SparkDiffusion يقلص توليد فيديو 720p من 79 دقيقة إلى 18 ثانية

فيديو بدقة 720p كان يستغرق نحو 4,769 ثانية لتوليده، أصبح الآن يستغرق حوالي 18 ثانية على بطاقة RTX 5090 واحدة. الفريق الذي يقف وراء النتيجة، باحثون من جامعة بكين وجامعة تسينغهوا وعلي بابا، أصدر الكود مفتوح المصدر تحت اسم SparkDiffusion، والتسريع البالغ نحو 265 ضعفًا هو نوع الأرقام الذي يغيّر ما يمكن لخط المعالجة أن يفعله، وليس فقط مدى سرعة انتهائه.

يستحق الادعاء التحقق من كيفية تحقيقه، لأن تسريعًا بهذا الحجم عادةً ما يخفي شرطًا أو استدراكًا. يجمع SparkDiffusion ثلاث تقنيات كانت كل واحدة منها تنضج على حدة: الانتباه المتناثر، والتقطير قليل الخطوات، وتكميم FP8. يتجنب الانتباه المتناثر حساب مصفوفة الانتباه الكاملة التي تقضي نماذج الفيديو بالانتشار معظم وقتها في حسابها عادةً. ويدرّب التقطير قليل الخطوات النموذج للوصول إلى عيّنة جيدة في خطوات إزالة ضوضاء أقل بكثير من العشرات المعتادة. ويقلل FP8 دقة الحسابات الرقمية. اجمعها معًا فتنهار العمليات الحسابية لكل فيديو.

لماذا يظل الاستدراك مهمًا

يقايض كل من الانتباه المتناثر والتقطير قليل الخطوات قليلًا من الجودة مقابل قدر كبير من السرعة، والسؤال الصادق لأي شخص ينشر هذا هو أين تستقر الجودة. رقم 265x على بطاقة واحدة من فئة المستهلك مثير للإعجاب، لكن الطرق نفسها التي تنتجه قد تُلطّف التفاصيل الدقيقة أو تقلل تماسك الحركة. تذكر الورقة البحثية التسريع؛ أما ما إذا كان الناتج ينجو من مراجعة احترافية فهو الاختبار الذي سيجريه الاستوديو قبل الوثوق به.

حتى مع هذا التحفظ، الاتجاه مهم. لطالما سُعّر توليد الفيديو كعبء عمل لمراكز البيانات. مقطع بدقة 720p يحتاج إلى عنقود حوسبة ليُصيَّر في وقت معقول، وهذا يدفع كل فريق إلى استخدام واجهة برمجة تطبيقات (API)، ما يضع نموذج التكلفة في أيدي شخص آخر. خفّض زمن التصيير إلى ثوانٍ على وحدة معالجة رسومات واحدة وستتغير الاقتصاديات. يصبح التكرار رخيصًا، والتكرار الرخيص هو ما يحوّل المولّد إلى أداة يمكنك الاستكشاف بها فعلاً.

القصة نفسها من زاوية أخرى

ليس SparkDiffusion وحده من يهاجم تكلفة الفيديو. أطلق مشروع Sana من NVIDIA نموذج SoL-Refiner، وهو نموذج تحسين فيديو بخطوة واحدة يأخذ مخرجات منخفضة الدقة من أي مولّد ويحولها إلى فيديو 2K أو 4K حاد، مع الإبلاغ عن سرعة أكبر بمقدار 8.91 مرة من البداية إلى النهاية. التصميم مكمّل لما يفعله SparkDiffusion. يسرّع SparkDiffusion التوليد؛ ويسرّع SoL-Refiner التنقيح. معًا يشيران إلى خط معالجة من مرحلتين حيث يفعل النموذج المكلف أقل وتقوم أداة تنقيح رخيصة بالتنظيف.

وفي الوقت نفسه، تتحرك حدود الجودة باستمرار. أطلقت Artificial Analysis معيار AA-Video-T2V v2.0، المبني على أكثر من 68,000 صوت تفضيل بشري عبر نحو 1,000 مطالبة، ويحكم على كل نموذج بدقة 1080p. يتصدر Wan 3.0 قائمة المتصدرين بتقييم Elo يبلغ 1157 وبتكلفة 12 دولارًا للدقيقة، محققًا المركز الأول في 10 من 20 تصنيفًا فئويًا. رقم 12 دولارًا هو النصف الآخر من القصة. يمكن لنموذج أن يكون الأفضل في العالم ويظل غير قابل للاستخدام على نطاق واسع إذا كانت كل دقيقة تكلّف جزءًا معتبرًا من أجر مستقل.

ماذا يعني توليد فيديو في 18 ثانية

الفرق بين 79 دقيقة و18 ثانية ليس نسخة أفضل من سير العمل نفسه. إنه سير عمل مختلف. عند 79 دقيقة، يخطط المنشئ بعناية، يلتزم بمطالبة واحدة، ثم ينتظر. التكرار مكلف بما يكفي لتفعله بقدر ضئيل. عند 18 ثانية، تجرّب الأشياء. تولّد عشرة تنويعات، تنظر إليها جنبًا إلى جنب، وتحتفظ باثنتين. تتحول الأداة من شيء تعطي له الأوامر إلى شيء تحاوره، وهذا التحول في التفاعل هو عادةً ما يفتح الجودة، وليس النموذج الأساسي.

