مدل هوش مصنوعی FLUX 3 Max معرفی شد؛ تولید ویدیو ۲۲ برابر سریع‌تر از رقبا

پلتفرم محبوب تولید محتوای چندرسانه‌ای مبتنی‌بر هوش مصنوعی fal.ai از مدل ویدیویی جدیدی به نام FLUX 3 Max رونمایی کرد. این مدل با همکاری آزمایشگاه آلمانی بلک فارست لبز (Black Forest Labs) توسعه یافته است و هدف آن، فراهم کردن امکان تولید و بازنگری سریع ویدیوهای باکیفیت هوش مصنوعی در عرض چند ثانیه است.

ادعای محوری سازندگان این است که تولید یک ویدیوی ۱۰ ثانیه‌ای با این مدل تنها ۱۲٫۴۵ ثانیه طول می‌کشد؛ درحالی‌که بر اساس مقایسه منتشرشده از سوی fal، تولید همین ویدیو با مدل Seedance 2.5 حدود ۲۷۷٫۸۰ ثانیه زمان می‌برد.

این اختلاف آماری نشان‌دهنده سرعتی تقریباً ۲۲ برابر بیشتر است؛ درحالی‌که بر اساس ارزیابی بنچمارک استنادشده از سوی شرکت، هر دو مدل امتیاز کیفی برابری کسب کرده‌اند.

برای تیم‌های خلاق و سازمانی، اهمیت بنیادین این پیشرفت در شتاب‌بخشی به فرآیند آزمون‌وخطا نهفته است. یک طراح می‌تواند زاویه حرکت دوربین را بیازماید، خروجی را بررسی کند و پیش از آنکه ایده از ذهنش برود، صحنه را بازنگری کند. این ویژگی می‌تواند تولید ویدیو با هوش مصنوعی را در جلسات طوفان فکری و همکاری‌های تیمی بسیار کارآمدتر کند؛ چراکه در این محیط‌ها انتظار طولانی‌مدت برای دریافت خروجی، جریان گفت‌وگوها را مختل می‌سازد.

این رونمایی با تخفیف اولیه چشمگیری همراه است؛ بااین‌حال، ادعاهای عملکردی ارائه‌شده، به‌ویژه در زمینه دستیابی به جایگاه نخست مشترک در کیفیت تبدیل تصویر به ویدیو، نیازمند شفاف‌سازی و بررسی دقیق‌تر داده‌های آماری است.

امتیازی پیشتاز، اما همراه با پیش‌شرط‌های مهم آماری

در جدول رده‌بندی ارزیابی تبدیل تصویر به ویدیو در پلتفرم Artificial Analysis (بررسی‌شده در ۱۹ اکتبر)، مدل FLUX 3 Max به امتیاز الو (Elo) معادل ۱٬۱۳۸ دست یافته است؛ عددی که با مدل Dreamina Seedance 2.5 برابری می‌کند و تنها ۲ امتیاز از MiniMax H3 کمتر است.

این بازه‌های اطمینان با یکدیگر هم‌پوشانی دارند و همین مسئله، اثبات برتری قطعی یک مدل را از روی داده‌های جدول دشوار می‌کند. Artificial Analysis بر اساس برآورد نقطه‌ای، مدل FLUX 3 Max را در جایگاه دوم قرار می‌دهد، اما رتبه آماری احتمالی آن را بین جایگاه اول تا پنجم برآورد می‌کند.

این سنجش بر اساس ترجیحات کاربران میان ویدیوهای ساخته‌شده از روی تصاویر مرجع (به‌همراه صدا) انجام گرفته است؛ بنابراین، چنین نتیجه‌ای به‌هیچ‌وجه به معنای پیشتازی یکسان مدل در تولید ویدیو صرفاً بر پایه متن نیست و اثبات نمی‌کند که این مدل در پاسخ به تمام سناریوهای تولید ویدیو عملکردی بی‌نقص خواهد داشت.

