ملخص تقني: YoCausal

بيان المشكلة

مع تقدم نماذج انتشار الفيديو (VDMs) نحو هدف التحول إلى "نماذج عالمية" (world models)، يظل هناك سؤال جوهري: هل تفهم هذه النماذج السببية حقاً، أم أنها تكتفي بمجرد الإفراط في التلاؤم (overfitting) مع الأنماط الزمنية الإحصائية؟ تعتمد الاختبارات المرجعية الحالية لتقييم "المعرفة العالمية" في النماذج التوليدية بشكل كبير على بيانات اصطناعية أو تسجيلات مختبرية محكومة لعزل المتغيرات الفيزيائية. ويخلق هذا الاعتماد فجوة كبيرة من نوع "من المحاكاة إلى الواقع" (sim-to-real)، مما يحد من تقييم التعميم في العالم الحقيقي. علاوة على ذلك، غالباً ما تخلط التقييمات الحالية بين إدراك "سهم الزمن" (الاتجاه الجوهري للزمن) وبين الاستدلال السببي الحقيقي (فهم أن الحدث أ يسبب الحدث ب). هناك نقص في الاختبارات المرجعية القابلة للتوسع في العالم الحقيقي والتي يمكنها الفصل بين هذين المفهومين لتقييم ما إذا كانت نماذج انتشار الفيديو قد استوعبت البنى السببية كجزء من مقدماتها المتعلمة.

المنهجية

يقترح المؤلفون YoCausal، وهو اختبار مرجعي مكون من مستويين مستوحى من نموذج انتهاك التوقعات (VoE) من العلوم المعرفية. تتمثل الفرضية الأساسية في أن النموذج المدرك للسببية يجب أن يظهر "الدهشة" (احتمالية أقل/خسارة أعلى) عند مواجهة محفزات مضادة للواقع، مثل الفيديوهات المعكوسة زمنياً، مقارنة بالفيديوهات الأمامية.

1. بناء مجموعة البيانات

على عكس الأعمال السابقة التي تتطلب رندرة (rendering) اصطناعية، يستخدم YoCausal فيديوهات من العالم الحقيقي من مجالات متنوعة (عام، فيزياء، حركة بشرية، حركة حيوانية) مستمدة من مجموعات بيانات موجودة (مثل: Moments in Time، Physics IQ، Kinetics، Animal Kingdom).

• المضادات للواقع صفرية التكلفة: يقوم الاختبار المرجعي بتوليد عينات مضادة للواقع طبيعية عن طريق عكس الفيديوهات الحقيقية زمنياً. وهذا يسمح بقابلية توسع غير محدودة لمجموعة البيانات دون فجوة "من المحماة إلى الواقع".
• النطاق: يغطي التقييم الأولي 1,232 فيديو عبر أربعة مجموعات فرعية موضوعية.

2. إطار التقييم

يعمل الإطار على مستويين للفصل بين الإدراك الزمني والإدراك السببي:

• المستوى الأول: مؤشر الدهشة العكسي (RSI)

  • الآلية: لكل فيديو، يحسب النموذج خسارة إزالة الضجيج (denoising loss) لكل من التسلسل الأمامي ($x_f$) والتسلسل المعكوس ($x_r$) باستخدام ضجيج عينة متطابق عند نفس الخطوات الزمنية.
  • المقياس: يقيس RSI نسبة الفيديوهات التي يسجل فيها النموذج خسارة إزالة ضجيج أقل للتسلسل الأمامي مقارنة بالتسلسل المعكوس ($L(x_f) < L(x_r)$).
  • التفسير: يشير RSI المرتفع إلى أن النموذج يدرك سهم الزمن. ومع ذلك، فإن هذا وحده لا يؤكد الفهم السببي، حيث يمكن أن ينبع من انحيازات زمنية إحصائية.

• المستوى الثاني: مؤشر الإدراك السببي (CCI)

  • الفصل: يتم تقسيم مجموعة البيانات إلى مجموعة فرعية سببية ($D_c$) (فيديوهات تحتوي على تفاعلات صريحة بين السبب والنتيجة) ومجموعة فرعية غير سببية ($D_{nc}$) (فيديوهات بدون مثل هذه التفاعلات، مثل سيارة تسير في خط مستقيم).
  • الآلية: يقوم نموذج رؤية-لغوية (VLM) بأتمتة عملية التقسيم هذه بناءً على وجود آليات ظاهرة للسبب والنتيجة.
  • المقياس: $CCI = RSI(D_c) - RSI(D_{nc})$.
  • التفسير: يجب أن يكون النموذج المدرك للسببية أكثر "دهشة" من الفيديوهات السببية المعكوسة مقارنة بالفيديوهات غير السببية المعكوسة. يشير CCI المرتفع إلى أن النموذج يلتقط الإشارات السببية بما يتجاوز الأنماط الزمنية الإحصائية.

