Vimoo تفتح أوزان مولّد فيديو بحجم 11.7 مليار معامل: 5 ثوانٍ بدقة 720p

ينضم لاعب جديد إلى سوق مولّدات الفيديو المفتوحة، ولا يكمن الاهتمام هذه المرة في النموذج نفسه بقدر ما يكمن في طريقة تجميعه. فقد نشرت شركة Vimoo أوزان عائلة Vimoo 1.0 لتوليد الفيديو من النص (T2V) ومن الصورة (I2V). ولم تدرّب كل شيء من الصفر، بل بنت نموذجًا هجينًا من كتل مفتوحة جاهزة حول نواة خاصة بها.

ما بداخل النموذج

النواة هي محوّل انتشار ثنائي المسار (Dual-Stream MMDiT) بحجم 11.7 مليار معامل. ومعنى «ثنائي المسار» أن الرموز النصية والبصرية تسير في فرعين منفصلين وتتفاعل عبر آلية الانتباه. وتستخدم كثير من مولّدات الصور الحديثة مخططًا مشابهًا.

وتحيط بالنواة مكونات من جهات أخرى:

• VAE للفيديو من Wan 2.2 بضغط 4×16×16 و48 قناة كامنة. يحوّل الإطارات إلى تمثيل كامن مضغوط يعمل عليه المحوّل.
• يتولى Qwen2.5-VL-7B معنى الموجّه: ماذا يوجد في المشهد ومن يفعل ماذا.
• Glyph-ByT5-v2 مشفّر على مستوى الحرف مخصص للطباعة. مهمته منع تحوّل اللافتة أو العنوان في الكادر إلى خليط من أحرف زائفة.
• تحافظ Google SigLIP في وضع I2V على تفاصيل الإطار المرجعي كي لا تتغير الشخصية في الثانية الثالثة.

يعطي التوليد الأساسي 5 ثوانٍ: 121 إطارًا بمعدل 24 FPS بدقة 720p. وللحصول على 1080p يوجد نموذج توليدي منفصل للترميم هو Vimoo Enhancer. وهو لا يكتفي بتمديد الصورة، بل يرسم التفاصيل من جديد.

كيف يبدو ذلك عمليًا

تخيّل أنك تصنع إعلانًا لمقهى. تحتاج إلى مشهد يضع فيه الباريستا فنجانًا على الطاولة، بينما يظهر اسم المقهى مقروءًا على الزجاج خلفه. مع مولّد مفتوح تقليدي سيتشوّه النص على الزجاج على الأرجح. هنا يتولى ذلك مشفّر مخصص، فيصبح لدى النموذج فرصة أفضل. أما مقدار هذا التحسّن فغير معروف حتى الآن، لأن المنشور لا يتضمن مقارنات مستقلة.

وفي وضع I2V تقدّم إطارًا يحتوي على كوب يحمل علامتك، وتساعد SigLIP في الحفاظ على شكله أثناء الحركة. بعد ذلك يمكن تمرير المسوّدة بدقة 720p عبر Enhancer للحصول على 1080p.

أهم فائدة في هذا النهج أن كل كتلة يمكن استبدالها أو تحديثها بمعزل عن غيرها. إذا ظهر مشفّر أفضل، تستبدله دون إعادة التدريب من الصفر. وبالنسبة للفرق التي تبني خطوط إنتاج فيديو خاصة بها، فهذا نموذج معماري جيد.

القيود وما يمكن فعله

لنبدأ بما لا نعرفه. لا يتضمن المنشور معايير أداء (benchmarks) ولا أمثلة توليد ولا مقارنة مع Wan 2.2 التي بُني النموذج جزئيًا على VAE الخاص بها. ولا توجد بيانات عن متطلبات ذاكرة الفيديو ولا عن سرعة الاستدلال. كما يجب التحقق من ترخيص الأوزان بشكل منفصل قبل إدخال النموذج في منتج تجاري. وخمس ثوانٍ من الفيديو مقطع قصير لا مشهد كامل. أما المقاطع الطويلة فسيتعين دمج أجزاء منها ومراقبة اتساق الشخصيات.

ما الذي ينبغي على المطوّر ومدير المنتج فعله:

• نزّل الأوزان من Hugging Face وجرّب 10–20 موجّهًا نموذجيًا من موجّهاتك، خاصة تلك التي تتضمن نصًا في الكادر. هذه الطريقة الصادقة الوحيدة للتحقق مما أُعلن.
• قارن النتيجة مع Wan 2.2 على الطلبات نفسها. إذا كان الفرق ضئيلًا فلا معنى لتغيير بنيتك التقنية.
• اقرأ التقرير التقني والترخيص قبل أي خطط للإنتاج.
• إذا كنت تبني مولّدك الخاص، فانظر إلى التجميع المعياري كوسيلة لتوفير أشهر من التدريب.

الخلاصة بسيطة. هذا ليس اختراقًا، بل تجميع هندسي متقن من مكونات مفتوحة جيدة. وهو مثير للاهتمام كمثال عملي وكخيار إضافي للاستضافة الذاتية. أما ما إذا كان Vimoo 1.0 سيصبح شيئًا أكبر، فلن تكشفه إلا الاختبارات على مهام حقيقية.