पिछले कुछ वर्षों में, कंप्यूटरों ने सरल लिखित विवरणों से चलते-फिरते चित्र बनाना सीख लिया है। यह तकनीक, जिसे टेक्स्ट-टू-वीडियो जनरेशन (text-to-video generation) के रूप में जाना जाता है, प्रयोगात्मक रेखाचित्रों से बढ़कर ऐसे उपकरणों तक पहुँच गई है जो सुसंगत, स्थिर और दृष्टिगत रूप से आकर्षक दृश्य बनाने में सक्षम हैं। कलाकार, फिल्म निर्माता और विज्ञापनदाता इन प्रणालियों का उपयोग नए संसारों की कल्पना करने के लिए करने लगे हैं, लेकिन एक मौलिक प्रश्न बना हुआ है: हम यह कैसे जान सकते हैं कि परिणाम वास्तव में अच्छा है? लंबे समय तक, वैज्ञानिकों ने इन वीडियो को तकनीकी विवरणों की जाँच करके मापा, जैसे कि क्या फ्रेम सुचारू रूप से चलते हैं या क्या कंप्यूटर ने निर्देशों का अक्षरशः पालन किया है। हालाँकि, एक वीडियो तकनीकी रूप से पूर्ण हो सकता है और फिर भी सपाट, निर्जीव या कलात्मक रूप से नीरस महसूस हो सकता है। जो हिस्सा गायब था, वह था वीडियो देखने के मानवीय अनुभव को मापने का एक तरीका—इसकी सुंदरता, इसका मिजाज और इसकी भावनात्मक गूँज।

Ant Group, बीजिंग फिल्म एकेडमी और बीजिंग इंस्टीट्यूट फॉर जनरल आर्टिफिशियल इंटेलिजेंस के शोधकर्ताओं की एक टीम ने VGA-BenchV2 नामक एक नए ढांचे के साथ इस चुनौती से निपटने का प्रयास किया है। उनका कार्य केवल साधारण तकनीकी जाँच से आगे बढ़कर एक ऐसी प्रणाली बनाने की दिशा में है जो वीडियो के सौंदर्यशास्त्र को उसी तरह समझती और मूल्यांकन करती है जैसे एक मानव करता है। उन्होंने 12 अलग-अलग कंप्यूटर मॉडलों द्वारा उत्पन्न 60,000 से अधिक वीडियो का एक विशाल पुस्तकालय बनाया, जिसमें विशिष्ट दृश्य गुणों का परीक्षण करने के लिए 1,016 सावधानीपूर्वक लिखे गए प्रॉम्प्ट्स (prompts) का उपयोग किया गया। अपने कंप्यूटरों को इन वीडियो का न्याय करना सिखाने के लिए, टीम ने मानव विशेषज्ञों को 36,000 से अधिक नए रेटिंग और लेबल प्रदान करने के लिए नियुक्त किया। इस मानवीय फीडबैक का उपयोग हाइब्रिड आर्टिफिशियल इंटेलिजेंस मूल्यांकनकर्ताओं की एक टीम को प्रशिक्षित करने के लिए किया गया था: एक जो सुंदरता के लिए निरंतर स्कोर देने में विशेषज्ञ है, और दो अन्य जो दृश्य आलोचकों की तरह कार्य करते हैं, जो विशिष्ट कलात्मक टैग की पहचान करते हैं और यह जाँचते हैं कि क्या वीडियो तर्कसंगत है। परिणाम स्वरूप, एक ऐसी प्रणाली प्राप्त हुई जो न केवल यह रैंक करती है कि एक वीडियो कैसा दिखता है, बल्कि उस निर्णय का उपयोग यह सीखने और खुद को बेहतर बनाने के लिए भी करती है कि कंप्यूटर मॉडल कैसे सुधार कर सकते हैं।

