مدل متنباز SenseNova 6.8 معرفی شد؛ تولید ویدیوی هوش مصنوعی از طریق کدنویسی

معرفی مدل

مدل SenseNova 6.8 Code2Video یک مدل متن‌باز مبتنی بر کد برای تولید ویدیو است که توسط شرکت SenseTime با شعار «هر فریم یک خط کد است» معرفی شده است. این ابزار بهجای تولید مستقیم پیکسل‌های تصویر، کدهای اجرایی می‌نویسد و آن‌ها را به ویدیو تبدیل می‌کندسپس فریم‌های تولیدشده را بازبینی کرده و کدها را ویرایش می‌کند تا تمامی فریم‌ها دارای سورس کد خوانا و قابل ویرایش باشند.

دسترسی به مدل: صفحه مدل در Hugging Face · مهارت‌ها و پرامپت‌ها: مخزن گیتهاب OpenSenseNova/SenseNova-6.8-Code2Video · تحت مجوز Apache-2.0 · دارای ۲۷ میلیارد پارامتر · پنجره زمینه ۵۱۲ هزار توکن.

ویژگی‌ها و نکات کلیدی

1. مدل پایه: این ابزار بر پایه مدل Qwen3.8-27B و بهصورت اختصاصی برای تولید فیلم به سبک ایجنت‌های مستقل در پروژه‌های طولانی تنظیم شده است؛ به گفته SenseTime، این مدل می‌تواند در فرایندهای بیش از ۱۰ ساعت و فراتر از ۲۰۰۰ مرحله گفتگو به فعالیت پیوسته ادامه دهد.
2. خروجی‌های قابل تولید: در حال حاضر تمرکز این سیستم بر ساخت ویدیوهای کوتاهی است که تماماً با کد برنامه‌نویسی خلق می‌شوند؛ مانند ویدیوهای آموزشی ریاضی، پویانمایی‌های کاغذی، جهان‌های ایزومتریک، تایپوگرافی متحرک، روایت‌های داده‌محور، متحرک‌سازی شخصیت‌ها و تیزرهای تبلیغاتی محصولات. طبق ارزیابی‌های اولیه، این مدل از ترکیب‌بندی بصری بسیار مناسب و زمان‌بندی دقیق حرکات در طراحی موشن برخوردار است.
3. منابع منتشرشده: وزن‌ها، فایل‌های پیکربندی و توکنایزر مدل در کنار نمونه‌های واقعی مراحل تولید همراه با استدلال و فراخوانی ابزارها (در قالب پیام‌های استاندارد OpenAI شامل ۳۵۷ تصویر) و همچنین مهارت اختصاصی code-video در گیتهاب (شامل جریان‌های کاری، راهنماهای طراحی و ابزارهای رندرینگ) بهصورت عمومی منتشر شده است.
4. استقرار و اجرا: مستندات مدل شامل دستورالعمل‌های داکر برای ابزارهای استنتاج مانند LightLLM، vLLM و SGLang است (نمونه‌های رسمی از موازی‌سازی تانسوری ۴ مسیره و پنجره زمینه ۵۱۲ هزار توکن استفاده می‌کنند).
5. چشم‌انداز بلندمدت: هدف این پروژه استفاده از کد به‌عنوان یک زبان مشترک برای اتصال ابزارها و مدل‌های تصویر، ویدیو، سه‌بعدی و تدوین است تا در آینده قابلیت‌های ویرایش، ترکیب تصویر، پویانمایی و تولید محتوای سه‌بعدی نیز به آن اضافه شود.

اهمیت و جایگاه این مدل

این ابزار یک مدل متنباز تازه و کاربردی است که بهصورت رسمی همراه با وزن‌های عمومی توسط یکی از پیشگامان هوش مصنوعی عرضه شده و مسیر متفاوتی را در زمینه تولید ویدیو از طریق برنامه‌نویسی باز کرده است.

نحوه استفاده و مراحل تولید

1. تقویت پرامپت اولیه: استفاده از یک مدل عمومی قدرتمند (مانند مدل Claude Opus 5.5 که تیم سازنده پیشنهاد کرده است) به‌همراه قالب پرامپت موجود در مخزن برای تبدیل ایده اولیه به سند کامل dense_prompt.md.
2. مرحله تولید: بارگذاری مدل با ابزارهای vLLM، SGLang یا LightLLM، اتصال دستیار کدنویسی Claude Code به آدرس مدل، انتقال مهارت code-video به مسیر .claude/skills/code-video و اجرای دستور claude -p ... --max-turns 2000. خروجی نهایی شامل فایل ویدیویی out/final.mp4 و اسناد SPEC.md و VERIFY.md خواهد بود.
3. اصلاح و بازبینی (اختیاری): یادداشت نکات اصلاحی و اجرای مجدد دستور claude -p --continue در همان پوشه برای دریافت نسخه جدید ویدیو.

نکات و توصیه‌های فنی

• دستیار Claude Code مدل‌های ناشناس را بهطور پیش‌فرض با پنجره زمینه ۲۰۰ هزار توکن در نظر می‌گیرد؛ بنابراین متغیر محیطی CLAUDE_CODE_MAX_CONTEXT_TOKENS=524288 را تنظیم کنید. همچنین فعال‌سازی فشرده‌سازی خودکار در نسبت ۰٫۸ و تنظیم حداکثر طول خروجی روی ۶۴ هزار توکن پیشنهاد می‌شود.
• اجرای این ابزار دستورات خط فرمان را بدون نیاز به تأیید اجرا می‌کند؛ به همین دلیل حتماً از یک محیط ایزوله و امن استفاده کنید.
• اجرای یک مدل ۲۷ میلیارد پارامتری با پنجره زمینه ۵۱۲ هزار توکن به چند کارت گرافیک نیاز دارد (نمونه‌های آزمایشی رسمی از ۴ پردازنده گرافیکی استفاده کرده‌اند).