Orbis آپریشن میں

Orbis، Visko کا پہلا Live Model (حقیقی وقت کا عالمی ماڈل) ہے، جو AI ویڈیو کو لائیو نشریات کی طرح مسلسل چلاتا ہے۔ صارف کسی تیار ویڈیو کا انتظار کیے بغیر، کسی بھی وقت نئی ہدایات دے کر منظر کے رخ کو حقیقی وقت میں تبدیل کر سکتے ہیں۔ یہ ماڈل 4K@24FPS حقیقی وقت کی اسٹریمنگ جنریشن کو سپورٹ کرتا ہے۔ کثیر پیمانہ میموری میکانزم کے ذریعے گھنٹوں تک طویل مدتی تسلسل برقرار رکھتا ہے، جبکہ سببی زمانی تجزیے اور طبیعیات سے آگاہ انعامی نظام کی بنیاد پر حرکت کو حقیقی اور قدرتی بناتا ہے۔ یہ ورچوئل لائیو اسٹریمنگ، انٹرایکٹو کہانیوں اور روبوٹ سمولیشن جیسے منظرناموں کے لیے موزوں ہے۔

حقیقی وقت کی اسٹریمنگ جنریشن: منظر لائیو نشریات کی طرح بغیر رکے مسلسل آؤٹ پٹ ہوتا ہے اور 4K@24FPS حقیقی وقت کی ترسیل کو سپورٹ کرتا ہے۔
جنریشن کے دوران تعامل: صارف کسی بھی وقت پرامپٹ شامل یا تبدیل کر سکتے ہیں؛ نئی ہدایات اوسطاً 1 سیکنڈ کے اندر بعد کے مناظر پر اثر انداز ہوتی ہیں۔
ملٹی موڈل ان پٹ: دنیا کا آغاز ٹیکسٹ سے ویڈیو، تصویر سے ویڈیو اور ویڈیو توسیع، تینوں طریقوں سے کیا جا سکتا ہے۔
طویل مدتی تسلسل: کثیر پیمانہ میموری میکانزم کے ذریعے گھنٹوں تک مسلسل جنریشن برقرار رہتی ہے، جس میں معیار کی نمایاں کمی نہیں آتی۔
طبیعیاتی حقیقت پسندی: سببی تجزیے اور عالمی ماڈل کے انعامی نظام کی بنیاد پر اشیا کی حرکت اور باہمی تعامل کو طبیعیاتی اصولوں کے مطابق رکھا جاتا ہے۔

سببی زمانی تجزیہ: جنریشن کو ابتدائی قدر کے مسئلے کے طور پر دیکھا جاتا ہے۔ ہر chunk صرف جمع شدہ سابقہ تاریخ سے اگلے زمانی حصے کی پیش گوئی کرتا ہے، جو طبیعیاتی ارتقا کے مارکوف ڈھانچے سے فطری طور پر مطابقت رکھتا ہے، اور دو طرفہ denoising میں ”مستقبل کا شور موجودہ فیصلے کو آلودہ کرنے“ کے مسئلے سے بچاتا ہے۔
محدود کثیر پیمانہ میموری: حالیہ تاریخ کو مقامی latent ریزولوشن پر محفوظ رکھا جاتا ہے، جبکہ دور کی تاریخ کو بتدریج کمپریس کیا جاتا ہے۔ ونڈو سے باہر کی معلومات کو مقررہ گنجائش والی سیکھنے کی حالت میں Consolidate کیا جاتا ہے، جس سے میموری اور کمپیوٹنگ لاگت rollout کی طوالت سے آزاد رہتی ہے۔
تدریجی تربیتی پائپ لائن: دو طرفہ ماڈل کے ذریعے قلیل مدتی بصری سابقہ سیکھا جاتا ہے، پھر اسے اسٹریمنگ جنریٹر میں distill کیا جاتا ہے۔ اس کے بعد واقعات کے ساتھ ہم آہنگ طویل ویڈیو ٹریننگ اور انسانی طور پر منتخب کردہ fine-tuning کی جاتی ہے، اور آخر میں self-forcing distribution matching اور GRPO reinforcement learning کے ذریعے بصری و طبیعیاتی انعامات کے ساتھ ہم آہنگ کیا جاتا ہے۔
طبیعیات سے آگاہ انعامی ہم آہنگی: منجمد V-JEPA 2 latent عالمی ماڈل شامل کیا گیا ہے، جو امیدوار فریمز اور تاریخی حالت کے درمیان پیش گوئی کے تسلسل کا جائزہ لیتا ہے، جنریشن کو حقیقی حرکیات کے مطابق رہنمائی دیتا ہے، اور بصری معیار کے انعام کے ساتھ مشترکہ طور پر بہتر بناتا ہے۔
اسٹریمنگ inference انجینئرنگ: حالت کا دوبارہ استعمال، compiled Transformer execution، متعدد GPU پر sequence parallelism، اور تدریجی decoding-super-resolution-transmission پائپ لائن باہم مل کر 4K حقیقی وقت کی ترسیل ممکن بناتے ہیں۔

