لماذا يخطئ فيديو الذكاء الاصطناعي أحيانًا

صعود نماذج الفيديو التوليدية الصينية

إذا كان عام 2022 يمثل العام الذي استحوذ فيه الذكاء الاصطناعي التوليدي حقًا على خيال الجمهور، فإن عام 2025 يتشكل ليكون العام الذي تحتل فيه موجة جديدة من أطر الفيديو التوليدية من الصين مركز الصدارة.

أحدث فيديو Hunyuan من Tencent بالفعل موجات كبيرة في مجتمع هواة الذكاء الاصطناعي. يسمح إصداره مفتوح المصدر لنموذج انتشار الفيديو الكامل للمستخدمين بتخصيص التكنولوجيا لاحتياجاتهم الخاصة.

يتبع ذلك عن كثب Wan 2.1 من Alibaba، الذي تم إصداره مؤخرًا. يبرز هذا النموذج كواحد من أقوى حلول البرامج المجانية والمفتوحة المصدر (FOSS) لتحويل الصور إلى فيديو المتاحة حاليًا، وهو يدعم الآن التخصيص من خلال Wan LoRAs.

بالإضافة إلى هذه التطورات، نتوقع أيضًا إصدار مجموعة VACE الشاملة لإنشاء وتحرير الفيديو من Alibaba، جنبًا إلى جنب مع توفر النموذج الأساسي الذي يركز على الإنسان SkyReels.

مشهد أبحاث الذكاء الاصطناعي للفيديو التوليدي متفجر بنفس القدر. لا يزال شهر مارس مبكرًا، ومع ذلك بلغ إجمالي عمليات الإرسال يوم الثلاثاء إلى قسم Computer Vision في Arxiv (مركز رئيسي لأوراق الذكاء الاصطناعي التوليدية) ما يقرب من 350 إدخالًا - وهو رقم يُرى عادةً خلال ذروة موسم المؤتمرات.

تميز العامان اللذان انقضيا منذ إطلاق Stable Diffusion في صيف عام 2022 (والتطوير اللاحق لطرق تخصيص Dreambooth و LoRA) بنقص نسبي في الاختراقات الكبرى. ومع ذلك، شهدت الأسابيع القليلة الماضية طفرة في الإصدارات والابتكارات الجديدة، التي تصل بوتيرة سريعة لدرجة أنه يكاد يكون من المستحيل البقاء على اطلاع كامل، ناهيك عن تغطية كل شيء بشكل شامل.

حل الاتساق الزمني، ولكن تظهر تحديات جديدة

نجحت نماذج انتشار الفيديو مثل Hunyuan و Wan 2.1، أخيرًا، في معالجة مشكلة الاتساق الزمني. بعد سنوات من المحاولات غير الناجحة من مئات المبادرات البحثية، حلت هذه النماذج إلى حد كبير التحديات المتعلقة بتوليد بشر وبيئات وأشياء متسقة بمرور الوقت.

ليس هناك شك في أن استوديوهات المؤثرات البصرية (VFX) تخصص بنشاط الموظفين والموارد لتكييف نماذج الفيديو الصينية الجديدة هذه. هدفهم المباشر هو معالجة التحديات الملحة مثل تبديل الوجوه، على الرغم من الغياب الحالي لآليات مساعدة على غرار ControlNet لهذه الأنظمة.

يجب أن يكون من دواعي الارتياح الكبير أن مثل هذه العقبة الهامة قد تم التغلب عليها، حتى لو لم يكن ذلك من خلال القنوات المتوقعة.

ومع ذلك، من بين المشاكل المتبقية، تبرز مشكلة واحدة على أنها مهمة بشكل خاص:

جميع أنظمة تحويل النص إلى فيديو والصورة إلى فيديو المتاحة حاليًا، بما في ذلك النماذج التجارية المغلقة المصدر، لديها ميل لإنتاج أخطاء تتحدى الفيزياء. يظهر المثال أعلاه صخرة تتدحرج صعودًا، تم إنشاؤها من العبارة: ‘A small rock tumbles down a steep, rocky hillside, displacing soil and small stones’.

