تتوسع Black Forest Labs إلى ما هو أبعد من الصور مع نموذج فيديو متعدد الوسائط
أعلنت Black Forest Labs عن Flux 3، وهو نموذج أساسي متعدد الوسائط تقول الشركة إنه يتعلم من الصور والفيديو والصوت معًا ويمكنه إنشاء مقاطع فيديو بصوت مدمج لأول مرة. وتمثل هذه الإطلالة خطوة ملحوظة للشركة الألمانية في مجال الذكاء الاصطناعي، التي تقدم النظام الجديد كجزء من توجه أوسع نحو نماذج قادرة على تمثيل أفضل لكيفية تطور الأحداث في العالم الحقيقي.
وبحسب وصف الشركة، يمكن لـ Flux 3 إنتاج مقاطع فيديو تصل مدتها إلى 20 ثانية مع صوت متزامن، ويدعم مجموعة من أوضاع التوليد، بما في ذلك النص إلى فيديو، والصورة إلى فيديو، والفيديو إلى فيديو. كما يتضمن أدوات للانتقالات المعتمدة على الإطارات الرئيسية، والحوار متعدد اللغات، وربط المقاطع الفردية في تسلسلات أطول متعددة اللقطات.
تضع هذه المجموعة من الميزات Flux 3 في جزء مزدحم وسريع الحركة من سوق الذكاء الاصطناعي، حيث تتسابق الشركات المطورة للنماذج لتحسين الاتساق البصري، والواقعية الفيزيائية، واستمرارية المشهد. ويكتسب الصوت المدمج أهمية خاصة لأن كثيرًا من أنظمة الفيديو لا تزال تعتمد على سير عمل منفصلة لتوليد الموسيقى التصويرية، أو تصميم الصوت، أو تركيب الكلام. وقد يسهل نموذج قادر على توليد الصور المتحركة والصوت في تمريرة واحدة خطوط الإنتاج إذا أثبتت الجودة نفسها عمليًا.
لماذا تركز Black Forest Labs على التدريب متعدد الوسائط
تصوغ الشركة Flux 3 على أنه أكثر من مجرد مولد فيديو. فحجتها أن الصور والفيديو والصوت يلتقط كل منها جانبًا مختلفًا من الواقع، وأن دمجها أثناء التدريب يمكن أن يساعد النموذج على بناء تمثيل أغنى للأحداث. فالصور توفر تفاصيل مكانية، ويضيف الفيديو التغير الزمني، ويمكن للصوت أن يلتقط إشارات السبب والنتيجة التي لا تظهر في إطار واحد.
يتوافق هذا المنطق مع حركة أوسع في الصناعة نحو ما يسمى بنماذج العالم، وهي أنظمة يُقصد بها الاستدلال عبر أشكال متعددة من المعلومات الحسية بدلًا من التعامل مع كل وسيط على حدة. ووفقًا لصياغة Black Forest Labs، يمثل التدريب متعدد الوسائط خطوة نحو ما تسميه “الذكاء البصري في العالم الحقيقي”، أي نماذج يمكنها الإدراك والتنبؤ والتصرف عبر البيئات المادية والرقمية.
عمليًا، تقول الشركة إن Flux 3 قوي بشكل خاص في تعابير الوجه البشرية وفي مطابقة الأصوات مع الأحداث الفيزيائية المرئية. وهذان من أصعب المشكلات في الفيديو التوليدي. فالوجوه تميل إلى كشف العيوب بسرعة، كما أن اختلال التزامن بين الصوت والفيديو يفسد الإحساس بالاندماج حتى لو كان التوقيت غير دقيق بدرجة طفيفة. وإذا ثبتت هذه الادعاءات خارج الاختبارات الداخلية، فسوف تعالج اثنتين من أكثر نقاط الضعف وضوحًا في أدوات الفيديو بالذكاء الاصطناعي الحالية.
تأتي ادعاءات المقارنات المعيارية مع تحذير مهم
شاركت Black Forest Labs أيضًا نتائج مقارنة مبكرة لمقاطع مدتها 10 ثوانٍ بدقة 720p. وفي تلك التقييمات التي أوردتها الشركة، كان Flux 3 مفضلًا على Luma Ray 3.2 في 93% من المقارنات، وعلى Runway Gen-4.5 في 77%، وعلى Grok Imagine Video في 69%. وكانت الهوامش أضيق بكثير أمام منافسين أقوى: 60% مقابل Kling v3 Pro، و59% مقابل Happy Horse v1، و57% مقابل Happy Horse 1.1، و52% مقابل كل من Seedance 2.0 وGemini Omni Flash.
هذه الأرقام كافية لجعل الإطلاق لافتًا، لكنها ليست كافية لحسم الصورة التنافسية. وتشير المادة الأصلية صراحة إلى أن النتائج أولية وأنه لم تكن هناك اختبارات مستقلة متاحة وقت النشر. ويهم ذلك لأن دراسات التفضيل الداخلية قد تكون مؤشرات مفيدة، لكنها لا تقدم المستوى نفسه من الثقة الذي تقدمه المقارنات المرجعية من طرف ثالث أو التحقق الأوسع من المستخدمين في بيئات الإنتاج.
