Meta посадила ШІ за DaVinci Resolve. Скільки монтажу йому можна довірити?

Один процес, три різні складові

Картка моделі вказує текст, зображення, відео й аудіо на вході та текст на виході. Архітектура має 816 мільярдів параметрів загалом, 42 мільярди активних і контекст на мільйон токенів. Це характеристики мультимодальної моделі міркування; для експорту фільму потрібне інше програмне забезпечення.

Muse Code надає середовище агента. Meta описує керування програмами та можливість переглядати дії агента. Resolve забезпечує монтажне середовище. Такий поділ допомагає знайти причину помилки: неправильно зрозуміти матеріал, обрати хибну операцію й неточно її виконати — різні проблеми.

Для студії результат має включати редагований проєкт і зрозумілий перелік змін. Переконливий MP4 не покаже, чи наступне зауваження клієнта забере хвилину, чи змусить починати весь процес заново.

Джерела: Meta AI Research [1] · Meta Superintelligence Labs / Hugging Face [2] · Meta [3] · Alexandr Wang / Meta [4] · Alexandr Wang / Meta [5]

Найсильніший момент може бути тихим

Уявіть інтерв’ю з трьома придатними відповідями. Одна лаконічна, друга краще сформульована, а в третій перед чесним зізнанням виникає незручна пауза. Автоматичний відбір може бути технічно чистим і драматургічно хибним. Перелік ефектних моментів ще не визначає погляду, який формує сцена.

Тому завданню потрібна драматургічна мета. Знайти момент, коли впевнене пояснення стає непевним; зберегти вдих перед відповіддю; залишити достатньо контексту, щоб не змінити сенс. Варто вимагати таймкоди оригіналу й пояснення кожного вибору. Це наші пропозиції до редакційного завдання, а не перевірені можливості демонстрації.

Вертикальне кадрування додає ще одне рішення: чия реакція важлива? Якщо постійно тримати мовця по центру, можна прибрати слухача, завдяки якому працює сцена. Кадр має зберігати взаємодію, зокрема в моменти без помітної дії.

Перевіряти варто й пропуски. Відбір може виглядати чудово, але залишити поза увагою суперечність, важливе уточнення або правдивіший дубль. Для документальної роботи поруч з обраною послідовністю я хотів би бачити короткий перелік відхилених альтернатив. Тоді незгода стає продуктивною: монтажер розуміє вибір, не переглядаючи знову всі зйомки.

Локальній роботі потрібне чимале оснащення

У супровідному дослідженні Apple використано Mac Studio M5 Ultra з 512 ГБ пам’яті кожен. Квантовані ваги NVFP4 займають близько 493 ГБ без робочої пам’яті, тому потрібні кілька машин. За контексту 8192 токени тензорне розпаралелювання на двох машинах дає 24,99 текстового токена за секунду, на чотирьох — 36,73. Затримка першого токена становить відповідно 8,2 та 4,8 секунди; швидкість декодування виміряно на 128 вихідних токенах.

Це часові показники мовної моделі, а не відтворення відео, рендерингу чи готового монтажу. Для виробничого рішення треба виміряти весь процес: підготовку матеріалу, його перегляд, внесення змін, виправлення помилок і перевірку результату. Швидша відповідь втрачає перевагу, якщо перевіряти її довше, ніж змонтувати самому.

Джерела: Apple Machine Learning Research [6]

Бенчмарк оцінює дію. А чи оцінить він склейку?

Методологія Meta поєднує офіційні рейтинги, внутрішні запуски й окремі результати, заявлені конкурентами. У конфігурації OSWorld-Verified — 361 завдання на робочому столі Ubuntu; Video-MME v2 перевіряє розуміння відео із субтитрами, без аудіо. Ці умови важливі для тлумачення загальних заяв про керування комп’ютером і візуальне міркування.