اسناد رونمایی fal از یک گزارش اولیه با امتیازهایی کمی متفاوت استفاده کرده‌اند و با استناد به هم‌پوشانی بازه‌های اطمینان، از جایگاه نخست مشترک سخن می‌گویند. نتیجه‌گیری منطقی و واقع‌بینانه این است که مدل FLUX 3 Max توانسته در این بنچمارک شانه‌به‌شانه برترین‌های بازار رقابت کند.

سرعت بالا فرآیند کار را متحول می‌کند؛ اما تنظیمات تعیین‌کننده‌اند

پلتفرم fal مقایسه زمانی خود را میانگینی برای ویدیوهای ۱۰ ثانیه‌ای با نسبت تصویر ۱۶:۹ و وضوح 720p یا 768p (بسته به مدل) اعلام کرده است. زمان ۱۲٫۴۵ ثانیه‌ای این مدل تقریباً به طول خودِ ویدیوی تولیدی نزدیک شده، هرچند همچنان از پردازش بی‌درنگ (Real-time) کندتر است.

باید در نظر داشت که این آمارها توسط خودِ توسعه‌دهنده گزارش شده‌اند. در مستندات رسمی مدل تأکید شده است که تنظیمات مختلف و شرایط عملیاتی بر زمان تولید خروجی اثر می‌گذارند؛ ازاین‌رو، نتیجه یک بنچمارک نباید تضمینی قلمداد شود که تمام درخواست‌های کاربران در همین پنجره زمانی تکمیل خواهند شد.

این تمایز برای توسعه‌دهندگان نرم‌افزاری که به فکر استفاده از قابلیت تولید ویدیو درون برنامه‌های خود هستند، اهمیت بالایی دارد. یک دموی کوتاه صرفاً نشان می‌دهد چه چیزی ممکن است، اما تست‌های عملیاتی در محیط واقعی باید مشخص کنند که این سرویس زیر بار ترافیکی مورد نظر با چه میزان پایداری این سرعت را ارائه می‌دهد.

همچنین مستندات تبدیل متن به ویدیو در fal.ai دو سطح استدلال سبک و پیشرفته (Low و High) ارائه می‌دهد که انتخاب حالت استدلال پیشرفته‌تر، زمان ساخت ویدیو را طولانی‌تر می‌کند. بنابراین تیم‌ها علاوه بر کیفیت خروجی، متغیر دیگری را نیز برای ارزیابی پیش رو دارند.

ارزش‌افزوده fal برای مدل بلک فارست لبز

مدل FLUX 3 Max بر پایه معماری FLUX 3 Video از آزمایشگاه بلک فارست لبز توسعه یافته است. طبق اعلام fal.ai، آموزش‌های تکمیلی این مجموعه با هدف پایبندی دقیق‌تر مدل به پرامپت‌ها، ارتقای جذابیت بصری خروجی و درعین‌حال کاهش زمان پردازش انجام شده است.

این تقسیم کار بخشی از مدل تجاری نوین در بازار هوش مصنوعی است؛ شرکتی که مدل‌ها را از طریق API عرضه می‌کند، می‌تواند علاوه بر فراهم آوردن زیرساخت دسترسی، با آموزش‌های اختصاصی و بهبود فرآیند اجرا، ارزش متمایزی برای خدمات خود بیافریند.

آزمایشگاه بلک فارست لبز در اطلاعیه معرفی خود، ویژگی‌هایی مانند همگام‌سازی صدا، فیزیک حرکتی باورپذیر، جلوه‌های صوتی و خلق صحنه‌های نامتعارف را از نقاط قوت مدل دانسته است. بااین‌حال، این موارد در حد ادعاهای سازنده باقی مانده‌اند و رتبه‌بندی‌های عمومی هنوز تک‌تک این توانمندی‌ها را به‌صورت مستقل تأیید نکرده‌اند.

