Google از چهار چارچوب عامل‌محور برای ساخت ویدئوهای بلند رونمایی کرد

Google Research چهار چارچوب عامل‌محور برای برنامه‌ریزی و تولید ویدئوهای چنددقیقه‌ای معرفی کرده است؛ مجموعه‌ای که قرار است مشکل پیوستگی میان نماها را کاهش دهد و مسیر ساخت فیلم‌های بلندتر با مدل‌های هوش مصنوعی را از تولید چند کلیپ جداگانه فراتر ببرد. این سامانه در گزارش MarkTechPost در ۲۸ سپتامبر ۲۰۲۶ معرفی شده و روی Gemini و Veo اجرا می‌شود. اهمیت آن در این است که به‌جای تمرکز صرف بر کیفیت هر کلیپ، تلاش می‌کند روایت و وضعیت شخصیت‌ها، مکان‌ها و اشیا را در طول یک ویدئو حفظ کند.

چرا ساخت ویدئوی بلند دشوار است؟

مدل‌های انتشار یا «دیفیوژن» می‌توانند در زمانی کوتاه کلیپ‌هایی با جزئیات بصری بالا بسازند. اما کنار هم گذاشتن این کلیپ‌ها برای روایت یک داستان منسجم، مسئله‌ای جداگانه است. در بسیاری از سامانه‌های چندمرحله‌ای، بخش‌های مختلف با دستورهایی مستقل و طراحی‌شده به‌دست انسان کار می‌کنند. نتیجه ممکن است تغییر لباس یک شخصیت، جابه‌جایی جزئیات صحنه یا عوض‌شدن ظاهر یک شیء در نماهای بعدی باشد.

این مشکل در گزارش با دو مفهوم توضیح داده شده است: «انحراف معنایی»، یعنی تغییر تدریجی جزئیات داستان و تصویر، و «خطای زنجیره‌ای»، یعنی زمانی که یک خروجی نادرست در مراحل ابتدایی، مراحل بعدی را هم خراب می‌کند. یافتن منشأ خطا نیز دشوار است؛ چون نقصی که در پایان فیلم دیده می‌شود ممکن است از دستور یا دارایی بصری‌ای ناشی شده باشد که چند مرحله پیش‌تر تولید شده است.

Google این مسئله را تا حدی نوعی مشکل در تخصیص اعتبار می‌داند: سامانه باید بفهمد کدام تصمیم یا ورودی در تولید نتیجه نهایی نقش داشته است. چهار چارچوب معرفی‌شده، بخش‌های متفاوت این فرایند را هدف می‌گیرند؛ از انتخاب رویکرد خلاقانه تا ردیابی پیوستگی و بازنویسی دستورهای تولید.

چهار چارچوب برای طراحی، حافظه و اصلاح

نخستین چارچوب، Co-Director، فرایند خلاقانه را با روشی به نام «چندبازوی باندیتی» هدایت می‌کند. این روش در اصل میان چند گزینه تصمیم می‌گیرد و بر پایه نتیجه هر انتخاب، راهبردهای بعدی را تنظیم می‌کند. در این سامانه، یک عامل هماهنگ‌کننده ترکیبی از راهبرد خلاقانه، شیوه روایت و سبک بصری را برمی‌گزیند. سپس عامل پیش‌تولید، طرح صحنه‌ها را می‌سازد و عامل‌های جداگانه برای نماهای کلیدی، ویدئو و صدا به کار گرفته می‌شوند.

در پایان، یک داور چندوجهی زبانی ـ تصویری، خروجی را ارزیابی می‌کند و امتیاز حاصل را به فرایند انتخاب بازمی‌گرداند. به این ترتیب، تصمیم‌گیری فقط به اجرای یک دستور ثابت محدود نمی‌شود. طبق گزارش، Co-Director در GenAD-Bench امتیاز میانگین ۸۱٫۴ را به‌دست آورده و ارزیابی انسانی آن ۳٫۹۶ از ۵ بوده است. این چارچوب برای کنفرانس COLM 2026 پذیرفته شده است.

چارچوب دوم، CANVAS، برای نگهداری حافظه بصری در طول روایت طراحی شده است. این سامانه شخصیت‌ها، مکان‌ها و وضعیت اشیا را ثبت می‌کند و هنگام بازگشت داستان به یک صحنه یا عنصر قبلی، نشانه‌های تصویری ذخیره‌شده را بازیابی می‌کند. در آزمایش سرقت از موزه که Google گزارش کرده، AutoStudio کلاه دزد را در نماهای بعدی حفظ نکرد و Gemini-3.1-Pro نیز ظاهر جواهر را تغییر داد؛ در مقابل، CANVAS هر دو جزئیات را ثابت نگه داشت. گزارش برای این چارچوب از بهبود ۲۱٫۶درصدی در پیوستگی پس‌زمینه، ۹٫۶درصدی در ثبات شخصیت‌ها و ۷٫۶درصدی در ثبات اشیا خبر می‌دهد. مقاله CANVAS برای EMNLP 2026 پذیرفته شده است.

