في 24 يوليو 2026، أعلنت مايكروسوفت عبر مدونتها Linux and Open Source أنها تفتح مصدر MLVC، أي ML Video Codec. الشيفرة متاحة على github.com/microsoft/mlvc برخصة MIT، ومعها الأوزان المدرَّبة وبرامج التدريب وأدوات التحويل التي تستهدف وحدات المعالجة العصبية المختلفة.
أما البحث الذي يقف خلفه، MLVC: Multi-platform Learned Video Codec for Real-World Deployment، فقد نُشر على arXiv قبل ذلك بشهر.
هذا ليس عرضًا بحثيًا شُغِّل مرة واحدة على معالج رسوميات في مختبر. MLVC هو النسخة المنتَجة من سلسلة DCVC التي تنشرها Microsoft Research منذ 2021، وتقول مايكروسوفت إنه قيد الطرح فعليًا في Microsoft Teams للمكالمات المباشرة بين طرفين، مع قياسات حية واختبارات A/B وتراجع إلى المرمّزات التقليدية حين لا يقوى العتاد أو الشبكة على المهمة.
الرقم المعلن كبير بما يكفي ليستحق تدقيقًا جادًا، وهذا ما يفعله هذا المقال: الأرقام، وما تقيسه فعليًا، وما يوجد حقًا في المستودع، وما إذا كان أي من ذلك يمس منظومة بث هذا العام.
إن أردت النسخة المختصرة أولًا، لدينا تعريف مبسّط لـما هو MLVC في معجم البث لدينا.
الأرقام المعلنة
المقارنة التي نشرتها مايكروسوفت نفسها، عند جودة ذاتية متكافئة:
| الدقة | التوفير مقابل H.264 | التوفير مقابل H.265 |
|---|---|---|
| 360p | 87.8% | 75.5% |
| 540p | 82.7% | 65.4% |
الصيغة الملموسة أسهل في التذكر: مكالمة بدقة 360p و30 إطارًا في الثانية تحتاج إلى 1 ميغابت في الثانية مع H.264، تحتاج نحو 122 كيلوبت في الثانية مع MLVC. أي ما يقارب ثُمن عدد البتات، في الزمن الحقيقي، على وحدة معالجة عصبية في حاسوب محمول.
وننتقل الآن إلى التفاصيل الدقيقة، لأنها تهم كثيرًا.
هذه درجات بشرية وليست PSNR
هذه النسب مبنية على MOS، من اختبار ذاتي وفق ITU-T P.910 قيَّم فيه مشاهدون بشريون المقاطع. والمادة المصدرية هي Video Conferencing Dataset التي بنتها مايكروسوفت وأتاحتها هي الأخرى. أي أن الحديث يدور عن أشخاص أمام كاميرا ويب، بدقة 360p و540p، جرى الحكم عليها بالعين.
وإذا قِيس المرمّز نفسه بمقياس PSNR على مجموعة الاختبار الأوسع في البحث، فإن مكسب BD-rate يستقر عند 52% تقريبًا. رقم كبير جدًا مع ذلك، لكنه ليس 87.8%.
المرجع هو أضعف H.265 يمكن شراؤه
نقطة المقارنة هي H.265 عتاديًا على Intel Quick Sync، لا x265 مضبوطًا جيدًا بإعدادات بطيئة. والمرمّزات العتادية المقيَّدة بزمن استجابة المؤتمرات تمثل الحد الأدنى لما يستطيعه H.265، لا الحد الأقصى.
كما لا توجد في البحث كله أي مقارنة مع AV1 أو VVC. ويوضح المؤلفون السبب: استبعدوا VTM وECM لعدم وجود تطبيقات عتادية استهلاكية لهما، فلا يوجد ما يقارَن به في الزمن الحقيقي. قرار بحثي مفهوم، لكنه يعني أن أحدًا لم يعرض بعد MLVC في مواجهة مرمّز AV1 حديث.
الإنجاز الحقيقي هو الحتمية لا الضغط
هذا هو الجزء الذي طمرته أرقام معدل البت، وهو القصة الهندسية الأكثر إثارة للاهتمام.
تفوقت المرمّزات العصبية على التقليدية في كفاءة الترميز منذ فترة ليست بالقصيرة. لكنها ظلت غير قابلة للنشر، لأنها لم تكن تُفك بشكل موثوق على جهاز غير الذي رمّزها.
