💻 computer science

Relax Forcing: Relaxed KV-Memory for Consistent Long Video Generation

تقدم هذه الورقة "Relax Forcing"، وهي آلية ذاكرة زمنية مهيكلة تعمل على تفكيك السياق التاريخي إلى أدوار وظيفية (المصب، والذيل، والتاريخ الديناميكي) للتخفيف من تراكم الأخطاء وتحسين اتساق الحركة في التوليد الذاتي الانحدار للفيديوهات الطويلة، مما يثبت أن الاستخدام الاستراتيجي للذاكرة أكثر أهمية من مجرد زيادة حجم الذاكرة.

المؤلفون الأصليون: Zengqun Zhao, Yanzuo Lu, Ziquan Liu, Jifei Song, Jiankang Deng, Ioannis Patras

نُشر 2026-03-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zengqun Zhao, Yanzuo Lu, Ziquan Liu, Jifei Song, Jiankang Deng, Ioannis Patras

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 سرد قصة تستغرح ساعة كاملة. أنت الراوي، وفي كل دقيقة، عليك ابتكار المشهد التالي بناءً على ما قلته للتو.

هذا بالضبط ما تفعله مولدات الفيديو بالذكاء الاصطناعي عندما تنشئ فيديوهات طويلة. فهي تنظر إلى الثواني القليلة الأخيرة من الفيديو الذي صنعته للتو وتحاول تخمين ما سيحدث بعد ذلك.

المشكلة؟ مع طول القصة، يبدأ الذكاء الاصطناعي في الارتباك. ينسى من هو الشخصية الرئيسية، ويبدأ الخلفية في التشوّه، أو تصبح الحركة متيبسة ومتكررة. في الورقة البحثية، يطلق المؤلفون على هذا الأمر اسم "الانجراف الزمني" (temporal drift) — وهو يشبه راوياً بدأ حكايته بفارس شجاع، ولكن بحلول نهاية الحكاية، نسي وجود الفارس وأصبح يتحدث عن حبة بطاطس مرتبكة.

الطريقة القديمة: ذاكرة "الجدار الطوبي"

حاولت الأساليب السابقة حل هذه المشكلة عبر إعطاء الذكاء الاصطناعي بنك ذاكرة ضخم. قالوا له: "تذكر كل شيء قمت بإنتاجه على الإطلاق!"

فكر في هذا كأنك تحاول تذكر فيلم مدته ساعة من خلال التحديق في جدار مغطى بـ كل إطار منفرد من الفيلم.

الجيد: أنت تتذكر البداية.
السيء: الجدار مزدحم جداً بالمعلومات لدرجة تجعل الذكاء الاصطناعي يشعر بالإرهاق. فهو يركز أكثر من اللازم على آخر شيء رآه (الذيل)، مما يجعل الفيديو يعلق في حلقة مفرغة. أو، قد يرتبك بشدة بسبب الحجم الهائل للبيانات القديمة لدرجة أنه ينسى الحبكة العامة.

الحل الجديد: "الإجبار المسترخي" (Relax Forcing)

أدرك مؤلفو هذه الورقة أن امتلاك ذاكرة أكبر ليس هو الأفضل؛ بل الذاكرة الأكثر ذكاءً هي الأفضل.

لقد قدموا نظاماً يسمى Relax Forcing. فبدلاً من حشو عقل الذكاء الاصطناعي بكل إطار تم إنتاجه، قاموا بتنظيم الذاكرة في ثلاثة أدوار محددة، مثل طاقم تصوير سينمائي مُدار جيداً:

1. المرتكز (المرساة - The Sink)

ما هو: بضعة إطارات من بداية الفيديو تماماً.
التشبيه: تخيل منارة. مهما أبحرت السفينة (الفيديو) بعيداً، تظل المنارة في مكانها، لتذكر السفينة بمكان انطلاقها.
لماذا يساعد: يمنع الذكاء الاصطناعي من نسيان وجه الشخصية الرئيسية أو الإعداد الأصلي. إنه يحافظ على "هوية" الفيديو واتساقه.

