રેન્કિંગ શા માટે મહત્વનું છે

AI-જનરેટેડ વિડિયો લાંબા સમયથી પ્રોપ્રાઇટરી સિસ્ટમ્સ દ્વારા સંચાલિત છે જે તેમના weights છુપાવે છે, જેના કારણે માલિકીની કંપની સિવાયના અન્ય તમામ લોકો તેમાંથી બહાર રહે છે. તેના weights જાહેર કરીને, MiniMax સંશોધકો અને સ્વતંત્ર ડેવલપર્સને તે જ એક્સેસ આપે છે જેનો ઓપન-સોર્સ ટેક્સ્ટ મોડલ્સ વર્ષોથી આનંદ માણી રહ્યા છે. આ બેન્ચમાર્ક વિજય દર્શાવે છે કે એક ખુલ્લું ઉપલબ્ધ મોડલ માત્ર ખર્ચમાં જ નહીં, પરંતુ ગુણવત્તામાં પણ સ્પર્ધા કરી શકે છે.

ઓપન-વેઇટ સ્પર્ધક તરફનો માર્ગ

MiniMax નું H3 જનરેટિવ-વિડિયોના એવા પ્રયાસોની શ્રેણીને ચાલુ રાખે છે જેણે રિઝોલ્યુશન, ફ્રેમ રેટ અને સુસંગતતામાં સતત સુધારો કર્યો છે. જે દિવસે ByteDance એ Seedance 2.5 રિલીઝ કર્યું હતું, તે એક એવું મોડલ છે જે 30-સેકન્ડના ક્લિપ્સ બનાવે છે પરંતુ તેનો કોડ અને weights કોર્પોરેટ ફાયરવોલ પાછળ રાખે છે. MiniMax એ તેનાથી વિપરીત માર્ગ અપનાવ્યો, એક 33-બિલિયન-પેરામીટર મોડલ પ્રકાશિત કર્યું જે ટેક્સ્ટ, ઈમેજ, વિડિયો અને ઓડિયોને સિંગલ પાસમાં હેન્ડલ કરે છે.

આ મોડલ શું કરી શકે છે

  • Multimodal input – એક સિંગલ પ્રોમ્પ્ટમાં નવ રેફરન્સ ઈમેજ, ત્રણ ટૂંકી વિડિયો ક્લિપ્સ અને ત્રણ ઓડિયો ક્લિપ્સનો સમાવેશ થઈ શકે છે. મોડલ રેન્ડરિંગ કરતા પહેલા આ સિગ્નલોને એક સ્ટ્રક્ચર્ડ ઇન્ટરમીડિયેટ રિપ્રેઝન્ટેશનમાં ભેગા કરે છે.
  • Output length and quality – H3 4 થી 15 સેકન્ડના વિડિયો સેગમેન્ટ્સ બનાવે છે, જેમાં દરેક સાથે સિંક્રનાઇઝ્ડ સ્ટેરિયો સાઉન્ડ હોય છે.
  • Parameter count – 33 બિલિયન પેરામીટર્સ સાથે, આ નેટવર્ક અગ્રણી ક્લોઝ્ડ-સોર્સ ઓફરિંગ્સના કદ સાથે મેળ ખાય છે, જે તેને ઝીણવટભર્યા મોશન અને ટેક્સચરને કેપ્ચર કરવામાં મદદ કરે છે.

આ ક્ષમતાઓ એક સામાન્ય સમસ્યાનો ઉકેલ લાવે છે: ફ્રેમ્સમાં વિઝ્યુઅલ અને ઓડિટરી સાતત્ય જાળવવું. રેફરન્સના વધુ સમૃદ્ધ સેટને મંજૂરી આપીને, H3 "jump-cut" આર્ટિફેક્ટ્સ ઘટાડે છે જે ઘણા ટેક્સ્ટ-ટુ-વિડિયો સિસ્ટમ્સમાં જોવા મળે છે.

