💻 computer science

WorldMark: A Unified Benchmark Suite for Interactive Video World Models

تقدم هذه الورقة WorldMark، وهي أول مجموعة معايير موحدة وحلبة عبر الإنترنت تتيح مقارنة عادلة ومعيارية لنماذج عوالم الفيديو التفاعلية من خلال توفير مجموعة مشتركة من المشاهد، وتسلسلات الأفعال، ومقاييس التقييم عبر الأنظمة المتنوعة.

المؤلفون الأصليون: Xiaojie Xu, Zhengyuan Lin, Kang He, Yukang Feng, Xiaofeng Mao, Yuanyang Yin, Kaipeng Zhang, Yongtao Ge

نُشر 2026-04-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xiaojie Xu, Zhengyuan Lin, Kang He, Yukang Feng, Xiaofeng Mao, Yuanyang Yin, Kaipeng Zhang, Yongtao Ge

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 ناقد طعام تحاول الحكم على أفضل الطهاة في العالم. لكن هنا تكمن العقبة: الشيف (أ) لا يسمح لك بتذوق طعامه إلا في مطبخه الخاص وبمكوناته الخاصة. والشيف (ب) لا يسمح لك بتذوق طعامه إلا في مطبخ مختلف وبتوابل مختلفة. أما الشيف (ج) فيرفض أن تتذوق أي شيء ما لم تتحدث لغة لا يفهمها أحد غيره.

بما أن كل واحد منهم يطبخ في عالمه المنعزل، فلا يمكنك حقاً أن تقول: "الشيف (أ) أفضل من الشيف (ب)". يمكنك فقط أن تقول: "طعام الشيف (أ) جيد في مطبخ الشيف (أ)".

هذه هي المشكلة تماماً مع نماذج عوالم الفيديو التفاعلية (الذكاء الاصطناعي الذي ينشئ ألعاب فيديو أو عوالم افتراضية يمكنك التجول فيها). في الوقت الحالي، لكل نموذج قواعده الخاصة، "مطبخه" الخاص، وطريقته الخاصة في تلقي الأوامر.

إليك WorldMark. فكر في WorldMark كأنه أول "ساحة لتذوق الطعام" معيارية لهؤلاء المبدعين في عالم الذكاء الاصطناعي.

المشكلات الثلاث الكبرى التي يحلها WorldMark

1. "حاجز اللغة" (توحيد رسم خرائط الأفعال)

المشكلة: أحد نماذج الذكاء الاصطناعي يفهم "WASD" (مفاتيح لوحة المفاتيح للتحرك للأمام/الخلف/يسار/يمين). ونموذج آخر يفهم فقط "ضع يدك بهذا الشكل". وثالث يفهم فقط "قل 'تقدم للأمام' في جملة".
حل WorldMark: يعمل WorldMark مثل مترجم عالمي.

تخيل أن لديك جهاز تحكم عن بعد واحد بأزرار قياسية: تحرك للأمام، تحرك للخلف، اتجه يساراً، اتجه يميناً.
يأخذ WorldMark ضغطتك البسيطة على زر "للأمام" ويترجمها فوراً إلى اللغة المحددة التي يتحدث بها ذلك النموذج بعينه.
النتيجة: الآن، كل نماذج الذكاء الاصطناعي تحاول القيام بنفس المهمة تماماً في نفس الوقت، باستخدام نفس التعليمات تماماً. إنه مقارنة بين "تفاح وتفاح".

2. "الكتيب المفقود" (مجموعة الاختبارات)

المشكلة: سابقاً، كان كل نموذج ذكاء اصطناعي يُختبر في مشاهده المفضلة الخاصة به (مثل قلعة معينة في ماينكرافت أو مدينة محددة). فإذا كان النموذج سيئاً في الغابات ولكنه جيد في المدن، يمكنه ببساطة الاختباء في اختبارات المدينة.
حل WorldMark: يوفر WorldMark مضمار عقبات معيارياً يحتوي على 500 تحدٍ مختلف.

المشاهد: يتضمن 50 صورة بداية مختلفة، تتراوح من مدن واقعية وأماكن طبيعية إلى فنون "كارتونية" أو "أسلوبية".
زوايا الرؤية: يمكنك اختبار الذكاء الاصطناعي من منظور "الشخص الأول" (مثل ارتداء كاميرا GoPro) أو من منظور "الشخص الثالث" (مشاهدة شخصية من الخلف، مثل في ألعاب الفيديو).
الصعوبة: الاختبارات تزداد صعوبة.
- سهل: امشِ للأمام لمدة 20 ثانية.
- متوسط: امشِ للأمام، ثم استدر للخلف.
- صعب: سر في مسار دورية معقد لمدة دقيقة كاملة دون أن ينهار العالم من حولك.

