💻 computer science

WorldCache: Accelerating World Models for Free via Heterogeneous Token Caching

يُعد WorldCache إطار عمل تخزين مؤقت مبتكر يسرع نماذج العالم القائمة على الانتشار بمقدار يصل إلى 3.7 ضعفاً دون إعادة تدريب، متجاوزاً تحديات عدم تجانس الرموز والديناميكيات الزمنية غير المنتظمة من خلال التنبؤ الموجه بالانحناء والتخطي التكيفي ذي الأولوية الفوضوية للحفاظ على جودة عالية للتدفق المستمر.

المؤلفون الأصليون: Weilun Feng, Guoxin Fan, Haotong Qin, Chuanguang Yang, Mingqiang Wu, Yuqi Li, Xiangqi Li, Zhulin An, Libo Huang, Dingrui Wang, Longlong Liao, Michele Magno, Yongjun Xu

نُشر 2026-03-09

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Weilun Feng, Guoxin Fan, Haotong Qin, Chuanguang Yang, Mingqiang Wu, Yuqi Li, Xiangqi Li, Zhulin An, Libo Huang, Dingrui Wang, Longlong Liao, Michele Magno, Yongjun Xu

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

تخيل أنك تحاول التنبؤ بمستقبل عالم معقد ومتحرك — مثل لعبة فيديو حيث يمكنك التجول، والنظر إلى الأشياء، ورؤية حركة الشمس عبر السماء. هذا هو بالضبط ما تفعله "نماذج العالم" (World Models)؛ فهي أنظمة ذكاء اصطناعي تحاول محاكاة الواقع.

ومع ذلك، هناك مشكلة كبيرة: هذه عمليات المحاكاة بطيئة للغاية ومكلفة للغاية في التشغيل. لتوليد بضع ثوانٍ فقط من الفيديو، يتعين على الذكاء الاصطناعي اتخاذ مئات الخطوات الصغيرة، وإعادة حساب المشهد بأكွယ်ه من الصفر في كل مرة. الأمر يشبه محاولة رسم لوحة فنية رائعة عن طريق إعادة رسم اللوحة بأكملها من أول ضربة فرشاة إلى آخرها، في كل مرة تريد فيها إضافة تفصيل جديد واحد.

WorldCache هي طريقة جديدة تسرع هذه العملية بمقدار 3.7 مرة دون جعل الصورة تبدو أسوأ. وهي تفعل ذلك من خلال كونها "ذكية" فيما يتعلق بما تتخطاه.

إليك كيف تعمل، باستخدام تشبيه بسيط:

المشكلة: "الكسول" مقابل "الفوضوي"

تخيل أنك تشاهد فيلماً.

السماء: تتحرك الغيوم ببطء وبشكل يمكن التنبؤ به. إذا كنت تعرف أين كانت قبل 5 ثوانٍ، يمكنك تخمين مكانها الآن بدقة تقترب من 100%.
حادث سيارة: فجأة، تنحرف سيارة، وتصطدم، وتتطاير الشظايا. هذا أمر فوضوي. إذا حاولت تخمين ما سيحدث بعد ذلك بناءً على آخر 5 ثوانٍ، فستكون مخطئاً تماماً.

كانت طرق الذكاء الاصطناعي القديمة تعامل الفيلم بأكمله بنفس الطريقة. إما:

أعادت استخدام كل شيء: كانت تقوم فقط بنسخ الإطار الأخير. نجح هذا مع السماء، لكنه جعل حادث السيارة يبدو ككتلة ضبابية ومتجمدة.
حسبت كل شيء: كانت تعيد حساب كل بكسل لكل خطوة. كان هذا دقيقاً ولكنه استغرق وقتاً طويلاً جداً.