لماذا تخطئ مقاطع فيديو الذكاء الاصطناعي في الفيزياء؟

تقترح إحدى النظريات، التي تم اقتراحها مؤخرًا في تعاون أكاديمي بين Alibaba والإمارات العربية المتحدة، أن النماذج قد تتعلم بطريقة تعيق فهمها للترتيب الزمني. حتى عند التدريب على مقاطع الفيديو (التي يتم تقسيمها إلى تسلسلات إطارات فردية للتدريب)، قد لا تفهم النماذج بطبيعتها التسلسل الصحيح لصور ‘قبل’ و ‘بعد’.

ومع ذلك، فإن التفسير الأكثر منطقية هو أن النماذج المعنية قد استخدمت إجراءات زيادة البيانات. تتضمن هذه الإجراءات تعريض النموذج لمقطع تدريب مصدر للأمام و للخلف، مما يضاعف بشكل فعال بيانات التدريب.

من المعروف منذ بعض الوقت أنه لا ينبغي القيام بذلك بشكل عشوائي. في حين أن بعض الحركات تعمل في الاتجاه المعاكس، فإن الكثير منها لا يعمل. هدفت دراسة أجريت عام 2019 من جامعة بريستول في المملكة المتحدة إلى تطوير طريقة للتمييز بين مقاطع الفيديو المتغيرة، الثابتة، و غير القابلة للعكس ضمن مجموعة بيانات واحدة. كان الهدف هو تصفية المقاطع غير المناسبة من إجراءات زيادة البيانات.

أوضح مؤلفو هذا العمل المشكلة بوضوح:

‘نجد أن واقعية مقاطع الفيديو المعكوسة تخونها القطع الأثرية العكسية، وهي جوانب من المشهد لن تكون ممكنة في عالم طبيعي. بعض القطع الأثرية دقيقة، في حين أن البعض الآخر يسهل اكتشافه، مثل حركة ‘رمي’ معكوسة حيث يرتفع الجسم المرمي تلقائيًا من الأرض.

‘نلاحظ نوعين من القطع الأثرية العكسية، المادية، تلك التي تظهر انتهاكات لقوانين الطبيعة، وغير المحتملة، تلك التي تصور سيناريو ممكنًا ولكنه غير مرجح. هذه ليست حصرية، والعديد من الإجراءات المعكوسة تعاني من كلا النوعين من القطع الأثرية، مثل فك تجعيد قطعة من الورق.

‘تشمل أمثلة القطع الأثرية المادية ما يلي: الجاذبية المقلوبة (مثل ‘إسقاط شيء ما’)، والنبضات العفوية على الأشياء (مثل ‘تدوير قلم’)، وتغييرات الحالة التي لا رجعة فيها (مثل ‘حرق شمعة’). مثال على قطعة أثرية غير محتملة: أخذ طبق من الخزانة وتجفيفه ووضعه على رف التجفيف.

‘هذا النوع من إعادة استخدام البيانات شائع جدًا في وقت التدريب، ويمكن أن يكون مفيدًا - على سبيل المثال، في التأكد من أن النموذج لا يتعلم سوى عرض واحد لصورة أو كائن يمكن قلبه أو تدويره دون فقدان تماسكه ومنطقه المركزيين.

‘هذا يعمل فقط مع الكائنات المتماثلة حقًا، بالطبع؛ وتعلم الفيزياء من فيديو ‘معكوس’ يعمل فقط إذا كان الإصدار المعكوس منطقيًا مثل الإصدار الأمامي.’

ليس لدينا دليل ملموس على أن أنظمة مثل Hunyuan Video و Wan 2.1 سمحت بمقاطع ‘معكوسة’ عشوائية أثناء التدريب (لم تكن أي من مجموعتي البحث محددة بشأن إجراءات زيادة البيانات الخاصة بهما).

ومع ذلك، بالنظر إلى التقارير العديدة (وتجربتي العملية الخاصة)، فإن التفسير المعقول الآخر الوحيد هو أن مجموعات البيانات فائقة النطاق التي تشغل هذه النماذج قد تحتوي على مقاطع تتميز حقًا بحركات تحدث في الاتجاه المعاكس.

تم إنشاء الصخرة في مثال الفيديو المضمن سابقًا باستخدام Wan 2.1. وقد ظهرت في دراسة جديدة تبحث في مدى تعامل نماذج انتشار الفيديو مع الفيزياء.

في اختبارات هذا المشروع، حقق Wan 2.1 درجة 22٪ فقط في قدرته على الالتزام باستمرار بالقوانين الفيزيائية.