3. "بطاقة الدرجات" (أدوات التقييم)

المشكلة: كيف تقيم الفيديو؟ هل هو جميل؟ هل تحرك عندما أمرته بذلك؟ هل جعل العالم منطقياً؟
حل WorldMark: لقد صمموا تقرير درجات ثلاثي الأجزاء لكل فيديو يتم إنتاجه:

الجودة البصرية (درجة "الجمال"): هل الفيديو ضبابي؟ هل الإضاءة غريبة؟ هل يبدو كصورة جميلة أم مجرد فوضى؟
التوافق مع التحكم (درجة "الطاعة"): إذا أمرت الذكاء الاصطناعي بالدوران يميناً، هل دار يميناً بالفعل؟ أم أنه انزلق جانباً فقط؟
اتساق العالم (درجة "المنطق"): هذا هو الجزء الأهم. إذا مشيت حول زاوية ثم عدت، هل لا يزال الكرسي موجوداً في مكانه؟ هل تشوه وجه الشخصية؟ هل تحولت السماء إلى ماء؟ هذا يتحقق مما إذا كان الذكاء الاصطناعي يتذكر العالم الذي أنشأه.

ماذا وجدوا؟ (التحول المفاجئ)

عندما مرروا جميع النماذج عبر هذا الاختبار المعياري، اكتشفوا أشياء مفاجئة فاتتها الاختبارات الخاصة السابقة:

الجمال لا يعني الذكاء: أحد النماذج (YUME) صنع أكثر الإطارات جمالاً وفنية. ولكن إذا تجولت في عالمه، ينهار المنطق. كان الأمر يشأبه لوحة فنية جميلة تتغير في كل مرة ترمش فيها عينك.
الذكاء لا يعني الجمال: نموذج آخر (Genie 3) حافظ على اتساق العالم بشكل مثالي (الكرسي ظل كرسي)، لكن الصور كانت أقل "فنية" من النماذج الأخرى.
كابوس "المنظور الثالث": عندما كان على الذكاء الاصطناعي إظهار شخصية من الخلف (مثل ألعاب الفيديو)، فقدت العديد من النماذ عقلها تماماً. لم يستطيعوا الحفاظ على ثبات الكاميرا أو إبقاء الشخصية داخل الإطار. الأمر يشبه مصوراً ينسى فجأة كيف يمسك الكاميرا.
المتخصصون ليسوا شاملين: الذكاء الاصطناعي الذي تم تدريبه خصيصاً على "ماينكرافت" لم يستطع التعامل مع مشهد مدينة واقعية على الإطلاق. الأمر يشبه طباخاً بارعاً في صنع الكعك ولكنه يحرق الخبز المحمص.

لماذا هذا مهم؟

قبل WorldMark، كان الأمر يشبه مشاهدة مباراة ملاكمة حيث يرتدي المقاتلون عصابات أعين ويتقاتلون في غرف مختلفة. لم نكن نعرف من هو الأقوى فعلياً.

لقد أزال WorldMark عصابات العين، ووضع الجميع في نفس الحلبة، وأعطاهم نفس الخصم. الآن، يمكن للباحثين أخيراً معرفة أي ذكاء اصطناعي يبني حقاً عالماً مستقراً وتفاعلياً، وأيها يقوم فقط بهلوسة صور جميلة.

لقًد بنوا أيضاً موقعاً إلكترونياً (World Model Arena) حيث يمكن لأي شخص مشاهدة هذه النماذج وهي تتواجه جنباً إلى جنب في الوقت الفعلي، مثل لوحة صدارة حية لأفضل منشئي العوالم الافتراضية.

إليك ملخص تقني مفصل لورقة البحث "WorldMark: مجموعة معايير موحدة لنماذج عالم الفيديو التفاعلية".

1. بيان المشكلة

يتقدم مجال نماذج عالم الفيديو التفاعلية (مثل Genie، وYUME، وHY-World، وMatrix-Game) بسرعة كبيرة، ولكن التقدم يعوقه غياب التقييم الموحد.

المعايير المجزأة: يتم تقييم النماذج الحالية باستخدام مجموعات بيانات خاصة تتضمن مشاهد ومسارات وواجهات تحكم مصممة خصيصاً لها، مما يجعل المقارنة العادلة بين النماذج أمراً مستحيلاً.
المدخلات غير المتوافقة: تستخدم النماذج آليات تحكم متباينة (مثل أوصاف اللغة الطبيعية، معاملات الوضعية بـ 6 درجات من الحرية، إشارات وحدة التحكم في الألعاب، نواقل الحركة)، مما يمنع إجراء اختبارات "مقارنة عادلة" (Apples-to-apples).
فقدان المقاييس: تركز المعايير العامة الحالية (مثل VBench أو WorldScore) على جودة الفيديو الناتج عن النص (Text-to-Video) أو مسارات الكاميرا السلبية، لكنها تفشل في تقييم القابلية للتحكم عبر الأفعال، والاتساق العالمي طويل الأمد، والاستجابة التفاعلية تحت ظروف موحدة.
الفجوة: بدون شروط اختبار معيارية (مشاهد متطابقة، تسلسلات أفعال متطابقة، وواجهة تحكم موحدة)، يستحيل تحديد ما إذا كان النموذج يطور حقاً نمذجة العالم أم أنه يتفوق فقط في ظل ظروف اختبار مواتية وخاصة به.