يتطلب الترميز الإنتروبي أن يحسب المرمّز والمفكّك احتمالات متطابقة. شغّل الشبكة نفسها على Apple Neural Engine وعلى Qualcomm Hexagon فلن تحصل على نتائج عشرية متطابقة، لأن المصرّفات تختار نوى مختلفة، وتدمج العمليات بطريقة مختلفة، وتقرّب بشكل مختلف. عندها يُفك تدفق البتات إلى بيانات بلا معنى.
ويضع البحث رقمًا على ذلك. فـ DCVC-RT دون قيود يحقق تحسنًا في BD-rate يبلغ نحو 69.6% حين يكون المرمّز والمفكّك على المنصة نفسها. أما عبر المنصات فقيمة BD-rate لديه لانهائية، وهي الطريقة المهذبة للقول إن الفيديو لا يُفك أصلًا.
كيف عالجوا المشكلة
توقف MLVC عن مطالبة الطرفين بالاتفاق بمحض الصدفة. فهو ينقل معاملات المقياس الخاصة بنموذج الإنتروبيا صراحةً عبر الـ hyperprior، بحيث يقرأ الطرفان القيم نفسها من تدفق البتات بدلًا من أن يحسب كل منهما قيمه.
وحول ذلك، أزال الفريق كل ما عداه مما يسبب التباعد. اختفت دوال التنشيط غير المألوفة لصالح ReLU وLeakyReLU مع بوابات ReGLU. ورُفض التكميم بدقة INT8 رفضًا تامًا، لأن الالتفاف بـ INT8 غير قابل للتكرار بين المصنّعين، ولأن رقائق آبل الأقدم تحاكيه بـ FP16 على أي حال. المنظومة كلها تعمل بـ FP16.
وهذا الانضباط يكلّف ضغطًا حقيقيًا. فنسخة DCVC-RT المدرَّبة إدراكيًا تسجل 81.9% حيث يسجل MLVC نسبة 75.5%. تنازلت مايكروسوفت عن نحو ست نقاط من BD-rate مقابل الحصول على مرمّز يُفك على عتاد لا تملكه.
وبالنسبة لأي شخص أدخل الفيديو إلى الإنتاج فعلًا، هذه بوضوح هي المقايضة الصحيحة، وهي المرة الأولى التي ينجح فيها مرمّز متعلّم في عقدها.
ما يوجد فعلًا في المستودع
يستحق النظر المباشر، لأن المستودع يروي قصة مختلفة قليلًا عن الإعلان.
أُنشئ المستودع في 28 يناير 2026 وظل ستة أشهر لا يحتوي سوى رخصة ومسودة README وملفات الحوكمة المعتادة لدى مايكروسوفت. أما الشيفرة الفعلية فوصلت في 22 يوليو ضمن إيداع واحد بعنوان "Hello MLVC"، دفعه Tanel Pärnamaa، المؤلف الأول للبحث. وحتى كتابة هذه السطور، هناك 8 إيداعات و189 نجمة و10 نسخ متفرعة، ولا توجد أي إصدارات موسومة على الإطلاق.
إذن هذه شيفرة أُلقيت دفعة واحدة، لا مشروع طُوِّر في العلن. وهذا ليس انتقادًا، بل مجرد التوقع الصحيح. والمسائل الأربع المفتوحة كلها تحديثات من Dependabot لحزم transformers وjupyterlab وcryptography. أما المساهمة الخارجية الوحيدة التي دُمجت حتى الآن فهي إصلاح من سطر واحد يضيف #include <cstdint> إلى EntropyCoder.h كي يُبنى مرمّز الإنتروبيا المكتوب بـ C++ على GCC 13 وإصدارات Clang الحديثة. صغير، لكنه مؤشر جيد: حاول شخص من خارج مايكروسوفت تصريفه خلال أيام، ودمجت مايكروسوفت الرقعة.
ما الذي تحصل عليه
- أربع نقاط تحقق. نسخة MLVC الكاملة بـ 18.3 مليون معامل، ونسخة MLVC-S الأخف بـ 5.4 مليون، كل منهما بصيغة محسَّنة لـ PSNR وأخرى محسَّنة إدراكيًا. والنسخ الإدراكية مدرَّبة بـ LPIPS وقناع تجزئة للوجوه، وهو ما يكشف تمامًا الغرض الذي بُنيت له.
