في 20 يوليو 2026، نشر فريق صغير مدعوم من Reactor شيئًا غير معتاد على GitHub: ليس عرضًا توضيحيًا لنموذج، ولا ورقة بحثية، بل خط أنابيب التدريب الكامل لنموذج عالم من الطراز الحدودي — مصحوبًا بسرد مفصّل لكل ما أخفق في الطريق.
المشروع اسمه OpenDreamer، وهو استنساخ مفتوح لنموذج Dreamer 4 من DeepMind. خلال أيام تجاوز المئة نجمة، مع عرض تفاعلي في المتصفح يتيح التبديل، إطارًا بإطار، بين بث Minecraft حقيقي وبث تتخيّله شبكة عصبية.
لمن يبني وكلاء في 2026، يستحق هذا الانتباه. ليس لأنك ستدرّب نموذج عالم لـ Minecraft في الربع القادم، بل لأن البنية الكامنة خلفه تمثّل أوضح مخطط علني حتى الآن لما تفتقر إليه معظم منظومات الوكلاء: محاكٍ يستطيع الوكيل التمرّن بداخله.
ما هو نموذج العالم فعليًا
نموذج اللغة الكبير يتنبأ بالرمز التالي. أما نموذج العالم فيتنبأ بـ الحالة التالية للبيئة، مشروطةً بفعل معيّن.
أعطه الإطار الحالي والفعل «حرّك الفأرة يسارًا، اضغط الزر الأيسر باستمرار»، فيعيد لك الإطار الذي سيتبع. اربط هذه التنبؤات معًا وستحصل على محاكٍ لم يُبرمَج قط — بل تعلّمه من الفيديو.
هذا الفرق أثقل مما يبدو. أطر الوكلاء اليوم تتعامل مع التخطيط بسؤال نموذج لغوي أن يستنتج نصيًا ما قد يحدث. نموذج العالم يتيح للوكيل أن يشغّل المستقبل أمامه وينظر. يمكنه تجربة فعل ألف مرة داخل رأسه بتكلفة زهيدة، قبل أن يلتزم مرة واحدة في البيئة الحقيقية.
أثبت Dreamer 4 من DeepMind جدوى المقاربة على نطاق لم يبلغه أحد من قبل. صار أول وكيل يحصل على الألماس في Minecraft بتدريب يعتمد كليًا على بيانات غير متصلة — دون أي تمرين في اللعبة الحية. المهمة تتطلب سلاسل تفوق 20,000 فعل بالفأرة ولوحة المفاتيح تُختار من البكسلات الخام. وقد تفوّق على وكيل VPT غير المتصل من OpenAI مستخدمًا بيانات أقل بنحو 100 مرة.
المشكلة: الورقة وصفت النتيجة لا الوصفة. وتُركت إعادة الإنتاج تمرينًا للقارئ.
ما الذي أطلقه OpenDreamer
OpenDreamer تنفيذ بلغة JAX/Flax NNX يغطي خط الأنابيب الكامل:
- مُرمِّز فيديو سببي يضغط الإطارات الخام إلى تمثيلات كامنة
- أدوات لترميز مجموعات بيانات MP4 من نمط Minecraft/VPT إلى شرائح ArrayRecord
- نموذج ديناميكيات كامنة مشروط بالفعل — وهو نموذج العالم بحدّ ذاته
- توليد عمليات المحاكاة وحساب مقياس FVD لقياس الجودة
المؤلفون هم دييغو مارتي مونسو وفرانشيسكو ساكو وإدوارد هو، بدعم حوسبي وتشغيلي من Reactor. المستودع هو next-state/open-dreamer، ويوجد مستودع استدلال منفصل يشغّل نقاط التحقق المدرَّبة على مقاطعك وسلاسل أفعالك.
أما حلقة الوكيل — استنساخ السلوك والتعلم المعزز، أي الجزء الذي يحوّل نموذج العالم إلى وكيل Dreamer 4 فعلي — فهي على خارطة الطريق ولم تُشحن بعد. الموجود اليوم هو الجزء الصعب: المحاكي.