Жоден із цих показників не відповідає, чи зберігає склейка акторський намір. Для монтажу потрібні два рівні оцінки: чи виконано потрібні операції та чи допомогли вони сцені? Технічно правильне кадрування може прибрати суттєву інформацію. Відшліфована послідовність — пропустити єдину репліку, необхідну глядачеві для розуміння.

Джерела: Meta [7]

Спершу визначте втручання, потім обирайте модель

Resolve уже має спеціалізованих помічників: Blackmagic описує IntelliSearch для пошуку матеріалу за змістом та IntelliScript для складання таймлайна за текстом сценарію. Звичайні інструменти підрізання точно контролюють точки монтажу. Aleph 2.0 від Runway розв’язує інше завдання — змінює зображення всередині готового відео. Ці підходи можуть співіснувати в одному виробництві.

Таблиця нижче — редакційна карта завдань, а не виміряний рейтинг продуктивності. Точна, вже визначена підрізка рідко потребує відкритого процесу міркування. Велика й погано впорядкована папка матеріалу може виграти від допомоги, якщо монтажер здатен простежити кожну рекомендацію до оригіналу.

Джерела: Blackmagic Design [8] · Blackmagic Design [9] · Runway [10]

Відкритим вагам теж потрібен виробничий план

Картка моделі вказує на доступні для завантаження ваги й доступ через сторонніх API-провайдерів. Це різні способи розгортання. Перш ніж обирати, визначте завдання: епізодична допомога з відбором чи стабільний сервіс для щоденних матеріалів студії. Одна демонстрація не визначає витрат і зусиль для обох сценаріїв.

Muse Model License містить вимоги до зазначення походження й використання, а для певних бізнесів, що надають моделі як сервіс, передбачає окрему угоду. Внутрішнє використання розглядається інакше. Тому відкриті ваги не варто називати необмеженим відкритим кодом; команда впровадження має прочитати умови для свого сценарію.

Наше виробниче правило — з’ясувати, куди потрапляють відео, розшифровки й журнали дій, перш ніж передавати клієнтський матеріал. Локальні обчислення — лише частина цієї карти. Агент усе ще може бути підключений до зовнішніх інструментів. Починати варто з копії проєкту, зберігати вихідні файли й перевіряти таймлайн до затвердження експорту.

Джерела: Meta Superintelligence Labs / Hugging Face [2] · Meta [11]

Тест: зберегти паузу, змінити кадр

Ось тест, який ми пропонуємо; його ще не проводили. Взяти шість хвилин власного матеріалу: інтерв’ю, другу камеру й кілька перебивок. Додати навмисну паузу, перервану відповідь і реакцію поза кадром мовця. Спершу монтажер має позначити незамінні моменти, не бачачи вибору агента.

Попросити агента зробити тридцятисекундну вертикальну послідовність, надати посилання на вихідні фрагменти й редагований таймлайн. Потім дати одне зауваження: залишити тишу перед відповіддю та розширити композицію, щоб включити слухача. Решту рішень зберегти. Така правка перевіряє, чи здатна система зрозуміти локальне виправлення, непомітно не перебудувавши сцену.

• Окремо записати час налаштування, самостійної роботи, втручань і перевірки.
• Перевірити сенс, таймкоди джерела, звукову безперервність і збережений проєкт.
• Порахувати прийняті рішення й небажані зміни після правки.

Помічник здобуває довіру кожним рішенням

Наш попередній висновок: є вагома причина дослідити відбір і кадрування під наглядом монтажера, врахувавши серйозні вимоги до обладнання та інтеграції. Наявних даних ще недостатньо, щоб оцінити надійність системи як монтажера. Корисним результатом став би перший варіант, рішення якого легко поставити під сумнів, зберегти або замінити.

Обіцянка стає цікавою з наступним зауваженням. Залишити це вагання. Показати іншу людину. Дати кадру подихати. Монтажний помічник доводить свою цінність тим, наскільки полегшує втілення цих рішень.