- خط التدريب كاملًا، لنموذجَي الصورة والفيديو معًا، مُدارًا بملفات إعداد YAML. كما وثّقت مايكروسوفت كيفية جمع بيانات التدريب، وهو أكثر مما تفعله معظم الإصدارات.
- أدوات التصدير التي تحوّل النموذج إلى CoreML لأجهزة آبل، وONNX لإنتل وOpenVINO، وQNN لكوالكوم، بأبعاد إدخال ثابتة. وبيئات التشغيل المدعومة هي ONNX Runtime على المعالج وبطاقة الرسوميات، وONNX Runtime QNN، وOpenVINO، وWindows ML.
- مرمّز إنتروبيا rANS بلغة C++ في
packages/msrtc_ransمع روابط بايثون، إضافة إلى أدوات قياس تحسب BD-rate وMS-SSIM وLPIPS وVIF وDeQA.
وما لا تحصل عليه هو مكتبة مرمّز بلغة C++ يمكن ربطها داخل تطبيق. تقول مايكروسوفت إنها ستأتي في إصدار لاحق. أما اليوم فالواجهة القابلة للاستخدام هي بايثون، وتحتاج إلى Python 3.12 أو 3.13 وإلى uv لتثبيتها.
أين تستقر معدلات الإطارات فعليًا
السرعة هي سبب أهمية الأمر، ولذلك يهم سُلَّم الدقات. وفيما يلي إنتاجية الترميز كما وردت في البحث:
| الدقة | MLVC على Apple M3 Pro | MLVC، متوسط ثلاث شركات | MLVC-S على Apple M3 Pro |
|---|---|---|---|
| 360p | 129.5 إطارًا/ث | 103 إطارًا/ث | غير منشور |
| 540p | 65.7 إطارًا/ث | 49 إطارًا/ث | غير منشور |
| 720p | 33.8 إطارًا/ث | غير منشور | 83.8 إطارًا/ث |
| 1080p | 15.6 إطارًا/ث | غير منشور | 39.5 إطارًا/ث |
ويسير فك الترميز أبطأ من الترميز ببضعة إطارات في الثانية على امتداد الجدول. وعلى Intel Lunar Lake يبلغ رقم 1080p نحو 10.5 إطارًا في الثانية، والشركات الثلاث المختبَرة هي آبل M3 وM4، وIntel Lunar Lake، وQualcomm Snapdragon X Elite.
الخلاصة الصادقة: ما يمكن تسليمه فعلًا هو 540p عند 30 إطارًا في الثانية، على الشركات الثلاث جميعًا، وبأقل من نصف طاقة وحدة المعالجة العصبية. أما 1080p في الزمن الحقيقي فلا يوجد إلا على النموذج المخفَّف، على أجهزة آبل، وفي اتجاه واحد. ويشير البحث كذلك إلى أن الترميز وفك الترميز في آن واحد على جهاز واحد عند 1080p فما فوق لا يزال مشكلة، وهو تحديدًا ما تحتاجه المكالمة ثنائية الاتجاه.
وخارطة طريق مايكروسوفت تتبع ذلك: أولًا تثبيت 540p وتحسين المقاومة للفقد، ثم 1080p وسيناريوهات بث أوسع.
لماذا لا يمكنك إدراجه في سُلَّم البث
لم تكن كفاءة الضغط يومًا هي ما يحدد مصير مرمّز في عالم البث. المفكّكات هي التي تحدده.
كتبنا مقالًا كاملًا عن كيف لم يصبح HEVC المستقبل الذي وُعد به، وكان السبب هو التراخيص ودعم الأجهزة، لا أدوات الترميز. ولم يبدأ AV1 يعني شيئًا لعمليات النشر الحقيقية إلا حين زُوِّدت الهواتف بمفكّكات عتادية له.
الصيغة هي الأوزان نفسها
ويواجه MLVC نسخة أقسى من تلك المشكلة. فلا يوجد معيار لتدفق بتات MLVC، لأن الأوزان المدرَّبة هي الصيغة. ولا يستطيع فك أي تدفق إلا جهاز يحمل النموذج نفسه تمامًا الذي رمّزه، ويشغّله بدقة كافية لإعادة إنتاج العمليات الحسابية.
