أخيراً أظهرت Meta يدها ضد Sora، و Movie Gen هو أكثر من مجرد مولد فيديو — إنه مجموعة من نماذج الأساس التي تنتج فيديو HD بدقة 1080p عبر نسب عرض متعددة مع صوت متزامن، يدعم تحرير فيديو دقيق قائم على التعليمات، ويمكن أن ينتج مقاطع فيديو مخصصة بناءً على صورة المستخدم. تقيّم هذه المراجعة التفصيلية إصدار Meta مقابل Sora من OpenAI، وتكسر الأماكن التي تؤتي رهانات العمارة الخاصة بكل نظام ثمارها، وحيث تقع المقايضات، وكيف يبدو أن المختبرين ينحرفان حول ما يجب أن يكون نموذج أساس الفيديو.

القطعة المركزية عبارة عن Transformer بمعامل 30B مدرب بطول سياق أقصى يبلغ 73K رمز فيديو — يكفي لـ 16 ثانية من الفيديو المُنتج بـ 16 fps — مع مطالبات SOTA جديدة عبر تخليق النص إلى الفيديو وتخصيص الفيديو وتحرير الفيديو والفيديو إلى الصوت والنص إلى الصوت. تشرح المراجعة الابتكارات التقنية التي تسلط Meta الضوء عليها: تصميم العمارة والمساحة الكامنة وأهداف التدريب والوصفات والعناية بالبيانات وبروتوكولات التقييم وتقنيات المعالجة المتوازية وتحسينات الاستدلال. إذا كنت تبني أو تقيس أنظمة الفيديو والصوت التوليدية، فهذه المقارنة بوصلة جيدة لمعرفة أين يستقر الحد الفاصل فعلاً الآن.