ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
بنية تحتيةتحليل · على الرادارTG: @ai_machinelearning_big_data (Machinelearning)→ المصدر

Apple تسرّع نموذج الفيديو 7,6 مرة: الإطار في 36 مللي ثانية بدل 272 مللي ثانية

تولّد نماذج الفيديو التي تصنع المقطع إطارًا تلو آخر استجابةً متأخرة بشكل ملحوظ عند الضغط على مفتاح في الألعاب والمحاكيات. كان أفضل نموذج مفتوح، Causal Forcing++، يستغرق 272 مللي ثانية لكل إطار على وحدة GPU من طراز B200. أما طريقة FastFrames من Apple فخفّضت الزمن إلى 36 مللي ثانية (نسخة S)، أي أسرع 7,6 مرة. يكمن السر في استبدال مفكّك VAE الثقيل (147 مللي ثانية لكل إطار) بشبكة مصغّرة تعمل في 1 مللي ثانية. يلاحظ الناس التأخير ابتداءً من 50–60 مللي ثانية، ولذلك فالهدف هو ألا يتجاوز زمن الإطار 50 مللي ثانية.

معالج بواسطة الذكاء الاصطناعي من TG: @ai_machinelearning_big_data (Machinelearning)؛ بتحرير Hamidun News
Apple تسرّع نموذج الفيديو 7,6 مرة: الإطار في 36 مللي ثانية بدل 272 مللي ثانية
المصدر: TG: @ai_machinelearning_big_data (Machinelearning). كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليTG: @ai_machinelearning_big_data (Machinelearning) ↗
رئيس التحرير
FastFrames-L بـ14 مليار معامل45 مللي ثانية لكل إطار على ثماني وحدات B200
VBench84,23 نقطة لـFastFrames-S مقابل 84,11 لـCausal Forcing++
حقيقة رئيسية #3الترخيص Apple Model License for Research — للأغراض البحثية فقط

تخيّل لعبة ترسم فيها شبكة عصبية كل إطار: تضغط «للأمام»، فلا يستجيب العالم إلا بعد ثانية. هذا التأخير تحديدًا هو ما يمنع نماذج الفيديو، التي تولّد المقطع إطارًا بعد إطار، من أن تصبح أساسًا للألعاب والمحاكيات والنماذج التنبؤية للروبوتات. وقد أصدرت Apple طريقة FastFrames التي تقلّص هذه الفجوة.

كان Causal Forcing++ بـ1,3 مليار معامل، وهو أسرع نموذج مفتوح من هذا النوع، يستغرق 272 مللي ثانية للإطار الواحد على وحدة GPU من طراز NVIDIA B200. أما نسخة FastFrames-S فتنتج الإطار نفسه في 36 مللي ثانية، أي أسرع 7,6 مرة. والمرجع هنا أن الإنسان يلاحظ التأخير تقريبًا ابتداءً من 50–60 مللي ثانية، ولذلك ينبغي ألا يستغرق الإطار أكثر من 50 مللي ثانية.

والخلاصة العملية لمن يبني فيديو تفاعليًا: المهم قياس زمن الاستجابة للفعل، لا عدد الإطارات في الثانية.

لماذا يضلّلنا مقياس FPS هنا

المقياس المعتاد للسرعة هو عدد الإطارات في الثانية (FPS). لكنه يعكس متوسط الأداء، لا سرعة الاستجابة. لنفترض أن النموذج يولّد الفيديو على دفعات من 30 إطارًا ويقضي ثانية واحدة على كل إطار. من الناحية الشكلية هذا يعادل 30 FPS. غير أن اللاعب الذي يضغط المفتاح مباشرة بعد بدء الدفعة لن يرى النتيجة إلا بعد ثانية، حين تكتمل الكتلة التالية.

