إيفو وورلد: ثورة في نماذج الفيديو التوليدية نحو تطور العالم المرئي!

تتطور نماذج الفيديو التوليدية (Generative Video Models) بشكل متسارع لتصبح أدوات قوية لمحاكاة العوالم المرئية، ولكن قوتها الأساسية كانت دائماً في تقديم صور واضحة وواقعية بدل التفكير في كيفية تطور تلك العوالم. لإحداث تطور متماسك، يتطلب الأمر أكثر من مجرد دقة بصرية: فعندما تحدث حدث معين، يجب على النموذج أن يؤسس النتائج المترتبة على ذلك الحدث للموجودات في العالم.

على سبيل المثال، بعد ظهور حيوان مفترس، ينبغي على النموذج ليس فقط رسم صورة الحيوان، بل أيضاً أن يستنتج ما إذا كان يجب على شخص قريب أن يهرب، أو يتخذ غطاءً، أو يتصدى للخطر بناءً على المشهد الواقع.

تشير النماذج المستندة إلى الانتشار التي تم استخدامها حتى الآن إلى عدم وجود آلية واضحة للحفاظ على حالة العالم والتفكير في العواقب المرتبطة بالأحداث، مما يؤدي غالباً إلى نتائج بصرية ممكنة ولكن سلبية سلوكياً أو غير متسقة من ناحية السبب والنتيجة.

لجعل هذه الفجوة في التفكير ملموسة وقابلة للقياس، اقترحنا مشكلة جديدة تُعرف بتطور السبب المبني على الأحداث المخفية (Out-of-Sight Causal Evolution)، والتي تتطلب من النموذج رسم حدث، واستنتاج عواقبه على حالة العالم المتطورة، وإظهار نتيجة منطقية حتى تتواصل الأرض في التطور، حتى خارج مجال الرؤية.

ولإعداد مرجع أساسي، نقدم إيفو وورلد، وهو إطار تعاون يقوم بتجسيد التفكير الذهني، حيث يعمل نموذج اللغة البصرية كعقل العالم: يراقب المقاطع المولدة، ويحافظ على سجل متطور للعالم، ويستنتج التحولات المحتملة في الحالة، بينما يقوم نموذج الفيديو القائم على تقديم المقاطع بتحقيق تلك التحولات بصرياً. كما نقدم أيضاً بيانات إيفو وورلد (EvoWorld-Data) ومنصة إيفو وورلد (EvoWorld-Bench) لتدريب وتقييم إدراك الأحداث، وردود الفعل السببية، وموثوقية العودة.

تظهر التجارب أن إيفو وورلد تحسن بشكل كبير تطور السبب المرتبط بالأحداث مقارنةً بالنماذج الحديثة مع الحفاظ على جودة بصرية واتساق عالي، مما يضع نقطة مرجعية لتطور العالم المستقل المدعوم بالتفكير، بما يتجاوز الحدود الحالية للرؤية.