GroundShot يحل معضلة الاتساق في فيديو الذكاء الاصطناعي دون إعادة تدريب أي نموذج

قميص شخصية يتغير لونه بين لقطة وأخرى. لوحة سيارة تتبدل ملامحها في منتصف المشهد. هذه الأخطاء الصغيرة، لكنها فاضحة، هي ما جعل فيديوهات الذكاء الاصطناعي متعددة اللقطات تبدو مفككة وغير متماسكة. الآن يطرح إطار عمل جديد يحمل اسم "GroundShot" حلاً لهذه المشكلة تحديداً، دون الحاجة إلى لمس النماذج التوليدية الأساسية (Generative Models) من الأساس.

ووفقاً لورقة بحثية نُشرت على أرشيف الأبحاث (arXiv)، يوصف GroundShot بأنه إطار عمل وكيل (Agentic Framework) لا يحتاج إلى تدريب (Training-free) وغير مرتبط بنموذج معين (Model-agnostic)، صُمم خصيصاً لتوليد فيديو متعدد اللقطات مع تثبيت الكيانات (Entity-grounded Multi-shot Video Generation). والفارق هنا جوهري: فبدلاً من إجراء ضبط دقيق (Fine-tuning) لنموذج فيديو أو إضافة مكونات معمارية جديدة، يعمل GroundShot كطبقة تنسيق (Orchestration Layer) تُوضع فوق أنظمة التوليد القائمة، لتصحح واحدة من أكثر نقاط ضعفها ثباتاً.

كيف يعمل النظام؟

المشكلة الجوهرية التي يعالجها GroundShot تُعرف بـ"انحراف الكيانات" (Entity Drift). فحين يُنتج نموذج توليد الفيديو سلسلة لقطات يُفترض أنها تصوّر نفس المشهد أو القصة، قد تتغير ملامح الشخصيات أو الأجسام أو حتى الخلفيات بشكل طفيف أو صارخ من لقطة إلى أخرى، فتنكسر استمرارية الصورة بطريقة يلحظها المُشاهد فوراً، حتى لو بدت كل لقطة منفردة على قدر عالٍ من الصقل.

منهج GroundShot إجرائي بطبيعته، لا معماري. فالإطار يبني أثناء عملية التوليد ذاكرة بصرية على مستوى الكيان (Entity-level Visual Memory)، بحيث يحتفظ بسجل مستمر لشكل كل شخصية أو جسم يُفترض أن يظهر عليه. بعد ذلك، يتولى النظام جدولة ترتيب توليد اللقطات، ويُثبّت الكيانات المحددة داخل كل لقطة بالرجوع إلى تلك الذاكرة، ثم يتحقق من مدى موثوقية النتائج، وأخيراً يستدعي المراجع البصرية المناسبة لكل كيان لتوجيه عمليات التوليد اللاحقة. عملياً، هذا يعني أن النظام يدير الاستمرارية بنفسه عبر سلسلة اللقطات، بدلاً من الاعتماد على النموذج الأساسي لاستنتاجها من تلقاء ذاته.

معيار جديد لقياس الاتساق

إلى جانب الإطار نفسه، قدّم الباحثون معياراً تشخيصياً جديداً يحمل اسم "GroundBench"، صُمم خصيصاً لتقييم اتساق الكيانات (Entity-level Consistency) في مخرجات الفيديو متعددة اللقطات. فمعظم أدوات تقييم توليد الفيديو الحالية تركّز على مقاييس جودة كل لقطة منفردة، مثل الدقة أو انسيابية الحركة أو مدى الالتزام بالوصف النصي (Prompt Adherence)، لكنها نادراً ما تعزل مدى ثبات كيان معين، وجه شخصية بعينها مثلاً أو جسم متكرر، عبر سلسلة اللقطات بأكملها. يأتي GroundBench لسدّ هذه الثغرة القياسية، ويمنح الباحثين وسيلة أدق لرصد الانحراف ومقارنة الأساليب المختلفة على البُعد ذاته الذي يستهدفه GroundShot.

لماذا يمثل غياب إعادة التدريب أهمية كبرى؟

تشير الورقة البحثية إلى أن GroundShot يحقق تحسناً في اتساق اللقطات المتعددة مقارنة بالأساليب القائمة، متجاوزاً في الوقت نفسه تكلفة وتعقيد إعادة التدريب أو تعديل النموذج. هذا الطرح يضع العمل في خانة الحل العملي لمجال تشكّل فيه إعادة تدريب نماذج الفيديو الضخمة عبئاً مكلفاً وبطيئاً. ولأن GroundShot يُغلّف عملية التوليد دون أن يعدّلها من الداخل، فمن الناحية النظرية يمكن تطبيقه على نماذج فيديو مختلفة دون الحاجة إلى جولة تدريب مخصصة لكل نموذج على حدة.

بالنسبة للفرق التي تبني محتوى فيديو سردياً أو متعدد المشاهد باستخدام أدوات توليدية، ظلت مشكلة انحراف الكيانات عائقاً خفياً لكنه مؤثر أمام الوصول إلى مخرجات بمستوى الإنتاج الحقيقي. فحل غير مرتبط بنموذج بعينه، وقابل للتركيب مباشرة على خطوط الإنتاج القائمة، إذا صمد أمام اختبارات أوسع تتجاوز المعيار الخاص بالورقة نفسها، سيغلق ثغرة كانت تتطلب حتى الآن تصحيحاً يدوياً مكثفاً أو تقبّل نتائج واضحة التناقض.