مايكروسوفت تكشف عن Code Video Model للتحكم في توليد الفيديو عبر الأكواد

أعلنت شركة مايكروسوفت عن Code Video Model، وهو نهج جديد لتوليد الفيديو يعتمد على الأكواد القابلة للتنفيذ للتحكم الدقيق في بنية المشهد وحركة الكائنات ومسارات الكاميرا، بحسب ما نشره موقع aitimes.com.

يعمل النموذج على تحويل الأوامر النصية إلى برامج قابلة للتنفيذ عبر وكيل برمجي يقوم بدور محرك توليد الفيديو. ويكتب هذا الوكيل أكوادًا لتحديد مواقع الكائنات وحركتها وتوقيتها ومسارات الكاميرا، مع تطبيق معادلات فيزيائية. وينتج النموذج فيديو أوليًا وصورًا مرجعية في أقل من دقيقة واحدة.

بعد ذلك، يتولى نموذج Reference-to-Video (R2V) المُدرَّب مسبقًا توليد الفيديو النهائي عالي التفاصيل انطلاقًا من الفيديو الأولي والصور المرجعية. ويستخدم النموذج تقنية «early-step conditioning» التي تطبق الفيديو الأولي في مراحل أخذ العينات المبكرة فقط، ثم تُزال هذا الشرط لاحقًا.

وقدّم الفريق البحثي أيضًا معيار CodeVideoBench الذي يغطي الألعاب وتحرير المشاهد والحركة القائمة على الفيزياء وزمن الرصاصة وإعادة البناء ثلاثي ورباعي الأبعاد. وعند دمج Code Video Model مع نموذج R2V المسمى MiniMax-H3، سجّل النظام 85.2 و82.1 و85.8 نقطة على اختبارات QwenVL-3.8-27B وGPT-5.6 وGPT-6 على التوالي.

في المقابل، سجّل نموذج VACE، وهو أفضل نموذج سابق قائم على التعلم، 74.3 و73.1 و80.6 نقطة على الاختبارات نفسها. وأتاحت مايكروسوفت الأوزان والشيفرة المرتبطة عبر هجينج فيس وغيت هاب.

سياق سابق

وكانت نماذج انتشار الفيديو الحالية قادرة على إنتاج فيديوهات واقعية، لكنها تحدد مواقع الكائنات وحركتها ومسارات الكاميرا داخليًا، ما يجعل التعديل التفصيلي من قبل المستخدم أمرًا صعبًا.