2. المنهجية: إطار عمل WorldMark

يقدم WorldMark بنية تحتية معيارية مصممة لخلق "ساحة لعب مشتركة" لنماذج تحويل الصورة إلى فيديو (I2V) التفاعلية. ويتكون من خمسة مكونات أساسية:

أ. واجهة الأفعال الموحدة والربط (Unified Action Interface & Mapping)

لمعالجة تباين المدخلات، يحدد WorldMark مفردات أفعال موحدة بنمط WASD (للأمام، للخلف، الانزلاق يساراً/يميناً، الدوران يسلاً/يميناً) محددة بالمدة الزمنية.

طبقة ربط الأفعال (Action-Mapping Layer): يقوم مُحول معياري بترجمة هذه المفردات المشتركة إلى تنسيق التحكم الخاص بكل نموذج (مثل المطالبات النصية لـ YUME، معاملات الوضعية لـ HY-World، أو إشارات وحدة التحكم لـ Genie 3).
المعايرة (Calibration): تقوم المُحولات بمعايرة معاملات كل نموذج (حجم الخطوة، معدل الدوران) لضمان تنفيذ التعليمات المتطابقة دلالياً بدقة عبر مختلف البنيات.

ب. مجموعة الاختبار الهرمية (500 حالة)

تتكون مجموعة المعايير من مجموعة بيانات منسقة مصممة لاختبار النماذج عبر ظروف متنوعة:

مجموعة الصور: 50 صورة مرجعية (تم توسيعها إلى 100 عبر التوليد من منظور الشخص الثالث) تغطي ثلاثة فئات من المشاهد (الطبيعة، المدينة، الداخل)، ونمطين (واقعي، فني/أسلوبي)، ومنظورين (منظور الشخص الأول، منظور الشخص الثالث).
مجموعة الأفعال: 15 تسلسلاً قياسياً للأفعال تتراوح من الانتقالات البسيطة إلى الدورات المعقدة والدورات الكاملة (360 درجة).
مستويات الصعوبة:
- سهل: مقطع واحد، 20 ثانية (الامتثال الأساسي).
- متوسط: مقطعان، 40 ثانية (انتقالات سلسة).
- صعب: ثلاثة مقاطع، 60 ثانية (اتساق مستدام عبر آفاق زمنية طويلة).
التصفية الواعية بالسياق: يقوم نموذج لغة ورؤية (VLM) بتحليل كل صورة مرجعية لاختيار تسلسلات الأفعال الممكنة فيزيائياً فقط (على سبيل المثال، منع الحركة الجانبية في المساحات المغلقة).

ج. أدوات التقييم النمطية (Modular Evaluation Toolkit)

يقوم WorldMark بتقييم الفيديوهات المولدة عبر ثلاثة أبعاد باستخدام مزيج من المقاييس الهندسية والمقاييس القائمة على نماذج اللغة والرؤية (VLM):

الجودة البصرية:
- الجودة الجمالية: الجاذبية كما يدركها البشر (متنبئ LAION).
- جودة التصوير: التشوهات منخفضة المستوى مثل الضوضاء أو الضبابية (MUSIQ).
الضبط مع التحكم (Control Alignment):
- خطأ الانتقال (Translation Error): المسافة الإقليدية غير المعتمدة على المقياس بين الموقع الحقيقي والموقع المقدر للكاميرا (عبر DROID-SLAM).
- خطأ الدوران (Rotation Error): الانحراف الزاوي الجيوديسي بين مصفوفات الدوران المتوقعة والحقيقية.
الاتساق العالمي (World Consistency):
- خطأ إعادة الإسقاط (Reprojection Error): التماسك المكاني ثلاثي الأبعاد عبر ضبط الحزم الكثيف (Dense Bundle Adjustment).
- اتساق الحالة/المحتوى/الأسلوب: أحكام قائمة على نماذج اللغة والرؤية (VLM) لتتبع استقرار الأجسام، والهلوسة (الظهور المفاجئ)، والاتساق الجمالي بمرور الوقت.

