H3-World خدام

H3-World هو موديل عالمي قابل للتحكم فالحركات، طوّراتو Tencent بشراكة مع جامعة سنغافورة الوطنية وجامعة هونغ كونغ للفنون التطبيقية، وتدرّب بالتخصيص على مولّد الفيديو MiniMax-H3 ديال 33B. الموديل كيحوّل عمليات الكلافيي لتعليمة قصيرة بالإنجليزية، وكيحقنها فالموديل عبر مسار النصوص المدرّب مسبقاً، وكيستعمل توجيه الانتباه الزمني باش يربط كل تعليمة بالإطار المناسب فالفيديو، وبهذا كيوفّر تحكماً دقيقاً فالتوقيت. H3-World تدرّب غير بـ8000 فيديو ديال الألعاب، وبـLoRA من الرتبة rank-32، وعدّل غير 0.199% من البارامترات، وكيقدر يولّد مشاهد قابلة للتحكم بشكل فوري انطلاقاً من إدخال الكلافيي، وكيعمّم على مشاهد ما شافهاش من قبل، وهادشي خطوة مهمة نحو عوالم تفاعلية مولّدة.

تحويل حركات الكلافيي للتحكم فالفيديو: كيحوّل حركة الشخصية وتحكم الكاميرا المدخّلين بالكلافيي لتغييرات مقابلة فالصورة، وكيحقق محاكاة لعالم تفاعلي كتتحكم فيه مباشرة بالضغط على الأزرار.
تحكم دقيق فالتوقيت: كيقدر ينفّذ تعليمات مختلفة ففترات زمنية مختلفة من نفس الفيديو، مع تحكم دقيق فوقت حدوث كل حركة.
التعميم على بيئات متعددة: انطلاقاً من التدريب على مشاهد الألعاب، كيقدر يعمّم على بيئات بصرية متنوعة بحال المدن النيونية، الواحات الصحراوية والكنائس الخيالية، مع الحفاظ على استقرار محتوى المشهد.
التعميم على الحركات المركبة: كيقدر يركّب حركات أساسية للشخصية والكاميرا سبق شافها فالتدريب باش يحقّق أزواج حركات ما سبقش ظهرت، ويدير تحكماً مركباً معمّماً.
التوليد طويل المدى: كيدعم توليد فيديوهات أطول ومتواصلة وقابلة للتحكم، بحيث تعليمات الحركة كتواصل دفع تطور المشهد.

تابع 微信 وردّ بـ“开源” باش تنضم لمجموعة مشاريع الذكاء الاصطناعي مفتوحة المصدر
تمثيل الحركة باللغة: كيترجم عمليات الكلافيي ديال كل إطار لجملة قصيرة بالإنجليزية، بحال “strafe left”، باش تولّي الحركة ممثلة باللغة الطبيعية.
إعادة استعمال مسار النصوص المدرّب مسبقاً: كتدخل التعليمات للموديل عبر مسار ترميز النصوص الأصلي ديال MiniMax-H3، وكيعاود يستعمل التمثيلات الدلالية اللي تعلّمها فمرحلة التدريب المسبق على الفيديو؛ لذلك الموديل كيفهم معنى الحركة بشكل طبيعي، بلا ما يحتاج يتعلّم ترميز الحركات من الصفر.
توجيه الانتباه الزمني: باستعمال قناع انتباه موجّه، كيربط كل تعليمة بإطارات المتغيرات الكامنة للفيديو المرتبطة بها، وكيحصر تأثير التعليمة فالفترة الزمنية المحددة، وكيمنع تسرّب التحكم بين الحركات المتجاورة. هادي هي النقطة الأساسية لتحقيق تحكم دقيق فالتوقيت.
تخصيص LoRA خفيف: كيتدرّب غير LoRA من الرتبة rank-32 على إسقاطات الانتباه الذاتي فـH3، باستعمال 0.199% من البارامترات القابلة للتدريب، و8000 فيديو ديال الألعاب و10000 خطوة تحسين، باش يتكيّف الموديل، وكيقلّل بزاف تكلفة تحويل مولّد فيديو لموديل عالمي.

