التقرير التقني لـKling يقول إن عنق الزجاجة ليس المُصيّر

نشر فريق Kling في 3 نوفمبر تقريراً تقنياً يقرأ أقرب إلى حجة حول مكان العمل الفعلي من كونه إعلاناً عن نموذج. عنوانه صريح: «Behind Video Generation». وادعاؤه أصرح. يقول المؤلفون إن جودة التوليد هي إسقاط الفهم متعدد الوسائط عبر سلسلة كاملة من البيانات والتكييف والمواءمة والتقييم.
وبترجمة الخلاصة من لغة البحث: الرسم لم يعد الجزء الصعب. الجزء الصعب هو أن تقرر ماذا ترسم، بتفصيل كافٍ، ثم تستطيع أن تقول لماذا فشلت لقطة معينة. الفرق أن العمل الباقي ليس الضغط على زر، بل صياغة الطلب بدقة قبل أن يبدأ أي حساب.
التقرير يحمل قرابة خمسين مؤلفاً، وهو الآن ضمن قائمة الأوراق اليومية الأكثر تداولاً على Hugging Face، وهذا في حد ذاته إشارة بالنسبة لوثيقة لا تأتي معها أوزان. لا شيء يُنشر هنا. لا كود، ولا نقاط حفظ. الذي يُنشر هو وصف للمنظومة بأكملها، وهذا نوع من الأوراق نادراً ما يُنشر لأن قيمته لا تظهر في جدول مقارنة.
إطار، ومقطع، ولقطة، ومشهد
تفتح الورقة بخط زمني من أربع سنوات. كان 2023 مرحلة طموح. وأنتج 2024 عروضاً تُبهر ولا يمكن الاعتماد عليها. ووصل 2025 إلى لقطات يمكن لإنتاج حقيقي أن يستخدمها. و2026 هي المرحلة التي تولّد فيها الأنظمة مشاهد قصيرة متماسكة — لقطات متعددة، وشخصية تبقى، وأداء، ولغة كاميرا، وحواراً، وموسيقى، ومؤثرات.
وتحرّكت وحدة التقدم معها: الإطار، ثم المقطع، ثم اللقطة، ثم المشهد. هذه ليست إعادة صياغة تجميلية. جودة مستوى المشهد تركيبية بطبيعتها. القيود تتفاعل، والأخطاء تتراكم، وعلى النظام أن يستنتج نية إبداعية كامنة من مدخلات فوضوية، ثم يعبّر عن تلك النية كشروط يستطيع المولّد تنفيذها. النموذج الذي حُكم عليه دائماً بإطارات منفردة لا سبيل له إلى تعلّم ذلك.

عمود فقري واحد، ومتخصصون كثيرون
في الأسفل يجلس Kling-MLLM: نموذج متعدد الوسائط انحداري تلقائي يستقبل الصور والفيديو والصوت، والصوت والصورة المتزامنين، والمدخلات المتشابكة. وثلاثة أحجام — كثيف بـ27B، وMoE بـ35B-A3B، وMoE بـ397B-A17B — مع تهيئة العمودين اللغوي والبصري من نقاط حفظ Qwen3.5 حتى Qwen3.8.
ويتغير برج الصوت مع الحجم. النسخ الأصغر تتبع تصميم Qwen3-Omni وتشفّر صوتاً أحادياً بتردد 16 kHz بمعدل 13 رمزاً في الثانية. أما النسخ الأكبر فدمج خصائص Mel وموجة VAE في برج مزدوج الفرع بمعدل 25 رمزاً في الثانية. ويمر التدريب بمنهج من أربع مراحل: تهيئة صوتية، وتدريب متعدد الوسائط مشترك، وتوسيع السعة الزمنية، وتثبيت السياق الطويل.
ثم يُدرَّب الأساس بعد ذلك إلى متخصصين — كاتب أوصاف، ومحسّن أوصاف، ومشفّر نصي، ونموذج مكافأة، ومقيّم. والفكرة من مشاركة عمود فقري واحد أن المعرفة البصرية والزمنية والصوتية تُتعلَّم مرة واحدة وتُعاد، بينما تختار كل مهمة لاحقة مقايضتها الخاصة بين الدقة والاستجابة.