الحل: WorldCache

يعمل WorldCache مثل مخرج ذكي يعرف بالضبط الأجزاء التي تحتاج إلى الاهتمام في المشهد والأجزاء التي يمكن تجاهلها. وهو يستخدم حيلتين رئيسيتين:

1. بوصلة "الانحناء" (رصد الفوضى)

ينظر الذكاء الاصطناعي إلى كل قطعة صغيرة من الصورة (تسمى "توكن" أو Token) ويسأل: "هل هذه القطعة تتحرك في خط مستقيم، أم أنها تلتوي وتنعطف بجنون؟"

التوكنات المستقرة (السماء): تتحرك في خط مستقيم وممل. يقول الذكاء الاصطني: "أنا أعرف ما تفعله. سأقوم فقط بنسخ حركتك الأخيرة". (هذا هو إعادة الاستخدام - Reuse).
التوكنات الخطية (شخص يمشي): تتحرك بشكل يمكن التنبؤ به ولكن سرعتها تتغير قليلاً. يقول الذكاء الاصطناعي: "يمكنني تخمين حركتك التالية برسم خط مستقيم من موقعيك الأخيرين". (هذا هو الاستكمال الخطي - Linear Extrapolation).
التوكنات الفوضوية (حادث السيارة): هي التي تلتوي، وتنعطف، وتغير اتجاهها فوراً. يقول الذكاء الاصطناعي: "أوه لا، هذا خطير! لا يمكنني التخمين هنا. يجب أن أتوقف وأحسب هذا الجزء من الصفر". (هذا هو التحديث المخمد - Damped Update).

2. إنذار "الانحراف" (معرفة متى تتوقف عن التخمين)

حتى بالنسبة للأجزاء الفوضوية، لا يريد WorldCache حساب كل خطوة إذا لم يكن مضطراً لذلك. لذا، فإنه يضع إنذار انحراف.

تخيل أنك تسير على حبل مشدود. طالما أنك ثابت، فلا تحتاج إلى شبكة أمان. ولكن إذا بدأت في التمايل (الانحراف)، فإن الشبكة تحتاج للإمساك بك.

يراقب WorldCache الأجزاء "الفوضوية" عن كثب.
يقيس مدى "انحراف" تخمين الذكاء الاصطناعي عن الواقع.
الأمر الحاسم: هو يتجاهل الأجزاء المستقرة (السماء) لأنها لا تنحرف. هو يستمع فقط للأجزاء الفوضوية.
بمجرد أن تبدأ الأجزاء الفوضوية في التمايل كثيراً، يدق الإنذار، ويتوقف الذكاء الاصطناعي عن التخمين ويبدأ في القيام بالعمليات الحسابية الصعبة مجدداً.

لماذا يعد هذا أمراً هاماً؟

كانت معظم الطرق السابقة مثل طالب يحاول حفظ الكتاب المدرسي بأكمله للإجابة على سؤال واحد، أو طالب يخمن عشوائياً ويفشل.

أما WorldCache فهو مثل مدرس خصوصي يعرف بالضبط أي الأسئلة صعبة.

يقضي 90% من وقته في إلقاء نظرة سريعة على الأشياء السهلة (السماء، الجدران).
ولا يتوقف إلا للقيء بالجهد الثقيل عندما تبدأ الأشياء "الفوضوية" (السيارات المتحركة، التفاعلات المعقدة) في أن تصبح فوضوية.

النتيجة

من خلال القيام بذلك، يجعل WorldCache الذكاء الاصطناعي أسرع بمق de 3.7 مرة (مثل تحويل انتظار مدته 10 دقائق إلى 3 دقائق) مع الحفاظ على جودة الفيديو مطابقة تقريباً للنسخة البطيئة والمكلفة. وهذا يسمح لنا بتشغيل هذه "نماذج العالم" المعقدة على أجهزة الكمبيوتر العادية، مما يجعل الذكاء الاصطناعي التفاعلي والواقع الافتراضي أكثر عملية للجميع.

باخت-صار: يمنع WorldCache الذكاء الاصطناعي من إضاعة الطاقة في الأشياء التي يسهل التنبؤ بها، لكي يتمكن من تركيز قدراته الذهنية على الأشياء التي تتغير بالفعل والتي تتسم بالصعوبة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "WorldCache: تسريع نماذج العالم عبر التخزين المؤقت للرموز غير المتجانسة".

١. بيان المشكلة

تُعد نماذج العالم القائمة على الانتشار (مثل HunyuanVoyager وAether) أدوات قوية لمحاكاة الديناميكيات المكانية والزمانية، مما يُمكّن الوكلاء من التخطيط طويل الأمد والتفاعل. ومع ذلك، فإن نشرها العملي يعوقه ارتفاع تكالفت الاستدلال بسبب عملية إزالة الضجيج (denoising) التكرارية التي تتطلب تقييمات متكررة للنموذج الأساسي (backbone).

