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)
إصدارتحليل · على الرادارLatent Space (swyx)→ المصدر

مبتكرو Stable Diffusion يدرّبون FLUX 3 على الصور والفيديو والصوت معًا

تدرّب Black Forest Labs، فريق مؤلفي Stable Diffusion، نموذج FLUX 3 على الصور والفيديو والصوت في آن واحد. يُظهر الإطار موضع الكرة، ويُظهر الفيديو كيف وصلت إليه، ويكشف صوت الضربة لحظة الاصطدام حتى لو لم تلتقطها الكاميرا. وتُبنى أداة رفع دقة الفيديو على الأساس نفسه كي لا تومض التفاصيل. لذلك ينبغي اختبار الجودة في الحركة، لا في إطار واحد فقط.

معالج بواسطة الذكاء الاصطناعي من Latent Space (swyx)؛ بتحرير Hamidun News
مبتكرو Stable Diffusion يدرّبون FLUX 3 على الصور والفيديو والصوت معًا
المصدر: Latent Space (swyx). كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليLatent Space (swyx) ↗
رئيس التحرير
حقيقة رئيسية #1بلاتمان شارك في ابتكار الانتشار الكامن، وبوديل قاد مشروع Kontext
النموذج الأولي لـ Kontextبضع ساعات من التدريب، ثم صار النموذج يضع شعارًا على قميص
حقيقة رئيسية #3يُضغط الانتشار إلى بضع خطوات، بينما يتعلم النموذج الانحداري الذاتي من جميع الرموز (tokens)

Black Forest Labs (BFL) مختبر أسسه خريجو Stability AI، من مؤلفي Stable Diffusion. يعمل المختبر حاليًا على FLUX 3، والخبر الأبرز يتعلق بطريقة تدريب هذا النموذج: على الصور والفيديو والصوت معًا، لا على الصور وحدها. والمشكلة مألوفة لكل من جرّب توليد المقاطع المصورة. فقد يبدو الإطار المنفرد ممتازًا، لكن ما إن تُدار الكاميرا حول شخص أو يُضاف الصوت حتى يتضح أن النموذج لا يتصور جيدًا كيف يتركّب المشهد. وفي بودكاست Latent Space يتحدث عن ذلك أندرياس بلاتمان، أحد مبتكري طريقة الانتشار الكامن (latent diffusion)، وداستن بوديل، المؤلف الرئيسي لـ SDXL وقائد مشروع FLUX Kontext.

الكرة التي تتجه نحوك

يشرح بلاتمان «الذكاء البصري» بمثال يمكن تجربته بيد واحدة. حين يرمي إليك أحدهم كرة، تبدأ يدك بالحركة قبل أن تصل. أنت لا تحسب المسار، ولا تستطيع تدوينه. هذا النوع من المعرفة بالعالم هو ما يريد المختبر أن يحصل عليه من النموذج.

لكل نوع من البيانات دوره. تُظهر الصورة الثابتة أين تقع الكرة الآن. ويُظهر الفيديو كيف وصلت إلى هناك. ويدل صوت الضربة على لحظة اصطدام الكرة بشيء ما، حتى لو لم تلتقط الكاميرا لحظة التماس. ولهذا يدرّب BFL نموذج FLUX 3 على الإشارات الثلاث معًا، بدل ضم نماذج منفصلة بعضها إلى بعض.

وهناك اختبار أوضح. تخيّل كاميرا تقف أمام شخص ثم تدور حوله بسلاسة. في لحظة ما يجب أن يُظهر النموذج مؤخرة رأسه. يرى بلاتمان أن الفيديو الثنائي الأبعاد المعتاد يحمل كثيرًا من الإشارات عن شكل الأشياء من جوانبها الأخرى. وهل يثبت ذلك أن النموذج «يفهم الفيزياء»؟ هذا ما يتجادل فيه المضيف والضيف في الحلقة. لكن هذا الاختبار أكثر إنصافًا من سؤال: هل يبدو إطار واحد مقنعًا؟

لماذا ينهار رفع الدقة بسبب الوميض

أكثر الأمثلة عمليةً في نهاية الحوار هو رفع دقة الفيديو. إذا حُسّن كل إطار على حدة، فقد يبدو كل إطار منفردًا رائعًا. لكن عند التشغيل تبدأ التفاصيل المضافة بالوميض: فأداة رفع الدقة، أي الأداة التي تزيد دقة الصورة، كانت تتخذ في كل مرة قرارًا مختلفًا قليلًا، فظهر تموّج بين الإطارات المتجاورة.

يبني BFL أداة رفع دقة الفيديو الخاصة به على الأساس نفسه الذي يقوم عليه FLUX 3. فالاتساق الزمني مطلوب حتى لو لم يطلب المستخدم سوى ملف أكبر حجمًا. والخلاصة للمطورين بسيطة: المعالجة إطارًا بإطار تنتج شوائب تقريبًا لا محالة. فإذا كنت تعمل على الترميم أو رفع الدقة أو المونتاج، فاحكم على النتيجة في الحركة، لا من لقطات الشاشة.

