Kandinsky 5.0: A Family of Foundation Models for Image and Video Generation
تقدم هذه الورقة البحثية "كاندينسكي 5.0" (Kandinsky 5.0)، وهي عائلة من النماذج التأسيسية مفتوحة المصدر التي تضم متغيرات لتوليد الصور والفيديو بما يصل إلى 19 مليار معلمة، والتي تستفيد من دورة حياة شاملة لتنسيق البيانات وتقنيات تدريب متقدمة لتحقيق توليد عالي الدقة للصور وتوليد فيديو مدته 10 ثوانٍ بمستوى رائد في هذا المجال.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
إليك شرح لورقة بحث "كاندينسكي 5.0" (Kandinsky 5.0)، مترجمة إلى لغة يومية بسيطة مع استخدام تشبيهات إبداعية.
الصورة الكبيرة: عائلة جديدة من الفنانين الرقميين
تخيل استوديو فن رقمي قام للتو بتوظيف عائلة جديدة تمامًا من الفنانين. هذه العائلة، المسماة Kandinsky 5.0، مصممة لإنشاء صور عالية الدقة وأفلام مدتها 10 ثوانٍ بمجرد قراءة أوصافك النصية.
تقدم الورقة البحثية ثلاثة "أشقاء" محددين في هذه العائلة، لكل منهم وظيفة ومستوى مهارة مختلف:
- Kandinsky 5.0 Image Lite (الفنان 6B): متخصص في إنشاء صور ثابتة عالية الدقة وتعديل الصور الموجودة.
- Kandinsky 5.0 Video Lite (الفنان 2B): عامل خفيف الوزن وسريع يمكنه صنع مقاطع قصيرة مدتها 10 ثوانٍ. فكر فيهم كـ "عدّاء السرعة" في العائلة.
- Kandinsky 5.0 Video Pro (الفنان 19B): بطل الوزن الثقيل. هذا نموذج ضخم ينشئ فيديوهات عالية الجودة والتفاصيل لأعلى المستويات بمدة 10 ثوانٍ.
الهدف الرئيسي من هذا التقرير هو توضيح كيف بنوا هؤلاء الفنانين، وكيف دربوهم، وكيف جعلوهم سريعين بما يكفي ليكونوا مفيدين دون الحاجة إلى حاسوب خارق في غرفة معيشتك.
1. معسكر التدريب: كيف تعلموا الإبداع
لا يمكنك ببساطة إعطاء لوحة فارغة لروبوت وتوقع خروج تحفة فنية. تفصل الورقة البحثية "معسكر تدريب" صارم يتضمن ثلاث مراحل رئيسية:
- المرحلة 1: ما قبل التدريب (الجولة العالمية):
تخيل النماذج كطلاب في رحلة ميدانية ضخمة. يتم عرض مئات الملايين من الصور ومقاطع الفيديو من الإنترنت عليهم. يتعلمون الأساسيات: كيف يبدو شكل القطة، كيف تتحرك المياه، وما هو شعور غروب الشمس. هنا يتعلمون "قواعد" العالم المرئي. - المرحلة 2: الضبط الدقيق تحت الإشراف (مدرسة الفنون):
بعد الرحلة الميدانية، يذهبون إلى مدرسة فنون صارمة. هنا، يقوم خبراء بشريون باختيار أفضل الأمثلة وأجملها من الفن والفيديو يدويًا. يتدرب النماذج على هذه الأمثلة المثالية ليتعلموا كيف يجعلون الأشياء تبدو واقعية وجمالية، وليس فقط "مقبولة". - المرحلة 3: "اختبار التذوق" (التدريب اللاحق باستخدام التعزيز - RL):
هذه خدعة ذكية. تقوم النماذج بإنشاء صورتين. ينظر "حكم" (نموذج مكافأة) إليهما ويقول: "أنا أفضل الأولى أكثر". تتعلم النموذج بعد ذلك إنتاج المزيد مما يحبه الحكم. الأمر يشبه طباخًا يتذوق حساءه الخاص ويعدل التوابل حتى يصبح مثاليًا.
2. الخلطة السرية: أدوات وحيل جديدة
توضح الورقة أن الطرق القديمة لبناء هذه النماذج كانت بطيئة وغير مرنة. لذا ابتكروا أدوات جديدة لجعلها أسرع وأكثر حدة:
- آلية "الانتباه الذكي" (NABLA):
- المشكلة: مشاهدة فيديو مدته 10 ثوانٍ تشبه محاولة تذكر كل إطار في فيلم دفعة واحدة. بالنسبة للكمبيوتر، هذا يشبه محاولة حمل مكتبة من الكتب في رأسك أثناء قراءة صفحة واحدة. إنه حمل ثقيل جدًا.