سیشن شروع کریں: Visko کی آفیشل ویب سائٹ کے Playground پر جائیں یا API کال کریں، پھر متن درج کرکے، تصویر اپ لوڈ کرکے یا ویڈیو کا ابتدائی حصہ پیسٹ کرکے حقیقی وقت کا سیشن شروع کریں۔
حقیقی وقت کی جنریشن شروع کریں: اسٹریمنگ جنریشن شروع کرنے کے لیے Live بٹن پر کلک کریں؛ منظر لائیو نشریات کی طرح مسلسل خودکار طور پر آگے بڑھتا رہے گا۔
منظر میں حقیقی وقت کی مداخلت: جنریشن کے دوران کسی بھی وقت نیا پرامپٹ یا صوتی ہدایت درج کریں؛ اوسطاً 1 سیکنڈ کے اندر بعد کے منظر کا رخ حقیقی وقت میں تبدیل کیا جا سکتا ہے۔
منظر کو بغیر رکاوٹ تبدیل کریں: منظر کی تبدیلی بیان کرنے کے لیے “Morph the scene” استعمال کریں؛ نئی ہدایت اگلے chunk کی حد پر بغیر رکاوٹ شامل ہو جائے گی۔
آؤٹ پٹ کا معیار منتخب کریں: ضرورت کے مطابق 1080p، 2K یا 4K آؤٹ پٹ ریزولوشن منتخب کریں؛ نظام اسٹریمنگ super-resolution کے ذریعے اعلیٰ معیار کا منظر حقیقی وقت میں فراہم کرتا ہے۔
کلپ کاٹ کر محفوظ کریں: Clip بٹن پر کلک کرکے کسی بھی وقت موجودہ تیار شدہ ویڈیو کا حصہ کاٹ کر محفوظ کریں، تاکہ بعد میں ایڈیٹنگ یا شیئرنگ کی جا سکے۔
اپنی ایپ میں شامل کریں: API Key حاصل کرکے Orbis کی حقیقی وقت کی جنریشن کو اپنی ایپ، لائیو اسٹریم یا روبوٹ سمولیشن ورک فلو میں ضم کریں۔

حقیقی وقت کا اسٹریمنگ تعامل: منظر لائیو نشریات کی طرح مسلسل تیار ہوتا ہے، اور صارف کسی تیار ویڈیو کا انتظار کیے بغیر کسی بھی وقت نئی ہدایات دے کر اس کا رخ بدل سکتے ہیں۔
انتہائی طویل مدتی تسلسل: محدود کثیر پیمانہ میموری میکانزم کے ذریعے گھنٹوں تک مسلسل جنریشن برقرار رہتی ہے، جس میں معیار کی نمایاں کمی یا رنگوں کی منتقلی نہیں ہوتی۔
مضبوط طبیعیاتی حقیقت پسندی: سببی زمانی تجزیے اور latent عالمی ماڈل کے انعامی نظام کی بنیاد پر اشیا کی حرکت اور باہمی تعامل حقیقی طبیعیاتی اصولوں کے مطابق رہتے ہیں۔
اعلیٰ معیار کی حقیقی وقت ترسیل: مقامی جنریشن اور اسٹریمنگ super-resolution کے امتزاج سے 4K@24FPS ویڈیو حقیقی وقت میں آؤٹ پٹ کی جا سکتی ہے۔
متحدہ جنریشن انٹرفیس: ایک ہی سببی توسیعی فریم ورک ٹیکسٹ سے ویڈیو، تصویر سے ویڈیو اور ویڈیو توسیع، تینوں ابتدائی طریقوں کو سپورٹ کرتا ہے۔

پروجیکٹ کی آفیشل ویب سائٹ: https://www.visko.ai/models
تکنیکی مقالہ: https://www.visko.ai/blog/papers/files/Visko_Orbis_1_0__A_Live_Model_for_Real_TimeInteractive_Long_Video_Generation.pdf

انٹرایکٹو تفریح اور کہانی نویسی: صارف حقیقی وقت میں کہانی کی شاخ منتخب کرتے ہیں یا صوتی انداز میں کہانی سناتے ہیں، اور منظر ہدایات کے مطابق فوراً آگے بڑھتا ہے، جس سے ”قابلِ کھیل فلم“ کا تجربہ پیدا ہوتا ہے۔
AI لائیو اسٹریمنگ اور ورچوئل اینکر: ورچوئل اینکر کے حقیقی وقت کے منظرنامہ انجن کے طور پر مسلسل لائیو منظر تیار کرتا ہے اور تبصروں یا صوتی ہدایات کا جواب دیتا ہے، بغیر پیشگی ریکارڈ شدہ مواد کے۔
روبوٹ سمولیشن ٹریننگ: تیار کردہ اعلیٰ حقیقت پسندانہ ورچوئل دنیا میں روبوٹ کے رویے کو تربیت اور جانچ دی جاتی ہے، جس سے حقیقی ماحول میں تعیناتی سے پہلے آزمائش و خطا کی لاگت کم ہوتی ہے۔
غرق انگیز تعلیم و تربیت: تجریدی علم یا تاریخی مناظر کو حقیقی وقت میں بصری شکل دی جاتی ہے، اور طلبہ صوتی سوالات کے ذریعے مظاہرے کے مواد کو فوراً تبدیل کر سکتے ہیں۔
ای کامرس ورچوئل نمائش: ورچوئل influencer حقیقی وقت میں تیار کردہ مناظر میں مصنوعات کی متحرک نمائش کرتا ہے، جبکہ صارف فوراً انداز، زاویہ یا استعمال کے منظرنامے کو تبدیل کرنے کی ہدایت دے سکتے ہیں۔