مراجعة Shengqiong Wu وHao Fei: أكثر من 600 عمل حول نماذج الفيديو بوصفها نماذج عالم

تطورت نماذج الفيديو في السنوات الأخيرة عبر ثلاثة مسارات متوازية: نماذج تتعلم فهم المقاطع، وأخرى تتعلم توليدها، وثالثة تتعلم التنبؤ بديناميكيات العالم. وقد جمع فريق Shengqiong Wu وMeng Luo وBobo Li وZiwei Liu وShuicheng Yan وMing-Hsuan Yang وPhilip Torr وHao Fei هذه المسارات في مراجعة واحدة. تغطي المراجعة أكثر من 600 عمل موزعة على 19 جدولًا، وتطرح سؤالًا مشتركًا لجميع الاتجاهات: أي علاقة يتعلمها النموذج بين الفيديو المرصود والعالم الذي أنتج هذا الفيديو؟

الفيديو بوصفه جزءًا مبتورًا من العالم

الاستعارة التي تنطلق منها المراجعة بسيطة. الفيديو أثر جزئي للعالم، مضغوط مع فقدان للمعلومات، ومرتب زمنيًا، والعالم نفسه يواصل التغير حتى حين لا تنظر الكاميرا إليه. سيارة اختفت خلف جدار، فصار الإطار فارغًا، لكنها ما زالت موجودة في العالم. أما النموذج الذي لا يأخذ ذلك في الحسبان فقد ينتج صورة جميلة دون أن يكون لديه أي تصور لما يجري فعلًا.

ومن هنا يأتي التمييز الأساسي في المراجعة. التماسك الزمني، أي سلاسة الإطارات، يخص الأثر نفسه. أما اتساق العالم فيخص ما يفترضه هذا الأثر ضمنًا. ولا يترتب أحدهما على الآخر، بينما تفحص معظم المقاييس الحالية التماسك وحده.

أربع عمليات بدل ثلاثة مجتمعات بحثية

تُصنَّف الأدبيات في أربع عمليات متكاملة، لكل منها تعريف ومعايير تقييم خاصة بها:

• Reading: استنتاج حالة العالم من الفيديو (الفهم، والتعرف، واستعادة خصائص المشهد).
• Writing: تركيب فيديو وفق شروط معطاة أو متعلَّمة (التوليد).
• Sharing: نموذج واحد يقرأ ويكتب معًا، ويجمع الفهم والتوليد عبر آليات نمذجة مشتركة.
• Interacting: يُتنبأ بحالة العالم وتُحدَّث استجابةً للأفعال وللملاحظات المتغيرة.

وتقدم المراجعة بصورة مستقلة تصنيفًا لنماذج العالم المرئية على محورين. المحور الأول هو فضاء التنبؤ: الملاحظات أو الحالة الكامنة. والثاني هو واجهة الانتقالات: سلبية، أو مشروطة بالأفعال، أو تفاعلية. وتحتل Sora وV-JEPA وGenie 3 خانات مختلفة في هذه الشبكة، ولا يغطيها أي من هذه النماذج بالكامل.

سلّم الأدلة وسبع مهام غير محلولة

يقترح المؤلفون أربع درجات ينبغي تقييم ادعاءات «نموذج العالم» بموجبها:

1. نتيجة معقولة المظهر؛ 2. الالتزام بالشروط المعطاة؛ 3. حالة عالم متسقة؛ 4. الفائدة في اتخاذ القرار.

ويرى المؤلفون أن وصف نظام ما بأنه نموذج عالم يتطلب الدرجة الثالثة على الأقل. ولا يغني عنها فيديو معقول المظهر، ولا حتى اتباع دقيق للـ prompt.

وقد صيغت سبع مشكلات مفتوحة، مع اتجاه الحلول وبروتوكول تقييم لكل منها:

• الاتساق على الأفق الطويل؛
• الأساس الفيزيائي والسببي؛
• تأثير تآزري قابل للقياس من الجمع بين الفهم والتوليد؛
• تقييم موحَّد؛
• تحكم متعلَّم من فيديو غير موسوم؛
• التعميم على مشاهد وتجسيدات (embodiment) جديدة؛
• العوالم العشوائية والأحداث النادرة.

والتحول العام الذي ترصده المراجعة ينتقل من التعرف على مستوى المقطع والدقة الإدراكية إلى حالة مستقرة، وتطور مُتحكَّم به للمشهد، وصحة فيزيائية وسببية، وتقييم عبر التفاعل والقرارات اللاحقة. ويؤكد المؤلفون أن توسيع نطاق نماذج العالم يتطلب تدخلات (interventions) وليس مجرد مزيد من المقاطع، فالملاحظة وحدها لا تُظهر ما سيحدث لو اتُّخذ فعل مختلف.

كيف تُستخدم هذه المراجعة

تفيد المراجعة بوصفها قائمة تحقق عند قراءة أي إصدار جديد لنموذج فيديو. فإذا لم يتضمن الإعلان سوى عروض جذابة ومقاييس شبيهة بـ FVD، فنحن أمام الدرجة الأولى أو الثانية من السلّم. ومن الأسئلة التي يجدر توجيهها إلى المطورين: هل يبقى الجسم موجودًا خارج الإطار؟ وهل تتغير حالة المشهد بفعل وكيل (agent)؟ وهل اختُبر النموذج على القرارات في مهام downstream، مثل الروبوتات أو التخطيط؟

أما الفريق الذي يختار اتجاه بحث أو استثمار، فتمنحه المشكلات السبع خريطة جاهزة للفراغات. فالذاكرة الطويلة والسببية وتعلم التحكم من فيديو غير موسوم تبقى أضعف المواضع، وهي بالتحديد المواضع التي تقل فيها الأعمال حاليًا.

صفحة المشروع الخاصة بالمراجعة: vid-gen.github.io/video-world-model-survey، وتُدار قائمة الأعمال في المستودع vid-gen/awesome-video-world-model على GitHub. ويطلب المؤلفون إرسال الأعمال التي فاتتهم. صدرت المقالة في 22 أكتوبر 2026، وأُدرجت في القائمة اليومية لـ Hugging Face Papers، حيث حصلت على 218 تصويتًا مؤيدًا (upvotes).