[
    {
        "id": "osp-17634",
        "type": "article-journal",
        "title": "الدليل العالمي: نموذج الفيديو العالمي المستهدف للمهمة الإجرائية",
        "author": [
            {
                "family": "Deria",
                "given": "Ankan"
            },
            {
                "family": "Kumar",
                "given": "Komal"
            },
            {
                "family": "Cholakkal",
                "given": "Hisham"
            },
            {
                "family": "Khan",
                "given": "Fahad Shahbaz"
            },
            {
                "family": "Khan",
                "given": "Salman"
            }
        ],
        "URL": "https://omanscience.com/ar/articles/worldguide-goal-directed-video-world-model-for-procedural-task-execution",
        "language": "en",
        "issued": {
            "date-parts": [
                [
                    2026
                ]
            ]
        },
        "abstract": "مولدات الفيديو ونماذج العالم القائمة على الفيديو يمكن أن تجميع مسارات بصرية معقولة، ولكن المهام الإجرائية طويلة الأفق تتطلب التوليد للتكيف مع ما تم إنتاجه بالفعل. يجب على النموذج تحديد الإجراء التالي من الحالة التي تم إنشاؤها، وتنفيذ ذلك الإجراء، وتعرف متى تكون المهمة مكتملة. لا يمكن أن يتكيف توليد الحلقة المفتوحة مع نتائج التنفيذ، في حين تعتمد أنظمة حلقة مغلقة الحالية غالبًا على تنفيذيين مدربين مسبقًا أو التحقق غير المباشر. هذا يترك فجوة بين اتخاذ قرار بشأن إجراء وتحقيقه بنجاح. نضع صيغة لتوليد الفيديو الإجرائي على أنه تنفيذ مهام حلقة مغلقة في مجال العالم البصري ونقدم \\textbf{WorldGuide}. بالنظر فقط إلى الصورة الأولية وأهداف المهمة، يتنبأ WorldGuide بعمل ذريعي، ويولد مقطع الفيديو المقابلة له، ويستخدم النتيجة المنشأة لتحديد الإجراء التالي أو إنهاءها. يتم تدريب المخطط والممثل على نفس التظاهر الإجرائي على مستوى خطوة: يتعلم المخطط التنبؤ بالعمل الذري القادم أو استكمال المهمة من خلال التقدم البصري، في حين يتم تدريب المدفع مباشرة لتحقيق الإجراءات المتوقعة. الذاكرة البصرية الهرمية تحافظ على الحالة عبر تنفيذ الأفق الطويل مع تكلفة رمز التاريخ المحدودة. نظرًا لعدم وجود إشراف الفيديو الإجراءي على مستوى خطوي للتدريب المشترك للمخططين والمؤديين، نقدم \\textbf{WorldGuide Bench}: ما يقرب من 59K مقاطع فيديو مفصلة عبر 245 مهمة و 27 فئة إجرائية. يحقق WorldGuide نجاحًا في المهام بنسبة 33.33 ٪ على \\textbf{WorldGuide-Bench}، مقارنة مع 29.90 ٪ للنموذج الفيديو MiniMax-H3 القوي الأخير، على الرغم من أن MiniMaX-H3 يتلقى خطط عمل مرجعية، ويحقق 47.69 ٪ على\\textbf {VideoCraft-Bench } بالمقارنة مع 32.73 ٪ لـ MiniMa x-H3 تحت تكييف الهدف فقط. هذه النتائج تظهر أهمية ربط التخطيط بالتنفيذ المتعلم لتوليد الفيديو الإجرائي المستهدف."
    }
]