وهناك تفصيل يستحق السرقة حتى لو لم تلمس الفيديو في حياتك: متوسط أوزان المرحلتين الأولى والأخيرة من المنهج تفوّق على كل من نقطتي الحفظ المنفردتين. حيلة رخيصة بنتيجة نظيفة بشكل غير معتاد، وتذكير بأن بعض المكاسب لا تحتاج تدريباً إضافياً بل حساباً بسيطاً على ما دُرّب بالفعل.
الوصف عقد
وسط التقرير عن الأوصاف، وهو الجزء الذي أسلمه لأي شخص يكتب الأوصاف مهنةً.
محوّل الانتشار يرى عينات تدريب أقل بكثير من النموذج اللغوي، لذا يجب أن تحمل كل عينة أكبر قدر ممكن من المعلومات. وتصل هذه المعلومات في هيئة وصف يكتبه نموذج آخر. لذلك يعامل المؤلفون الوصف كعقد دلالي، ويحددون له ست عائلات معلومات يجب أن يغطيها: الموضوع والفعل؛ والمكان والتكوين؛ والتصوير السينمائي والضوء؛ والزمن واللقطات؛ والنص المرئي والمسموع؛ والجماليات.
وكل عائلة مصحوبة بفشل مسمّى. تجاهل حقول التصوير السينمائي فتحصل على ما تسميه الورقة سلوك كاميرا عاماً — أسلوب جذاب لكن غير قابل للتكرار. وتجاهل تفاصيل الموضوع والفعل فينتج المولّد وقوفاً جامداً، أو تبادلاً في الأدوار، أو أفعالاً غير محسومة. تلك القائمة هي أنفع ما في الوثيقة، لأنها تحوّل «وصفي لا يعمل» إلى تشخيص.
ويمدون العقد إلى الوصف المسنود بمرجع بثلاث خصائص: ربط محدود النطاق، وكفاية متبقية، واتساق في الصلاحية. ويصفون خطوة لتوسيع البيانات تكاد تكون وقحة — أي فيديوين بينهما تشابه بصري أو صوتي كافٍ يمكن استخدامهما كمرجع وهدف، مع وصف يشرح ما يشتركان فيه وما يتغير. الزوج لا يجب أن يأتي من تحرير حقيقي أصلاً. وهذه بالضبط الحيلة التي تجعل بيانات التدريب تتضاعف بلا تصوير جديد: كل ما تحتاجه هو فيديوان متشابهان، ووصف يشرح العلاقة بينهما.
أوصاف يكتبها الناس فعلاً
المستخدمون الحقيقيون لا يكتبون أوصافاً. يكتبون ثلاثة أسطر ويضغطون Enter. لذا تضم المنظومة تحسيناً للأوصاف على طبقتين: نسخة أساسية تترجم النية إلى توزيع الأوصاف، ومرحلة أخيرة تشغّل تعلماً معززاً بمشفّر النص وDiT المجمدين في الحلقة، وتتحدث على مكافآت مستوى الفيديو للجودة البصرية وجودة الحركة ومواءمة النص. وهناك أيضاً طبقة وكيلية تعمل قبل كل ذلك، تصقل الحكاية وتستدعي أمثلة، لأن كثيراً من أوصاف الإنتاج مكتوبة هي نفسها بواسطة الذكاء الاصطناعي — طويلة، وفصيحة، ومتناقضة داخلياً.
قسم المشفّر النصي هو ما لم أتوقعه. الادعاء أن مشفّر التكييف الجيد يأتي من تدريب إدراكي لا من قدرة لغوية أقوى؛ وأن معايير الأسئلة والأجوبة العامة تقيس فك التشفير الانحداري لا الحالات الخفية التي يستهلكها DiT فعلاً؛ وأن المشفرات المرشحة يمكن فرزها من النص وحده قبل أن يدفع أحد ثمن تدريب شامل. وتكييف العمود الفقري وتثبيت أوزان المزج رفع نسبة التفضيل البشري من 1.10 إلى 1.27 مقابل خط أساس من Qwen.
وتنقسم المكافآت إلى نصفين. نموذج مكافأة عام مبني على 27B يكتب نقداً قابلاً للتفسير مع وسوم عيوب وفواصل زمنية وصناديق لكل إطار وتبريرات. ونموذج مكافأة قرار يقيّم أبعاداً كثيرة في تعبئة واحدة. ويخدمان معاً خمس وظائف: التعلم المعزز لـDiT، والتعلم المعزز لتحسين الأوصاف، والتقييم الآلي، واختيار نقاط الحفظ، وترشيح البيانات.