2. الجسر (التاريخ - The History)

ما هو: بضعة إطارات مختارة بعناية من منتصف الفيديو.
التشبيه: فكر في مخرج سينمائي ينظر إلى السيناريو للعشر دقائق الماضية لضمان منطقية الحبكة. هو لا ينظر إلى السيناريو بأكمله، بل فقط إلى الأجزاء ذات الصلة التي تشرح لماذا تتحرك الشخصية بهذه الطريقة.
لماذا يساعد: يختار الذكاء الاصطناعي أكثر الإطارات إثارة للاهتمام من المنتصف لفهم تدفق الحركة. هذا يمنع الفيديو من أن يصبح متيبساً أو متكرراً.

3. السياق المباشر (الذيل - The Tail)

ما هو: آخر بضعة إطارات تم إنتاجها.
التشبيه: هذه هي لحظة "ماذا حدث للتو؟". إنها تضمن اتصال المشهد الجديد بسلاسة مع المشهد الذي سبقه، تماماً مثل راقص ينسجم مع خطوة شريكه الحالية.
لماذا يساعد: يحافظ على حركة سلسة ومنطقية للثانية التالية مباشرة.

كيف يعمل الأمر: الاختيار "المسترخي"

يكمن سحر Relax Forcing في كيفية اختيار إطارات "الجسر" (التاريخ).

في الأيام الخوالي، كان الذكاء الاصطناعي ببساطة يأخذ آخر 100 إطار. في هذه الطريقة الجديدة، يسأل الذكاء الاصطناعي نفسه:

"هل يبدو هذا الإطار القديم مثل البداية (المرتكز)؟" (جيد! احتفظ به من أجل الاستقرار.)
"هل يبدو هذا الإطار القديم تماماً مثل الإطار الأخير (الذيل)؟" (سيء! إنه مكرر. تخلص منه.)

إنه يحتفظ فقط بالإطارات التي تتمتع بفرادة كافية لتكون مثيرة للاهتمام ولكنها تشبه البداية بما يكفي للحفاظ على اتساق القصة. الأمر يشبه أمين مكتبة لا يحتفظ بكل كتاب كُتب على الإطلاق، بل ينسق رفاً خاصاً بأكثر القصص صلة لمساعدتك في كتابة الفصل التالي.

النتيجة

من خلال استخدام هذا النهج "المسترخي"، يمكن للذكاء الاصطناعي إنشاء فيديوهات بطول دقائق (تصل إلى 60 ثانية في اختباراتهم) دون:

تغير وجوه الشخصيات.
ذوبان الخلفية واختفائها.
تحول الحركة إلى حركة آلية (روبوتية).

باختصار: تعلمنا هذه الورقة أنك لكي تروي قصة طويلة، لا تحتاج لتذكر كل شيء. أنت تحتاج فقط لتذكر البداية، والمنتصف، والآن، مع تجاهل الأجزاء المملة والمتكررة فيما بينهما. وهذا يجعل الذكاء الاصطناعي راوياً أفضل بكثير.

إليك ملخص تقني مفصل لورقة البحث بعنوان "Relax Forcing: Relaxed KV-Memory for Consistent Long Video Generation".

1. بيان المشكلة

برزت نماذج انتشار الفيديو ذات التوليد الذاتي (Autoregressive video diffusion models) كنموذج واعد لتوليد فيديوهات طويلة (بمقياس الدقيقة) عبر توليد الإطارات بشكل سببي (causally). ومع ذلك، فإن تمديد هذه النماذج إلى ما وراء أفق التدريب الخاص بها يواجه تحديًا حرجًا وهو: التدهور الزمني التدريجي (progressive temporal degradation).

