سولاریس؛ سیستمعاملی که اپ رو همون لحظه میسازه
هوش مصنوعی
فرانتاندخلاصهٔ کاملتر
رانوی از سولاریس رونمایی کرده و میگه این اولین مدل از خانوادهایه به اسم Interface World Model (یعنی مدلی که خودِ رابط کاربری رو مثل یه دنیای زندهٔ تعاملی تولید میکنه). حرف اصلی مقاله اینه: تو نرمافزار امروز، طرح بصری اول باید به یه نمایش میانی مثل کد ترجمه بشه تا کار کنه، و همین ترجمه هم بخشی از جزئیات تصویری رو از بین میبره، هم رفتار برنامه رو محدود میکنه به همون چیزهایی که برنامهنویس از قبل پیشبینی کرده.
سولاریس اون مرحلهٔ ترجمه رو کلاً حذف میکنه. یه world model واحد هر فریم رو تولید میکنه و ورودی کاربر (کلیک، درگ، تایپ) رو هم دقیقاً مثل متن یا تصویر، شرطِ ساختن فریم بعدی حساب میکنه. چون مدل فقط تعاملهای انجامشده رو میبینه، خودش رابطهٔ بین کار کاربر و نتیجهٔ تصویری رو یاد میگیره. کنارش یه مدل زبانی تصمیم میگیره صحنه چطور جلو بره: یکی فکر میکنه، اون یکی رندر میکنه.
از نظر فنی سولاریس روی مدل ویدیویی Gen-4.5 خودِ رانوی سواره و سه مرحله طی کرده تا بلادرنگ بشه: تولید خودبازگشتی فریمها، تقطیر دهها گام نویززدایی به چند گام، و آموزش مدل سریع روی خروجی خودش تا کیفیت تو تعامل طولانی افت نکنه. هدف، تعامل زیر نیمثانیه و کیفیت ۷۲۰p بوده، چون به گفتهٔ رانوی بالاتر از نیمثانیه تأخیر، حس تعاملی بودن از بین میره.
برای ارزیابی دو آزمایش انجام شده. اول ۳۰ رابط رو دادن به مدلهای چندوجهی تا از روی یه اسکرینشات بازسازیشون کنن، و با SSIM و ویژگیهای DINOv3 نشون دادن هرچی صحنه پیچیدهتر میشه، اطلاعات بیشتری موقع ترجمه به زبان از بین میره. دوم یه مطالعهٔ کاربری با ۲۵۰ نفر و نزدیک ۷۵۰۰ قضاوت زوجی: سولاریس تو پیروی از دستور ۶۱٪ به ۲۴٪ و تو طبیعیبودن رفتار ۷۱٪ به ۲۱٪ جلو بوده.
خود رانوی هم میگه چند مشکل جدی باز مونده. متن پایدار و خوانا یکی از سختترین بخشهای تولید ویدیوئه و راهحل فعلیشون یه سیستم ترکیبیه که صفحههای پرمتن رو مدل تصویری بکشه. اعتماد هم مسئلهست، چون یه جواب قانعکنندهٔ غلط از نبودِ جواب بدتره. حفظ انسجام تو جلسههای طولانی و سازگاری با ابزارهای دسترسپذیری مثل screen reader هم هنوز حل نشده. فعلاً هم دسترسی فقط با فرم درخواست زودهنگامه.
نکات کلیدی:
- سولاریس هر فریم رابط رو همون لحظه تولید میکنه و هیچ کد یا صفحهٔ از پیش ساختهشدهای وسط نیست
- پایهش مدل ویدیویی Gen-4.5 رانویه، با هدف کیفیت ۷۲۰p و تأخیر زیر نیمثانیه
- تو مطالعهٔ ۲۵۰ نفره با ۷۵۰۰ قضاوت زوجی، ۷۱٪ آرا رفتار سولاریس رو طبیعیتر از رابط کدنویسیشده دونستن
- متن خوانا، انسجام تو جلسههای طولانی و پشتیبانی از screen reader هنوز حلنشدهست
- انتشار عمومی نداره و دسترسی از راه فرم درخواست زودهنگام انجام میشه