والمثير للدهشة أن هذه هي أفضل نتيجة بين جميع الأنظمة التي تم اختبارها، مما يشير إلى أننا ربما حددنا العقبة الرئيسية التالية للذكاء الاصطناعي للفيديو:

تقديم VideoPhy-2: معيار جديد للمنطق السليم الفيزيائي

طور مؤلفو العمل الجديد نظام قياس، وهو الآن في تكراره الثاني، يسمى VideoPhy. الكود متاح على GitHub.

في حين أن نطاق العمل واسع جدًا بحيث لا يمكن تغطيته بشكل شامل هنا، دعنا نفحص منهجيته وإمكاناته لوضع مقياس يمكن أن يوجه جلسات تدريب النماذج المستقبلية بعيدًا عن هذه الحالات الغريبة من الانعكاس.

الدراسة، التي أجراها ستة باحثين من UCLA و Google Research، بعنوان VideoPhy-2: A Challenging Action-Centric Physical Commonsense Evaluation in Video Generation. يتوفر أيضًا موقع مشروع مصاحب شامل، جنبًا إلى جنب مع التعليمات البرمجية ومجموعات البيانات على GitHub، وعارض مجموعة البيانات على Hugging Face.

يصف المؤلفون الإصدار الأخير، VideoPhy-2، بأنه ‘مجموعة بيانات تقييم منطقية صعبة للإجراءات الواقعية’. تتميز المجموعة بـ 197 إجراءً عبر مجموعة من الأنشطة البدنية المتنوعة، بما في ذلك hula-hooping، الجمباز، و التنس، بالإضافة إلى تفاعلات الكائنات مثل ثني كائن حتى ينكسر.

يتم استخدام نموذج لغة كبير (LLM) لإنشاء 3840 مطالبة من إجراءات البذور هذه. ثم يتم استخدام هذه المطالبات لتجميع مقاطع الفيديو باستخدام الأطر المختلفة التي يتم اختبارها.

طوال العملية، قام المؤلفون بتجميع قائمة بالقواعد والقوانين الفيزيائية ‘المرشحة’ التي يجب أن تلتزم بها مقاطع الفيديو التي تم إنشاؤها بواسطة الذكاء الاصطناعي، باستخدام نماذج الرؤية واللغة للتقييم.

يذكر المؤلفون:

‘على سبيل المثال، في مقطع فيديو لرياضي يلعب التنس، ستكون القاعدة الفيزيائية هي أن كرة التنس يجب أن تتبع مسارًا مكافئًا تحت الجاذبية. للحصول على أحكام قياسية ذهبية، نطلب من المعلقين البشريين تسجيل كل مقطع فيديو بناءً على الالتزام الدلالي العام والمنطق السليم الفيزيائي، وتحديد مدى امتثاله للقواعد الفيزيائية المختلفة.’

تنظيم الإجراءات وتوليد المطالبات

في البداية، قام الباحثون بتنظيم مجموعة من الإجراءات لتقييم المنطق السليم الفيزيائي في مقاطع الفيديو التي تم إنشاؤها بواسطة الذكاء الاصطناعي. بدأوا بأكثر من 600 إجراء مصدرها مجموعات بيانات Kinetics و UCF-101 و SSv2، مع التركيز على الأنشطة التي تنطوي على الرياضة وتفاعلات الكائنات والفيزياء الواقعية.

قامت مجموعتان مستقلتان من المعلقين الطلاب المدربين على العلوم والتكنولوجيا والهندسة والرياضيات (STEM) (بحد أدنى من التأهيل الجامعي) بمراجعة القائمة وتصفيتها. لقد اختاروا الإجراءات التي اختبرت مبادئ مثل الجاذبية، الزخم، و المرونة، مع إزالة المهام منخفضة الحركة مثل الكتابة، مداعبة قطة، أو المضغ.

بعد مزيد من التحسين باستخدام Gemini-2.0-Flash-Exp لإزالة التكرارات، تضمنت مجموعة البيانات النهائية 197 إجراءً. 54 منها تنطوي على تفاعلات الكائنات، و 143 تركز على الأنشطة البدنية والرياضية:

في المرحلة الثانية، استخدم الباحثون Gemini-2.0-Flash-Exp لإنشاء 20 مطالبة لكل إجراء في مجموعة البيانات، مما أدى إلى ما مجموعه 3940 مطالبة. ركزت عملية التوليد على التفاعلات الفيزيائية المرئية التي يمكن تمثيلها بوضوح في مقطع فيديو تم إنشاؤه. استبعد هذا العناصر غير المرئية مثل العواطف، التفاصيل الحسية، و اللغة المجردة، ولكنه دمج شخصيات وأشياء متنوعة.

