الحلقة الأخيرة في خط H3 أصبحت مفتوحة المصدر

في الأسبوع الأخير من أكتوبر ظهرت على Hugging Face أوزان نموذج باسم Open-H3-Regenerate-2K. الاسم ثقيل على اللسان، لكن مصدره صلب: فريق Efficient-Large-Model المشترك بين NVIDIA وMIT، وشيفرة الاستدلال في مستودع NVlabs/Sana.

ما يفعله يمكن اختصاره في جملة: يأخذ مسوّدة فيديو منخفضة الدقة ويعيد توليدها بنسخة عالية الدقة. يدعم 2560×1440 ويصل إلى 3840×2160. بشرط واحد: أن تكون المسوّدة قد وُلّدت بواسطة H3 من MiniMax.

انتشر الخبر في الصين بطريقة مختلفة عن الخارج. هناك يدور النقاش حول ظهور مجموعة أوزان مفتوحة أخرى، أما على Bilibili فالنقاش عن شيء آخر: كيف نحافظ على الاتساق. في أواخر أكتوبر حصد درس ComfyUI الذي يجمع Z-Image مع Wan2.2 أعلى تقييم في اليوم، وكانت التعليقات كلها تسأل هل سيتغيّر وجه الشخصية، وهل تتّصل اللقطات ببعضها. القلق الحقيقي ليس في مستوى جودة الصورة، بل في ما إذا كان الشخص في الفيديو هو الشخص نفسه حتى النهاية.

خط H3 كان مقطوعاً في حلقته الأخيرة أصلاً

أُتيحت أوزان MiniMax H3 في أغسطس من هذا العام. تقسم الشركة النظام إلى ثلاث مراحل: معالجة السياق متعدد الوسائط، والتوليد الأساسي للصوت والصورة، وإعادة التوليد عالية الدقة. المفتوح هو المرحلة الأولى وH3-Base من المرحلة الثانية، المسؤول عن إنتاج صوت وصورة بدقة 768P. أما المرحلة الثالثة، أي H3-Regenerate-2K الذي يرفع 768P إلى 2K، فظلّ متاحاً عبر API فقط.

هذا التقسيم معقول في جوهره. النموذج التوليدي يتولى ماذا يوجد، ونموذج التنعيم يتولى ما مدى الوضوح. المشكلة أن الحلقة الأخيرة حين تكون API فقط، يتوقف سير عمل المبدع المحلي عند هذا الحد: يمكنك الوصول إلى 768P على بطاقة رسوماتك، لكن إن أردت نسخة تصلح لشاشة كبيرة فعليك رفع المواد، والدفع حسب الاستخدام، وقبول طابور انتظار على خوادم غيرك.

ما فعله فريق NVIDIA وMIT هو سدّ هذه الحلقة. لم يمسّوا العمود الفقري لـ H3 ولا VAE الخاص بالفيديو، جمّدوا كل المعاملات ودرّبوا طبقة LoRA تنعيم واحدة مضافة: يشبه الأمر تقريباً وضع نظارة على النموذج الأصلي. عند الاستدلال تُدمج هذه الطبقة مع محوّلات جاهزة من المجتمع مثل FL2VA Turbo من LightX2V وLMS Sharp، ثم تُنفَّذ ثلاث خطوات إزالة ضوضاء فقط لإعادة إنبات التفاصيل بالدقة المستهدفة. تبقى المشاهد والتكوين ومسار الحركة في المسوّدة كما هي، ولا يُستبدل سوى الوضوح.

كيف حُسب معامل 3.9

حين يعمل المجتمع المفتوح على رفع الدقة، ما يخيفه ليس ضعف النتيجة، بل بطء يجعلها غير قابلة للاستخدام. ظروف الاختبار التي أعلنها الفريق: بطاقة B200 واحدة، مقطع مدته 5 ثوانٍ بعد التسخين، بجمع ثلاث مراحل: تكبير الفضاء الكامن، وخطوات التنعيم الثلاث، وفك ترميز 2K. التنفيذ غير المُحسَّن يحتاج 87.26 ثانية، والمُحسَّن 22.45 ثانية. أي نحو 3.9 أضعاف.

