بينما أصبحت نماذج اللغة ذات تأثير كبير في العديد من التطبيقات الواقعية، تظل توليدات الفيديو مقتصرة إلى حد كبير على مجال الترفيه. مُحفَّزين بقدرة الفيديو المتأصلة على عرض معلومات العالم المادي التي يصعب نقلها باللغة وحدها (مثلاً، تخيّل تعليم شخص ما كيفية ربط ربطة العنق باستخدام نصوص فقط)، نُحدِّد فرصة غير مستغلة بالكامل لتوسيع الفيديو ليصبح نمطًا جديدًا للإجابة في مسألة التنبؤ بالحدث التالي (Next-Event Prediction - NEP)، والتي تم صياغتها رسميًا كـ "التنبؤ بالحدث التالي عبر الفيديو" (Video-Next-Event Prediction - VNEP). في حين أن المهمة التقليدية لـ NEP تتلقى فيديوًا مع سؤال إجرائي أو تنبؤي كمدخل، وتُقدّر الحدث التالي بالنص، فإن VNEP تتطلب استجابات فيديو ديناميكية. هذا التحوّل من "السرد" إلى "العرض" يُحرّر إجابات أكثر سهولة وتكيفًا في التعلم الإجرائي والاستكشاف الإبداعي. ومع ذلك، تبقى هذه المهمة صعبة بالنسبة للنماذج الحالية، نظرًا لاحتياجها إلى فهم للإدخال متعدد الوسائط، والاستدلال المشروط بالتعليمات، وتوليد فيديو يتمتع بالاتساق البصري والمعنوي. ولحل هذه المشكلة، نقدّم نموذج VANS، الذي يستخدم التعلم بالتعزيز (reinforcement learning) لمحاذاة نموذج متعدد الوسائط للرؤية واللغة (Vision-Language Model - VLM) مع نموذج توليد الفيديو بالانتشار (Video Diffusion Model - VDM) في سياق VNEP. تكمن النواة الأساسية لـ VANS في خوارزميتنا المقترحة Joint-GRPO، التي تنسق بين VLM وVDM ليعملان كوحدة متكاملة. وتُحسّن هذه الخوارزمية VLM لإنتاج عناوين (captions) دقيقة وسهلة التصوير، بينما توجّه VDM لتوليد فيديوهات مطابقة لهذه العناوين والسياق البصري المدخل، وذلك بفضل مكافأة مشتركة تُطبّق على إخراج كل من النموذجين. ولتمكين هذا التعلّم، صممنا مجموعة بيانات مخصصة تُسمى VANS-Data-100K، لدعم مهمة VNEP. أظهرت التجارب على معايير إجرائية وتنبؤية أن VANS تحقق أداءً متفوّقًا على الحد الأقصى (state-of-the-art) في كلا المهمتين: التنبؤ بالحدث في الفيديو وتمثيله بصريًا. وتم إتاحة الشيفرة المصدرية على الرابط: https://github.com/KlingTeam/VANS.