حدث الشيء نفسه في توليد الصور. عندما كانت الصورة الجيدة تستغرق دقائق، كان الناس يكتبون مطالبات دقيقة ويتعاملون مع كل عملية توليد كقرار. وعندما انخفض الزمن إلى ثوانٍ، بدأوا يكتبون مطالبات بعجالة، ويولّدون على نطاق واسع، ثم يختارون. لم يرتفع سقف الجودة كثيرًا، لكن ارتفع أرضية المخرجات القابلة للاستخدام، لأن الانتقاء يمتص قدرًا كبيرًا من التباين. إذا فعل SparkDiffusion للفيديو ما فعلته أدوات أخذ العينات السريعة للصور، فسيظهر التأثير أولًا في عدد مرات التوليد لدى الفريق، لا في كون أي مقطع واحد أفضل بشكل هائل.

هناك تحفظ يتعلق بالعتاد، وهو ليس صغيرًا. رقم 18 ثانية مُقاس على بطاقة RTX 5090، وهي بطاقة من الفئة الاستهلاكية العليا. تشغيل خط المعالجة نفسه على وحدة معالجة رسومات متوسطة المدى، وهي ما تملكه معظم الاستوديوهات فعليًا، سيكون أبطأ، وقد يبدو التسريع مقارنةً بخط الأساس أقل إثارة. لكن الاتجاه هو ما يهم للتخطيط، لأن سعر العتاد الأساسي ينخفض في الوقت نفسه الذي ترتفع فيه كفاءة البرمجيات. كلا القوتين تدفعان في الاتجاه نفسه.

المنافسة الحقيقية هي اقتصاديات الثانية الواحدة

اجمع النصفين معًا وستبدو سباق توليد الفيديو أقل شبيهًا بمسابقة جودة خالصة وأكثر شبيهًا بمسابقة تكلفة. في جانب، تتحسن النماذج باستمرار وتصبح أغلى لكل ثانية. وفي الجانب الآخر، يواصل مجتمع البحث إيجاد طرق لتشغيل العمل نفسه على شرائح أرخص وفي وقت أقل. الفائز في معظم المشاريع الحقيقية هو الجانب الذي يتحرك أسرع مقارنةً بالآخر.

هناك نمط هنا يردد ما حدث في عالم توليد الصور. يظهر نموذج رائد، يحصل على تقييم مرتفع، ويُسعّر كمنتج متميز. ثم يُظهر مشروع مفتوح الأوزان أن المهمة نفسها مسألة هندسية في معظمها، فتنهار الأسعار. كان الفيديو أبطأ في اتباع هذا المسار لأن متطلبات الحوسبة أعلى، لكن SparkDiffusion وSoL-Refiner هما أول إشارتين موثوقتين على أن ذلك بدأ.

النتيجة العملية لفريق المحتوى هي أن قرار البناء مقابل الشراء في توليد الفيديو لم يعد واضحًا. قبل ستة أشهر، كان الدفع مقابل API هو المسار الوحيد المعقول التكلفة. وإذا كانت وحدة معالجة رسومات واحدة قادرة على تصيير 720p قابلة للاستخدام في ثوانٍ، فبالنسبة للفرق ذات الحجم الثابت، يصبح امتلاك خط المعالجة منطقيًا، على الأقل للمرات الأولية التي تُرسل إلى خدمة مدفوعة فقط عندما تحتاج إلى أن تكون نهائية.

ما يجب مراقبته

ثلاثة أمور ستحدد مقدار أهمية هذا. أولًا، ما إذا كانت جودة المخرجات المسرّعة تصمد في اختبارات مستقلة وليس فقط في عينات الورقة البحثية نفسها. ثانيًا، ما إذا كان الكود مفتوح المصدر يعمل بنظافة على بطاقات المستهلك التي تملكها معظم الفرق فعليًا كما يعمل على RTX 5090 في النتائج. ثالثًا، ما إذا تستجيب مختبرات الطليعة بخفض الأسعار بشكل أكثر شراسة، لأنه إذا فعلت ذلك، يتقلص الحافز للتشغيل المحلي مجددًا.

في الوقت الحالي، التحول ذو المعنى هو تحول مفهومي. يُعاد تصنيف توليد الفيديو من خدمة إلى قطعة برمجية يمكنك تشغيلها بنفسك. هذا التصنيف هو نفسه الذي حوّل نماذج الصور من استدعاء API إلى سير عمل ComfyUI محلي، ويميل إلى الانتهاء بالطريقة نفسها: حدود عليا في القمة وطبقة واسعة ورخيصة وجيدة بما يكفي في الأسفل تقوم بمعظم العمل.