Tencent تدرّب نموذجاً بحجم 9B على مونتاج الفيديوهات الطويلة من النص بمستوى Claude Opus 5

قدّم فريق WeChat Vision التابع لـ Tencent نظام WeVisCut، وهو وكيل (agent) يحوّل نص المذيع الجاهز إلى فيديو طويل بتعليق صوتي: مع تقسيمه إلى لقطات، واختيار الصور، والتعليق الصوتي، والموسيقى، والتجميع النهائي. ويزعم المؤلفون أن نموذجاً واحداً صغيراً بـ9 مليارات معامل يعادل Claude Opus 5 في الجودة، بينما يستهلك لكل دقيقة فيديو ناجحة عدداً أقل بوضوح من الرموز المولَّدة. جرت المقارنة في بيئة الأدوات نفسها، على بنشمارك جديد من 100 مهمة.

لماذا ينهار المونتاج من النص عند نقاط الوصل

في الفيديو الطويل ترتبط جميع القرارات ببعضها. إذا غيّرتَ مدة لقطة واحدة، انزاحت الأكواد الزمنية لكل اللقطات التالية. وإذا لم تناسب الصورة، فسيتعين البحث عن مادة جديدة، وربما إعادة النظر في خطة سلسلة كاملة من اللقطات. عادةً ما تبني محررات الوكلاء الحالية سلسلة مراحل من نماذج كبيرة عامة الأغراض. لكن كيف يمكن في ظل هذا النهج الحصول على نموذج صغير يحافظ على الجودة ولا يهدر الرموز؟ هذا غير واضح.

لا يجوز تغيير نص المذيع نفسه: فالمهمة هي بناء فيديو بالصيغة والمدة المطلوبتين حول تعليق صوتي ثابت.

كيف صُممت البيئة التي يعمل فيها الوكيل

بُنيت حول النموذج «طبقة ربط» (harness) تحتفظ بحالة مشتركة للمشروع. تُخزَّن فيها الأجزاء المغطّاة من النص، وترتيب اللقطات، والملفات التي أُنشئت بالفعل، والمشكلات المتبقية. ويُسجَّل المخطَّط والمنفَّذ فعلياً بشكل منفصل.

يؤدي النموذج ثلاثة أدوار:

• المنسّق (orchestrator) يختار الأداة ومعطياتها؛ • المولِّد يُخرج محتوى منظماً، مثل نص تصميم اللقطة؛ • الناقد يفحص النتيجة ويطلب التعديلات أو يتحقق منها.

تغطي الأدوات الدورة كاملة: تقسيم النص إلى مقاطع، وخطة اللقطات، والبحث عن المواد المرئية، وتركيب الكلام، وقوالب تصميم اللقطات المميّزة، والبحث عن موسيقى خلفية، وتجميع الخط الزمني، والعرض (render)، وفحص الجودة، والإصلاح، والدمج النهائي. الترتيب غير مثبّت بصرامة: يختار النموذج الخطوة التالية بحسب الحالة الراهنة.

تتحقق البيئة من كل استدعاء. إذا طُلب الدمج دون وجود لقطات جاهزة أو موسيقى، فإنها تُعيد «blocker» (عائقاً) مع قائمة بما ينقص، فينفّذ المنسّق الناقص أولاً. وبالنسبة إلى اللقطات المميّزة، يقيّم جودتها نموذج بصري يعمل كحكم. التعديلات موضعية: إذا صُحّح التصميم، فلا يُعاد توليد التعليق الصوتي. عدد محاولات الإصلاح محدود، لكن هذا الحد لا يلغي متطلبات التسليم: فمن دون الملفات اللازمة لا يُحتسب الفيديو النهائي.

كيف استُخلصت بيانات التدريب من الفيديوهات الجاهزة

الفيديو الجاهز لا يحفظ سوى النصوص المنطوقة وبنية اللقطات، أما استدعاءات الأدوات والأخطاء والتعديلات فلا. لذلك بنى المؤلفون خط معالجة من أربع خطوات على 3 750 فيديو من Bilibili (التقنية والمنتجات الرقمية، والأعمال والمال، والعلوم الطبيعية، والعلوم الاجتماعية والموضوعات الإنسانية):

• استعادة الفكرة الأصلية. يُستخرج من الفيديو النص المنطوق مع الأكواد الزمنية، وبنية اللقطات، وربط كل جملة بلقطة. والنتيجة لوحة قصصية (storyboard) وليست أفعال المونتير الأصلي. • التشغيل المتحقَّق منه. تُنفَّذ اللوحة القصصية بالأدوات نفسها المستخدمة في الإنتاج. وتتحقق البيئة من روابط الملفات، ومدة الصوت، ومدخلات القوالب، والمواضع على الخط الزمني، والعرض النهائي. • الفحص والإصلاح. إذا ظهرت عيوب أثناء التشغيل، فتُصلح موضعياً مع الإبقاء على المخرجات الناجحة. • تجميع الأمثلة. تُوزَّع سجلات الاستدعاءات والردود والتعديلات بحسب الأدوار في أمثلة تدريب.

والمحصلة أكثر من 130 ألف مثال.

التدريب والتقييم

يجري التدريب على مرحلتين. أولاً، ضبط دقيق موحّد على الأمثلة وضبط دقيق على التشغيلات الناجحة المنتقاة التي تحققت منها البيئة، وبذلك يتعلم النموذج الأدوات والتعافي من الأعطال. ثم Guided-OPD: يتناوب المعلّم والطالب على الخطوات، ويُزال تدخل المعلّم تدريجياً كي يتعلم النموذج من الحالات التي وصل إليها بنفسه. بعد ذلك تُقارَن المكافآت داخل الدور الواحد والسياق الواحد فقط.

يضم البنشمارك 100 مهمة وخمسة مقاييس: دقة اتباع النص، وتطابق الصورة مع التعليق الصوتي، وتنفيذ الخطة زمنياً، والاتساق على المدى الطويل، ونسبة الفيديوهات المسلَّمة بنجاح. وتربط المقاييس الفيديو بالسيناريو والخطة، لا بمجرد نجاح العرض.

يتفوق النظام على نموذجه الأساسي، ويتجاوز المحررات المتخصصة في المهمة نفسها. وكان عمل سابق على بيئة Crayotter قد درّب هو الآخر نموذجاً بحجم 9B، لكن بالاعتماد على التفضيلات المتعلقة بالفيديو النهائي وعلى مهام وُضعت يدوياً. أما هنا فيتعلم النموذج من مسارات قابلة للتنفيذ.

الخلاصة للمهندسين: البيئة التي تتحقق من كل خطوة وتسجّل الأخطاء توفّر بيانات تدريب، لا مجرد حماية من الأعطال. وللأعمال: يمكن لنموذج صغير في بيئة مناسبة أن يحل محل API عام الأغراض مرتفع الكلفة في الإنتاج الواسع لفيديوهات explainer. وقد نُشر الكود وصفحة المشروع والأوزان على GitHub وHugging Face.