اوپن سورس AI ویڈیو ماڈلز آخرکار فاصلہ کم کر رہے ہیں

نئے اوپن سورس حریف

میں براہ راست بات کروں گا: اگر آپ نے ایک سال پہلے اوپن سورس ویڈیو جنریشن آزمائی اور مایوسی سے ہار مان لی، تو دوبارہ کوشش کرنے کا وقت آ گیا ہے۔ منظر نامہ مکمل طور پر بدل چکا ہے۔

Wan 2.2: MoE پیش رفت

Alibaba کا Wan 2.2 خاص توجہ کا مستحق ہے۔ یہ پہلا اوپن سورس ویڈیو ماڈل ہے جو Mixture-of-Experts آرکیٹیکچر استعمال کرتا ہے، وہی طریقہ کار جس نے GPT-4 کو اتنا طاقتور بنایا۔ نتیجہ؟ کنزیومر RTX 4090 کارڈز پر 24fps پر مقامی 720p، AI اپ سکیلنگ کے ذریعے 1080p حاصل کیا جا سکتا ہے۔

ماڈل فزکس کو حیرت انگیز طور پر اچھی طرح سنبھالتا ہے، آبجیکٹ کی مستقل مزاجی اور کشش ثقل کی ہم آہنگی برقرار رکھتا ہے جس میں پچھلے اوپن ماڈلز ناکام رہے۔ یہ مکمل نہیں ہے، لیکن فرق ڈالنے کے لیے کافی قریب ہے۔

HunyuanVideo 1.5: کم سے زیادہ حاصل کرنا

Tencent نے HunyuanVideo 1.5 کے ساتھ مختلف نقطہ نظر اختیار کیا۔ بڑھانے کی بجائے، انہوں نے 13 ارب سے 8.3 ارب پیرامیٹرز تک کم کیا، جبکہ کسی طرح رفتار اور معیار دونوں بیک وقت بڑھا دیے۔

کارکردگی کے فوائد اہم ہیں کیونکہ وہ سنجیدہ ویڈیو جنریشن کو لیپ ٹاپس اور ورک سٹیشنز تک لاتے ہیں، نہ صرف ڈیٹا سینٹرز تک۔

Open-Sora 2.0: 200,000 ڈالر کا تجربہ

یہاں ایک سوچنے والا نمبر ہے: Open-Sora 2.0 کو تقریباً 200,000 ڈالر میں تربیت دی گئی۔ اس کا موازنہ ملکیتی ماڈلز پر خرچ کیے گئے سینکڑوں ملین سے کریں۔ پھر بھی یہ 11 ارب پیرامیٹر HunyuanVideo کے معیار سے میل کھاتا ہے، اور یہاں تک کہ Step-Video کے 30 ارب پیرامیٹر دیو کو بھی چیلنج کرتا ہے۔

تربیتی کوڈ مکمل طور پر اوپن ہے۔ ویٹس ڈاؤن لوڈ کے قابل ہیں۔ آرکیٹیکچر دستاویزی ہے۔ یہ تحقیقی پیش نظارہ نہیں ہے، یہ پروڈکشن کے لیے تیار ماڈل ہے جو آپ آج چلا سکتے ہیں۔

فاصلہ کیوں کم ہو رہا ہے

تین قوتیں یکجا ہو رہی ہیں:

یہ نمونہ اسی چیز کی عکاسی کرتا ہے جو LTX-2 کے کنزیومر GPUs میں 4K لانے کے ساتھ ہوا، لیکن بڑے پیمانے پر۔

عملی حقیقت

میں اس بارے میں ایماندار ہوں کہ "فاصلہ کم کرنے" کا اصل مطلب کیا ہے:

اوپن سورس ابھی بھی خام معیار اور رفتار میں پیچھے ہے۔ لیکن بہت سے استعمال کے معاملات کے لیے، وہ فاصلہ اب اہم نہیں رہا۔

کسے توجہ دینی چاہیے؟

چھ ماہ کی پیش گوئی

موجودہ رفتار کی بنیاد پر، میں توقع کرتا ہوں:

• ✓Q2 2026 تک 10 سیکنڈ سے کم جنریشن معیاری بننا
• ✓سال کے وسط میں ریئل ٹائم جنریشن پروٹو ٹائپس کا ابھرنا
• ○ملکیتی ماڈلز کے ساتھ معیار کی برابری (ابھی 12-18 ماہ باقی)
• ✓مین سٹریم ComfyUI اپنانے میں تیزی

diffusion transformer آرکیٹیکچر جو ان ماڈلز کو طاقت دیتا ہے بہتر ہوتا رہتا ہے۔ ہر مہینہ نئی اصلاحات، نئی تربیتی تکنیکیں، نئے کارکردگی کے فوائد لاتا ہے۔

شروع کرنا

اگر آپ ان ماڈلز کو خود آزمانا چاہتے ہیں:

1. Wan 2.2: RTX 4090 یا مساوی درکار ہے۔ ComfyUI نوڈز کے ساتھ GitHub پر دستیاب۔
2. HunyuanVideo 1.5: 14GB+ VRAM پر چلتا ہے۔ Hugging Face انضمام دستیاب۔
3. Open-Sora 2.0: مکمل تربیت اور inference کوڈ GitHub پر۔

بڑی تصویر

جو چیز مجھے سب سے زیادہ پرجوش کرتی ہے وہ یہ نہیں کہ اوپن سورس ویڈیو آج کہاں ہے، بلکہ یہ کہ یہ کہاں جا رہی ہے۔ فزکس سمولیشن اور مقامی آڈیو جنریشن میں ہر پیش رفت آخرکار اوپن ماڈلز میں بہتی ہے۔

جمہوریت حقیقی ہے۔ ٹولز قابل رسائی ہیں۔ فاصلہ کم ہو رہا ہے۔

ان تخلیق کاروں کے لیے جو پریمیم AI ویڈیو سبسکرپشنز کی قیمت سے باہر ہو گئے، ان اداروں کے لیے جنہیں آن پریمائز حل چاہیے، ان محققین کے لیے جو ممکنات کی حدود کو آگے بڑھا رہے ہیں، یہ توجہ دینے کا وقت ہے۔

سائیکل موٹر سائیکل بن رہی ہے۔ اور سپر کار ریس بہت زیادہ دلچسپ ہو گئی ہے۔