مايكروسوفت وجامعة تشيجيانغ تقدمان World-R1: الاتساق ثلاثي الأبعاد في نماذج الفيديو عبر التعلم المعزز

رسالة AIMPACT، 28 أبريل (UTC+8)، وفقًا لمراقبة Beating، اقترح فريق من معهد مايكروسوفت للبحث وجامعة تشيجيانغ World-R1، وهو نموذج يستخدم التعلم المعزز لتمكين نماذج توليد الفيديو من النص من تحقيق الاتساق الهندسي ثلاثي الأبعاد دون تعديل بنية النموذج أو الاعتماد على مجموعات بيانات ثلاثية الأبعاد. الفكرة الأساسية: بعد توليد الفيديو، يتم إعادة بناء غاوسيات ثلاثية الأبعاد للمشهد باستخدام نموذج أساسي ثلاثي الأبعاد مُدرَّب مسبقًا يُدعى Depth Anything 3، ثم يتم توليد مشاهد من زوايا جديدة ومقارنتها بالفيديو الأصلي، حيث يتم دمج خطأ إعادة البناء، وانحراف المسار، وموثوقية الدلالات من الزوايا الجديدة (التي تُقيّم بواسطة Qwen3-VL) لتشكيل إشارة مكافأة، والتي تُستخدم لإرجاع التغذية الراجعة إلى نموذج الفيديو عبر خوارزمية Flow-GRPO (خوارزمية تعلم معزز مُعدّلة لنماذج مطابقة التدفق). النموذج الأساسي هو Wan 2.1 المفتوح المصدر (1.3B و14B)، والذي تم تدريبه لإنتاج World-R1-Small وWorld-R1-Large. تم استخدام حوالي 3000 مطالبة نصية فقط كبيانات تدريب، تم إنشاؤها بواسطة Gemini، دون استخدام أي موارد ثلاثية الأبعاد. أثناء التدريب، يتم إدراج جولة من "الضبط الدقيق الديناميكي" كل 100 خطوة، حيث يتم تعطيل مكافأة الثلاثي الأبعاد مؤقتًا والاحتفاظ بمكافأة جودة الصورة فقط، لمنع النموذج من قمع الحركات غير الصلبة مثل حركة الشخصيات من أجل تحقيق صلابة هندسية. على مؤشرات الاتساق الثلاثي الأبعاد، تحسّن World-R1-Large في PSNR (نسبة الإشارة إلى الضوضاء الذروية) بنسبة 7.91 ديسيبل مقارنة بـ Wan 2.1 14B الأساسي، بينما تحسّن النسخة الصغيرة بنسبة 10.23 ديسيبل. جودة الفيديو العامة على VBench لم تنخفض بل ارتفعت. في اختبار عشوائي أجرته 25 شخصًا، حقق الاتساق الهندسي فوزًا بنسبة 92%، مع تفضيل عام بنسبة 86%. تم نشر الكود على GitHub تحت رخصة CC BY-NC-SA 4.0. (المصدر: BlockBeats)