البنية باختصار
المُرمِّز
مُرمِّز تلقائي مُقنَّع قائم على المحوّلات يبلغ ضغطًا يقارب 100 ضعف. تجنّب الفريق عمدًا دوال الخسارة من نوع KL والخصومية لصالح التقنيع، بحجة أن ذلك «يجعل الفضاء الكامن أكثر قابلية للانتشار» — أي أن نموذج الديناميكيات، وهو نموذج انتشار، يجد هدفًا أسهل. كما أن التدريب أسرع والتوسّع أكثر قابلية للتنبؤ.
جرى النموذج الأولي على CoinRun، وهي لعبة منصات ثنائية الأبعاد بتوليد إجرائي تتّسع لوحدة معالجة رسومية واحدة، قبل الانتقال إلى Minecraft. على CoinRun قاسوا توسّعًا أمثل حسابيًا يقارب N ∝ C^0.56 لحجم النموذج و D ∝ C^0.44 للبيانات — قريبًا من الجذر التربيعي في الحالتين.
نموذج الديناميكيات
هنا تكمن الخيارات المثيرة. نموذج الديناميكيات هو محوّل سببي كتلي بمسارَي انتباه متمايزين:
- طبقة مكانية تنتشر فيها المعلومة داخل الإطار الواحد
- طبقة زمنية سببية تنتشر فيها المعلومة عبر الإطارات
تُطوى السلاسل إلى كتل بالشكل (الفعل السابق، الحالة، السياسة). وتحمل كل حالة رموزًا كامنة مكانية للمحتوى البصري، إضافة إلى رموز لمستوى الضوضاء وحجم الخطوة، ورموز سجلّات تعمل كمساحة عمل مشتركة.
يعتمد التدريب على diffusion forcing مع flow matching، مقترنًا بنماذج الاختصار للتحكم في حجم الخطوة. وshortcut forcing هي الحيلة التي جعلت Dreamer 4 عمليًا: فهي تقلّص عدد خطوات إزالة الضوضاء اللازمة بشدة، وهو ما يمكّن نموذج فيديو قائمًا على الانتشار من بلوغ استدلال تفاعلي في الزمن الحقيقي على وحدة معالجة رسومية واحدة بدل أن يستغرق ثوانٍ لكل إطار.
دالة الخسارة هي x-prediction (التنبؤ بالبيانات النظيفة) مُقيَّمة في فضاء v، وقد وجدها الفريق أكثر استقرارًا بوضوح من v-prediction الصرفة.
ملاحظات الهندسة هي الجائزة الحقيقية
معظم عمليات الاستنساخ المفتوحة تشحن الشيفرة وتصمت عن الأسابيع الستة من التجارب الفاشلة. تقرير OpenDreamer يفعل العكس، ويُقرأ كدليل ميداني لتدريب نماذج الفيديو القائمة على الانتشار. وإليك بعض النقاط التي تتجاوز حدود هذا المشروع:
Muon بدل LaProp. أنتج LaProp قفزات عشوائية في الخسارة، بينما كان Muon مستقرًا. المقارنة وحدها كلّفت نحو 400 ساعة B200 — تذكير بأن اختيار المُحسِّن عند هذا النطاق تجربة لا تفضيل.
المتوسط المتحرك الأسي ليس اختياريًا. استخدام الأوزان المباشرة عند الاستدلال «يعطي نتائج دون المستوى». وبالنسبة لنماذج الانتشار تحديدًا، فإن المتوسط المتحرك الأسي للمعاملات هو الناتج الذي تشحنه فعليًا.
حدود الدقة تحسم الاستقرار. توزيعهم كالتالي: المعاملات بـ float32، وعمليات ضرب المصفوفات ومدخلات الانتباه بـ BF16، والتطبيع بـ float32، ورأس مخرجات تدفق الديناميكيات بـ float32. الخطأ في هذه الحدود كان يزعزع التدريب — وهو درس أدق بكثير من «استخدم الدقة المختلطة».