لذلك تقيس Apple التأخير من لحظة الأمر حتى أول إطار يظهر فيه أثره. واستُمدّت العتبة المستهدفة من أبحاث التفاعل بين الإنسان والحاسوب: فالناس يلاحظون بالفعل تأخيرًا يزيد على 50–60 مللي ثانية. وهذا يعني أن زمن الإطار ينبغي ألا يتجاوز 50 مللي ثانية.

أين ذهب الوقت وما الذي استُبدل

لمعرفة أين تضيع المللي ثانيات، حلّل الفريق نموذج Causal Forcing++. فهو يستغرق 272 مللي ثانية لكل إطار على وحدة B200 واحدة، ولا يذهب إلى خطوات الانتشار (diffusion)، أي تحويل الضجيج إلى صورة، سوى نحو 30% من هذا الوقت.

وتبيّن أن الخسارة الرئيسية في موضع آخر:

  • مفكّك VAE، الذي يحوّل التمثيل الداخلي (الكامن) للإطار إلى بكسلات، يستهلك 147 مللي ثانية، أي أكثر من نصف الوقت؛
  • ويستهلك 41,6 مللي ثانية إضافية تمريرٌ إضافي عبر المحوّل (Transformer)، لا حاجة إليه إلا لتحديث KV-cache، وهو ذاكرة النموذج لما عرضه بالفعل.

تستبدل FastFrames كلا المكوّنين. فبدلًا من VAE يعمل مفكّك خفيف مؤلف من ثلاث كتل التفافية وطبقة خطية، ويستغرق 1 مللي ثانية للإطار. وبدلًا من التمرير الإضافي عبر المحوّل، تصحّح شبكة صغيرة في 2 مللي ثانية الذاكرة المؤقتة (cache) المسجّلة على مدخل مشوَّش بالضجيج. أما المحوّل نفسه فلا يتغيّر ولا يُعاد تدريبه. ويأتي بقية التسريع من تحسينات على مستوى النظام، منها توزيع الحسابات على عدة وحدات GPU.

الأرقام والنماذج

نشرت Apple على Hugging Face نموذجين مبنيين على Wan 2.1: FastFrames-S بـ1,3 مليار معامل وFastFrames-L بـ14 مليار معامل. وكلاهما يولّد الفيديو من وصف نصي: مقاطع مدتها نحو خمس ثوانٍ بدقة 832×480 و81 إطارًا و16 إطارًا في الثانية.

ينتج FastFrames-S الإطار في 36 مللي ثانية على وحدة B200 واحدة، أي أسرع بـ7,6 مرة من Causal Forcing++. ولم تتراجع الجودة مع ذلك: فعلى اختبار VBench يسجّل النموذج 84,23 نقطة مقابل 84,11.

ويحقق FastFrames-L على ثماني وحدات B200 زمنًا قدره 45 مللي ثانية للإطار، وعلى وحدة GPU واحدة 158 مللي ثانية. ونتيجته على VBench هي 84,44 نقطة، أي في مستوى Krea-Realtime 14B (84,42) الذي يحتاج إلى 1675 مللي ثانية للإطار.

وتنتقل الطريقة كذلك إلى نماذج الآخرين. فنموذج العالم المفتوح LingBot من Robbyant، الذي يمكن التنقل فيه بلوحة المفاتيح، صار يستجيب لضغطة المفتاح في 52 مللي ثانية بدل 842. أما RealWonder، وهو نموذج بتحكم فيزيائي، فيستجيب في 51 مللي ثانية بدل 1141. لكن كلا النموذجين يحتاج إلى ثماني وحدات GPU لتحقيق ذلك.

القيود وما يُفعل عمليًا

ثمة عدة تحفظات. فالقيم القياسية للنماذج الكبيرة تتطلب ثماني وحدات GPU من فئة B200، ولذلك فهي ليست حلًّا للحاسوب المحمول ولا لنسخة سحابية عادية. ولم تُبلغ عتبة 50 مللي ثانية إلا على أغلى التهيئات، أما FastFrames-L على بطاقة واحدة فلا يبلغها بزمن 158 مللي ثانية. وفوق ذلك، أُصدرت الأوزان بموجب ترخيص Apple Model License for Research، أي للأبحاث لا لمنتج تجاري.