توسعه‌دهندگان اکنون می‌توانند به اندپوینت‌های عمومی برای تبدیل متن به ویدیو و تبدیل تصویر به ویدیو دسترسی داشته باشند. بخش اول فرآیند را از یک توصیف متنی آغاز می‌کند و بخش دوم با دریافت یک تصویر اولیه کار را پیش می‌برد و حتی امکان دریافت تصویر پایانی را نیز دارد.

طول مدت ویدیوهای تولیدی در مستندات بین ۵ تا ۲۰ ثانیه اعلام شده است. ویدیوها با وضوح 720p تولید می‌شوند و امکان ارتقای خودکار (Upscaling) آن‌ها به 1080p نیز وجود دارد. علاوه‌براین، تولید صدا قابلیت فعال یا غیرفعال شدن دارد و کادربندی‌های افقی، عمودی و مربعی نیز پشتیبانی می‌شوند.

علاوه بر این بخش‌ها، یک اندپوینت فریم‌های کلیدی (Keyframes) مجزا نیز وجود دارد که تا ۱۰ تصویر متوالی را دریافت می‌کند. این ویژگی برای پیش‌نمایش محصولات یا آماده‌سازی استوری‌بردها، کنترل بسیار بیشتری روی مراحل بصری یک سکانس در اختیار تیم‌های خلاق قرار می‌دهد.

قیمت‌گذاری اولیه: شروع از ۰٫۴۳ دلار برای ویدیوهای ۱۰ ثانیه‌ای

تعرفه‌های منتشرشده از سوی fal شامل یک تخفیف تبلیغاتی ۷۵ درصدی است که تا ۷ نوامبر ادامه خواهد داشت.

قیمت ویدیوهای ۱۰ ثانیه‌ای بر پایه تعرفه هر ثانیه محاسبه شده است. هزینه عادی پس از پایان دوره تخفیف، معادل ۰٫۱۷ دلار در ثانیه برای کیفیت 720p و ۰٫۲۹ دلار در ثانیه برای کیفیت 1080p خواهد بود.

شرکت fal اعلام کرده که محتوای تولیدشده از طریق API مشروط به رعایت ضوابط پلتفرم، قابل استفاده تجاری است. البته این مجوز را نباید با دسترسی به دانلود، دستکاری یا اجرای مستقل مدل اشتباه گرفت؛ چراکه در اسناد رونمایی هیچ اشاره‌ای به اعطای چنین حقوقی نشده است.

برای خریداران سازمانی، مهم‌ترین فاکتور محاسبه، «هزینه تمام‌شده به ازای هر خروجی قابل‌قبول» است. با نرخ تخفیفی 720p، تولید ۱۰ نسخه از یک صحنه ۱۰ ثانیه‌ای ۴٫۲۵ دلار هزینه دارد؛ رقمی که با تعرفه عادی به ۱۷ دلار می‌رسد. البته این ارقام بدون احتساب دستمزد نیروی انسانی و زمان تدوین نهایی است.

سرعت بالاتر تولید زمان انتظار را کاهش می‌دهد، اما می‌تواند تعداد دفعات آزمون‌وخطا را نیز بیشتر کند. تیمی که بدون بهبود نرخ قبولی خروجی‌ها، صرفاً نسخه‌های بسیار بیشتری تولید کند، ممکن است علی‌رغم تصمیم‌گیری سریع‌تر، در نهایت هزینه بیشتری به سازمان تحمیل کند.

ازاین‌رو، آزمون اصلی FLUX 3 Max در بوته گردش کار سازمانی مشخص خواهد شد: آیا یک تیم خلاق می‌تواند سریع‌تر، با هزینه‌ای پیش‌بینی‌پذیر و با حفظ جزئیات خواسته‌شده به نتیجه مطلوب برسد؟ این عرضه گزینه‌ای مشخص را پیش روی شرکت‌ها می‌گذارد؛ امتیاز کیفی بالا و زمان تولید کوتاه نقطه‌شروعی امیدوارکننده هستند، اما ارزش تجاری واقعی این ابزار زمانی مشخص می‌شود که این خروجی‌ها واقعاً در پروژه‌های نهایی قابل استفاده باشند.