EPFL Stable Video Infinity: غلطی کی تدوین کی نقل کس طرح AI ویڈیو کے بڑے ترین مسئلہ کو حل کرتی ہے

ڈریفٹ کا مسئلہ جسے کوئی حل نہ کر سکا

اگر آپ نے کسی موجودہ ماڈل سے طویل مدت کی AI ویڈیو تیار کرنے کی کوشش کی ہے، تو آپ کو مایوسی معلوم ہے۔ Sora 2 آپ کے منصوبے کی بنیاد پر 15 سے 25 سیکنڈ تک محدود ہے۔ Runway Gen-4.5 زیادہ سے زیادہ 10 سیکنڈ ہے۔ Kling 3.0 15 سیکنڈ تک جاتا ہے۔ اس کی وجہ کمپیوٹنگ یا میموری نہیں ہے۔ یہ عارضی ڈریفٹ ہے۔

یہ بنیادی طور پر "ٹیلیفون گیم" کے مسئلہ کی طرح ہے۔ کافی لوگوں کے ذریعے ایک پیغام کتتا پھیلائیں اور یہ ناقابل شناخت ہو جاتا ہے۔ پچھلے طریقوں نے مختصر کلپ تیار کر کے انہیں ایک ساتھ سلائی کر کے ڈریفٹ سے لڑنے کی کوشش کی، لیکن سیم نظر آتے ہیں۔ دوسروں نے ہائریکل جنریشن استعمال کی (پہلے کے ڈھانچے، دوسرے میں انٹرپولیشن)، جو مدد دیتا ہے لیکن بنیادی مسئلہ کو ختم نہیں کرتا۔

غلطی کی تدوین میں داخل ہوں

یہ مقالہ، "Stable Video Infinity" کے نام سے، اور ICLR 2026 زبانی پریزنٹیشن کے طور پر قبول، ایک دھوکہ سادہ خیال پیش کرتا ہے: ماڈل کو اپنی غلطیوں کے ساتھ نمٹنے کی تیاری دیں۔

یہاں کلیدی بصیرت ہے۔ تربیت کے دوران، معیاری ویڈیو ڈفیوژن ماڈل صاف زمینی سچائی کے ڈیٹا سے سیکھتے ہیں۔ وہ کبھی اپنی تیار شدہ پیداوار نہیں دیکھتے۔ تعینات کے وقت، انہیں اچانک اپنی ناقص پیشن گوئیوں کے ساتھ کام کرنا پڑتا ہے، اور وہ شور سے نمٹنا نہیں جانتے۔

غلطی کی تدوین تربیت کے لوپ میں ترمیم کر کے اس کو درست کرتی ہے:

اس نقطہ نظر کی خوبصورتی اس کی سادگی میں ہے۔ کوئی نیا ماڈل معماری نہیں، کوئی اضافی پیرامیٹرز نہیں، کوئی انفرنس ٹائم کی چالیں نہیں۔ ماڈل صرف تربیت کے دوران سیکھتا ہے کہ حقیقی تعیناتی کی شرائط کیسی ہیں۔

یہ کیوں سوچتے ہو سے زیادہ اہم ہے

مضمرات لمبی بلی ویڈیو سے آگے جاتے ہیں۔ یہاں کیا بدلا:

اعدادوشمار

VITA Lab ٹیم نے متعدد فن تعمیر اور بینچ مارکس میں Stable Video Infinity کو ٹیسٹ کیا۔ نتائج حیران کن ہیں:

غلطی کی تدوین ہود کے نیچے کیسے کام کرتی ہے

ان لوگوں کے لیے جو تکنیکی تفصیلات چاہتے ہیں، یہاں ترمیم شدہ تربیت پائپ لائن میں کیا ہوتا ہے۔

معیاری ویڈیو ڈفیوژن تربیت صاف زمینی سچائی فریم x_0 کے لیے لاگو شدہ شور کے شیڈول epsilon استعمال کرتی ہے۔ ماڈل شور کی پیشن گوئی کرنا اور اصل سگنل کو بحال کرنا سیکھتا ہے۔ انفرنس ٹائم پر، ماڈل خود سے فریم t+1 کو فریم t کی اپنی پیشن گوئی پر مشروط کرتا ہے۔

تربیت (صاف ان پٹ) اور انفرنس (خود سے تیار کردہ ان پٹ) کے درمیان فاصلہ انتشار میں جانبداری کہلاتا ہے۔ غلطی کی تدوین براہ راست اس کو سنبھالتی ہے۔

یہ تصوری طور پر طے شدہ نمونہ سازی کی طرح ہے تسلسل سے تسلسل ماڈل میں، لیکن مسلسل ڈفیوژن فریم ورک کے لیے موافق۔ VITA Lab ٹیم اپنے مقالہ میں اس کنکشن کو قرار دیتے ہیں جبکہ نوٹ کرتے ہیں کہ ڈفیوژن ماڈل میں طے شدہ نمونہ سازی کی سادہ درخواست کام نہیں کرتی۔ ان کا شراکت وہ مخصوص فارمولہ ہے جو اسے ویڈیو جنریشن کے لیے مستحکم بناتا ہے۔

کھلے ذریعے کا فائدہ

شاید سب سے زیادہ دلکش پہلو: کوڈ GitHub پر مکمل طور پر کھلے ذرائع ہے (vita-epfl/Stable-Video-Infinity)۔ اس کا مطلب ہے کہ کوئی بھی تحقیقی لیب یا کمپنی اپنے موجودہ ویڈیو ماڈل میں غلطی کی تدوین کو لاگو کر سکتی ہے۔

کھلے ذریعے کی رہائی AI ویڈیو تحقیق کی برادری میں بڑھتے ہوئے رجحان کی پیروی کرتی ہے۔ LTX-2 اور Wan 2.6 جیسے ماڈل نے دکھایا ہے کہ کھلے ذریعے کی تراکیب ملکانہ متبادل کے ساتھ مقابلہ کر سکتے ہیں۔

صنعت کے لیے اس کا مطلب

ٹائمنگ قابل غور ہے۔ ہم AI ویڈیو کے ہتھیاروں کی دوڑ میں ہیں جہاں ہر بڑے کھلاڑی، Runway سے ByteDance تک، طویل، اعلیٰ معیار کی پیداوار کے لیے دھکا دے رہے ہیں۔ غلطی کی تدوین وہ گمشدہ حصہ ہو سکتا ہے جو صلاحیتوں کی اگلی نسل کو کھول سکتا ہے۔

آگے کے لیے دیکھو

VITA Lab کا کام AI ویڈیو جنریشن کے بارے میں سوچنے میں بنیادی تبدیلی کی نمائندگی کرتا ہے۔ بڑے ماڈل بنانے یا انفرنس ٹائم کے پیچیدہ میکانزم شامل کرنے کی بجائے، حل صرف ماڈل کو دکھانا تھا کہ اس کی پیداوار کیسی لگتی ہے۔

مقالہ ICLR 2026 میں پیش کیا جائے گا، اور متعدد صنعت کے ذرائع تجویز کرتے ہیں کہ بڑے ویڈیو ماڈل فراہم کنندگان پہلے سے انضمام کو دیکھ رہے ہیں۔ اگر دنیا کے ماڈل فزکس اور جگہ کو سمجھنے کے ماڈل کی آئندہ کی نمائندگی کرتے ہیں، تو غلطی کی تدوین وقت کے ساتھ اس سمجھ کو برقرار رکھنے کے ماڈل کی آئندہ کی نمائندگی کرتا ہے۔