والخلاصة بالنسبة إلى مطوّري أنظمة الفيديو التفاعلية، من النماذج الأولية للألعاب إلى محاكيات العوالم والنماذج التنبؤية للروبوتات، بسيطة: لا تقيسوا FPS، بل الزمن من الضغطة حتى ظهور الاستجابة. ولا تبحثوا عن الاختناقات في خطوات الانتشار وحدها: فالمتسبّبان الرئيسيان هنا كانا المفكّك وإدارة الذاكرة المؤقتة. وقد حقّق استبدالهما بشبكات صغيرة مدرَّبة جلّ المكسب دون إعادة تدريب النموذج الأساسي.

والإشارة واضحة كذلك لمديري المنتجات: نماذج الفيديو تنتقل من نمط «ولّد ثم اعرض» إلى نمط «استجب للمدخلات». لا يزال هذا إصدارًا بحثيًا، لكن الأوزان المفتوحة تتيح التحقق من النتيجة بنفسك.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول لماذا يضلّلنا مقياس FPS هنا؟

المقياس المعتاد للسرعة هو عدد الإطارات في الثانية (FPS). لكنه يعكس متوسط الأداء، لا سرعة الاستجابة. لنفترض أن النموذج يولّد الفيديو على دفعات من 30 إطارًا ويقضي ثانية واحدة على كل إطار. من الناحية الشكلية هذا يعادل 30 FPS. غير أن اللاعب الذي يضغط المفتاح مباشرة بعد بدء الدفعة لن يرى النتيجة إلا بعد ثانية، حين تكتمل الكتلة التالية. لذلك تقيس Apple التأخير من لحظة الأمر حتى أول إطار يظهر فيه أثره.

ما أبرز التفاصيل حول أين ذهب الوقت وما الذي استُبدل؟

لمعرفة أين تضيع المللي ثانيات، حلّل الفريق نموذج Causal Forcing++. فهو يستغرق 272 مللي ثانية لكل إطار على وحدة B200 واحدة، ولا يذهب إلى خطوات الانتشار (diffusion)، أي تحويل الضجيج إلى صورة، سوى نحو 30% من هذا الوقت. وتبيّن أن الخسارة الرئيسية في موضع آخر: مفكّك VAE، الذي يحوّل التمثيل الداخلي (الكامن) للإطار إلى بكسلات، يستهلك 147 مللي ثانية، أي أكثر من نصف الوقت؛ ويستهلك 41,6 مللي ثانية إضافية تمريرٌ إضافي عبر المحوّل (Transformer)، لا حاجة إليه إلا لتحديث KV-cache، وهو ذاكرة النموذج لما عرضه بالفعل.

ما أبرز التفاصيل حول الأرقام والنماذج؟

نشرت Apple على Hugging Face نموذجين مبنيين على Wan 2.1: FastFrames-S بـ1,3 مليار معامل وFastFrames-L بـ14 مليار معامل. وكلاهما يولّد الفيديو من وصف نصي: مقاطع مدتها نحو خمس ثوانٍ بدقة 832×480 و81 إطارًا و16 إطارًا في الثانية. ينتج FastFrames-S الإطار في 36 مللي ثانية على وحدة B200 واحدة، أي أسرع بـ7,6 مرة من Causal Forcing++. ولم تتراجع الجودة مع ذلك: فعلى اختبار VBench يسجّل النموذج 84,23 نقطة مقابل 84,11. ويحقق FastFrames-L على ثماني وحدات B200 زمنًا قدره 45 مللي ثانية للإطار، وعلى وحدة GPU واحدة 158 مللي ثانية.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…