انحياز التعرض (Exposure Bias): حتى مع استراتيجيات التدريب مثل Self Forcing (التي تُشروط النموذج على تنبؤاته الخاصة أثناء التدريب)، لا يزال الاستنتاج يتضمن عملية توليد مستمرة حيث تتراكم الأخطاء المتبقية بمر over الوقت.
عنق زجاجة الذاكرة (The Memory Bottleneck): تحاول النهج الحالية التخفيف من ذلك عن طريق زيادة سعة الذاكرة (الاحتفاظ بمزيد من الإطارات التاريخية) أو ضغط الذاكرة. ومع ذلك، يرى المؤلفون أن المشكلة الجوهرية ليست في كمية الذاكرة، بل في كيفية استخدام الذاكرة الزمنية.
ملاحظة رئيسية: يكشف التحليل التجريبي أن:
1. مجرد زيادة عدد الإطارات التاريخية (الذاكرة الكثيفة) لا يحسن الجودة باستمرار؛ بل غالبًا ما يؤدي إلى إدخال تكرار يقيد ديناميكيات الحركة.
2. الموضع الزمني (Temporal Placement) للإطارات التاريخية مهم بشكل كبير. فالأجزاء المختلفة من التاريخ تؤدي أدوارًا وظيفية مختلفة (مثل الاستقرار العالمي مقابل الاستمرارية قصيرة المدى)، والتي تُعامل حاليًا كذاكرة متجانسة.

2. المنهجية: Relax Forcing

تقترح الورقة Relax Forcing، وهي استراتيجية استنتاج لا تتطلب تدريبًا (training-free) تستبدل مخزن الذاكرة الزمني المتسلسل الكثيف بآلية ذاكرة KV (KV-memory) متفرقة ومنظمة.

المفهوم الجوهري: تفكيك الذاكرة الزمنية

بدلاً من الانتباه إلى جميع الإطارات الماضية، يقوم Relax Forcing بتفكيك السياق الزمني إلى ثلاثة أدوار وظيفية متميزة:

المصب (Sink - الركائز العالمية): مجموعة ثابتة من الإطارات المبكرة (مثل الإطارات القليلة الأولى) التي توفر الهوية طويلة الأمد واستقرار المشهد.
الذيل (Tail - السياق الحديث): مجموعة صغيرة من الإطارات التي تم توليدها مؤخرًا لضمان الاستمرارية قصيرة المدى والتحولات السلسة.
التاريخ (History - المدى المتوسط الديناميكي): مجموعة فرعية يتم اختيارها ديناميكيًا من الإطارات المتوسطة. يتم اختيار هذه الإطارات لتوفير توجيه هيكلي للحركة دون إدخال تكرار.

آلية الاختيار

يشير مصطلح "Relax" (الاسترخاء) إلى آلية التسجيل (scoring mechanism) المستخدمة لاختيار إطارات التاريخ من مجموعة مرشحة (عادة ما تكون النصف الأخير من المنطقة الوسطى). لكل إطار مرشح $h$ ، يتم حساب درجة الاسترخاء $r(h)$ :
$r(h) = S(h) - \lambda R(h)$
حيث أن:

$S(h)$ : درجة الاستقرار (Stability Score). تقيس التشابه بين النموذج الأولي للمرشح ونموذج الـ Sink الأولي. التشابه العالي يضمن الاتساق العالمي.
$R(h)$ : درجة التكرار (Redundancy Score). تقيس التشابه بين النموذج الأولي للمرشح ونموذج الـ Tail الأولي. التشابه العالي يشير إلى وجود تكرار مع السياق الحديث.
$\lambda$ : معامل (hyperparameter) يوازن بين المقايضة بين الاستقرار العالمي والتكرار المحلي.

يتم اختيار أفضل $K$ من الإطارات ذات الدرجات الأعلى لتشكيل مجموعة التاريخ. السياق الشرطي النهائي هو $M_i = S \cup H_i \cup T_i$ .

تعديل التضمين الموضعي (Positional Embedding Adjustment)

بما أن الذاكرة المختارة غير متصلة زمنيًا، فإن تضمين الموضع الدوراني (RoPE) ذو النافذة المنزلقة القياسي غير مناسب. يقدم المؤلفون مخطط الترقيم الهجين للموضع (Hybrid Positional Indexing):

الذيل (Tail): يستخدم فهارس الإطارات المطلقة للحفاظ على موقعها الزمني الحقيقي.
المصب والتاريخ (Sink & History): يتم تعيين فهارس نسبية تسبق مباشرة جزء الذيل. يسمح هذا للنموذج بالاستفيد من الركائز طويلة المدى والهيكل متوسط المدى دون إجبارها على الظهور متجاورة زمنيًا مع أحدث الإطارات، مما يحافظ على "المسافة" في آلية الانتباه.

