข้าใจนั้นไว้ตลอดเวลา

แหล่งข้อมูล

• International Conference on Learning Representations: Oral (สถานะ ICLR 2026) (International Conference on Learning Representations)
• นักวิจัย EPFL VITA ผ่าน arXiv: Stable Video Infinity รองรับการสร้างวิดีโอความยาวไม่จำกัดโดยไม่มี inference เพิ่มเติม… (นักวิจัย EPFL VITA ผ่าน arXiv)