چارچوب سوم، A²RD یا «انتشار خودرگرسیو عامل‌محور»، ویدئو را بخش‌به‌بخش تولید می‌کند و به آموزش دوباره مدل پایه نیاز ندارد. این روش در هر بخش چرخه‌ای از بازیابی اطلاعات، ساخت محتوا، پالایش و به‌روزرسانی حافظه را اجرا می‌کند. برای ادامه دادن داستان به بخش تازه، از برون‌یابی استفاده می‌کند؛ وقتی شخصیت یا مکان پیشین بازمی‌گردد، از درون‌یابی کمک می‌گیرد تا عناصر آشنا حفظ شوند. به گفته گزارش، این روش برای ویدئوهای یک تا ۱۰دقیقه‌ای سنجیده شده و در یک نمونه، فیلمی پیوسته به طول ۱۰ دقیقه تولید کرده است. نتایج گزارش‌شده شامل بهبود حداکثر ۳۰درصدی در پیوستگی و ۲۰درصدی در انسجام روایی است.

چارچوب چهارم، VQQA، برای اصلاح دستور تولید از ارزیابی تصویری استفاده می‌کند. این روش برای هر دستور، پرسش‌هایی درباره محتوای بصری می‌سازد و از نقد یک مدل بینایی‌ـ‌زبانی برای بازنویسی متن بهره می‌گیرد. Google این بازخورد را «گرادیان معنایی» می‌نامد؛ یعنی راهنمایی‌ای که به مدل می‌گوید دستور چگونه تغییر کند تا به نتیجه مطلوب نزدیک‌تر شود. VQQA برای کارکردن به دسترسی به اجزای درونی مدل تولیدکننده نیاز ندارد. در مرحله انتخاب نهایی نیز بهترین ویدئو از میان همه تکرارها برگزیده می‌شود، نه اینکه صرفاً آخرین خروجی پذیرفته شود.

بنچمارک‌ها و نتایج گزارش‌شده

Google سه بنچمارک تازه برای ارزیابی تولید ویدئوی بلند معرفی کرده است. GenAD-Bench شامل ۴۰۰ سناریوی تبلیغاتی برای ۲۰۰ محصول خیالی از ۵۰ برند است. HardContinuityBench بازگشت دوباره صحنه‌ها و تغییر وضعیت وسایل را می‌آزماید. در LVBench-C نیز ۱۲۰ سناریو وجود دارد که در آن‌ها دارایی‌های مهم دست‌کم ۱۰ بخش از ویدئو ناپدید می‌شوند و بعد دوباره به داستان بازمی‌گردند.

بر اساس ارقام منتشرشده در صفحه پروژه، امتیاز ۸۱٫۴ Co-Director در GenAD-Bench از امتیاز ۷۵٫۷ جست‌وجوی تصادفی بالاتر است. در مقایسه‌ها، نام مدل‌ها و سامانه‌هایی مانند Veo 3.1، Kling 3.0 Omni، Wan 2.6 و MovieAgent نیز آمده است. برای VQQA هم بهبود مطلق ۱۱٫۵۷درصدی در T2V-CompBench و ۸٫۴۳درصدی در VBench2، در قیاس با تولید معمول، گزارش شده است. این نتایج به بنچمارک‌ها و سناریوهای مشخص مربوط‌اند و به‌تنهایی تضمین نمی‌کنند که خروجی در همه انواع ویدئو به همین اندازه بهتر باشد.

جایگاه سامانه و محدودیت‌های دسترسی

این مجموعه لایه‌ای هماهنگ‌کننده روی مدل‌های تولیدی است، نه یک مدل ویدئویی تازه که همه قابلیت‌ها را درون خود داشته باشد. گزارش می‌گوید سامانه روی Gemini و Veo کار می‌کند، اما به یک مولد خاص محدود نیست و می‌تواند با مدل‌های دیگر نیز به کار گرفته شود. خروجی‌ها همچنین نشان واترمارک SynthID مدل‌های پایه را به ارث می‌برند؛ این واترمارک برای مشخص‌کردن محتوای ساخته‌شده با هوش مصنوعی به کار می‌رود.

دسترسی به اجزای پروژه یکسان نیست: کد Co-Director و A²RD منتشر شده، اما کد CANVAS قرار است بعداً در دسترس قرار بگیرد. گزارش تأکید می‌کند که کل خط لوله به‌عنوان محصولی کامل از Google عرضه نشده است. بنابراین معرفی پژوهشی را نباید با عرضه عمومی یک ابزار آماده برای ساخت فیلم اشتباه گرفت. استفاده عملی از این روش‌ها همچنان به مدل‌های پایه، هماهنگی چند عامل و ارزیابی خروجی وابسته است.

این خبر برای چه کسانی اهمیت دارد

این پژوهش برای سازندگان ویدئو، پژوهشگران هوش مصنوعی مولد و شرکت‌هایی که به تولید محتوای چندنما نیاز دارند اهمیت دارد؛ به‌ویژه برای کسانی که با تغییر ناخواسته شخصیت‌ها و اشیا در کلیپ‌های متوالی روبه‌رو هستند. چارچوب‌ها نشان می‌دهند بخشی از چالش ویدئوی بلند ممکن است نه فقط در توانایی تولید تصویر، بلکه در برنامه‌ریزی، حافظه و بازبینی کل روایت باشد. بااین‌حال، نتایج فعلی بر آزمون‌های گزارش‌شده تکیه دارند و دسترسی ناقص به کدها و نبود محصول کامل، فاصله میان نمونه پژوهشی و ابزار روزمره را حفظ می‌کند.