Pika Labs تطرح نموذج الفيديو المفتوح H3 Flex: 6 خطوات بدل 50

أطلقت Pika Labs نموذج H3 Flex، وهو نموذج مفتوح لتوليد الفيديو. جرى تدريبه إضافيًا انطلاقًا من MiniMax H3، وخفّضت الشركة عملية الرندرة من 50 خطوة إلى 6. والخطوة هنا هي مرور واحد لشبكة عصبية كبيرة (المحوّل الانتشاري، DiT) تحوّل الضجيج العشوائي إلى صورة وتزيله تدريجيًا. وكلما قلّ عدد المرورات، صارت النتيجة أسرع وأرخص. وتؤكد Pika أن إزالة الضوضاء من مقطع مدته 15 ثانية بدقة 768p تستغرق 7 ثوانٍ، وأن النموذج ككل يعمل أسرع بمقدار 1,8 مرة وأرخص بنسبة 80% من H3 Max.

لماذا قلّ عدد الخطوات 8 أضعاف بينما بلغ التسريع 1,8 فقط

تعود كلفة نماذج الفيديو المرتفعة إلى عدد الخطوات تحديدًا. فكل مرور يعالج عشرات الإطارات دفعة واحدة، ولذلك تتحول 50 تكرارًا إلى فواتير GPU ملحوظة. وأخذت Pika نموذج MiniMax H3 ودرّبته إضافيًا بطريقة قائمة على التفضيلات. يتلقى النموذج أزواجًا من النتائج يكون أحدها أفضل من الآخر، ويتعلم إنتاج الخيار الجيد بسرعة دون الاعتماد على سلسلة طويلة من التحسينات. وكثيرًا ما يُستخدم هذا الأسلوب لتقليص عدد الخطوات دون خسارة واضحة في الجودة.

ومن المهم الانتباه إلى أن عدد الخطوات انخفض 8,3 مرة، أما التسريع الإجمالي مقارنةً بـ H3 Max فيبلغ 1,8 مرة. ورقم 7 ثوانٍ يخص إزالة الضوضاء وحدها. فالدورة الكاملة تشمل مراحل أخرى: تحليل الطلب والمراجع، وفك ترميز الإطارات، والصوت، ورفع الدقة. وعلى الأرجح تمنع هذه المراحل نمو التسريع بالتناسب. وأرقام السرعة والسعر مصدرها Pika نفسها، ولا توجد في المادة قياسات مستقلة.

صوت بمسارات منفصلة و12 مرجعًا

الفارق العملي الأهم في H3 Flex ليس السرعة وحدها، بل ما يسلّمه النموذج للمونتير. فهو يصدّر خمسة مسارات صوتية مستقلة:

• الحوارات؛
• الموسيقى التصويرية؛
• المؤثرات الخاصة؛
• الضوضاء؛
• الأجواء المحيطة (ambient، أي صوت البيئة في الخلفية).

لا يحتاج المونتير إلى استخراج الصوت البشري من خليط واحد: يمكنه حذف الموسيقى، وإعادة كتابة الجمل، وإبقاء ضجيج الشارع. وهذا يبسّط كثيرًا مرحلة ما بعد الإنتاج في الإعلانات والمقاطع القصيرة.

ويقبل النموذج عند الإدخال ما يصل إلى 12 مرجعًا، ومنها الرسوم التخطيطية والعينات الصوتية ولوحات الإلهام (moodboard). وبذلك يمكن تحديد مظهر الشخصية أو الأسلوب أو الصوت دون محاولة وصف كل شيء في طلب نصي واحد.

ويتضمن النموذج أيضًا:

• توليد المسودات، أي نسخ تجريبية سريعة لاختيار الاتجاه؛
• تعديلًا موضعيًا للشخصيات أو لحركة الكاميرا دون إعادة توليد المقطع كاملًا؛
• رفع الدقة (upscale) إلى 4K.

وتتناسب المسودات جيدًا مع الاستدلال (inference) الرخيص والسريع: يمكن إجراء تجارب كثيرة، وتشغيل التمريرة النهائية المكلفة للنتيجة الناجحة فقط.

السعر والأوزان المفتوحة وما يجب التحقق منه قبل الاعتماد

نشرت Pika شيفرة الاستدلال وأوزان النموذج في الوصول المفتوح (مستودع على GitHub وصفحة على Hugging Face)، وأطلقت API. وتبلغ كلفة التوليد:

• من سنت واحد للثانية من الفيديو في وضع «من نص إلى فيديو»؛
• حتى 3 سنتات للثانية إذا أُنشئ المقطع انطلاقًا من مراجع.

وبحسبة بسيطة، يكلّف مقطع مدته 15 ثانية نحو 15 سنتًا عند التوليد من النص، وما يصل إلى 45 سنتًا عند العمل بالمراجع. وهذا رقم استرشادي، فالفاتورة النهائية تتوقف على الدقة والإعدادات. وسيُدمج النموذج في منصة Pika.art في 2 نوفمبر.

من حيث الجودة، يحتل H3 Flex المرتبة الثامنة في التصنيف العام لنماذج الفيديو على DesignArena. ليست هذه الصدارة، لكنها نتيجة لافتة لنموذج مفتوح سريع ورخيص. ويتفوق عليه ثمانية منافسين، ويجدر تقييم الفجوة بينه وبين المتصدرين على مهامكم الخاصة.

ما معنى ذلك للممارسين؟ بات متاحًا للاستوديوهات ومطوّري الخدمات التي تعتمد الفيديو نموذج مفتوح بصوت منفصل المسارات وسعر معقول. ويمكن نشره على وحدات GPU الخاصة أو الاتصال به عبر API. وقبل الاستخدام التجاري ينبغي قراءة الرخصة في المستودع وتشغيل السيناريوهات النمطية بأنفسكم: فسرعة 7 ثوانٍ لإزالة الضوضاء لا تضمن الزمن نفسه لخط المعالجة بأكمله. وهي إشارة أخرى للسوق: سباق نماذج الفيديو يتحول من جمال الإطار إلى سعر الثانية وسهولة المونتاج.