لا تدفقات مطابقة، ولا نوع MIME. لا رواية عن التغليف ولا عن إدارة الحقوق الرقمية، ولا شيء في تلفاز ذكي أو جهاز استقبال أو متصفح يستطيع تشغيله. تستطيع شبكة توزيع المحتوى لديك نقله، ثم لا يوجد في الطرف الآخر ما يفتحه.
هذا المحتوى ليس محتواك
الأرقام اللافتة مصدرها لقطات ثابتة لرؤوس متحدثة بدقة منخفضة، بنموذج دُرِّب على الوجوه عبر قناع لمنطقة الاهتمام. أما الرياضة وحُبيبات الفيلم والتحريك السريع للكاميرا والحركة الكثيفة فهي تحديدًا حيث تثبت المرمّزات التقليدية جدوى قواعدها الاستدلالية، والبحث لا يدّعي شيئًا في هذا الشأن.
بل إنه يقيس نقطة ضعف واحدة رقميًا: تكلّف آلية المرجع بعيد المدى نحو نقطتين مئويتين من BD-rate عند التغيرات المفاجئة في المشاهد، ويجري تخفيفها بكشف القطع أثناء التشغيل الفعلي. والفيلم في معظمه تغيّرات مشاهد.
ولم يقس أحد استهلاك الطاقة
هذا هو القيد الذي يختم به البحث نفسه. يقول المؤلفون إن الزمن الحقيقي قد حُسم، ومن ثم فاستهلاك الطاقة هو الجبهة التالية. وتشغيل شبكة عصبية على وحدة المعالجة العصبية لكل إطار في فيلم مدته ساعتان، على جهاز يعمل بالبطارية، أمر مختلف تمامًا عن مفكّك ثابت الوظيفة جرى تحسينه على مدى عقد كامل.
أين يكون منطقيًا اليوم
في كل موضع يكون فيه الطرفان حاسوبين تتحكم بهما، ويكون القيد فيه هو الشبكة لا الرقاقة.
وهذا يعني مؤتمرات الفيديو أولًا، ولهذا كان Teams هو مركبة الإطلاق. ويعني كذلك وصلات التغذية عبر روابط صاعدة رديئة، والإنتاج عن بُعد، والطائرات المسيّرة والروبوتات ووصلات المراقبة، وألعاب السحابة والتصيير عن بُعد. وتطلب مايكروسوفت المساعدة صراحةً في كل هذه المجالات ضمن إعلانها، إلى جانب البث والفيديو حسب الطلب، فضلًا عن عمليات النقل التي توسّع تغطية وحدات المعالجة العصبية.
إن كنت تبني شيئًا يعمل في الزمن الحقيقي وبين طرفين مباشرين على عتاد حديث، فالأمر يستحق بعد ظهيرة من وقتك الآن. وإن كنت تدير خدمة OTT فلا.
الجزء الذي ينبغي أن يقلق أهل المرمّزات فعلًا
ليس نسبة 75%، بل الميل.
تقول مايكروسوفت إن كفاءة ترميز MLVC تتحسن بزيادة سعة النموذج وحوسبة التدريب، تمامًا كما فعلت سائر أنظمة التعلم الآلي في السنوات الأخيرة.
تتحسن المرمّزات التقليدية بنحو 30 إلى 50% في كل جيل، والجيل الواحد يستغرق ما يقارب عقدًا من العمل المعياري، يليه سنوات من انتظار العتاد، يليها خلاف حول تجمعات براءات الاختراع. فإذا ظل مرمّز متعلّم يتحسن كلما وُجِّهت إليه حوسبة أكبر، وكان يعمل على وحدات معالجة عصبية موجودة أصلًا في كل شيء، فإن شكل تلك المنافسة يتغير.
وهو مرخَّص بـ MIT، وهو ما يزيل بهدوء العامل الآخر الذي قضى على HEVC. كما أنه يتحول إلى مسألة هندسية عادية: تُصدر نسخة من النموذج، وتتفاوض عليها كما تتفاوض على مرمّز، وتتراجع حين يعجز الطرف الآخر عن تشغيلها.