فيمَ تُنفق الموارد الحسابية أثناء التدريب

سأل المضيف عما إذا كان النموذج الانحداري الذاتي يزاحم الانتشار في توليد الصور. يقر بلاتمان بمزايا كلا النهجين. فالنموذج الانحداري الذاتي يتعلم من جميع رموز (tokens) المثال التدريبي دفعة واحدة. أما الانتشار فله ورقته الرابحة: يمكن ضغط عملية التوليد الطويلة إلى بضع خطوات. وما الأهم؟ هذا يتوقف على ما تدفع ثمنه: تدريب النموذج أم انتظار الصورة الجاهزة.

يُظهر داستن بوديل كيف يختار الفريق ما يستثمر فيه. افترض أن النموذج القادر على رسم كلب يرتدي قبعة يعرف مسبقًا موضع القبعات. وجمع مع زميل له مجموعة صغيرة من الصور مع وصف مكتوب للعلاقات بين الأشياء. وبعد ساعات قليلة من التدريب تعلّم النموذج وضع شعار على قميص. كانت النتيجة خشنة، لكنها كفت لعرضها في لقاء الفريق الميداني. بعد ذلك استغرق العمل على البيانات والنموذج شهورًا. وهكذا ظهر FLUX Kontext، الذي ينفذ التعديل المطلوب ويحافظ على بقية الصورة.

وقصة بوديل المفضلة: كان الناس يرفعون إلى FLUX صورًا عائلية قديمة تالفة، فيرمّمونها ويعرضونها على ذويهم. لم يتوقع هذا الاستخدام. وقد يلاحظ الأقارب في تلك الصور بأنفسهم ما إذا كان النموذج حافظ على ملامح الشخص أثناء التعديلات وبين الإطارات.

ما الذي لا يتضمنه هذا المحتوى

هذا حوار وإعلان، لا ورقة تقنية. ليس فيه اختبارات أداء (benchmarks)، ولا مقارنات مع المنافسين، ولا أرقام عن جودة FLUX 3. وفي قائمة الفصول «نماذج الفعل العالمية» (نماذج تتنبأ بكيفية تغيّر المشهد بعد الأفعال) و«الروبوتات في 2027»، لكن لا تفاصيل عنها في الملاحظات. أما الطرح القائل إن الإشارات الثلاث تمنح فهمًا أعمق للعالم، فلا يزال موقف المختبر، لا نتيجة مثبتة.

والخلاصة العملية لمن يبنون منتجات على النماذج التوليدية: اختبروا الجودة عند حركة الكاميرا وتغيّر الزاوية والحفاظ على التفاصيل والوجوه بين الإطارات. وستُدرَّب الصورة والفيديو والصوت داخل نموذج واحد بوتيرة متزايدة، وسيتعيّن إعادة النظر في خطوط المعالجة (pipelines) المكوّنة من أدوات منفصلة.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول الكرة التي تتجه نحوك؟

يشرح بلاتمان «الذكاء البصري» بمثال يمكن تجربته بيد واحدة. حين يرمي إليك أحدهم كرة، تبدأ يدك بالحركة قبل أن تصل. أنت لا تحسب المسار، ولا تستطيع تدوينه. هذا النوع من المعرفة بالعالم هو ما يريد المختبر أن يحصل عليه من النموذج. لكل نوع من البيانات دوره. تُظهر الصورة الثابتة أين تقع الكرة الآن. ويُظهر الفيديو كيف وصلت إلى هناك. ويدل صوت الضربة على لحظة اصطدام الكرة بشيء ما، حتى لو لم تلتقط الكاميرا لحظة التماس. ولهذا يدرّب BFL نموذج FLUX 3 على الإشارات الثلاث معًا، بدل ضم نماذج منفصلة بعضها إلى بعض. وهناك اختبار أوضح.

ما أبرز التفاصيل حول لماذا ينهار رفع الدقة بسبب الوميض؟

أكثر الأمثلة عمليةً في نهاية الحوار هو رفع دقة الفيديو. إذا حُسّن كل إطار على حدة، فقد يبدو كل إطار منفردًا رائعًا. لكن عند التشغيل تبدأ التفاصيل المضافة بالوميض: فأداة رفع الدقة، أي الأداة التي تزيد دقة الصورة، كانت تتخذ في كل مرة قرارًا مختلفًا قليلًا، فظهر تموّج بين الإطارات المتجاورة. يبني BFL أداة رفع دقة الفيديو الخاصة به على الأساس نفسه الذي يقوم عليه FLUX 3. فالاتساق الزمني مطلوب حتى لو لم يطلب المستخدم سوى ملف أكبر حجمًا. والخلاصة للمطورين بسيطة: المعالجة إطارًا بإطار تنتج شوائب تقريبًا لا محالة.

ما أبرز التفاصيل حول فيمَ تُنفق الموارد الحسابية أثناء التدريب؟

سأل المضيف عما إذا كان النموذج الانحداري الذاتي يزاحم الانتشار في توليد الصور. يقر بلاتمان بمزايا كلا النهجين. فالنموذج الانحداري الذاتي يتعلم من جميع رموز (tokens) المثال التدريبي دفعة واحدة. أما الانتشار فله ورقته الرابحة: يمكن ضغط عملية التوليد الطويلة إلى بضع خطوات. وما الأهم؟ هذا يتوقف على ما تدفع ثمنه: تدريب النموذج أم انتظار الصورة الجاهزة. يُظهر داستن بوديل كيف يختار الفريق ما يستثمر فيه. افترض أن النموذج القادر على رسم كلب يرتدي قبعة يعرف مسبقًا موضع القبعات.

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…