الطريقة الأولى: تجربة أونلاين
الطريقة الثانية: النشر محلياً
حلّ Space تفاعلي تجريبي على Hugging Face (hugging-apps/h3-world-action-demo)، وبلا ما تحتاج تحمّل أوزان بحجم 135GB تقدر تجرّب التحكم بالكلافيي.
حمّل أو اختار صورة ديال الإطار الأول، ودخل prompt كيصف المشهد.
دخل تعليمات التحكم باستعمال الحركات الجاهزة أو أزرار الكلافيي (حركة الشخصية + تحكم الكاميرا).
الموديل كيولّد فالحين مقطع فيديو قابل للتحكم مدته تقريباً 5.2 ثواني وبأبعاد 832×480.
تحضير البيئة: أنشئ بيئة conda فيها Python 3.10 وCUDA 12.8، وثبّت PyTorch 2.10 والاعتماديات الموجودة فـrequirements.txt.
الحصول على الكود: كلون المستودع الرسمي ديال H3-World، وكلون DiffSynth-Studio فالمجلد المحدد، وبدّل للـcommit المحدد ومن بعد طبّق patch الرسمي ديال attention، وهاد الخطوة ضرورية حيث بلا بيها LoRA ما كيخدمش.
تحميل الأوزان: حمّل من Hugging Face أوزان الأساس MiniMax-H3، بحجم تقريباً 135GB، وLoRA ديال H3-World (step-10000.safetensors)، وحطّهم فالمجلدات المناسبة فالمستودع.
إعداد الكاش: شغّل env.sh باش توجّه كاش Hugging Face وTorch وTriton للمستودع.
تشغيل الاستدلال: وفّر صورة الإطار الأول، والشروط الدلالية الثابتة، وتسلسل حركات على شكل جدول زمني، بحيث كل مقطع كيمثل تعليمة للشخصية أو الكاميرا.
النتيجة: الموديل كيولّد المتغيرات الكامنة للفيديو حسب الجدول الزمني للحركات، وكيحلّلها ويخرج الفيديو، مع إمكانية التوسيع ذاتياً لمدة أطول.

تصميم أنيق بلا وحدات إضافية: كيعاود يستعمل مسار النصوص المدرّب مسبقاً، وكيحوّل مشكل التحكم فالحركة لمشكل فهم اللغة، وهو مجال كيبرع فيه الموديل أصلاً.
تكلفة تدريب خفيفة بزاف: غير 8000 فيديو ديال الألعاب، و10000 خطوة تحسين، وتخصيص LoRA من الرتبة rank-32 لـ0.199% من البارامترات، وبهذا كيطلق قدرة التحكم التفاعلي فموديل 33B.
تحكم دقيق فالتوقيت: بفضل توجيه الانتباه الزمني، كيقدر ينفّذ حركات مختلفة حسب جدول زمني فالفيديو نفسه، وكيحل مشكل عدم قدرة الـprompt العام على التحكم بدقة فوقت الحركة.
أحسن بشكل واضح من طرق حقن الشروط التقليدية: مقارنةً بطرق الحركة المباشرة بحال additive-bias وFiLM، الطريقة المبنية على اللغة كتنتج حركات منسقة للشخصية والكاميرا، وما كتخرّبش محتوى المشهد.
قدرة قوية على التعميم المركب: كيقدر يركّب حركات أساسية سبق شافها فالتدريب باش يكوّن أزواج حركات ما ظهرتش من قبل، وكيعمّم على بيئات بصرية خارج توزيع التدريب.
تعدد الاستعمالات: موديل واحد كيقدر يتعامل مع منظور الشخص الأول والثالث، وحركة الشخصية وحركة الكاميرا وأنواع أخرى من التحكم، بلا ما يحتاج تدريب منفصل لكل مهمة.

الموقع الرسمي للمشروع: https://danzer1xxxxchan.github.io/H3-World/
مستودع GitHub: https://github.com/Danzer1xxxxChan/H3-World
مستودع النموذج على HuggingFace: https://modelscope.cn/models/DANNY621/H3-World
الورقة التقنية: https://modelscope.cn/papers/2609.01560

تطوير نماذج أولية للألعاب: المصمم يقدر يدخل المشهد الأول ويبدا “يلعب” فالمشهد الافتراضي فالحين، ويختبر بسرعة فكرة المرحلة ولغة الكاميرا، بلا ما يبني محرك لعبة كامل من الأول.
بيئة تدريب لوكلاء الذكاء الاصطناعي: كيوفّر بيئة افتراضية قابلة للتفاعل للوكلاء المتجسّدين، بحيث الـagent كيستكشف العالم بحركات الكلافيي وكيحصل على ملاحظات بصرية، وكيقلّل تكلفة التدريب فالعالم الحقيقي.
المعاينة المسبقة للأفلام والرسوم المتحركة: المخرج كيتحكم فحركة الكاميرا الافتراضية بالكلافيي، بحال الدوران والتحريك والرفع والخفض، وكيولّد معاينة للمشاهد فالحين، وكيقصّر بزاف مدة إعداد الـpreviz.
التحقق من استراتيجيات تحكم الروبوتات: كيحوّل تعليمات حركة الذراع الروبوتية أو الطائرة بلا طيار للغة حركية، وكيختبر التسلسل الزمني للحركات فبيئة محاكاة مولّدة.
صناعة محتوى غامر: أداة UGC كتجمع بين VR وتفاعل الألعاب، وكتخلي المستخدمين يدفعو تطور عوالم افتراضية مخصصة باستعمال الأزرار بشكل طبيعي، باش يقدر أي واحد يولّد “فيديو قابل للعب”.