لا شيء من ذلك يحدث هذا العام. فالمسافة بين "يعمل بدقة 540p على جهاز M3 لدي" و"يُعرض على تلفاز عمره خمس سنوات في غرفة معيشة" هي المسافة نفسها التي استغرق كل مرمّز خمسة عشر عامًا لقطعها. ومع ذلك، مضى وقت طويل منذ صار الضغط مثيرًا بما يكفي لقراءة بحث عنه، وهذا البحث يستحق ساعة من وقتك.
ما العمل إذن
لا شيء يتغير في سُلَّم الترميز لديك. واصل تقديم H.264 لأوسع انتشار، وHEVC وAV1 حيث تدعمها الأجهزة، وعُد إلى الموضوع حين تتحقق ثلاثة أمور:
- دقة 1080p في الزمن الحقيقي على النموذج الكامل، لا على MLVC-S في أجهزة آبل وحدها.
- مكتبة C++ يمكن ربطها فعليًا داخل منتج.
- ظهور أي مفكّك خارج منتجات مايكروسوفت نفسها.
استنسخ المستودع إن كنت فضوليًا، فخط التدريب والتحليل العابر للمنصات مفيدان سواء أصدرت يومًا مرمّزًا عصبيًا أم لا. والملحق الذي يشرح سبب تباعد التكميم بدقة INT8 بين المصنّعين شرح مكثّف لمشكلة تحتاج عادةً إلى مساحة أكبر بكثير.
أسئلة شائعة
هل MLVC مجاني الاستخدام؟
نعم. أصدرته مايكروسوفت برخصة MIT، وهي تشمل شيفرة النموذج والأوزان المدرَّبة وبرامج التدريب. ولا يرتبط به أي تجمع لبراءات الاختراع، وهو فارق مهم عن HEVC.
هل أستطيع بث MLVC إلى تلفاز ذكي أو متصفح؟
لا. يتطلب فك الترميز جهازًا قادرًا على تشغيل الشبكة العصبية، ويحمل النموذج نفسه تمامًا الذي رمّز التدفق. ولا يوجد اليوم تلفاز أو جهاز استقبال أو هاتف أو متصفح يحتوي مفكّك MLVC، ولا يوجد معيار لتدفق البتات يمكنها تنفيذه.
كم يوفر MLVC من عرض النطاق فعليًا؟
تعلن مايكروسوفت انخفاضًا في معدل البت بنسبة 87.8% مقارنة بـ H.264 و75.5% مقارنة بـ H.265 العتادي عند دقة 360p، وفق تقييم مشاهدين بشريين بموجب ITU-T P.910. وبالقياس عبر PSNR على مجموعة اختبار أوسع يقترب التوفير من 52%. والرقمان كلاهما مقارنة بمرمّزات عتادية على محتوى مؤتمرات فيديو.
ما العتاد الذي يحتاجه MLVC؟
وحدة معالجة عصبية. اختبرت مايكروسوفت Apple Neural Engine على M3 وM4، وIntel Lunar Lake، وQualcomm Snapdragon X Elite، وتفيد بتحقيق 540p عند 30 إطارًا في الثانية في الزمن الحقيقي على الثلاثة، وبأقل من نصف طاقة الوحدة.
هل MLVC أفضل من AV1؟
لم ينشر أحد هذه المقارنة. فالبحث يقيس مقابل H.264 وH.265 فقط، ويستبعد AV1 وVVC وECM لعدم وجود تطبيقات عتادية استهلاكية لها تُقارن بها في الزمن الحقيقي.
ما الفرق بين MLVC وDCVC؟
DCVC هي سلسلة المرمّزات العصبية التي تنشرها Microsoft Research منذ 2021. أما MLVC فهو النسخة المنتَجة منها، ويقايض نحو ست نقاط من كفاءة الضغط مقابل القدرة على فك الترميز بشكل موثوق على وحدات معالجة عصبية من مصنّعين مختلفين.
تحتاج مساعدة في تقدير ما يعنيه هذا لمنظومتك؟
قرارات المرمّزات باهظة حين تخطئ، ومعظم الكلفة تظهر بعد سنوات في دعم الأجهزة والتراخيص، لا في معدل البت. لقد أنجز خبراء البث والإرسال لدينا مرمّزات وسلالم ترميز ومنظومات توزيع على نطاق واسع، ويمكنك عرض المشكلة التي تواجهها فعليًا على أحدهم مباشرة.