Directing the Narrative: A Finetuning Method for Controlling Coherence and Style in Story Generation
تقترح هذه الورقة إطار عمل مكوناً من مرحلتين يجمع بين انتباه المجموعات المشتركة (GSA) لضمان الاتساق الجوهري للشخصيات، وتحسين التفضيل المباشر (DPO) لمواءمة الأسلوب، محققةً أداءً هو الأفضل في حالته في مجال تصور القصص من خلال تحسين هوية الشخصيات وتماسك الأسلوب بشكل كبير في معيار ViStoryBench.
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 مخرج تصور فيلماً. لديك سيناريو (القصة) وممثل رئيسي (الشخصية). هدفك هو تصوير 20 مشهداً مختلفاً: البطل يمشي تحت المطر، يقاتل تنيناً، ويتناول القهوة في مقهى.
المشكلة:
في عالم توليد الصور بالذكاء الاصطناعي، معظم "المخرجين" (نماذج الذاء الاصطناعي) سيئون جداً في الحفاظ على ثبات الممثل الرئيسي.
- في المشهد 1، البطل لديه فك مربع ووشاح أحمر.
- في المشهد 2، فجأة يصبح للبطل وجه مستدير وقبعة زرقاء.
- في المشهد 3، يتغير النمط الفني من رسوم كرتونية إلى صورة واقعية تماماً.
يُسمى هذا "انزياح الهوية" (Identity Drift). فالذكاء الاصطناعي ينسى من هي الشخصية لأنه يعامل كل صورة كحدث جديد ومنفصل، وليس كجزء من قصة مستمرة.
الحل:
تقدم ورقة بحثية بعنوان "إخراج السرد" (Directing the Narrative) طريقة جديدة لإصلاح ذلك. فكر في الأمر كمعسكر تدريبي مكون من خطوتين، مصمم لجعل الذكاء الاصطناعي سيداً في سرد القصص.
الخطوة 1: "حلقة النقاش الجماعية" (الانتباه المشترك للمجموعة - Group-Shared Attention)
التشبيه: تخيل فصلاً دراسياً حيث يقوم كل طالب برسم صورة لنفس الشخصية.
- الطريقة القديمة: كل طالب يرسم في عزلة تامة. الطالب (أ) يرسم قطة؛ الطالب (ب) يرسم كلباً. هم لا يتحدثون مع بعضهم البعض أبداً.
- الطريقة الجديدة (GSA): يضع المعلم (الذكاء الاصطناعي) جميع الطلاب في دائرة. قبل الرسم، ينظر الجميع إلى "صورة مرجعية" للشخصية يتم تمريرها في أرجاء الغرفة.
- كيف تعمل: لا ينظر الذكاء الاصطناعي فقط إلى النص الوصفي ("قطة على سطح منزل"). بل ينظر أيضاً إلى الصور الأخرى في نفس دفعة التوليد. إنه يستخدم آلية خاصة تسمى الانتباه المشترك للمجموعة (GSA) لـ "إلقاء نظرة خاطفة" على التفاصيل النظيفة وعالية الجودة للشخصية المرجعية أثناء رسم المشهد الجديد.
- النتيجة: يتعلم الذكاء الاصطناعي: "أوه، أنا أرسم الرجل ذو الوشاح الأحمر مجدداً. يجب أن أتأكد من نسخ ذلك الوشاح بدقة". إنه يبني ذاكرة هيكلية للشخصية دون الحاجة لحفظ ملف محدد لكل شخص.
الخطوة 2: "الناقد الصارم" (تحسين التفضيل المباشر - Direct Preference Optimization)
التشبيه: الآن بعد أن أصبح بإمكان الذكاء الاصطناعي الحفاظ على مظهر الشخصية ثابتاً، قد تظل الرسومات تبدو غريبة، أو جامدة، أو "غير مضبوطة". ربما الأيدي كبيرة جداً، أو الإضاءة سيئة.
- الطريقة القديمة: تحاول إصلاح ذلك بإضافة عقوبات رياضية (مثل إخبار الذكاء الاصطناعي: "لا ترسم الكثير من الأصابع"). غالباً ما يجعل هذا الذكاء الاصطناعي مرتبكاً وتصبح الصور أسوأ.
- الطريقة الجديدة (DPO): تقوم بتعيين ناقد فني بشري. تعرض على الناقد صورتين:
- صورة تبدو فيها الشخصية رائعة ومتسقة.
- صورة تبدو فيها الشخصية مشوهة قليلاً أو النمط الفني غير دقيق.
يقول الناقد: "أنا أفضل الصورة رقم 1".
- كيف تعمل: يتعلم الذكاء الاصطناعي من هذه الاختيارات. بدلاً من اتباع قاعدة رياضية جامدة، فإنه يتعلم الذوق البشري. إنه يفهم أن "الجيد" يعني "متسق وجذاب في آن واحد". هذه الخطوة تصقل المسودة الأولية من الخطوة الأولى، فتصلح الأخطاء التشريحية وتجعل القصة تبدو كفيلم احترافي.
النتيجة النهائية
من خلال الجمع بين هاتين الخطوتين، ابتكر المؤلفون نظاماً:
- يتذكر الشخصية تماماً عبر مشاهد مختلفة (بفضل "حلقة النقاش الجماعية").
- يبدو جميلاً وطبيعياً (بفضل "الناقد الصارم").
لماذا هذا مهم؟
قبل هذا، إذا كنت تريد إنشاء كتاب مصور أو قصة بنفس الشخصية في 50 مشهداً مختلفاً، كان عليك القيام بالكثير من التعديلات اليدوية أو قبول أن الشخصية ستبدو كشخص مختلف في كل لوحة. تسمح هذه الطريقة الجديدة للذكاء الاصطناعي بأن يعمل كراوٍ بصري حقيقي، يحافظ على تماسك القصة ويجعل الشخصيات قابلة للتمييز من البداية وحتى النهاية.
باخت-اختصار: لقد علموا الذكاء الاصطناعي أن ينظر إلى أصدقائه (الصور الأخرى) ليتذكر من يرسم، ثم علموه أن يستمع إلى النقاد البشر ليتأكد من أن الرسم يبدو جيداً. والنتيجة هي قصة تتدفق بسلاسة، تماماً مثل فيلم حقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.