છુપાયેલા ભાગો

MiniMax એ જાણીજોઈને બે ઘટકો બંધ રાખ્યા છે: 2K રિઝોલ્યુશન સુધી અપસેમ્પલ કરતું મોડ્યુલ અને H3-Context-IR એન્જિન જે મલ્ટિમોડલ પ્રોમ્પ્ટને આંતરિક ફોર્મેટમાં રૂપાંતરિત કરે છે. અપસ્કેલર વગર, તમે લોકલ મશીન પર જે સૌથી વધુ રિઝોલ્યુશન મેળવી શકો છો તે 768p છે. વપરાશકર્તાઓએ રેફરન્સ મટિરિયલ તૈયાર કરવા માટે MiniMax ની પ્રોમ્પ્ટિંગ ગાઈડ્સનું પાલન કરવું પડે છે, જે નવા નિશાળીયા માટે ટેકનિકલ હોઈ શકે છે.

H3 ને લોકલી ચલાવવું

તમે કોમ્યુનિટી-ડ્રિવન ComfyUI ઇન્ટરફેસ દ્વારા મોડલ લોડ કરી શકો છો. મુખ્ય weights મફત છે, પરંતુ રિઝોલ્યુશનની મર્યાદા હોવાને કારણે શોખીન લોકો અને નાના સ્ટુડિયોએ પ્રોપ્રાઇટરી અપસ્કેલર ખરીદ્યા વગર ઓછા પિક્સેલના આઉટપુટ સ્વીકારવા પડે છે. કસ્ટમ ફૂટેજ, પાત્રો અથવા વિઝ્યુઅલ સ્ટાઇલ પર fine-tuning ને સપોર્ટ કરવામાં આવે છે, જે ડેવલપર્સને એવી સર્જનાત્મક સ્વતંત્રતા આપે છે જે ક્લોઝ્ડ મોડલ્સમાં હોતી નથી.

લાયસન્સિંગ વ્યાપારી લાભોને મર્યાદિત કરે છે

MiniMax નું લાયસન્સ માત્ર $20 મિલિયનથી ઓછી વાર્ષિક આવક ધરાવતી કંપનીઓ માટે જ વ્યાપારી ઉપયોગની મંજૂરી આપે છે. આ કલમ કંપનીને મોટી એન્ટરપ્રાઇઝથી બચાવે છે જે MiniMax ની પોતાની ઓફરિંગ્સને બાયપાસ કરીને આ ટેકનોલોજીનો મોટા પાયે નાણાકીય લાભ લઈ શકે છે. સ્ટાર્ટઅપ્સ અને રિસર્ચ લેબ્સ ઉદાર શરતોનો આનંદ માણે છે; મોટા ખેલાડીઓએ અલગ કરાર માટે વાટાઘાટ કરવી પડશે.

વિરોધ પક્ષ: કેટલાક શા માટે ક્લોઝ્ડ મોડલ્સ સાથે જ રહેવાનું પસંદ કરી શકે છે

  • Longer clip lengths – ByteDance ની સિસ્ટમ 30-સેકન્ડના વિડિયો બનાવી શકે છે, જે H3 ની મહત્તમ લંબાઈ કરતા બમણી છે.

આગળ શું જોવું

  • **

સારાંશ

MiniMax નું H3 સાબિત કરે છે કે એક ઓપન-વેઇટ વિડિયો જનરેટર બેન્ચમાર્ક ગુણવત્તામાં ક્લોઝ્ડ જાયન્ટ્સને હરાવી શકે છે, પરંતુ તેનું મર્યાદિત રિઝોલ્યુશન, વધારાના બંધ ઘટકો અને આવક-મર્યાદિત લાયસન્સ તેને સંશોધકો, સ્ટાર્ટઅપ્સ અને શોખીનોના ક્ષેત્રમાં જ રાખે છે. મોડલની મલ્ટિમોડલ લવચીકતા અને fine-tuning ની સ્વતંત્રતા ઓપન-સોર્સ સમુદાયને આકર્ષે છે, જ્યારે એન્ટરપ્રાઇઝ જ્યાં સુધી ઓપન ઇકોસિસ્ટમ બાકીની ખામીઓને પૂરી ન કરે ત્યાં સુધી પ્રોપ્રાઇટરી સોલ્યુશન્સ તરફ વળવા માંડી શકે છે.