حيلة في الأوزان: MiniMax H3 يكتسب حدة Z-Image بلا تدريب إضافي، بترخيص Apache 2.0

إذا جرّبت نماذج الفيديو المفتوحة في مهام فعلية، فأنت تعرف هذا الأثر: تبدو اللقطة جميلة إجمالًا، لكن الجدران والنسيج والماء تبدو كأن ممحاة مرّت عليها. في المقابل، ترسم نماذج الصور الثابتة الخامات نفسها بوضوح شديد. قرر هواة استعارة «القدرة على النظر» إلى التفاصيل من نموذج الصور بدلًا من إعادة تدريب نموذج الفيديو. وكانت النتيجة النموذج الهجين MiniMax-H3 x Z-Image.

ما المشكلة التي يعالجونها؟

تعاني نماذج الفيديو القائمة على الانتشار مشكلتين مزمنتين. الأولى هي فقدان الخامات الدقيقة: تتلاشى تفاصيل الطلاء المتقشر والصدأ وخشونة النسيج، لأن النموذج مضطر إلى تخصيص جزء من انتباهه لاتساق الحركة. والثانية هي تراكم التشوهات عند وصل المشاهد. فعند إنشاء فيديو من عدة مقاطع، يرث كل مقطع لاحق قدرًا إضافيًا من الحدة والضجيج من سابقه، وبحلول المشهد الثالث تصبح الصورة مفرطة الحدة.

هذه ليست مسألة أكاديمية هامشية. كل من يجمع إعلانًا أو فيديو موسيقيًا أو تصورًا بصريًا أوليًا من عدة مقاطع مولّدة يصطدم بهذه المشكلة تحديدًا: المشهد الأول جيد، والثالث يبدو كأنه خضع لضغط مفرط.

كيف تعمل عملية النقل؟

يسمّي المطوّر هذه التقنية spatial detail graft، أي تطعيم التفاصيل المكانية. الفكرة بسيطة: تتضمن آلية الانتباه تطبيعًا للاستعلامات يُسمّى q_norm، وتؤثر أوزانه في شدة استجابة الكتلة للتفاصيل المكانية. أُخذ نمط هذه الشدة من Z-Image، وهو نموذج Lumina2 يضم 6 مليارات معلمة ويُعرف بحدة رسم التفاصيل، ثم نُقل إلى كتل MiniMax H3 عبر تعديل موجّه لمقياس q_norm. وبقيت أوزان K وطبقات التغذية الأمامية feed-forward من دون تغيير، ولم يُجرَ أي تدريب إضافي.

تخيّل معادلًا صوتيًا: أنت لا تعيد تسجيل الأغنية، بل ترفع الترددات العالية في منتصفها فقط. المبدأ هنا مماثل، لكنه يُطبّق عبر عمق الشبكة:

• الكتل B00–B24: فرع FL2VA، المسؤول عن حركيات الأجسام ومسارات الحركة؛
• الكتل B25–B49: فرع REF2VA مع أنماط Z-Image، حيث تتشكل كثافة الخامات؛
• الكتل B50 وما بعدها: العودة إلى FL2VA لضمان اتصال الإطارات بسلاسة.

أُنجز الدمج مباشرة على مستوى موترات safetensors، لذا فالنتيجة نقطة تحقق جاهزة للاستخدام، وليست مجموعة رقع.

بحسب المطوّر، في تسلسل يضم ثلاثة مشاهد، تبقى نسبة التفاصيل عالية التردد في النموذج الهجين عند 99% من المرجع، بينما تصل في H3 الأصلي إلى 111%، وهو ما يمثل الحدة المفرطة. ويؤكد أن اتساق الشخصيات لا يتأثر بذلك.

كيف يمكن استخدامه عمليًا؟

النموذج متاح على Hugging Face بترخيص Apache 2.0، ما يتيح استخدامه في المشاريع التجارية. وتتوفر نسخة BF16 بحجم 37,46 غيغابايت، ونسخة INT8، ونسخ GGUF بمستويات Q4_0 وQ5_1 وQ8_0 لـ ComfyUI. ووفقًا للمطوّر، تعمل نسخ GGUF بسرعة أكبر بمقدار 4–8 مرات، وتتسع لها ذاكرة فيديو VRAM بسعة 16–24 غيغابايت على بطاقات RTX 30/40. وبالنسبة إلى مسار عمل محلي، فهذه فرصة فعلية لتشغيل النموذج من دون استئجار H100.

إذا كنت تستخدم توليد الفيديو داخل منتج، فمن المفيد توليد ثلاثة مشاهد متتالية باستخدام مطالباتك الخاصة ومقارنة النتيجة مع H3 العادي: يُفترض أن يظهر الفرق بأوضح صورة في التسلسلات الطويلة الموصولة. وللمهتمين بتطوير النماذج، تستحق التقنية نفسها الاهتمام أيضًا: تغيير مقياس الانتباه في جزء من الكتل بوصفه بديلًا منخفض التكلفة للتدريب الإضافي.

القيود

جميع الأرقام حتى الآن صادرة عن المطوّر نفسه: لا توجد اختبارات أداء مستقلة، كما أن مقياس «معامل التفاصيل عالية التردد» ليس معيارًا معتمدًا في الصناعة، ولا يضمن أن ترى العين ما تعكسه الأرقام. وقد يكون أداء النموذج الهجين أسوأ في المشاهد ذات الأسلوب الفني التي تتطلب نعومة مقصودة. كذلك، تعتمد زيادة سرعة GGUF بمقدار 4–8 مرات على خط الأساس المستخدم للمقارنة، وعادةً ما يقتطع التكميم Q4_0 شيئًا من الجودة. وأخيرًا، هذا عمل مطوّر واحد، ولا ضمان للدعم أو التحديثات.

الخلاصة: ليست هذه قفزة نوعية، بل حيلة هندسية متقنة ومفيدة. وهي تُظهر أن بعض جوانب جودة نماذج الفيديو يمكن تحسينها بمعالجة الأوزان بعد التدريب، بدلًا من إجراء تدريب جديد بتكلفة ملايين. يستحق النموذج التنزيل والاختبار على مهامك، كما تستحق الفكرة الاستفادة منها، حتى لو لم تجد نقطة التحقق نفسها مكانًا في مسار عملك.