على سبيل المثال، بدلاً من مطالبة بسيطة مثل ‘An archer releases the arrow’، تم توجيه النموذج لإنتاج نسخة أكثر تفصيلاً مثل ‘An archer draws the bowstring back to full tension, then releases the arrow, which flies straight and strikes a bullseye on a paper target’.

نظرًا لأن نماذج الفيديو الحديثة يمكنها تفسير الأوصاف الأطول، قام الباحثون بتحسين التسميات التوضيحية باستخدام أداة رفع مستوى المطالبة Mistral-NeMo-12B-Instruct. أضاف هذا تفاصيل مرئية دون تغيير المعنى الأصلي.

اشتقاق القواعد الفيزيائية وتحديد الإجراءات الصعبة

بالنسبة للمرحلة الثالثة، تم اشتقاق القواعد الفيزيائية ليس من المطالبات النصية ولكن من مقاطع الفيديو التي تم إنشاؤها. هذا لأن النماذج التوليدية يمكن أن تكافح للالتزام بالمطالبات النصية المشروطة.

تم إنشاء مقاطع الفيديو أولاً باستخدام مطالبات VideoPhy-2، ثم ‘تمت تسميتها’ باستخدام Gemini-2.0-Flash-Exp لاستخراج التفاصيل الرئيسية. اقترح النموذج ثلاث قواعد فيزيائية متوقعة لكل مقطع فيديو. قام المعلقون البشريون بمراجعة هذه القواعد وتوسيعها من خلال تحديد الانتهاكات المحتملة الإضافية.

بعد ذلك، لتحديد الإجراءات الأكثر تحديًا، قام الباحثون بإنشاء مقاطع فيديو باستخدام CogVideoX-5B مع مطالبات من مجموعة بيانات VideoPhy-2. ثم اختاروا 60 من أصل 197 إجراءً حيث فشل النموذج باستمرار في اتباع كل من المطالبات والمنطق السليم الفيزيائي الأساسي.

تضمنت هذه الإجراءات تفاعلات غنية بالفيزياء مثل نقل الزخم في رمي القرص، وتغييرات الحالة مثل ثني كائن حتى ينكسر، ومهام الموازنة مثل المشي على الحبل المشدود، والحركات المعقدة التي تضمنت الشقلبات الخلفية، والقفز بالزانة، ورمي البيتزا، من بين أمور أخرى. في المجموع، تم اختيار 1200 مطالبة لزيادة صعوبة مجموعة البيانات الفرعية.

مجموعة بيانات VideoPhy-2: مورد تقييم شامل

تتألف مجموعة البيانات الناتجة من 3940 تسمية توضيحية - 5.72 مرة أكثر من الإصدار السابق من VideoPhy. يبلغ متوسط طول التسميات التوضيحية الأصلية 16 رمزًا، بينما تصل التسميات التوضيحية التي تم رفع مستواها إلى 138 رمزًا - 1.88 مرة و 16.2 مرة أطول، على التوالي.

تتميز مجموعة البيانات أيضًا بـ 102000 تعليق توضيحي بشري يغطي الالتزام الدلالي والمنطق السليم الفيزيائي وانتهاكات القواعد عبر نماذج توليد فيديو متعددة.

تحديد معايير التقييم والتعليقات التوضيحية البشرية

ثم حدد الباحثون معايير واضحة لتقييم مقاطع الفيديو. كان الهدف الرئيسي هو تقييم مدى تطابق كل مقطع فيديو مع مطالبة الإدخال الخاصة به واتباع المبادئ الفيزيائية الأساسية.

بدلاً من مجرد ترتيب مقاطع الفيديو حسب التفضيل، استخدموا ملاحظات قائمة على التصنيف لالتقاط النجاحات والإخفاقات المحددة. سجل المعلقون البشريون مقاطع الفيديو على مقياس من خمس نقاط، مما يسمح بإصدار أحكام أكثر تفصيلاً. تحقق التقييم أيضًا مما إذا كانت مقاطع الفيديو تتبع القواعد والقوانين الفيزيائية المختلفة.