3. التحقق من الصحة

• موثوقية الـ VLM: تم التحقق من صحة التقسيم القائم على الـ VLM مقابل التوصيفات البشرية (Kendow's $\tau = 0.7613$) وتحليل التدفق البصري (optical flow)، مما يؤكد أن التقسيم يعتمد على دلالات عالية المستوى بدلاً من ميزات الحركة منخفضة المستوى.
• التحكم في الإنتروبيا: أكدت التجارب على المجموعات المتماثلة في الإنتروبيا أن RSI يعكس البنية الزمنية للأحداث بدلاً من ديناميكيات الإنتروبيا منخفضة المستوى.

النتائج الرئيسية

قيم الاختبار المرجعي 13 نموذجاً من أحدث نماذج انتشار الفيديو مفتوحة المصدر (بما في ذلك عائلات Wan، وCogVideoX، وHunyuanVideo، وLTX-Video) مقابل خط أساس بشري.

1. الزمن مقابل السببية: توجد فجوة كبيرة بين إدراك سهم الزمن وفهم السببية. حققت عدة نماذج RSI مرتفع (إدراك اتجاه الزمن) ولكن CCI منخفض أو سالب، مما يشير إلى أنها تعتمد على الإحصاءات الزمنية بدلاً من المنطق السببي.
2. الفجوة بين الإنسان والنموذج: تظهر حتى أفضل النماذج أداءً فجوة كبيرة مقارنة بالإدراك السببي على مستوى البشر. حقق البشر أعلى RSI وCCI عبر جميع المجموعات.
3. قوانين القياس (Scaling Laws): يرتبط الإدراك السببي بشكل كبير بمعاملات النموذج وتواريخ الإصدار ($\tau \approx 0.69$ و $0.60$ على التوالي). تظهر النماذج الأكبر والأحدث (مثل تلك القائمة على DiT) تحسناً في الفهم السببي، مما يشير إلى أن قوانين القياس تمتد إلى هذا النوع من الاستدلال عالي المستوى.
4. الاستقلالية عن الجمالية: يظهر الاختبار المرجعي عدم وجود ارتباط مع مقايسات الجودة الجمالية، مما يؤكد أن الفهم السببي قدرة متميزة لا تختلط مع الدقة البصرية.
5. الارتباط بالفيزياء: يوجد ارتباط إيجابي متوسط مع اختبارات الفيزياء البديهية (مثل LikePhys)، مما يشير إلى أن القوانين الفيزيائية تقيد تفاعلات الأشياء، لكن الإدراك السببي لا يمكن اختزاله في الفيزياء وحدها.

الأهمية والمساهمات

يدعي البحث المساهمات التالية:

• أول اختبار مرجعي للسببية لنماذج انتشار الفيديو: يعد YoCausal أول اختبار مرجعي مصمم خصيصاً لتقييم الإدراك السببي في نماذج توليد الفيديو، باستخدام مجموعة بيانات واقعية قابلة للتوسع وخالية من فجوات "من المحاكاة إلى الواقع".
• إطار عمل قائم على العلوم المعرفية: يقدم إطار عمل مكون من مستويين ينجح في الفصل بين إدراك "سهم الزمن" و"الإدراك السببي" الحقيقي، معالجاً بذلك قصور الاختبارات المرجعية السابقة القائمة على الفيزياء.
• أدلة تشخيصية: يكشف التقييم أن نماذج انتشار الفيديو مفتوحة المصدر الحالية تفتقر إلى فهم سببي قوي، مما يسلط الضوء على الفجوة الحرجة بين النماذج التوليدية الحالية وطموح الوصول إلى "النموذج العالمي".
• توجيه الأبحاث المستقبلية: من خلال إثبات أن التوسع والتطور المعماري يحسنان الإدراك السببي، يوفر هذا العمل أساساً كمياً لتوجيه تطوير النماذج العالمية المستقبلية، مع التأكيد على الاستدلال السببي كهدف متميز.

يشير المؤلفون إلى وجود قيود، بما في ذلك صعوبة تقييم الأحداث المتماثلة زمنياً (حيث تكون الفيديوهات الأمامية والمعكوسة متطابقة بصرياً) والاعتماد على أوزان النموذج لحساب خسارة إزالة الضجيج، مما يحد من تقييم النماذج مغلقة المصدر. ومع ذلك، يرى المؤلفون أن الاختبار المرجعي يغطي بفعالية الأنظمة المهيمنة من حيث السببية الصريحة بصرياً ذات الصلة بالمحاكاة الروبوتية، ومحركات الألعاب، والقيادة الذاتية.