MiniMax তাদের H3 ভিডিও-জেনারেটর মডেলের ওয়েটস (weights) Hugging Face-এ প্রকাশ করেছে, তাই যার কাছে একটি ভালো GPU আছে তিনি সহজেই কোর সিস্টেমটি ডাউনলোড করতে পারবেন। এই রিলিজটি সম্পূর্ণ বাণিজ্যিক পাইপলাইনের পরিবর্তে কিছুটা সীমিত – শুধুমাত্র H3-Base জেনারেটরটি ওপেন-ওয়েট (open-weight); প্রিপসেসিং এবং আপস্কেলিং ধাপগুলো এখনও একটি API-এর অধীনে রয়েছে।

ওপেন-ওয়েট রিলিজটিতে আসলে কী কী রয়েছে

MiniMax-এর H3 আর্কিটেকচার তিনটি লজিক্যাল ব্লকে বিভক্ত। যে দুটি অংশ শুধুমাত্র API-এর মাধ্যমে ব্যবহার করা যাবে সেগুলো হলো:

  • Context-IR layer – ইনপুট টেক্সট, ইমেজ বা ভিডিও স্নিপেট প্রিপসেস করে।
  • Regenerate-2K layer – আউটপুটকে হাই-রেজোলিউশন (2K) ভিডিওতে রূপান্তর করে।

ডেভেলপাররা H3-Base core generator ডাউনলোড করতে পারবেন, যা এমন একটি ইঞ্জিন যা মাল্টিমোডাল প্রম্পটকে নেটিভ অডিওসহ একটি 768-পিক্সেল শর্ট-এজ ভিডিও ক্লিপে রূপান্তরিত করে।

হার্ডওয়্যার এবং রানটাইম বাস্তবতা

মডেলটিতে ৩৩ বিলিয়ন প্যারামিটার রয়েছে এবং এটি দুটি ভার্সনে পাওয়া যায়:

  • fl2va – টেক্সট এবং ইমেজ প্রম্পট গ্রহণ করে।
  • ref2va – প্রম্পটের অংশ হিসেবে একটি রেফারেন্স ভিডিও গ্রহণ করে।

সবচেয়ে ছোট কোয়ান্টাইজড (quantized) চেকপয়েন্টটি প্রায় ২১ GB; আর ফুল-প্রিসিশন চেকপয়েন্টটি হলো ১২৩.৬ GB। আরামদায়কভাবে চালানোর জন্য MiniMax অন্তত ৪২.৫ GB VRAM বা স্টোরেজ ব্যবহারের পরামর্শ দিচ্ছে।

একটি ১২ GB GPU-তে ডেভেলপাররা CPU অফলোডিংয়ের মাধ্যমে মডেলটি চালাতে পারেন, তবে এতে ইনফারেন্স (inference) উল্লেখযোগ্যভাবে ধীর হয়ে যায়। লোকাল জেনারেশন শর্ট-এজে সর্বোচ্চ 768 px পর্যন্ত হতে পারে, যা প্রোপাইটারি Regenerate-2K লেয়ারের দেওয়া 2K রেজোলিউশনের তুলনায় অনেক কম।

কেন এই রিলিজটি গুরুত্বপূর্ণ

Artificial Analysis-এর সাম্প্রতিক র‍্যাঙ্কিং অনুযায়ী, H3 "video editing" ক্যাটাগরিতে প্রথম এবং "text-to-video" ও "image-to-video" উভয় ক্ষেত্রেই শীর্ষ তিনের মধ্যে রয়েছে। এই স্কোরগুলোর কারণে এটি বর্তমানে উপলব্ধ সবচেয়ে সক্ষম ওপেন-ওয়েট ভিডিও মডেল।

মডেলটি মাল্টিমোডাল: এটি টেক্সট, ইমেজ, ভিডিও এবং অডিও বুঝতে পারে এবং এটি সিঙ্ক্রোনাইজড সাউন্ডসহ ভিডিও তৈরি করতে পারে—যা পাবলিকলি ডাউনলোডযোগ্য একটি ওয়েট সেটের জন্য বিরল একটি ক্ষমতা।

সীমাবদ্ধতা এবং অন্য দিকটি

H3 সব ক্ষেত্রে জয়ী নয়; কিছু নির্দিষ্ট কাজে Gemini Omni Flash এটিকে ছাড়িয়ে যায়। যেহেতু হাই-রেজোলিউশন আপস্কেলিং একটি API-এর মাধ্যমে নিয়ন্ত্রিত, তাই MiniMax-এর সার্ভিসের জন্য অর্থ প্রদান না করে ডেভেলপাররা পূর্ণাঙ্গ বাণিজ্যিক আউটপুট পেতে পারেন না।

লাইসেন্সিং আরও একটি বাধা যোগ করে। শর্তাবলীতে স্পষ্টভাবে ইউরোপীয় ইউনিয়ন, যুক্তরাজ্য, দক্ষিণ কোরিয়া এবং মার্কিন যুক্তরাষ্ট্রে এর ব্যবহার নিষিদ্ধ করা হয়েছে। এই অঞ্চলের সংস্থাগুলোকে আলাদা বাণিজ্যিক চুক্তি করতে হবে অথবা অন্য কোনো বিকল্প খুঁজতে হবে।

সারকথা: MiniMax-এর ওপেন-ওয়েট H3 ডেভেলপারদের একটি শক্তিশালী মাল্টিমোডাল ভিডিও জেনারেটর প্রদান করে যা তারা লোকালি চালাতে পারেন, কিন্তু শুধুমাত্র API-ভিত্তিক প্রিপসেসিং এবং আপস্কেলিং, বিশাল হার্ডওয়্যার প্রয়োজনীয়তা এবং আঞ্চলিক লাইসেন্সিং নিষেধাজ্ঞা অনেককেই পূর্ণাঙ্গ বাণিজ্যিক অভিজ্ঞতা থেকে দূরে রাখে।