इस नए ढांचे का मूल आधार निष्क्रिय माप से सक्रिय मार्गदर्शन की ओर बदलाव है। अतीत में, बेंचमार्क रिपोर्ट कार्ड की तरह थे जो केवल छात्र को बताते थे कि वह पास हुआ या फेल। VGA-BenchV2 एक ट्यूटर की तरह कार्य करता है जो विस्तार से बताता है कि सुधार की आवश्यकता कहाँ है और फिर छात्र को अभ्यास करने में मदद करता है। शोधकर्ताओं ने अपने मूल्यांकन को दो मुख्य श्रेणियों में व्यवस्थित किया: सौंदर्यशास्त्र (aesthetics) और जनरेशन क्वालिटी (generation quality)। सौंदर्यशास्त्र वाला पक्ष कलात्मक तत्वों को देखता है, जैसे कि प्रकाश व्यवस्था, रंग सामंजस्य, संरचना और दृश्य का समग्र मिजाज। जनरेशन वाला पक्ष यह जाँचता है कि क्या वीडियो भौतिक रूप से तर्कसंगत है, क्या पात्र स्वाभाविक रूप से चलते हैं, और क्या कहानी लिखित प्रॉम्प्ट से मेल खाती है। इन व्यापक अवधारणाओं को 52 विशिष्ट उप-श्रेणियों में तोड़कर, टीम ने यह सुनिश्चित किया कि मूल्यांकन विस्तृत और सटीक हो, जिसमें कैमरा शॉट के प्रकार से लेकर तरल गति की वास्तविकता तक सब कुछ शामिल हो।

इस प्रणाली के निर्माण के लिए, टीम ने प्रॉम्प्ट्स के एक बड़े सेट से शुरुआत की, जो वीडियो जनरेटरों को दिए जाने वाले लिखित निर्देश हैं। ये 1,016 प्रॉम्प्ट्स विशिष्ट दृश्य प्रभावों को प्रेरित करने के लिए डिज़ाइन किए गए थे, जिससे यह सुनिश्चित हो सके कि उत्पन्न वीडियो स्पष्ट मानदंडों के विरुद्ध निष्पक्ष रूप से आंके जा सकें। इसके बाद उन्होंने 12 अग्रणी वीडियो जनरेशन मॉडलों का आउटपुट एकत्र किया, जिससे 60,000 से अधिक वीडियो का पूल बना। महत्वपूर्ण चरण मानवीय एनोटेशन (human annotation) का था। शोधकर्ताओं ने भारी मात्रा में मानवीय फीडबैक एकत्र किया, अपने मौजूदा डेटा में 36,000 नए कार्य-स्तरीय एनोटेशन जोड़े। इसमें सौंदर्य गुणवत्ता के लिए 16,000 से अधिक रेटिंग शामिल थी, जहाँ मनुष्यों ने वीडियो को शून्य से दस के पैमाने पर स्कोर दिया, और सौंदर्य टैगिंग के लिए 13,000 से अधिक लेबल शामिल थे, जहाँ मनुष्यों ने प्रकाश के रंग या शॉट के प्रकार जैसे विशिष्ट दृश्य गुणों की पहचान की। उन्होंने जनरेशन क्वालिटी पर हजारों नोट्स भी जोड़े ताकि यह सुनिश्चित हो सके कि वीडियो वास्तविक और सुसंगत हैं।

इस विशाल मात्रा में मानव-लेबल वाले डेटा के साथ, टीम ने तीन विशेष आर्टिफिशियल इंटेलिजेंस मूल्यांकनकर्ताओं को प्रशिक्षित किया। पहला, जिसे VAQA-Net कहा जाता है, ने यह अनुमान लगाने के लिए सीखा कि एक वीडियो कितना सुंदर है, जो प्रभावी रूप से संरचना और टोन के लिए मानवीय दृष्टि की नकल करता है। अन्य दो मूल्यांकनकर्ता, VTag-Net और VGQA-Net, लार्ज विजन-लैंग्वेज मॉडल्स पर आधारित हैं, जो उन्नत प्रणालियाँ हैं और चित्र एवं पाठ दोनों को समझने में सक्षम हैं। इन मॉडलों को आलोचक के रूप में प्रशिक्षित किया गया था: एक विशिष्ट कलात्मक टैग की पहचान करता है, जैसे कि क्या कोई दृश्य मृदु प्रकाश (soft lighting) या उच्च कंट्रास्ट का उपयोग करता है, जबकि दूसरा वीडियो की वास्तविकता और निरंतरता के बारे में विस्तृत प्रश्नों के उत्तर देता है। यह संयोजन सिस्टम को एक संख्यात्मक स्कोर और एक विस्तृत, व्याख्यात्मक विवरण प्रदान करने की अनुमति देता है कि एक वीडियो अच्छा क्यों है या बुरा क्यों है।