وعلى الرغم من أن التخزين المؤقت للميزات (إعادة استخدام أو التنبؤ بالميزات الوسيطة لتخطي حسابات النموذج الأساسي) قد نجح في تسريع نماذج الانتشار أحادية النمط للصور/الفيديو، إلا أنه يفشل عند تطبيقه مباشرة على نماذج العالم بسبب تحديين فريدين:
١. عدم تجانس الرموز وصعوبة التوزيع الطولي (Long-Tailed Difficulty): تعالج نماذج العالم رموزاً متعددة الأنماط مترابطة (مثل المظهر اللوني RGB والعمق ثلاثي الأبعاد 3D) ذات ديناميكيات فيزيائية متباينة. معظم الرموز تتطور بسلاسة (سهلة التنبؤ)، لكن مجموعة فرعية صغيرة تظهر تغيرات حادة وغير خطية (مثل حدود الحركة، وانقطاعات العمق). سياسات التخزين المؤقت الموحدة إما تهدر الحوسبة على الرموز السهلة أو تسبب انحرافاً كلياً (global drift) بالفشل في التعامل مع هذه الرموز "الصعبة" الفوضوية.
٢. الديناميكيات الزمنية غير المستقرة: تختلف صعوبة إزالة الضجيج عبر الخطوات الزمنية بشكل كبير. غالباً ما تهيمن بعض الرموز "العنقودية" (bottleneck tokens) على تراكم الخطأ خلال فترات فوضوية محددة. وتؤدي الاستدلالات القائمة على العتبات العالمية (global-threshold heuristics) إما إلى رد فعل متأخر جداً (تجاهل التحديثات الحرجة) أو استجابة مبكرة جداً (بسبب التغيرات الحميدة في الرموز السهلة)، مما يؤدي إلى توازن سيء بين السرعة والجودة.

٢. المنهجية: WorldCache

يقترح المؤلفون WorldCache، وهو إطار عمل للتسريع لا يتطلب إعادة تدريب، مصمم خصيصاً للطبيعة غير المتجانسة لنماذج العالم. ويتكون من مكونين أساسيين:

أ. التنبؤ بالرموز غير المتجانسة الموجه بالانحناء (CHTP)

بدلاً من تطبيق قاعدة تنبؤ واحدة لجميع الرموز، يقوم WorldCache بتقسيم الرموز ديناميكياً بناءً على درجة انحنائها ( $\kappa$ )، والتي تقيس عدم خطية مسارها الزمني.

حساب الانحناء: باستخدام آخر ثلاثة مخرجات كاملة للنموذج الأساسي، تحسب الطريقة السرعة المنفصلة ( $v$ ) والتسارع ( $a$ ) لكل رمز. تُعرف درجة الانحناء بـ $\kappa = \|a\|^2 / (\|v\|^2 + \epsilon)$ .
تجميع الرموز: تُصنف الرموز إلى ثلاث مجموعات بناءً على مئويات الانحناء:
- المستقرة ( $I_{stable}$ ): انحناء منخفض. الاستراتيجية: إعادة الاستخدام المباشر (الرتبة صفر).
- الخطية ( $I_{linear}$ ): انحناء متوسط. الاستراتيجية: الاستكمال الخطي (الرتبة الأولى).
- الفوضوية ( $I_{chaotic}$ ): انحناء عالٍ (تغيرات مفاجئة في الاتجاه). الاستراتيجية: التحديث المخمد الموجه بهيرميت (Hermite-guided Damped Update). يمزج هذا المتنبئ بين السرعة الحالية والسرعة السابقة باستخدام جدول "هيرميت" تكعيبي لمنع تجاوز الحدود (overshooting) والانحراف في المناطق الفوضوية.

ب. التخطي التكيفي ذو الأولوية للفوضى (CAS)

لتحديد متى يتم تفعيل تقييم كامل للنموذج الأساسي، يتجنب WorldCache المتوسط العالمي الذي يضعف تأثير الأخطاء الحرجة.