عنق الزجاجة كان تحميل البيانات لا وحدة المعالجة الرسومية. فك ترميز ملفات MP4 آنيًا عبر ffmpeg لم يستطع إشباع بطاقة B200. الحل كان الترميز المسبق للكل إلى صيغة .arrayrecord، والتحميل عبر Grain، والاحتفاظ بمخزن جلب مسبق على جانب المعالج الرسومي. النتيجة: 57–58٪ استغلال لعمليات الفاصلة العائمة للنموذج على B200، في المنطقة المقيّدة بالحوسبة بعد نقطة تقاطع roofline عند 292 عملية لكل بايت.
التوازي البسيط انتصر. عند 1.6 مليار معامل ونحو 24 غيبي بايت من حالة النموذج، قيّم الفريق FSDP واختار مع ذلك توازي البيانات العادي — إذ فاق عبء الاتصال فائدة التجزئة. أما السلاسل الفيديوية الطويلة فعولجت بـ activation checkpointing ودفعة من سلسلة واحدة لكل معالج رسومي.
استُغني عن μ-parametrization، لأن أحجام النماذج امتدت على نحو رتبة واحدة فقط، ولأن Muon كان مستقرًا بما يكفي دونها.
هذه المجموعة الأخيرة من القرارات هي تحديدًا نوع المعرفة التي لا تُكتسب عادةً إلا بحرق ميزانية تدريب.
تشغيله
سير العمل يتكوّن من أربعة سكربتات ومجموعة ملفات إعداد YAML:
pip install uv
uv sync
source .venv/bin/activate
# 1. تدريب مُرمِّز الفيديو السببي
uv run scripts/train_tokenizer.py
# 2. ترميز الحلقات الكاملة إلى ArrayRecords كامنة
uv run scripts/tokenize_minecraft_dataset.py
# 3. تدريب نموذج الديناميكيات المشروط بالفعل
uv run scripts/train_dynamics.py
# 4. توليد عمليات المحاكاة وتقييمها
uv run scripts/eval_fvd.pyبين الخطوتين 2 و3 تمريرة يدوية يسهل إغفالها: الترميز يكتب ملف metadata/latent_stats.npz، ويجب نسخ المتوسط والانحراف المعياري الكامنين منه إلى إعداد مجموعة البيانات الكامنة قبل تدريب الديناميكيات.
import numpy as np
stats = np.load("/path/to/tokenized_data/metadata/latent_stats.npz")
print("latent_mean:", stats["mean"].tolist())
print("latent_std:", stats["std"].tolist())
print("num_videos:", int(stats["num_videos"]))المتطلبات هي Python 3.11 وuv وبيئة JAX متوافقة مع CUDA 12. تصل البيانات الخام كملفات shard-*.array_record، وكل سجل قاموس مُسلسَل يحتوي على بايتات MP4 وشكل الفيديو والأفعال. أما إحصاءات البكسل فخاصة بكل مجموعة بيانات ويجب إعادة حسابها كلما بدّلت مصدر الفيديو.
ملاحظة عملية: يمكن تدريب المُرمِّز على نوافذ أقصر بكثير من الحلقات التي سترمّزها لاحقًا. سجلات ثابتة من 256 إطارًا تتدرّب جيدًا بنوافذ من 16 إطارًا، ثم تُرمَّز كحلقات كامنة كاملة من 256 إطارًا. هذا الفصل يوفّر ذاكرة كبيرة في مرحلة التجريب المتكرر.
لماذا يهم هذا خارج Minecraft
من السهل تصنيف نماذج العالم تحت «أبحاث الألعاب» والمضي قدمًا. سيكون ذلك خطأ، والسبب يكمن في شكل المشكلة لا في مجالها.
تثبت نماذج العالم جدواها حين تتطلب المهمة حالة مستمرة، وتنبؤًا مشروطًا بالفعل، وتقييمًا افتراضيًا زهيد التكلفة. Minecraft منصة اختبار مناسبة لهذه الخصائص بالضبط — آفاق طويلة، مكافآت نادرة، ملاحظات بصرية — لكن الخصائص نفسها تظهر في كل مكان: روبوتات المستودعات، والقيادة الذاتية، والتحكم في العمليات الصناعية، وأي وكيل مضطر لاتخاذ فعل لا رجعة فيه.
