Claude وQwen Omni: كيف ربط مطوّر تحليل الفيديو بسير عمله الفعلي

في منشور جديد على Habr، عرض مطوّر طريقة بسيطة لكنها مفيدة لتوسيع قدرات Claude في المهام التي تتطلب تحليل الفيديو لا الصور المفردة. فبدلًا من انتظار دعم أصلي لمقاطع الفيديو من جانب Anthropic، بنى حلًا يجمع نموذجين: يتولى Qwen Omni الإدراك متعدد الوسائط، بينما يتولى Claude التحليل والتنظيم وصياغة النتيجة. وعمليًا حوّل ذلك مهمة يدوية مملة إلى خط معالجة (pipeline) آلي يوفّر الوقت ويحافظ على سياق الحركة على نحو أفضل.

المشكلة التي واجهها مألوفة لكثيرين ممن يعملون في الرسوم المتحركة والموشن والمراجع البصرية. فحين يُقطَّع الفيديو إلى إطارات وتُرسل إلى النموذج واحدًا تلو الآخر، يضيع أهم ما فيه: الصلة بين الحالات المتعاقبة، والإيقاع، ومسار الكاميرا، والانتقال بين الوضعيات، والنمط العام للحركة. ويمكن تحمّل هذا الحل البديل مع المشاهد الثابتة، لكنه يصطدم سريعًا بحدوده في تحليل الحركة. أما في مهام مثل تحليل أساليب التصوير، ومزامنة الإيماءات، وتغيير اللقطات، وتقييم التصميم النهائي للشخصية، فيكاد هذا التنازل يكون عديم الفائدة. والنتيجة أن النموذج يرى مجموعة صور لا حدثًا متكاملًا، ويضطر الإنسان إلى إعادة تجميع المعنى يدويًا.

كانت المهمة المحددة تطبيقية تمامًا: ففي مجلد المشروع 29 مقطع فيديو مرجعيًا مولَّدًا لحركات شخصية متحركة، وكان المطلوب تصنيفها في فئات ووصفها بإيجاز من حيث الحركة. ولو أنجز المؤلف ذلك يدويًا لاستغرق نحو ساعة أو ساعة ونصف، في عمل لا قيمة مضافة فيه: فتح الملف، ومشاهدته، وتحديد نوع الحركة، وكتابة الوصف، ثم الانتقال إلى الملف التالي. وهذا النوع من الروتين مؤلم بوجه خاص للمبدعين، لأنه يستهلك الوقت في جرد مواد أُنجزت بالفعل بدلًا من الإبداع.

وجاء الحل من Qwen Omni، الذي كان المؤلف يستخدمه أصلًا في مشروع آخر: مساعد رقمي على هيئة شخصية يعمل في الوقت الفعلي. وبدت الفكرة منطقية: إذا كان أحد النموذجين يفهم المدخلات متعددة الوسائط جيدًا، والآخر قويًا في التفسير وإخراج نص مرتب، فيمكن ربطهما في سير عمل واحد. في هذا التصميم يتلقى Qwen Omni الفيديو أولًا، ويستخلص منه السمات ذات المعنى ووصفًا لما يجري فيه، ثم يستخدم Claude هذه المادة أساسًا لتصنيف أكثر عملية ولإجراء المقارنات وصياغة الاستنتاجات النصية. وبعد ذلك لا يحصل المستخدم على سرد خام فحسب، بل على أوصاف موحدة الشكل وقوائم ووسوم واستنتاجات موجزة لكل مقطع في المجلد.

وهذا ليس تحويلًا «سحريًا» لـ Claude إلى نموذج فيديو متكامل، بل تركيبة عملية من أدوات متخصصة.

ومن الناحية الهندسية، المهم هنا هو النهج نفسه. فبدلًا من البحث عن نموذج شامل واحد لكل المهام، يبني المؤلف حزمة من مكونات ذات تخصصات مختلفة. وهذا يعني للمستخدمين طريقًا أكثر واقعية نحو تعدد الوسائط: لا حاجة إلى انتظار أن يتعلم نموذج LLM المفضل كل شيء دفعة واحدة، بل يمكن تزويده بمستشعرات خارجية وطبقات وسيطة. ويفيد هذا النمط خصوصًا حيث لا تقتصر القيمة على التعرّف، بل تمتد إلى الاستدلال (reasoning) اللاحق: تحليل المشاهد، ووصف سلوك الشخصية، وتحديد أنماط الحركة المتكررة، وإعداد ملاحظات للإنتاج أو للتواصل داخل الفريق. وبالمخطط نفسه يمكن تحليل لوحات القصة المصورة (storyboards) ومقاطع التدريب وتسجيلات الواجهات وعمليات التوليد التجريبية قبل المونتاج.

وتُظهر قصة Claude وQwen Omni أن قصور نموذج ما لا يعني دائمًا طريقًا مسدودًا أمام العملية كلها. فإذا قُسّمت المهمة إلى مراحل، هي الإدراك والوصف والتصنيف والاستنتاج، يتضح أي جزء منها يمكن إسناده إلى أداة خارجية منذ الآن. وهذه إشارة جيدة لصنّاع المحتوى المرئي والرسامين المتحركين وفناني الذكاء الاصطناعي: فالقيمة تنشأ بصورة متزايدة لا من نموذج واحد هو «الأذكى»، بل من حزمة مجمّعة بإتقان، يؤدي فيها كل نظام ما يتقنه فعلًا.