الأرقام، والتحفظ
الدرجات المعلنة لأكبر نموذج تشمل 72.48 على LongVideoBench، و77.88 على MVBench، و89.52 على MMBench-CN، ومعدل خطأ كلمات 1.18 على LibriSpeech clean. ويسجل Kling-Captioner دقة 21.84 وتغطية 94.81 على VidCapBench بنسخة 35B-A3B، مقابل 20.23 و94.15 لـ Doubao2.1-Lite في وضع التفكير. ويصل نموذج مكافأة القرار إلى دقة ماكرو 77.86 على اختبار الفريق الداخلي للثنائيات، مقابل 73.54 لـ Gemini-4-Argon.
وتحفظان اثنان. هذه أرقام الفريق نفسه، وقد رأى أكثر من قراءة متأنية أن الورقة تبالغ في مكاسب نموذج المكافأة على المعايير العامة. والمقارنة مع Doubao مختلطة أيضاً — ففي عدة معايير أخرى يقول المؤلفون إن نموذجاً منافساً يتقدم. هذا النوع من الاعتراف أكثر مصداقية من اكتساح نظيف، لكنه لا يجعل الأرقام الرئيسية مستقلة.
النقطة الأعمق تظل قائمة بغض النظر. إذا كانت الجودة تركيبية، فإن درجة إجمالية واحدة لا تشخّص شيئاً. المقطع السيئ نفسه قد يأتي من وصف أغفل الإشراف، أو تكييف ألقى بالبنية الزمنية، أو نموذج مكافأة يفضّل حركة سلسة لكن ساكنة، أو مقيّم لم يختبر الحدث الذي طلبه الوصف. وتوصية الورقة هي تقييم مفكّك خاص بكل مهمة. ومن أطلق ميزة فيديو يعرف كم مرة تبيّن أن «النموذج سيئ» هو في الحقيقة «الاختبار كان أعمى».
لماذا يهم خارج Kling
خلال السنة الماضية كانت المنافسة المرئية على الدقة والمدة والسعر للثانية. هذه أمور حقيقية، وهي أيضاً أسهل ما يُقارن في جدول. يقول هذا التقرير إن الجدول يقيس الطبقة الخطأ، ويقولها بتفصيل داخلي كافٍ كي يستطيع المنافسون فحص الاستدلال.
وإن كان المؤلفون على صواب، فلن تأتي الجولة القادمة من الانتصارات من مُصيّر أفضل. ستأتي ممن يبني أنظف خط أنابيب من «ما قصده العميل» إلى «ما ينفذه المولّد» — وممن يستطيع أن يقول بسرعة وتحديد أي حلقة في تلك السلسلة انقطعت، بدل أن يعيد تشغيل النموذج كله على أمل أن يزول العيب.
مقالات ذات صلة
AMD ربحت 19% لمجرد أنها الخيار الآخر
المال لم يخرج من الذكاء الاصطناعي. خرج من الاسم الوحيد الذي واجه مشكلة حوكمة، وذهب إلى الاسمين الذين لم يواجها.
عشر تخفيضات في أربع جلسات، ولا رقم جديد واحد
لم ينشر أحد رقمًا جديدًا عن دفتر الطلبات. الذي تغيّر ليس منتصف النطاق، بل عرضه — وهذا وحده كافٍ لتغيير تصنيف.
أول ربع بعد رحيله: الأرقام محسومة، والأسئلة ليست كذلك
الربع نفسه ليس محل شك، أما الأرباع الأربعة التالية فهي المسألة كلها. ورئيسة تنفيذية مؤقتة لديها مكالمة واحدة لتشرح ما لا تستطيع الأرقام شرحه.
جدول نقرات يديره المجتمع يطفئ الإعلانات داخل بناءات أندرويد الصينية
لا يمس النظام، ولا يفتح القفل، ولا يكتب أي شيء على الجهاز. يقلب فقط المفاتيح التي عرضتها الشركات أصلاً. الثمن قائمة يجب أن يظل أحدهم يكتبها.