تأتي السرعة أساساً من مكانين. الأول مُكبِّر الفضاء الكامن، وهو من صنع المجتمع: يكبّر التمثيل الكامن للفيديو مباشرة، فيوفّر كلفة فك الترميز وإعادة الترميز المتكررة بالدقة العالية. الثاني وحدة فك الترميز: بالانتقال إلى فك ترميز VAE سريع، انخفضت هذه الخطوة وحدها من نحو 15 ثانية إلى 1.6 ثانية. ويُضاف إلى ذلك الانتباه المتناثر في SoL-Engine والحساب منخفض الدقة.

معنى هذا الرقم لا يظهر إلا في سياق محدد. لفيلم قصير مدته 30 ثانية، باحتساب ستة مقاطع من 5 ثوانٍ، تعني 22 ثانية للمقطع أكثر من دقيقتين من إعادة التوليد، من دون حساب الطابور وإعادة التشغيل بعد الفشل. سابقاً كان هذا المسار يستغرق أكثر من ربع ساعة، ولم تكن تجرؤ خلاله على تبديل النافذة. الآن على الأقل يمكنك إنجاز عمل آخر أثناء التشغيل.

بطبيعة الحال، B200 ليست بطاقة للأشخاص العاديين. على بطاقات الاستهلاك، تتضاعف المدة عدة مرات للعملية نفسها. لم تنشر الشركة أرقاماً لـ 4090 أو 5090، وهذه نقطة يجب تجربتها بنفسك.

النتيجة أعلى من الواجهة الرسمية، لكن التفوق في نقاط محددة جداً

أجرى الفريق مقارنة على RefinerBench-150، بالمدخلات نفسها ومخرجات كلها بدقة 2K. في UniPercept لتقييم الجودة الإدراكية، سجّلت النسخة المفتوحة 60.0 في المتوسط، مقابل 53.4 لواجهة H3-Regenerate-2K الرسمية. أي فرق 6.6 نقاط.

أما خلاصة VBench فهي الأكثر طرافة: الجودة الجمالية وجودة الصورة واتساق العنصر الرئيسي لصالح النسخة المفتوحة، بينما يتقدم الـ API الرسمي قليلاً في سلاسة الحركة ودرجة الديناميكية. بتبسيط: النسخة المفتوحة تجعل كل إطار أجمل وأكثر ثباتاً، لكن الثمن أن الحركة قد تُصحَّح بتحفّظ أكبر. بالنسبة للقطات التي يغلب عليها التكوين الثابت، كالتقديم المباشر للكاميرا، وعرض المنتجات، ومواد الأفلام الوثائقية، هذا مكسب؛ أما في القتال والرقص والحركات السريعة للكاميرا فقد لا يكون مجدياً.

وهناك أمر آخر يستحق الانتباه: درجة اتساق العنصر الرئيسي أعلى. وهذا يصيب بالضبط النقطة التي يهتم بها المجتمع الصيني أكثر من غيرها. أكثر ما يفسد في إعادة التوليد هو الوجوه وملامس الأقمشة: بإصلاح إطار بعد إطار، ينتهي الأمر بالبطل إلى شخص آخر. وتقول البيانات إن التنعيم، على مستوى 2K على الأقل، يضيف لصالح الحفاظ على الهوية.

موقعه: ليس نموذجاً جديداً، بل رقعة في خط الإنتاج

لفهم قيمة هذا الشيء، من الأفضل ألا تنظر إليه كنموذج. إنه برمجية وسيطة.