VGA-BenchV2 की वास्तविक शक्ति मूल्यांकन और सुधार के बीच के चक्र को पूरा करने की इसकी क्षमता में निहित है। एक बार जब मूल्यांकनकर्ताओं को मानवीय प्राथमिकताओं के अनुरूप प्रशिक्षित कर दिया गया, तो शोधकर्ताओं ने उन्हें 'रीइन्फोर्समेंट लर्निंग' (reinforcement learning) के लिए एक रिवॉर्ड सिस्टम के रूप में उपयोग किया। इस प्रक्रिया में, वीडियो उत्पन्न करने वाले कंप्यूटर मॉडलों को उनके अपने निर्माण दिखाए जाते हैं और मूल्यांकनकर्ता द्वारा अनुमानित सौंदर्य गुणवत्ता के आधार पर उन्हें स्कोर दिया जाता है। यदि स्कोर उच्च है, तो मॉडल को समान वीडियो बनाने के लिए प्रोत्साहित किया जाता है; यदि स्कोर कम है, तो उसे अपना दृष्टिकोण बदलने के लिए प्रेरित किया जाता है। एक विशिष्ट परीक्षण में, शोधकर्ताओं ने इस पद्धति को Wan2.1 नामक वीडियो जनरेटर को फाइन-ट्यून करने के लिए लागू किया। परिणामों ने दिखाया कि मॉडल का औसत सौंदर्य स्कोर बढ़ गया, और उत्पन्न वीडियो अधिक आकर्षक दृश्य संरचना और उच्च समग्र गुणवत्ता प्रदर्शित करते हैं। यह दर्शाता है कि यह ढांचा केवल प्रदर्शन को मापता ही नहीं है; यह सक्रिय रूप से तकनीक को बेहतर कलात्मक परिणामों की ओर ले जाता है।

अध्ययन ने वीडियो जनरेशन की वर्तमान स्थिति का एक व्यापक रैंकिंग भी प्रदान किया। अपने नए मूल्यांकनकर्ताओं को 12 विभिन्न मॉडलों पर लागू करके, टीम 52 आयामों में उनकी तुलना करने में सक्षम रही। परिणामों ने खुलासा किया कि प्रत्येक मॉडल कलात्मक नियंत्रण बनाम तकनीकी निरंतरता को संभालने में कितना कुशल है, इसमें महत्वपूर्ण अंतर हैं। कुछ मॉडल जटिल प्रॉम्प्ट्स का पालन करने में उत्कृष्ट थे, जबकि अन्य अधिक दृष्टिगत रूप से सुखद परिणाम देते थे। डेटा ने दिखाया कि जबकि कई मॉडलों ने तकनीकी सटीकता में सुधार किया है, फिर भी उनके निरंतर रूप से ऐसे वीडियो बनाने की क्षमता में एक बड़ा अंतर है जो मानवीय सौंदर्य प्राथमिकताओं के अनुरूप हों। यह नए ढांचे के महत्व को रेखांकित करता है, जो इन सूक्ष्म लेकिन महत्वपूर्ण गुणों को मापने का एक मानकीकृत तरीका प्रदान करता है।

अंततः, VGA-BenchV2 आर्टिफिशियल इंटेलिजेंस को मानवीय संवेदनाओं के प्रति अधिक अनुकूल बनाने की दिशा में एक महत्वपूर्ण कदम है। मानव निर्णयों के एक विशाल डेटासेट को एक परिष्कृत हाइब्रिड मूल्यांकन प्रणाली के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो वीडियो जनरेशन का गहराई और सूक्ष्मता के साथ आकलन कर सकता है जो पहले असंभव था। यह ढांचा तकनीकी क्षमता और कलात्मक अभिव्यक्ति के बीच के अंतर को पाटता है, भविष्य के मॉडलों को न केवल पिक्सेल उत्पन्न करना, बल्कि ऐसी कला बनाने के लिए एक मार्ग प्रदान करता है जो लोगों के मन को छू सके। जैसे-जैसे वीडियो जनरेशन विकसित होता रहेगा, इस तरह के उपकरण यह सुनिश्चित करने के लिए आवश्यक होंगे कि हमारे द्वारा बनाई गई मशीनें ऐसी सामग्री बना सकें जो न केवल वास्तविक हो, बल्कि सुंदर भी हो।