لذلك ينبغي قراءة الإطلاق على أنه خطوة جادة على مستوى المنتج، لا كدليل نهائي على أن Flux 3 قد تجاوز المجال. والأقوى الذي تدعمه المعلومات المتاحة هو أمر أضيق: لقد دخلت Black Forest Labs نقاش نماذج الفيديو من الفئة العليا بنظام يبدو منافسًا في الاختبارات التي أوردتها الشركة ومتميزًا بقدرة توليد الصوت المدمجة.
أكثر من مجرد توليد وسائط: زاوية روبوتية
إلى جانب Flux 3، قدمت Black Forest Labs نموذج Flux-mimic، وُصف بأنه نموذج أفعال فيديو موجه لتطبيقات الروبوتات. وتقول الشركة إن النظام قيد الاختبار بالفعل لدى Audi. وتوسع هذه المعلومة الأهمية الاستراتيجية للإطلاق.
تركز الكثير من الأنظار العامة مؤخرًا على الذكاء الاصطناعي التوليدي في أدوات الإبداع والترفيه وسير العمل الإعلاني. ومن خلال الجمع بين نموذج لتوليد الوسائط ونموذج أفعال موجه للروبوتات، تشير Black Forest Labs إلى أنها ترى الأنظمة متعددة الوسائط مفيدة ليس فقط لإنتاج المحتوى، بل أيضًا للتطبيقات المجسدة أو الصناعية حيث تهم الفهم البصري والتنبؤ بالفعل.
العلاقة بين المنتجين مفهومية بقدر ما هي تجارية. فالنموذج الذي جرى تدريبه على ربط الحركة والمظهر والصوت قد يكون أصلح لفهم العمليات الفيزيائية من نموذج دُرّب على الصور الثابتة وحدها. وما إذا كان ذلك سيتحول إلى أداء روبوتي قوي فذلك لا يزال غير محسوم، لكن صياغة الشركة توحي بأنها تريد المنافسة في فئة يبدأ فيها الإدراك والتحكم بالتداخل.
ما الذي يغيّره الإطلاق الآن
بالنسبة إلى المبدعين والمطورين، فإن الأثر الفوري الأوضح هو توسيع الخيارات. فإنتاج الفيديو مع صوت مدمج حتى 20 ثانية، ودعم الحوار متعدد اللغات، وربط المقاطع، كلها تشير إلى سير عمل أكثر قابلية للاستخدام في السرد القصير، والنمذجة الأولية، وربما إنتاج الإعلانات. وكلما استطاع نموذج واحد استيعاب عدد أكبر من الخطوات، قلت الحاجة إلى التجميع اليدوي بين توليد الفيديو، والصوت، والمؤثرات، وأدوات التحرير.
أما بالنسبة إلى السوق، فيضيف هذا الإصدار ضغطًا على المنافسين لتحسين التكامل متعدد الوسائط بدلًا من التعامل مع الصوت كعنصر ثانوي. كما يعزز فكرة أن الجبهة التنافسية التالية في فيديو الذكاء الاصطناعي ليست مجرد إطارات أجمل، بل أنظمة قادرة على الحفاظ على الاتساق عبر الحركة والتوقيت والكلام والأحداث الفيزيائية.
وفي الوقت نفسه، يبقى الحذر ضروريًا. فالأدلة المقدمة لا تثبت بعد كيف يؤدي Flux 3 تحت التقييم المستقل، أو مدى قدرته على التعميم عبر المطالبات المختلفة، أو ما إذا كانت جودة الصوت تظل مستقرة في المشاهد الأطول أو الأكثر تعقيدًا. وهذه الأسئلة هي التي ستحدد ما إذا كان النموذج سيصبح منافسًا دائمًا في القطاع أم مجرد عنوان قصير العمر في المقارنات المعيارية.
الصورة الأكبر
حتى مع هذه التحفظات، يبرز Flux 3 لأنه يعكس الاتجاه الذي يسير فيه السوق. فإنتاج الفيديو لم يعد يتعلق فقط بمقاطع صامتة تُجمّع من النص. والهدف الأكثر طموحًا هو توليف متعدد الوسائط يتصرف بتماسك كافٍ لدعم السرد والتفاعل، وفي النهاية الاستدلال على العالم المادي.
وتجادل Black Forest Labs بأن الطريق إلى الأمام يمر عبر التدريب المشترك على الصور والفيديو والصوت. ومع Flux 3، ربطت هذه الأطروحة بمنتج يضم ميزات مهمة اليوم وطموحات بحثية تتجاوز الوسائط وحدها. والنتيجة ليست بعد قفزة مثبتة على المجال، لكنها إطلاق مهم في أحد أكثر ميادين الذكاء الاصطناعي تنافسية.
يعتمد هذا المقال على تقرير من The Decoder. اقرأ المقال الأصلي.
Originally published on the-decoder.com