بالنسبة للتقييم البشري، تم اختيار مجموعة من 12 معلقًا من التجارب على Amazon Mechanical Turk (AMT) وقدموا تقييمات بعد تلقي تعليمات مفصلة عن بُعد. من أجل الإنصاف، تم تقييم الالتزام الدلالي و المنطق السليم الفيزيائي بشكل منفصل (في دراسة VideoPhy الأصلية، تم تقييمهما بشكل مشترك).

قام المعلقون أولاً بتقييم مدى تطابق مقاطع الفيديو مع مطالبات الإدخال الخاصة بهم، ثم قاموا بتقييم المعقولية الفيزيائية بشكل منفصل، وتسجيل انتهاكات القواعد والواقعية الشاملة على مقياس من خمس نقاط. تم عرض المطالبات الأصلية فقط، للحفاظ على مقارنة عادلة عبر النماذج.

التقييم الآلي: نحو تقييم نموذج قابل للتطوير

على الرغم من أن الحكم البشري يظل المعيار الذهبي، إلا أنه مكلف ويأتي مع العديد من المحاذير. لذلك، يعد التقييم الآلي ضروريًا لتقييمات النماذج الأسرع والأكثر قابلية للتطوير.

اختبر مؤلفو الورقة العديد من نماذج الفيديو واللغة، بما في ذلك Gemini-2.0-Flash-Exp و VideoScore، على قدرتهم على تسجيل مقاطع الفيديو للدقة الدلالية و ‘المنطق السليم الفيزيائي’.

قامت النماذج مرة أخرى بتقييم كل مقطع فيديو على مقياس من خمس نقاط. حددت مهمة تصنيف منفصلة ما إذا كانت القواعد الفيزيائية متبعة أو منتهكة أو غير واضحة.

أظهرت التجارب أن نماذج الفيديو واللغة الحالية كافحت لمطابقة الأحكام البشرية، ويرجع ذلك أساسًا إلى ضعف التفكير الفيزيائي وتعقيد المطالبات. لتحسين التقييم الآلي، طور الباحثون VideoPhy-2-Autoeval، وهو نموذج 7B-parameter مصمم لتوفير تنبؤات أكثر دقة عبر ثلاث فئات: الالتزام الدلالي؛ المنطق السليم الفيزيائي؛ و الامتثال للقواعد. تم ضبطه بدقة على نموذج VideoCon-Physics باستخدام 50000 تعليق توضيحي بشري*.

اختبار أنظمة الفيديو التوليدية: تحليل مقارن

مع وجود هذه الأدوات في مكانها، اختبر المؤلفون عددًا من أنظمة الفيديو التوليدية، سواء من خلال التثبيتات المحلية، وعند الضرورة، عبر واجهات برمجة التطبيقات التجارية: CogVideoX-5B؛ VideoCrafter2؛ HunyuanVideo-13B؛ Cosmos-Diffusion؛ Wan2.1-14B؛ OpenAI Sora؛ و Luma Ray.

تمت مطالبة النماذج بتسميات توضيحية محسنة حيثما أمكن ذلك، باستثناء أن Hunyuan Video و VideoCrafter2 يعملان تحت قيود CLIP 77-token ولا يمكنهما قبول مطالبات أعلى من طول معين.

تم الاحتفاظ بمقاطع الفيديو التي تم إنشاؤها لمدة تقل عن 6 ثوانٍ، نظرًا لأن الإخراج الأقصر أسهل في التقييم.

كانت البيانات الدافعة من مجموعة بيانات VideoPhy-2، والتي تم تقسيمها إلى مجموعة معيارية ومجموعة تدريب. تم إنشاء 590 مقطع فيديو لكل نموذج، باستثناء Sora و Ray2؛ نظرًا لعامل التكلفة، تم إنشاء أعداد أقل مكافئة من مقاطع الفيديو لهذه.

