في عالم الذكاء الاصطناعي، تعد نماذج الفيديو الكبيرة (Large Video Models) خطوة نوعية نحو تحسين التعلم التفاعلي. إلا أن عملية العينة المتعددة الخطوات التي تحتاجها هذه النماذج تظل باهظة التكلفة، مما يعيق استخدامها الفعال في التطبيقات التفاعلية. هنا يأتي دور تقنية "تطابق التوزيع" (Distribution Matching Distillation أو DMD)، التي تهدف لتسهيل عملية توليد الفيديو في خطوات قليلة، لكنها عرضة لتحجيم حركات الروبوتات أثناء الاحتفاظ بجودة الصورة.

عند تحليل إشارات التعلم للمعلم وأخطاء التقدير، وجد الباحثون أن إعادة الضوضاء الضعيفة (Weak Re-noising) تساهم في تركيز المعلم على النتائج التي تعاني من نقص الحركة، مما يحد من تقديم الإرشادات لتحسين الحركة. بالمقابل، النتائج التي تتمتع بحركة أكثر تطوراً قد تعاني من أخطاء أكبر في تقدير الدرجات الزائفة، مما يؤثر سلباً على قدرة النموذج في تعلم ديناميات التفاعل.

في محاولة لتحسين هذه العملية، تم اقتراح "DyMD"، وهو إطار عمل يعتمد على DMD ويعمل على تعديل إشراف المعلم وتقدير الناقد بما يتلاءم مع تطور الطالب. تقنية توزيع الإعادة الزمنية الموجهة (Temporal Affinity–Conditioned Re-Noise Sampling) تضمن التكيف مع كل عملية فيديو عند القيام بتوزيعها الزمني، مما يسمح بالتوازن بين استعادة الحركة وتحسين المظهر.

عبر استخدام DyMD، استطاع الفريق البحثي صقل نموذج المعلم الذي يضم 14 مليار معلمة إلى نموذج الطلاب الذي يضم 1.3 مليار معلمة، مع الحفاظ على جودة الصورة. وفي اختبارات الفيديو المدمجة، شهد الطالب تحسناً ملحوظاً حيث ارتفعت نسبة الالتزام بمهام R-Bench بمقدار 9.6 نقاط مئوية، وسجل 5.1 نقاط في مقياس PAI-Bench-G Domain مقارنة بالنموذج الأساسي. كما تمكن النموذج الجديد من تحقيق moyenne نجاح بلغت 34% عبر مهام WorldArena، في مقارنة مع 16% للنموذج الأساسي.

تعد هذه التطورات خطوة هامة نحو تعزيز فعالية الروبوتات في تخطيط الأفعال وتحسين قدراتها على التفاعل، مما يفتح آفاقاً جديدة لتطبيقات الذكاء الاصطناعي. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.