في السنوات الأخيرة، شهدنا تقدمًا كبيرًا في نماذج الانتشار (Diffusion Models) التي حسّنت كثيرًا من قدرة توليد الصور والفيديو. ومع ظهور عدة طرق للتحكم بالمفاهيم، أصبح بإمكاننا الحصول على تحكم دقيق ومستمر على النصوص الحرة. لكن، كانت هذه الطرق تستهلك وقتًا طويلاً في التدريب وموارد ضخمة من الذاكرة، بالإضافة إلى الحاجة لإعادة تدريبها مع كل تغيير في النماذج، مما حد من قدرتها على التوسع والتكيف.

استجابةً لهذه التحديات، تم تقديم **Text Slider**، وهو إطار عمل خفيف وفعال وسهل الاستخدام، يقوم بتحديد الاتجاهات ذات الرتبة المنخفضة داخل مشفّر النصوص المدرب مسبقًا. هذه التقنية تتيح التحكم المستمر بالمفاهيم البصرية، مما يقلل بشكل كبير من وقت التدريب واستهلاك الذاكرة وعدد المعلمات القابلة للتدريب.

بالإضافة إلى ذلك، يدعم Text Slider تكوين المفاهيم المتعددة والتحكم المستمر، مما يسهل التلاعب الدقيق والانسيابي في توليد الصور والفيديو. لقد أظهرت النتائج أن Text Slider يتيح تعديل سلس ومستمراً لسمات محددة مع الحفاظ على التخطيط الهيكلي الأصلي للمدخلات.

علاوة على ذلك، يحقق Text Slider كفاءة كبيرة، فهو أسرع بمعدل 5 مرات مقارنةً بـ Concept Slider و 47 مرة أسرع من Attribute Control، بينما يقلل من استهلاك الذاكرة بطريقة فعالة، تصل إلى ضعف الاستخدام في بعض الحالات. في عالم يشهد تطورًا سريعًا، يمثل Text Slider خيارًا قويًا للمطورين والباحثين في مجال الذكاء الاصطناعي.