د. سير عمل التقييم

يتبع خط الإنتاج المسار التالي: اختيار الصورة $\leftarrow$ ربط الأفعال (عبر المُحولات) $\leftarrow$ توليد الفيديو (تحت ظروف معيارية) $\leftarrow$ تقييم المقاييس. وهذا يسمي للباحثين إمكانية استخدام مقاييس مخصصة مع الحفاظ على مدخلات معيارية.

3. المساهمات الرئيسية

أول معيار موحد: يعد WorldMark أول معيار يتيح مقارنة موحدة عبر النماذج لنماذج عالم I2V التفاعلية، حيث يدعم ستة نماذج رئيسية ذات واجهات متباينة.
رابط الأفعال الموحد (Unified Action Mapper): طبقة ترجمة مبتكرة توحد مدخلات التحكم المتنوعة (النص، الوضعية، وحدة التحكم) في مفردات دلالية واحدة، مما يتيح مقارنة عادلة.
مجموعة اختبار شاملة: مجموعة تضم 500 حالة تغطي منظور الشخص الأول والثالث، والأنماط الواقعية والفنية، ومستويات صعوبة متفاوتة.
نظام بيئي مفتوح: إصدار جميع البيانات، وكود التقييم، ومخرجات النماذج، بالإضافة إلى إطلاق ساحة عالم النماذج (warena.ai) للتصويت البشري المباشر جنباً إلى جنب وتتبع لوحة المتصدرين.

4. النتائج التجريبية

قام المؤلفون بتقييم ستة نماذج: YUME 1.5، وMatrix-Game 2.0، وHY-World 1.5، وHY-GameCraft، وOpen-Oasis، وGenie 3.

النتائج الرئيسية:

الجودة البصرية مقابل الاتساق العالمي غير مترابطان:
- أنتج YUME 1.5 أكثر الإطارات جمالاً (أعلى جودة جمالية وتصويرية) ولكنه سجل ترتيباً منخفضاً في الاتساق طويل الأمد والاتساق العالمي.
- حافظ Genie 3 (مغلق المصدر) على أكثر العوالم اتساقاً (أقل خطأ في إعادة الإسقاط، وأعلى اتساق في الحالة والمحتوى) ولكنه امتلك جودة بصرية متوسطة مقارنة بـ YUME.
الضبط مع التحكم $\neq$ الجودة الإجمالية:
- أظهر HY-GameCraft أقل أخطاء في الانتقال والدوران (تحكم دقيق) ولكنه عانى من جودة بصرية ضعيفة.
- امتلك Genie 3 أخطاء مسار أعلى، ومع ذلك حافظ على عالم متسق عالمياً، مما يشير إلى أن التحكم الهندسي الدقيق لا يضمن بالضرورة توليدًا عالي الجودة.
نمط الفشل في منظور الشخص الثالث:
- أدى الانتقال إلى منظور الشخص الثالث إلى انخفاض حاد في أداء العديد من النماذج. على سبيل المثال، زاد خطأ الدوران في Matrix-Game 2.0 بنحو 20 ضعفاً في منظور الشخص الثالث مقارنة بمنظور الشخص الأول، مما يسلط الضوء على صعوبة الحفاظ على التحكم في الكاميرا حول شخصية مرئية.
مشكلات نقل النطاق (Domain Transfer):
- فشل Open-Oasis، الذي تم تدريبه خصيصاً على لعبة Minecraft، في جميع المقاييس عند اختباره على مشاهد واقعية أو فنية، مما يشير إلى نقص في القدرة على التعميم.
التوافق البشري: أظهرت المقاييس الآلية ارتباطاً قوياً (Spearman correlation $\rho > 0.9$ ) مع ترتيب التفضيلات البشرية، مما يؤكد موثوقية هذا المعيار.

5. الأهمية

حل مشكلة تشتت التقييم: يقضي WorldMark على حاجز "المعايير الخاصة"، مما يسمح للمجتمع بتصنيف النماذج موضوعياً بناءً على مدخلات متطابقة.
كشف المقايضات الحرجة: تكشف الدراسة أن النماذج الحالية غالباً ما تحسن جانباً واحداً (مثل الجماليات أو التحكم) على حساب جوانب أخرى (مثل الاتساق)، مما يوجه الأبحاء المستقبلية نحو بنيات أكثر توازناً.
تحديد التحديات المفتوحة: يبرز التدهور الشديد في توليد منظور الشخص الثالث وصعوبة الاتساق طويل الأمد مجالات محددة تحتاج فيها نماذج العالم الحالية إلى تحسين.
مورد للمجتمع: من خلال توفير أدوات نمطية وساحة عبر الإنترنت، يسرع WorldMark عملية التطوير التكراري لنماذج العالم التفاعلية، منتقلاً بالمجال من التجارب المعزولة إلى مشهد تنافسي موحد.