3. المساهمات الرئيسية

التحليل المنهجي للذاكرة الزمنية: تحدد الورقة أن التكييف التاريخي الكثيف يمثل عائقًا أمام تطور الحركة في الآفاق الطويلة. وتثبت أن فعالية الذاكرة تعتمد على كل من الكمية والموضع الزمني، وليس فقط السعة.
ذاكرة KV المسترخية (Relaxed KV Memory): آلية ذاكرة متفرقة ومبتكرة لا تتطلب تدريبًا، تقوم بتفكيك السياق إلى: مصب، وذيل، وتاريخ مختار ديناميكيًا. هذا يقلل من الاعتماد المفرط على الإطارات الماضية الجامدة ويسمح بتوليد طويل الأمد ومرن.
مكاسب الأداء: يحسن الأسلوب ديناميكيات الحركة والاتساق الزمني بشكل كبير مع تقليل العبء الحسابي (طول الانتباه).

4. النتائج التجريبية

تم تقييم الطريقة باستخدام معيار VBench-Long لمهام توليد فيديو مدتها 30 ثانية و60 ثانية.

الأداء الكمي:
- الدرجة الإجمالية: حقق Relax Forcing أعلى متوسط درجات (80.87% لـ 30 ثانية، 80.88% لـ 60 ثانية)، متفوقًا على النماذج المرجعية القوية مثل Deep Forcing و Rolling Forcing.
- درجة الديناميكية (Dynamic Degree): كان التحسن الأكثر أهمية في درجة الديناميكية (65.67% مقابل 57.56% لـ Deep Forcing)، مما يشير إلى تطور حركة أفضل بكثير وسلوك أقل "جمودًا" أو تكرارًا.
- الاتساق: ظل الاتساق في الموضوع والخلفية (Subject and Background Consistency) تنافسيًا، مما يثبت أن زيادة الحركة لا تأتي على حساب انحراف الهوية البصرية.
الكفاءة:
- من خلال تقليل نافذة الانتباه من 21 إطارًا كثيفًا إلى 7 إطارات مهيكلة (2 للمصب + 1 للتاريخ + 1 للذيل + الكتلة الحالية)، حققت الطريقة تسريعًا بمقدار 1.58x في حسابات الانتباه الذاتي وتسريعًا بمقدار 1.26x في العملية من البداية إلى النهاية.
التقييم البشري:
- في دراسة تفضيل المستخدمين، فُضل Relax Forcing على النماذج المرجعية في جودة الحركة (65.4%) والجودة الإجمالية (53.8%)، مما يؤكد أن الذاكرة المهيكلة تنتج حركة أكثر طبيعية وتماسكًا على المدى الطويل.

5. الأهمية

تحول في النموذج المعرفي (Paradigm Shift): ينقل هذا العمل التركيز من "كم مقدار الذاكرة التي يجب الاحتفاظ بها" إلى "أي ذاكرة يجب الاحتفاظ بها وكيفية هيكلتها". وهو يثبت أن التفرقة المهيكلة (structured sparsity) تتفوق على التراكم الكثيف لتوليد الآفاق الطويلة.
لا يتطلب تدريبًا (Training-Free): على عكس العديد من الطرق السابقة التي تتطلب إعادة تدريب معقدة أو أهداف تدريب مدركة لعملية التوليد (rollout-aware)، فإن Relax Forcing هو استراتيجية استنتاج جاهزة للاستخدام (plug-and-play) ومتوافقة مع نماذج Self-Forcing الحالية.
القابلية للتوسع (Scalability): من خلال تقليل عبء الانتباه وتخفيف تراكم الأخطاء، يوفر هذا النهج مسارًا قابلاً للتوسع نحو توليد فيديوهات مدتها ساعات، مما يعالج قيدًا أساسيًا في نماذج انتشار الفيديو ذات التوليد الذاتي الحالية.

باختًا، يحل Relax Forcing مشكلة الانحراف في الفيديوهات الطويلة ليس عبر حفظ المزيد من التاريخ، بل عبر اختيار ذكي لمجموعة متفرقة ومتنوعة وظيفيًا من الإطارات التاريخية التي توازن بين الاستقرار العالمي وتطور الحركة الديناميكي.