الإطار الصحيح في 2026 ليس «نماذج العالم تحلّ محل نماذج اللغة»، بل تقسيم للعمل. نماذج اللغة بارعة في التجريد والواجهات الرمزية وتنسيق الأدوات وشرح نفسها للبشر. ونماذج العالم بارعة في الديناميكيات والمحاكاة والافتراضات المضادة داخل مجال أضيق. المنظومة القوية للوكلاء تنتهي إلى الرغبة في الاثنين معًا — نموذج اللغة يحدّد الهدف ويفكّكه، ونموذج العالم يتحقق ممّا إذا كانت الخطة ستصمد عند ملامسة البيئة.
هذه هي الفجوة المعمارية نفسها التي وصفناها في من الحلقات إلى الرسوم البيانية: تحوّل بنية وكلاء الذكاء الاصطناعي وفي تحليلنا لـنماذج الاستدلال مقابل النماذج السريعة. صارت أطر الوكلاء جيدة في التنسيق، لكنها ما زالت تفتقر إلى وسيلة رخيصة لطرح سؤال «ماذا يحدث لو فعلت هذا؟» دون أن تفعله حقًا.
وهناك حجة اقتصادية مباشرة أيضًا. دُرِّبت عائلة Cosmos من NVIDIA على ما يقارب 20 مليون ساعة من فيديو العالم الحقيقي؛ وهو نطاق لا تبلغه سوى حفنة من المؤسسات. إسهام OpenDreamer هو إظهار أن نموذج عالم بـ1.6 مليار معامل، مدرَّبًا على مجموعة بيانات لعب عامة، يمنحك محاكيًا تفاعليًا في الزمن الحقيقي على وحدة معالجة رسومية واحدة — مع نشر كل قرار جعل ذلك ممكنًا. راجع تغطيتنا لـNVIDIA Cosmos 3 Edge للطرف الصناعي من الطيف نفسه.
ما ينبغي مراقبته لاحقًا
ثلاثة عوامل ستحدّد ما إذا كان هذا سيصبح بنية تحتية أم يبقى أثرًا بحثيًا.
حلقة الوكيل. يشحن المستودع نموذج العالم دون حلقة استنساخ السلوك والتعلم المعزز المبنية فوقه. وإلى أن تصل، يبقى OpenDreamer محاكيًا لا وكيلًا. وهي مدرجة على خارطة الطريق.
الانتقال بين المجالات. فيديو Minecraft وفير ومُعنون بالأفعال شبه مجانًا. ومعظم المجالات الواقعية ليست كذلك. السؤال المفتوح لأي حالة استخدام روبوتية أو صناعية هو كم من الفيديو المُعنون بالأفعال تحتاج فعلًا — وهل تصمد قصة التوسّع من CoinRun إلى Minecraft حين تكفّ البيئة عن كونها لعبة.
الترخيص. يشير GitHub حاليًا إلى ترخيص غير قياسي لهذا المستودع. إن كنت تنوي البناء عليه تجاريًا، فاقرأ ملف الترخيص قبل الشيفرة.
الخلاصة
لن يغيّر OpenDreamer منظومتك الإنتاجية هذا الشهر. ما يغيّره هو ما يمكنك فحصه. نموذج عالم من الطراز الحدودي — مُرمِّز وديناميكيات ووصفة تدريب وقائمة صريحة بما انكسر — صار الآن علنيًا، بلغة JAX مقروءة، مع عرض في المتصفح يجعل الفكرة ملموسة خلال ثلاثين ثانية تقريبًا.
للفرق التي تفكّر بجدية في الوكلاء خارج نمط «موجّه واستدعاء أداة»، هذه نقطة انطلاق أفضل من إطار عمل جديد.
في نقطة نبني وكلاء ذكاء اصطناعي وأنظمة أتمتة لشركات في تونس والسعودية ومنطقة الشرق الأوسط وشمال إفريقيا. إن كنت تدرس أين يناسب الوكلاء عملياتك، تواصل معنا.
المصادر: تقرير OpenDreamer · next-state/open-dreamer على GitHub · صفحة مشروع Dreamer 4 · Training Agents Inside of Scalable World Models (arXiv:2509.24527)