تعامل التقييم الأولي مع الأنشطة البدنية / الرياضية (PA) و تفاعلات الكائنات (OI) واختبر كلاً من مجموعة البيانات العامة والمجموعة الفرعية ‘الأصعب’ المذكورة أعلاه:

هنا يعلق المؤلفون:

‘حتى أفضل نموذج أداء، Wan2.1-14B، يحقق 32.6٪ و 21.9٪ فقط على الانقسامات الكاملة والصعبة لمجموعة البيانات الخاصة بنا، على التوالي. يمكن أن يُعزى أدائه القوي نسبيًا مقارنة بالنماذج الأخرى إلى تنوع بيانات التدريب متعددة الوسائط، جنبًا إلى جنب مع تصفية الحركة القوية التي تحافظ على مقاطع فيديو عالية الجودة عبر مجموعة واسعة من الإجراءات.

‘علاوة على ذلك، نلاحظ أن النماذج المغلقة، مثل Ray2، تؤدي أداءً أسوأ من النماذج المفتوحة مثل Wan2.1-14B و CogVideoX-5B. يشير هذا إلى أن النماذج المغلقة ليست بالضرورة متفوقة على النماذج المفتوحة في التقاط المنطق السليم الفيزيائي.

‘بشكل ملحوظ، يحقق Cosmos-Diffusion-7B ثاني أفضل نتيجة في التقسيم الصعب، حتى أنه يتفوق على نموذج HunyuanVideo-13B الأكبر بكثير. قد يكون هذا بسبب التمثيل العالي للإجراءات البشرية في بيانات التدريب الخاصة به، جنبًا إلى جنب مع عمليات المحاكاة المعروضة بشكل مصطنع.’

أظهرت النتائج أن نماذج الفيديو كافحت أكثر مع الأنشطة البدنية مثل الرياضة أكثر من تفاعلات الكائنات الأبسط. يشير هذا إلى أن تحسين مقاطع الفيديو التي تم إنشاؤها بواسطة الذكاء الاصطناعي في هذا المجال سيتطلب مجموعات بيانات أفضل - لا سيما لقطات عالية الجودة للرياضات مثل التنس والقرص والبيسبول والكريكيت.

فحصت الدراسة أيضًا ما إذا كانت المعقولية الفيزيائية للنموذج مرتبطة بمقاييس جودة الفيديو الأخرى، مثل الجماليات وسلاسة الحركة. لم تكشف النتائج عن أي ارتباط قوي، مما يعني أن النموذج لا يمكنه تحسين أدائه على VideoPhy-2 بمجرد إنشاء حركة جذابة بصريًا أو سلسة - فهو يحتاج إلى فهم أعمق للمنطق السليم الفيزيائي.

أمثلة نوعية: تسليط الضوء على التحديات

على الرغم من أن الورقة تقدم أمثلة نوعية وفيرة، إلا أن القليل من الأمثلة الثابتة المقدمة في ملف PDF يبدو أنها تتعلق بالأمثلة المستندة إلى الفيديو الشاملة التي يقدمها المؤلفون في موقع المشروع. لذلك، سننظر في مجموعة صغيرة من الأمثلة الثابتة ثم بعض مقاطع فيديو المشروع الفعلية.

فيما يتعلق بالاختبار النوعي أعلاه، يعلق المؤلفون:

‘[نحن] نلاحظ انتهاكات للمنطق السليم الفيزيائي، مثل الزلاجات النفاثة التي تتحرك بشكل غير طبيعي في الاتجاه المعاكس وتشوه مطرقة ثقيلة صلبة، مما يتحدى مبادئ المرونة. ومع ذلك، حتى Wan يعاني من نقص في المنطق السليم الفيزيائي، كما هو موضح في [المقطع المضمن في بداية هذه المقالة].

‘في هذه الحالة، نسلط الضوء على أن صخرة تبدأ في التدحرج والتسارع صعودًا، متحدية قانون الجاذبية الفيزيائي.’

كما ذكرنا في البداية، فإن حجم المواد المرتبطة بهذا المشروع يتجاوز بكثير ما يمكن تغطيته هنا. لذلك، يرجى الرجوع إلى الورقة المصدر وموقع المشروع والمواقع ذات الصلة المذكورة سابقًا للحصول على مخطط شامل حقًا لإجراءات المؤلفين، والمزيد من أمثلة الاختبار والتفاصيل الإجرائية.

* أما بالنسبة لمصدر التعليقات التوضيحية، فإن الورقة تحدد فقط ‘تم الحصول عليها لهذه المهام’ - يبدو أن الكثير منها قد تم إنشاؤه بواسطة 12 عاملاً في AMT.

نُشر لأول مرة يوم الخميس 13 مارس 2025