بينما تتفوق النماذج الخاصة بالذكاء الاصطناعي في المهام الفيديو المنعزلة مثل الإنشاء أو الفهم، فإن التطبيقات الواقعية تتطلب عمليات عمل معقدة ومتكررة تجمع بين هذه القدرات. ولسد هذه الفجوة، نقدم UniVA، إطارًا مفتوح المصدر ومتعدد المهارات لنموذج فيديو متخصص من الجيل القادم، يوحّد فهم الفيديو، والتقسيم، والتحرير، والإنشاء في سير عمل متماسك. تعتمد UniVA على هيكل ثنائي الوكلاء "خطط ونفذ"، الذي يُشغّل عملية آلية وناشطة للغاية: حيث يُفسر وكيل الخطة نوايا المستخدم ويُفكّكها إلى خطوات منظمة لمعالجة الفيديو، بينما يقوم وكلاء التنفيذ بتنفيذ هذه الخطوات عبر خوادم أدوات قابلة للتركيب تعتمد على منهجية MCP (لتحليل البيانات، والإنشاء، والتحرير، والتتبع، إلخ). وبفضل ذاكرة متعددة المستويات هرمية (المعرفة الشاملة، والسياق المهم، وتفضيلات المستخدم)، تُحافظ UniVA على التفكير على المدى الطويل، والاتساق السياقي، والتواصل بين الوكلاء، مما يمكّن من إنشاء فيديو تفاعلي وذاتي التأمل مع تتبع كامل للخطوات. ويتيح هذا التصميم تنفيذ سير عمل فيديو متكررة وقابلة للتأخير حسب الشروط (مثل إنشاء فيديو مشروط بنص أو صورة أو فيديو سابق → تحرير متعدد الجولات → تقسيم كائنات → تركيب تكويني)، وهي مهام كانت صعبة سابقًا باستخدام نماذج مخصصة أو نماذج فيديو-لغة متكاملة. كما نقدّم أيضًا UniVA-Bench، مجموعة اختبار تضم مهام متعددة الخطوات في مجال الفيديو تشمل الفهم، والتحرير، والتقسيم، والإنشاء، لتقييم هذه الأنظمة الوكلائية بشكل دقيق. ويتم إتاحة UniVA وUniVA-Bench ككود مفتوح بالكامل، بهدف دفع عجلة البحث في مجال الذكاء الاصطناعي متعدد الوسائط للجيل القادم، وخاصةً في مجالات الذكاء التفاعلي، والوكلائي، والعام للتحليل الفيديو. (https://univa.online/)