خلال السنة الماضية، جاء التقدم في توليد الفيديو أساساً في هل يمكن التوليد، وإلى أي طول. والآن يتراجع العائد الحدّي لهذين الأمرين، وانتقل عنق الزجاجة إلى ما بعدهما: ماذا نفعل بعد خروج المسوّدة. العرف السائد في المجال هو إخراج مسوّدة منخفضة الدقة بطريقة رخيصة وسريعة أولاً، والتأكد من الستوري بورد والإيقاع والشخصيات، ثم إرسال اللقطات المعتمدة إلى رفع الدقة. هذه الخطوة كانت سابقاً API مدفوعة أو رفع دقة يدوياً، والآن صار لها تنفيذ مفتوح المصدر يمكن نشره ذاتياً.

بالنسبة للمبدع المستقل، يعني ذلك تغيّر بنية الكلفة: تشتري البطاقة مرة واحدة، وبعدها تحسب بالكهرباء. وبالنسبة للفرق الصغيرة، يعني إمكانية جدولة رفع الدقة في المعالجة الليلية واستلام المواد صباح اليوم التالي. وبالنسبة للمنصات، يعني التوقف عن دفع رسم مرور عند كل إعادة توليد.

لكنه ليس غداءً مجانياً. تشغيله يتطلب أوزان H3-Base، وقبول السقف النوعي لمسوّدة بدقة 768P، وذاكرة رسومات تتحمل فك ترميز 2K. وإذا كانت المسوّدة نفسها خاطئة التكوين أو خاطئة الشخصية، فإن إعادة التوليد لن تفعل سوى جعل الخطأ أوضح.

المنظومة تسبق النموذج بالفعل

بعد إتاحة H3 في أغسطس، تجاوزت التنزيلات 24 مليوناً في شهر واحد، والنماذج المشتقة المعلنة أكثر من 300، وهو من أكثر النماذج تنزيلاً هذا العام. وسلسلة الأدوات حوله تنمو بسرعة: أصدرت LightX2V نسختي Turbo مقطّرتين بأربع وثماني خطوات، وتخصص نسخة الضبط المجتمعية Singularity في الحركة والوجه والأسلوب، وقدّمت FastVideo معاينة FastH3 بأربع خطوات، وأصدرت Pika نموذج H3 Flex بست خطوات أخذ عينات، وأضافت ComfyUI وUnsloth كلٌّ تكييفه وتكميمه.

وفريق NVIDIA وMIT نفسه لم يتوقف: فإلى جانب تحسين الفيديو هذا، نشر StreamRender-H3، نموذج العرض الانسيابي المبني على H3 Ref2VA، وSol-H3-VAE، وحدة فك ترميز سريعة مقطّرة من VAE الفيديو في H3.

هذا الإيقاع، نموذج أساسي مفتوح ووحدات عليا يكملها فريق خارجي تلو الآخر، هو في الحقيقة المرة الأولى التي تعمل بها منظومة الفيديو المفتوحة بهذا الشكل. وله أثر جانبي: الميزة النسبية للـ API الرسمي تتقلص. فحين تستطيع محلياً، بثلاث خطوات إزالة ضوضاء، الحصول على درجة إدراكية أعلى، يتحول سبب الدفع من النتيجة أفضل إلى الجهد أقل.

هل يستحق التجربة؟

إن كنت تنتج بالفعل بواسطة H3، فهذا المستودع يستحق الاستنساخ والتشغيل مرة. راقب أمرين: اتساق العنصر الرئيسي في موادك عند 2K، وهل تستطيع بطاقتك إتمام فك الترميز في زمن مقبول. أما إن كنت تولّد بضعة مقاطع قصيرة من حين لآخر، فالـ API الرسمي يظل أريح: الـ 22 ثانية من إعادة التوليد ينتظرها شخص آخر عنك في السحابة.

ما يستحق المتابعة حقاً هو الاتجاه. توليد الفيديو ينتقل من إنجاز كامل في مرة واحدة إلى هندسة من مرحلتين: مسوّدة ثم تنعيم، والتنعيم صار له الآن خيار مفتوح المصدر. في الأشهر الستة المقبلة، قد لا يحدد كفاءة إنتاج المبدع النموذج الذي يولّد به، بل مدى سلاسة خط المعالجة اللاحقة لديه.