- الحل: بنوا نظامًا يسمى NABLA. تخيل أمين مكتبة لا يقرأ كل كتاب في المكتبة للعثور على اقتباس، بل ينظر فقط إلى الأرفف المحددة المتعلقة بسؤالك. هذا يسمح للنموذج بالتركيز فقط على الأجزاء المهمة من الفيديو، مما يجعله أسرع بمقدار 2.7 مرة دون فقدان الجودة.
- عملية "التقطير" (التسريع):
- المشكلة: الفيديو عالي الجودة يستغرق وقتًا طويلاً عادةً لإنشائه (مثل خبز كعكة من الصفر).
- الحل: أنشأوا نسخ "Flash" من نماذجهم. فكر في هذا كأخذ وصفة شيف ماهر وإنشاء نسخة "وجبة ميكروويف" منها. ليست معقدة تمامًا مثل الأصلية، لكنها جيدة بنسبة 90% وجاهزة في جزء بسيط من الوقت. لقد قللوا عدد الخطوات اللازمة لصنع فيديو من 100 خطوة إلى 16 خطوة فقط.
3. البيانات: تنظيف المكتبة
قبل أن تتمكن النماذج من التعلم، كان على الفريق تنظيف "المكتبة" التي ستتعلم منها.
- التصفية: تخلصوا من الصور الضبابية، ومقاطع الفيديو التي تحتوي على علامات مائية، والمقاطع المملة جدًا (الثابتة) أو الفوضوية للغاية.
- الرمز الثقافي: جمعوا بيانات تتعلق بـ الثقافة الروسية (العمارة، التاريخ، الطبيعة) لضمان فهم النماذج لهذه الأنماط البصرية المحددة، والتي غالبًا ما تغفلها النماذج العالمية الأخرى.
- ضبط التعليمات: لنموذج تعديل الصور، أنشأوا مجموعة بيانات ضخمة من أزواج "قبل وبعد". إذا كان لديك صورة كلب وأردت تغييرها إلى قطة، سيتعلم النموذج بالضبط كيفية تبديل الفراء مع الحفاظ على الخلفية كما هي.
4. النتائج: ما مدى جودتها؟
لم يكتفِ الفريق بالقول "إنها جيدة"؛ بل وضعوها تحت الاختبار ضد نماذج مشهورة أخرى (مثل Sora و Veo و Wan).
- "اختبار التذوق الأعمى": عُرضت فيديوهات على البشر جنبًا إلى جنب دون معرفة أي نموذج صنعها. وكان عليهم اختيار الفائز.
- الحكم:
- الجودة البصرية والحركة: غالبًا ما تفوق Kandinsky 5.0 (خاصة نسخة Pro) على المنافسين مثل Veo 3 ونماذج Wan. بدت الفيديوهات أكثر واقعية، وكانت الحركات أكثر سلاسة، وكان هناك "خلل" (glitches) أقل (مثل الوجوه الذائبة الغريبة).
- اتباع التعليمات: تعترف الورقة البحثية أنه بينما يتفوق Kandinsky في جعل الأشياء تبدو واقعية، فإنه قد يواجه صعوبة أحيانًا في اتباع التعليمات النصية المعقدة للغاية بنفس دقة بعض المنافسين (مثل Veo 3). إنها عملية مقايضة: جودة بصرية أفضل، مقابل اتباع نصي أقل دقة بقليل.
- السرعة: نسخ "Flash" سريعة للغاية، مما يجعلها قابلة للاستخدام في التطبيقات التي تتطلب استجابة فورية.
5. سياسة "الباب المفتوح"
على عكس بعض الشركات التي تبقي أفضل نماذجها سرية، يقوم فريق Kandinsky بإطلاق كل شيء.
- إنهم يشاركون الكود، ووصفات بيانات التدريب، والنماذج النهائية مجانًا (بموجب رخصة مفتوحة).
- هم لا يضعون "قيودًا" صارمة داخل الكود نفسه، مؤمنين بأن المستخدمين يجب أن يكونوا مسؤولين عن كيفية استخدام الأداة. ومع ذلك، فهم يحذرون صراحة من أن المستخدمين يجب ألا يستخدموها في خطاب الكراهية، أو التزييف العميق (deepfakes)، أو الأنشطة غير القانونية.
الملخص
Kandinsky 5.0 هي عائلة جديدة من الفنانين الرقميين مفتوحي المصدر. يستخدمون طريقة أذكى للنظر إلى بيانات الفيديو ليكونوا أسرع، وعملية تدريب صارمة ليبدوا أكثر واقعية، وتقنية "تسريع" لإنشاء مقاطع فيديو بسرعة. وبينما لا يزالون يعملون على إتقان قدرتهم على اتباع التعليمات النصية المعقدة، فقد أثبتوا قدرتهم على إنشاء صور وفيديوهات مذهلة وعالية الجودة لمدة 10 ثوانٍ تضاهي أفضل الأنظمة المغلقة في العالم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.