في الدقيقة الرابعة، يشرح شخص ما إعدادًا معينًا. وفي الصورة، يكون شريط التمرير قد تحرك بالفعل؛ وفي الصوت، يلي ذلك تحفّظ إضافي. إن ملخصًا مثل «تم تعديل الإعداد» صحيح، ومع ذلك يكاد يكون عديم الفائدة بالنسبة إلى السؤال الفعلي. ويصبح الذكاء الاصطناعي للفيديو مثيرًا للاهتمام حين يجمع مثل هذه القرائن المتفرقة ويقود مجددًا إلى اللحظة الصحيحة.
تصف Alibaba في تقديمها لـ Qwen3.8-Omni-Flash، المؤرخ في 20 سبتمبر 2026، النصوص والصور والصوت والفيديو بوصفها مدخلات، إلى جانب العمل السمعي البصري الموجَّه بالأسئلة باستخدام الأدوات. ويظل تاريخ سبتمبر هو تاريخ نشر منشور المورّد هذا. وتتجاوز الفكرة العملية مجرد الإعلان عن نموذج: إذ يمكن التعامل مع التسجيل كمصدر يحتوي على مقاطع يمكن تحديد مواضعها.
يتكوّن الفيلم من عدة مسارات من الأدلة
يمكن أن تحمل الصورة والصوت المعلومة نفسها، أو أن يكمّل أحدهما الآخر، أو أن يبدوا متناقضين. يشير شخص إلى صندوق ويقول «الأصغر». ويتضح المقصود من المقطع الزمني المشترك بينهما. فإذا قرأت الجملة فقط، غاب المرجع؛ وإذا نظرت فقط إلى لقطة ثابتة لاحقة، فقد تكون الإيماءة قد انتهت بالفعل.
لهذا ينبغي للإجابة القابلة للاستخدام أن تجعل أساسها واضحًا. فما يمكن رؤيته هو، على سبيل المثال، صندوقان وحركة. وما يمكن سماعه هو إسناد. أما التفسير فسيكون تخمينًا لما يوجد داخل صندوق مغلق. ويمنع هذا الفصل أن تمرّ إضافةٌ تبدو معقولة فحسب على أنها تفصيل مُلاحَظ.
صوّر تسجيلًا مرجعيًا صغيرًا خاصًا بك
لإجراء تجربة يسهل التحكم فيها، لا تحتاج إلى أرشيف تدريب يخص غيرك. ضع صندوقين محايدين على طاولة وصوّر لمدة نصف دقيقة تقريبًا. اعرض الصندوقين أولًا، ثم حرّك أحدهما وقل جملة قصيرة عنه. استخدم أشياء غير حساسة تخصك، ودون أي ملصقات سرية.
قبل التحليل، اكتب ثلاثة أسئلة تعرف أساسها مسبقًا: أي صندوق تم تحريكه؟ وأيهما يُوصف في الجملة المنطوقة؟ وهل محتواه مرئي حقًا؟ دوّن بنفسك المقاطع الزمنية المقابلة من تسجيلك. يتيح لك ذلك أن تتحقق لاحقًا مما إذا كانت الإجابة تستخدم المادة المرئية فعلًا أم تملأ الفراغ بخصائص تبدو مرجحة فحسب.
إذا كان لديك وصول إلى أداة سمعية بصرية مناسبة، فاطرح سؤالًا واحدًا فقط من هذه الأسئلة في البداية. اطلب نطاقًا زمنيًا ووصفًا منفصلًا للصورة والصوت. ثم كرر السؤال بصيغة أضيق، على سبيل المثال بالإشارة إلى الحركة الأولى. الإجابات نتائج تجريبية لا يمكنك تقييمها إلا بعد تشغيل فعلي؛ ولا يُفترض هنا مسبقًا أي أداء في التعرّف.
بطاقة معرفة صغيرة تسجّل الفروق
يحتاج المُخرَج العملي إلى نثر أقل مما تقدمه ملخصات كثيرة. فالسؤال والنطاق الزمني والدليل البصري والدليل الصوتي والاستنتاج المفتوح كافية كبداية. والمثال التالي، المكتوب لهذه المقالة، قالب للبنية:
Question: Which box is meant?
Time range: determine it yourself from the recording
Visual evidence: observed position and movement
Audio evidence: attribution actually spoken
Open: contents of the closed boxالطابع الزمني وحده ليس دليلًا بعد. يجب أن يقود إلى الحدث المُدَّعى. افتح النقطة المذكورة وانظر قليلًا إلى ما قبلها وما بعدها. فالضمير مثل «هذا» أو التصحيح اللاحق على وجه الخصوص يحتاج في الغالب إلى سياق أكثر من إطار واحد.
في الأفلام الأطول تصبح هذه عملية من مرحلتين: اعثر على المقاطع ذات الصلة، ثم افحص السؤال الأضيق هناك. وهذه طريقة معقولة لتنظيم العمل. لكن لا يمكن استنتاج توفير محدد في وقت الحوسبة أو معدل إصابة معين منها دون قياس.
من الفيديو إلى معرفة قابلة للاستخدام
تتيح بطاقة الفيديو الجيدة لشخص آخر أن يتحقق من العبارة بسرعة. ويتطلب ذلك اسمًا لا لبس فيه للتسجيل، ونطاقًا زمنيًا يمكن تتبعه، والتمييز بين ما هو مُلاحَظ وما هو مُستنتَج. وإذا كانت الكتابة ضبابية، يظل محتواها مجهولًا، حتى لو فُهم باقي المشهد جيدًا.
يساعد المبدأ نفسه مع الدروس التعليمية والمحاضرات المسجلة وسير عملك الخاص. فبدلًا من اختصار تسجيل طويل أكثر فأكثر، تنشئ أسئلة صغيرة قابلة للإجابة مع طريق يعود إلى الأصل. وعندئذ يصبح طول الفيلم أقل أهمية من جودة المقاطع التي عُثر عليها.
يصف منشور Alibaba قدرات محتملة وأمثلة من المورّد. أما بالنسبة إلى تسجيلك، فلا تنشأ الفائدة إلا من هذا التفاعل الملموس. لذلك فإن المدخل البسيط على نحو مفاجئ هو: اطرح سؤالًا تعرف مسبقًا الموضع الصحيح لدليله، وتحقق مما إذا كانت الإجابة تجد طريقها إلى هناك.
المصادر والحالة
المصادر محدَّثة حتى 25 أكتوبر 2026. Qwen3.8-Omni-Flash: حواس شاملة. تنفيذ وكيلي..