مؤشر الانحراف عديم الأبعاد: قدم المؤلفون مقياس انحراف معياري النطاق. بما أن فروق الميزات الخام تختلف في الحجم عبر الأنماط والخطوات الزمنية، فقد عرفوا درجة عديمة الأبعاد: $e_i(t) = \kappa_i \cdot \|\Delta y_{t,i}\|$ . وقد ثبت أن هذا الضرب ثابت تجاه إعادة قياس الميزات الكلية.
تحديد أولوية الفوضى: يراقب النظام فقط الانحراف المتراكم لمجموعة الرموز الفوضوية.
التحفيز التكيفي: يقوم المجمع $E_{acc}$ بجمع الانحراف المعياري للرموز الفوضوية. يتم تحفيز الحوسبة الكاملة فقط عندما يتجاوز $E_{acc}$ عتبة موحدة $\eta$ . يضمن هذا تخصيص الموارد بدقة عندما تبدأ الرموز الأكثر صعوبة في التباعد.

٣. المساهمات الرئيسية

١. تحديد المشكلة: حددت الورقة أن طرق التخزين المؤقت الحالية تفشل في نماذج العالم بسبب عدم تجانس الرموز متعددة الأنماط والأنظمة الزمنية غير المستقرة حيث تهيمن الرموز "العنقودية" على الفشل.
٢. التنبؤ الموجه بالانحناء: آلية مبتكرة تخصص قواعد تقريب مختلفة (إعادة استخدام، استكمال خطي، مخمد) للرموز بناءً على عدم خطية مسارها، وتعمل تحديداً على تثبيت الرموز الفوضوية باستخدام متنبئ مخمد.
٣. التخطي ذو الأولوية للفوضى: استراتيجية تخطي موحدة ومعيارية تركز على الرموز "الصعبة"، مما يسمح بتخطي عدواني دون زعزعة استقرار التدفق متعدد الأنماط.
٤. كفاءة بدون تدريب: لا يتطلب إطار العمل إعادة تدريب، مما يجعله قابلاً للتطبيق الفوري على نماذج عالم الانتشار الحالية.

٤. النتائج التجريبية

قيم المؤلفون WorldCache على نموذجين من أحدث النماذج: HunyuanVoyager-13B و Aether-5B.

السرعة:
- Voyager-13B: حقق تسريعاً يصل إلى 3.65 ضعفاً من البداية للنهاية (تقليل زمن الاستجابة من ~1054 ثانية إلى ~289 ثانية).
- Aether-5B: حقق تسريعاً يصل إلى 2.61 ضعفاً (تقليل زمن الاستجابة من ~55.4 ثانية إلى ~21.2 ثانية).
الحفاظ على الجودة:
- حافظ على 98% من جودة التدفق (rollout quality) مقارنة بالنموذج الأساسي.
- تفوق على جميع النماذج المرجعية التي لا تتطلب تدريباً (مثل TeaCache وEasyCache وDuCa) في المقاييس الإدراكية (PSNE، SSIM، LPIPS) واختبارات WorldScore.
- إعادة البناء ثلاثي الأبعاد: حافظ على القدرات المدركة للهندسة، محققاً تقديراً للعمق ودقة في وضع الكاميرا يقارب النتائج الأصلية (على سبيل المثال، مطابقة Abs Rel للأساس عند 0.340).
كفاءة الذاكرة: على عكس طرق التخزين المؤقت لكل طبقة والتي غالباً ما تتجاوز حدود ذاكرة الـ GPU الواحدة (>100 جيجابايت)، يعمل WorldCache بأعباء ذاكرة ضئيلة (~50 جيجابايت، مشابه للنموذج الأساسي).

٥. الأهمية

يعالج WorldCache عقبة حرجة في نشر نماذج العالم التوليدية. فمن خلال إدراك أن ليس كل الرموز متساوية، فإنه يتجاوز استراتيجيات التخزين المؤقت التقليدية التي تتبع مبدأ "مقاس واحد يناسب الجميع".

الواقعية: يُمكّن المحاكاة التفاعلية طويلة الأمد على أجهزة محدودة الموارد (GPU واحد) دون التضحية بالدقة.
القابلية للتعميم: يوفر مفهوم التنبؤ غير المتجانس الموجه بالانحناء والمراقبة ذات الأولوية للفوضى نموذجاً جديداً لتسريع أي نموذج انتشار توجد فيه ديناميكيات معقدة أو متعددة الأنماط.
الأثر: يسد الفجوة بين القدرات النظرية لنماذج العالم والتطبيق في الوقت الفعلي، مما يسهل التكرار السريع في مجالات الروبوتات، والقيادة الذاتية، والبيئات الافتراضية التفاعلية.

الكود متاح علناً على: https://github.com/FofGofx/WorldCache.